Controle por aprendizagem iterativa aplicado a um modelo de ventilador mecânico para pequenos animais
Carregando...
Arquivos
Data
Autor(es)
Título da Revista
ISSN da Revista
Título de Volume
Editor
Universidade Federal de Minas Gerais
Descrição
Tipo
Dissertação de mestrado
Título alternativo
Primeiro orientador
Membros da banca
Luciano Antonio Frezzatto Santos
Víctor Costa da Silva Campos
Víctor Costa da Silva Campos
Resumo
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.
Assunto
Engenharia elétrica, Sistemas não lineares, Respiradores (Medicina), Simulação (Computadores), Respiração artificial
Palavras-chave
Controle por aprendizagem iterativa, Iterative Learning Control, Ventilação mecânica, Controle em malha fechada, Sistemas biomédicos, Controle repetitivo, Sistemas não-lineares, Linearização por realimentação