IDENTIFICAÇÃO DE SISTEMAS NÃO-LINEARES EM ATRAVÉS DE REDES NEURAIS ARTIFICIAIS

INTRODUÇÃO: Identificação de sistema se refere a métodos onde se utiliza tanto aentrada como também a saída de um sistema para desenvolver um modelomatemático capaz de reproduzir a dinâmica presente no sistema em questão.Permitindo testar e simular através de computadores, assim possibilidanto verificar aresposta desse sistema a diversos tipos de entradas. OBJETIVOS: principal objetivodesse trabalho é desenvolver métodos de identificação de sistemas com base emredes neurais artificias. Com a finalidade de desenvolver métodos de aprendizagemprofunda focada em modelos orientados para métodos de controle avançado. Sendoassim, se faz necessário desenvolver uma base de dados de um sistemaexperimentalmente, treinar o modelo, e validá-lo com os dados obtidos previamente MATERIAIS E MÉTODO: Para desenvolver os modelos apartir de redes neurais éutilizado uma abordagem caixa preta, onde não é utilizado ou conhecido informaçõesfísicas do modelo para identificá-lo. Além disso foi utilizado dados extraídos dabancada didática Ball and Hoop, assim desenvolvendo um dataset para treino e outrosdois para validação. Também foi utilizado o dataset de um sistema de posicionamentoeletromecânico (EMPS). RESULTADOS: Para ambos os casos foram treinadas redesneurais Feed Forward (FFNN) e Long Short Term Memory (LSTM). No sistema do Balland Hoop ambas as redes obtiveram resultados satisfatórios, já no EMPS somente aFFNN obteve resultados satisfatórios. Em ambos os casos as métricas R2 e RootMean Squared Error (RMSE) foram utilizadas em conjunto com analise dascorrelações para validar os modelos. CONSIDERAÇÕES FINAIS: Em conclusão, é possivel utilizarredes neurais para a identificação de sistemas não lineares. Sendo que é evidente acapacidade das redes de capturar a não linearidade presente no sistema. Para futurostrabalhos será interessante o uso de redes neurais em modelos híbridos, onde sãoutilizados multiplas técnicas de identificação de sistema para desenvolver modelos.Além disso, também deve-se resaltar o possível uso de Physics-Informed NeuralNetworks para realizar a tarefa de identificação.

PALAVRAS-CHAVE: Sistemas não lineares 2. Identificação de sistemas; Redesneurais; Feed Forward Neural Network; Long Short TermMemory.