APLICAÇÕES DE APRENDIZADO DE MÁQUINA A SISTEMAS DE ENERGIA

INTRODUÇÃO: O aparato da bola e haste é um clássico referencial na engenharia decontrole, caracterizado por sua natureza subacionada e dinâmica altamente nãolinear. A dinâmica de posicionamento de sua haste é análoga ao controle de arfagemdas pás de turbinas eólicas, que serve como malha interna para o controle de potênciaaerodinâmica. Além disso, abordagens puramente baseadas em dados utilizandoaprendizado de máquina vêm ganhando destaque no setor de energia para a geraçãode modelos, com aplicações recentes em baterias de íon de lítio e motores acombustão. OBJETIVOS: Este trabalho tem como objetivo desenvolver um modelodinâmico computacional para a bancada experimental de um sistema bola e hasteutilizando uma abordagem de identificação puramente baseada em dados MATERIAIS E MÉTODO: A metodologia baseou-se no desenvolvimento de modelos da classeNARX (Non-Linear Autoregressive with Exogenous inputs) polinomiais,implementados em linguagem Python. Os dados experimentais utilizados provêm deensaios com sinais de excitação do tipo multiseno, que passaram por um pré-processamento focado no descarte de períodos inativos e na subamostragem dossinais para adequação da taxa de aquisição à dinâmica dominante do sistema. Paraa determinação estrutural das equações, empregou-se o algoritmo FROLS (ForwardRegression Orthogonal Least Squares), selecionando os regressores com maiorimpacto na explicação da variância através do índice ERR (Error Reduction Ratio). RESULTADOS: Dois modelos foram propostos e contrapostos: um modelo linear deprimeira ordem e um modelo não linear de terceira ordem. A validação de ambosocorreu por meio de simulação livre (Free Run), garantindo a testagem rigorosa daestabilidade preditiva em malha aberta. Os resultados demonstraram que o modelolinear atingiu um FIT de apenas 40,71%, apresentando limitações severas nareprodução das oscilações e um excesso de dependência dos estados anterioresimediatos. Em contrapartida, o modelo não linear de terceira ordem evidenciou umdesempenho substancialmente superior, alcançando um FIT de 61,06%, comreduções significativas nas métricas de Erro Quadrático Médio (MSE) e Erro MédioAbsoluto (MAE). CONSIDERAÇÕES FINAIS: Conclui-se que a inclusão de regressoresde maior ordem confere ao modelo a capacidade de mapear de forma mais fidedignaas não linearidades da planta. A eficácia deste método em laboratório valida opotencial do aprendizado de máquina para modelagem de dinâmicas complexas,estratégia diretamente transferível para desafios de identificação e controle no setorde energia. Sugere-se, para trabalhos futuros, a exploração de modelos NARMAX eredes neurais artificiais para mitigar de forma mais incisiva os efeitos de ruídos demedição e dos atritos estático e cinético.

PALAVRAS-CHAVE: Identificação de Sistemas; Bola e Haste; Dados experimentais; NARX; Modelo.