Vai al contenuto| Home page|

   Ti trovi in: HOME »Programmi, progetti e risultati »I progetti »PRIN - Programmi di ricerca di Rilevante Interesse Nazionale»Programma di ricerca
INIZIO_TESTO_DA_INDICIZZARE

PROGRAMMA DI RICERCA 2006

italiano - english
Programmi di ricerca simili:
Classificazione scientifico-disciplinare
Classificazione brevettuale
  • ELECTRICITY
    • GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
      • CONTROL OR REGULATION OF ELECTRIC MOTORS, GENERATORS, OR DYNAMO-ELECTRIC CONVERTERS; CONTROLLING TRANSFORMERS, REACTORS OR CHOKE COILS ([N: specially adapted for electrically propelled vehicles B60L]; structure of the starter, brake, or other control devices, see the relevant subclasses, e.g. mechanical brake F16D, mechanical speed regulator G05D, variable resistor H01C, starter switch H01H; systems for regulating electric or magnetic variables using transformers, reactors or choke coils G05F; arrangements structurally associated with motors, generators, dynamo-electric converters, transformers, reactors or choke coils, see the relevant subclasses, e.g. H01F, H02K; connection or control of one generator, transformer, reactor, choke coil, or dynamo-electric converter with regard to conjoint operation with similar or other source of supply H02J; control or regulation of static converters H02M) [C9907]
  • PHYSICS
Classificazione geografica
Bibliografia
A. Alessandri, M. Baglietto, G. Battistelli, “Receding-horizon estimation for discrete-time linear systems”, IEEE Trans. A.C., 2003.
A. Alessandri, M. Baglietto, G. Battistelli, “On estimation error bounds for receding-horizon filters using quadratic boundedness”, IEEE Trans. A.C., 2004.
A. Alessandri, M. Baglietto, G. Battistelli, “Robust receding-horizon state estimation for uncertain discrete-time linear systems,” S.C.L., 2005.
A. Alessandri, M. Baglietto, G. Battistelli, “Receding-horizon estimation for switching discrete-time linear systems,” IEEE Trans. A.C., 2005.
A. Alessandri, M. Baglietto, T. Parisini, R. Zoppoli, “A neural state estimator with bounded errors for nonlinear systems,” IEEE Trans. A.C., 1999.
M. Baglietto, G. Battistelli, L. Scardovi, R. Zoppoli , “Neuro-Dynamic Programming for the exploration of unknown graphs”, Proc. IFAC World Congress, Prague, 2005.
M. Baglietto, T. Parisini, R. Zoppoli, “Distributed-information neural control: the case of dynamic routing in traffic networks”, IEEE Trans. N. N.. 2001.
M. Baglietto, T. Parisini, R. Zoppoli, “Numerical solutions to the Witsenhausen counterexample by approximating networks”, IEEE Trans. on A.C.. 2001.
Bell, B., and G. Pillonetto Estimating parameters and stochastic functions of one variable using nonlinear measurements models, Inverse Problems, 2004
S. Bittanti and G. Picci, eds, Identification, Adaptation, Learning, Springer Verlag, 1996.
Bittanti S., Gatti E., Ripamonti G., Savaresi S. M.. Poles Identification of an analog filter for nuclear spectroscopy via subspace-based techniques. IEEE Trans. Control System Technology, 2000.
Bittanti S., M. C. Campi: Persistence of excitation properties for time-varying auto-regressive systems. SIAM J.Contr. Opt., 2001.
Bittanti S., S. Savaresi, Y. So. Closed form unbiased frequency estimation of a noisy sinusoid using notch filters. IEEE Trans. A.C. 2003.
Bittanti S., M. Lovera. Bootstrap-based estimates of uncertainty in subspace identification methods. Automatica, 2000.
C. Cervellera, M. Muselli, “Deterministic design for neural network learning: An approach based on discrepancy”, IEEE Trans. N. N., 2004.
A. Chiuso and G. Picci, Asymptotic Variance of Subspace Estimates, Journal of Econometrics, 2004.
A. Chiuso and G. Picci, On the ill-conditioning of subspace identification with inputs, Automatica, 2004.
A. Chiuso and G. Picci, Numerical conditioning and asymptotic variance of subspace estimates, Automatica, 2004.
A. Chiuso and G. Picci, Subspace identification by data orthogonalization and model decoupling, Automatica, 2004.
A. Chiuso and G. Picci, Asymptotic Variance of Subspace Methods by Data Orthogonalization and Model Decoupling: A comparative analysis, Automatica, 2004.
A. Chiuso and G. Picci, Consistency Analysis of some Closed-Loop Subspace Identification Methods, Automatica, 2005.
A. Chiuso, Asymptotic Variance of closed-loop subspace identification algorithms, IEEE Trans. A.C., 2006.
A. Chiuso and G. Picci, Prediction Error vs. Subspace Methods in Closed-Loop Identification, Proc. of the 16th IFAC World Congress, 2005.
Del Vecchio, R. Marino, and P. Tomei, “Adaptive learning control for feedback linearizable systems,” European Journal of Control, 2003.
Diversi R., R. Guidorzi e U. Soverini, "Algorithms for optimal errors-in-variables filtering", S.C.L., 2003.
Diversi R., R. Guidorzi e U. Soverini, “Kalman filtering in extended noise environments”, IEEE Trans. A.C., 2005.
Diversi R., R. Guidorzi e U. Soverini, “A new estimation approach for AR models in presence of noise”, 16th IFAC World Congress, Prague, 2005.
F. Fagnani and S. Zampieri. Quantized stabilization of linear systems: complexity versus performances. "IEEE Trans. A.C.", 2004.
F.Fagnani and S.Zampieri. Stability analysis and synthesis for scalar linear systems with a
quantized feedback. IEEE Trans. A.C. 2003.
F.Fagnani and S.Zampieri. A symbolic dynamics approach to performance analysis of
quantized feedback systems: the scalar case. SIAM J.Contr. Opt., 2005.
Garatti S., M.C. Campi, S.Bittanti. Assessing the quality of identified models through the asymptotic theory. Automatica, 2004.
Guardabassi G.O., Savaresi S.M. Virtual Reference Direct Design method: a novel approach to data-based control system design. IEEE Trans. A.C., 2000.
Guardabassi G.O., S.M. Savaresi. Approximate Linearization via Feedback - an Overview. Automatica, 2000.
Guidorzi R., R. Diversi e U. Soverini, "Optimal errors-in-variables filtering", Automatica, 2003.
T. Katayama and G. Picci Realization of Stochastic Systems with Exogenous Inputs and Subspace System Identification Methods, Automatica, 1999.
Lovera M., T. Gustafsson, M. Verhaegen. Recursive subspace identification of linear and nonlinear Wiener type models. Automatica, 2000.
Lovera M., F. Previdi. Identification of a class of nonlinear, parametrically varying models. Int. J. Adapt. Control and Signal Processing, 2003.
Marino, R., G. Santosuosso and P. Tomei, ‘‘Robust adaptive observers for nonlinear systems with bounded disturbances’’, IEEE Trans. A.C. 2001.
Marino, R., G. Santosuosso and P. Tomei, ``Robust adaptive compensation of biased sinusoidal disturbances with unknown frequency’’ Automatica, 2003.
Marino, R. , G. Santosuosso, ‘‘ Global compensation of unknown sinusoidal disturbances for a class of nonlinear non-minimum phase systems’’, IEEE Trans. A.C., 2005.
R. Marino , P. Tomei, Nonlinear Control Design-Geometric, Adaptive , Robust. Prentice Hall, London, 1995.
Marino, R., Peresada, S., & Tomei, P. Global adaptive output feedback control of induction motors with uncertain rotor resistance. IEEE Trans. A.C., (1999).
Marino, R., Tomei, P., & Verrelli, C. M. A global tracking control for speed-sensorless induction motors. Automatica (2004).
Marino, R., Tomei, P., & Verrelli, C. A nonlinear tracking control for sensorless induction motors. Automatica (2005).
G. Marro , E. Zattoni, Signal decoupling with preview in the geometric context: exact solution for nonminimum-phase systems, JOTA, 2006 (to appear).
G. Marro, D. Prattichizzo, , E. Zattoni, “A unified setting for decoupling with preview and fixed-lag smoothing in the geometric context”, IEEE Trans. A.C., 2006 (to appear).
G. Marro, D. Prattichizzo, E. Zattoni, ``Geometric insight into discrete-time cheap , singular linear quadratic Riccati (LQR) problems,'' IEEE Trans. A.C., 2002.
G. Marro, E. Zattoni, “H2 optimal rejection with preview in the continuous-time domain”, Automatica, 2005.
M. Pavon , A. Ferrante, On the Georgiou-Lindquist approach to constrained Kullback-Leibler approximation of spectral densities, Trans. Automat. Contr. 2006.
A.M. Perdon, M. Anderlucci, M. Caboara, Effective computations for geometric control theory, International Journal of Control, (2006).
Pillonetto, G., M.P. Saccomani: Estimating inputs of nonlinear dynamical systems using differential algebra techniques, Proc. IFAC World Congress, Praha, 2005.
Pillonetto, G., B. Bell: Deconvolution of nonstationary physical signals: a smooth variance model for insulin secretion rate, Inverse Problems, 2004.
Piroddi L., W. Spinelli. An identification algorithm for polynomial NARX models based on simulation error minimisation. Int. J. Control, 2003.
M. Prandini, M.C. Campi. Randomized algorithms for the synthesis of cautious adaptive controllers, SCL, 2003.
Savaresi, Campi M., Lecchini A., An application of the Virtual Reference Feedback Tuning (VRFT) method to a benchmark active suspension system. Euroepan Journal of Control, 2003.
F. Ticozzi, A. Ferrante, , M. Pavon. Robust steering of n-level quantum systems. IEEE Trans. A.C., 2004.
A. Trevisani, M.E. Valcher “An energy-based adaptive control design technique for multibody-mechanisms with flexible links”, IEEE/ASME Trans. Mechatronics, 2005.
R. Zoppoli, M. Sanguineti, T. Parisini, “Approximating networks and Extended Ritz Method for solution of functional optimization problems”, JOTA, 2002.
Parole Chiave
IDENTIFICAZIONE, CONTROLLO ADATTATIVO

TECNICHE ED APPLICAZIONI INNOVATIVE DI IDENTIFICAZIONE E CONTROLLO ADATTATIVO

Università degli Studi di Padova
Abstract
Lo scopo di questo progetto e' la ricerca e la messa a punto di nuove metodologie di
modellizzazione automatica (identificazione) e di progetto di controllori di processo,
in presenza di variabilita` temporale e di incertezze nel modello matematico usato per il progetto.


L'obiettivo primario del progetto e' quello di sviluppare in
modo cooperativo e coordinato, algoritmi, software ed architetture di controllo che siano allo
stesso tempo generali ma anche applicabili a casi concreti di interesse industriale.
Obiettivi non secondari sono anche la formazione di giovani ricercatori mediante l'organizzazione
di scuole di aggiornamento e di dottorato di ricerca e il trasferimento dei risultati di ricerca
all'industria.

La motivazione per promuovere ricerche concentrate su queste due aree nasce dalla necessita' di disporre
di metodi automatici diretti ed efficienti per la
descrizione matematica di sistemi complessi (a piu` variabili di ingresso e di uscita) come quelli che
si incontrano nelle applicazioni moderne. Tutti gli esperti di automazione riconoscono che
l'identificazione e la messa a punto di un adeguato modello matematico dell'impianto e' spesso la fase
del progetto che richiede maggiore sforzo di ingegnerizzazione. La complessita' degli
impianti e delle nuove aree tecnologiche a cui si applica >>>

Coordinatore Scientifico del Programma di Ricerca
Giorgio Picci Università degli Studi di PADOVA
Obiettivo del Programma di Ricerca
Lo scopo di questo progetto e' la ricerca e la messa a punto di nuove metodologie di modellizzazione automatica (identificazione) e di progetto di controllori di processo, in presenza di variabilita` temporale e di incertezze nel modello matematico usato per il progetto.


L'obiettivo primario del progetto e' quello di sviluppare in modo cooperativo e coordinato, algoritmi, software ed architetture di controllo che siano allo stesso tempo generali ma anche applicabili a casi concreti di interesse industriale.
Obiettivi non secondari sono anche la formazione di giovani ricercatori mediante l'organizzazione di scuole di aggiornamento e di dottorato di ricerca e il trasferimento dei risultati di ricerca all'industria.

La motivazione per promuovere ricerche concentrate su queste due aree nasce dalla necessita' di disporre di metodi automatici diretti ed efficienti per la descrizione matematica di sistemi complessi (a piu` variabili di ingresso e di uscita) come quelli che si incontrano nelle applicazioni moderne. Tutti gli esperti di automazione riconoscono che
l'identificazione e la messa a punto di un adeguato modello matematico dell'impianto e' spesso la fase del progetto che richiede maggiore sforzo di ingegnerizzazione. La complessita' degli impianti e delle nuove aree tecnologiche a cui si applica l'automazione impongono lo sviluppo di tecniche di identificazione nuove >>>

Durata
24 mesi
Base di partenza scientifica nazionale o internazionale
Il progetto si articola su due linee tematiche complementari illustrate qui di seguito.

TEMA N.1. IDENTIFICAZIONE STIMA E MODELLISTICA DI PROCESSI INDUSTRIALI

Le metodologie moderne per la modellizzazione matematica di un processo industriale (identificazione) si basano, in parte sulle conoscenze fisiche disponibile a priori , ma soprattutto su algoritmi e tecniche di elaborazione statistica dei segnali che si ottengono dalla misura di variabili ingresso-uscita dell'impianto. Alcuni metodi di identificazione possono anche adattare in tempo reale il modello identificato ai dati osservati. Questi metodi di identificazione sono utili per sistemi le cui caratteristiche cambiano nel tempo e stanno alla base del controllo adattativo.


Le ricerche che verranno sviluppate presso le unita` operative del progetto riguarderanno in particolare (senza pretesa di completezza) le seguenti problematiche:

1.a NUOVI METODI A SOTTOSPAZI PER L'IDENTIFICAZIONE DI SISTEMI MULTIVARIABILI
I metodi di identificazione tradizionali basati sull'ottimizzazione parametrica (metodi PEM) si sono rivelati difficili da usare e poco affidabili nel caso di modelli multivariabili. Per questo motivo, vi e` stato negli ultimi quindici anni un grosso sforzo di ricerca internazionale che ha portato a costrure algorimi affidabili e numericamente stabili, i cosiddetti "metodi a sottospazi", da usare per >>>