Escolar Documentos
Profissional Documentos
Cultura Documentos
This work aims to make the termic modeling of the SMARS PD3 didatic plant, that
presente trabalho tem como objetivo a modelagem trmica da planta didtica PD3 da
I. INTRODUO
Modelagem Matemtica e Identificao de Sistemas so
comuns e extremamente importantes para a cincia e a indstria atuais no que diz respeito ao
entendimento de processos contnuos.
Modelagem Matemtica o processo de obteno de equaes ou grficos que possam
representar, da forma mais fiel possvel, as caractersticas ou comportamentos de um sistema
real. A importncia de se modelar sistemas reais evidenciado no mbito de que os resultados
obtidos podem ser usados para proporcionar um melhor conhecimento sobre tal sistema. Em
um ambiente industrial, a utilidade dos modelos na implementao de equipamentos ou
mquinas est associada realizao de atividades de forma automtica, baseada em tais
equaes matemticas. Esta rea do conhecimento no se limita somente a aplicaes
industriais, sendo tambm utilizada em outras reas, como por exemplo no estudo do meio
ambiente, na medicina, etc.
Identificao de sistemas um procedimento alternativo que se prope a obter um modelo
matemtico que explique, pelo menos em parte e de forma aproximada, a relao de causa e
efeito presente em um banco de dados sem a necessidade de conhecimento prvio da fsica
do processo.
Suponha que o banco de dados disponvel represente a entrada, u(k), e sada, y(k), de um
sistema real qualquer. Em um processo de modelagem e identificao de sistemas
necessrio seguir algumas etapas tais como efetuar os testes dinmicos e coletar os dados,
escolher uma representao matemtica a ser utilizada, determinar a estrutura do modelo,
estimar os parmetros e, por fim, validar o modelo obtido.
O processo de Modelagem Matemtica pode ser
SMAR - PD3 cujo objetivo demonstrar didaticamente a operao das diversas malhas de
controle utilizando os mesmos equipamentos e ferramentas de configurao (em software)
aplicados no mbito industrial. Em um arranjo compacto, a PD3 torna acessvel aos instrutores
e aprendizes todos os componentes desta malha, no sendo apenas uma estrutura para ser
observada, mas tambm para ser manipulada. Na implementao destas malhas esto
contidas as mesmas caractersticas e situaes encontradas pelos profissionais de
instrumentao com os recursos da alta tecnologia disponvel no mercado [1].
mtodo dos Mnimos quadrados (MMQ), o Estimador Recursivo de Mnimos quadrados com e
sem fator de esquecimento.
Em uma coleta de dados, em qualquer experimento real, haver a presena de ruidos. O
mtodo da correlao cruzada um mtodo estocstico que apresenta um certo grau de
robustez ao rudo. Esse procedimento se refere a medida da relao entre uma entrada,
quando aplicada a um processo ergdico, e uma sada do sistema. Sabe-se ento que a parte
determinstica do sinal que contm a informao sobre a dinmica do processo preservado
na sada porque os efeitos do rudo tedem a se cancelar uma vez que o rudo no apresenta
uma tendncia.
A estrutura de auto-regresso (ARX) leva em considerao as entradas do processo. Este
modelo faz uso da auto-regresso e da varivel exgena B.u(t), motivo pelo qual conhecido
como ARX. Um modelo desta natureza o mostrado a seguir.
=
(1)
() = 1. 1 + + .
(2)
() = 1. 1 + + .
(3)
(4)
= 1
(5)
1
1 +
= 1 + [ 1 ]
=
1 1
1 +
(6)
(7)
(8)
Fig. 1 Planta didtica SMAR PD3: (1) Tanque de gua quente; (2) e (3) Resistncias de 4KW; (4) Vlvula pneumtica de controle de vazo; (5) Termopar
;(6) Sada de gua.
(9)
.
+ 1
(10)
21
+1
(11)
2 1 1
+
1
2 + 1
2 + 1
2 + 1
(12)
Como a transformada inversa de z-1f(z) fornece f(k-1), onde z-1 funciona como um operador
backward shift, a equao de diferenas do sistema assume a seguinte forma:
= 1 1 + 2 1 + 3
(13)
onde
2 1
2 + 1
2 =
2 + 1
3 =
2 + 1
1 =
(14)
(15)
(16)
V. O MODELO PROPOSTO
O valor da resistncia trmica foi calculado a partir do modelo matemtico proposto
utilizando os coeficientes de atraso
encontram-se na tabela 1:
TABELA 1
COEFICIENTES DE ATRAZO
*Vazo
(l/h)
0
48,8
100,5
Coeficientes de Atraso
1
2
3
(x 10-5) (x 10-5)
0,9999 0,5721 0,5274
0,9990 1,1339 0,3418
0,9984 1,2969 1,1667
149,92
193,53
400,08
611,3
832,45
997,2
1206,5
1405,2
0,9973
0,9965
0,9943
0,9914
0,9931
0,9914
0,9908
0,9896
1,5237 4,1351
1,1612 -0,0544
1,2508 5,3937
1,0926 0,2821
0,7094 0,1362
0,7814 0,0083
0,7732 -0,0562
0,6215 0,0674
0 =
=
1
0
(17)
1
0
(18)
Com os resultados dos ensaios e das simulaes foi realizado uma investigao da
modelagem matemtica. Essa investigao consiste em comparar os resultados obtidos
usando o modelo matemtico com a resposta do sistema real alcanada durante os ensaios
para cada vazo.
Os valores de R e G esto representados na tabela 2:
TABELA 2
VALORES USADOS NO DIAGRAMA DE BLOCOS DA SIMULAO
Vazo
(l/h)
0
48,8
100,5
149,92
193,53
400,08
611,3
832,45
997,2
1206,5
1405,2
89000
89000
89000
89000
89000
89000
89000
89000
89000
89000
89000
G
.
0,185000
5,40540
0,017500 51,73746
0,012000 77,92793
0,007500 127,92793
0,004850 200,78016
0,002200 449,14005
0,001650 600,65520
0,001200 827,92793
0,000920 1081,55112
0,000765 1301,78414
0,000670 1487,13191
Durante a coleta dos dados, tanto para a investigao da modelagem matemtica quanto
para a validao do modelo proposto, os ensaios realizados em uma vazo igual a 600 l/h
foram os que apresententaram maior interferncia de rudo. Essa anlise comprovada ao
realizar uma comparao entre as fig. 5 e 8(referentes a vazo de 600 l/h ) com as demais.
VI. CONCLUSO
A Modelagem Matemtica livre e espontnea. Ela surge da necessidade do homem em
compreender os fenmenos que o cercam para interferir ou no em seu processo de
construo.
Neste trabalho foram apresentados os resultados obtidos a partir da modelagem matemtica
do sistema de variao trmica do tanque de uma Planta Didtica SMAR - PD3 respeitando as
etapas pr-definidas anteriormente.
Na coleta de dados, a presena de rudos no comprometeu o desenvolvimento do trabalho
pois quando aplicado a correlao cruzada percebe-se uma elevada relao entre a entrada e
a sada. Essa correlao pode ser exemplificada pela tabela 3:
TABELA 3
CORRELAO CRUZADA
VAZO
(l/h)
0
48,8
100,5
Entrada
real
X
Sada
real
0.935
0.945
0.934
0.995
0.945
0.975
0.874
0.854
0.934
149,92
193,53
400,08
611,3
832,45
997,2
1206,5
1405,2
0.934
0.975
0.945
0.925
0.934
0.945
0.935
0.975
0.975
0.995
0.945
0.975
0.995
0.945
0.945
0.975
0.934
0.975
0.934
0.945
0.995
0.945
0.975
0.934
0.865
0.945
0.925
0.865
0.912
0.995
0.865
0.854
Evidenciado que existiu uma boa correlao cruzada para o banco de dados de cada
simulao,
A partir dos resultados obtidos utilizando os modelos propostos comprova-se que as tcnicas
aplicadas foram satisfatrias. Portanto, as tcnicas de modelagem matemtica abordadas
neste trabalho foram vlidas, sendo que o modelo proposto mostrou-se eficiente para
representar o sistema fsico.
VII. REFERENCIAS
[1]
[2] AGUIRRE,L. A., Introduo Identificao de Sistemas, 2 Edio, Belo Horizonte: Editora
UFMG,2004.
[3] GARCIA, C. Modelagem e simulao de processos industriais e de sistemas eletromecnicos.
EDUSP. So Paulo, 1997.
[4] LJUNG, L.,System Identification - Theory For the User. 2nd ed, PTR Prentice Hall, Upper Saddle
River, N.J., 1999.
[5] SIMOES,A. S. Regresso e predio de trajetrias: um comparativo das tcnicas clssicas e sua
aplicao para a viso computacional no domnio do futebol de robs. Departamento de Engenharia
de Computao e Sistemas Digitais.USP. So Paulo, 1998.
[6] CONCER, G. M., Corradi, F. Controle de um Processo com Compensao de Atraso Utilizando o
Nvel Fieldbus H1, Universidade Federal de Santa Catarina, Documento Interno, 2004.
[7] OGATA, K. , Engenharia de Controle Moderno, 4 Edio, So Paulo: Prentice Hall, 2003.
[8] BERG, R T., Estimation and Prediction for Manueuveing Target Trajectories. In: IEEE Trans.
Automat. Contr., vol AC-28, pp 294-304, Mar. 1983.
[9] PONS, J. C. Identificao e controle de sistemas dinmicos com redes neurais. Dissertao de
mestrado. EPUSP. So Paulo, 1998.
[10] Hung, E. S., Generating Efficient dynamical models for microelectromechanical systems from few
finiteelement simulations run, IEEE Journal of Microelectromechanical Systems, vol. 8, pp. 280-289,
(1999).
[11]
[14] Georgakopoulos, D.; Hornick, M. An Overview of Workflow Management: From Process Modeling
to Workflow Automation Infrastructure. Boston, Distributed and Parallel Databases, v.3, 119-153,
1995
[15]
Schleicher, A.; Westfechtel, B.; Jger, D. Modeling Dynamic Software Process in UML.