Escolar Documentos
Profissional Documentos
Cultura Documentos
PROGRAMA DE PS-GRADUAO
EM ENGENHARIA ELTRICA
DEZEMBRO 2011
ITAJUB - MG
V845p
Vtor, Tiago Soares
Projeto de Sistemas de Controle com Modelagem Takagi-Su_
geno e Implementao de Controladores FUZZY com Retroao
de Estados / Tiago Soares Vtor. -- Itajub, (MG) : [s.n.], 2011.
86 p. : il.
Orientador: Prof. Dr. Carlos Alberto Murari Pinheiro.
Dissertao (Mestrado) _ Universidade Federal de Itajub.
1. Sistemas no-lineares. 2. Modelagem Fuzzy Takagi-Sugeno.
3. Controlador Fuzzy. 4. Desigualdades lineares matriciais(LMI).
I. Pinheiro, Carlos Alberto Murari, orient. II. Universidade Fede_
ral de Itajub. III. Ttulo.
Dedicatria
Dedico este trabalho aos meus pais, David e Elenice, pelo incentivo constante e
encorajador em todas etapas da minha vida.
Agradecimentos
Aos meus pais, pelo amor presente em todos os momentos.
A minha irm, Fernanda, pela amizade e simpatia.
A minha esposa, Daniela, por fazer parte da minha vida.
A todos os amigos, pelo incentivo e apoio demonstrados durante este tempo.
Ao meu orientador Prof. Carlos Alberto Murari Pinheiro por ter apresentado a diretriz
de como realizar o projeto e pela paciente ajuda no decorrer das atividades.
A todos os professores por terem contribudo para o meu desenvolvimento intelectual,
possibilitando que este trabalho fosse finalizado.
A CNPQ pela bolsa de mestrado.
A Deus, pois Ele mesmo quem a todos d vida, respirao e tudo mais.
ii
Boa e bela coisa comer e beber e gozar cada um do bem de todo o seu trabalho,
com que se afadigou debaixo do sol, durante os poucos dias da vida que Deus lhe deu;
porque esta a sua poro.
Eclesiastes 5:18
iii
Resumo
Este trabalho realiza uma implementao experimental de uma malha de controle
atravs de um sistema computadorizado, onde utilizada uma metodologia de projeto que
visa estabilizao e compensao de processos com caractersticas no-lineares. Ser
empregado o conceito de compensao paralela distribuda para projetar um controlador fuzzy
como compensador do sistema. O processo a ser controlado representado por um modelo
fuzzy Takagi-Sugeno. Este procedimento conceitualmente bem fundamentado, consistindo
na gerao de regras de controle a partir do modelo difuso correspondente do processo a ser
controlado. A anlise de estabilidade e a obteno da compensao adequada do sistema
podem ser reduzidas a problemas de desigualdades lineares matriciais (LMI), que so
resolvidos por ferramentas computacionais especficas. A implantao realizada ser ilustrada
atravs de simulaes e ensaios em um sistema de nvel real.
iv
Abstract
This work presents an experimental implementation of a control loop through a
computerized system. It is used a design methodology for stabilization and compensation of
processes with nonlinear characteristics. The concept of parallel distributed compensation for
designing a fuzzy controller is employed as a compensator of the plant. The process to be
controlled is represented by a Takagi-Sugeno fuzzy model. This procedure is conceptually
well-founded. The idea is to generate the control rules from the fuzzy model corresponding to
the process to be controlled. The stability analysis and appropriate compensation design can
be reduced to linear matrix inequality (LMI) problems, which are solved by specific
computational tools. The implementation performed will be illustrated through simulations
and tests on a real level system.
Lista de Figuras
Figura 1 - Configurao bsica dos sistemas fuzzy puros. ......................................................... 6
Figura 2 - Configurao bsica dos sistemas fuzzy com fuzzificador e defuzzificador............. 6
Figura 3 Configurao bsica do sistema fuzzy Takagi-Sugeno. ............................................ 7
Figura 4 - Sistema fuzzy TS do Exemplo 1. ............................................................................. 11
Figura 5 - Funes de pertinncia da varivel de entrada do Exemplo 1. ................................ 12
Figura 6 - Mudana suave de Sada1 para Sada2 .................................................................... 12
Figura 7 - Systema fuzzy TS do Exemplo 2. ............................................................................ 13
Figura 8 - Funes de pertinncia do Exemplo 2. .................................................................... 14
Figura 9 - Operao do sistema fuzzy TS do Exemplo 2 (MathWorks, 2011). ....................... 15
Figura 10 - Superfcie de sada para Exemplo 2. ...................................................................... 16
Figura 11 Funes pertinncia de entrada do Exemplo 3. ..................................................... 18
Figura 12 Exemplo de funo ANFIS ................................................................................... 19
Figura 13 Funes de pertinncia do Exemplo 4. ................................................................. 23
Figura 14 - (a) Comportamento de x(k+1) = A1x(k). (b) Comportamento x(k+1) =
A2x(k). ............................................................................................................................ 24
Figura 15 Tcnica de projeto PDC Compensao Paralela Distribuda. ............................ 25
Figura 16 Estrutura de projeto para controle fuzzy. .............................................................. 28
Figura 17 - Resposta do Exemplo 5 realizado o controle PDC. ............................................... 30
Figura 18 Exemplo de um Sistema de Pndulo Invertido. .................................................... 36
Figura 19 - Funes de pertinncia do modelo do pndulo invertido. ..................................... 37
Figura 20 Respostas do sistema de pndulo invertido para diferentes condies iniciais. ... 40
Figura 21 Respostas do sistema de pndulo invertido para diferentes condies iniciais. ... 40
Figura 22 - Respostas do sistema de pndulo invertido para diferentes condies iniciais. .... 42
Figura 23 - Respostas do sistema de pndulo invertido para diferentes condies iniciais. .... 42
Figura 24 - Respostas do sistema de pndulo invertido para diferentes condies iniciais. .... 44
Figura 25 - Respostas do sistema de pndulo invertido para diferentes condies iniciais. .... 44
Figura 26 - Respostas do sistema de pndulo invertido para diferentes condies iniciais. .... 46
Figura 27 - Respostas do sistema de pndulo invertido para diferentes condies iniciais. .... 46
Figura 28 - Processo de Projeto ................................................................................................ 47
Figura 29 - Processo de projeto para projetos experimentais. .................................................. 48
Figura 30 - Bancada de ensaio. ................................................................................................. 49
vi
viii
Lista de Abreviaturas
PDC
LMI
I/O
Input/Output
PID
Controlador Proporcional+Integral+Derivativo
TS
Takagi-Sugeno
ANFIS
USB
BMI
DAQ
Data Acquisition
ix
Sumrio
Dedicatria ....................................................................................................................... i
Agradecimentos ..............................................................................................................ii
Resumo .......................................................................................................................... iv
Abstract ........................................................................................................................... v
Lista de Figuras .............................................................................................................. vi
Lista de Abreviaturas ..................................................................................................... ix
Sumrio ........................................................................................................................... x
1.
Introduo ............................................................................................................. 1
2.
3.
Invertido................................................................................................................................36
3.7.1 Modelagem fuzzy ...................................................................................... 36
3.7.2 Projeto do Controlador via Alocao de Plos ......................................... 38
3.7.3 Projeto do Controlador via Tcnica de Controle timo ........................... 41
3.7.4 Projeto do controlador via LMI ................................................................ 43
3.8
4.
4.9
5.
Resultados........................................................................................................... 67
5.1
5.2
6.
Concluso ........................................................................................................... 74
7.
xii
1. Introduo
Este trabalho realiza uma implementao experimental de uma malha de controle por
intermdio de um sistema computadorizado, onde ser utilizada uma metodologia de projeto
que visa estabilizao e a compensao de processos no-lineares. O trabalho considera
questes relacionadas estabilidade e projeto de malhas de controle fuzzy para sistemas com
caractersticas no-lineares.
A maioria dos sistema reais so no-lineares. Um sistema no-linear caracterizado
por no se aplicar o princpio da superposio, i.e., a resposta a duas entradas no pode ser
calculada tratando-se uma entrada de cada vez e adicionando-se os resultados (Ogata, 2003).
As abordagens tradicionais para sistemas no-lineares utilizam procedimentos de linearizao
dos modelos dos processos a se controlar em torno de determinados pontos nominais de
operao. Modelos linearizados so muito importantes na engenharia de controle por
permitirem a utilizao de ferramentas lineares para anlise e projeto. No entanto, estes tipos
de abordagens no garantem um bom desempenho das malhas de controle resultantes em
pontos de operao distintos dos nominais.
Existem modelagens apropriadas para representar sistemas com caractersticas nolineares (Aguirre, 2000); os modelos NARX e NARMAX so exemplos. Algumas tcnicas de
modelagem utilizam modelos fuzzy, onde uma representao bastante empregada aquela que
utiliza modelos funcionais fuzzy, tambm conhecidos como modelos Takagi-Sugeno. Neste
tipo de modelagem, as dinmicas locais em diferentes regies do espao de estado so
representadas por um conjunto de modelos lineares associados. O modelo completo do
sistema obtido pela combinao destes modelos locais, definindo um modelo global.
Obtido o modelo difuso de um processo no-linear, uma alternativa muito
interessante de malha de controle para compensar o processo, consiste no projeto de um
controlador fuzzy cujas regras so obtidas atravs do modelo correspondente. Esta abordagem
pode utilizar tcnicas convencionais de projeto por meio de mtodos de retroao de estados,
como aquelas utilizadas para malhas de controle de sistemas lineares com embasamento
terico muito bem fundamentado. Entre tais tcnicas pode-se citar: tcnicas de alocao de
plos; critrio de estabilidade de Lyapunov; mtodos de sistemas de controle timo; e outros
(Ogata, 2003).
Tcnicas de controle para sistemas lineares, no entanto, apresentam limitaes quando
aplicadas a processos no-lineares. O motivo que a utilizao de ganhos fixos nas leis de
3:
Apresenta
toda
fundamentao
terica
necessria
para
2. Reviso Bibliogrfica
A representao de sistemas no-lineares usando modelos fuzzy Takagi-Sugeno foi
introduzida por Takagi e Sugeno (1985) e desde ento muitas pesquisas tem sido feitas para o
desenvolvimento de uma metodologia sistemtica de sistemas fuzzy para processos nolineares. A principal caracterstica desta modelagem est em representar eficientemente um
sistema no-linear atravs de um conjunto de subsistemas lineares (Taniguchi, et al., 2001).
Os conceitos mais importantes para os sistemas de controle fuzzy Takagi-Sugeno esto
relacionados anlise de estabilidade e ao projeto de controladores (Tanaka, K.; Sugeno, M.,
1990) (Tanaka, K.; Sugeno, M.;, 1992). Esses temas tm sido extensivamente estudados. No
projeto de controladores, o conceito de compensao paralela distribuda (PDC) permite que
tcnicas convencionais de controle sejam utilizadas (Wang, et al., 1996). Na anlise de
estabilidade, o foco dos estudos a aplicao do critrio de Lyapunov.
possvel reduzir um problema de estabilidade para os sistemas de controle fuzzy de
forma a encontrar uma funo comum de Lyapunov que satisfaa o conjunto das condies de
estabilidade, de modo a englobar todos os subsistemas da modelagem resultante (Tanaka, et
al., 1996) (Tanaka, K.; Wang, H.O., 2001). Se as condies de estabilidade so representadas
em termos de desigualdade linear de matrizes, o problema pode ser numericamente resolvido
por tcnicas de otimizao convexa implementadas em pacotes computacionais (Gahinet, et
al., 1995).
Portanto, uma ampla variedade de problemas da teoria de sistemas de controle pode
ser reduzida em problemas de otimizao convexa envolvendo LMI. Os resultados destes
problemas de otimizao podem ser obtidos numericamente com muita eficincia usando
mtodos de pontos interiores (Boyd, et al., 1994).
Modelos fuzzy Takagi-Sugeno para modelagem de sistemas no-lineares e na
correspondente compensao, possuem trs procedimentos principais (Taniguchi, et al., 2001)
(Lian, et al., 2006). O primeiro passo consiste em representar um sistema no-linear atravs
de vrios subsistemas lineares locais por meio de regras fuzzy e usar a compensao paralela
distribuda (Wang, et al., 1995) (Chen, et al., 1999) (Chen, et al., 2000) (Kim, E.; Lee, H.,
2000) (Joh, et al., 1998) no projeto do controlador. O segundo estgio consiste na anlise de
estabilidade do sistema em malha fechada usando o mtodo de Lyapunov atravs da
desigualdade linear de matrizes (Boyd, et al., 1994) (Tanaka, K.; Wang, H.O., 2001).
Finalmente, a ltima etapa consiste em encontrar os ganhos de um controlador
3. Fundamentao Terica
Este
captulo
apresenta
todo
embasamento
terico
necessrio
para
3.1
(1)
a ser denominado sistema fuzzy dinmico. A principal caracterstica de um sistema fuzzy puro
que as variveis de entradas e sadas so conjuntos fuzzy (Machado, 2003).
Regras Fuzzy
Inferncia Fuzzy
Conjuntos Fuzzy
Conjuntos Fuzzy
em U
em V
Figura 1 - Configurao bsica dos sistemas fuzzy puros.
Regras Fuzzy
x em U
y em V
Fuzzificador
Defuzzificador
Inferncia Fuzzy
Conjuntos Fuzzy
Conjuntos Fuzzy
em U
em V
(2)
Comparando (1) e (2), verifica-se que na segunda forma, a parte relativa aos
consequentes das regras expressa agora por uma funo polinomial. Esta mudana
possibilita representar modelos numricos e uma forma mais adequada a aplicaes
numricas. Assim, no sistema fuzzy Takagi-Sugeno obtido um peso mdio dos valores nos
conseqentes das regras.
A Figura 3 mostra a configurao bsica de um sistema fuzzy Takagi-Sugeno.
x em U
Regras Fuzzy
Fuzzificador
Peso Mdio
Conjuntos Fuzzy
y em V
em U
Figura 3 Configurao bsica do sistema fuzzy Takagi-Sugeno.
denominadas de modelos locais, possuem usualmente uma forma afim em seus argumentos.
Nesse caso o modelo Takagi-Sugeno linear nos parmetros das referidas funes.
Estes modelos podem ser considerados como uma verso fuzzy dos mtodos de
aproximao linear por partes, que proporcionam uma relao linear (ou afim) da entradasada para cada subespao pr-determinado do espao de entrada, possuindo uma habilidade
de interpolao considervel. A estrutura dos modelos Takagi-Sugeno intrinsecamente
adequada para a representao de sistemas dinmicos complexos (no-lineares, etc.) (Filev,
D., 1991).
(3)
Onde
(4)
Sendo:
- Regra i (
so as variveis fuzzy onde cada funo de pertinncia associada pode ser do tipo
Dado um par de (
(5)
(6)
Sendo
o grau de pertinncia de
em
A sada final para a representao do sistema em malha aberta expresso por (7):
(7)
10
(8)
Sugeno e seus cooperadores (Takagi, T.; Sugeno, M., 1985) (Sugeno, M.; Kang, G. T.,
1986) (Sugeno, M.; Kang, G. T., 1988) (Sugeno, M.; Tanaka, K., 1991) propuseram a
utilizao de funes afins nas partes consequentes das implicaes. Esta escolha permite uma
interpretao matemtica simples do modelo com uma interpolao de diferentes modelos
afins, e implica que a sada linear em seus parmetros. Estes parmetros podem ser
estimados utilizando qualquer algoritmo de estimao convencional (Ogata, 2003).
Assim, o modelo fuzzy Takagi-Sugeno capaz de aproximar um sistema no-linear
com uma combinao de vrios sistemas lineares afins pela decomposio de todo o espao
de entrada em vrios espaos parciais e representar cada espao entrada/sada com uma
equao linear.
Geralmente o modelo fuzzy de um sistema fsico pode ser construdo por:
- converso direta da equao no-linear do modelo fsico;
- identificao usando um observador de dados de entrada/sada.
Um objetivo comum em modelagem de sistemas obter uma parametrizao mnima
dos sistemas dinmicos representados. Consideraes prticas geralmente necessitam manter
o nmero das variveis das premissas to pequeno quanto possvel para reduzir os efeitos do
dimensionamento das regras de modelagem resultantes.
3.1.3 Interpretao dos sistemas fuzzy Takagi-Sugeno
A principal caracterstica do modelo fuzzy Takagi-Sugeno em relao aos modelos
fuzzy lingusticos que as partes dos conseqentes constituem um modelo dinmico afim ou
linear (homogneo), no lugar de um conjunto fuzzy. Esta propriedade apresenta vrias
vantagens computacionais (Johansen, et al., 1998):
- Da perspectiva de engenharia de controle, o uso de modelos locais lineares preenche
a lacuna entre sistemas de controle fuzzy e a teoria de sistemas de controle lineares. Existem
11
muitas ferramentas na teoria de sistemas lineares que podem ser parcialmente aplicadas para
modelos Takagi-Sugeno fuzzy e os controladores baseados em regras resultantes;
- Os consequentes das regras fuzzy Takagi-Sugeno (modelos locais) possibilitam um
nmero reduzido de regras em muitas aplicaes. Nas regies onde as no-linearidades de um
modelo so mais acentuadas, os consequentes podem ter funes mais elaboradas para
representarem estas no-linearidades e, conforme a necessidade, mais regras podem ser
includas nestas regies. Por outro lado, nas regies onde as no-linearidades no so to
fortes, possvel utilizar funes de pertinncia mais simples e o nmero de regras pode ser
reduzido. Esta distribuio das regras leva a uma melhor representao do sistema com um
nmero mnimo de modelos locais;
- A estrutura do modelo (partio do espao de estados e estrutura da modelo local) e
propriedades do modelo local, permite em determinadas aplicaes, ser facilmente
relacionada com o modelo fsico. Isto simplifica o desenvolvimento do modelo e a sua
validao.
Destaques deste tipo de modelagem:
- Eficiente computacional;
- Permite trabalhar com tcnicas lineares de projeto;
- Permite trabalhar com mtodos adaptativos e de otimizao;
- Garante continuidade no espao de sada do modelo representado;
- Permite anlises matemticas conhecidas para garantia de estabilidade.
Sistema Fuzzy
Takagi-Sugeno
Entrada
Figura 4 - Sistema fuzzy TS do Exemplo 1.
Sada
12
A Figura 6 mostra como a sada deste modelo fuzzy muda continuamente entre faixas
de valores do domnio [-5, 5] da varivel de entrada.
13
Exemplo 2
Considere como exemplo de um modelo fuzzy para se decidir a quantidade de gorjeta a
ser dada em um determinado restaurante (MathWorks, 2011). A gorjeta ser de acordo com o
servio prestado e com a qualidade da comida. Portanto o sistema ter duas entradas (Servio
e Comida) e uma sada (Gorjeta) conforme ilustrado na Figura 7.
Servio
Sistema Fuzzy
Comida
Takagi-Sugeno
Gorjeta
14
A Figura 9 mostra que para uma avaliao de Servio = 3 e Comida = 8, a Gorjeta ser
de 18.6%.
15
16
3.2
17
Para sistemas complexos ou do tipo caixa preta, nos quais no se tem acesso fcil
das partes constituintes dos mesmos, pode ser oneroso obter a modelagem fenomenolgica.
Nestes casos, a utilizao de mtodos de identificao de sistemas facilita a obteno de
modelos de sistemas reais. No necessrio conhecimento prvio do sistema, bastando ter
dados de medidas das suas entradas e sadas. A partir do processamento adequado dos dados
medidos, obtm-se os coeficientes ou parmetros das equaes que modelam o sistema em
questo. Esta modelagem conhecida como modelagem emprica ou caixa preta. Mesmo
para sistemas dinmicos facilmente modelados fisicamente, o emprego de tcnicas de
identificao pode ser interessante em termos prticos, uma vez que modelos matemticos
poder ser obtidos de maneira relativamente rpida e precisa (Souza, A. C. Z.; Pinheiro, C. A.
M.;, 2008).
18
A varivel
modelada, e a varivel
da funo a ser
19
3.3
Anlise de Estabilidade
Muitos pesquisadores dedicaram-se busca de condies de anlise de estabilidade
20
(9)
, onde
. A sada do sistema
um vetor de funes
para qualquer k.
contnua em
tal que
;
p/
tende ao infinito quando
p/
com a
21
onde
, ento
.
Prova:
.
Uma vez que
Teorema 2 (Tanaka, K.; Sugeno, M.;, 1992). O equilbrio de um sistema fuzzy (7)
assintoticamente estvel globalmente se existir uma matriz definida positiva comum
para
p/
tal que
uma matiz positiva definida. Esta funo satisfaz
as seguintes propriedades:
(a)
(b)
(c)
p/
tende ao infinito quando
(10)
22
onde
para
. Se existir um
tal
estvel e
Este teorema pode ser aplicado para anlise de estabilidade de um sistema no-linear
aproximado por uma funo linear por partes (piecewise) quando a condio (10) for satisfeita
em
. Uma funo linear por partes pode ser descrita como um caso
especial de (3) se for utilizado conjuntos crisp em vez de conjuntos fuzzy nas partes das
premissas do sistema fuzzy. possvel dividir um sistema no-linear em alguns subsistemas
linearizados no espao de estado do sistema. Isso significa que o mesmo aproximado por
uma funo piecewise. Como muitos sistemas no-lineares podem ser aproximados por
funes lineares por partes, este teorema pode ser largamente aplicado no somente em
sistema fuzzy, mas tambm em sistemas no-lineares em geral.
O Teorema 2 apresenta uma condio suficiente para assegurar a estabilidade de um
modelo representado por (7). Pode parecer intuitivo achar que um sistema no-linear
aproximado seja estvel, caso todos os subsistemas locais lineares sejam estveis. No entanto,
no este o caso geral.
Todas as matrizes
s sejam estveis. Vale ressaltar que um sistema fuzzy pode ser assintoticamente estvel
globalmente, mesmo que no se encontre uma matriz comum definida positiva
. Assim,
deve-se considerar que um sistema fuzzy nem sempre assintoticamente estvel globalmente,
mesmo que todas as matrizes
s sejam estveis.
23
A obteno da matriz
otimizao por LMI (Boyd, et al., 1994). Isso significa expressar a condio de estabilidade
do Teorema 2 em LMI. Para checar a estabilidade preciso encontrar uma matriz comum
ou determinar que tal matriz no exista.
onde
e
,
-1
. A Figura 14
24
pode est ilustrado na Figura 14(a) e na Figura 14(b), respectivamente. No entanto, o sistema
global fuzzy, que consiste na combinao fuzzy destes sistemas lineares, instvel como
indicado na Figura 14(c) para as variveis de estado
existe uma matriz comum
25
3.4
controladores fuzzy a fim de estabilizar sistemas fuzzy (Wang, et al., 1996). A idia projetar
um compensador associado a cada regra do modelo fuzzy em questo. A Figura 15 ilustra o
conceito do PDC. Para cada regra pode-se usar tcnicas de projeto de controle de retroao de
estados. O resultado completo do controlador fuzzy, que em geral no-linear, uma
combinao fuzzy de cada controlador individual.
Sistema Fuzzy
Controlador Fuzzy
Regra r
Regra r
Regra 2
Regra 1
Regra 2
Regra 1
(11)
26
(12)
(13)
p/
tal que:
(14)
(15)
Onde
27
(16)
(17)
28
Sistema No-linear
Identificao usando
Modelo Fsico
Dados de Entrada/Sada
Compensao Paralela
Distribuda (PDC)
Controlador Fuzzy
Onde:
so as mesmas do
29
Escolhendo os autovalores
,
,
30
3.5
Controladores Convencionais
A principal vantagem do controle PDC possibilitar a utilizao de tcnicas de projeto
(18)
Onde
constante
= matriz constante
= matriz
31
A lei de controle definida por (19). Isso significa que o sinal de controle determinado pelo
estado instantneo das variveis de estado.
(19)
(20)
As matrizes
(21)
(22)
32
(24)
(25)
3.6
et al., 1994). Estes problemas de otimizao podem ser resolvidos em tempo polinomial. O
desenvolvimento de mtodos de pontos interiores para estes problemas tem se evidenciado na
resoluo eficiente de problemas relacionados (Nesterov, Y.; Nemirosvsky, A.;, 1994). Para
sistemas e controle, a otimizao LMI tem uma importante vantagem de possibilitar a
remodelagem de uma vasta variedade destes problemas como problemas LMI (Boyd, et al.,
1994). Exceto para um pequeno nmero de casos especiais, a maioria dos problemas prticos
no tem soluo analtica. Entretanto, o ponto principal que atravs da estrutura LMI estes
problemas podem ser em geral eficientemente resolvidos de forma numrica. Assim,
remodelar um problema de controle como um problema LMI equivalente a encontrar uma
soluo para um problema de otimizao.
(26)
Onde
definida positiva.
significa que
33
, i.e., o conjunto
podem ser
.
onde
dado e
na forma
, onde
.
tal que
, o problema LMI
, preciso encontrar
que
satisfaa a LMI
34
(27)
Sendo
tal que:
tenha inversa;
Observaes:
- A matriz
35
Teorema 5 (Faria, F. A.;, 2009): Supondo que o sistema dado por (27) tenha matriz de
estados com inversa, ele ser estabilizvel se e somente se, existir uma matriz simtrica
e uma matriz
, tais que:
No entanto, nem sempre isto garante uma soluo suficiente por no levar em
considerao restries de desempenho do sistema de controle considerado. Uma restrio na
taxa de decaimento da malha de controle resultante pode ser usada para diminuir o tempo de
estabelecimento do sistema, sendo definida como o maior nmero real positivo
do sistema em
tal que:
Teorema 6 (Faria, F. A.;, 2009): Supondo que o sistema definido por (27) tenha
matriz de estados inversvel e dado
matriz
e uma
, tais que:
,
,
onde o sistema estabilizvel com taxa de decaimento, e um ganho para o controlador pode
ser obtido por:
36
3.7
(28)
Onde
angular.
carro,
a constante de gravidade,
a massa do pndulo,
o comprimento do pndulo,
,e
,
a velocidade
a massa do
] (Wang, et
al., 1996).
37
onde
As funes de pertinncia
ZE
-90
0
90
38
, ou seja:
para a malha de
39
Onde
.
Sendo
estabilidade do sistema fuzzy controlado (modelo fuzzy + controle PDC). Portanto, aplica-se
este controlador PDC ao sistema original (28) para efetivao do controle e realizao de
simulaes computacionais.
A Figura 20 mostra a resposta do sistema controlado para as condies iniciais
A Figura 21 mostra a resposta para condies iniciais envolvendo
os ngulos
40
41
, os seguintes valores de F = K so
Assim:
;
.
A matriz
42
43
A partir das simulaes (Figura 22 e Figura 23), conclui-se que o controle efetivo
equilibrando o pndulo para as condies operacionais consideradas.
Assim:
e
.
Os elementos da matriz
44
45
Assim,
e
.
A taxa de decaimento utilizada foi obtida aps algumas simulaes que apresentaram
um melhor desempenho para o sistema. Sendo a matriz comum
definida positiva,
46
47
3.8
consistem em:
1) Construir o modelo Takagi-Sugeno;
2) Projetar o controle PDC usando tcnicas de retroao de estado utilizando tcnicas
convencionais de projeto para cada equao linear do modelo obtido;
3) Verificar estabilidade por Lyapunov usando LMIs;
4) Validar controle atravs da realizao de simulaes e/ou ensaios.
Identificao usando
Modelo Fsico
Dados de Entrada/Sada
Compensao Paralela
Distribuda (PDC)
Controlador Fuzzy
Simulaes
Figura 28 - Processo de Projeto
48
Sistema No-linear
Identificao usando
Modelo Fsico
Dados de Entrada/Sada
Compensao Paralela
Distribuda (PDC)
Controlador Fuzzy
Simulaes
Ensaios
49
4. Metodologia
Toda a metodologia apresentada aplicada a um sistema de controle de nvel real,
sendo este a base para simulaes computacionais e ensaios prticos. O processo em questo
representado em escala reduzida por um processo de nvel que possui as seguintes partes
constituintes:
- um mdulo eletrnico responsvel pela instrumentao do processo;
- um sistema de aquisio de dados;
- um computador responsvel por executar o algoritmo de controle.
50
O nvel medido por meio de duas hastes metlicas em contato com o fluido que
representa um transdutor capacitivo. A variao do nvel ser percebida como uma variao
no dieltrico do capacitor associado s hastes. O mdulo eletrnico condiciona o sinal do
transdutor capacitivo. A informao resultante obtida atravs de um sistema de aquisio de
dados (DAQ) acoplado a um computador. A informao de comando responsvel pela
atuao da servo-bomba do processo, tambm fornecida pelo DAQ. Essas informaes so
computadas pelo algoritmo de controle processado no computador, gerando um sinal de
controle para o driver de acionamento da servo-bomba. O sistema de aquisio de dados
utilizado (modelo NI USB-6008 da National Instruments) possui 8 entradas analgicas e 2
sadas analgicas de 12 bits, 12 entradas/sadas digitais programveis, um contador de 32 bits,
alm de uma interface USB para comunicao com o computador utilizado para implementar
o algoritmo de controle.
4.9
51
Entrada (u)
Sada (y)
Planta de Nvel
Figura 32 - Obteno dos dados de entrada e sada para modelagem do sistema de nvel.
52
, registrando a sada
(nvel).
variando no tempo.
u(k)
ANFIS
y(k+1)
y(k)
53
54
informao de sada. Para cada varivel de entrada foram obtidas duas funes de pertinncia
(Figura 37 e Figura 39).
u(k)
Modelo Fuzzy TS
y(k+1)
x1(k)=y(k)
Entradas
Sada
Figura 37 - Modelo fuzzy correspondente a planta de nvel modelada.
55
Grau de pertinncia
M1
-3
M2
-2
-1
u(k)
Grau de pertinncia
M3
-6,22
M4
-1,22
3,78
8,78
13,78
18,78
x1(k)
Figura 39 de pertinncia da varivel x1(k) = y(k).
56
;
;
;
;
;
;
;
;
;
;
;
.
parmetro chamado de bias, uma constante das funes polinomiais do modelo. O modelo
fuzzy original proposto por Takagi e Sugeno (1985) um modelo afim, possui a parte dos
consequentes com termos bias no nulos. Entretanto, a maioria dos trabalhos que adotam
sistemas fuzzy TS, utilizam o modelo homogneo. Um sistema fuzzy TS homogneo no
possui termos com bias.
Para o projeto do sistema de controle utilizado o modelo homogneo no
procedimento de clculo dos ganhos da retroao de estado. Assim, o projeto do controlador
pode ser feito com LMIs, simplificando o equacionamento do problema. O uso de modelos
afins, em geral, descrito por Desigualdades Bilineares Matriciais (BMIs) cuja soluo
computacional muito mais complexa.
57
equaes do sistema para que se obtenha erro nulo em regime permanente na atuao da
malha de controle resultante.
) na malha de controle em
;
.
Onde
Considerado T = 0,1 [s] nas simulaes e nos ensaios realizados, as matrizes e vetores
resultantes so:
,
,
,
,
,
,
58
,
.
, ento a
;
;
;
.
59
No caso do sistema fuzzy TS, este conceito aplica-se para cada consequente linear das regras
de modelagem.
Para a minimizao de ndices quadrticos de desempenho h necessidade de se
resolver a equao de Riccatti. Foram escolhidos os seguinte parmetros da funo de custo
aps alguns testes a fim de se obter melhores resultados:
;
;
;
.
;
;
;
.
60
+_
+_
(29)
onde
de sada do integrador,
sinal de controle,
sada,
sinal
= matrizes do sistema.
do sistema.
61
+_
Controlador
Planta de
Fuzzy
Nvel
e da informao de controle
so processados de forma
diferente. A malha convencional lida diretamente com equaes lineares, enquanto a malha de
controle fuzzy realiza inferncias fuzzy.
A Figura 42 ilustra a malha de controle atravs dos componentes do sistema. A
referncia de entrada dada atravs de um computador que processa as informaes de leitura
do nvel j condicionadas, gerando um sinal de controle. Este sinal amplificado e aplicado
ao atuador da planta, controlando o sistema. Observa-se que o controlador fuzzy
implementado atravs de um algoritmo computacional.
62
Controlador fuzzy TS
A Figura 43 mostra como o valor da informao de controle
obtida.
A integral do erro
e a retroao do estado
com os seus correspondentes pesos. Os pesos das regras so dados pela operao AND das
funes de pertinncia das premissas das regras. O resultado um dado
na atuao do sistema.
63
de sada obtida.
O sinal de controle
e a retroao do estado
planta. Estes dados so processados atravs das regras do modelo, cujos conseqentes so
64
seus correspondentes pesos. Os pesos das regras so encontrados pela operao AND com os
valores das funes de pertinncias das premissas das regras. O resultado um valor que
representa a sada do modelo fuzzy da planta.
Observa-se que o termo
seja definida
sejam
positivos.
Como
definida
65
, logo a matriz
do plano z para o sistema discreto assegurando a instabilidade (Phillips, C. L.; Nagle, H. T.;,
1995). Isto resulta nos seguintes ganhos de retroao:
,
,
,
.
so:
matriz
66
Identificao
Matrizes do sistema
Membeships de entrada
Parmetros de sada
Regras
Ler dados I/O
Identificar do sistema
Testar do modelo
Sinal de Controle
Simulao
Sinal de Sada
Ganhos de retroao
Ganhos de retroao
Matrizes do sistema
Matriz P
Parmetros de sada
Calcular ganhos
Regras
Analisar estabilidade
Calcular sada
Simular
Plotar grfico
Escrever param.lvm
Memberships
Parmetros dos memberships
Encontrar grau de pertinncia
67
5. Resultados
At aqui foram realizadas as seguintes etapas:
- O modelo fuzzy TS foi obtido representando matematicamente a planta de nvel;
- Com o modelo pronto, aplicou-se o conceito de compensao paralela distribuda
(PDC) para o projeto do sistema de controle fuzzy. Duas tcnicas foram utilizadas para
obteno dos ganhos de retroao de estados: alocao de plos e controle timo;
- Usando tcnicas LMI, analisou-se a estabilidade da malha de controle para os dois
conjuntos de ganhos, concluindo sobre condies de estabilidade assinttica.
Portanto, todas as informaes necessrias para a simulao esto prontas, assim como
para a aplicao em ensaios prticos da planta reduzida. Logo, a validao de toda
metodologia ser comprovada atravs dos grficos gerados pelas simulaes e ensaios, como
se segue.
5.1
bem similares, indicando uma boa modelagem. A resposta da malha de controle estvel e
com a dinmica esperada.
Figura 46 - Resposta real da malha de controle fuzzy para dois valores de referncia de entrada.
68
Figura 47 - Resposta real do sistema do sistema de controle fuzzy com outros valores de referncia.
69
Figura 48 Respostas reais do sistema de controle fuzzy para uma seqncia de valores de entrada.
70
5.2
timo, a fim de se obter resultados comparativos ao sistema de controle via alocao de plos.
A Figura 50 mostra respostas do sistema para dois valores de referncia de entrada.
Observa-se que a resposta obtida tem uma coincidncia de valores maior que a resposta da
Figura 46.
No caso de valores mais altos de sada, aparece uma pequena diferena nos resultados
entre a simulao e ensaio real (Figura 51) que se deve a eventuais diferenas entre o sistema
real e sua modelagem resultante.
71
Figura 51 - Resposta do sistema para dois valores de referncia de entrada mais altos.
72
Figura 52 - Respostas do sistema de controle para uma seqncia de valores de referncia de entrada.
Por fim, tambm foi realizado o ensaio com a mdia dos ganhos fuzzy para um
controlador convencional por retroao de estados. A Figura 53 ilustra a resposta em questo.
Observa-se que a informao de controle da malha convencional possui oscilaes menores
quando comparada com a malha fuzzy. Isto mostra a limitao do controle convencional na
compensao de um sistema no-linear devido os ganhos fixos. Esse mesmo resultado
observado na Figura 49.
73
Figura 53 - Ensaios para o controlador fuzzy e para uma malha de controle convencional.
74
6. Concluso
Os procedimentos mostrados neste trabalho se mostraram eficientes em anlises de
estabilidade e no projeto de sistemas de controle fuzzy.
Os modelos fuzzy Takagi-Sugeno permitem representar processos no-lineares, onde
as dinmicas locais, em diferentes regies do espao de estado, so modelada por modelos
lineares.
A compensao paralela distribuda (PDC) se mostrou promissora para aplicaes
reais, permitindo a utilizao de tcnicas convencionais de projeto de sistemas de controle na
sntese de regras de controladores fuzzy. Uma das motivaes deste trabalho foi utilizar
tcnicas de retroao de estados para o projeto e realizao prtica de um sistema de controle
fuzzy real.
Anlises de estabilidade e tcnicas de compensao podem ser realizados por mtodos
de desigualdades lineares matriciais, baseadas no critrio de estabilidade quadrtica de
Lyapunov. Caso as condies de estabilidade no sejam satisfeitas, o controlador para cada
regra re-projetado. As LMIs so recursos poderosos para auxiliar no processo de projeto do
controle fuzzy. Algoritmos computacionais de otimizao convexa so usados para encontrar a
soluo de problemas de LMI.
O principal objetivo deste trabalho foi comprovar a eficincia da metodologia de
projeto de controladores fuzzy TS atravs de um experimento prtico. Ensaios foram
realizados em uma planta de escala reduzida de um sistema de nvel. A abordagem deste
trabalho se iniciou atravs de simulaes computacionais e por fim se concretizou atravs de
uma implementao computacional em tempo-real.
Esta abordagem ser considerada em trabalhos futuros visando compensao de
sistemas no-lineares com mltiplas entradas e mltiplas sadas. A implantao de malhas de
controle fuzzy em sistemas embarcados em condies de tempo-real tambm ser pesquisada.
75
7. Referencias Bibliogrficas
Aguirre, L. A. 2000. Introduo Identificao de Sistemas. Belo Horizonte :
UFMG, 2000. ISBN 85-7041-220-7.
Boyd, S.; El Ghaoui, L.; Feron, E.; Balakrishnan, V. 1994. Linear Matrix
Inequalities in Systems and Control Theory. Philadelphia : SIAM books, 1994.
Chen, B. S., Tseng, C. S. e Uang, H. J. 2000. Mixed H2=H fuzzy output feedback
control design for nonlinear dynamic systems: An LMI approach. IEEE Trans. Fuzzy Syst.
2000, Vol. 8, pp. 249-265.
Chen, B. S., Tseng, C. S. e Uang, H. J. 1999. Robustness design of nonlinear
dynamic systems via fuzzy linear control. IEEE Trans. Fuzzy Syst. 1999, Vol. 7, 5, pp. 571
585.
Fang, C. H.; Liu, Y. S.; Kau, S. W.; Hong, L.; Lee, C. H. 2006. A New LMI-Based
Approach to Relaxed Quadratic Stabilization of TS Fuzzy Control Systems. IEEE Trans.
Fuzzy Systems. 2006, Vol. 14, 3.
Faria, F. A.;. 2009. Projetos de Controladores Baseados em LMI usando
Realimentao da Derivada dos Estados. UNESP. 2009. Tese de Mestrado.
Filev, D. 1991. Fuzzy modeling of complex systems. International Journal
Approximate Reasoning. 1991, Vol. 5, pp. 281-290.
Gahinet, P.; Nemirovski, A.; Laub, A. J. e; Chilali, M. 1995. LMI control toolbox For use with MATLAB. [Online] 1995. [Citado em: 14 de Outubro de 2011.]
http://www.mathworks.com/access/helpdesk_r13/help/pdf_doc/lmi/lmi.pdf.
Joh, J., Chen, Y. H. e Langari, R. 1998. On the stability issues of linear Takagi
Sugeno fuzzy models. IEEE Trans. Fuzzy Syst. Agosto de 1998, Vol. 6, 3, pp. 402410.
Johansen, T. A., Shorten, R. e Smith, R. M. 1998. On the interpretation and
identification of dynamic Takagi-Sugeno fuzzy models. IEEE Transactions of Fuzzy and
Systems. 1998, Vol. 8, 3, pp. 297-313.
Kim, E.; Lee, H. 2000. New approaches to relaxed quadratic stability condition of
fuzzy control systems. IEEE Trans. Fuzzy Syst. Outubro de 2000, Vol. 8, 5, pp. 523533.
Kuo, B. C. 1980. Digital Control Systems. s.l. : Holt-Saunders, 1980.
Lian, K. Y., Tu, H. W. e Liou, J. J. 2006. Stability Conditions for LMI-Based Fuzzy
Control From Viewpoint of Membership Functions. IEEE Trans. Fuzzy Systems. Dezembro
de 2006, Vol. 14, 6.
76
Machado, E. R. M. D. 2003. Modelagem e Controle de Sistemas Fuzzy TakagiSugeno. UNESP. 2003. Tese de Doutorado.
Martins de Carvalho, J. L. 2000. Sistema de Controle Automtico. s.l. : LTC, 2000.
MathWorks. 2011. R2011b Documentation. [Online] 2011. [Citado em: 29 de
Outubro de 2011.] http://www.mathworks.com/help/toolbox/fuzzy/fp49243.html.
Nesterov, Y.; Nemirosvsky, A.;. 1994. Interior-point polynomial methods in convex
programming. Philadelphia : SIAM, 1994.
Ogata, K. 2003. Engenharia de Controle Moderno. So Paulo : Prentice Hall, 2003.
Phillips, C. L.; Nagle, H. T.;. 1995. Digital Control System Analysis and Design.
Englewood Cliffs, New Jersey : Prentice Hall International, 1995.
Souza, A. C. Z.; Pinheiro, C. A. M.;. 2008. Introduo Modelagem, Anlise e
Simulao de Sistemas Dinmicos. Rio de Janeiro : Intercincia, 2008.
Sugeno, M.; Kang, G. T. 1986. Fuzzy modeling and control multilayer incinerator.
Fuzzy Sets and Systems. 1986, 18, pp. 329-346.
Sugeno, M.; Kang, G. T. 1988. Structure identification of fuzzy model. Fuzzy Sets
and Systems. 1988, 28, pp. 15-33.
Sugeno, M.; Tanaka, K. 1991. Successive identification of a fuzzy model ans its
applications to prediction of a complex system. Fuzzy Sets and Systems. 1991, 42, pp. 315334.
Takagi, T.; Sugeno, M. 1985. Fuzzy identification of systems and its applications to
modeling and control. IEEE Trans. Syst. Janeiro de 1985, Vols. SMC-15, 1, pp. 116132.
Tanaka, K., Ikeda, T. e Wang, H.O. 1996. Robust stabilization of a class of
uncertain nonlinear systems via fuzzy control: quadratic stabilizability, H control theory and
linear matrix inequalities. IEEE Trans. Fuzzy Systems. 1996, Vol. 4, 1, pp. 113.
Tanaka, K.; Sugeno, M. 1990. Stability analysis of fuzzy systems using Lyapunovs
direct method. Proc. NAFIPS90. Junho de 1990, pp. 133136.
Tanaka, K.; Sugeno, M.;. 1992. Stability analysis and design of fuzzy control
systems. Fuzzy Sets Syst. 1992, Vol. 45, 2, pp. 135156.
Tanaka, K.; Wang, H.O. 2001. Fuzzy Control Systems Design and Analysis: A
Linear Matrix Inequality Approach. New York : Wiley, 2001.
Taniguchi, T.; Tanaka, K.; Ohatake, H.; Wan, H. O. 2001. Model construction,
rule reduction, and robust compensation for generalized form of Takagi-Sugeno fuzzy
systems. IEEE Transactions on Fuzzy Systems. 2001, Vol. 9, 4, pp. 525537.
77
78
79
80
81
82
83
84
85
Figura 56 - Sub-rotina para leitura de dados em arquivo (ganhos e parmetros das funes de pertinncia)
86