IDENTIFICAÇÃO DE SISTEMAS NÃO-LINEARES ATRAVÉS DE REDES NEURAIS ARTIFICIAIS

INTRODUÇÃO: A identificação de sistemas dinâmicos constitui uma etapa fundamental para a análise, a simulação e o desenvolvimento de estratégias de controle, sobretudo em plataformas robóticas que apresentam comportamento instável e não linear. Nesse contexto, este trabalho investiga a dinâmica dos motores de corrente contínua utilizados em como movimentação de um robô autoequilibrante, considerando que a resposta do sistema pode ser influenciada por fenômenos como atrito, zona morta, saturação, variações construtivas e diferenças individuais entre os atuadores. OBJETIVOS: O estudo teve como objetivo desenvolver e aplicar métodos de identificação de sistemas baseados em redes neurais artificiais, com foco na obtenção de modelos adequados para futuras aplicações em estratégias de controle avançado. Para isso, buscou-se construir uma base de dados experimental, desenvolver modelos comparativos por diferentes abordagens de identificação, aplicar redes ANN-NARX à dinâmica dos motores e validar os modelos obtidos com dados experimentais da bancada, avaliando sua capacidade preditiva, estabilidade e generalização. MATERIAIS E MÉTODO: A base de dados foi obtida em uma bancada experimental composta por dois motores de corrente contínua, drivers de potência, encoders magnéticos AS5600 e um microcontrolador ESP32 responsável pela aplicação dos sinais e pela aquisição das respostas. Foram realizados ensaios com sinais do tipo degrau, sequência de degraus, senoide e chirp. Os modelos lineares de primeira ordem com atraso foram identificados no ambiente MATLAB, enquanto os modelos ANN-NARX foram desenvolvidos em Python com o framework PyTorch. O sinal chirp foi utilizado exclusivamente no treinamento das redes neurais, enquanto os sinais de sequência de degraus e senoide foram destinados à validação. O desempenho foi analisado pelas estratégias One Step Ahead e Free Run, com base nas métricas R², RMSE RESULTADOS: Os modelos lineares e as redes ANN-NARX apresentaram elevada aderência aos dados experimentais, com diferenças reduzidas entre os indicadores de desempenho. Os modelos lineares foram beneficiados pelo ajuste individual realizado diretamente em cada conjunto avaliado, enquanto as redes mantiveram resultados semelhantes mesmo sendo treinadas apenas com o sinal chirp e aplicadas posteriormente a sinais distintos, sem reajuste dos parâmetros. Na estratégia Free Run, as respostas permaneceram estáveis durante todo o horizonte de simulação, sem acúmulo significativo de erros. CONSIDERAÇÕES FINAIS: Os resultados não evidenciaram superioridade consistente de uma única abordagem. Os modelos lineares destacaram-se pela simplicidade, pelo menor custo computacional e pela interpretação direta dos parâmetros, enquanto as ANN-NARX demonstraram maior flexibilidade e capacidade de generalização. Dessa forma, a escolha do método deve considerar a finalidade do modelo, os recursos computacionais disponíveis e o nível de complexidade necessário para representar o comportamento do sistema.

PALAVRAS-CHAVE: 1. Identificação de sistemas; 2. Redes neurais artificiais; 3. Modelo NARX; 4. Modelagem não linear; 5. Robô autoequilibrante.