Você está na página 1de 4

SIMULAO DE UM SISTEMA DE LEVITAO MAGNTICA

UTILIZANDO REDES NARX


Francisco Jadilson dos Santos, Sandro Bruno do Nascimento Lopes, Tiago Alves de
Almeida
Universidade Federal do Rio Grande do Norte. Campus Universitrio, Lagoa Nova.
Natal, Rio Grande do Norte, Brasil.
Abstract: This work shows an implementation of a network in MATLAB for estimation
of a magnetic levitation system via a voltage signal inserted into the system. The network
used is a recurrent network, autoregressive nonlinear model with exogenous signal
(NARX). The data used in this study were obtained from Magnetic Levitation Plant
Model included in Matlab software.
Keywords: Magnetic Levitation, NARX Networks, MATLAB.
Resumo: Este trabalho mostra uma implementao em MATLAB de uma rede para
estimao de um sistema de levitao magntica, atravs de um sinal de tenso inserido
no sistema. A rede utilizada uma rede recorrente do modelo no-linear, auto regressivo
com entradas exgenas (NARX). Os dados utilizados neste trabalho foram obtidos do
modelo de uma Planta de Levitao Magntica includo no software Matlab.
Palavras Chaves: Levitao Magntica, Redes NARX, MATLAB.

INTRODUO

Levitao magntica o nome dado ao processo de


deslocamento e estabilizao no ar de objetos
ferromagnticos exposio de campos magnticos
adequados. Este tipo de processo caracterizado por ser
fortemente no-linear e instvel sob controle em malha
aberta, sendo fonte de pesquisas a anos, tendo por
objetivos encontrar formas eficientes de represent-lo e
control-lo.
O principal interesse em sistemas de levitao
magntica a construo de sistemas de transporte,
basicamente ferrovirios, que utilizem levitao
magntica como forma de conduo do veculo. A
principal vantagem neste tipo de sistema a quase nula
presena de atrito entre o transporte e trilho, permitindo
altas velocidades no percurso, alm da economia de
energia a ser consumida (que utilizada basicamente
para manter o campo magntico adequadamente ativo).
No entanto, a tcnica no se limita apenas a este tipo de
aplicao. De acordo com [1] e [2], este tipo de sistema
pode ser aplicado a modelos de rolamento sem atrito,
levitao de objetos em tnel de vento, manipulao de
metal fundido em fornos de induo, controle de

plasma, cuja temperatura extremamente alta, em


reatores de fuso e isolamento de vibraes durante o
trabalho de mquinas sensveis.
Neste trabalho foi utilizado um modelo de simulao
baseado em redes neurais recorrentes para a modelagem
de um sistema de levitao magntica constitudo,
basicamente, de uma bobina eltrica e uma bola de ao,
cuja distncia da bola em relao a referncia
estabelecida determinada a partir da corrente inserida
na bobina. De acordo com [1], existem ainda outros
modelos para o sistema de levitao magntica
constitudos por mais de uma bobina.
Nas sees que seguem, so apresentadas a modelagem
do sistema de levitao magntica adotado (seo 2), a
modelagem da rede neural utilizada, do tipo no-linear,
auto regressivo com entradas exgenas NARX (seo
3), o processo de construo e treinamento da rede
(seo 4), os resultados obtidos (seo 5), bem como as
discusses e concluses do trabalho (seo 6).

MODELAGEM DO SISTEMA DE
LEVITAO MAGNTICA

O sistema de levitao magntica modelado


apresentado na figura 1 e retirado de [2]:

Figura 1: Modelo do sistema de levitao magntica


utilizado no trabalho.
Nele existe uma bobina eltrica, que alimentada por
uma fonte de corrente controlada por tenso, gerando
um campo magntico. Uma bola, de material
ferromagntico, imersa neste campo, sendo atrada
para cima de acordo com o nvel de corrente atuante na
bobina. Um conjunto de sensores pticos responsvel
por informar a posio da bola, sob forma de tenso e
dado um referencial espacial prvio, a um controlador,
que estabelece o nvel de tenso adequado, a partir da
presena de uma referncia de controle, a ser aplicada
na fonte de corrente.
De acordo com [1], este processo pode ser dividido em
duas partes: a primeira, que estabelece a corrente 'i(t)'
na bobina atravs da tenso 'u(t)' aplicada ao regulador
de corrente, e a parte eletromecnica, que relaciona a
posio 'x(t)' da bola dada a corrente 'i(t)' obtida
anteriormente.

2.1

Figura 2: Modelo do processo mecnico do sistema de


levitao magntica.

Neste modelo, atuam a fora eletromagntica, FEM,


gerada pela bobina para cima e fora peso, P, da bola
para baixo. A fora resultante F dada como:

F = P F EM

A fora eletromagntica pode ser representada por (a


deduo matemtica mostrada em [2]):

F EM = C

Etapa eltrica

Aproximando a bobina por um circuito RL em srie,


possvel afirmar que:

u (t)= V R (t)+V L (t)

(1)

(3)

( )
i (t)
x(t)

(4)

Conhecendo as descries matemticas da fora


resultante e da fora peso, a equao (3) pode ser
reescrita como:
2

Onde VR(t) a tenso sob a resistncia interna da


bobina e VL(t) a tenso no indutor da bobina.
Substituindo os termos por suas equaes respectivas,
tem-se que:

u (t ) = Ri(t ) + L

d [i (t )]
dt

(2)

Onde R e a resistncia interna da bobina e L a


indutncia da bobina.

2.2

Etapa mecnica

A etapa mecnica do processo exemplificada na


figura 2, e tambm retirado de [2]:

d 2 [ x (t)]
i(t)
m
=C
mg
2
x(t)
dt

( )

(5)

Onde m a massa da bola, g a acelerao da


gravidade e C a constante eletromagntica para o par
bobina-bola. Em regime permanente, o valor da posio
e o da corrente podem ser relacionados atravs da
seguinte frmula:

i SS = x SS

mg
C

(6)

Onde iSS e xSS so os valores de corrente e posio em


regime permanente, respectivamente. Em teoria, esta
equao bastaria para simular o sistema. No entanto,
questes como rudos e imprecises nas medidas de
posio e variao dos parmetros envolvidos inserem
no-linearidades considerveis ao sistema, tornando o
modelo pouco representativo na prtica. O uso de redes

neurais, neste caso, objetiva determinar uma alternativa


ao modelo apresentado.

esquemas de treinamento e validao da rede NARX,


retirada de [4].

REDES NARX

As redes neurais recorrentes ou realimentadas so uma


classe de redes neurais que apresentam conexes entre
camadas no sentido contrrio ao sentido do fluxo de
dados. Com isso, elas apresentam um comportamento
dinmico que as tornam teis para modelar sistemas
com essas caractersticas. Um dos subgrupos mais
conhecidos das redes recorrentes so as redes nolineares, auto regressivas com entradas exgenas, ou
conhecidas por sua abreviao em ingls NARX, cuja
disposio mostrada na figura 3, retirada de [3]:

Figura 4: Arquiteturas da rede NARX: treinamento e


validao.

As redes NARX so aplicadas a problemas de predio,


controle e estimao de sinais e aproximao de
sistemas dinmicos

TREINAMENTO DA REDE NARX

Em [1], os dados de uma planta real foram usados no


processo de treinamento. Entretanto, para esse artigo,
os dados utilizados foram obtidos no prprio Matlab,
conforme ilustrado na figura 5.
8

Posio (mm)

6
4
2
0
-2

500

1000

1500

2000

2500

3000

3500

4000

4500

2500

3000

3500

4000

4500

amostras
4

Excitao (V)

3
2
1
0
-1

Figura 3: Disposio de uma rede NARX.

500

1000

1500

2000
amostras

As redes NARX recebem um sinal de entrada e um


sinal de sada, e apresentam um conjunto de camadas
internas semelhante disposio vista para as redes
Perceptron de Mltiplas Camadas (conhecidas por sua
abreviao em ingls MLP). No entanto, a primeira
camada interna aps o sinal de entrada apresenta
neurnios com mais de duas entradas (o sinal de
entrada propriamente dito e o limiar). Isto porque o seu
carter dinmico incorporado aos neurnios da
camada em questo, atravs das amostras passadas da
sada e da entrada. Diz-se, ento, que a sada atual da
rede NARX depende do sinal de entrada atual, dos nx
sinais de entrada anteriores, e tambm dos ny sinais de
sada anteriores. Matematicamente, sua representao
dada por:

y (t ) = x(t ), x(t - 1),..., x(t - nx )

y (t - 1),..., y (t - n y )

(7)

Devido aos problemas de instabilidade inerentes aos


sistemas dinmicos, as redes NARX so treinadas sem
o estabelecimento da realimentao (treinamento em
malha aberta), ou seja, os sinais de entrada e sadas
desejadas so aplicados rede, de forma semelhante s
redes MLP. Posteriormente, na etapa de validao, a
realimentao inserida e o sistema passa a se
comportar de forma dinmica. A figura 4 ilustra os

Figura 5: Arquiteturas da rede NARX: treinamento e


validao.

Um rudo branco de varincia 2 = 0.01 foi adicionado


aos dados de sada para simular o sinal do sensor de
posio.
Trs algoritmos foram utilizados para o treinamento da
rede: gradiente conjugado escalonado, gradiente
descendente e Levenberg-Marquardt.
As redes NARX utilizadas nesse artigo foram
implementadas com dois atrasos no sinal de entrada e
dois atrasos na sada e uma camada escondida com 7
neurnios. As funes de ativao dos neurnios da
camada escondida foram do tipo tangente hiperblica.
O nico neurnio na camada de sada possui uma
funo de ativao do tipo linear.
Foram utilizadas 4000 amostras. Dessas, 3000 (75%)
foram atribudas para o treinamento e 1000 (25%) para
a validao.
Foram realizados diversos testes com quantidades
diferentes de neurnios na camada escondida, sendo
que os melhores resultados foram obtidos utilizando
sete neurnios.

RESULTADOS OBTIDOS

Os melhores resultados foram obtidos usando o


algoritmo de treinamento do gradiente conjugado

Tre inamento

Erro (GC)

-0.5

500

1000

1500
amostras

2000

2500

-2

500

1000

1500
amostras

2000

2500

-0.5

400
600
amostras

800

1000

200

400
600
amostras

800

1000

200

400
600
amostras

800

1000

2
Erro (LM)

Erro (LM)

200

-5
-10

3000

0.5

5
Erro (GD)

Erro (GD)

Dados reais
Estimativas - treinamento (GC)
Estimativas - validao (GC)

0
-2
-4

3000

Posio (mm)

Validao

0.5
Erro (GC)

escalonado. Foram realizadas 1000 pocas para o


treinamento da rede e os resultados encontram-se
ilustrados na figura 6.

500

1000

1500
amostras

2000

2500

3000

0
-2
-4

Figura 9: Erros de treinamento e validao.

-1

500

1000

1500

2000

2500

3000

3500

4000

4500

DISCUSSES E CONCLUSES

amostras

Figura 6: Comparao entre os dados de posio real e as


estimativas da rede NARX durante treinamento e validao
mtodo do gradiente conjugado escalonado (GC).

Na figura 7 podemos visualizar a curva de regresso


obtidas para os dados.
Training: R=0.99651
Data
Fit
Y=T

Dessa maneira, no h a necessidade de um sistema de


levitao real e a rede neural pode ser til para
propsitos de simulao.

Output ~= 0.99*Target + 0.023

Baseado nos resultados apresentados na seo anterior,


podemos concluir que a rede neural NARX (com um
mtodo de treinamento adequado e uma quantidade
tima de neurnios na camada intermediria) capaz de
simular o comportamento dinmico da planta de
levitao magntica com boa aproximao.

O processo de treinamento da rede neural de grande


importncia e dentre os algoritmos utilizados neste
artigo o que apresentou melhores resultados foi o
gradiente conjugado escalonado, seguido do
Levenberg-Marquardt, que o mais lento de todos os
mtodos apresentados. O algoritmo do gradiente
descendente embora seja o mais rpido durante o
processo de treinamento, no apresentou resultados
satisfatrios em comparao com os demais.

0
0

Target

Figura 7: Curva de regresso.

Conforme podemos perceber, a rede neural NARX foi


capaz de simular o comportamento dinmico da planta
de levitao magntica.
Na figura 8 esto ilustradas as curvas de estimao para
cada um dos algoritmos de treinamento citados
anteriormente.
Dados reais
Posio (mm)

10

Estimativas - treinamento (GC)


Estimativas - validao (GC)

5
0
-5

500

1000

Posio (mm)

1500

2000

2500

3000

3500

4000

4500

3000

3500

4000

4500

Dados reais
Estimativas - treinamento (GD)

10

Estimativas - validao (GD)

5
0
-5

500

1000

1500

2000

2500

Dados reais
Posio (mm)

10

Estimativas - treinamento (LM)


Estimativas - validao (LM)

5
0
-5

500

1000

1500

2000

2500

3000

3500

4000

4500

amostras

Figura 8: Curvas de estimao para os algoritmos de


treinamento utilizados (GC gradiente conjugado; GD
gradiente descendente; LM Levenberg-Marquardt).

Na figura 9 podemos visualizar os erros de treinamento


e validao obtidos para cada um dos algoritmos de
treinamento adotados nesse artigo.

REFERNCIAS

As referncias so citadas no texto pelo sobrenome do


primeiro autor e ano da publicao, como agora (Silva,
1999). Use o estilo refbib mais as recomendaes dos
exemplos genricos a seguir:
[1] Anti, Dragan et al. (2013). Simulation Model of
Magnetic Levitation Based on NARX Neural
Networks. In: International Journal of
Intelligent Systems and Applications. Disponvel
em <http://www.mecs-press.org/>, abril de
2013.
[2] Ahmad, Ishtiaq; Javaid, Mauhammad Akram.
Nonlinear Model & Controller Design for
Magnetic Levitation System. In: Recent
Advances in Signal Processing, Robotics and
Automation.
[3] Haykin, Simon. (1999). Neural Networks: A
Compreensive Foundation, pginas 768 e 769.
Pearson - Prentice Hall, ndia.
[4] Beale. Mark Hudson et al (2014). Neural Network
Toolbox: Users Guide.