Multivariable Evolving Fuzzy Modeling Approach with Time Varying Order State Space

• Antonio Barros Feitosa Júnior UFMA
• Ginalber Luiz de Oliveira Serra IFMA

DOI: https://doi.org/10.5753/eniac.2022.226779

Resumo

Neste trabalho, é apresentada uma metodologia para a identificação de sistemas dinâmicos multivariável não lineares via modelo nebuloso evolutivo. O modelo evolutivo obtido é capaz de adaptar sua estrutura de forma autônoma, de acordo com o fluxo de dados. Os submodelos locais, no consequente das regras nebulosas, no espaço de estados, são capazes de ajustar sua ordem em função do tempo, para cada regra nebulosa, independentemente. Além disso, esta metodologia visa reduzir o número de parâmetros do algoritmo a serem especificados durante sua inicialização. A metodologia proposta foi aplicada para identificação de um evaporador industrial, cujos resultados demonstram sua aplicabilidade.

Referências

Angelov, P., Gu, X., and Kangin, D. (2017). Empirical data analytics. International Journal of Intelligent Systems, 32(12):1261-1284.

Angelov, P. and Yager, R. (2012). A new type of simplified fuzzy rule-based system,. International Journal of General Systems, 41(2):163-185.

Angelov, P., Škrjanc, I., and Blažič, S. (2013). Robust evolving cloud-based controller for a hydraulic plant. In 2013 IEEE Conference on Evolving and Adaptive Intelligent Systems (EAIS), pages 1-8.

Babuška, R. (2003). Neuro-Fuzzy Methods for Modeling and Identification, pages 161-186. Physica-Verlag HD, Heidelberg.

Gomide, F. (2017). Evolving Granular Neural Networks From Data Streams, pages 1-9. John Wiley & Sons, Ltd.

Jafari, M., Salimifard, M., and Dehghani, M. (2014). Identification of multivariable nonlinear systems in the presence of colored noises using iterative hierarchical least squares algorithm. ISA Transactions, 53(4):1243-1252. Disturbance Estimation and Mitigation.

Pires, D. S. (2018). Metodologia para modelagem de filtros de Kalman nebulosos evolutivos de realização mínima no espaço de estados via dados experimentais. PhD thesis, Universidade Federal do Maranhão, Centro de Ciências Exatas e Tecnologia, São Luís, MA.

Torres, L. M. M. (2018). Metodologia nebulosa para identificação recursiva no espaço de estados baseado em agrupamento evolutivo de dados. Master's thesis, Universidade Federal do Maranhão, Centro de Ciências Exatas e Tecnologia, São Luís, MA.

Torres, L. M. M. and Serra, G. L. O. (2018). A novel approach for online multivariable evolving fuzzy modeling from experimental data. In 2018 IEEE International Conference on Fuzzy Systems (FUZZ-IEEE), pages 1-6.

Van Overschee, P. and De Moor, B. (1994). Data from an industrial evaporator. In DaISy: Database for the Identification of Systems, KU Leuven, Belgium. Department of Electrical Engineering, ESAT/STADIUS.

Wu, C.-Y., Tsai, J.-H., Guo, S.-M., Shieh, L.-S., Canelon, J., Ebrahimzadeh, F., and Wang, L. (2015). A novel on-line observer/kalman filter identification method and its application to input-constrained active fault-tolerant tracker design for unknown stochastic systems. Journal of the Franklin Institute, 352(3):1119-1151.

Yang, Z.-X., Rong, H.-J., Wong, P. K., Angelov, P., Yang, Z.-X., and Wang, H. (2021). Self-evolving data cloud-based pid-like controller for nonlinear uncertain systems. IEEE Transactions on Industrial Electronics, 68(5):4508-4518.

Zhu, Y., Overschee, P. V., Moor, B. D., and Ljung, L. (1994). Comparison of three classes of identification methods. In Blanke, M. and Söderström, T., editors, Proceedings of the of SYSID '94, volume 1, pages 175 - 180, Copenhagen, Denmark. Danish Automation Society.

Škrjanc, I., Iglesias, J. A., Sanchis, A., Leite, D., Lughofer, E., and Gomide, F. (2019). Evolving fuzzy and neuro-fuzzy approaches in clustering, regression, identification, and classification: A survey. Information Sciences, 490:344-368.