Controlador preditivo baseado em modelo adaptativo online aplicado ao controle de um levitador pneumático

Abstract

O controle de plantas não lineares com parâmetros incertos exige estimação online capaz de manter o modelo interno do controlador fiel à dinâmica real. Este trabalho desenvolve e avalia um sistema de controle preditivo adaptativo para um levitador pneumático, no qual o parâmetro aerodinâmico incerto é identificado em tempo de execução e realimentado ao controlador a cada ciclo. Estabelece-se uma linha de base composta por um estimador de Mínimos Quadrados Recursivos integrado ao controlador adaptativo e propõe-se, como alternativa, uma rede neural informada pela física para problemas inversos, treinada online exclusivamente a partir do resíduo da equação diferencial do sistema, sem dados rotulados. A rede é implementada em um microcontrolador de recursos limitados, com retropropagação analítica e três algoritmos de otimização distintos: gradiente descendente estocástico, Adam e NAdam. As abordagens são comparadas sob um protocolo experimental de degraus de posição, por meio de métricas de rastreamento, de convergência do parâmetro e de suavidade da atuação. Os resultados mostram que a identificação online corrige o descasamento do modelo e melhora o rastreamento em relação ao controlador de modelo fixo. Entre as abordagens baseadas em rede, o gradiente descendente estocástico equipara-se à linha de base por mínimos quadrados, enquanto os otimizadores com momento, Adam e NAdam, reduzem de forma estatisticamente significativa o erro de rastreamento e aceleram a convergência da estimativa, ao preço de uma estimativa mais ruidosa e de uma atuação menos suave. Não se identifica um otimizador uniformemente superior, o otimizador NAdam favorece a precisão de rastreamento e a rapidez de convergência, ao passo que o gradiente descendente estocástico favorece a suavidade da atuação e a estabilidade da estimativa, com o otimizador Adam em posição intermediária.