| Summary: | Esta tese tem por objetivo a obtenção de modelos que apresentem melhor desempenho quando utilizados em controladores preditivos baseados em modelo (Model-based Predictive Control, MPC). Ao longo dos últimos 25 anos diversos trabalhos propuseram métodos baseados na minimização de uma função de predição múltiplos passos à frente, que se caracteriza por ser uma função não linear. Estes métodos foram denominados MPC Relevent Identification (MRI). A maioria destes artigos propõe técnicas para a obtenção de modelos lineares. Ao longo dos últimos 5 anos, alguns métodos, também baseados na minimização da função de predição múltiplos passos à frente, foram propostos para a identificação de modelos não lineares. Estes trabalhos são baseados na minimização direta da função de custo não linear, para obter com estrutura NARMAX (Nonlinear Autoregressive Moving Average with exogenous inputs). Entretanto, estruturas simplificadas de controladores MPC não lineares podem ser obtidas utilizando modelos com estruturas de Wiener e de Hammerstein. Esta tese apresenta novos resultados teóricos que permitem a obtenção de algoritmos de identificação MRI para modelos com estrutura de Wiener e Hammerstein, sem a necessidade de minimizar a função de custo não linear. Além da demonstração dos resultados teóricos, novos algoritmos são propostos tendo a sua capacidade de predição, propriedades estatísticas e aplicação em controladores MPC não lineares avaliadas.
===
This thesis focuses on obtaining models that may produce a better performance of Model-based Predictive Controllers (MPC). Several papers published in the last 25 years have proposed methods based on the minimization of multi-step ahead prediction functions, which are inherently nonlinear. These methods have been called MPC Relevant Identification (MRI). Most of the papers focused on obtaining linear models. In the last 5 years, some methods have been proposed to obtain nonlinear models based on the minimization of the same cost function. These papers were based on the direct minimization of the nonlinear cost function to produce models with NARMAX (nonlinear Autoregressive Moving Average with exogenous inputs) structure. However, simplified MPC schemes may be obtained using models with Wiener and Hammerstein structures. This thesis presents new theoretical results which allow the development of MRI identification algorithms for models with Wiener and Hammerstein structures, without the need to perform the minimization of the nonlinear cost function. Besides the proof of theoretical results, new algorithms are developed and have their prediction capability statistical properties and performance in nonlinear MPC controllers evaluated.
|
|---|
