IDENTIFICAÇÃO MULTIVARIÁVEL DE UM SISTEMA DE TANQUES ACOPLADOS UTILIZANDO WAVELET NEURAL NETWORK

Abstract

RESUMO:Fundamentado na teoria de identificação de sistemas, redes neurais artificiais e funções Wavelets, o presente trabalho apresenta a identificação de um sistema de nível com tanques acoplados com características não lineares, utilizando como ferramenta a Wavelet Neural Network (WNN), com o intuito de verificá-la como uma alternativa para identificação de sistemas dinâmicos. Para melhor avaliar as potencialidades não lineares da WNN, optou-se por utilizar um sistema de nível, que por si só já possui natureza não linear. Além disso, o sistema possui acoplamento de sinais, ruídos de medição e foi construído de forma artesanal. Tais características aumentam ainda mais a não linearidade do sistema e, consequentemente, a complexidade para modelagem. Para excitar o sistema utilizou-se o sinal PRBS (Pseudo Random Binary Signal) e, uma vez excitado o sistema, coletouse dados de entradas e saída a fim de realizar a modelagem utilizando a estrutura de identificação NNARX (Neural Network AutoRegressive with eXogenous input). Na etapa seguinte realizou-se a estimação e validação do modelo neural obtido por meio da Wavelet Neural Network. Os resultados obtidos validam a aplicabilidade das Redes Neurais Wavelets em sistemas não lineares nos quais ocorrem acoplamentos de sinais e que estão susceptíveis a ruídos de medição, com isso atingindo o objetivo em estudo.ABSTRACT:Based on the theory of systems identification, artificial neural networks and Wavelets functions, the present work presents the identification of a level system with coupled tanks with nonlinear characteristics, using as a tool the Wavelet Neural Network (WNN), in order to verify it as an alternative for identifying dynamic systems. To better evaluate the nonlinear potentialities of WNN, we chose to use a level system, which in itself already has a nonlinear nature. In addition, the system has signal coupling, measurement noise and is handcrafted. Such features further increase the nonlinearity of the system and, consequently, the complexity for modeling. The Pseudo Random Binary Signal (PRBS) signal was used to excite the system and, once the system was excited, input and output data were collected in order to perform the modeling using the NNARX (Neural Network AutoRegressive with eXogenous) identification structure. input). In the next step, the neural model obtained through the Wavelet Neural Network was estimated and validated. The results validate the applicability of Wavelet Neural Networks in nonlinear systems where signal couplings occur and are susceptible to measurement noise, thus achieving the objective under study.