Você está na página 1de 5

Proceedings of the Congresso Brasileiro de Redes Neurais Proceedings of IV Brazilian Conference on Neural Networks - IV Congresso 031-035, July 20-22,

1999 - ITA, So Jos dos Campos - SP - Brazil pp. 888-999,

Controle Neural de Sistemas No Lineares por Resposta em Freqncia


Carlos Pinheiro1, Fernando Gomide2 1 Escola Federal de Engenharia de Itajub - IEE-DON, Itajub-MG, CP 50, CEP 37500-000, Brasil 2 Universidade Estadual de Campinas - FEE-DCA, Campinas, SP, CP 6101, CEP 13083-970, Brasil E-mails: pinheiro@iee.efei.br, gomide@dca.fee.unicamp.br Abstract
O propsito deste artigo introduzir uma metodologia de analise e projeto de controladores para processos no lineares usando redes neurais e mtodos de resposta em freqncia. Esta abordagem baseada em noes fundamentais de engenharia de controle, fornece uma abordagem sistemtica de projeto que computacionalmente eficiente, e estabelece mecanismos que permitem associar controladores baseados em redes neurais com mtodos da teoria clssica controle. obteno de respostas em freqncia de sistemas no lineares; proposta de um controlador neural de atraso/avano de fase com ganhos variveis; um mtodo para projeto e anlise de estabilidade do sistema no domnio da freqncia e, finalmente, um exemplo ilustrativo e as concluses.

2. Compensadores com ganhos variveis


Em [3] e [4] foi apresentado um mecanismo de controle de processos no lineares usando controlador tipo PID com ganhos dependentes da entrada. O projeto do controlador utiliza o conceito de funo descritiva, que uma tcnica do domnio da freqncia usada na anlise de sistemas de controle no lineares [5], [6]. Suas limitaes eram a ausncia de garantia de convergncia dos mtodos numricos de integrao envolvidos no processamento, sendo a sntese do controlador dependente de algumas interpretaes do projetista. Em [7] foi usado compensadores lead/lag cujos ganhos so funes das entradas. Essa tcnica apresenta algumas vantagem em relao as anteriores. As funes de ganhos eram inseridas aps os filtros do controlador com o intuito de minimizar problemas de distores. Alm disso, a sntese do controlador no depende de interpretaes do projetista, sendo obtida por inverso de funes descritivas atravs de equaes de Volterra e integrao grfica, mas com os problemas numricos importantes. As estruturas desses tipos de compensadores esto mostradas nas figuras 1(a) e 1(b), onde as funes de ganhos Np(.), Ni(.), Nd(.), Ki(.), e Kj(.) so dependentes da magnitude dos sinais de entrada, e geralmente com caractersticas no lineares. Para todo valor de amplitude de entrada (e) existe um compensador (C) linear equivalente associado (figura 2). Para a figura 1(b) a funo deste compensador semelhante a um lead/lag convencional como o da equao (1). A relao entre a entrada (erro e), e o sinal de controle (u) da planta no linear dada por (2), onde Wgc a freqncia de cruzamento de ganho do sistema compensado. Especificaes no domnio da freqncia como Wgc e margem de fase (PM), tem ligaes com a dinmica do sistema no domnio do tempo, atravs de caractersticas como sobreelevao (Mp) e tempo de acomodao (Ts), mesmo para sistemas no lineares. Incrementando a PM o valor de Mp diminui. Aumentando Wgc o valor de Ts diminui.

1. Introduo
A anlise e projeto de controladores neurais no trivial. Redes neurais no so modeladas diretamente atravs de equaes diferenciais, dificultando a utilizao de mtodos clssicos de anlise e projeto. Em geral difcil obter expresses analticas gerais devido a variedade de estruturas de redes e funes de ativao usadas. Os modos mais freqentes de usar redes neurais em sistemas de controle so [1]: obteno do modelo inverso do sistema atravs de aprendizado; mapeamento do comportamento de um controlador conhecido na rede; aprendizado de caractersticas de adaptao ou de modelos de referncia. Em [2] comparou-se respostas de controladores convencional, predictivo, fuzzy, e neural no controle de um sistema trmico, mostrando que sistemas com redes neurais so bem adequados quando no esto disponveis informaes detalhadas do processo a ser controlado. bem conhecido que em um sistema no linear, a resposta dinmica depende da intensidade de entrada. Portanto, dadas as especificaes de projeto, necessrio encontrar um controlador para garantir que as especificaes desejadas so atingidas toda vez que a entrada est dentro de uma faixa desejada de operao. Algumas aproximaes empregam compensadores lineares em srie com ganhos que so funes das amplitudes de entrada, visando assim compensar um sistema no linear. Porm, a sntese dessas funes no simples nem fcil. Neste trabalho mtodos do domnio da freqncia so utilizados para sintetizar controladores baseados em redes neurais visando o controle de processos no lineares. O artigo dividido em itens que mostraro: tcnicas de compensao com ganhos variveis;

031 001

Na forma complexa obtm-se: Ni(.) 1 s u x(t) N= Y1 1 . X

Np(.)

Nd(.)

y(t)

(a)

Figura 3: Funo descritiva de sistema no linear 1 1 + s s 1 + s e1 Ki(.) u e2 Kj(.) (b) Esta aproximao valida pois geralmente as componentes harmnicas tem amplitudes menores que a fundamental. A maioria dos processos reais apresentam caractersticas passa-baixa que atenuam essas componentes harmnicas. A resposta em freqncia de sistemas no lineares depende tanto da freqncia como da amplitude da entrada, ou N(X,W). A obteno da funo descritiva ou a resposta em freqncia de sistemas no lineares est ilustrada na figura 4. Ela facilmente implementada em linguagens de programao ou em softwares de simulao. Para obter a resposta de um sistema qualquer (modelado analiticamente, identificado por alguma tcnica, etc.), basta simular ou medir a sada do sistema para uma entrada do tipo x(kT)=Xsin(WkT), escolher um ciclo da sada y(kT) em regime permanente (se existir variao de offset, corrigir para um valor fixo). A seguir necessrio utilizar uma rotina de FFT neste ciclo da sada, armazenando a amplitude e fase da componente fundamental. Repetir esses passos para alguns valores selecionados de X e W. x(kT) Sistema no linear Clculo de N y(kT)

Figura 1: Compensadores com ganhos variveis

+ r -

Compensador C

Planta

Figura 2: Malha de controle equivalente u K + hKs = e 1 + s u = C( j W gc) e

C(s) =

(1)

(2)

3. Resposta de sistemas no lineares


Este trabalho usar a tcnica apresentada em [8] para obter a resposta em freqncia de controles fuzzy, mas tambm aplicvel sistemas no lineares em geral. Esta tcnica no necessita de testes de convergncia, condies de simetria mpar, ou filtragens especiais. fcil de implementar e apresenta bons resultados prticos. A tcnica utiliza a idia de funo descritiva e transformada rpida de Fourier (FFT). Um sistema no linear pode ser representado atravs de uma funo descritiva N (figura 3). O sistema, ao ser excitado com uma entrada senoidal x(t)=Xsin(Wt), tem sua sada expressa atravs de uma srie de Fourier: y( t ) = Y o + Y nsin(W n t + n) . n =1 Considerando apenas a freqncia fundamental, temos: y( t ) = Y1sin(Wt + 1) .

Diagramas Nyquist/Bode Figura 4: Resposta de sistemas no lineares

4. Controle neural tipo atraso/avano


Este trabalho considera uma estrutura de controlador conforme mostra a figura 5. Os filtros de entrada da rede neural (RN) impem a caracterstica de atraso/avano de fase que compensam a dinmica do sistema. A rede neural ser treinada para reproduzir funes de ganhos que so modificadas com as amplitudes das entradas, para compensar as caractersticas no lineares da planta. Podemos usar expresses conhecidas do domnio da freqncia, como as da referncia [9] atravs das equaes (3), (4), e (5), para obter esses ganhos. Para o 002 032

modelo de compensador atraso/avano da equao (1), temos: K=a0, =b1, hK =a1. As etapas de anlise e projeto do controlador neural esto resumidas a seguir.

+ e r -

1 1 + s s 1 + s

e1 R N e2 u Processo no linear y

uma funo de ganhos que dependente das amplitudes de entrada, compensando a planta no linear. [Etapa 7] Usando o procedimento do item 3, obter respostas em freqncia do sistema (rede neural e planta no linear) para a faixa de operao. As condies de estabilidade e sintonia so ento verificadas (simular o sistema no tempo tambm). Se as especificaes no forem atingidas, voltar a etapa 3.

5. Exemplo
Equaes do tipo (6) e (7) so tpicas na modelagem de alguns sistemas amortecidos, dispositivos hidrulicos de posicionamento, ou transmisso mecnica no lineares. Um controlador de um processo como este deve operar em uma faixa de operao (referncia (r) de entrada) de 0,27 at 0,75. A margem de fase e freqncia de cruzamento devem ser iguais ou maiores que 55o e 1,25 rd/s, respectivamente. Alm disso desejvel uma sobreelevao e um tempo de acomodao iguais ou menores que 25% e 8s. .. . z + 4 z + 3 z 3 = 20u y = zdt (6) (7)

Figura 5: Controle neural com atraso/avano de fase = PM 180 G ( jWgc) a1 = 1 a0 G ( jWgc) cos Wgc G ( jWgc) sin cos a0 G ( jWgc) Wgc. sin (3)

(4)

b1 =

(5)

[Etapa 1] As especificaes de projeto, tais como PM, Wgc, faixa de operao, e outras so definidas. [Etapa 2] Usando o procedimento do item 3, obter a resposta em freqncia G(u,jW) do processo no linear para uma entrada (u) definida. [Etapa 3] Com o diagrama de Bode da planta obter as informaes de mdulo /G(jWgc)/ e fase /_G(j Wgc). Com esses dados calcular os parmetros do compensador equivalente, como da expresso (1), usando as equaes (3), (4), e (5). A primeira vez que est etapa for realizada, adotar um valor inicial para a0 (que est relacionado com o erro em regime permanente) e calcular a1, b1. Nas prximas vezes, para outros valores de amplitude de entrada, manter o valor de b1 e calcular a0, a1. Com as equaes (1) e (2) calcular e(jWgc), e1(jWgc), e2(jWgc). [Etapa 4] Atravs de simulao obter a resposta no tempo do sistema em malha fechada com os parmetros do compensador equivalente. Se as especificaes no so atingidas ajustar os parmetros, calcular e(.), e1(.), e2(.), e repetir a simulao. [Etapa 5] As etapas 3 e 4 so repetidas para valores selecionados da faixa de operao. Os parmetros (a0, a1, b1, ou K, h, ) com as correspondentes amplitudes e1(jWgc), e2(jWgc) so armazenados. [Etapa 6] Usando o valor u=K1(.)e1+K2(.)e2, treinar uma rede neural, para K1(.)=K, e K2(.)=hK. A rede representa

[Etapa 1] As especificaes esto no enunciado do exemplo. [Etapa 2] Respostas em freqncia do processo no linear so mostradas na figura 6 para u=[0,15; 0,5; 0,75].
20 0 dB -20 -40 0 10 W [rd/s] -100 -150 -200 -250 0 10 W [rd/s]

10

phase

10

Figura 6: Diagrama de Bode do processo no linear [Etapa 3] Com os diagramas de Bode da etapa 2 para u=0,15 (curvas inferiores de mdulo e fase), temos G(j1,25)=3,16/_-188o, e da expresso (3) obtemos que = 66o. Adotando inicialmente a0=K=0,05 em (4)

033 003

vem a1=0,26 e em (5) b1= = 0,26 (h=20 e hK=1). Com (1) e (2), as correspondentes amplitudes de entrada so /e(j1,25)/=0,5, /e1(j1,25)/=0,48, /e2(j1,25)/=0,15. [Etapa 4] Usando esses parmetros no compensador equivalente, vemos via simulao que as especificaes no domnio do tempo so satisfeitas. [Etapa 5] De outro diagrama de Bode, este para a amplitude u=0,28, temos G(j1,25)=3,20/_-167o, e de (3) vem = 42 Usando (4) e (5) com b1= = 0,26 tem-se a0=K=0,15 e a1=0,22 (h=5,57 e hK=0,84). As amplitudes de entrada so /e(j1,25)/=0,95, /e1(j1,25)/=0,9, /e2(j1,25)/=0,29. Esses valores no satisfazem as especificaes, mas ajustando os parmetros a0=K=0.1, h=12, e hK=1,2 elas so atingidas. As amplitudes de entrada so /e(j1,25)/=0,73, /e1(j1,25)/=0,70, /e2(j1,25)/=0,23. E assim procedemos para outros valores na faixa de operao desejada. A tabela 1 mostra alguns valores de ganhos e amplitudes de entradas. Esses dados pode ser obtidos de maneira praticamente automatizada atravs de programas relativamente simples. Tabela 1: Amplitudes e ganhos do controlador u 0,15 0,28 0,32 0,74 e 0,50 0,75 1,00 2,00 e1 0,48 0,72 0,95 1,94 e2 0,15 0,22 0,30 0,63 K 0,05 0,10 0,10 0,20 HK 1,0 1,2 1,0 1,0

C1 e1 e2

B1 W1 W2 v
i

C2 A(.)

B2 W3

Figura 7: Controlador neural O algoritmo de treinamento usado foi o backpropagation convencional. As entradas fixas C1 e C2, seus pesos B1 e B2, mais os outros coeficientes da rede W1, W2, e W3 foram inicializados aleatoriamente na faixa de 1 a +1. O fator de aprendizado escolhido 0,05, o erro admissvel em 0,025, e o vetor de treinamento com 200 pontos. Resultando em: C1=-0,8161; C2=0,3078; B2=0,1854; B1=[-0,4286; 0,7287; -0,9601; -1,0380; -0,0214]; W1=[-0,5813; -0,3427; -0,6006; -0,1973; -0,0123]; W2=[1,2647; 1,2645; 1,2647; 1,2647; 1,2650]; W3=[0,2229; -0,3689;-0,1799; -0,3343; 1,1047]. [Etapa 7] As respostas em freqncia do sistema (controlador neural e planta no linear) esto apresentadas na figura 8 para algumas amplitudes de entrada e=[0,25; 0,5; 0,75]. Observando os diagramas de Bode observamos que o sistema estvel e as especificaes foram alcanadas (PM 55o e Wgc 1,25 rd/s). As respostas no tempo normalizadas (y/r) do sistema so mostradas na figura 9, onde os grficos so para r=[0,25; 0,5; 0,75]. As especificaes no tempo foram tambm atingidas (MP 25% e Ts 8 s).

[Etapa 6] Outros valores intermedirios podem ser igualmente calculados e anexados na tabela. Para entradas pequenas podemos acrescentar restries para garantir limites adequados dos ganhos. Os valores para treinamento so: 0,01 se e1 < 0,2 u = K1(.)e1 + K2(.)e2 , K1(.) = , K c. c. 0,9 se e2 < 0,3 K2(.) = . hK c. c. Neste exemplo foi utilizada uma rede neural (figura 7), com um neurnio na camada de sada contendo uma funo de ativao linear. A camada escondida possui 5 neurnios com funes de ativao tipo sigmoide: A ( v i) = 2 1. 1 + e2 vi
dB

20 0 -20 -40 0 10 W [rd/s] -100 -150 -200 -250 0 10 W [rd/s]

10

phase

10

Figura 8: Resposta em freqncia do sistema

004 034

1.4 1.2 1 0.8 y 0.6 0.4 0.2 0 0

resultados. Em artigos futuros pretendemos abordar estes casos.

6. Concluses
Neste trabalho foi apresentado uma metodologia sistemtica para anlise e projeto de controladores baseados em rede neural usando mtodos de resposta em freqncia. A rede neural usada para aprender funes de ganhos dependentes das amplitudes de entrada. Assim ela fornece um controlador cuja sada determina o comportamento de um processo no linear segundo as especificaes de projeto. A tcnica proposta simples e apresenta solues com bons resultados. Ela tambm estabelece elos entre mtodos do domnio da freqncia e controladores baseados em redes neurais.

4 t [s]

10

Figura 9: Resposta normalizada (y/r) do sistema O controlador neural, composto pelos filtros (que determinam sua dinmica), e a rede neural propriamente dita (que faz o mapeamento dos ganhos em funo das amplitudes de entrada), tem sua resposta em freqncia mostrada na figura 10. Nota-se o comportamento de avano de fase deste controlador neural para uma amplitude de entrada e=0,75. O mtodo empregado para obteno de resposta em freqncia pode ser usado para anlise e projeto de outros tipos de redes neurais em sistemas de controle.
0 -5 dB -10 -15 0 10 W [rd/s] 100 phase

Referncias
[1] M. M. Gupta and N. K. Sinha. Intelligent control systems: Theory and applications. IEEE Press, 1996. [2] M. Khalid, S. Omatu, and R. Yusof. Temperature regulation with neural networks and alternative control schemes. IEEE Trans. On Neural Networks, vol. 6, pp. 572-582, 1995. [3] J. H. Taylor and K. V. Strobel. Nonlinear compensator synthesis via sinusoidal-input describing functions. Proc. American Control Conference, pp. 1242-1247, 1985. [4] J. H. Taylor and J. Lu. Computer - aided control engineering environment for the synthesis of nonlinear control systems. Proc. American Control Conf., pp. 2557-2561, 1993. [5] A. Gelb and W. E. V. Velde. Multiple input describing functions and nonlinear system design. MacGraw Hill, 1968. [6] D. P. Atherton. Nonlinear control engineering. Nostrand Reinhold Co, 1975. [7] O. Nanka-Bruce and D.P. Atherton. Design of nonlinear controllers for nonlinear plants. IFAC Congress, pp. 7580, 1990. [8] C. A. M. Pinheiro and F. A. C. Gomide. Frequency response design of fuzzy controllers. VII IFSA World Congress, v. 3, pp. 434-439, 1997. [9] C. L. Phillips and R. D. Harbor. Feedback control systems. Prentice Hall, 3 ed., 1996.

10

50

0 0 10 W [rd/s]

10

Agradecimentos
O primeiro autor agradece CAPES e o segundo ao CNPq pelo apoio recebido.

Figura 10: Resposta do controlador neural para e=0,75 Outras simulaes foram realizadas variando-se o nmero de pontos para treinamento, nmeros de neurnios, e estrutura da rede. No houve modificaes significativas nas respostas do sistema, como era de se esperar, pois as redes neurais geralmente so boas para aproximar funes (neste exemplo, para mapear os ganhos dependentes das amplitudes de entrada). Outros processos com diferentes tipos de no linearidade, ou com variaes de parmetros, foram abordados com esta metodologia apresentando bons

005 035