{"id":{"repo_id":"poli-torino","oai_identifier":"oai:iris.polito.it:11583/2497241"},"canonical_url":"https://search.dev.ndltd.org/etd/poli-torino/oai:iris.polito.it:11583/2497241","repository":{"repo_id":"poli-torino","name":"Politecnico di Torino","base_url":"https://iris.polito.it/oai/request"},"display":{"title":"Sistemi e metodi adattativi per controlli in tempo reale","abstract":"Il problema della stabilizzazione dei sistemi dinamici ha assunto sempre più interesse con l'estensione dell'automatizzazione in campo industriale a sistemi di complessità sempre crescenti. Il controllo di un processo fisico ha origine dalla necessità di ottenere un certo comportamento in termini di stabilità, precisione, velocità e risposta alle perturbazioni. Uno dei metodi più classici richiede la realizzazione di un modello matematico dell'impianto; questa si presenta spesso come la fase più complessa e delicata del progetto di un controllore, sia perché non esistono regole precise, sia perché da essa dipende in gran parte il risultato del sistema di controllo. Nel controllo tradizionale si passa dal modello, spesso di tipo non lineare, ad un sistema semplificato linearizzando le equazioni che descrivono l'impianto. Esistono varie procedure di progetto che si basano sulla linearizzazione e che spesso portano a buoni risultati finché il sistema non si allontana troppo dal punto di equilibrio. Se, a causa delle non idealità, il comportamento del processo si differenzia eccessivamente da quello previsto, il controllore lineare non adattativo non è più efficace. In molte applicazioni si ricorre ad un approccio differente che non si basa sulla linearizzazione ma prevede lo sviluppo di un controllo non lineare ottimizzato attraverso metodi adattivi quali le reti neurali, la logica fuzzy e gli algoritmi genetici. Una rete neurale è una struttura costituita da un certo numero di unità di calcolo operanti in parallelo e organizzate su diversi strati, che permette di eseguire trasformazioni non lineari sugli ingressi. Una caratteristica importante di questa struttura è quella di potersi adattare, durante una fase di apprendimento, in modo da ricostruire la relazione che lega gli ingressi alle uscite a partire da una serie di esempi disponibili. Le reti neurali possono quindi essere utilizzate sia per l'identificazione della caratteristica ingresso-uscita del processo, sia per essere inserite in opportuni schemi di controllo e adattarne la struttura in modo da ottenere un sistema completo con le caratteristiche dinamiche desiderate. I vantaggi dell'approccio neurale sono quindi la capacità di apprendimento e di generalizzazione di trasformazioni non lineari, e la possibilità di evitare una modellizzazione accurata a priori dell'impianto grazie al meccanismo di addestramento. Manca, però, una procedura sistematica di progetto che garantisca di ottenere un sistema controllato con caratteristiche dinamiche predefinite. La logica fuzzy è una tecnica per la descrizione di relazioni causa-effetto basata sull'uso di termini linguistici anziché espressioni matematiche. L'applicazione di questa logica ai controlli automatici permette di semplificare la descrizione del comportamento desiderato del controllore o del sistema in catena chiusa. Il progetto di un controllore non lineare si può così sull'osservazione diretta del comportamento del processo e sull'esperienza acquisita dall'operatore umano sullo stesso. Gli algoritmi genetici, sono metodi adattativi che possono essere utilizzati per risolvere problemi di ottimizzazione. Utilizzando gli stessi schemi dell'evoluzione biologica, questi algoritmi sono in grado di evolvere soluzioni di problemi reali, questo a condizione che il problema possa essere codificato in modo appropriato. Gli algoritmi genetici non garantiscono di trovare la soluzione globale ottima per un certo problema, ma di trovare una soluzione \"sufficientemente precisa\" in un tempo \"sufficientemente breve\". Il lavoro presentato in questa tesi, riguarda lo studio di nuovi paradigmi di controllo basati sulle tecniche precedentemente citate e la loro riunificazione sotto un unico paradigma denominato WRBF (Weighted Radial Basis Function). Vengono anche presentate una serie di applicazioni utilizzate come banco di prova di queste tecniche.","abstract_html":"Il problema della stabilizzazione dei sistemi dinamici ha assunto sempre più interesse con l'estensione dell'automatizzazione in campo industriale a sistemi di complessità sempre crescenti. Il controllo di un processo fisico ha origine dalla necessità di ottenere un certo comportamento in termini di stabilità, precisione, velocità e risposta alle perturbazioni. Uno dei metodi più classici richiede la realizzazione di un modello matematico dell'impianto; questa si presenta spesso come la fase più complessa e delicata del progetto di un controllore, sia perché non esistono regole precise, sia perché da essa dipende in gran parte il risultato del sistema di controllo. Nel controllo tradizionale si passa dal modello, spesso di tipo non lineare, ad un sistema semplificato linearizzando le equazioni che descrivono l'impianto. Esistono varie procedure di progetto che si basano sulla linearizzazione e che spesso portano a buoni risultati finché il sistema non si allontana troppo dal punto di equilibrio. Se, a causa delle non idealità, il comportamento del processo si differenzia eccessivamente da quello previsto, il controllore lineare non adattativo non è più efficace. In molte applicazioni si ricorre ad un approccio differente che non si basa sulla linearizzazione ma prevede lo sviluppo di un controllo non lineare ottimizzato attraverso metodi adattivi quali le reti neurali, la logica fuzzy e gli algoritmi genetici. Una rete neurale è una struttura costituita da un certo numero di unità di calcolo operanti in parallelo e organizzate su diversi strati, che permette di eseguire trasformazioni non lineari sugli ingressi. Una caratteristica importante di questa struttura è quella di potersi adattare, durante una fase di apprendimento, in modo da ricostruire la relazione che lega gli ingressi alle uscite a partire da una serie di esempi disponibili. Le reti neurali possono quindi essere utilizzate sia per l'identificazione della caratteristica ingresso-uscita del processo, sia per essere inserite in opportuni schemi di controllo e adattarne la struttura in modo da ottenere un sistema completo con le caratteristiche dinamiche desiderate. I vantaggi dell'approccio neurale sono quindi la capacità di apprendimento e di generalizzazione di trasformazioni non lineari, e la possibilità di evitare una modellizzazione accurata a priori dell'impianto grazie al meccanismo di addestramento. Manca, però, una procedura sistematica di progetto che garantisca di ottenere un sistema controllato con caratteristiche dinamiche predefinite. La logica fuzzy è una tecnica per la descrizione di relazioni causa-effetto basata sull'uso di termini linguistici anziché espressioni matematiche. L'applicazione di questa logica ai controlli automatici permette di semplificare la descrizione del comportamento desiderato del controllore o del sistema in catena chiusa. Il progetto di un controllore non lineare si può così sull'osservazione diretta del comportamento del processo e sull'esperienza acquisita dall'operatore umano sullo stesso. Gli algoritmi genetici, sono metodi adattativi che possono essere utilizzati per risolvere problemi di ottimizzazione. Utilizzando gli stessi schemi dell'evoluzione biologica, questi algoritmi sono in grado di evolvere soluzioni di problemi reali, questo a condizione che il problema possa essere codificato in modo appropriato. Gli algoritmi genetici non garantiscono di trovare la soluzione globale ottima per un certo problema, ma di trovare una soluzione "sufficientemente precisa" in un tempo "sufficientemente breve". Il lavoro presentato in questa tesi, riguarda lo studio di nuovi paradigmi di controllo basati sulle tecniche precedentemente citate e la loro riunificazione sotto un unico paradigma denominato WRBF (Weighted Radial Basis Function). Vengono anche presentate una serie di applicazioni utilizzate come banco di prova di queste tecniche.","abstract_has_math":false,"creators":["CHIABERGE, MARCELLO"],"institution":"Politecnico di Torino","degree_name":null,"degree_level":null,"degree_discipline":null,"degree_department":null,"school":null,"contributors":[],"advisors":[],"committee_chairs":[],"committee_members":[],"year":1997,"date_issued":"1997","date_published":"1997","updated_at":"2026-07-24T03:51:03Z","subjects":["Sistemi di controllo adattativi","reti neurali","sistemi fuzzy Tesi di dottorato n. TDR.1997.000604","Settore ING-INF/01 - Elettronica"],"languages":["ita"],"rights":["info:eu-repo/semantics/openAccess","license:Pubblico - Tutti i diritti riservati"],"rights_urls":[],"identifier_entries":[{"key":"dc:identifier","label":"Identifier","values":["10.6092/polito/porto/2497241"],"render_values":[{"text":"10.6092/polito/porto/2497241","href":"https://doi.org/10.6092/polito/porto/2497241","code":true}]}]},"links":{"outbound_url":"http://hdl.handle.net/11583/2497241","outbound_label":"Handle","outbound_source":"dc:identifier"},"metadata_groups":[{"id":"people","label":"People","entries":[{"key":"dc:contributor","label":"Contributor","values":["Chiaberge, Marcello"]},{"key":"dc:creator","label":"Author","values":["CHIABERGE, MARCELLO"]}]},{"id":"academic_context","label":"Academic Context","entries":[{"key":"dc:date","label":"Dc Date","values":["1997"]},{"key":"dc:publisher","label":"Institution","values":["Politecnico di Torino","country:Italy"]},{"key":"dc:relation","label":"Dc Relation","values":["numberofpages:250"]},{"key":"dc:type","label":"Dc Type","values":["info:eu-repo/semantics/doctoralThesis"]}]},{"id":"subjects_keywords","label":"Subjects and Keywords","entries":[{"key":"dc:subject","label":"Dc Subject","values":["Sistemi di controllo adattativi","reti neurali","sistemi fuzzy Tesi di dottorato n. TDR.1997.000604","Settore ING-INF/01 - Elettronica"]}]},{"id":"language_rights","label":"Language and Rights","entries":[{"key":"dc:language","label":"Dc Language","values":["ita"]},{"key":"dc:rights","label":"Dc Rights","values":["info:eu-repo/semantics/openAccess","license:Pubblico - Tutti i diritti riservati"]}]},{"id":"identifiers","label":"Identifiers","entries":[{"key":"dc:identifier","label":"Identifier","values":["http://hdl.handle.net/11583/2497241","10.6092/polito/porto/2497241"]}]},{"id":"additional","label":"Additional Metadata","entries":[{"key":"dc:description","label":"Description","values":["Il problema della stabilizzazione dei sistemi dinamici ha assunto sempre più interesse con l'estensione dell'automatizzazione in campo industriale a sistemi di complessità sempre crescenti. Il controllo di un processo fisico ha origine dalla necessità di ottenere un certo comportamento in termini di stabilità, precisione, velocità e risposta alle perturbazioni. Uno dei metodi più classici richiede la realizzazione di un modello matematico dell'impianto; questa si presenta spesso come la fase più complessa e delicata del progetto di un controllore, sia perché non esistono regole precise, sia perché da essa dipende in gran parte il risultato del sistema di controllo. Nel controllo tradizionale si passa dal modello, spesso di tipo non lineare, ad un sistema semplificato linearizzando le equazioni che descrivono l'impianto. Esistono varie procedure di progetto che si basano sulla linearizzazione e che spesso portano a buoni risultati finché il sistema non si allontana troppo dal punto di equilibrio. Se, a causa delle non idealità, il comportamento del processo si differenzia eccessivamente da quello previsto, il controllore lineare non adattativo non è più efficace. In molte applicazioni si ricorre ad un approccio differente che non si basa sulla linearizzazione ma prevede lo sviluppo di un controllo non lineare ottimizzato attraverso metodi adattivi quali le reti neurali, la logica fuzzy e gli algoritmi genetici. Una rete neurale è una struttura costituita da un certo numero di unità di calcolo operanti in parallelo e organizzate su diversi strati, che permette di eseguire trasformazioni non lineari sugli ingressi. Una caratteristica importante di questa struttura è quella di potersi adattare, durante una fase di apprendimento, in modo da ricostruire la relazione che lega gli ingressi alle uscite a partire da una serie di esempi disponibili. Le reti neurali possono quindi essere utilizzate sia per l'identificazione della caratteristica ingresso-uscita del processo, sia per essere inserite in opportuni schemi di controllo e adattarne la struttura in modo da ottenere un sistema completo con le caratteristiche dinamiche desiderate. I vantaggi dell'approccio neurale sono quindi la capacità di apprendimento e di generalizzazione di trasformazioni non lineari, e la possibilità di evitare una modellizzazione accurata a priori dell'impianto grazie al meccanismo di addestramento. Manca, però, una procedura sistematica di progetto che garantisca di ottenere un sistema controllato con caratteristiche dinamiche predefinite. La logica fuzzy è una tecnica per la descrizione di relazioni causa-effetto basata sull'uso di termini linguistici anziché espressioni matematiche. L'applicazione di questa logica ai controlli automatici permette di semplificare la descrizione del comportamento desiderato del controllore o del sistema in catena chiusa. Il progetto di un controllore non lineare si può così sull'osservazione diretta del comportamento del processo e sull'esperienza acquisita dall'operatore umano sullo stesso. Gli algoritmi genetici, sono metodi adattativi che possono essere utilizzati per risolvere problemi di ottimizzazione. Utilizzando gli stessi schemi dell'evoluzione biologica, questi algoritmi sono in grado di evolvere soluzioni di problemi reali, questo a condizione che il problema possa essere codificato in modo appropriato. Gli algoritmi genetici non garantiscono di trovare la soluzione globale ottima per un certo problema, ma di trovare una soluzione \"sufficientemente precisa\" in un tempo \"sufficientemente breve\". Il lavoro presentato in questa tesi, riguarda lo studio di nuovi paradigmi di controllo basati sulle tecniche precedentemente citate e la loro riunificazione sotto un unico paradigma denominato WRBF (Weighted Radial Basis Function). Vengono anche presentate una serie di applicazioni utilizzate come banco di prova di queste tecniche."]},{"key":"dc:title","label":"Title","values":["Sistemi e metodi adattativi per controlli in tempo reale"]}]}],"canonical_facts":{"dc:contributor":["Chiaberge, Marcello"],"dc:creator":["CHIABERGE, MARCELLO"],"dc:date":["1997"],"dc:description":["Il problema della stabilizzazione dei sistemi dinamici ha assunto sempre più interesse con l'estensione dell'automatizzazione in campo industriale a sistemi di complessità sempre crescenti. Il controllo di un processo fisico ha origine dalla necessità di ottenere un certo comportamento in termini di stabilità, precisione, velocità e risposta alle perturbazioni. Uno dei metodi più classici richiede la realizzazione di un modello matematico dell'impianto; questa si presenta spesso come la fase più complessa e delicata del progetto di un controllore, sia perché non esistono regole precise, sia perché da essa dipende in gran parte il risultato del sistema di controllo. Nel controllo tradizionale si passa dal modello, spesso di tipo non lineare, ad un sistema semplificato linearizzando le equazioni che descrivono l'impianto. Esistono varie procedure di progetto che si basano sulla linearizzazione e che spesso portano a buoni risultati finché il sistema non si allontana troppo dal punto di equilibrio. Se, a causa delle non idealità, il comportamento del processo si differenzia eccessivamente da quello previsto, il controllore lineare non adattativo non è più efficace. In molte applicazioni si ricorre ad un approccio differente che non si basa sulla linearizzazione ma prevede lo sviluppo di un controllo non lineare ottimizzato attraverso metodi adattivi quali le reti neurali, la logica fuzzy e gli algoritmi genetici. Una rete neurale è una struttura costituita da un certo numero di unità di calcolo operanti in parallelo e organizzate su diversi strati, che permette di eseguire trasformazioni non lineari sugli ingressi. Una caratteristica importante di questa struttura è quella di potersi adattare, durante una fase di apprendimento, in modo da ricostruire la relazione che lega gli ingressi alle uscite a partire da una serie di esempi disponibili. Le reti neurali possono quindi essere utilizzate sia per l'identificazione della caratteristica ingresso-uscita del processo, sia per essere inserite in opportuni schemi di controllo e adattarne la struttura in modo da ottenere un sistema completo con le caratteristiche dinamiche desiderate. I vantaggi dell'approccio neurale sono quindi la capacità di apprendimento e di generalizzazione di trasformazioni non lineari, e la possibilità di evitare una modellizzazione accurata a priori dell'impianto grazie al meccanismo di addestramento. Manca, però, una procedura sistematica di progetto che garantisca di ottenere un sistema controllato con caratteristiche dinamiche predefinite. La logica fuzzy è una tecnica per la descrizione di relazioni causa-effetto basata sull'uso di termini linguistici anziché espressioni matematiche. L'applicazione di questa logica ai controlli automatici permette di semplificare la descrizione del comportamento desiderato del controllore o del sistema in catena chiusa. Il progetto di un controllore non lineare si può così sull'osservazione diretta del comportamento del processo e sull'esperienza acquisita dall'operatore umano sullo stesso. Gli algoritmi genetici, sono metodi adattativi che possono essere utilizzati per risolvere problemi di ottimizzazione. Utilizzando gli stessi schemi dell'evoluzione biologica, questi algoritmi sono in grado di evolvere soluzioni di problemi reali, questo a condizione che il problema possa essere codificato in modo appropriato. Gli algoritmi genetici non garantiscono di trovare la soluzione globale ottima per un certo problema, ma di trovare una soluzione \"sufficientemente precisa\" in un tempo \"sufficientemente breve\". Il lavoro presentato in questa tesi, riguarda lo studio di nuovi paradigmi di controllo basati sulle tecniche precedentemente citate e la loro riunificazione sotto un unico paradigma denominato WRBF (Weighted Radial Basis Function). Vengono anche presentate una serie di applicazioni utilizzate come banco di prova di queste tecniche."],"dc:identifier":["http://hdl.handle.net/11583/2497241","10.6092/polito/porto/2497241"],"dc:language":["ita"],"dc:publisher":["Politecnico di Torino","country:Italy"],"dc:relation":["numberofpages:250"],"dc:rights":["info:eu-repo/semantics/openAccess","license:Pubblico - Tutti i diritti riservati"],"dc:subject":["Sistemi di controllo adattativi","reti neurali","sistemi fuzzy Tesi di dottorato n. TDR.1997.000604","Settore ING-INF/01 - Elettronica"],"dc:title":["Sistemi e metodi adattativi per controlli in tempo reale"],"dc:type":["info:eu-repo/semantics/doctoralThesis"]},"updated_at":"2026-07-24T03:51:03Z"}