Controle Neural Gain Scheduling de Tanques

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.

Neste trabalho serão utilizadas redes neurais

1 Introdução
Redes neurais são importantes ferramentas para
aplicação em controle de plantas não-lineares dadas
suas características de mapeadores universais e da
capacidade de aprender por treinamento (Fukuda &
Shibata. (1992)). Aplicações envolvendo controle
adaptativo através da linearização do sinal de
controle para sistemas SISO (Chen & Khalil, 1995)
e controle por Modelo Interno (Hunt & Sbarbaro,
1991) são algumas das muitas abordagens de
utilização de redes neurais em controle de
processos.
Sistemas dinâmicos não-lineares tem
apresentado um grande interesse para a engenharia
de controle, dada a sua importância na
representação matemática de inúmeros sistemas
físicos. Devido à complexidade de tais sistemas é
difícil desenvolver técnicas abrangentes para o
projeto de controladores. As técnicas mais comuns
se baseiam no cancelamento das não-linearidades
(Slotine & Weiping, 1990) que apresenta como
principal limitação o fato de necessitar de um
modelo perfeito da planta e a mesma possuir
dinâmica inversa estável. Outros métodos
importantes, em controle de processos são controle
interno (Garcia & Morari, 1982)e a técnica gain
scheduled (Shamma & Athans, 1990).
para a implementação de controladores gain
scheduling (Ahmed & Tasadduq (1994), Maia &
Resende (1996)). Esta técnica consiste basicamente
no treinamento para constituir um controlador
neural global de modo a substituir diversos
controladores lineares que são projetados para
diferentes pontos de operação, atingindo uma
efetiva interpolação entre os pontos de operação.
2 Tanques Interativos
O trabalho experimental desenvolvido nesta
trabalho foi realizado na planta de Tanques
Interativos do Laboratório de Controle de Processos
Industriais, CPDEE, UFMG. A planta é
esquematizado na figura 1.
Esta planta é dita interativa devido ao
acoplamento existente entre os tanques TQ-A e
TQ-B (através da válvula manual FV). A água do
tanque TQ-A flui para o tanque TQ-B pelo
princípio dos vasos comunicantes. A água do
tanque TQ-B é bombeada pela bomba BB de modo
a tornar a vazão de saída desacoplado da altura do
nível deste tanque (Braga, 1994).
As válvulas FCV-1 e a FCV-2 são pneumáticas
e automáticas. O controle da FCV-1 é feita com ar
para abrir e o atuador do é do tipo pistão. O
controle da FCV-2 é feita com ar para fechar com
atuador do tipo diafragma.
 Observe-se que (2) não existe acoplamento
FCV-1 entre a vazão de saída, q0 , e a altura do nível do
tanque TQ-B, h3 ,, devido a presença da bomba BB.
LE
TQ-A TQ-B Pela lei de Bernoulli, tem-se a equação que
descreve a queda de pressão em função da vazão
FV BB sobre uma válvula (Braga, 1994):

FCV-2
q AB = C v PA − PB (3)

Figura 1. Diagrama da planta de tanques interativos

onde Cv é o coeficiente de vazão da válvula FV,
PA e PB são as pressões no fundo do tanque TQ-A
A medição de nível do tanque TQ-B (LE) é
e TQ-B, respectivamente, que são dadas por
feita por um sensor de pressão tipo ponte de strain
gages com um tubo introduzido dentro do tanque
cuja pressão é proporcional à altura da coluna de PA = Patm + ρ g h A (4a)
água.
Através de manipulação da vazão de entrada PB = Patm + ρ g h B (4b)
no tanque TQ-A pela abertura da válvula FCV-1O,
problema de controle abordado neste trabalho
consiste na regulação da altura do nível do tanque onde Patm é a pressão atmosférica, ρ a densidade da
TQ-B fornecida pelo medidor LE. água e g a aceleração da gravidade. Substituindo-se
A vazão de saída do tanque TQ-B é ajustada (4) em (3), tem-se:
através do fechamento da válvula FCV-2. h A − hB
Os tanques TQ-A e TQ-B têm mesmas q AB = (5)
dimensões de área transversal de 0,433m2, e altura Rh
máxima de 0,7 m. com
O modelo dinâmico dos tanques interativos 1
Rh = (6)
pode ser obtido pela equação de balanço de massa Cv ρ g
dos tanques TQ-A e TQ-B. Assim, podemos
escrever
A válvula FCV-1 apresenta característica
(1a) exponencial do seguinte tipo (Braga, 1994)
dm A
= wi − w AB
qi = Qi max R1( u1 − 1)
dt (7)
dmB (1b)
= w AB − w0
dt
onde R1 representa o alcance das válvulas FCV-1,
Qi max é a vazão máxima de entrada em m3/s, u1 é
onde: mA e mB são respectivamente as massas de
o sinal de controle fracionário normalizado aplicado
água dos tanques TQ-A e TQ-B em Kg; wi , wAB e
na válvula FCV-1.
w0 são as vazões mássicas na entrada de TQ-A,
Substituindo-se (5) e (7) em (2), obtém-se o
transferida de TQ-A para TQ-B, na saída de TQ-B,
modelo não linear da planta de tanques interativos:
respectivamente, em Kg/s.
Como as dimensões dos tanques TQ-A e TQ-B
são iguais, podemos rescrever (1) como dh A Qi max − 1) h A − hB (8a)
= R1( u1 −
dt A A Rh
dh
A A = qi − q AB (2a) dh B h A − hB q0 (8b)
dt = −
dh B (2b) dt A Rh A
A = q AB − q o
dt
Para os testes realizados neste trabalho,
onde hA, hB são respectivamente as alturas dos utilizamos a vazão de saída q0 constante, igual a
níveis de água de TQ-A, TQ-B em m; qi , qAB e q0 17%.
são as vazões m3/s correspondentes a wi , wAB e w0.; É fácil verificar que em regime estacionário,
A é a área da seção transversal dos tanques. para um ponto de operação hB∗ , obtemos u1* =
1+ln(Qimax/q0)/ln(RA). Em termos de (8), o problema
de controle deste trabalho é regular hB(t) no valor de que deverá prover o escalonamento de todos os
referência hB∗ , através da manipulação de u1(t). controladores válidos nos pontos de operação
treinados.
3 Controle Neural Gain Scheduling
A metodologia de controle por gain scheduling tem y(t)
Integrador planta
se mostrado de grande utilidade em muitas
aplicações de engenharia (Shamma & Athans, +
y*
1990). Esta técnica consiste na obtenção de Seleção
modelos linearizados em torno de diversos pontos y(t) do -
de operação da planta, para os quais são projetados controlador
controladores lineares utilizando técnicas v(t) δ y(t)
convencionais de controle linear. A seguir um
controle v(t-1)
controlador não-linear global é obtido pelo
escalonamento de ganhos de cada ponto de
operação. Figura 2. Esquema para controle da planta em
Neste trabalho adotaremos a abordagem de torno de y*.
controle neural gain scheduling proposta em Maia
& Resende (1996). Esta abordagem considera uma Para garantir, em regime estacionário, erro
representação discreta da planta, da forma nulo entre a saída da planta e o valor de referência é
introduzido um integrador na entrada da planta.
y(t+1) = f{y(t), …, y(t-n+1), u(t), …, u(t- (9) Assim, u(t) passa a ser obtido pela integração da
λ+1)} variável v(t), que é gerada pelo controlador, ou seja,

onde y(.), u(.) são a saída e a entrada da planta;
com n e λ inteiros positivos.
São então determinados modelos aproximados
válidos em torno pontos de operação, sendo
definidos os incremento em torno do ponto de
operação como:
δ y(t) = y(t) - y*
δ u(t) = u(t) - u*
sendo que y* é o valor do ponto de operação e u* é
a entrada da planta correspondente em regime
estacionário.
O controlador neural gain scheduling deve
representar uma relação dinâmica da forma:
u(t)= u(t-1)+v(t) (12)
Assim, para cada de operação é utilizado o
esquema mostrado na figura 2, onde o bloco
controle inclui a seqüência de atrasos requerida pelo
controlador.
Para geração dos dados de treinamento do, é
(10a) necessário um pré-processamento, no padrão de
entrada da rede neural, pois v(t) deve ser zero
(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
integrador na entrada da planta). Isso é conseguido
definindo o vetor:
z = [ z1T , z2 ] T (13)

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.