Please use this identifier to cite or link to this item:
http://hdl.handle.net/1843/RAOA-BC9GUF
Full metadata record
DC Field | Value | Language |
---|---|---|
dc.contributor.advisor1 | Ricardo Hiroshi Caldeira Takahashi | pt_BR |
dc.contributor.referee1 | Luis Antonio Aguirre | pt_BR |
dc.contributor.referee2 | Guilherme Vianna Raffo | pt_BR |
dc.contributor.referee3 | Valter Junior de Souza Leite | pt_BR |
dc.contributor.referee4 | Roberto Kawakami Harrop Galvão | pt_BR |
dc.creator | Amanda Goncalves Saraiva Ottoni | pt_BR |
dc.date.accessioned | 2019-08-09T17:26:19Z | - |
dc.date.available | 2019-08-09T17:26:19Z | - |
dc.date.issued | 2015-12-17 | pt_BR |
dc.identifier.uri | http://hdl.handle.net/1843/RAOA-BC9GUF | - |
dc.description.abstract | Model Predictive Control (MPC) is a modern control technique that has several variations and many applications in industry. A new robust MPC strategy - RMPC-SC (Robust MPC with Stability Constraints) - is proposed in this work. A set of constraints to the increment of the control variables, for which guarantees the stability of a monovariable discrete time linear dynamical system, described by a known transfer function, but with polytopic uncertainty in the parameters, is explicitly calculated. The condition developed is enough to stabilize the system at every instance of the transfer function within the admitted uncertainty range and can be used in conjunction with any robust MPC technique that admits inclusion of restrictions on the control variable. A new optimization method Branch Bound is proposed in order to improve the optimization procedure inherent to the RMPC algorithm, developed in this work. This method can be used in the global optimization of functions that can be described as difference between increasing functions, constrained to a box. | pt_BR |
dc.description.resumo | Controle preditivo baseado em modelos (conhecido pela sigla de sua expressão em inglês MPC - Model Predictive Control) é uma técnica de controle moderno que possui diversas variações e aplicações na indústria. Uma nova estratégia de MPC robusto, a qual chamaremos de RMPC-SC - Robust MPC with Stability Constraints, é proposta neste trabalho. Um conjunto de restrições para o incremento da variável de controle, para o qual se garante a estabilidade de um sistema dinâmico monovariável, linear, de tempo discreto, descrito em termos de uma função de transferência conhecida, porém com incertezas politópicas em seus parâmetros, é calculado explicitamente. A condição desenvolvida é suficiente para a estabilização do sistema para qualquer instância da função de transferência dentro da faixa de incertezas admitidas e pode ser utilizada em conjunto com qualquer técnica de MPC robusto, que admita a inclusão de restrições na variável de controle. Um novo método de otimização Branch an Bound é proposto com o objetivo de se aprimorar o procedimento de otimização inerente ao algoritmo RMPC desenvolvido neste trabalho. O mesmo pode ser utilizado na otimização global de funções que podem ser descritas como a diferença entre funções crescentes, em um politopo do tipo caixa. | pt_BR |
dc.language | Português | pt_BR |
dc.publisher | Universidade Federal de Minas Gerais | pt_BR |
dc.publisher.initials | UFMG | pt_BR |
dc.rights | Acesso Aberto | pt_BR |
dc.subject | Modelo linear | pt_BR |
dc.subject | Incerteza de modelo | pt_BR |
dc.subject | Controle preditivo | pt_BR |
dc.subject | Função de transferência | pt_BR |
dc.subject | Branch and Bound | pt_BR |
dc.subject | Controle robusto | pt_BR |
dc.subject | Incerteza politópica | pt_BR |
dc.subject | Estabilidade | pt_BR |
dc.subject.other | Controle preditivo | pt_BR |
dc.subject.other | Engenharia elétrica | pt_BR |
dc.subject.other | Incerteza | pt_BR |
dc.subject.other | Controle robusto | pt_BR |
dc.subject.other | Transferência de funções | pt_BR |
dc.title | Restrições de estabilidade no controlador preditivo robusto baseado em modelo | pt_BR |
dc.type | Tese de Doutorado | pt_BR |
Appears in Collections: | Teses de Doutorado |
Files in This Item:
File | Description | Size | Format | |
---|---|---|---|---|
tese_agso.pdf | 3.16 MB | Adobe PDF | View/Open |
Items in DSpace are protected by copyright, with all rights reserved, unless otherwise indicated.