Sintonia de um Controlador PID para Controle de um Sistema No Linear Utilizando uma Rede Neural Artificial MLP

Daniel Neri Cardoso, Petrus Emmanuel Oliveira Gomes Brant Abreu, Marciel Fernandes Duraes, Renato Dourado Maia

Introduo
Nos ltimos anos notvel o aumento da automao de processos nas indstrias, em funo dos consequentes benefcios econmicos associados com o aumento da produtividade e da qualidade dos produtos que a automao proporciona. Esses benefcios so obtidos por meio da utilizao de malhas de controle criteriosamente parametrizadas para garantir um melhor desempenho do processo produtivo. Segundo Tatjewski [1], os sistemas de controle de processos aplicam-se a uma grande seo de processos industriais e que tm influncia direta na manufatura de produtos acabados. Isso envolve a manipulao de uma variedade de variveis de processo a fim de alcanar o controle automtico. Moraes e Castrucci [2], por sua vez, afirmam que o controle de processos tem ligao principalmente com os processos industriais, que so os mais conservadores. Mesmo com o constante avano de tcnicas de controle timo no linear e preditivo, os processos industriais, em grande parte das aplicaes, ainda utilizam o controlador Proporcional Integral Derivativo (PID) [3]. O controlador PID resultante da combinao de trs aes de controle proporcional, integral e derivativa. Dessa maneira, o controlador usufrui das vantagens relativas a cada uma das aes de controle, sendo que os seus parmetros so ajustveis com base em requisitos de desempeno definidos pelo projetista [4]. Um sistema no linear no obedece aos princpios da superposio e homogeneidade, o que torna a sua anlise matemtica mais complexa quando em comparao com os sistemas lineares. Segundo Nise [5], algumas no linearidades comuns em sistemas so: saturao, zona morta e folga (backlash). Sistemas no lineares podem ser linearizados utilizando-se diferentes modelos lineares para diferentes faixas de operao, o que permite que sejam utilizadas as ferramentas matemticas tradicionais de anlise e projeto utilizadas no contexto dos sistemas lineares [6]. Muitos pesquisadores, aps observarem como a natureza resolve muitos de seus problemas, engajaram-se em estudar tcnicas computacionais baseando-se no funcionamento do crebro humano. Isso fez surgir o campo de estudo conhecido como Redes Neurais Artificiais, o qual possui como motivao as redes biolgicas, especificamente o neurnio, a clula fundamental do crebro humano. Durante os estudos alguns modelos foram propostos, o Perceptron de mltiplas camadas (MLP), em funo de sua capacidade de resolver problemas de classificao no linearmente separveis, bem como por ser um aproximador universal de funes pelo fato de ser mais flexvel para determinar uma regio de deciso e poderem realizar aproximao de funes [7].

Material e mtodos
A. Modelo Partindo do princpio de que todos os sistemas no lineares podem ser modelados por diferentes modelos lineares para diferentes faixas de operao, este trabalho procura unir a eficincia em memorizar dados e o poder de generalizao das redes neurais MLP ao desempenho do controlador PID no controle de sistemas lineares. Para tanto, prope-se alterar os ganhos das aes do controlador PID utilizando-se de uma rede neural, de modo que o sistema seja controlado sobre faixas de operao, tomando como base a varivel de processo (PV), que indicar a faixa de operao, como mostra a Fig. 1. O modelo prope criar uma tabela, por intermdio de degraus de entrada no controlador para diferentes faixas de PV, e ento utilizar uma rede neural MLP para memoriz-las e generaliz-las, de modo que os ganhos do controlador PID sejam modificados em tempo real durante o controle do sistema.

B. Sistema de Controle PID-MLP

A simulao do sistema a ser controlado foi realizada no software MATLAB utilizando-se a seguinte equao de diferenas: Sada Posterior = (Sada Anterior) - (Sada Anterior - (Entrada/FE)) /FL + (Entrada/FD) Nela representamos os seguintes aspectos: Ser instvel em malha aberta e ter a possibilidade de variar os fatores FE, FL e FD trocando-os proporcionalmente durante a variao da PV alterando a sua dinmica e fazendo-a no linear para diferentes faixas de PV. A Sada Anterior representa a PV atual, a Entrada representa a MV e a Sada Posterior a PV depois de algum instante de tempo. A Fig. 2A mostra o problema de se controlar um sistema no linear: enquanto o PID ajustado para funcionar corretamente com a PV variando dentro da faixa de 70% a 100%, o desempenho para a faixa de 0% a 69% insatisfatrio. Esse tipo de comportamento pode ser observado em, por exemplo, um sistema de controle de temperatura no qual a varivel manipulada seja a injeo de ar com temperatura ambiente, como em um cooler, devido ao fato de a troca de calor ser proporcional diferena de temperatura entre o ambiente controlado e o ambiente exterior: para manter o sistema a temperaturas baixas, prximas ambiente, o atuador ou MV pode ser bruscamente utilizado, exigindo que o controlador PID seja ajustado com ganhos de valores mais altos; porm, para manter a temperatura em valores maiores do que a exterior, o atuador deve atuar levemente, devido dinmica rpida da troca de calor do sistema, exigindo ganhos menores para as aes PID [6]. O controlador PID foi implementado de acordo com a equao apresentada na Fig. 1, na qual os ganhos das aes proporcional, integral e derivativa so independentes. Alm disso, tambm foi utilizada a rede MLP disponvel no software MATLAB: por meio das funes newff, train e sim foi possvel criar, treinar e simular, respectivamente, uma rede MLP, utilizando-se dados de entrada e sada. C. Criao da Tabela de Treinamento Para a criao da tabela, foi necessrio definir os requisitos para sintonia do controlador. Para isso, foram considerados dois critrios citados por Nise [5] a serem observados em um sistema de controle: o tempo de assentamento (Ts) e a ultrapassagem percentual (Up). Considerou-se que o Ts deveria ser menor do que trinta segundos e que a ultrapassagem deveria ser menor ou igual a 6%. Definidos os critrios, foram aplicados degraus de entrada para diferentes faixas de varivel de processo. Feito esse processo, foi gerada uma tabela (Tabela 1), que foi passada rede MLP para ser memorizada atravs dos pesos sinpticos.

Resultados
A. Figura e Tabelas Os resultados obtidos so mostrados na Fig. 2B, que demonstra o desempenho do controlador aps a rede MLP ajustar em tempo real os ganhos do controlador PID. Comparando-se os resultados da Fig. 2, v-se que, aps a implementao do controlador ajustado pela rede MLP, houve um ganho considervel em relao ultrapassagem percentual e ao tempo de assentamento. O desempenho do controlador tambm foi avaliado utilizando-se o ndice IAE (Integral do erro Absoluto Integral of Absolute Error), um ndice que, em funo de mensurar o erro, deve ser minimizado [5]. Os valores obtidos para o IAE foram: 1.113,00 para o controlador PID com ganhos fixos e 91.86 para o controlador PID com os ganhos ajustados pela MLP, o que corresponde a uma reduo de a de 91%.

Consideraes finais
Neste trabalho foi apresentada a implementao de um mtodo de sintonia de controladores PID que pode contornar no linearidades de sistemas de uma forma simples. Sintonizar controladores utilizando-se degraus sucessivos para montar uma tabela e treinar uma rede neural para abstrair esses dados um processo relativamente simples, pois existem diversas bibliotecas de redes MLP disponveis. Com a rede treinada, integr-la ao controlador para que ela possa alterar os ganhos. Diante dos resultados obtidos, percebe-se que interessante para a indstria a utilizao desse tipo de controle em seus processos. A tcnica utilizada uma ferramenta poderosa no controle de sistemas no lineares, pois promoveu no

apenas a reduo da ultrapassagem percentual e o tempo de assentamento, mas tambm e, principalmente, uma reduo considervel do valor do ndice de desempenho IAE.

Referncias
[1] [2] [3] [4] [5] [6] [7] TATJEWSKI, P. Advanced Control of Industrial Process. 2. ed. [s.l.]: The Fairmont Press, 2009. MORAES, C. C.; CASTRUCCI, P. L. Engenharia de Automao Industrial. 2. ed. Rio de Janeiro: LTC, 2010. DURES, M. F. Controle e Superviso de Processos Industriais Aplicados a uma Malha de Temperatura . 2012. 74p. (Curso de Graduao em Engenharia de Controle e Automao) FACIT, Montes Claros, 2012. ABREU, P. E. O. G. B. Aplicao e Utilizao de um Controlador Fuzzy em uma Malha de Nvel. 2012. 95p. (Curso de Graduao em Engenharia de Controle e Automao) FACIT, Montes Claros, 2012. NISE, N. S. Engenharia de Sistemas de Controle. 3. ed. Rio de Janeiro: Livros Tcnicos Cientficos Editora S. A., 2002. 695p. CARDOSO, D. N. Desenvolvimento de Controlador PID em Sistema Embarcado para Controle de Temperatura . 2012. 94p. (Curso de Graduao em Engenharia de Controle e Automao) FACIT, Montes Claros, 2012. BRAGA, A. P.; CARVALHO, A. C. P. L. F.; LUDERMIR, T. B. Redes neurais artificiais: Teoria e aplicaes. Livros Tcnicos e Cientficos Editora, [2000]. 262p.

Tabela 1. Tabela com os ganhos do controlador PID que atendem os requisitos, que foram especificados, para cada faixa de PV. Set Point 10 18 25 33 40 47 56 65 73 80 88 95 100 PV (Inicial) 0 8 15 23 30 37 46 55 63 70 78 85 90 PV (Mdia) 5 13 20 28 35 42 51 60 68 75 83 90 95 KP 1,3 1 1 1 2 5 5 4 4 2 3 4 4 KI 0,1 0,1 0,1 0,1 0,4 1 1 1 1 1 1 1,5 1,5 KD 0,1 0,1 0,01 0,01 0,2 1 1 1 1 1 1 1 1

Figura 1. Diagramada de blocos do sistema de controle.

Figura 2. A) Resposta com ganhos KP, KI e KD fixos. B) Resposta com ganhos KP, KI e KD ajustados pela rede neural MLP.