Escolar Documentos
Profissional Documentos
Cultura Documentos
Interativos
Júlio Cézar Peixoto de Oliveira1
Peterson Resende1
Carlos Andrey Maia2
1
Universidade Federal de Minas Gerais, CPDEE
Cx. P. 209, 30161-970 Belo Horizonte, MG
{julio,peterson}@novell.cpdee.ufmg.br
2
Universidade Federal de Minas Gerais, DEE
Cx. P. 209, 30161-970 Belo Horizonte, MG
maia@cce.ufmg.br
abstract. This paper presents an application of a neural network scheme for level control of an
interacting tank plant. The neural network control utilizes a gain scheduling technique, that is achieved
by training from data obtained from several linear controllers designed for different operating points.
Experimental results of the neural gain scheduling control implemention are presented.
Resumo. Este artigo apresenta aplicação de um esquema neural para controle de nível de tanques
interativos. O controle neural utiliza a técnica de gain scheduling, que é obtido através de treinamento
com diversos controladores lineares projetados para diversos pontos de operação da planta. São
apresentados resultados experimentais da implentação do controle neural gain scheduling.
FCV-2
q AB = C v PA − PB (3)
onde y(.), u(.) são a saída e a entrada da planta; u(t)= u(t-1)+v(t) (12)
com n e λ inteiros positivos.
São então determinados modelos aproximados Assim, para cada de operação é utilizado o
válidos em torno pontos de operação, sendo esquema mostrado na figura 2, onde o bloco
definidos os incremento em torno do ponto de controle inclui a seqüência de atrasos requerida pelo
operação como: controlador.
Para geração dos dados de treinamento do, é
δ y(t) = y(t) - y* (10a) necessário um pré-processamento, no padrão de
entrada da rede neural, pois v(t) deve ser zero
δ u(t) = u(t) - u* (10b) quando δy(t), ..., δy(t-n), v(t-1), ... , v(t-m) são nulos
(devido à condição de erro nulo em regime
estacionário assegurado pela introdução de
sendo que y* é o valor do ponto de operação e u* é integrador na entrada da planta). Isso é conseguido
a entrada da planta correspondente em regime definindo o vetor:
estacionário.
O controlador neural gain scheduling deve z = [ z1T , z2 ] T (13)
representar uma relação dinâmica da forma:
v(t) = g{δ y(t), ...,δ y(t-n), v(t-1),..., v(t-m), (`11) onde z1 = [δ y(t), ..., δ y(t-n), v(t-1), ... , v(t-m)] T e z2
y(t)} = y(t). O pré-processamento pode ser da seguinte
forma:
sendo que m é um inteiro positivo e n é dado em
(10). ~
z = T( z ) (14)
Assim, determinaremos um controlador neural
global que representa os diversos controladores sendo T uma transformação contínua de ℜL→ℜL e
lineares, no sentido de implementar a técnica de L=n+m+2, satisfazendo as condições:
gain scheduling. De acordo com o esquema da
figura 2, para os diversos pontos de operação e os a) T([ 0T , z2 ] T) = [ 0T , 0] T
controladores lineares correspondentes, são gerados
dados representativos de suas relações entrada -
b) T([ z1T , z2 ] T) deve ser unívoca sempre que
saída. Estes dados são então utilizados para o
z1 ≠ 0
treinamento do controlador neural gain scheduling.
Cumpre observar que o controlador neural global,
Um mapeamento que atende a essas exigências 4 Implementação do controle neural gain
é: scheduling
Para aplicação da técnica de controle neural gain
T([ z1T , z2 ] T) = [ z1 T , z2 α(z1)] T (15) scheduling, consideremos inicialmente a equação de
um controlador PI discreto dado por
com a função α(.) é definida como
Kp t (17)
α(z1) = z1T M z1 (16) u(t ) = Kp e(t ) + ∑ e( t )
Ti i = 0
onde M é uma matriz (n+m+1)×( n+m+1) definida com
positiva. Uma vez conseguida a transformação T, os
dados de treinamento são pré-processados, obtendo- e(t) = hB∗ - hB(t) (18)
se assim ~ z . Feito isso, a rede neural é então
treinada para aprender o mapeamento não-linear ~ z onde Kp, Ti são respectivamente o ganho
→ v(t). proporcional e o tempo integral. Adotando a
O esquema do treinamento do controlador introdução de integrador na entrada da planta, como
neural gain scheduling é mostrado na figura 3. requerido pela abordagem descrita em (12), temos
Neste esquema, o treinamento da rede é feito da que v(t)=u(t)-u(t-1). deste modo, usando (17) em
forma usual através do algoritmo de dois instantes de amostragem consecutivos obtemos
retropropagação do erro (Rumelhart et al., 1986). É
escolhida uma rede feedforward multi-camadas, Kp
sem termos de polarização e com uma função de v ( t ) = Kp [e(t ) − e(t − 1)] + e( t ) (19)
Ti
ativação tangente hiperbólica.
que é a forma do controlador discreto PI
v(t) incremental, a ser usado na etapa de projeto de
+ controladores para diversos pontos de operação da
Pré- − planta de tanques interativos.
dy(t),...,dy(t-n), Rede
v(t-1),...,v(t-m), proces-
Neural Deste modo, para seis pontos de operação
y(t) samento
distribuídos na faixa de operação de altura de níveis
do tanque TQ-B, foram sintonizados controladores
PI por meio de regras clássicas de Ziegler-Nichols.
Segundo o esquema da figura 2, cada um desses
Figura 3. Esquema do treinamento do controlador controladores no respectivo ponto de sintonia
neural gain scheduling foram utilizados para geração de dados, através de
simulação usando (12), (17), (18) e a forma
Após o treinamento da rede, o controlador discretizada de (8).
neural gain scheduling é obtido e é então utilizado Foi usado o preprocessamento indicado em
para controlar a planta, como mostrado na estrutura (13)-(16), com z1 = [e(t),e(t)-e(t-1)]T e z2 = hB(t), e
dada na figura 4 (onde o bloco controlador neural M como matriz identidade 2×2.
gain scheduling inclui a seqüência de atrasos, o pré- Assim, a rede neural foi treinada para aprender
procesamento e a rede neural treinada). o mapeamento não linear ~z → v(t), segundo o
diagrama da figura 3. Foi utilizado uma rede neural
y(t) com três entrada, cinco neurônios na camada
integrador planta escondida e um na camada de saída, sem termos de
polarização e com função de ativação tangente
+
y* hiperbólica. O controle neural gain scheduling foi
então implementado na planta de tanques interativos
v(t) δy(t) -
Controlador neural segundo o diagrama da figura 4.
gain scheduling v(t-1), y(t) As figuras 5 e 6 apresentam os resultados
experimentais obtidos com o controle neural gain
scheduling da planta de tanques interativos. O
Figura 4. Controle Neural gain scheduling da período de amostragem usado foi de 1s. A figura 5
planta mostra o sinal dado pelo medidor FE que é a altura
do nível do tanque TQ-B, hB (t) e degraus de
referência. A figura 6 mostra o sinal de comando da
válvula FCV-1 que ajusta a vazão de entrada da
planta por meio da variável u1 (t)
6 Referências
60 Ahmed, M.S.; Tasadduq, I.A. (1994). Neural net
controller for nonlinear plants: design approach
50 through linearisation, IEE Proc. Control Theory
Appl., 141, 315-322.
40 Braga, A. J.; (1994). Implementação de estratégias
de controle multimalha e multivariável.
30 Dissertação de Mestrado, PPGEE, UFMG.
Chen, F.C.; Khalil, H.K. (1995). Adaptive Control
20 of a Class of Nonlinear Discrete-Time Systems
0 500 1000 1500 2000 2500 Using Neural Networks, IEEE Trans. Automat.
Contr., 40, 791-801.
Figura 5. Sinal de saída para degraus de referência. Fukuda, T.; Shibata, T. (1992). Theory and
applications of neural networks for industrial
control systems, IEEE Trans. on Industrial
100 Eletronics, 39, 472-489.
Garcia, C.E. and Morari, M., (1982). Internal
80 Model control 1: a unifying review and some
60
new results, Ind. Eng. Chem. Process Des. Dev.,
Vol. 21, no. 9, pp. 308-323
40 Hunt, K.J.; Sbarbaro, D. (1991). Neural Networks
for nonlinear internal model control, IEE Proc.,
20
Part D, 138, 431-438, .
0 Maia, C. A; Resende, P. (1996). Projeto de
0 500 1000 1500 2000 2500 controladores lineares para plantas não-lineares
via linearização, Anais do XI Congresso
Figura 6. Sinal da ação de controle. Brasileiro de Automática, S. Paulo, 1561-1566.
Narendra, K.; Parthasarathy, K. (1990).
Identification and control of dynamical systems
5 Conclusões using neural networks, IEEE Trans. Neural
Este trabalho apresenta uma aplicação experimental Networks, 1, 4-27.
da técnica de controle neural gain scheduling para o Rumelhart, D.E.; Hinton, G.E.; Willians, R.J.
controle de altura de nível de tanques interativos (1986). Learning internal representations by
descrito por modelo dinâmico não linear. A error propagation, in Parallel distributed
abordagem de controle utilizada é tal que o processing, MIT Press.
controlador neural global substitua os diversos Shamma, J. S.; Athans, M. (1990). Analysis of gain
controladores sintonizados para os diferentes pontos scheduled control for nonlinear plants, IEEE
de operação da planta. Os resultados experimentais Trans. Automat. Contr., 35, 898-907.
demonstram a utilidade da técnica neural gain Slotine, J.J.E.; Weiping, L. (1990). Applied
scheduling para aplicação em plantas não lineares Nonlinear Control, Prentice Hall, New Jersey.
reais.