Escolar Documentos
Profissional Documentos
Cultura Documentos
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.
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
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)
p
Y
im (
xm )
(3)
m=1
(1)
i (
x) =
hi (
x)
l
X
hr (
x)
r=1
(4)
supondo
l
X
hr (
x) 6= 0, onde l o nmero de regras.
r=1
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
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
=
=
=
=
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)
f)
x(t
f)
(t
Ai
Ci
x(tf )
(tf )
Bi
0
u(tf ) +
0
r(tf ) (12)
1
f )x(t)
x(t
f )(t)
(t
Ai
Ci
x(tf )x(t)
(tf )(t)
Bi
0
(u(tf )u(t))
(13)
Seja
Linearizao baseada
em Modelagem Fsica
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)
(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)
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)
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=
(25)
(26)
= 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
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)
(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)
P=
(33)
p13 p23 p33 p34 p35
p14 p24 p34 p44 p45
p15 p25 p35 p45 p55
0
1
0
(34)
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
(36)
p13 p14
6
ai2
+
i
a1 d
a1 d
i
12b1 p45
= 0
ai1 d 2
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
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)
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)
(45)
= 0 (42)
p34 2
12
6ai2 + d
d 2
ai1 d
2bi1 p35
+1 = 0
ai1
+
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.
4.1
(50)
150
100
50
0
0
Temperatura (C)
Tempo (minutos)
Figura 3: Interface da plataforma virtual de controle com controles e indicadores das principais variveis.
150
100
50
0
0
Tempo (minutos)
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
120
100
Centro Cluster 1
80
60
40
24.2951
4.2.3
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
Constant
From
Workspace1
saida
butter
Analog
Filter Design1
20
20
entrada
(51)
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
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
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)
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-
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) =
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)
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 10: Comparativo entre a resposta do modelo fuzzy identificado e a sada real da planta trmica.
b(1) b(2) m1 m2
(56)
11
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%
200
180
160
Temperatura (C)
Parmetro
140
120
100
80
60
40
20
0
10
Tempo (minutos)
12
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) =
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
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)
Transfer Fcn
0.1s+1
Submodelos
Lineares
Out2
In3
In2
In1
Out1
saidavalid
Sada da Planta
Trmica
Sada
Global
do modelo
TS
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
13
6 AGRADECIMENTOS
BERGSTEN, P. Observer and Controllers for TakagiSugeno Fuzzy Systems. 117 p. Tese (Doctoral Dissertation) rebro University, rebro, 2001.
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.
15