| Summary: | No presente trabalho, é realizada a modelagem e identificação de um serovoposicionador hidráulico de uma bancada de testes. As expressões analíticas tradicionalmente utilizadas em uma estratégia em cascata aplicada ao controle de trajetória de posição são obtidas. A estratégia em questão utiliza, conjuntamente, a linearização por realimentação como lei de controle do subsistema hidráulico e a lei de controle de Slotine e Li no subsistema mecânico. Com base na mesma estratégia, um controlador em cascata neural é proposto. Em tal controlador, a função analítica que representa o mapa inverso, presente na linearização por realimentação, e a função de compensação de atrito utilizada na lei de Slotine e Li são substituídas por funções constituidas por meio de redes neurais de perceptrons de múltiplas camadas. Essas redes neurais têm como entradas os estados do sistema e também a temperatura do fluido hidráulico. O novo controlador é apresentado em uma versão onde as redes neurais são aplicadas sem modificações on-line e em outra, onde são apresentadas leis de controle adaptativo para as mesmas. A prova de estabilidade do sistema em malha fechada é apresentada em ambos os casos. Resultados experimentais do controle de seguimento de trajetórias de posição em diferentes temperaturas do fluido hidráulico são apresentados. Esses resultados demonstram a maior efetividade do controlador proposto em relação aos controladores clássicos PID e PID+feefforward e ao controlador em cascata com funções analíticas fixas. Os experimentos são realizados em duas situações: quando não ocorrem variações paramétricas importantes no sistema, onde é utilizado o controlador em cascata neural fixo e quando ocorrem essas variações, onde se utiliza o controlador em cascata neural adaptativo. === In this work, the modeling and identification of a hydraulic actuator testing setup are performed and the analytical expressions that are used in a cascade control strategy applyied in a position trajectory tracking control are designed. Such cascade strategy uses the feedback linearization control law in the hydraulical subsystem and the Slotine and Li control law in the mechanical one. Based on this cascade strategy, a neural cascade controller is proposed, for which the analytical function used as inversion set in the feedback linearization control law and the friction function compensation of the Slotine and Li control law are replaced by multi layer perceptrons neural networks where the inputs are the states of the system and the hydraulic fluid temperature. The novel controller is introduced in two different aproachs: the first one where the neural networks do not have on-line modifications and the second one where adaptive control laws are proposed. For both of them the stability proof of the closed-loop system is presented. Experimental results about some position tracking controls performed in different fluid temperature are showed. The results show that the novel controller is more efective than the classical PID, PID+feedforward and the traditional analytical cascade controller. The experiments are performed in two different setups: considering the system without importants parametric variations where is applied the non adaptive cascade neural controller and in the presence of parametric variations where is applied the adaptive cascade neural controller.
|
|---|
