PROPOSTA DE UM FRAMEWORK PARA IDENTIFICAÇÃO DE SISTEMAS DINÂMICOS MULTIVARIADOS NÃO LINEARES
Identificação, Não Linear, Sistemas Multivariados, Framework, Fuzzy TSK, PSO, Mínimos Quadrados.
As técnicas de identificação de sistemas dinâmicos são algoritmos de extrema importância para a geração de modelos matemáticos e computacionais capazes de representar a dinâmica de sistemas e processos presentes em diversos âmbitos da sociedade, como: processos industrias; automóveis; produção de alimentos; veículos aeroespaciais; sistemas biológicos e etc. Identificar esses sistemas, que em geral possuem mais de uma variável de entrada e saída (sistemas multivariados) e também são não lineares, é de grande importância para a ciência e para a engenharia no que tange ao desenvolvimento de novas técnicas de controle, monitoramento de falhas e previsão de estados de operação desses mecanismos. Todavia, identificar sistemas MIMO (Multiple Input Multiple Output) não lineares é uma tarefa complicada, tanto devido à dificuldade de se implementar os algoritmos clássicos para a resolução deste problema, quanto ao fato de que sistemas não lineares requerem modelos complexos para a representação de sua dinâmica de maneira satisfatória. Visando resolver este problema, este trabalho propõem um framework capaz de realizar tanto a identificação de sistemas dinâmicos multivariados não lineares no modelo fuzzy TSK, que representa de maneira simples o acoplamento das variáveis envolvidas na identificação, quanto a seleção do vetor regressor usado no modelo. O framework é testado e comparado com uma RNA e o modelo de Hammerstein-Wiener na identificação de duas plantas industriais MIMO não lineares: Reator Contínuo de Tanque Agitado (CSTR); Secador Industrial. A comparação das três técnicas é feita com base nos índices de Erro Quadrático Médio () e Variance Accounted For (), além da análise de resíduos entre os dados observados e estimados. Os resultados mostraram que o framework proposto obteve o melhor desempenho em 80% das estimações de saídas das duas plantas multivariadas com base nos dois índices, e também alcançou o melhor desempenho em 60% dos casos na análise residual da identificação das plantas.