Robust Granular Feedback Linearization

Oliveira, Lucas; Leite, Valter J. S.; Bento, Anderson; Gomide, Fernando

doi:10.1109/fuzz-ieee.2019.8858974

Cited by 4 publications

(7 citation statements)

References 11 publications

Supporting

Mentioning

Contrasting

Unclassified

Order By: Relevance

“…O controlador de linearização por realimentação granular robusto (robust granular feedback linearization -RGFL) foi originalmente proposto por Oliveira et al em (Oliveira et al, 2019) onde sugere-se a inclusão de um sinal de compensaçãoà malha de controle da linearização por realimentação para mitigar os efeitos causados pela diferença entre o modelo usado no projeto da lei de controle linearizante e o sistema real. Nessa abordagem, o sinal de compensaçãó e estimado com o auxílio do algoritmo de aprendizagem participativa -ePL (Lima et al, 2010).…”

Section: Controlador De Linearização Por Realimentação Granular Robustounclassified

“…O ePL foi utilizado em um sistema de controle para um processo não linear com grau relativo unitário para estimar o erro de modelagem e assim mitigar seus efeitos na malha de controle EFL (Oliveira et al, 2017). Baseado nessa topologia de controle, (Oliveira et al, 2019) sugere uma nova estrutura de controle que faz uso do princípio da equivalência certa (certainty equivalente principle) para estimar um sinal de compensação e reduzir o efeito de pertubações originadas por erros de modelagem.…”

Section: Introductionunclassified

“…Esse trabalho analisa e avalia o controlador de linearizacão por realimentação granular robusto (robust granular feedback linearization -RGFL) apresentado em (Oliveira et al, 2019), mas utilizando o algoritmo de aprendizagem eTS ao invés do original ePL. Esse controladoré utilizado para controlar um pêndulo invertido e fazer que seu estado siga uma trajetória especificada.…”

Section: Introductionunclassified

See 2 more Smart Citations

Linearização por realimentação granular robusta com algoritmo evolutivo Takagi-Sugeno: Análise e avaliação de desempenho

Bento

Oliveira

Leite

et al. 2019

Anais Do 14º Simpósio Brasileiro De Automação Inteligente

Self Cite

View full text Add to dashboard Cite

Feedback linearization is a powerful nonlinear control technique, but its performance degenerates substantially when subject to modeling errors. Recently robust granular feedback linearization, a method that uses the participatory learning to cancel the effect of model mismatches, was introduced to reduce the impact of modeling errors in the control loop. This paper aims to evaluate the performance of the robust, granular feedback linearization controller with learning done using eTS, the evolving Takagi-Sugeno approach. The behavior of the robust, granular feedback linearization with eTS is evaluated using an inverted pendulum control system to track a specified trajectory. Performance is measured using integral of the absolute error, the integral of the variability of the control signal, and the integral of the variability of the error indexes. Simulation results suggest that the robust, granular eTS control performs better than exact feedback linearization. Resumo: A linearização por realimentaçãoé uma poderosa técnica de controle não linear, mas quando aplicada a situações em que há erro de modelagem, seu desempenho fica comprometido e o comportamento em malha fechada degenera. A linearização por realimentação granular robustá e uma técnica que utiliza aprendizagem participativa para cancelar os efeitos causados por erros de modelagem na malha de controle. Esse trabalho objetiva avaliar o desempenho do controlador de linearização por realimentação granular robusta quando o mecanismo de aprendizagemé substituído pelo eTS, o algoritmo evolutivo Takagi-Sugeno. O controlador granular robusto com eTSé utilizado para que os estados de um pêndulo invertido siga uma trajetória especificada. Os resultados de simulação são quantificados usando os critérios da integral do valor absoluto do erro, da integral da variabilidade do erro e da integral da variabilidade do sinal de controle. Os resultados sugerem que o controlador granular robusto com eTS tem desempenho superior a linearização por realimentação exata.

show abstract

Section: Controlador De Linearização Por Realimentação Granular Robustounclassified

Section: Introductionunclassified

See 1 more Smart Citation

Linearização por realimentação granular robusta com algoritmo evolutivo Takagi-Sugeno: Análise e avaliação de desempenho

Bento

Oliveira

Leite

et al. 2019

Anais Do 14º Simpósio Brasileiro De Automação Inteligente

Self Cite

View full text Add to dashboard Cite

show abstract

“…13). Em (Oliveira et al, 2019b) uma malha de controle por realimentação linearizanteé desenvolvida com ajuda do algoritmo ePL. Nessa abordagem, assume-se que o modelo que descreve o sistema seja incerto com relação aos parâmetros.…”

Section: Introductionunclassified

“…Assim, o algoritmo ePL encarrega-se da estimação do erro de modelagem da mitigação dos efeitos negativos decorrentes da diferença de dinâmica do modelo em relação ao sistema real. Motivado pela estrutura de controle exposta em (Oliveira et al, 2019b), Oliveira et al (2019a) propõem uma nova malha de controle com habilidade para estimar as funções não lineares do sistema. Nessa abordagem, desenvolvem uma nova lei de controle linearizante usando certainty equivalence principle (Wang, 1996).…”

Section: Introductionunclassified

Sintonia do Controlador Evolutivo Granular Robusto por Realimentação Linearizante via Algoritmo de Evolução Diferencial

Santos

Oliveira

Leite

et al. 2020

Anais Do Congresso Brasileiro De Automática 2020

Self Cite

View full text Add to dashboard Cite

O controlador evolutivo granular robusto por realimentação linearizante - ReGFL consiste de um método online que agrega robustez a técnica de lineariação por realimentação exata. Como principal característica, essa abordagem não exige o conhecimento prévio das funções não lineares que compõem o sistema. Contudo, seu uso está sujeito a escolha de diversos parâmetros que afetam diretamente a dinâmica do controlador, e consequentemente, seu desempenho. Essa característica torna sua aplicação em sistemas reais um procedimento complexo. Neste trabalho, é proposto o uso do algoritmo de evolução diferencial em uma operação offline para sintonia dos parâmetros do controlador. A abordagem proposta é aplicada a um sistema de controle de nível em um tanque não linear. Os resultados são quantificados com o auxílio de índices de desempenho clássicos que indicam a melhora de desempenho proporcionada por nossa abordagem. A análise desses critérios comparada ao desempenho do controlador ReGFL sintonizado via metodologia padrão e controle por realimentação linearizante Os resultados alcançados indicam que o metodo de sintonia proposto para o controlador ReGFL proporciona significativa melhora de desempenho à malha fechada.

show abstract

Comparisons of robust methods on feedback linearization through experimental tests

et al. 2020

View full text Add to dashboard Cite

Robust Granular Feedback Linearization

Cited by 4 publications

References 11 publications

Linearização por realimentação granular robusta com algoritmo evolutivo Takagi-Sugeno: Análise e avaliação de desempenho

Linearização por realimentação granular robusta com algoritmo evolutivo Takagi-Sugeno: Análise e avaliação de desempenho

Sintonia do Controlador Evolutivo Granular Robusto por Realimentação Linearizante via Algoritmo de Evolução Diferencial

Comparisons of robust methods on feedback linearization through experimental tests

Contact Info

Product

Resources

About