Aplicaciones de técnicas DC a identificación paramétrica, estimación de estados y conjuntos invariantes, en sistemas no lineales

Abstract

Esta tesis tiene como objetivos nuevos métodos: 1. Para la estimación de estados con método de error acotado. 2. Para la identificación de sistemas con error acotado. 3. Se propone un método para discriminación de puntos mediante hiperplanos de corte, obteniendo un conjunto invariante admisible aproximado, muy semejante al conjunto invariante admisible real. Se presenta un método garantista para estimación paramétrica de modelos no lineales en el contexto de errores acotados. Se consideran representaciones OC en la forma funcional del sistema. Para la estimación de estados, emplea zonotopos y programación OC para obtener una acotación garantista de la trayectoria del sistema no lineal. Se propone un nuevo método oráculo para la obtención de planos de corte, que excluyen puntos no pertenecientes al conjunto invariante admisible máximo, dado un sistema no lineal y una ley de control. Este método puede utilizarse en el contexto del control predictivo basado en modelos.This thesis aims for proposing new methods: 1. For the state estimation with bounded error method. 2. For the system identification with bounded errors. 3. A method is proposed for discrimination of points in basis on cutting hyperplanes to obtain an approximate admissible invariant set, very similar to actual admissible invariant set. A method is presented guarantor for parametric estimating of nonlinear models in the context of bounded errors. OC representations are considered in the functional form of the dynamical system. Regarding the state estimation, the method proposed uses zonotopes and OC programming to obtain, a guarantor boundary of the path which is indeterminate for the nonlinear system. The final contributions propose a new oracle method to obtain cutting plans, which exclude points outside the maximum admissible invariant set, given a nonlinear system and control law. This method can be used in the context of model-based predictive control