Please use this identifier to cite or link to this item: http://hdl.handle.net/1843/31038
Type: Dissertação
Title: Controle por aprendizagem iterativa aplicado a um modelo de ventilador mecânico para pequenos animais
Authors: Adler Fonseca de Castro
First Advisor: Leonardo Antônio Borges Tôrres
First Co-advisor: Alessandro Beda
First Referee: Luciano Antonio Frezzatto Santos
Second Referee: Víctor Costa da Silva Campos
Abstract: Ventiladores mecânicos são máquinas usadas para assistir a respiração e são amplamente utilizados em pesquisas envolvendo doenças respiratórias. No entanto, a maior parte das opções comerciais disponíveis para pequenos animais possuem limitações em rastrear perfis ventilatórios de pressão ou vazão de ar. Controle por Aprendizagem Iterativa ou Iterative Learning Control (ILC) é uma técnica de controle que visa melhorar o desempenho de sistemas com tarefas repetitivas através do aprendizado com execuções anteriores. Este estudo propõe avaliar estratégias de controle com ILC para o problema de rastreamento de perfis associados a modos de ventilação artificial. Utilizamos estratégias baseadas em ILC, em um controlador PI tradicional e em uma combinação de ambos. Os sistemas de controle foram projetados com base em funções de transferência, obtidas a partir de um modelo simplificado de um ventilador mecânico linearizado por realimentação. O desempenho dos sistemas foi avaliado por meio de simulações, onde incorporamos cenários hipotéticos com vazamentos, ruído na medição e incertezas paramétricas na linearização. Tendo em consideração que desvios do perfil de referência podem causar danos ao pulmão do paciente, ILC sozinho se mostrou inadequado para ventiladores nas iterações iniciais. A arquitetura com ILC e PI combinou as vantagens das duas estratégias, com um desempenho inicial aceitável, mas que melhora a cada iteração. Essa estratégia com PI e ILC permaneceu robusta para os diversos tipos de perturbações testados, especialmente nos cenários com vazamentos periódicos.
Abstract: Mechanical ventilators are machines used to assist breathing and are widely used in research involving respiratory diseases. However, most commercial options available for small animals have limitations when tracking ventilatory profiles such as desired air pressure or flow. Iterative Learning Control (ILC) is a control technique that aims to improve performance of systems with repetitive tasks by learning from previous executions. This study proposes ILC control strategies for the problem of tracking profiles associated with ventilation modes. We use strategies based only in ILC, in a classical PI controller and in a combination of both. The control systems design was based on transfer functions, obtained from a simplified model of a feedback linearized recently proposed ventilator. The systems performance was evaluated with simulations, where we incorporated hypothetical scenarios with leakages, sensor noise and parametric uncertainty in the linearization. Considering that deviations from the reference profile can harm the patient’s lung, ILC alone was shown to be inadequate for mechanical ventilators in the initial iterations. The architecture with ILC and PI combined the benefits of both strategies, with an acceptable initial performance that still improves with each iteration. This strategy with PI and ILC remained robust for all the types of disturbances tested, especially in the scenarios with periodic leakage.
Subject: Engenharia elétrica
Sistemas não lineares
Respiradores (Medicina)
Simulação (Computadores)
Respiração artificial
language: por
metadata.dc.publisher.country: Brasil
Publisher: Universidade Federal de Minas Gerais
Publisher Initials: UFMG
metadata.dc.publisher.department: ENG - DEPARTAMENTO DE ENGENHARIA ELÉTRICA
metadata.dc.publisher.program: Programa de Pós-Graduação em Engenharia Elétrica
Rights: Acesso Aberto
URI: http://hdl.handle.net/1843/31038
Issue Date: 24-Jun-2019
Appears in Collections:Dissertações de Mestrado

Files in This Item:
File Description SizeFormat 
Dissertação Adler.pdf2.09 MBAdobe PDFView/Open


Items in DSpace are protected by copyright, with all rights reserved, unless otherwise indicated.