EVENTO
Controle e Filtragem par sistemas Dinâmicos Estocásticos Sujeitos à Falhas.
Tipo de evento: Exame de Qualificação
Os avanços recentes em tecnologia tem aumentado de maneira significativa a complexidade de diversos sistemas dinâmicos, requerendo com isso uma maior demanda por projetos de controle eficientes e confiáveis. O grande desafio do projetista então é conseguir modelos simples o suficiente para facilitar a implementação do sistema de controle, mas complexos o suficiente para garantir eficiência de performance e confiabilidade. Nesse contexto, modelos com dinâmica sujeitas a incertezas estocásticas podem ser convenientes para analisar sistemas cujo comportamento ao longo do tempo está sujeito a flutuações significativas em sua dinâmica. A engenharia aeroespacial fornece muitos exemplos de tais situações: uma aeronave deve continuar sua missão mesmo se alguns de seus giroscópios estiverem com defeito; uma nave espacial tem que ter sucesso em sua viagem de reentrada na Terra, mesmo na presença de uma falha em um computador de bordo. Nesses casos as incertezas estocásticas podem fornecer uma indicação probabilística quantitativa dos vários possíveis cenários nos quais o sistema poderá estar. Por exemplo, se o sistema altera o seu comportamento dinâmico em resposta a mudanças discretas no tempo, o modelo relevante pode consistir de um conjunto de sub-modelos, cada um representando um dos possíveis modos de operação do sistema. No caso de falhas, o funcionamento do processo pode ser descrito por diferentes regimes, do valor nominal até a falha completa, passando por vários comportamentos intermediários disfuncionais. Esses exemplos mostram que sistemas complexos atualmente encontrados nos projetos de engenharia, são inerentemente sensíveis e vulneráveis à degradação de seus componentes. Por isso, é necessário projetar políticas de controle capazes de manter o sistema com um desempenho aceitável, mesmo na presença de falhas. Para este fim, deve-se levar em conta os diferentes tipos de modos de operação que possam existir na dinâmica do sistema devido a essas variações, e como elas afetam o comportamento global do sistema. Portanto tais sistemas complexos requerem representações matemáticas que são, na sua essência, dinâmicas, multi-modelo e estocásticas. Nesse contexto, a abordagem multi-modelo estocástica aparece como uma representação natural para o estudo de leis de controle de sistemas dinâmicos sujeitos a falhas. Os processos dinâmicos multi-modelo estocásticos que serão analisados neste projeto de pesquisa são conhecidos na literatura especializada como os sistemas lineares com saltos Markovianos (SLSM), que têm tido bastante sucesso na modelagem de sistemas sujeitos a mudanças abruptas e é um tema de pesquisa crescente nos últimos anos [3], [5], [7], [8], [9], [16], [17], [24], [23], [26]. Recentemente SLSM têm sido aplicados para soluções de diversos problemas em engenharia aeroespacial [1], [2], economia [13], robótica [4], [12], receptor solar [6], e comunicação sem fio [25]. Os SLSM são vistos por diversos pesquisadores como uma verdadeira alternativa para se atingir comportamentos tolerantes a falhas em sistemas de controle. SLSM é o principal foco do projeto de pesquisa em questão. O projeto contempla diversas questões de filtragem e controle relativas a essas classes de modelos. Um primeiro grande passo na teoria de filtragem de sistemas dinâmicos estocásticos foi o ubíquo filtro de Kalman que tem tido uma enorme variedade de aplicações, tendo sido de fundamental importância, por exemplo, no sucesso do projeto aeroespacial Apolo (ver, p.ex., [14]). O coroamento dessa teoria é a equação de Fujisaki-Kallianpur-Kunita para o caso de sistemas dinâmicos não-lineares ([11], [15]). Embora a maquinaria teórica disponível para lidar com problemas de filtragem não-linear seja considerável [27], ainda há muitas questões desafiadoras nessa área. Uma delas é o fato de que a descrição do filtro não-linear ótimo raramente pode ser derivado em termos de um sistema finito fechado de equações diferenciais estocásticas (os chamados filtros finitos), ou seja, o filtro não é computável por meio de um cálculo finito (o filtro é infinito). No contexto de SLSM, existem três cenários principais do problema de filtragem. O primeiro, com observações parciais apenas do estado do sistema, i.e., a cadeia de Markov (modo de operação do sistema) é acessível. Nesse caso, o filtro ótimo é tipo Kalman [14] e tem dimensão finita. Além disso, o problema de controle ótimo para esse cenário foi estudado em [19], usando um princípio de separação. No segundo cenário, com acesso a variável de estado do sistema mas sem acesso a cadeia de Markov, existe um filtro ótimo não linear desenvolvido por Wonham [28]. A principal dificuldade de utilizar o resultado de Wonham, no contexto do problema de controle ótimo para SLSM com observações parciais do modo de operação, é que êle introduz não-linearidades na equação de Hamilton-Jacobi_Bellman, impossibilitando a obtenção de uma solução analítica explícita para o problema de controle. Com o intuito de mitigar êsse problema e tornar possível uma expressão explícita para o controlador, foi desenvolvido dentro do marco desse projeto de tese um filtro ótimo linear para esse cenário [10]. Nesse contexto, pretende-se deduzir o filtro linear a horizonte infinito e aplicar um princípio de separação para obter o controlador. Finalmente, no cenário onde nem o estado do sistema nem a cadeia de Markov são acessíveis, encontramos na literatura o filtro ótimo não-linear que tem dimensão infinita, tornando o seu uso impraticável de um ponto de vista de aplicações [5]. Com o intuito de sanar esse problema, o filtro ótimo linear para esse cenário foi obtido em [22] e o filtro estacionário associado foi obtido em [18]. Apesar dos resultados obtidos em [18] e [22] representarem um grande avanço na obtenção de um filtro ótimo de dimensão finita, um problema que permanece é que o filtro fornece um estimador ótimo para o estado do sistema. Portanto, um outro objetivo desse projeto de pesquisa é deduzir o filtro ótimo linear para a cadeia de Markov nesse cenário, assim como o filtro ótimo linear estacionário correspondente.Bibliografia:[1] - A. A. G. Siqueira, M. H. Terra and M. Bergerman - Robust Control of Robots: Fault Tolerant Approaches, Springer-Verlag, 2011. [2] A. Stoica and I. Yaesh. Jump Markovian-based control of wing deployment for an uncrewed air vehicle. Journal of Guidance, 25:407411, 1983. [3] C. J. Wenk and Y. Bar-Shalom. A multiple model adaptive dual control algorithm for stochastic systems with unknown parameters. IEEE Transactions on Automatic Control, 25:703710, 1980. [4] - D. ; Dunn K. ; Greene C. ; Wing Lee ; Sandell N. Jr. ; Willsky A.S. Athans, M.; Castanon. The stochastic control of the f-8c aircraft using a multiple model adaptive control (mmac) method - part i : equilibrium flight. IEEE Transactions on Automatic Control, 22:768780, 1989. [5] D.D. Sworder and J.E. Boyd. Estimation Problems in Hybrid Systems. Cambridge University Press, 1999. [6] D. D. Sworder and R. O. Rogers. An LQG solution to a control problem with solar thermal receiver. IEEE Transactions on Automatic Control, 28:971978, 1983. [7] E. F. Costa, J. B. R. do Val, and M. D. Fragoso. A new approach to detectability of discrete-time infinite Markov jump linear systems. SIAM Journal on Control and Optimization, 43:21322156, 2005. [8] - H. A. P. Blom. An efficient filter for abruptly changing systems. In Proceedings of the 23rd IEEE Conference on Decision and Control, pages 656658, Las Vegas, NV, 1984. [9] H. A. P. Blom and Y. Bar-Shalom. The interacting multiple model algorithm for systems with Markovian jumping parameters. IEEE Transactions on Automatic Control, 33:780783, 1988. [10] F. V. Vergés and M. D. Fragoso. Optimal linear mean square filter for the operation mode ofcontinuous-time Markovian jump linear systems. IET Control Theory Appl., 2019, Vol. 13 Iss. 9, pp. 1309-1319. [11] - G. K. M. Fujisaki,.; G. Kallianpur and H. Kunita. Stochastic differential equation for the nonlinear filtering problem. Osaka J. Math., v. 9, n. 1, p. 1940, 1972 [12] G. N. Saridis. Intelligent robotic control. IEEE Transactions on Automatic Control,28:547557, 1983. [13] J.B.R Do Val and T. Basar. Receding horizon control of jump linear systems and a macroeconomic policy problem. Journal of Economic Dynamics and Control, 23:10991131, 2002. [14] - M. A. Davis. Linear Estimation and Stochastic Control, Chapman and Hall, 1977 [15] M. Davis; S. Marcus. An introductiont to nonlinear filtering. Stochastics Systems: The Mathematics of Filtering and Identification and Applications, p. 5375, 1981. [16] M. D. Fragoso. A small random perturbation analysis of a partially observable LQG problem with jumping parameter. IMA Journal of Mathematical Control and Information, 7:293305, 1990. [17] M. D. Fragoso. On a partially observable lqg problem for systems with Markovian jumping parameters. Systems and Control Letters, 10:349356, 1988. [18] M. D. Fragoso and N. Rocha. Stationary filter for continuous-time Markovian jump linear systems. SIAM Journal on Control and Optimization, 44:801815, 2005. [19] M. D. Fragoso and O.L.V. Costa. A separation principle for the continuous-time lqproblem with Markovian jump parameters. IEEE Transactions on Automatic Control, 55:26922707, 2010. [20] M. D. Fragoso and O. L. V. Costa. Mean square stabilizability of continuous-time linear systems with partial information on the Markovian jumping parameters. Stochastic Analysis and Applications, 22:99111, 2004. [21] M. D. Fragoso, O. L. V. Costa, and C. E. de Souza. A new approach to linearly perturbed Riccati equations arising in stochastic control. Journal of Applied Mathematics and Optimization, 37:99126, 1998. [22] M. D. Fragoso, O. L. V. Costa, and J. Baczynski. The minimum linear mean square filter for a class of hybrid systems. In Proceedings of the European Control Conference - ECC2001, pages 319322, Porto, Portugal, 2001. [23] O. L. V. Costa, M. D. Fragoso, and M. G. Todorov. Continuous-Time Markov Jump Linear Systems. Springer-Verlag, 2013. [24] O. L. V. Costa, M. D. Fragoso, and R. P. Marques. Discrete-Time Markov Jump Linear Systems. Springer-Verlag, 2004. [25] P. A. Kawka and A. G. Alleyne. Robust wireless servo control using a discrete-time uncertain Markovian jump linear model. IEEE Transactions on Control Systems Technology, v. 17, p. 733742, 2009. [26] V. Dragan, T. Morozan, and Adrian-Mihail Stoica. Mathematical Methods in Robust Control of Discrete-Time Linear Stochastic Systems. Springer, 2010. [27] V. Krishnan. Nonlinear Filtering and Smoothing: An introduction to martingales, stochastic integrals and estimation. John Wiley and Sons, 1984. [28] W.H Wonham. Some applications of stochastic differential equations to optimal nonlinear filtering. SIAM J. on Control and Optimization, 3:347369, 1965.
Data Início: 09/12/2019 Hora: 10:00 Data Fim: 09/12/2019 Hora: 14:00
Local: LNCC - Laboratório Nacional de Computação Ciêntifica - Auditorio A
Aluno: Fortia Vila Verges - - LNCC
Orientador: Marcelo Dutra Fragoso - Laboratório Nacional de Computação Científica - LNCC
Participante Banca Examinadora: Jack Baczynski - Laboratório Nacional de Computação Científica - LNCC João Bosco Ribeiro do Val - Universidade Estadual de Campinas - UNICAMP Telles Timóteo da Silva - Instituto Brasileiro de Geografia e Estatística - IBGE
