Escolar Documentos
Profissional Documentos
Cultura Documentos
NA GRADUAO
NTM - 145
1.
INTRODUO
A educao em engenharia prtica deve ser realizada com equipamentos tcnicos e computadores. Somente
experimentos por simulao no so suficientes. Os exerccios prticos devem estar organizados e sincronizados com as
aulas e exerccios tericos. Entre os objetivos dos trabalhos prticos tem-se: i) adquirir experincias por repetio e
implementao utilizando-se experimentos e instalaes atrativas; ii) balancear o treinamento terico e prtico; iii)
envolver os estudantes em atividades de grupo no desenvolvimento de atividades prticas; iv) aplicar o conhecimento
adquirido nas aulas tericas em laboratrio [1].
Neste artigo, discute-se trs projetos de controle adaptativos e aplicados em um processo prtico no-linear.
Este conjunto de experimentos vem sendo aplicado no Curso de Controle Adaptativo do Departamento de Automao e
Sistemas da UFSC para assistir estudantes de graduao e ps-graduao. As metodologias de projeto so: alocao de
plos, (PA), varincia mnima generalizada (GMV) e preditivo generalizado (GPC). O processo fan-and-plate
utilizado. As principais razes que justificam o aprendizado das idias de controladores adaptativos so: i) um
controlador PID (proporcional+integral+derivativo) tem comportamento inadequado no rastreamento de referncias e
rejeio a perturbaes quando a planta controlada apresenta complexidades (nem todos os processos industriais podem
ser controlados com malhas PID); ii) eficientes plataformas computacionais e vrios ambientes computacionais tm
possibilitado a aplicao de tcnicas de controle avanadas; iii) a maioria dos cursos de controle adaptativo
estabelecido por simulao; iv) os aspectos de projeto de controle adaptativo no ensino e quando aplicados em processo
prticos so importantes para melhorar o aprendizado/conhecimento dos alunos e motivao do uso de metodologias
adaptativas como tecnologias emergentes para aplicao na indstria [2, 3].
Este artigo est organizado como segue. A descrio do processo fan-and-plate e a deteco da caracterstica
no-linear so apresentadas na seo 2. Aspectos da identificao da planta fan-dan-plate tais como determinao da
ordem e estimao dos parmetros so descritas na seo 3. Na seo 4 desenvolve-se o projeto dos quatro
controladores adaptativo. Nas sees 5 e 6 so apresentados os resultados experimentais e as concluses,
respectivamente.
2.
PROCESSO EXPERIMENTAL
Primeiro experimento: Teste para identificar o comportamento no-linear em malha aberta
2.1.
Descrio do processo
Uma interessante e bem conhecida planta de laboratrio presente em diversas universidades para atividades de
ensino e pesquisa o fan-and-plate (Fig. 1). O problema do controle regular o ngulo de deflexo da placa (varivel
controlada) atuando sobre a voltagem de entrada do motor DC (varivel manipulada).
O procedimento de Thomson, et al. [4] adotado para indicar se a relao entre a entrada e a sada linear ou
no-linear. Assim, a partir de um ponto de operao nominal [uo(t), yo(t)], aplica-se uma mudana degrau no sinal de
entrada (uo(t)+u1) no processo e arquiva-se o sinal de sada y1(t). Retorna-se a planta ao ponto de operao nominal e
aplica-se uma segunda mudana degrau (uo(t)+u2) no processo, onde a nova mudana degrau u2 vezes maior que
u1, e arquiva-se o sinal de sada y2(t), isto ,
u2 = [u1]
(1)
NTM - 146
y 2 (t ) y 0
y1 (t ) y 0
(2)
Se a constante e igual a , ento o sistema linear. Utilizando-se os parmetros (uo, yo)=(2, 0.87), (uo+u1,
y1)=(3, 1.66) e (uo+u2, y2)=(4, 4.50), como o resultado de mudanas ao degrau na entrada e arquivando-se as
respostas, os valores de e so: = 2, = 4.59. Portanto, observa-se um comportamento no-linear para o processo
fan-and-plate.
3.
IDENTIFICAO DO PROCESSO
A razo do determinante, conforme proposto por Unbehauen [5], utilizado para a seleo da ordem e
calculado por
DR(n) =
1
N
(3)
N +n
h( n) h T ( n)
(4)
t = n +1
det H (h, n)
det H (h, n + 1)
(5)
Como a matriz informao, H(h,n), funo da ordem do modelo (n), ento, se a ordem do modelo
selecionado maior que o real, a matriz informao torna-se singular. Portanto, quando a razo entre os determinantes
mostra um aumento significativo, a ordem identificada representa, aproximadamente, a ordem real do processo. Pela
inspeo da Fig. 2 justifica-se um modelo de segunda ordem para o processo fan-and-plate.
q 1 (b0 + b1 q 1 )
(6)
1 + a1 q 1 + a 2 q 2
O mtodo de estimao dos mnimos quadrados recursivo (MQR) um dos mais populares e comumente utilizado
em esquemas de identificao de parmetros. O MQR utiliza na estimao o vetores de parmetros e medidas, e ,
respectivamente, onde
T = [a1,...,a2,b0,b1]
(7)
NTM - 147
T(t) = [-y(t-1),-y(t-2),u(t-1),...,u(t-2)]
(8)
(9)
y (t) = T(t) (t
(10)
e sendo (t) o rudo que estatisticamente independente dos sinais de entrada e sada. O estimador MQR minimiza a
funo custo representada por
J RLS ( N ) =
1
N
N t [ y (t ) y (t )]2
(11)
t =1
(12)
(13)
(14)
De modo a evitar variaes excessivas na magnitude do sinal de controle nos experimentos prticos, um
modelo matemtico foi estimado via mnimos quadrados recursivo, Eq. (15). Assim, o modelo utilizado na
implementao do controle (fases inicial, transitria e regime) representado por
G p (q 1 ) =
4.
0.1388q 1 + 1.1597q 2
(15)
1 + 0.2663q 1 + 0.2085q 2
PROJETO DE CONTROLE
O objetivo da tcnica de controle por alocao de plos ajustar a dinmica em malha fechada do sistema de
controle realimentado em um comportamento previamente especificado pelo operador. A estrutura geral (RST) de uma
lei de controle realimentada discreta dada por
R(z-1)u(t) + S(z-1)y(t)+T(z-1)yr(t) = 0
(16)
(1 + s1 z 1 +...+ s ns z ns )
(r0 + r1 z 1 +...+ rnr z nr
( y r (t ) y(t ))
(17)
onde yr(t) a referncia, y(t) a sada, u(t) a entrada e u(t)=u(t)-u(t-1). Os polinmios R(z-1) e S(z-1) devem ser
obtidos pelo algoritmo MQR (abordagem direta) utilizando os sinais de entrada e sada. Admite-se que, para a lei de
controle da Eq. (17), o sistema em malha fechada representado por
B ( z 1 )
y (t )
= m 1
y r (t ) Am ( z )
(18)
NTM - 148
(19)
(20)
Os parmetros do controlador, Eq. (17), so desconhecidos e para o projeto de controle direto devem ser
estimados em tempo real. De modo a obter uma equao adequada na estimao, a Eq. (18) substituda em (17). Aps
algumas manipulaes matemticas possvel escrever
S ( z 1)[Am Bm ]Y ( z 1) = R( z 1) BmU ( z 1)
(21)
(22)
U ( z 1 ) = B m U ( z 1 )
(23)
(24)
onde a perturbao (t) representa a impreciso nas medidas ou um desbalanceamento na ordem do modelo do sistema
[6].
4.2.
Controle GMV
O controle de varincia mnima generalizada uma generalizao do controle de varincia mnima, cuja
funo custo a ser minimizada para clculo da lei de controle
J = [ 2 (t + k )]
(25)
(t + k ) = y(t + k ) + u(t ) y r (t )
(26)
(27)
tal que v(t) corresponde parcela devido a incertezas paramtricas, estruturais ou medida no sistema. A lei de controle
GMV calculada por
u (t ) =
Sy (t ) + Ty r (t )
R
(28)
AF + z k S = C
(29)
NTM - 149
4.3.
Controle GPC
As estratgias de controle preditivo tem recebido muita ateno na literatura de controle de processos e tem
tido aceitao industrial [7]. A popularidade destas tcnicas de controle deve-se ao fato de oferecem um adequado
desempenho, so simples de entender e formular e, podem acomodar restries na entrada/sada do processo. O sucesso
industrial dos controladores preditivos atestado pela variedade de controladores preditivos comerciais nas indstrias
de processamento qumico. Seborg [8] e Henson [9] reportaram uma vasta aplicabilidade mundial de controladores
preditivos em refinarias de leo e plantas petroqumicas. A seguir, apresenta-se o projeto para sintetizar o controle
preditivo baseado em Crisalle [10].
Controladores preditivos so usualmente implementados pela execuo em cada perodo de amostragem de um
problema de otimizao envolvendo a seleo de controles futuros que minimizam o funcional quadrtico
Ny
Nu
j=1
j=0
(30)
onde {yr(t+j)} a seqncia de valores futuros para a referncia, {y(t+j/t)} a seqncia de valores futuros da previso
da sada, {u(t+j)} a seqncia incremental de controles futuros, uma ponderao que penaliza a energia de
controle, e os parmetros Ny e Nu so os horizontes de sada e controle, respectivamente. O algoritmo que encontra a lei
de controle tima minimiza a Eq. (30) pela diferenciao do funcional, equacionando a derivada a zero e, ento,
resolvendo para o valor timo de entrada u(t).
De acordo com a estrutura de controle RST, o projeto do controle preditivo final conduz as seguintes equaes
Ny
R( z 1 ) = z n 1+ z 1 k j j ( z 1 )(1 z 1 )
j =1
Ny
S ( z 1 ) = z n k j F j ( z 1 )
j =1
Ny
T ( z 1 ) = k j z j
j =1
onde os operadores de projeto Fj(z-1) e j(z-1), e os coeficientes kj, j=1, 2,...,Ny so determinados a partir do modelo
nominal da planta, conforme o seguinte procedimento. Primeiro, considerar o modelo nominal da planta da forma
(31)
Para obter os operadores de projeto Fj(z-1), que so polinmios de projeto de grau n (a ordem da planta),
resolver o seguinte conjunto de equaes
E j ( z 1 )A( z 1 ) + z j F j ( z 1 ) =1
(32)
para j=1,2,...,Ny os quais conduzem aos polinmios intermedirios Ej(z-1) de grau (j-1). O segundo conjunto de
operadores de projeto, os polinmios j(z-1) de grau (nb-1), so obtidos pela decomposio do produto Ej(z-1)Bj(z-1) na
forma
E j ( z 1 ) B( z 1 ) = G ( z 1 ) + z j j ( z 1 )
onde os polinmios Gj(z-1), de grau (j - 1), so conhecidos como os polinmios dinmicos e so caracterizados de fato
como os elementos da resposta ao degrau da planta, equao (31). Note que os polinmios j(z-1) so identicamente
zero se nb = 0. Adicionalmente, os coeficientes do polinmio dinmico so utilizados para definir os elementos nozero da matriz de Toeplitz, GNu, conhecidos como a matriz dinmica truncada, que contm somente Nu colunas.
Finalmente, os coeficientes kj, j =1, 2,..., Ny so obtidos como as componentes de vetor ganho KT = [k1 k2 ... kNy],
calculados da equao
T
K T = [1 0 ... 0] GNu
GNu + I
NTM - 150
T
GNu
onde
(Yr)T = [yr(t+1) yr(t+2) ... yr(t+Ny)]
(YOL)T = [yOL(t+1) ... yOL(t+Ny)]
O vetor YOL efetivamente descreve como o sistema responderia no modo de controle em malha aberta. Quando
novas medidas tornam-se disponveis, um novo problema de otimizao formulado cuja soluo proporciona a nova
ao de controle.
5.
RESULTADOS EXPERIMENTAIS
NTM - 151
No segundo experimento uma referncia fixa de 3.5 volts utilizada e perturbaes de carga so aplicadas no
processo de modo a verificar a capacidade dos algoritmos de controle para rejeio de perturbaes. A magnitude da
perturbao +0.5 volts, adicionada a partir da amostra 100. Outra perturbao constante, de magnitude -0.5 volts,
aplicada a partir da amostra 200, e mantida at o final do experimento. As Figs. 6-8 ilustram o desempenho dos
diferentes controladores e processo.
6.
CONCLUSO
Pela necessidade de aplicar os fundamentos tericos de controle adaptativo nos currculos de engenharia, foi
mostrado uma seqncia de metodologias de projeto de controle e atividades experimentais para os estudantes
NTM - 152
interessados na teoria e aplicao dos controladores adaptativos. Adicionalmente, este artigo apresentou um conjunto de
experimentos projetados para o ensino de controle adaptativo a partir do ponto de vista prtico.
A seleo desta emergente tecnologia de controle e algumas vezes pelas opinies contraditrias sobre os
algoritmos de controle adaptativos baseia-se na hiptese de que podem oferecer um melhor desempenho para processos
complexos e por tornarem-se uma realidade na indstria de controle de processos. O curso proposto vem sendo aplicado
com sucesso na UFSC, permitindo aos estudantes aprenderem os fundamentos de malhas de controle adaptativas e, ao
mesmo tempo, se familiarizarem com o efeito da sintonizao de cada algoritmo de controle adaptativo na dinmica de
malha fechada.
O Laboratrio de Controle de Processos do Departamento de Automao e Sistemas da UFSC vem
desenvolvendo e atualizando plantas didticas de baixo custo para suportar os estudantes com atividades prticas nas
diversas disciplinas do Curso de Engenharia de Controle e Automao Industrial (http:\\lcp.das.ufsc.br)
7.
REFERNCIAS
[1]
D.S. Bernstein, Control Experiments and What I Learned From Them: A Personal Journey. IEEE Control
Systems, 18, 1998, pp. 81-87.
N.A. Kheir, K.J. strm, D. Auslander, K.C. Cheok, G.F. Franklin, M. Masten and M. Rabins, Control System
Engineering Education. Automatica, 32, 1996, pp. 147-166.
V.J. VanDoren, Model-Predictive Controller Solves Complex Problems. Control Engineering International,
March, 1998, pp. 112.
M. Thomson, S.P. Schooling and M. Soufian, The Practical Application of a Nonlinear Identification
Methodology. Control Engineering Practice, 4, 1996, pp. 295-306.
H. Unbehauen and B. Ghring, Tests for Determining Model Order in Parameter Estimation. Automatica, 10,
1974, pp. 233-244.
N.M. Filatov, U. Keuchel and H. Unbehauen, Dual Control for an Unstable Mechanical Plant. IEEE Control
Systems, 16, 1996, pp. 31-37.
D.W. Clarke, C. Mohtadi and P.S. Tuffs, Generalized Predictive Control - Part I The Basic Algorithm - Part II
Extensions and Interpretations. Automatica, 23, 1987, pp. 137-160.
D. E. Seborg, A Perspective on Advanced Strategies for Process Control, Modeling, Identification and
Control, vol. 15, 1994, pp. 179-189.
M. A. Henson, Nonlinear Model Predictiv Control: Current Status and Future Directions, Computers and
Chemical Engineering, vol. 23, 1998, pp. 187-202.
O. D. Crisalle, D. E. Seborg and D. A. Mellichamp, Theoretical Analysis of Long-Range Predictive
Controllers, American Control Conference, Pittsburg, PA (1989).
K. Furuta, VSS Type Self-Tuning Control. IEEE Trans. on Ind. Electronics, 40, 1993, pp. 37-44.
W. Wang and R. Henriksen, (1992). Direct Adaptive Generalized Predictive Control. Proc. of American
Control Conference, Chicago, USA, 2402-2406.
D.W. Clarke and P. Gathwrop, Self-Tuning Controller. Proc. of the IEE, 122, 1975, pp. 929-934.
[2]
[3]
[4]
[5]
[6]
[7]
[8]
[9]
[10]
[11]
[12]
[13]
NTM - 153