Use este identificador para citar ou linkar para este item:
http://repositorio.ufc.br/handle/riufc/62092
Tipo: | TCC |
Título: | Identificação do modelo dinâmico de uma incubadora neonatal mediante a aplicação de uma rede neural convolucional unidimensional |
Autor(es): | Amaral Filho, Lucio Sergio de Paula Gurgel do |
Orientador: | Braga, Arthur Plínio de Souza |
Palavras-chave: | Identificação de sistemas;Rede neural convolucional;Incubadora neonatal;Atraso de transporte;Sinal PRBS |
Data do documento: | 2021 |
Citação: | AMARAL FILHO, Lucio Sergio de Paula Gurgel do. Identificação do modelo dinâmico de uma incubadora neonatal mediante a aplicação de uma rede neural convolucional unidimensional. 2021. 116 f. Monografia (Graduação em Engenharia Elétrica) - Centro de Tecnologia, Universidade Federal do Ceará, Fortaleza, 2021. |
Resumo: | Este trabalho propõe a identificação da dinâmica da temperatura de uma incubadora neonatal com o auxílio de uma rede neural convolucional unidimensional (1D-CNN – One-dimensional Convolutional Neural Network). O objetivo é usar a rede convolucional para conduzir uma regressão não linear de múltiplas saídas em alta dimensão que estima os parâmetros de um modelo dinâmico Single-Input Single Output (SISO) capaz de representar a ação da temperatura ao longo do tempo. A rede neural aprende um mapeamento entre vetores que representam a dinâmica entrada saída de modelos de 1ª ordem com atraso de transporte (FOPDT – First Order Plus Dead-Time) e seus respectivos parâmetros. A metodologia envolve inicialmente obter os sinais de resposta de milhares de modelos criados via simulação no software MATLAB®; aplicar um sinal degrau na incubadora, a fim de realizar uma identificação com um método tradicional de otimização no MATLAB®, obtendo assim um modelo dinâmico adicional, cuja constante de tempo é usada para projetar um sinal binário pseudoaleatório (PRBS – Pseudo-random Binary Sequence); obter um sinal de resposta da incubadora via ensaio de medição utilizando o sinal PRBS como entrada do sistema; treinar a 1D-CNN com os sinais de simulação; realizar a predição dos parâmetros do sistema físico; e, por fim, testar o desempenho do modelo identificado. Esse teste consistiu em construir um gráfico contendo os sinais de resposta do sistema físico e dos modelos identificados (pelo uso da rede neural e do método de otimização) e em calcular o erro quadrático médio (MSE – Mean Squared Error) e o desvio padrão do erro. Além disso, os modelos criados por simulação também foram estimados, com o propósito de validar o treinamento da rede neural e de avaliar a disparidade entre os resultados obtidos com esses modelos e aqueles obtidos com o modelo dinâmico da incubadora neonatal. O valor de MSE resultante do modelo dinâmico proposto (modelo-CNN) foi aproximadamente 0,25, ao passo que o MSE do modelo identificado por otimização (modelo-PRBS) foi em torno de 2,10. |
Abstract: | This work puts forward the identification of the temperature dynamics of a neonatal incubator with the aid of a one-dimensional convolutional neural network (1D-CNN). The goal is to use the convolutional network in order to carry out a high-dimensional multi-output nonlinear regression which estimates the parameters of a single-input single-output (SISO) dynamic model capable of depicting the temperature’s activity over time. The neural network learns a mapping between the vectors that represent the input-output dynamics of first order plus dead-time (FOPDT) models and their respective parameters. The methodology entails initially obtaining the response signals from thousands of models created via MATLAB® software simulation, applying a step signal into the incubator in order to perform an identification with a traditional optimization method in MATLAB® thus obtaining an aditional dynamic model whose time constant is used to design a pseudo-random binary sequence (PRBS) signal, obtaining a response signal from the incubator via measurement experiment using the PRBS signal as the system input, training the 1D-CNN with the simulation signals, executing the prediction of the physical system’s parameters and lastly testing the identified model’s performance. That test consisted of plotting a graph containing the response signals of the physical system and the identified models (by using the neural network and the optimization method) and of evaluating the mean squared error (MSE) and the error standard deviation. Furthermore, the models created through simulation were also estimated, for the purpose of validating the neural network’s training and assessing the disparity between the results obtained with these models and the ones obtained with the neonatal incubator dynamic model. The MSE value resulting from the proposed dynamic model (CNN-model) was aproximately 0.25, whilst the identified-by-optimization model’s MSE (PRBS-model) was about 2.10. |
URI: | http://www.repositorio.ufc.br/handle/riufc/62092 |
Aparece nas coleções: | ENGENHARIA ELÉTRICA - Monografias |
Arquivos associados a este item:
Arquivo | Descrição | Tamanho | Formato | |
---|---|---|---|---|
2021_tcc_lspgamaralfilho.pdf | 4,41 MB | Adobe PDF | Visualizar/Abrir |
Os itens no repositório estão protegidos por copyright, com todos os direitos reservados, salvo quando é indicado o contrário.