METODOLOGIA DE CONTROLE NO LINEAR QUADRTICO CONTNUO

MULTIOBJETIVO NO ESPAO DE ESTADOS

G INALBER L. O. S ERRA , R AFAEL J. M. S ANTOS
Instituto Federal de Educao, Cincia e Tecnologia
Departamento de Eletroeletrnica
Av. Getlio Vargas, 04 - Campus Monte Castelo 65030-005 - So Lus (MA)- Brazil
ginalber@ifma.edu.br,rafael82ms@yahoo.com.br
RESUMO. Neste artigo proposta uma metodologia de controle fuzzy Takagi-Sugeno multiobjetivo a qual combina as
tcnicas convencionais de alocao de plos no espao de estados e do regulador linear quadrtico (LQR). A metodologia apresentada para controle servo, onde feito um estudo de caso de modelagem e controle de um sistema trmico
e a sua implementao em uma plataforma de controle virtual/eletrnica baseada no software LabVIEW e na controladora CompactRIO 9073. Tal plataforma permite a proximidade entre a metodologia de controle fuzzy multiobjetivo
proposta e a sua aplicao no contexto industrial.
PALAVRAS-CHAVE: Controle Multiobjetivo, Alocao de Plos, Espao de Estados, Regulador Linear Quadrtico,
Tecnologia em Sistemas.
ABSTRACT. In this paper a multiobjective Takagi-Sugeno fuzzy control methodology which combines the conventional techniques state space pole placement and linear quadratic regulator (LQR), is proposed. The methodology is
presented for servo control system, for which it is made a case study of modeling and control of a thermal system
and its implementation in a virtual/electronic control platform based on LabVIEW software and CompactRIO 9073
Controller. This platform allows the proximity between the multiobjective fuzzy control methodology proposal and its
application in the industrial context.
KEYWORDS: Multiobjective Control, Pole Placement, State Space, Linear Quadratic Regulator, Technology Systems.

INTRODUO

No contexto da engenharia de controle, estabelecer um sistema de controle para determinado processo (ou planta) significa estabelecer uma interconexo de componentes formando uma configurao cuja funo principal a realizao de
uma ou mais aes que so observadas ao longo
do tempo e cuja modificao decorre da aplicao de sinais de entrada, ou seja, garantir que
a planta produza uma resposta desejada - influenciar o comportamento de sistemas dinmicos
(AGUIRRE, 2007a, p. 394)(DORF; BISHOP, 2009;
IOANNOU; PITSILLIDES, 2010).
evidente a existncia do desafio de modelar e controlar processos modernos, multivariveis, no lineares, complexos, com atraso puro de
Submetido em 10/06/2014, Revisado em 23/08/2014. Artigo aceito sob recomendao do Editor Associado prof. Dr.
Carlos Cesar T. Ferreira.

tempo, inter-relacionados entre outras caractersticas

que se mostram um obstculo ao projeto de controle. Sistemas reais so, em sua maioria, multivariveis e no lineares (BUTT; SHAFIQ; KHAN,
2005; IOANNOU; PITSILLIDES, 2010) - para estes muito difcil a obteno de modelos precisos
o que inviabiliza o projeto do controlador baseado
neste modelo (AGUIRRE, 2007a). Paralelamente a
este aumento crescente da complexidade desses sistemas/plantas, cresce o interesse no desenvolvimento
de metodologias e tcnicas que garantam a implementao de sistemas de controle de desempenho
timo nos quais sejam assegurados os requisitos de
estabilidade nas malhas de controle bem como do
rastreamento da referncia estabelecida. Nesse mbito, a teoria de Inteligncia Computacional (IC), entendida como o estudo de mecanismos adaptativos
para permitir ou facilitar um comportamento inteligente em ambientes complexos e em mudana, tm

Revista INNOVER, volume 1, nmero 3, Setembroo 2014

Metodologia de Controle No Linear Quadrtico Contnuo Multiobjetivo no Espao de Estados

se mostrado eficaz na soluo de problemas de modelagem e controle. Entre as tcnicas de IC esto as redes neurais artificiais, computao evolutiva, os sistemas imunolgicos artificiais, algoritmos
genticos e sistemas fuzzy (ENGELBRECHT, 2007;
ABRAHAM et al., 2009; PEDRYCZ, 1997). Essas
tcnicas podem, por sua vez, ser combinadas entre si1
(hibridizao) - como nos sistemas neuro-fuzzy, bem
como pode ser feita a sua fuso com tcnicas de controle convencionais (ENGELBRECHT, 2007). Esta
fuso visa superar as deficincias das tcnicas de controle em face s complexidades j citadas e impreciso de informao. A lgica fuzzy, quando analisada
em conjunto com outras tcnicas de IC, tambm englobada na chamada computao flexvel - um termo
cunhado por Lotfi Zadeh, que consiste de um agrupamento diferente de paradigmas, que geralmente se
refere ao conjunto coletivo de paradigmas da IC e mtodos probabilsticos (ENGELBRECHT, 2007).
Assim, este artigo prope uma metodologia para
controle de sistemas dinmicos no lineares no domnio do tempo contnuo, a qual combina, em um contexto fuzzy, duas metodologias convencionais de controle: a alocao de plos e o regulador linear quadrtico (LQR), ambas no contexto de espao de estados. Tal combinao tem o objetivo de unir aspectos
como a clareza de projeto da tcnica de alocao de
plos, na qual o projetista pode inferir caractersticas
de resposta temporal da sada, bem como os critrios
de otimalidade do LQR, resultando em uma metodologia de projeto de controle multiobjetiva aplicvel a
sistemas no lineares.
2 SISTEMAS DE INFERNCIA
TAKAGI-SUGENO

FUZZY

O modelo fuzzy Takagi-Sugeno (T-S) foi proposto por

Takagi e Sugeno (1985), no artigo intitulado Fuzzy
Identification of Systems and Its Applications to Modeling and Control. Trata-se de um modelo adequado para aproximao de uma larga classe de sistemas no lineares. No modelo fuzzy T-S, o antecedente
da regra tambm uma proposio fuzzy. O conse-

quente, entretanto, uma funo matemtica (crisp,

no fuzzy) das variveis do antecedente (BABUKA,
1998; BARROS; BASSANEZI, 2006). A estrutura
da i|[i=1,2,...,l] -sima regra fuzzy SE-ENTO no modelo T-S dada por (TAKAGI; SUGENO, 1985;
LENDEK et al., 2010):

i
i
Ri : Se f (
x1 Fj|
p Fj|
x1 , , x
xp )
Ento y = Gi (
x)

onde o vetor x
Rp tem p componentes (
x1 a xp ) e
representa o vetor de variveis lingusticas do antecedente. Cada uma dessas variveis possui seu prprio
universo de discurso Xx1 , , Xxp o qual particionado em regies fuzzy pelos conjuntos fuzzy descritos
i
i
pelas variveis lingusticas Fj|
x1 , , Fj|
xp . O termo
y = Gi (
x) o funcional das variveis do antecedente
da regra. A relao de cada varivel lingustica do
i
antecedente com determinado conjunto fuzzy Fj|
xm
dada pela funo de pertinncia im : R [0, 1].
Considerando, por exemplo, a utilizao do operador de conjuno E para a composio da proposio
fuzzy do antecedente, o grau de ativao para a regra
Ri , indicado por hi , dado por:
hi (
x) = iFj|x iFj|x ... iFj|x
1

(2)

onde um operador de conjuno norma-t

(KLIR; YUAN, 1995). Considerando que existem
vrias classes de operadores norma-t disponveis, o
modelo fuzzy T-S utiliza o produto algbrico para obteno do grau de ativao da regra Ri :
hi (
x) =

p
Y

im (
xm )

(3)

m=1

e o grau de ativao normalizado para a i-sima regra

dado por

comum, por exemplo, utilizar algoritmos genticos para

melhorar o resultado do uso de outras tcnicas de IC.

(1)

Revista INNOVER, volume 1, nmero 3, Setembro 2014

i (
x) =

hi (
x)
l
X
hr (
x)
r=1

(4)

G INALBER L. O. S ERRA , R AFAEL J. M. S ANTOS

supondo

l
X

hr (
x) 6= 0, onde l o nmero de regras.

r=1

Assim, esta normalizao implica em

l
X

i (
x) = 1

Considerando ser mais comum a obteno de submodelos sem integrador, nesta monografia o problema de controle linear quadrtico fuzzy no espao
de estados apresenta a seguinte configurao:

(5)

x(t)
y(t)
u(t)

(t)

i=1

A sada do modelo fuzzy T-S uma soma ponderadas

dos funcionais do consequente, Gi , dada por
y=

l
X

i (
x)Gi (
x)

Ai x(t) + Bi u(t)
(7)
Ci x(t)
(8)
i
Ki x(t) + kI (t)
(9)
r(t) y(t) = r(t) Ci x(t) (10)

(6)

i=1

Observa-se que y em (6) uma combinao convexa

das funes locais (dos submodelos) Gi , o que facilita a anlise dos modelos fuzzy T-S tanto para identificao, projeto de controladores e anlise de estabilidade (SERRA, 2005). A eficcia de um modelo fuzzy
T-S depende de caractersticas como o nmero de
conjuntos fuzzy na partio, da complexidade das funes no consequente e da complexidade das funes
de pertinncia (BERGSTEN, 2001). Em comparativo
ao sistema Mamdani, o sistema de inferncia fuzzy TS apresenta maior preciso nas implementaes computacionais bem como tem mais flexibilidade para incorporar em sua estrutura formulaes matemticas
complexas (BERGSTEN, 2001; SERRA, 2012).
3

=
=
=
=

FORMULAO DO CONTROLE NO LINEAR QUADRTICO MULTIOBJETIVO

Nesta seo apresentada a proposta de controle

fuzzy Takagi-Sugeno (T-S) multiobjetivo para plantas no lineares. A Figura 1 ilustra a metodologia:
partindo-se da planta no linear, tem-se basicamente
duas abordagens para a obteno do modelo fuzzy T-S
- modelagem baseada em dados experimentais de entrada e sada ou baseada nas leis fsicas que regem
o comportamento dinmico da planta. Esta ltima
prossegue com o processo de linearizao para obteno dos submodelos lineares nos pontos de operao. Uma vez obtido o modelo fuzzy T-S, este serve
de base para o projeto do controlador fuzzy multiobjetivo, que combina as tcnicas do LQR e da alocao
de plos. O controlador projetado ento aplicado ao
controle da planta no linear.

onde
(t) - sada do integrador
r(t) - sinal de referncia
Dada a entrada de referncia r(t) aplicada em
t = 0, para t > 0, as equaes (7) a (10) podem
ser combinadas e descritas sob a forma de uma nica
equao matricial:


x(t)

(t)

Ai

Ci



x(t)

(t)

Bi
0

u(t) +
 
0
r(t)
1

(11)

Para determinado instante tf considerado, pode-se

escrever:


f)
x(t

f)
(t

Ai

Ci



x(tf )

(tf )

Bi
0

u(tf ) +
 
0
r(tf ) (12)
1

Considerando que a entrada r(t) suficientemente

lenta para t > 0, subtraindo-se a equao (12) da
(11), obtm-se:


f )x(t)

x(t

f )(t)

(t

Ai

Ci



x(tf )x(t)

(tf )(t)

Bi
0

(u(tf )u(t))

(13)

Seja

Revista INNOVER, volume 1, nmero 3, Setembro 2014

Metodologia de Controle No Linear Quadrtico Contnuo Multiobjetivo no Espao de Estados

Modelagem Fuzzy
Takagi-Sugeno no
Espao de Estados

Linearizao baseada
em Modelagem Fsica

Projeto do Regulador Fuzzy T-S

Identificao usando
dados de entrada e sada

Contexto
Fuzzy
T-S
Regulador
Linear
Quadrtico

Sistema
Linear

Modelagem Fsica
No Linear

Alocao
de Plos

Metodologia
Proposta

Sistema
Linear

Planta
No Linear

Figura 1: Diagrama em blocos representando a metodologia proposta para projeto de reguladores fuzzy multiobjetivos.

onde
x(t) x(tf ) = xe (t)
(t) (tf ) = e (t)
u(t) u(tf ) = ue (t)

(14)
(15)
(16)

Assim, a equao (13) pode ser escrita da forma:

  

 

x e (t)
B
xe (t)
Ai 0
+ i ue (t)
=

(t)
C
0
e (t)
e
i
(17)
onde
ue (t) = Ki xe (t) + kIi e (t)
Definindo-se o vetor de erro e(t):


xe (t)
e(t) =
e (t)

(18)

(19)

as equaes (17) e (18) resultam, respectivamente,

em:
i e(t) + B
i ue (t)

e(t)
= A
i e(t)
ue (t) = K
4

(20)
(21)

i =
A

Ai

Ci

i =
B

Bi
0

i =[ Ki
K

| kIi ]

(22)

Subtituindo-se a equao (21) na (20), a equao

de estado do erro pode ser obtida:


i B
iK
j e(t)

e(t)
= A
(23)
Analisando-se a equao (23), observa-se que uma
vez especificados os autovalores desejados da matriz
iB
iK
j , a matriz K
i e consequentemente Ki e k i
A
I
podem ser determinados pela tcnica de alocao de
plos. A tcnica LQR, por outro lado, tambm per i . A combinao das
mite a determinao da matriz K
duas tcnicas no contexto fuzzy, como ser mostrado,
permite a alocao tima dos plos, caracterizando
o aspecto multiojetivo da abordagem proposta. Seja,
ento, o problema de controle quadrtico timo, que
possibilita minimizar o ndice de desempenho dado
por
Z


eT Qe + ue T Rue dt
(24)
J=

Revista INNOVER, volume 1, nmero 3, Setembro 2014

G INALBER L. O. S ERRA , R AFAEL J. M. S ANTOS

inerente ao sistema descrito pelas equaes (20) e

(21). Na equao (24), Q e R so matrizes de ponderao sobre o estado do erro e(t) e a entrada ue (t),
respectivamente. A matriz Q uma matriz hermitiana definida ou semidefinida positiva ou ainda real
simtrica, e a matriz R hermitiana definida positiva ou real simtrica. Considerando que a matriz
i B
iK
j estvel (autovalores com parte real neA
gativa), possvel obter a matriz de ganho de con i , uma vez que
trole por realimentao de estado K
se solucione, para a matriz P, a equao algbrica de
Riccati:
T P + PA
i PB
i R1 B
TP + Q = 0
A
i
i

(25)

Uma vez obtida a matriz P, da soluo da equao

i calculada por:
(25), a matriz de ganho K
i = R1 B
TP
K
i

(26)

Considere o seguinte estrutura de submodelo no

espao de estados na forma cannica de controle:
x(t)

= Ai x(t) + Bi u(t)
(27)
y(t) = Ci x(t)
Considerando que ser utilizado um modelo de
segunda ordem para representar o submodelo local
e tambm segunda ordem para a aproximao de
Pad2 , estabelecemos as seguintes matrizes da equao (27):

Ai =

0
0
0
ai12
2
1 d

1
0
0

6(2ai2 +d )
ai1 d 2

Ci =

0
0

Bi =
0 ,
1
12bi1
ai1 d 2

6bi

ai 1d
1

(29)

bi1
ai1

As matrizes Q e R so definidas como

0 0 0 0
0 1 0 0 0

Q=
0 0 1 0 0
0 0 0 1 0
0 0 0 0 1
R=

0
0
1
ai2 d +6ai1
ai1 d

p11

(28)

mtodo utilizado para representar um atraso puro de tempo,

o qual corresponde uma exponencial no domnio frequncia,
por meio de funes de transferncia (AGUIRRE, 2007b)

(31)

(32)

i e B
i obtidas e as
Substituindo-se as matrizes A
equaes (31) a (33) na equao (25), obtm-se o seguinte sistema de equaes:
p14 2 24p14 24bi1 p15
i 2 i 2 =0

a1 d
a1 d

12ai +6ai + 2
1 ai 2d 2d d
1

(30)

onde 0 e > 0. Os parmetros e esto

diretamente relacionados alocao tima dos plos
uma vez que seja possvel sua determinao.
Com base na equao (22) e nas equaes (28),
i e B
i so obtidas. A matriz
(29) e (30) as matrizes A
P a ser obtida, consiste numa matriz real simtrica:

p11 p12 p13 p14 p15

p12 p22 p23 p24 p25

P=
(33)
p13 p23 p33 p34 p35
p14 p24 p34 p44 p45
p15 p25 p35 p45 p55

0
1
0

(34)

p14 p24 12p24 6bi1 p15 12bi1 p25

i 2 + i
i 2

a1 d
a1 d
a1 d
i
6p14 (2a2 + d )
= 0 (35)
ai1 d 2

p12 p14


p14 p34
6ai2 + d
12

+
i
2
d
a1 d

12p34 bi1 p15 12bi1 p35

i i 2 = 0
ai1 d 2
a1
a1 d

(36)

Revista INNOVER, volume 1, nmero 3, Setembro 2014

Metodologia de Controle No Linear Quadrtico Contnuo Multiobjetivo no Espao de Estados

p13 p14

6
ai2
+
i
a1 d

p14 p44 12p44

i 2

a1 d
i
12b1 p45
= 0
ai1 d 2

p14 p45 12p45 12bi1 p55

i 2 i 2 = 0

a1 d
a1 d
p24 2 12bi1 p25
+ i

a1 d
12p24 (2ai2 + d )
+1 = 0
ai1 d 2

(37)

(38)

2p12

p13 +
bi1 p25
ai1

6ai2 +d
p22 p24 12
2 +
ai1 d
d
i
i
6p34 (2a2 +d )
6b p35

ai1 d

p14 + p23 p24

6bi1 p45
ai1 d
p15

p24 p45
+

2p23 2p34

ai2
ai1

p24 p34

6p45 (2ai2 + d )
ai1 d 2

p25 p45

12
6ai2 + d
+
d 2
ai1 d

p44 2
+1 = 0

(46)

p35 p45

6
ai2
+
i
a1 d

p44 p45
= 0

(47)

i = R1 B
TP =
K
i


(40)

p24

p34

p44

p45

(49)

A equao caracterstica do sistema de controle,

por sua vez, dada por:

 i

a p 2 +6ai +ai 2
s5 + 1 44 d ai 1 d 2d 2 d s4 +
1

 i
12a1 +d 2 +ai1 p34 d 2 +6ai2 d
s3 +
ai d 2

(41)

(43)


ai2
6

+
ai1 d
bi1 p45
i = 0 (44)
a1
p34 p45

bi1 p55
= 0
ai1

p14

i +B
iK
i| =
|sI5 A

p45 2
= 0
(48)

Aps a soluo numrica do sistema descrito pelas

i
equaes de (34) a (48), para a matriz P, matriz K
calculada a partir de (26)

(45)

12ai2 +6d +ai1 p24 d 2 bi1 p45 d 2

s2 +
ai1 d 2 
 i
a1 p14 d 2 +6bi1 p45 d +12
12bi1 p45
s ai
2 =
ai1 d 2
d
1

= 0 (42)


p34 2
12
6ai2 + d

d 2
ai1 d

2bi1 p35
+1 = 0
ai1

p24 + p33 p34



p34 p44
6ai2 + d
12

+
p44
i
2
d
a1 d

p24 p44
6

+
d

6p44 (2ai2 + d )

= 0
ai1 d 2

6bi1 p55
ai1 d

ai2
6
+
i
a1 d

(39)

= 0

ai1 d 2

2p34 2p44

Aps a obteno do modelo da planta a ser controlada so obtidos todos os parmetros dos submodelos
lineares locais. Da procede-se com a verradura de
valores factveis de e para soluo da equao algbrica de Riccati, para a matriz P e a consequente
determinao das matrizes de ganho de controle por
realimentao de estado para cada um dos submodelos e a base de dados de plos factveis.
4 RESULTADOS EXPERIMENTAIS
Nesta seo, apresenta-se as etapas da modelagem fuzzy Takagi-Sugeno, do projeto de controle
fuzzy multiobjetivo e a sua implementao na plataforma virtual/eletrnica baseada no LabVIEW e no
CompactRIO 9073 para controle de uma planta
trmica.

Revista INNOVER, volume 1, nmero 3, Setembro 2014

G INALBER L. O. S ERRA , R AFAEL J. M. S ANTOS

4.1

Plataforma de Controle Virtual/Eletrnica

A Figura 2 mostra a estrutura da plataforma desenvolvida, detalhando as conexes e a lgica da malha

de controle. Como se pode observar na Figura 2, o
sensor de temperatura posicionado internamente na
planta trmica (torradeira, ao centro), sendo a alimentao por uma tenso de 5 volts vinda do primeiro
canal do NI9263 e definida no LabVIEW. A sada
do sensor capturada pelo primeiro canal do mdulo
NI9219; o segundo canal do NI9263 responsvel por fornecer a tenso de controle que chega ao
pino 11 do TCA 785. A tenso de rede fornecida
planta trmica bem como ao circuito atuador. A
outra conexo da planta trmica o terminal MT2 do
TIC 226D. O sinal de entrada da planta trmica
fornecido ao primrio de um transformador de tenso
de relao de transformao 220 : 6, que equivalente a uma diviso por 36, 67. Com a realizao de
testes no transformador, foi obtida uma relao mais
aproximada que equivale a uma diviso por 35. O secundrio do transformador conectado ao primeiro
canal do mdulo NI9215. A utilizao do transformador se justifica pelo fato do mdulo NI9215
possuir uma faixa de entrada de apenas 10 volts,
impossibilitando a aquisio direta da tenso de entrada da planta trmica, que pode chegar at 220 volts
de valor eficaz. A Figura ainda mostra a conexo
do computador com a controlador por meio de um
cabo padro Ethernet, possibilitando a comunicao
entre a plataforma virtual e a plataforma eletrnica.
A plataforma virtual, que contm a Interface HomemMquina, possui controles e indicadores das variveis
de controle como referncia de temperatura, nmero
mximo de iteraes do processo, tenso de controle
do TCA 785, etc. A Figura 3 mostra a parte inicial da interface, desenvolvida no painel frontal do
LabVIEW. Alm dos itens j mencionados, a interface possibilita escolher o modo de malha - se malha
aberta, adequado para experimentos controlados pelo
operador, o qual ir estabelecer o sinal de entrada da
planta. Este modo utilizado para aquisio de dados
de entrada e sada para identificao/validao. Ou
malha fechada, para aplicaes de tcnicas (leis) de
controle projetadas para a planta trmica. Este modo

foi selecionado para a aplicao do controlador fuzzy

multiobjetivo proposto. A IHM tambm dispe de
um boto para parar o processo e diversos indicadores numricos e grficos das principais variveis do
sistema de controle: sada da planta (temperatura),
entrada da planta (tenso eficaz), grficos das funes
de pertinncia, etc.
4.2

Modelagem Fuzzy Takagi-Sugeno do Sistema

Trmico

Esta etapa de modelagem fuzzy T-S est baseada em

dados experimentais de entrada e sada (identificao) da planta trmica obtidos atravs de experimentos em malha aberta realizados com a plataforma de
controle virtual/eletrnica. A seguir sero apresentados cada um dos passos do processo de identificao,
aplicados na modelagem da planta trmica.
4.2.1

Realizao do experimento sobre a planta e filtragem dos dados

Na Figura 4 mostrado o sinal de entrada (tenso

eficaz, em volts) aplicado entrada da planta trmica
e a respectiva sada (temperatura, em graus Celsius)
obtida.
Este conjunto de dados, constitudo de 29942 pontos a um tempo de amostragem de 17 ms, o conjuntos a ser utilizado para identificao da planta trmica. Os dados mostrados no grfico j esto filtrados. A filtragem foi feita atravs do Simulink do Matlab, por meio de blocos de funes de transferncia
representando filtros passa-baixas, como mostra a Figura 5.
4.2.2

Definio da estrutura e ordem do modelo

A estrutura de submodelo escolhida para ser utilizada

na identificao do modelo fuzzy T-S da planta trmica de funo de transferncia no tempo contnuo.
Ser considerada uma funo de segunda ordem sem
zeros. Assim, tem-se o seguinte i-simo submodelo:
b(i)
Yi (s)
=
2
Ui (s)
a1(i) s + a2(i) s + 1

(50)

Revista INNOVER, volume 1, nmero 3, Setembro 2014

Metodologia de Controle No Linear Quadrtico Contnuo Multiobjetivo no Espao de Estados

Tenso eficaz (Volts)

Figura 2: Plataforma de controle virtual/eletrnica.

150
100
50
0
0

Temperatura (C)

Tempo (minutos)

Figura 3: Interface da plataforma virtual de controle com controles e indicadores das principais variveis.

Esta estrutura de submodelo utilizada para fins

de convenincia do algoritmo de identificao. A estrutura realmente utilizada para o projeto de controle
no espao de estados e apresenta o acrscimo de ordem referente ao atraso puro de tempo representado
pela aproximao de Pad.
8

150
100
50
0
0

Tempo (minutos)

Figura 4: Teste dinmico para identificao aplicado planta

trmica. A tenso alternada, elucidada pelo seu valor eficaz,
aplicada planta cuja resposta temporal temperatura, em graus
Celsius.

Revista INNOVER, volume 1, nmero 3, Setembro 2014

Scope3

To Workspace6

180

Derivative3

140
Espao de Sada

du/dt

Derivative2

du/dt
du/dt

Centro Cluster 2

160

Derivative

ddsaida_term

planta trmica ao algoritmo de agrupamento, o prximo passo a escolha da quantidade de agrupamentos (clusters). Para uma escolha de dois agrupamentos de dados, obtm-se a representao na Figura 6.

Scope2

To Workspace3

To Workspace5
1

Scope1

To Workspace4

saida_term

du/dt
60s+1
Derivative1 Transfer Fcn3

dsaida_term

ddsaida_filtrada

To Workspace2

dsaida_filtrada

Scope

To Workspace
From
Workspace
To Workspace1

saida_filtrada

entrada

butter

Analog
Filter Design

entrada_filtrada

G INALBER L. O. S ERRA , R AFAEL J. M. S ANTOS

120
100

Centro Cluster 1

80
60
40

24.2951

Figura 5: Diagrama em blocos no Simulink para filtragem dos

dados e tambm obteno das derivadas do sinal de sada.

4.2.3

Estimao paramtrica e obteno do modelo

fuzzy T-S

O algoritmo de agrupamento fuzzy c-means juntamente com o mtodo dos mnimos quadrados ponderados para estimao dos parmetros do consequente
foi aplicado ao sinal de sada filtrado mostrado na Figura 4. A matriz de regressores X apresenta a seguinte estrutura em conformidade com a estrutura e
ordem do submodelo escolhida:
X=

40

60

80
100
120
Espao de Sada

140

160

180

Figura 6: Agrupamento e classificao de dados sada-sada

da planta trmica. O primeiro cluster (em verde), representa
a regio de baixa temperatura e mdia temperatura. O segundo
cluster (em amarelo) representa a regio de altas temperaturas.

Constant

From
Workspace1

saida

butter

Analog
Filter Design1

20
20

entrada

segunda derivada da sada


primeira derivada da sada

(51)

Uma vez fornecidos os dados experimentais da

As funes de pertinncia fornecidas pelo algoritmo a partir da escolha de dois agrupamentos so

mostradas na Figura 7. Elas correspondem ativao
dos dois submodelos lineares a serem obtidos para
representao da planta trmica. Um submodelo representa as regies de baixa e mdia temperatura e
outro representa a regio de altas temperaturas.
A prxima sada do algoritmo de identificao
consiste dos parmetros dos submodelos lineares. Os
dois submodelos lineares fornecido pelo algoritmo
so dados pelas funes:
Y1 (s)
1.0432
=
3
U1 (s)
318.3806 10 s2 + 1.3701 103 s + 1
(52)
1.2290
Y2 (s)
=
U2 (s)
154.9031 103 s2 + 1.2580 103 s + 1
(53)
O submodelo em sua representao completa, contudo na forma de espao de estados e incorpora

Revista INNOVER, volume 1, nmero 3, Setembro 2014

Metodologia de Controle No Linear Quadrtico Contnuo Multiobjetivo no Espao de Estados

0.8
X= 966
Y= 0.77451

0.8

Correlao Cruzada

Grau de Pertinncia

0.6

0.6

0.4

0.2

0
20

0.2
0
0.2
0.4

40

60
80
100
120
140
Temperatura (graus Celsius)

160

180

0.6
3

Figura 7: Funes de pertinncia do modelo fuzzy T-S da planta

trmica. A funo de pertinncia da esquerda corresponde ao
submodelo da regio de baixa e mdia temperatura enquanto
que a da direita representa a regio de altas temperaturas.

o atraso puro de tempo obtido atravs de correlao

cruzada entre os dados de entrada e sada da planta
trmica, como mostra a Figura 8. O valor do atraso
de tempo determinado a partir do atraso correspondente ao ponto de mximo do grfico (966), considerando o tempo de amostragem de 17 ms, fornecendo
um atraso d = 1.6422 s. A aproximao de Pad
de segunda ordem para esse valor de atraso puro de
tempo, dada por:

d 2 s2 6d s + 12
=
d 2 s2 + 6d s + 12
2.6968s2 9.8532s + 12
2.6968s2 + 9.8532s + 12

R2 (s) =

(54)

Atribuindo esta aproximao do atraso s funes de pertinncia dos submodelos obtidos (equaes (52) e (53)) e em seguida convertendo para a representao no espao de estados, obtemos a base de
regras do modelo fuzzy Takagi-Sugeno para a planta
trmica, conforme ilustrada na Tabela 1.
As regies F1 e F2 podem ser representadas por
10

0.4

Atraso

3
4

x 10

Figura 8: Funo de correlao cruzada aplicada aos sinais de

entrada e sada da planta trmica. O ponto de mximo permite
determinar o valor do atraso puro de tempo.

funes de pertinncia dadas por:

F1 (T emp., a, b)|(a=120;b=132.5) =
1,
T emp. a


T emp.a 2
, a T emp. a+b
12
ba

2
T emp.a 2
a+b
2
,
T emp. b
ba
2
0,
T emp. b

(55)

com F2 = 1 F1 . Esta representao corresponde

s funes mostradas na Figura 7. A equao 55 corresponde s funes com forma Z (Z-shaped). A
funo de pertinncia para F2 obtida pelo complemento de F1 . A equao 55 til para atribuio das
funes de pertinncia na plataforma de controle, utilizando o bloco formula node.
4.2.4 Validao e ajuste fino do modelo fuzzy T-S obtido

Os dados de validao utilizados (diferentes dos dados de identificao) so mostrados nos grficos da
Figura 9
O grfico da Figura 10 mostra o comparativo da
curva de sada dos dados de validao com a curva de
sada do modelo identificado.
O fato de haver presena de rudo nos sinais de
entrada e sada da planta trmica e considerando a
formulao no tempo contnuo na qual aparecem termos derivativos do sinal de sada na matriz de regres-

Revista INNOVER, volume 1, nmero 3, Setembro 2014

G INALBER L. O. S ERRA , R AFAEL J. M. S ANTOS

Base de Regras - Modelo Fuzzy T-S

0
1
0
0

0
0
1
0
x(t) +
x(t)

0
0
0
1
1
R : SE Temp. F1 ENTO
13.97599 106 19.16026 103 4.46541 3.65794

y(t) =

R2 : SE Temp. F2 ENTO

x(t)

y(t) =

14.58032 106 11.97190 106 3.27671 106 0

x(t)

0
1
0
0

0
0
1
0
x(t) +

0
0
0
1
28.72559 106 36.16109 103 4.47936 3.66176
35.30396 106 28.98808 106 7.93404 106 0

0
0
u
0 1
1

0
0
u
0 2
1

x(t)

200

150

180

100
Temperatura (graus Celsius)

Temperatura (C)

Tenso eficaz (Volts)

Tabela 1: Base de regras do modelo fuzzy Takagi-Sugeno para a planta trmica. Temp. indica temperatura. F1 representa a regio
de baixa e mdia temperatura e F2 representa a regio de altas temperaturas.

50
0
0

0.5

1.5
2
2.5
Tempo (minutos)

3.5

4
4

x 10

200
150

160
140
120
100
80
60

100
40

50
0
0

20
0

0.5

1.5
2
2.5
Tempo (minutos)

3.5

6
8
Tempo (minutos)

10

12

x 10

Figura 9: Teste dinmico para obteno de dados de validao

aplicado planta trmica. A tenso alternada, elucidada pelo
seu valor eficaz, aplicada planta cuja resposta temporal
temperatura, em graus Celsius.

sores, os quais amplificam o rudo, o algoritmo dos

mnimos quadrados tem um desempenho insatisfatrio na estimao dos parmetros do consequente, no
permitindo a validao do modelo obtido, conforme
visto na Figura 10. Deste modo, o modelo fuzzy T-S
identificado foi submetido a um processo de otimizao por algoritmo gentico (AG). O grfico da Figura
10 subtende que ajustes so necessrios apenas nos
ganhos dos submodelos e nas funes de pertinncia.
Assim, o cromossomo composto pelos elementos de
ganho dos submodelos e pelos intensificadores (mi )

Figura 10: Comparativo entre a resposta do modelo fuzzy identificado e a sada real da planta trmica.

das funes de pertinncia:

cromossomo =

b(1) b(2) m1 m2

(56)

A Tabela 2 mostra os parmetros do algoritmo

gentico utilizado para otimizao do modelo fuzzy
Takagi-Sugeno obtido para a planta trmica:
As funes de pertinncia fornecidas para inicializao do AG no foram com os valores fornecidos pelo algoritmo de identificao, representadas na
equao 55, mas sim funes da mesma forma com
parmetros a = 50 e b = 170, considerando que o
teste de maior abertura nas funes (graficamente),

Revista INNOVER, volume 1, nmero 3, Setembro 2014

11

Metodologia de Controle No Linear Quadrtico Contnuo Multiobjetivo no Espao de Estados

Valor

Tamanho do cromossomo
Tamanho da populao
Nmero de geraes
Probabilidade de crossover aritmtico
Probabilidade de seleo natural
Probabilidade de mutao

4
50
300
85%
50%
85%

Tabela 2: Especificaes dos parmetros do algoritmo gentico

para otimizao do modelo fuzzy identificado.

200
180
160

Temperatura (C)

Parmetro

140
120
100
80
60

forneceu um melhor resultado do modelo. A funo de custo do AG (fitness) baseada na norma

da diferena entre os vetores de dados da sada real
(yreal ) e da sada do modelo (ymodelo ). Na Figura 11
mostrada a otimizao do modelo T-S por meio do
AG. A norma do modelo fuzzy T-S identificado de
3653.706. A norma do modelo fuzzy T-S otimizado,
por sua vez, de 1108.212.
Com a otimizao, os ganhos dos submodelos
lineares 1 e 2 passaram a ser, respectivamente,
919.874482693833 103 e 1.14203009259494. Os
intensificadores m1 e m2 das funes de pertinncia,
que realizam as operaes (F1 )m1 e (F2 )m2 , ficaram
com os valores m1 = 991.157707944464 103 e
m2 = 1.00127740549514. Lembrando que dado um
intensificador mi , se mi > 1, ele realiza a operao de contrao sobre a funo de pertinncia. Caso
0 < mi < 1, a operao de dilatao.
A base de regras do modelo fuzzy T-S otimizado,
isto , o modelo obtido aps a aplicao do algoritmo
gentico para melhoria de seus parmetros, mostrado na Tabela 3. A verificao da matriz de sada
de cada um dos submodelos lineares no espao de estados permite ver claramente a diminuio do ganho
necessria para que o modelo de fato obtivesse um
desempenho prximo da sada real, de acordo com a
Figura 10, consolidando a sua validao.
O algoritmo gentico desenvolvido utiliza diagramao em blocos do Simulink para gerao da sada
do modelo a cada gerao e consequentemente auxiliar na determinao do custo. Este diagrama em blocos representa o modelo fuzzy T-S da planta trmica
com suas funes de pertinncia e submodelos linea12

40
20
0

10

Tempo (minutos)

Figura 11: Otimizao via algoritmo gentico do modelo fuzzy

T-S da planta trmica. A linha slida indica a sada da planta trmica, a linha tracejada indica a sada do modelo T-S identificado
e a linha trao e ponto indica a sada do modelo T-S otimizado.

res bem como as estruturas adicionais para garantir a

representao de modelo e captura das variveis necessrias para a continuidade do AG, como sada do
modelo fuzzy, erro absoluto, etc. O diagrama em blocos mostrado na Figura 12
O bloco com a funo de transferncia na realimentao do modelo fuzzy T-S apenas para convergncia numrica do Simulink.
4.3 Projeto de controle fuzzy T-S da planta trmica
Na Figura 13 so mostradas diferentes respostas temporais do sistema de controle fuzzy T-S baseado na
metodologia proposta para diferentes alocaes de
plos.
As curvas da Figura 13 so resultados experimentais obtidos do controle fuzzy em malha fechada da
planta trmica utilizando a plataforma de controle virtual/eletrnica proposta. Os ganhos do controlador
fuzzy (segundo a metodologia proposta) obtidos para
cada grupo de plos escolhidos bem como as funes de pertinncia determinadas durante a modelagem so programados na diagramao em blocos no
LabVIEW. Os valores de referncia e de nmero de

Revista INNOVER, volume 1, nmero 3, Setembro 2014

12

G INALBER L. O. S ERRA , R AFAEL J. M. S ANTOS

Base de Regras - Modelo Fuzzy T-S otimizado

0
1
0
0

0
0
1
0
x(t) +
x(t)

0
0
0
1
1
R : SE Temp. F1 ENTO
13.97599 106 19.16026 103 4.46541 3.65794

y(t) =

12.85615 106 10.55619 106 2.88923 106 0

x(t)

y(t) =

x(t)

0
1
0
0

0
0
1
0
x(t) +

0
0
0
1
28.72559 106 36.16109 103 4.47936 3.66176

R2 : SE Temp. F2 ENTO

32.80549 106 26.93659 106 7.37254 106 0

0
0
u
0 1
1

0
0
u
0 2
1

x(t)

Temperatura
(graus Celsius)

Tabela 3: Base de regras do modelo fuzzy Takagi-Sugeno (otimizado) para processo trmico. Temp. indica temperatura. F1
representa a regio de baixa e mdia temperatura e F2 representa a regio de altas temperaturas.

160

Temperatura (C)

saidafz

To Workspace

To Workspace1

errofz

140
120
100
80
60
40
20
0

10

12

14

Tempo (minutos)

iteraes bem como o acompanhamento de todas as

variveis do sistema de controle feita no painel frontal, onde estabelecida a interface da plataforma.

Transfer Fcn

0.1s+1

Submodelos
Lineares

Out2
In3

In2

In1

Out1

saidavalid

Sada da Planta
Trmica

Sada
Global
do modelo
TS

Figura 13: Repostas temporais do sistema de controle fuzzy.

Os plos correspondentes resposta transitria na regio intermediria das trs curvas so: 96.715, 845.47 103
554.3361 103 j, 319.964 103 e 2.03 106 .

In1

5.1
Funes de
Pertinncia

Out2

Out1

Sinal de
Entrada

entradavalid

Figura 12: Diagrama em blocos do modelo fuzzy T-S para auxlio no clculo do custo pelo algoritmo gentico a cada gerao.

CONSIDERAES FINAIS
Concluses

Neste artigo foi apresentada uma metodologia de

controle, a qual combina, em um contexto fuzzy, as
tcnicas de alocao de plos no espao de estado
e do regulador linear quadrtico (LQR), permitindo
que estas, comumente aplicadas em controle de plantas lineares, possam ter sua aplicao estendida para
plantas no lineares, atravs da estrutura funcional do

Revista INNOVER, volume 1, nmero 3, Setembro 2014

13

Metodologia de Controle No Linear Quadrtico Contnuo Multiobjetivo no Espao de Estados

sistema de inferncia fuzzy Takagi-Sugeno. Como

visto, tal metodologia contempla tanto o projeto de
sistemas de controle regulador quanto de sistemas de
controle servo. Para este, considerou-se na formulao o atraso puro de tempo da planta a ser controlada, garantindo uma melhor representao dos aspectos de plantas reais, nesse sentido. Para o caso do
sistema de controle regulador, os resultados de simulao, mostrados no exemplo computacional na Seo ??, evidenciaram que o controlador proposto permitiu uma resposta temporal satisfatria para o manipulador robtico (uma planta no-linear) de acordo
com a alocao dos plos desejados, garantindo a otimalidade de desempenho. A regio factvel obtida,
em virtude do carter multiobjetivo da metodologia,
mostra que impossvel alocar quaisquer plos no semiplano esquerdo do plano complexo, considerando,
desta forma, a imposio dos critrios de otimalidade
estabelecidos sobre o processo de alocao dos plos
desejados de malha fechada. No caso do sistema de
controle servo, os resultados que evidenciam a aplicao e eficcia da metodologia so vistos em uma
aplicao prtica de controle sobre um sistema trmico, implementada em uma plataforma de controle
virtual/eletrnica baseada nos softwares LabVIEW e
na controladora CompactRIO 9073. Uma vantagem da abordagem proposta, a possibilidade de anlise da estabilidade e robustez, o que uma difcil tarefa em controle fuzzy baseado em conhecimento.

6 AGRADECIMENTOS

5.2 Propostas para Trabalhos Futuros

BERGSTEN, P. Observer and Controllers for TakagiSugeno Fuzzy Systems. 117 p. Tese (Doctoral Dissertation) rebro University, rebro, 2001.

Como propostas futuras, a pesquisa tem os seguintes

aspectos de interesse:
Extenso da metodologia para sistemas multivariveis;
Abordagem da metodologia no domnio do
tempo discreto;
Anlise de estabilidade considerando o atraso
puro de tempo.
14

Agradecimentos FAPEMA e ao CNPq pelo apoio

financeiro, e ao Laboratrio de Inteligncia Computacional Aplicada Tecnologia (ICAT), do Departamento de Eletroeletrnica (DEE), do Instituto Federal de Educao, Cincia e Tecnologia do Maranho
(IFMA), pela infraestrutura adequada para o desenvolvimento de todas as etapas deste projeto de pesquisa.
REFERNCIAS
ABRAHAM, A. et al. Foundations of Computational
Intelligence Volume 3: Global Optimization. [S.l.]:
U.S. Government Printing Office, 2009. (Studies in
Computational Intelligence).
AGUIRRE, L. A. (Ed.). Enciclopdia de automtica:
controle e automao. [S.l.]: Blucher, 2007.
AGUIRRE, L. A. Introduo Identificao de Sistemas Tcnicas Lineares e No-Lineares Aplicadas
a Sistemas Reais. 3. ed. [S.l.]: Editora UFMG, 2007.
BABUKA, R. Fuzzy Modeling for Control. [S.l.]:
Kluwer Academic Publishers, 1998. (International
Series in Intelligent Technologies).
BARROS, L. C. de; BASSANEZI, R. C. Tpicos
de Lgica Fuzzy e Biomatemtica. [S.l.]: UnicampImecc, 2006. (Colecao IMECC. Textos Didticos).

BUTT, N.; SHAFIQ, M.; KHAN, T. An adaptive

root-solving controller for tracking of nonlinear dynamic plants. In: Industrial Electronics and Control Applications, 2005. ICIECA 2005. International
Conference on. [S.l.: s.n.], 2005. p. 6 pp.6.
DORF, R. C.; BISHOP, R. H. Sistemas de controle
modernos. [S.l.]: LTC, 2009.
ENGELBRECHT, A. P. Computational Intelligence:
An Introduction. [S.l.]: Wiley, 2007.

Revista INNOVER, volume 1, nmero 3, Setembro 2014

G INALBER L. O. S ERRA , R AFAEL J. M. S ANTOS

IOANNOU, P. A.; PITSILLIDES, A. Modeling and

Control of Complex Systems. [S.l.]: Taylor & Francis,
2010. (Automation and Control Engineering).
KLIR, G. J.; YUAN, B. Fuzzy Sets and Fuzzy Logic:
Theory and Aplications. [S.l.]: Prentice Hall, 1995.
LENDEK, Z. et al. Stability Analysis and Nonlinear
Observer Design Using Takagi-Sugeno Fuzzy Models. [S.l.]: Springer, 2010. (Studies in Fuzziness and
Soft Computing).
PEDRYCZ, W. Computational Intelligence: An Introduction. [S.l.]: Taylor & Francis, 1997. (Computer
engineering, software programming).
SERRA, G. L. O. Propostas de Metodologias para
Identificao e Controle Inteligentes. 127 p. Tese
(Tese de Doutorado) Unicamp / FEEC / DMSCI,
Campinas, SP, 2005.
SERRA, G. L. O. (Ed.). Frontiers in Advanced Control Systems. [S.l.]: Intech, 2012.
TAKAGI, T.; SUGENO, M. Fuzzy identification of
systems and its applications to modeling and control.
IEEE Transactions on Systems, Man and Cybernetics, SMC-15, n. 1, p. 116132, Jan 1985. ISSN 00189472.

Santiago (USACH), Chile. Atualmente professor e

chefe do grupo de pesquisa em Inteligncia Computacional Aplicada Tecnologia, do Instituto Federal de
Educao, Cincia e Tecnologia (IFMA), So LuisMA, Brasil; e professor permanente do Programa
de Ps-Graduao em Engenharia de Eletricidade,
da Universidade Federal do Maranho (UFMA), So
Luis-MA, Brasil. Dr. Serra Editor do livro Frontiers in Advanced Control Systems (InTech, 2012),
e atua como revisor de vrias conferncias e revistas
de prestgio. Seu interesse de pesquisa inclui temas
sobre sistemas fuzzy, redes neurais, computao evolutiva, instrumentao para controle de alto desempenho, controle em tempo real, processamento de sinais, aplicaes em automao e controle industrial.

Rafael J. M. Santos Graduado em Engenharia Eltrica Industrial, pelo Instituto Federal de Educao, Cincia e Tecnologia do Maranho, em 2014.
Foi bolsista como pesquisador junto ao Grupo de
Inteligncia Computacional Aplicada Tecnologia
(IFMA/CNPq) de 2010 a 2013, desenvolvendo suas
atividades nos seguintes temas: modelagem e controle de sistemas no-lineares utilizando lgica nebulosa.

BIOGRAFIA DOS AUTORES

Dr. Ginalber L. O. Serra recebeu
os graus de Bacharelado e Mestre
em engenharia eltrica pela Universidade Federal do Maranho, Maranho, Brasil, em 1999 e 2001, respectivamente.
Ele recebeu o grau de Doutor em Engenharia Eltrica pela Universidade Estadual de Campinas (UNICAMP), Campinas-SP, Brasil, em Setembro de 2005.
Ele terminou sua pesquisa de Ps-doutorado em controle adaptativo neuro-fuzzy multivarivel de sistemas
no lineares, no Departamento de Mquinas, Componentes e Sistemas Inteligentes da Universidade Estadual de Campinas, Campinas, Brasil, em Setembro de
2006. Entre 2006 e 2007, foi pesquisador do Departamento de Engenharia Eltrica da Universidade de
Revista INNOVER, volume 1, nmero 3, Setembro 2014

15