PROJETO DE CONTROLADOR PID DIGITAL NEBULOSO ROBUSTO VIA ESTRATEGIA GENETICA MULTIOBJETIVA PARA SISTEMAS DINAMICOS INCERTOS COM

COM TEMPO DE ATRASO bia Soares Pires e Ginalber Luiz de Oliveira Serra Danu

Departamento de Eletroeletr onica: Laborat orio de Intelig encia Computacional Aplicada a Tecnologia Instituto Federal de Educa ca o, Ci encia e Tecnologia S ao Lu s - MA, Brasil Email: danubiapires@ifma.edu.br e ginalber@ifma.edu.br
Abstract In this paper, a robust fuzzy digital PID control strategy, via multiobjective genetic algorithm, based on the gain and phase margins specications, with applications to uncertain dynamic systems with time delay, is proposed. A mathematical formulation based on the gain and phase margins, the fuzzy model TS (Takagi-Sugeno) and PID digital controller structures, and the time delay of the uncertain dinamic system, is deduced. A multiobjective genetic strategy is dened to tune the fuzzy controller parameters, so the gain and phase margins specied to the fuzzy control system are get. Experimental results show the eciency of the proposed methodology through tracking of the reference and the gain and phase margins keeping closed of the specied ones. Keywords Fuzzy Control, Digital PID Controller, Uncertain Dynamic Systems, Multiobjective Genetic Algorithm, Robust Control Resumo Neste artigo, e proposta uma estrat egia de controle PID digital nebuloso robusto, baseado nas especica c oes das margens de ganho e fase. Uma formula c ao matem atica, baseada nas margens de ganho e fase, para o modelo nebuloso TS (Takagi-Sugeno), as estruturas dos controladores digitais PID e o atraso de tempo do sistema din amico incerto e deduzida. Uma estrat egia gen etica multiobjetiva e utilizada para encontrar os par ametros do controlador nebuloso, de mode que as margens de ganho e fase especicadas para o sistema de controle nebuloso sejam alcan cadas. Resultados experimentais mostram a eci encia da metodologia proposta, uma vez que a trajet oria de refer encia e seguida e as margens de ganho e fase permanecem pr oximas ` as especicadas. Keywords Controle Fuzzy, Controlador PID Digital, Sistemas Din amicos Incertos, Algoritmo Gen etico Multiobjetivo, Controle Robusto

Introdu c ao

Um controle e robusto quando o mecanismo de ajuste do controlador considera certas classes de incertezas param etricas e din amicas da planta a ser controlada. Desde que projetistas e engenheiros precisam lidar com plantas cada vez mais complexas, levando em considera c ao caracter sticas estruturais e din amicas, tais como n aolinearidades, incertezas, varia c oes param etricas, tempo de atraso, entre outras, muitos m etodos de controle robusto tem sido propostos, permitindo que em sua formula c ao o uso de restri c oes e requisitos de desempenho (Matausek and Sekara, 2011)(Serra, 2012)(Cheng et al., 2009)(Peng, 2011)(Zhong, 2006). Em (Okuyama, 2010), observa-se a estabiliza c ao de um sistema de controle robusto no tempo discreto com base no modelo de refer encia. Em (Pahuja and Rai, 2012) e apresentada um controle robusto para sistemas com perturba c ao. Neste contexto, os controladores nebulosos tem sido uma boa alternativa para controle de sistemas din amicos complexos, uma vez que a estrutura nebulosa baseada em regras permite trabalhar com incertezas, n ao-linearidades e tempo de atraso(Wang and Lin, 2011). Em (Linke et al., 2011) e proposto um controle PID nebuloso a m de melhorar a estabilidade de um sistema hidr aulico de posi c ao servo. Neste artigo,

e proposta uma estrat egia gen etica multiobjetiva para projeto de controlador PID digital nebuloso robusto, baseado em modelo, por meio de especica c oes de margens de ganho e fase, com aplica c oes em sistemas din amicos incertos com tempo de atraso. 2 Estrat egia para o projeto do controlador PID digital nebuloso robusto

2.1

F ormulas para sintonia de controle baseado em modelo atrav es de especica co es de margens de ganho e fase

O sistema de infer encia nebuloso TS a ser usado como modelo do sistema din amico incerto H (z, ), apresenta a i|[i=1,2,...,l] - esima regra dada por: Fi R(i) : SE y (k 1) E k|y (k1) ENTAO Gi P (z ) = ai z 2
i i K1 z + K2 i + b z + ci

i i onde ai , bi , ci , K1 e K2 s ao os par ametros a serem estimados pelo algoritmo de m nimos quadrados. A vari avel y (k 1)|[t=1,2,...,n] pertence ao coni i junto nebuloso Fk |y (k1) com um valor Fk|y(k1) denido por uma fun c ao de pertin encia i y (k1) : i i i R [0, 1], com Fk|y(k1) F1|y(k1) , F2|y(k1) ,

i i F3|y(k1) , . . . ,Fp

y (k1) |y (k1)

, onde py(k1) corm = arg [Gc (y (k 1), ejg )GP (y (k 1), ejg )]+ (6) onde a margem de ganho e dada por (3) e (4) e a margem de fase e dada por (5) e (6), respectivamente. A frequ encia de cruzamento de fase e p e g e conhecida como a frequ encia de cruzamento de ganho.

responde ao n umero de parti c oes do universo de discurso relacionado ` a vari avel lingu stica y (k 1). O controlador PID digital nebuloso TS apresenta a j |[j =1,2,...,l] - esima regra dada por: Fj R(j ) : SE y (k 1) E ENTAO
k|y (k1)

j z 2 + j z + j Gj c (z ) = z2 + z onde: Kj KjT j j = KP + I + D 2 T j = j =
j j 2KD KI T j KP 2 T j KD T

2.2

Estrat egia multiobjetiva gen etica para sintonia do controlador

e KP , KI , KD s ao os ganhos proporcional, integral e derivativo do controlador nebuloso, respectivamente (Jacquot, 1995). Logo, o controlador nebuloso TS Gc (y (k 1), z ) e uma soma ponderada de sub-controladores PID lineares locais. No ramo direto do sistema de controle em malha fechada, considerando o modelo nebuloso TS, o tempo de atraso z n e o controlador PID digital nebuloso, tem-se: Gc (y (k 1), z )Gp (y (k 1), z ) =
l l

O AG desenvolvido neste artigo otimiza os j j j par ametros KP , KI e KD do controlador PID digital nebuloso na j - esima regra atrav es das especica c oes de margens de ganho e fase e apresenta a fun c ao de custo dada por:

Custo = |Amc Ame | + |Pmc Pme |

(7)

i (y (k j =1 i=1 j 2 j

1)) j (y (k 1)) ai z 2
i i z + K2 K1 z n i + b z + ci

z + z + j z2 + z

(1) A equa c ao caracter stica em malha fechada do sistema (1), considerando o tempo de atraso z n e dada por: GM (y (k 1), z ) = a z
i n+4

onde Amc e Ame correspondem ` as margens de ganho calculada e especicada, respectivamente; Pmc e Pme correspondem ` as margens de fase calculada e especicada, respectivamente. O cruzamento entre dois cromossomos usado no algoritmo gen etico multiobjetivo gera dois novos descendentes atrav es de um simples operador de cruzamento, o qual realiza uma soma poderada entre os genes dos pais para gerar o descendente, como segue: C 1 = [ KP 1 , KI 1 , KD 1 ] C 2 = [ KP 2 , KI 2 , KD 2 ] dnew1 = C1 + (1 ) C2 dnew2 = C2 + (1 ) C1

(8)

+ b a z

n+3

i 3 + ci bi z n+2 ci z n+1 + + j K1 z + i i i i i z + j K2 z 2 + j K2 + j K1 j K2 + j K1

(2) As margens de ganho e fase do sistema de controle nebuloso s ao dadas por: arg [Gc (y (k 1), ejp )GP (y (k 1), ejp )] = (3) 1 |Gc (y (k 1), ejp )GP (y (k 1), ejp )| (4) (5)

Am =

|Gc (y (k 1), ejg )GP (y (k 1), ejg )| = 1

onde os termos KP 1 , KI 1 , KD1 e KP 2 , KI 2 , KD2 representam os genes do cromossomo-m ae (C1 ) e os genes do cromossomo-pai (C2 ), respectivamente, dnew e a nova gera c ao obtida atrav es dos dois cromossomos e e um valor aleat orio compreendido entre 0 e 1. O operador de muta c ao usado neste artigo seleciona aleatoriamente um gene de um cromossomo da popula c ao e modica o valor por outro, dentro da faixa de valores poss veis para os ganhos do controlador nebuloso. O melhor cromossomo da gera c ao anterior permanece na pr oxima gera c ao, a qual e complementada pelos pais e o resultado da muta c ao nos descendentes. Os est agios de avalia c ao, classica c ao, sele c ao de pais, cruzamento, muta c ao e forma c ao da nova popula c ao s ao repetidos em cada itera c ao do algoritmo (Li et al., 2009)(Wang et al., 2006)(Haupt and Haupt, 2004)(?).

3 3.1

Resultados experimentais

150

Descri ca o da plataforma para controle de temperatura em tempo real

Tenso AC (RMS)

100

50

A plataforma de controle em tempo real e composta de um processo t ermico, o software LabVIEW, o CompactRIO 9073, o m odulo de entrada anal ogica NI 9219,o m odulo de sa da anal ogica NI 9263, o sensor de temperatura LM 35 e o atuador atrav es do CI TCA 785. O sistema t ermico consiste em uma torradeira monof asica de 220Volts AC, com temperatura funcional compreendida no intervalo de 25 C a 265 C. O LabVIEW e um software que utiliza a linguagem gr aca para programa c ao, no qual o sistema supervis orio foi desenvolvido para an alises em tempo real do sistema de controle em malha-fechada: a temperatura e os sinais de entrada de tens ao ser ao recebidos pelo sensor atrav es de um sistema de aquisi c ao de dados, o controlador PID digital nebuloso robusto foi implementado para o controle do sinal a ser enviado ao processo t ermico. A plataforma do sistema de controle em tempo real do processo t ermico e mostrado na Fig. 1.

0 0

10

12

Tempo (minutos)
200

Temperatura ( oC)

150 100 50 0 0

10

12

Tempo (minutos)

Figura 2: Sinal de entrada e sa da utilizados na etapa de identica c ao

Correlao Cruzada entre os dados de Entrada e Sada

1

0.8

Correlao Cruzada da Amostra

0.6

0.4

0.2

0.2

0.4

0.6 4

3 x 10

4
4

Atraso

Figura 3: Correla c ao cruzada entre os sinais de entrada e sa da

algoritmo gen etico, a m de encontrar ganhos DC correspondentes aos submodelos. Os valores dos ganhos DC obtidos foram g1 = 0.0055 e g2 = 0.72, 2 para os sub-modelos G1 p e Gp , respectivamente. A an alise comparativa da resposta temporal pode ser observada na Fig.5 e a estrutura otimizada do modelo nebuloso na equa c ao (9). Figura 1: Plataforma do sistema de controle do processo t ermico

1 0.9 0.8

F1

F2

Grau de Pertinncia

3.2

Modelagem nebulosa TS do processo t ermico

0.7 0.6 0.5 0.4 0.3 0.2 0.1 0 20 40 60 80 100 120 140 160 180

Na etapa de identica c ao, foram utilizados os sinais de entrada e sa da, conforme a Fig. 2. O tempo de atraso foi estimado pela correla c ao cruzada entre os dados de entrada e sa da do sistema, resultando em um tempo de atraso de 136 amostras, ou seja, 2.312 segundos, conforme Fig. 3. O algoritmo FCM foi implementado para 2 agrupamentos, expoente de pondera c ao m=1.3 e toler ancia =0.01, obtendo-se os conjuntos nebulosos da Fig.4. Sobre os dados de entrada e sa da do sistema din amico incerto, considerando as fun c oes de pertin encia, o algoritmo de m nimos quadrados foi utilizado a m de estimar os submodelos do consequente. A estrutura destes submodelos encontrados foram otimizados utilizando

Temperatura ( oC)

Figura 4: Fun c oes de Pertin encia - FCM

R1 : SE T emperatura e F 1 , ENTAO G1 p (z ) = 0.0055 0.0513z + 0.0504 z 136 0.5815z 0.4177

z2

Melhor indivduo em cada gerao

7 6 5 4 3 2 1

R2 : SE T emperatura e F 2 , ENTAO G2 p (z ) = 0.72 0.1344z 0.1334 z 136 z 2 0.5921z 0.4072 (9)

Custo

onde: F 1 (a, b) |a=70;b=150.2 (10)

0 0

50

100

150

200

250

300

Gerao

1, T emperature a 12 2 b T emperaturea 2 , a T emperature a+b ba 2 T emperature 2 a+b , T emperature b ba 2

Figura 6: O custo do melhor indiv duo em cada gera c ao no decorrer das gera c oes, pode ser observado na Fig. 6. Foi realizada uma an alise de estabilidade do sistema de controle nebuloso em malha fechada, atrav es do Crit erio de Jury (Jury and Blanchard, 1961). A partir da equa c ao caracter stica (2), temos (11) e (12), pelas quais foram estruturadas as Tabelas. 2 e 3.

0, T emperature b

e F 2 = 1 F 1.
160

140

Modelo Nebuloso TS Modelo Nebuloso TS Otimizado Processo Trmico

120

Temperatura (oC)

100

80

60

40

20 0

6 Tempo (minutos)

10

12

1 n : Equa c ao caracter stica de G1 p Gc z 140 139 138 z 1.5815z + 0.1638z + 0.4177z 137 + 0.0029z 3 1.1611e 004z 2 + 0.002836z + 6.5225 105

Figura 5: Compara c ao das respostas temporais do processo, modelo nebuloso TS identicado e modelo nebuloso TS otimizado Com a estrat egia multiobjetiva gen etica proposta, especicando as margens de ganho de 2.5 e de fase de 60 para o sistema de controle nebuloso e considerando o processo t ermico, os par ametros do controlador PID digital nebuloso, bem como as margens de ganho e fase obtidas, podem ser observados na Tabela. 1. Pode-se comprovar a eci encia da metodologia desenvolvida para o projeto do controlador PID baseado em modelo, uma vez que os valores especicados para as margens de ganho e fase foram alcan cados atrav es da estrat egia multiobjetiva gen etica desenvolvida. Tabela 1: Par ametros do Controlador PID e as Margens de Ganho e Fase obtidas para os submodelos.
Sub-modelo G1 p G2 p (Amc ,Pmc ) (2.5, 60 ) (2.5, 60 ) (Amc ,Pmc ) (2.9643, 63.8115 ) (2.5936, 62.6088 ) Ganhos do PID (KP ,KI ,KD ) (10, 0.15, 0.004) (2.2178, 0.3176, 0.0013)

(11)

2 n Equa c ao caracter stica de G2 : p Gc z z 140 1.592z 139 + 0.1849z 138 + 0.4072z 137 + +0.2223z 3 0.4497z 2 + 0.2345z 0.007144

O algoritmo gen etico multiobjetivo utilizado possui os seguintes par ametros: 300 gera c oes, popula c ao inicial aleat oria de 100 cromossomos, onde cada cromossomo compreende tr es genes, a taxa de sele c ao de 50% e a taxa de muta c ao de 12%. O desempenho da estrat egia gen etica multiobjetiva, a m de minimizar a fun c ao custo (7),

(12) Nestas tabelas observa-se que os primeiros valores das linhas mpares s ao positivos, garantindo a estabilidade do sistema de controle em malha fechada segundo o Crit erio de Jury. Os par ametros do controlador PID digital nebuloso robusto obtidos atrav es da estrat egia gen etica multiobjetiva foi comparada a um controlador projetado atrav es do M etodo Ziegler-Nichols (Jacquot, 1995). O desempenho da resposta temporal da metodologia proposta e mostrada na Fig. 7. A temperatura inicial de refer encia foi de 100o C. A mudan ca de refer encia para 150o C foi realizada em 425 segundos. Uma varia c ao no ganho foi aplicada ao processo t ermico em 212 segundos. As a c oes de controle obtidas pelos controladores PID digital nebuloso robusto e ZieglerNichols, bem como as margens de ganho e fase instant aneas obtidas pelo controlador PID digital nebuloso robusto, s ao observadas nas Fig. 8 e Fig. 9, respectivamente.

Tabela 2: An alise de Estabilidade por Crit erio de 1 G Jury para G1 p c

Linha 1 2 3 4 5 . . . 11 . . . 25 . . . 39 . . . 53 . . . 67 . . . 83 . . . 99 . . . 117 . . . 135 . . . 153 . . . 173 . . . 193 . . . 215 . . . 237 . . . 263 . . . 277 278 279 z 140 1 6.5225 105 1 0.0027 1 . . . 0.9999 . . . 0.9998 . . . 0.9997 . . . 0.9996 . . . 0.9995 . . . 0.9994 . . . 0.9993 . . . 0.9992 . . . 0.9991 . . . 0.9990 . . . 0.9989 . . . 0.9988 . . . 0.9987 . . . 0.9986 . . . 0.9985 . . . 0.8261 0.8224 0.0072 z 139 1.5815 0.002836 1.5815 0.0001 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1.6485 1.6485 0.0072 z 138 0.1638 1.1611 104 0.8224 0.8261 0.0001 1.5815 0.0044 z1 0.002836 1.5815 0.0027 1 z0 6.5225 105 1

200 180 160 140 120 100 80 60 40 ZieglerNichols PID didital nebuloso robusto

0.0039
20 0 0 5 10 15

Voltagem (RMS)

0.0038

Tempo (minutos)

0.0038

Figura 8: Compara c ao das a c oes de controle

Margem de Ganho
3

0.0037

0.0036

2.5 Margem Instantnea Margem Especificada 2 0 63 62 61 60 59 0 5 10 15 5 10 15

0.0035

Tempo (minutos)
0.0035

0.0034

Margem de Fase ()

0.0033

Tempo (minutos)

0.0032

0.0031

Figura 9: Margens de ganho e fase instant aneas obtidas pelo controlador PID digital nebuloso robusto busto, baseado nas especica c oes das margens de ganho e fase para controle de sistemas din amicos incertos com tempo de atraso. A estrat egia gen etica multiobjetiva desenvolvida, mostrouse eciente, uma vez que, as margens de ganho e fase especicadas foram alcan cadas e mantidas na an alise do controle do processo t ermico, bem como a resposta em rela c ao ` a trajet oria de refer encia mostrou-se satisfat oria, comparada a um PID projetado pelo m etodo de Ziegler-Nichols, mesmo na presen ca de perturba c oes e tempo de atraso. Agradecimentos Os autores agradecem a FAPEMA pelo suporte nanceiro ` a pesquisa e a PPGEE-UFMA pelo incentivo ao desenvolvimento deste trabalho.

0.0031

0.0030

0.0029

0.0028

180 160 140

Temperatura ( oC)

120 100 80 60 40 20 0

Sinal de Referncia Controlador ZieglerNichols Controlador PID digital nebuloso robusto

5 10 15

Refer encias Cheng, X., Lei, Z. and Junqiu, Y. (2009). Fuzzy PID Controller for Wind Turbines, 2nd International Conference on Intelligent Networks and Intelligent Systems:74-77. Haupt, R. L. and Haupt, S. E. (2004). Practical Genetic Algorithms., John Wiley Sons, New Jersey.

Tempo (minutos)

Figura 7: Compara c ao das respostas temporais do controlador PID digital nebuloso robusto e o controlador de Ziegler-Nichols 4 Conclus oes

Neste artigo, foi proposta uma estrat egia para o projeto de controlador PID digital nebuloso ro-

Jacquot, R. G. (1995). Modern Digital Control Systems, Marcel Dekker. Jury, E. I. and Blanchard, J. (1961). A Stability Test for Linear Discrete-Time Systems in Table Forms, Proc. IRE, 49:1947-1948. Li, H., Pan, C. and Teng, F. (2009). Adaptive Fuzzy Control based on Genetic Algorithm for Vertical Electric Furnace, Proceedings of the IEEE International Conference on Automation and Logistics:933-938. Lin-ke, Y., Jian-ming, Z., Qi-long, Y., Ji-ming, X. and L.Yan (2011). Fuzzy PID Control for Direct drive Electro-hydraulic Position Servo System, International Conference on Consumer Electronics, Communications and Networks:370-373. Matausek, M. R. and Sekara, T. B. (2011). PID controller frequency-domain tuning for stable, integrating and unstable processes, including dead-time, Journal of Process Control 21:17-27. Okuyama, Y. (2010). Model-reference type discretized PID control for continuous plants, Proceedings of SICE Annual Conference:1402-1405. Pahuja, P. and Rai, H. M. (2012). Design of Robust Control for Perturbed Systems using QFT, Second Internacional Conference on Advanced Computing and Communication Technologies:219-224. Peng, Y. F. (2011). Development of robust intelligent tracking control system for uncertain nonlinear systems using H control technique, Applied Soft Computing 11 3, April:3135-3146. Pereira, D. S. and Pinto, J. O. P. (2005). Genetic algorithm based system identication and PID tuning for optimum adaptive control, Proceedings of the International Conference on Advanced Intelligent Mechatronics. Serra, G. (2012). Frontiers in Advanced Control Systems, Rijeka: In Tech. Wang, Q. G., Ye, Z. and Hang, C. C. (2006). Tuning of phase-lead compen-sators for exact gain and phase margins, Vol. 42, Automatica. Wang, W. and Lin, W. (2011). Descentralized PDC for large-scale TS fuzzy systems, IEEE Transactions on Fuzzy Systems:779-786. Zhong, Q. C. (2006). Robust Control of Timedelay Systems, British Library, USA.

Tabela 3: Tabela para An alise de Estabilidade por 2 G Crit erio de Jury para G2 p c
Linha 1 2 3 4 5 6 7 8 9 10 11 . . . 33 . . . 67 . . . 91 . . . 109 . . . 125 . . . 139 . . . 151 . . . 163 . . . 175 . . . 185 . . . 195 . . . 205 . . . 213 . . . 223 . . . 239 . . . 247 . . . 263 . . . 271 . . . 277 278 279 z 140 1 0.0071 0.9999 0.2231 0.9502 0.0935 0.9410 0.0380 0.9394 0.0188 0.9390 . . . 0.9389 . . . 0.9388 . . . 0.9387 . . . 0.9386 . . . 0.9385 . . . 0.9384 . . . 0.9383 . . . 0.9382 . . . 0.9381 . . . 0.9380 . . . 0.9379 . . . 0.9378 . . . 0.9377 . . . 0.9376 . . . 0.9374 . . . 0.9373 . . . 0.9371 . . . 0.9370 . . . 0.7630 0.7553 0.0154 z 139 1.5920 0.2345 1.59031 0.4484 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1.6485 . . . 1.5183 1.5183 0.0154 z 138 0.1849 0.4497 0.0051 0.7553 0.7630 0.4484 1.59031 0.0935 0.9502 0.0380 0.9410 0.0188 0.9394 0.0058 z1 0.2345 1.5920 0.2231 0.9999 z0 0.0071 1

0.0021

0.0027

0.0031

0.0033

0.0036

0.0038

0.0039

0.0041

0.0042

0.0043

0.0044

0.0045

0.0046

0.0047

0.0048

0.0049

0.0050