Percorrer por autor "Silva, Felippe Ferreira da"
A mostrar 1 - 1 de 1
Resultados por página
Opções de ordenação
- Filtragem de Kalman Neuronal para Aplicações AeroespaciaisPublication . Silva, Felippe Ferreira da; Bousson, KouamanaA estimação em tempo real é um dos tópicos mais importantes na engenharia, principalmente em sistemas não-lineares, presentes em praticamente todas as aplicações aeroespaciais. Na indústria aeroespacial, há cada vez mais a tendência de utilizar instrumentos, sensores e métodos de estimação que sejam precisos, leves e com baixos custos computacional e financeiro. O termo filtragem ou estimação é utilizado para o conjunto de técnicas e algoritmo que permitem obter uma redução de ruídos ou erros de medição além de estimar estados não mensuráveis diretamente. A grande dificuldade encontra-se justamente na complexidade dos sistemas observados, que podem apresentar dinâmica altamente não-linear, além de ruídos e baixa disponibilidade de dados, o que torna a seleção do método de filtragem um fator muito importante para que haja o máximo de redução do erro de estimação. Um dos métodos mais importantes desenvolvidos foi o filtro de Kalman linear, considerado filtro ótimo para sistemas lineares. Mas, visto que a maioria dos sistemas reais envolve dinâmica não-linear, outros métodos foram desenvolvidos com vista a superar este impasse. Métodos como o famoso filtro de Kalman Estendido (EKF – Extended Kalman Filter), o filtro de Kalman Unscented (UKF – Unscented Kalman Filter) e o filtro de Kalman Pseudolinear (PSELIKA – Pseudo Linear Kalman Filter) foram algumas das soluções implementadas que tiveram sucesso em aplicações reais, apresentando vantagens e limitações particulares. Para o filtro EKF, a sua principal limitação é o seu comportamento errático e possivelmente divergente em sistemas altamente não-lineares, ou com estimações iniciais imprecisas. Já para o UKF, a dimensão do estado pode aumentar significativamente a complexidade temporal do algoritmo, o que pode torná-la uma solução inviável para tempo real. O filtro PSELIKA apresenta limitação parecida onde a complexidade das operações efetuadas é a principal causa do custo computacional elevado. Destes métodos, o PSELIKA chama atenção pelo facto de ser aplicável em praticamente qualquer sistema não-linear, dentro das condições necessárias, mas sendo possível utilizar os métodos de filtragem linear ao modelar a dinâmica do sistema numa estrutura pseudolinear. A limitação é dada pela necessidade de resolver a equação Algébrica de Riccati associada e realizar inversões matriciais para o cálculo da matriz de ganho do sistema, necessitando bastantes recursos computacionais. Assim, com o objetivo de reduzir o custo computacional e melhorar o desempenho, as redes neuronais têm sido integradas aos métodos de filtragem. Estas são ferramentas extraordinárias que atuam como funções não-lineares capazes de obter conhecimento experimental, e neste caso, podem atuar para prever os cálculos efetuados durante o método de filtragem PSELIKA. De forma a reduzir a principal limitação do método de estimação PSELIKA, aproveitando do facto de apresentar uma estrutura pseudo-linear, esta dissertação propôs a integração de uma rede neuronal do tipo Perceptron de Múltiplas Camadas (MLP- Multilayer Perceptron) ao algoritmo PSELIKA, tendo como principal objetivo a redução do custo computacional original, implementando, por fim, um algoritmo denominado PSELIKAMLP. Com vista a validar a utilização do algoritmo, nesta dissertação são abordados dois casos de estudo: a estimação da taxa angular e atitude de um veículo aeroespacial, além da estimação da órbita de um satélite artificial. Nestes, são comparados a exatidão, complexidade temporal e espacial entre o algoritmo implementado, o filtro EKF e o filtro PSELIKA. Os resultados demonstram que o algoritmo implementado foi capaz de reduzir significativamente o tempo computacional do método PSELIKA, sem um grande detrimento da exatidão da estimação, mas apresentando complexidade espacial superior. Assim, é uma possível aplicação para a redução do custo computacional servindo de complemento para o algoritmo original.