Você está na página 1de 120

INSTITUTO FEDERAL DE

EDUCAO, CINCIA E TECNOLOGIA


MARANHO

Instituto Federal de Educao, Cincia e Tecnologia do Maranho


Diretoria de Ensino Superior - DESU
Departamento de Eletroeletrnica - DEE
ICAT Grupo de Pesquisa em Inteligncia Computacional Aplicada
Tecnologia

NOVA METODOLOGIA FUZZY-LQR DE CONTROLE


MULTIOBJETIVO PARA SISTEMAS COM DINMICA NO
LINEAR

Aluno: Rafael Jorge Menezes Santos

Orientador: Prof. Dr. Ginalber Luiz de Oliveira Serra

So Lus, MA
2014
INSTITUTO FEDERAL DE
EDUCAO, CINCIA E TECNOLOGIA
MARANHO

Instituto Federal de Educao, Cincia e Tecnologia do Maranho


Diretoria de Ensino Superior - DESU
Departamento de Eletroeletrnica - DEE
ICAT Grupo de Pesquisa em Inteligncia Computacional Aplicada
Tecnologia

NOVA METODOLOGIA FUZZY-LQR DE CONTROLE


MULTIOBJETIVO PARA SISTEMAS COM DINMICA NO
LINEAR

Aluno: Rafael Jorge Menezes Santos

Orientador: Prof. Dr. Ginalber Luiz de Oliveira Serra

Monografia apresentada ao Departamento de Eletroele-


trnica (DEE) do Instituto Federal de Educao, Cincia
e Tecnologia do Maranho como parte dos requisitos para
obteno do ttulo de Bacharel em Engenharia Eltrica.

Banca Examinadora

Prof. Dr. Ginalber Luiz de Oliveira Serra DEE/IFMA


Prof. Dr. Carlos Cesar Teixeira Ferreira DEE/IFMA
Prof. Ms. Elide Trovo Moraes DEE/IFMA

So Lus, MA
2014
FICHA CATALOGRFICA ELABORADA PELA
BIBLIOTECA DO IFMA

Santos, Rafael Jorge Menezes


NOVA METODOLOGIA FUZZY-LQR DE CONTROLE MUL-
TIOBJETIVO PARA SISTEMAS COM DINMICA NO LI-
NEAR. So Lus, 2014.
120 f.: il.

Monografia (Graduao em Engenharia Eltrica Industrial)


Curso de Engenharia Eltrica Industrial, Instituto Federal de Edu-
cao, Cincia e Tecnologia do Maranho, 2014.

1. Engenharia de Controle. 2. Sistemas de Controle Fuzzy. I.


Ttulo.

CDU: xxx.x
INSTITUTO FEDERAL DE
EDUCAO, CINCIA E TECNOLOGIA
MARANHO

Instituto Federal de Educao, Cincia e Tecnologia do Maranho

NOVA METODOLOGIA FUZZY-LQR DE CONTROLE


MULTIOBJETIVO PARA SISTEMAS COM DINMICA NO
LINEAR

Aluno: Rafael Jorge Menezes Santos

Orientador: Prof. Dr. Ginalber Luiz de Oliveira Serra

Monografia apresentada ao Departamento de Eletroele-


trnica (DEE) do Instituto Federal de Educao, Cincia
e Tecnologia do Maranho como parte dos requisitos
para obteno do ttulo de Bacharel em Engenharia
Eltrica.

Este trabalho foi aprovado no dia de


de com nota conferida pela seguinte
banca examinadora:

Prof. Dr. Ginalber Luiz de Oliveira Serra DEE/IFMA (Orientador)

Prof. Dr. Carlos Cesar Teixeira Ferreira DEE/IFMA (Examinador)

Prof. Ms. Elide Trovo Moraes DEE/IFMA (Examinador)

So Lus, MA
2014
A todos quantos contriburam direta ou indiretamente para a concretizao deste trabalho
Agradecimentos

A Deus, porque dEle e por Ele, e para Ele so todas as coisas. Glria pois a Ele, eternamente. Amm. Pois
pela Sua maravilhosa Graa aqui estou para cumprir mais uma etapa desta difcil jornada que a vida.

minha me, Vilani Menezes, pelo incondicional apoio e educao, por acreditar e fazer-me acreditar e por
estar ao meu lado nos momentos difceis desta jornada.

Ao professor Carlos Cesar, por acreditar em nossa capacidade de desenvolvimento na rea da pesquisa acad-
mica e assim indicar-nos, no ano de 2010, para a orientao pelo professor Ginalber Serra.

Ao meu orientador, Prof. Dr. Ginalber Serra, pela oportunidade de ingressar no mbito da pesquisa acad-
mica, pela amizade e companheirismo - sou grato pela excelente orientao e discusses fundamentais para o
desenvolvimento deste trabalho.

Ao caro colega do grupo de pesquisa e grande amigo, Edson Costa, pela amizade, pelas sugestes e discusses.

Ao IFMA, pela concesso de suas dependncias e recursos para o desenvolvimento desse trabalho e a todos
quantos contriburam para o esclarecimento de pontos cruciais deste trabalho.
Resumo
Nesta monografia 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). Inicialmente, so apresentados os fundamentos da teoria de sistemas fuzzy
e os principais sistemas de inferncia utilizados. Um destes o sistema de inferncia fuzzy Takagi-
Sugeno, o qual utilizado para modelagem e controle na proposta apresentada. Por conseguinte, a
metodologia de controle apresentada tanto para o caso de sistemas de controle regulador, com re-
sultados de simulao computacional para ilustrar a eficincia da metodologia, quanto de sistemas de
controle servo, para o qual feito um estudo de caso de modelagem e controle de um sistema trmico
e a sua implementao em uma plataforma de controle virtual/eletrnica desenvolvida 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 fuzzy multiobjetivo, alocao de plos no espao de estados, regulador
linear quadrtico, plataforma de controle virtual/eletrnica.
Abstract
In this monograph is proposed a multiobjective Takagi-Sugeno fuzzy control methodology which
combines the conventional techniques state space pole placement and linear quadratic regulator (LQR).
Initially , the fundamentals of fuzzy systems theory and the most important inference systems used
are presented. One of these is the Takagi-Sugeno fuzzy inference system, which is used for modeling
and control in the proposal. Therefore, the control method is presented for both the case of regulatory
control systems with results of computer simulation to illustrate the effectiveness of the methodology
as the 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 developed based on LabVIEW
software and CompactRIO 9073 Controller. This platform allows the proximity between the mul-
tiobjective fuzzy control methodology proposal and its application in the industrial context.
Keywords: multiobjective fuzzy control, state space pole placement, linear quadratic regulator,
virtual/electronic control platform.
Trabalhos Publicados Pelo Autor

1. SANTOS, R. J. M.; SERRA, G. L. O.; FERREIRA, C. C. T. Formulation, Analysis and Validation


of Takagi-Sugeno Fuzzy Modeling For Robotic Manipulators. International Conference on Control,
Automation, Robotics and Vision, Paris, 2010.

2. SANTOS, R. J. M.; SERRA, G. L. O.; FERREIRA, C. C. T. Modelagem Nebulosa Takagi-Sugeno no


Espao de Estados: Estudo de Caso Aplicado a um Manipulador Robtico. In: I Congresso Brasileiro
de Sistemas Fuzzy. Anais do I Congresso Brasileiro de Sistemas Fuzzy. Sorocaba, SP, 2010.

3. SANTOS, R. J. M.; SERRA, G. L. O. Proposta de Metodologia para Projeto de Controle LQR Nebuloso
com Alocao de Plos. In: X Simpsio Brasileiro de Automao Inteligente. Anais do X Simpsio
Brasileiro de Automao Inteligente. So Joo Del-Rei, MG, 2011.

4. SANTOS, R. J. M.; SERRA, G. L. O. Controle Nebuloso Multi-objetivo: Anlise e Projeto do Regu-


lador Linear Quadrtico timo com Alocao de Plos. In: X Congresso Brasileiro de Inteligncia
Computacional. Anais do X Congresso Brasileiro de Inteligncia Computacional. Fortaleza, CE, 2011.

5. SANTOS, R. J. M.; SERRA, G. L. O. A Proposal of Multiobjective Fuzzy Regulator Design for State
Space Nonlinear Systems. In: 9th International Conference on Informatics in Control, Automation and
Robotics. Proceedings of the 9th International Conference on Informatics in Control, Automation and
Robotics, Rome, Italy, 2012. pp. 50-58.

6. SANTOS, R. J. M.; SERRA, G. L. O. Formulao, Anlise e Validao de Modelo Nebuloso no Espao


de Estados para Manipuladores Robticos. In: VII Congresso Nacional de Engenharia Mecnica. Anais
do VII Congresso Nacional de Engenharia Mecnica. So Lus, MA, 2012.

7. SANTOS, R. J. M.; SERRA, G. L. O. Controle timo Nebuloso no Espao de Estados para Sistemas
Dinmicos No-Lineares no Domnio do Tempo Contnuo. In: VII Congresso Nacional de Engenharia
Mecnica. Anais do VII Congresso Nacional de Engenharia Mecnica. So Lus, MA, 2012.

8. SANTOS, R. J. M.; SERRA, G. L. O. Controle Nebuloso Multi-objetivo no Espao de Estados para


Sistemas Dinmicos Dinmicos No-Lineares: Formulao do Problema de Controle Servomecanismo.
In: VII Congresso Nacional de Engenharia Mecnica. Anais do VII Congresso Nacional de Engenharia
Mecnica. So Lus, MA, 2012.

9. SANTOS, R. J. M.; SERRA, G. L. O. Controle timo Nebuloso com Alocao de Plos para Sistemas
Dinmicos No-Lineares no Espao de Estados. In: XIX Congresso Brasileiro de Automtica. Anais do
XIX Congresso Brasileiro de Automtica. Campina Grande, PB, 2012. pp. 2387-2394.

10. SANTOS, R. J. M.; SERRA, G. L. O. Controle Fuzzy Multi-Objetivo de Sistemas Dinmicos No-
Lineares com Atraso Puro de Tempo. In: XIX Conferncia Brasileira de Dinmica, Controle e Apli-
caes. Anais da Conferncia Brasileira de Dinmica, Controle e Aplicaes 2013. Fortaleza, CE,
2013.

viii
Lista de Figuras

2.1 Exemplo da varivel ESTATURA representada por conjuntos clssicos e por conjun-
tos fuzzy. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 12
2.2 Sistema carro - pndulo invertido. . . . . . . . . . . . . . . . . . . . . . . . . . . . 15
2.3 Conjuntos fuzzy das variveis lingusticas posio - (a), velocidade - (b) e con-
trole - (c), representados por funes de pertinncia do tipo gaussiana. . . . . . . . 16
2.4 Anlise de diversas condies de posio, velocidade e ao de controle do sistema
fuzzy projetado para o sistema carro pndulo invertido. . . . . . . . . . . . . . . . . 18
2.5 Superfcie relacional para o sistema de controle fuzzy Mamdani para o sistema carro
- pndulo invertido. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 18
2.6 Grfico da funo real f (x) = sen (x). . . . . . . . . . . . . . . . . . . . . . . . . . 20
2.7 Conjuntos fuzzy de x para uma aproximao utilizando 3 regras. . . . . . . . . . . . 21
2.8 Aproximao da funo f (x) = sen (x) pelo modelo fuzzy T-S para 3 regras. A curva
em linha preta designa o grfico da funo real, as linhas em vermelho designam as
retas nos pontos de operao (funes do consequente) e a linha em azul designa a
aproximao para 3 conjuntos fuzzy. . . . . . . . . . . . . . . . . . . . . . . . . . . 21
2.9 Conjuntos fuzzy de x para uma aproximao utilizando 5 regras. . . . . . . . . . . . 22
2.10 Aproximao da funo f (x) = sen (x) pelo modelo fuzzy T-S para 5 regras. A curva
em linha preta designa o grfico da funo real, as linhas em vermelho designam as
retas nos pontos de operao (funes do consequente) e a linha em azul designa a
aproximao para 5 conjuntos fuzzy. . . . . . . . . . . . . . . . . . . . . . . . . . . 23
2.11 Comparativo entre as aproximaes da funo f (x) = sen (x) (linha preta) pelo mo-
delo fuzzy T-S utilizando 3 regras (linha azul) e utilizando 5 regras (linha verde). . . . 23

3.1 Diagrama em blocos representando a metodologia proposta para projeto de regulado-


res fuzzy multiobjetivos. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 25
3.2 Pontos de operao escolhidos para o manipulador robtico. . . . . . . . . . . . . . 32
3.3 Diagrama de simulao do regulador fuzzy multiobjetivo projetado para o manipula-
dor robtico. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 34
3.4 Desempenho do regulador fuzzy multiobjetivo projetado para o manipulador robtico.
Os plos s1 = 8, s2 = 10 (linha slida) e s1 = 3 + j2, s2 = 3 j2 (linha
trao e ponto) are alocados na regio factvel; os plos s1 = 0.3, s2 = 0.5 (linha
pontilhada) e s1 = 0.2 + j3, s2 = 0.2 j3 (linha tracejada) so alocados na
regio no factvel. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 34

ix
LISTA DE FIGURAS x

3.5 Regio factvel multiobjetiva do manipulador robtico para o problema de alocao


tima de plos. A rea em preto denota a regio factvel e a rea cinza a regio no
factvel. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 35

4.1 Arquitetura do sistema embarcado reconfigurvel do CompactRIO 9073. Nos


mdulos de entrada e sada, responsveis por capturar/enviar sinais de/para senso-
res/atuadores, observa-se o condicionamento de sinais integrado e terminais de para-
fusos, conectores BNC ou conectores D-Sub (NI, 2014). . . . . . . . . . . . . . . . 44
4.2 Arquitetura de um sistema de controle baseado no LabVIEW e CompactRIO 9073.
No software LabVIEW estabelecida a programao da lei de controle a ser utilizada
bem como os processos de aquisio e envio de dados alm da IHM. H ento uma
comunicao do software com o hardware caracterizado pela CompactRIO 9073
com seus mdulos de E/S os quais esto conectados com sensores e atuadores e, estes,
por sua vez, esto em contato direto com a planta/processo a ser controlada. . . . . . 45
4.3 Chassi FPGA reconfigurvel da CompactRIO 9073. Alm de fornecer suporte
fsico para sustentao dos mdulos de entrada e sada, ele responsvel pela conexo
e comunicao com os mesmos (NI, 2014). . . . . . . . . . . . . . . . . . . . . . . 46
4.4 Detalhes do chassi da CompactRIO 9073. . . . . . . . . . . . . . . . . . . . . . 46
4.5 Mdulo de entrada analgica NI 9215. . . . . . . . . . . . . . . . . . . . . . . . . 47
4.6 Mdulo de entrada analgica NI 9219. . . . . . . . . . . . . . . . . . . . . . . . . 48
4.7 Mdulo de sada analgica NI 9263. . . . . . . . . . . . . . . . . . . . . . . . . . 49
4.8 Painel frontal do software LabVIEW. Nele esto disponveis os controles e indicado-
res para o usurio, permitindo construir uma interface com grficos e diversos outros
indicadores das variveis do sistema. . . . . . . . . . . . . . . . . . . . . . . . . . . 50
4.9 Diagrama em blocos do software LabVIEW. Nele possvel estabelecer a lgica de
programao propriamente dita bem como a utilizao dos respectivos elementos de
hardware para aquisio e envio de dados. . . . . . . . . . . . . . . . . . . . . . . . 51
4.10 Ilustrao da vista superior da torradeira mostrando suas dimenses fsicas (a altura
de 14 centmetros). As placas de mica se encontram nas paredes laterais da torradeira. 51
4.11 LM35 (encapsulamento TO-92) com seus 3 terminais: +VS (alimentao), Vout (ten-
so de sada) e GND (terra, comum) . . . . . . . . . . . . . . . . . . . . . . . . . . 52
4.12 Controle de fase TCA 785.(ALMEIDA, 2007) . . . . . . . . . . . . . . . . . . . . 53
4.13 Referncia para o Detector de Passagem por Zero.(ALMEIDA, 2007) . . . . . . . . 55
4.14 Comparador de disparo do TCA 785 . . . . . . . . . . . . . . . . . . . . . . . . . 56
4.15 Formao dos pulsos de disparo nas sadas do TCA 785 . . . . . . . . . . . . . . . 57
4.16 Circuito atuador baseado no TCA 785 para acionamento do sistema trmico. . . . . 58
4.17 Placa do circuito atuador. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 59
4.18 Plataforma de controle virtual/eletrnica. . . . . . . . . . . . . . . . . . . . . . . . . 60
4.19 Interface da plataforma virtual de controle com controles e indicadores das principais
variveis. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 61
4.20 Grficos da interface da plataforma virtual de controle. . . . . . . . . . . . . . . . . 62
4.21 Teste dinmico para identificao aplicado planta trmica. A tenso alternada, elu-
cidada pelo seu valor eficaz, aplicada planta cuja resposta temporal temperatura,
em graus Celsius. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 63
LISTA DE FIGURAS xi

4.22 Diagrama em blocos no Simulink para filtragem dos dados e tambm obteno das
derivadas do sinal de sada. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 63
4.23 Agrupamento e classificao de dados sada-sada da planta trmica. O primeiro clus-
ter (em verde), representa a regio de baixa temperatura e mdia temperatura. O
segundo cluster (em amarelo) representa a regio de altas temperaturas. . . . . . . . 64
4.24 Funes de pertinncia do modelo fuzzy T-S da planta trmica. A funo de pertinn-
cia da esquerda corresponde ao submodelo da regio de baixa e mdia temperatura
enquanto que a da direita representa a regio de altas temperaturas. . . . . . . . . . . 65
4.25 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. . . . . . . . 66
4.26 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. . . . . . . . . . . . . . . . . . . . . . . . 67
4.27 Comparativo entre a resposta do modelo fuzzy identificado e a sada real da planta
trmica. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 67
4.28 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. . . . . . 69
4.29 Diagrama em blocos do modelo fuzzy T-S para auxlio no clculo do custo pelo algo-
ritmo gentico a cada gerao. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 70
4.30 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 . . . . . . . . . . . . . . . . . 70

B.1 Diagrama em blocos ilustrando o processo de modelagem. O objetivo obter um


modelo cuja sada ym seja a mais prxima possvel da sada da planta yp para uma
mesma entrada aplicada u . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 97
B.2 Conjunto de dados no R2 (BABUKA, 1998) . . . . . . . . . . . . . . . . . . . . . 99
Lista de Tabelas

2.1 Base de regras do sistema fuzzy Mamdani para controle do sistema carro - pndulo
invertido. NA, PA, Z, NO e PO designam os termos lingusticos negativa, positiva,
zero, negativo e positivo, respectivamente. . . . . . . . . . . . . . . . . . . . . . . . 17
2.2 Base de regras do sistema fuzzy Takagi-Sugeno para o problema de aproximao da
funo f (x) = sen (x). . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 21
2.3 Base de regras do sistema fuzzy Takagi-Sugeno para o problema de aproximao da
funo f (x) = sen (x), considerando a utilizao de 5 regras. . . . . . . . . . . . . . 22

3.1 Bases de regras do modelo fuzzy T-S e do regulador projetado para o manipulador
robtico. (u1 = 9.81, u2 = 3.3592, u3 = 0.4567, u4 = 0, u5 = 0.4557, u6 =
3.3592 e u7 = 9.81.) . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 33
3.2 Relao entre os critrios de otimalidade das matrizes Q e R, definidos pelas equa-
es (3.9) e (3.10), respectivamente, e o mtodo da alocao de plos. . . . . . . . . 33
3.3 Anlise para a primeira parte do Teorema 1. . . . . . . . . . . . . . . . . . . . . . . 36
3.4 Anlise para a segunda parte do Teorema 1. . . . . . . . . . . . . . . . . . . . . . . 36

4.1 Especificaes tcnicas de comunicao da CompactRIO 9073 (NI, 2014) . . . . 45


4.2 Definio de pinos e suas funes no TCA 785 . . . . . . . . . . . . . . . . . . . . 54
4.3 Relao entre durao dos pulsos de sada e o capacitor C12 no TCA 785 . . . . . . 57
4.4 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. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 66
4.5 Especificaes dos parmetros do algoritmo gentico para otimizao do modelo
fuzzy identificado. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 68
4.6 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. . . . . . . . . . . . . . . . . . . . . . . 69

xii
Lista de Siglas

ADC do ingls Analog to Digital Converter - Conversor Analgico Di-


gital;
AG Algoritmo Gentico;
AI do ingls Analog Input - Entrada Analgica;
AO do ingls Analog Output - Sada Analgica;
CA Corrente Alternada;
CI Circuito Integrado;
DAC do ingls Digital to Analog Converter - Conversor Digital Ana-
lgico;
DI do ingls Digital Input - Entrada Digital;
DO do ingls Digital Output - Sada Digital;;
DPZ Detector de Passagem por Zero;
FLC do ingls Fuzzy Logic Controller - Controlador Lgico Fuzzy;
FPGA do ingls field-programmable gate array - Arranjo de Portas Pro-
gramveis por Ao de Campo;
IC Inteligncia Computacional;
IEEE do ingls Institute of Electrical and Electronics Engineers - Ins-
tituto de Engenheiros Eletrnicos e Eletricistas;
IHM Interface Homem-Mquina;
LMI do ingls Linear Matrix Inequality - Desigualdade Matricial Li-
near;
LQR do ingls Linear Quadratic Regulator - Regulador Linear Qua-
drtico;
MIMO do ingls Multiple-Input, Multiple-Output - Mltiplas Entradas -
Mltiplas Sadas;
NI National Instruments;
PID Proporcional-Integral-Derivativo (controlador).
SFC Sistema Fuzzy Contnuo;
SISO do ingls Single-Input, Single-Output - nica Entrada - nica
Sada;
T-S Takagi-Sugeno (modelo, controlador);
TSK Takagi-Sugeno-Kang (modelo, controlador);
VI do ingls Virtual Instrument - Instrumento Virtual (em Lab-
VIEW);

xiii
Lista de Smbolos

7 mapeia (funo, um conjunto em outro);


pertence (relaciona elemento e conjunto);

/ no pertence (relaciona elemento e conjunto);
min operador de mnimo
interseco, E lgico, mnimo;
t[ ] operador binrio t-norma, para interseco fuzzy;
(t) derivada temporal de uma varivel (t);
AT transposta da matriz A;
A1 inversa da matriz A;
Rn espao euclidiano n dimensional;
p
X
somatrio dos i-simos termos, com i variando de um at p, i
i=1 N;
p
Y
produtrio dos i-simos termos, com i variando de um at p,
i=1 i N;

xiv
Sumrio

Trabalhos Publicados Pelo Autor viii

Lista de Figuras ix

Lista de Tabelas xii

Lista de Siglas xiii

Lista de Smbolos xiv

1 Introduo 1
1.1 Consideraes Iniciais . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 2
1.2 Motivao e Relevncia . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 5
1.3 Objetivos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 7
1.3.1 Objetivo Geral . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 7
1.3.2 Objetivos Especficos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 8
1.4 Organizao da Monografia . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 8

2 Teoria de Sistemas Fuzzy 10


2.1 Breve Histrico e Conceitos Fundamentais da Teoria de Sistemas Fuzzy . . . . . . . 10
2.2 Tipos de Sistemas Fuzzy . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 13
2.2.1 Sistemas de Inferncia Fuzzy Lingustico - Mamdani . . . . . . . . . . . . . 13
2.2.2 Sistemas de Inferncia Fuzzy Takagi-Sugeno . . . . . . . . . . . . . . . . . 19

3 Metodologia de Controle Regulador/Servo Fuzzy Takagi-Sugeno Multiobjetivo 24


3.1 Controle Regulador Fuzzy Takagi-Sugeno Multiobjetivo . . . . . . . . . . . . . . . 25
3.1.1 Formulao do Regulador Linear Quadrtico Fuzzy Takagi-Sugeno . . . . . 25
3.1.2 Anlise da Regio Factvel Multiobjetiva . . . . . . . . . . . . . . . . . . . 30
3.1.3 Exemplo Computacional . . . . . . . . . . . . . . . . . . . . . . . . . . . . 31

xv
SUMRIO xvi

3.2 Controle Servo Fuzzy Takagi-Sugeno Multiobjetivo . . . . . . . . . . . . . . . . . . 36

4 Resultados Experimentais 43
4.1 Plataforma de Controle Virtual/Eletrnica . . . . . . . . . . . . . . . . . . . . . . . 43
4.1.1 A Controladora CompactRIO 9073 . . . . . . . . . . . . . . . . . . . . . . 43
4.1.2 O Software LabVIEW . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 49
4.1.3 Planta e Sensor . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 51
4.1.4 Atuador . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 52
4.1.5 Montagem da Plataforma . . . . . . . . . . . . . . . . . . . . . . . . . . . . 59
4.2 Modelagem Fuzzy Takagi-Sugeno do Sistema Trmico . . . . . . . . . . . . . . . . 62
4.2.1 Realizao do experimento sobre a planta e filtragem dos dados . . . . . . . 63
4.2.2 Definio da estrutura e ordem do modelo . . . . . . . . . . . . . . . . . . . 64
4.2.3 Estimao paramtrica e obteno do modelo fuzzy T-S . . . . . . . . . . . . 64
4.2.4 Validao e ajuste fino do modelo fuzzy T-S obtido . . . . . . . . . . . . . . 67
4.3 Projeto de controle fuzzy T-S da planta trmica . . . . . . . . . . . . . . . . . . . . . 70

5 Concluses 72

Referncias 74

A Cdigos-fonte dos Scripts em Matlab 80


A.1 Script tsfuzzysenoide3.m . . . . . . . . . . . . . . . . . . . . . . . . . . . . 80
A.2 Script tsfuzzysenoide5.m . . . . . . . . . . . . . . . . . . . . . . . . . . . . 81
A.3 Script smodlinmaniprob.m . . . . . . . . . . . . . . . . . . . . . . . . . . . . 82
A.4 Script projkmrob.m . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 83
A.5 Script rpade.m . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 87
A.6 Script indentificacao.m . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 89
A.7 Script agcode.m . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 92

B Algoritmo de Agrupamento Fuzzy c-means 97


B.1 Algoritmos de Agrupamento Fuzzy . . . . . . . . . . . . . . . . . . . . . . . . . . . 98
B.1.1 Parties Fuzzy . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 98
B.1.2 Agrupamento Fuzzy c-means . . . . . . . . . . . . . . . . . . . . . . . . . . 100

C Demonstrao da Equao Caracterstica em (3.29) pelo teorema de Cayley-Hamilton 102


Captulo 1

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 confi-
gurao 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 tempo, inter-relacionados entre outras caractersticas
que se mostram um obstculo ao projeto de controle. Sistemas reais so, em sua maioria, multivari-
veis 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 requi-
sitos 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 mecanis-
mos adaptativos para permitir ou facilitar um comportamento inteligente em ambientes complexos
e em mudana, tm 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
1
comum, por exemplo, utilizar algoritmos genticos para melhorar o resultado do uso de outras tcnicas de IC

1
1.1 Consideraes Iniciais 2

complexidades j citadas e impreciso de informao. A lgica fuzzy, quando analisada em conjuntos


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). Sobre
a computao flexvel, o prprio Zadeh afirma:
Computao flexvel uma coleo de metodologias que visam explorar a tolerncia para
impreciso e incerteza para alcanar tratabilidade, robustez e soluo de baixo custo. Suas
principais constituintes so lgica fuzzy, computao neural e raciocnio probabilstico. A
computao flexvel susceptvel de desempenhar um papel cada vez mais importante em
muitas reas de aplicao, incluindo engenharia de software. O modelo para computao
flexvel a mente humana (ZADEH, 1994, p. 48, traduo nossa).

Zadeh ainda afirma que nessa parceria entre lgica fuzzy, computao neural e raciocnio probabils-
tico, a lgica fuzzy est preocupada principalmente com impreciso e raciocnio aproximado(ZA-
DEH, 1994, p. 49). Embora o termo fuzzy tenha o significado de vago, impreciso ou mesmo indis-
tinto, a lgica fuzzy no vaga ou imprecisa; especificamente, a lgica fuzzy pode ser vista como
uma tentativa de formalizao/mecanizao de duas notveis habilidades humanas (ZADEH, 2008,
p. 1). Essas habilidades seriam, segundo ele, a capacidade de dialogar, raciocinar e tomar decises
racionais em um ambiente de impreciso, incerteza, incompletude de informaes e a capacidade de
realizar uma grande variedade de tarefas fsicas e mentais, sem quaisquer medidas e clculos. As-
sim, tais caractersticas possibilitam lgica fuzzy a habilidade de lidar com plantas no lineares e
complexas e a mesma tem mostrado resultados satisfatrios em modelagem e controle dessas plantas.
Assim, esta Monografia prope uma metodologia para controle de sistemas dinmicos no li-
neares 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.

1.1 Consideraes Iniciais


Como j foi mencionado, o intuito em estabelecer um sistema de controle influenciar o com-
portamento de sistemas dinmicos. Quando um sistema de controle utiliza uma medida da sada real
que se deseja controlar para compar-la com a resposta desejada (referncia) e esta diferena (erro)
uma informao utilizada pelo controlador para tomar uma ao, este sistema de controle dito
1 Introduo 3

com realimentao. Segundo Goodwin, Graebe e Salgado (2001, p. 5, traduo nossa), o controle
com realimentao tem uma longa histria que comeou com o desejo precoce de seres humanos de
aproveitar os materiais e foras da natureza a seu favor. O objetivo de controle com realimentao
ressaltado por Sala, Guerra e Babuka (2005): o controle com realimentao uma ferramenta
poderosa para lidar com a incerteza em sistemas dinmicos, atravs da reduo da sua sensibilidade a
perturbaes externas e alteraes de parmetros, e para modificar o seu comportamento dinmico.
Aceita-se como o primeiro controlador com realimentao automtico utilizado em um processo
industrial, o regulador de esferas de James Watt, desenvolvido em 1769 para controlar a velocidade
de uma mquina a vapor (DORF; BISHOP, 2009). Posteriormente, surgiram outros fatos relevan-
tes para a histria do desenvolvimento dos sistemas de controle, como a formulao de um modelo
matemtico para o controle regulador de uma mquina a vapor em 1868, por James C. Maxwell
(MAXWELL, 1868); o conceito de amplificador com realimentao negativa foi proposto por Harold
Black, em 1927 (BLACK, 1977; KLINE, 1993); e H. Nyquist desenvolve um mtodo para anlise da
estabilidade de sistemas, em 1932 (NYQUIST, 1932). Os trabalhos de Bode e Nyquist, juntamente
com os de Nichols e Evans, so trabalhos pioneiros desenvolvidos durante o perodo da Segunda
Guerra Mundial que tiveram uma contribuio substancial para o desenvolvimento da teoria de con-
trole (NYQUIST, 1932; EVANS, 1948; EVANS, 1950; BODE, 1964; MACFARLANE; NYQUIST,
1979). Estes mtodos, os quais fornecem meios grficos simples para anlise de problemas de con-
trole com realimentao do tipo SISO2 , so hoje conhecidos como pertencentes Teoria Clssica de
Controle (GOODWIN; GRAEBE; SALGADO, 2001). Na abordagem clssica de controle, percebe-
se a predominncia das funes de transferncia e tcnicas no domnio da frequncia. No fim da
dcada de 1950 e incio da dcada de 1960, a abordagem no domnio do tempo utilizando variveis
de estado ganha destaque. Nesta poca, destacam-se os trabalhos de Wiener e Kalman, entre ou-
tros, sobre estimao e controle timo. Este conjunto de trabalhos acabou conhecido como Teoria de
Controle Moderno (GOODWIN; GRAEBE; SALGADO, 2001; ATHANS, 1976).
A teoria de sistemas fuzzy foi iniciada no perodo de transio entre as teorias de controle clssica
e moderno, com o artigo Fuzzy Sets3 , publicado em 1965 por Lofti A. Zadeh (ZADEH, 1965). O
prprio conceito de estado, o qual exerce um papel fundamental na teoria de controle moderno, foi
desenvolvido por Zadeh em seu artigo intitulado From Circuit Theory to System Theory (WANG,
1997; ZADEH, 1962). No incio da dcada de 60, Zadeh compreendeu que a teoria de controle
clssico dera muita nfase na preciso e, por isso, no poderia lidar com sistemas complexos. Na
apresentao da obra The Fuzzy Systems Handbook, de Earl Cox, Zadeh explica a motivao do
seu artigo Fuzzy Sets:

2
do ingls single-input, single output
3
Conjuntos fuzzy
1.1 Consideraes Iniciais 4

Meu artigo de 1965 sobre conjuntos fuzzy foi motivado, em grande parte, pela convico de
que mtodos tradicionais de anlise de sistemas no so adequados para lidar com sistemas
nos quais as relaes entre as variveis no se prestam representao em termos de equaes
diferenciais ou equaes a diferenas. Tais sistemas so o padro em biologia, sociologia,
economia e, mais geralmente, em reas nas quais os sistemas so humanistas, em vez de
mecanicistas por natureza (COX, 1994, p. xxix, traduo nossa).
Zadeh explica que os mtodos tradicionais de anlise so orientados no sentido do uso de tcni-
cas numricas. Em contraste, a maior parte do raciocnio humano envolve o uso de variveis cujos
valores so conjuntos fuzzy (COX, 1994, p. xxix, traduo nossa). Esta observao, segundo ele, a
base para o conceito de varivel lingustica, isto , uma varivel cujos valores so palavras em vez de
nmeros, evidenciando a capacidade dos sistemas fuzzy de modelar os modos imprecisos de racioc-
nio, o que transparece ser uma interessante caracterstica para o campo da teoria de controle, quando
se deseja modelar e controlar sistemas incertos, no lineares, variantes no tempo e demais caracte-
rsticas de difcil tratamento com as tcnicas clssicas e modernas de controle. Embora a proposta
da teoria de conjuntos fuzzy tenha sido apresentada em 1965, os fundamentos de controle fuzzy so
realmente delineados no artigo Outline of a New Approach to the Analysis of Complex Systems and
Decision Processes, publicado por Zadeh em 1973 (ZADEH, 1973; ZADEH, 1988). Segundo Sala,
Guerra e Babuka (2005), Em contraste ao controle convencional, o controle fuzzy foi inicialmente
introduzido como um mtodo de projeto de controle livre de modelo, baseado em uma representao
do conhecimento e do processo de raciocnio de um operador humano. Este artigo de Zadeh, alm
de apresentar e explorar o conceito de varivel lingustica, tambm apresenta o conceito das regras
fuzzy SE-ENTO. Estas regras tem a capacidade de estabelecer relaes lgicas entre as variveis
de um sistema, correlacionando a informao qualitativa com a informao quantitativa. A informa-
o qualitativa geralmente possue uma interpretao lingustica clara e est diretamente associada a
valores numricos por meio de conjuntos fuzzy adequadamente definidos por funes de pertinncia.
Assim, o conhecimento do especialista expresso de forma verbal traduzido em uma coleo de re-
gras fuzzy SE-ENTO (a base de regras) e estas, facilitam, com sua estrutura lgica, o entendimento
e a anlise de modelos de maneira semi-qualitativa, aproximando as formas de raciocnio humano
sobre o mundo real (WANG, 1997). Assim, a lgica fuzzy permite, com sua estrutura, incorporar seja
em um modelo, seja em um algoritmo de controle, o conhecimento e a experincia de operadores
e projetistas, ou melhor, trata-se de uma formalizao do conhecimento de especialistas combinada
com estruturas matemticas flexveis que podem representar mapeamentos no lineares complexos
(BABUKA, 1998). Nesse contexto, a teoria de controle fuzzy, em particular, mostra-se como uma
poderosa ferramenta de extenso das tcnicas clssicas e modernas de controle linear, no sentido de
lidar eficientemente com incertezas, complexidades e no linearidades intrnsecas dos sistemas reais
de maneira geral.
1 Introduo 5

1.2 Motivao e Relevncia


Os problemas de controle atuais apresentam uma tendncia natural de aumentar sua complexi-
dade em virtude dos critrios de desempenho multiobjetivos a serem satisfeitos de forma eficiente
e prtica. Nesse sentido, as tcnicas de Inteligncia Computacional tem sido um poderoso auxlio
para projetistas e engenheiros lidarem com problemas de controle. A lgica fuzzy, em especial, tem
sua utilizao justificada principalmente pela capacidade de lidar de forma eficaz com caractersticas
incertas, imprecisas e vagas. Como afirmou seu prprio fundador, Lofti Zadeh: Basicamente, lgica
fuzzy a logica precisa da impreciso e raciocnio aproximado (ZADEH, 2008, p. 1,traduo nossa).
Entre as justificativas da utilizao de sistemas fuzzy, Wang (1997) apresenta as duas principais:
O mundo real muito complicado para descries precisas serem obtidas. Por conseguinte,
a aproximao deve ser introduzida a fim de obter um razovel, e ainda tratvel, modelo.
medida que avanamos para a era da informao, o conhecimento humano torna-se cada
vez mais importante. Precisamos de uma teoria para formular o conhecimento humano de
uma forma sistemtica e coloc-lo em sistemas de engenharia, juntamente com outras infor-
maes tais como modelos matemticos e medies sensoriais (WANG, 1997, p. 1, traduo
nossa).
Alm de uma estrutura funcional satisfatria, outra caracterstica relevante que endossa a utili-
zao da lgica fuzzy so suas inmeras e variadas aplicaes bem sucedidas desde o sua proposta
inicial em 1965. A primeira implementao da lgica fuzzy no contexto de controle automtico foi
feita em 1974, por Mamdani e Assilian (ZADEH, 1988). Zadeh, no artigo Fuzzy Logic, publicado
em 1988, j cita vrias aplicaes prticas da lgica fuzzy em controle:
No Japo, em particular, o uso da lgica fuzzy em controle de processos est sendo buscado
em muitas reas de aplicao, entre elas a operao automtica de trem (Hitachi), controle de
veculos (Sugeno Laboratory at Tokyo Institute of Technology), controle de robs (Hirota La-
boratory at Hosei University), reconhecimento de voz (Ricoh), controlador universal (Fuji), e
estabilizao de controle (Yamakawa Laboratory at Kumamoto University. (ZADEH, 1988,
p. 83, traduo nossa)

Em publicaes mais recentes sobre as aplicaes de controle fuzzy, como o livro Advanced
Fuzzy Logic Technologies in Industrial Applications so listados vrios campos de aplicao na in-
dstria (BAI; ZHUANG; WANG, 2007): sistema de rastreamento a laser; processamento de imagem
e reconhecimento de padro; engenharia mdica; controle automobilstico; controle de robs mveis
autnomos; calibrao de robs; controle de redes de energia; controle preditivo de uma usina de
energia solar.
Feng (2006) tambm apresenta uma numerosa lista de aplicaes bem sucedidas de controle fuzzy
em diversas reas, das quais algumas so:
1.2 Motivao e Relevncia 6

sistemas de potncia (ABDELAZIM; MALIK, 2003; FLORES et al., 2005; GUESMI; AD-
BALLAH; TOUMI, 2004; KO; NIIMURA, 2002)

telecomunicaes (AOUL et al., 2004; CHEN; TSAI; CHEN, 2003; CHEN et al., 2003; KAN-
DEL et al., 1999; LEE; LIM, 2001; ZHANG; PHILLIS, 1999)

sistemas mecnicos/robticos (BAI; ZHUANG; ROTH, 2005; BATURONE et al., 2004; BOU-
KEZZOULA; GALICHET; FOULLOY, 2004; CHANG; CHEN, 2005; KIM, 2004)

automveis (SUGENO; NISHIDA, 1985; BONISSONE et al., 1995; LIN; HSU, 2003; NIA-
SAR; MOGHBELI; KAZEMI, 2003)

processos industriais/qumicos (KORNBLUM; TRIBUS, 1970; HORIUCHI; KISHIMOTO,


2002; CAMPELLO; MELEIRO; AMARAL, 2004; CHEN; LIU, 2005)

motores (ALGER; KU, 1956; GUILLEMIN, 1996; KIM; LEE, 2005)

Outro fator que corrobora o uso crescente das aplicaes de lgica fuzzy e mostra o interesse
da comunidade cientfica nessa temtica so os inmeros peridicos em cujos tpicos se encontram
assuntos relacionados lgica fuzzy. Entre os de maior destaque no meio acadmico e cientfico atu-
almente, esto: IEEE Transactions on Fuzzy Systems, IEEE Transactions on Automatic Control,
IEEE Transactions on Systems, Man, and Cybernetics, IEEE Control Systems, IEEE Transacti-
ons on Robotics, IEEE Intelligent Systems, IEEE Transactions on Control Systems Technology,
IEEE Transactions on Industrial Electronics, Fuzzy Sets and Systems, Engineering Applicati-
ons of Artificial Intelligence, Control Engineering Practice, Journal of Process Control.
O interesse desta Monografia em propor uma metodologia de controle fuzzy se baseia, ainda, nas
numerosas aplicaes de controle fuzzy a partir de tcnicas clssicas e modernas de controle, seja
no domnio da frequncia ou no domnio do tempo. Uma abordagem muito comum a do projeto
de controlador Proporcional-Integral-Derivativo (PID) fuzzy, que, embora seja uma tarefa complexa,
em virtude do envolvimento de um grande nmero de parmetros na definio da base de regras
fuzzy, tem sido alvo de investigao de muitos pesquisadores (MANN; HU; GOSINE, 1999). Em
Huang e Yasunobu (2000), por exemplo, proposto um mtodo de projeto prtico de sistema de
controle PID fuzzy o qual se baseia na anlise da relao entre o controlador PID convencional e
o PID fuzzy para propor uma forma de escolher o tipo de controlador (PID fuzzy) adequado para a
planta a ser controlada. A eficcia do mtodo de projeto proposto evidenciada a partir de resultados
de simulao. Em Jianling, Zhenjie e Yezi (2007), apresentada uma nova estrutura de controlador
PID fuzzy. O controlador PID fuzzy proposto aplicado ao controle da temperatura de um forno para
tratamento de vidro. Resultados experimentais mostram a eficcia do projeto.
1 Introduo 7

Alm do controlador PID, outras tcnicas convencionais de controle tambm so incorporadas em


um contexto fuzzy para projeto de controladores com caractersticas mais sofisticadas e, claro, apto
para o controle de sistemas no lineares. Em Kang, Lee e Sugeno (1998) apresentado um contro-
lador fuzzy Takagi-Sugeno-Kang (TSK) baseado em modelo fuzzy TSK cujo consequente das regras
consiste de uma equao de estado com a adio de um termo constante. As tcnicas de alocao
de plos e do controle integral desenvolvidas para sistemas de controles linear so empregadas pelo
controlador fuzzy TSK. So mostrados projeto e resultados tanto para o caso de sistemas contnuos
quanto discretos. Em Preitl et al. (2008) so investigados vrios mtodos de alocao de plos no
caso linear e sugere um novo mtodo de alocao de plos por meio de equaes lineares fuzzy. Os
mtodos de alocao de plos so comparados pela simulao digital do comportamento dos sistemas
de controle no que diz respeito modificao da entrada de referncia. As concluses so teis para
sistemas de controle contnuo, e que pode ser facilmente estendida para sistemas de controle digitais,
incluindo os semi-contnuos. Em Jimenez et al. (2013), desenvolvido um controlador fuzzy baseado
no regulador linear quadrtico (FLC-LQR) cujo objetivo a obteno de um melhor desempenho de
sistemas multivariveis no lineares. Os resultados computacionais obtidos mostram uma resposta
robusta, suave e bem amortecida do sistema multivarivel em estudo usando o FLC-LQR proposto.
Em Adeli, Zarabadipour e Shoorehdeli (2011), proposto um controlador hbrido o qual inclui re-
gulao de posio e controle anti balano para um sistema de ponte rolante. O controlador fuzzy
projetado via compensao paralela e com estrutura de um regulador linear quadrtico com base
no modelo fuzzy Takagi-Sugeno da ponte rolante. utilizado algoritmo gentico para otimizao do
nmero de regras do sistema fuzzy. Os problemas de projeto de controle e anlise de estabilidade
so reduzidos a desigualdade matricial linear (LMI) problemas. Resultados de simulao ilustram a
validade do mtodo de controle LQR fuzzy com compensao paralela e distribuda para o controle da
ponte rolante. Nesse contexto est inserida a presente monografia, a qual combina as tcnicas de alo-
cao de plos no espao de estados e do regulador linear quadrtico (LQR) em um contexto fuzzy.
Enquanto aquela permite a determinao da matriz de ganho de controle por realimentao de estados
que aloque os plos designados, esta obtm tal matriz indiretamente, a partir das especificaes de
otimalidade pr-estabelecidas.

1.3 Objetivos

1.3.1 Objetivo Geral

Nesta monografia proposta uma metodologia de controle fuzzy multiobjetivo a qual incorpora as
tcnicas de alocao de plos no espao de estados e do regulador linear quadrtico (LQR).
1.4 Organizao da Monografia 8

1.3.2 Objetivos Especficos


Nesta monografia, os seguintes objetivos especficos so considerados:

Apresentar uma formulao de um mtodo de controle baseado em modelo que combine, em


um contexto fuzzy, as tcnicas convencionais de alocao de plos no espao de estados e do
regulador linear quadrtico, resultando em um controlador fuzzy multiobjetivo que possa ser
aplicado ao controle de plantas no lineares;

Obter e validar um modelo fuzzy com estrutura Takagi-Sugeno (T-S) baseado em dados experi-
mentais de entrada e sada, da planta no linear a ser controlada, utilizando agrupamento fuzzy
e o mtodo dos mnimos quadrados ponderados;

Desenvolver uma plataforma de controle virtual/eletrnica na qual possa ser implementada a


estratgia de controle proposta;

Validar e implementar a metodologia de controle fuzzy multiobjetivo proposta na plataforma de


controle virtual/eletrnica desenvolvida.

1.4 Organizao da Monografia


Com base nos objetivos apresentados na seo 1.3, esta monografia apresenta a seguinte estrutura:
O Captulo 2 apresenta os fundamentos da teoria de sistemas fuzzy, resgatando o histrico de
seu surgimento bem como a proposta de importantes conceitos como o de variveis lingusticas e
das regras fuzzy SE-ENTO. Na sequncia, o captulo apresenta os tipos de sistema de inferncia
fuzzy: o lingustico, ou Mamdani, e o Takagi-Sugeno. Para cada um desses sistemas de inferncia
apresentado um exemplo computacional para elucidar a sua aplicao.
O Captulo 3 apresenta a proposta da metodologia de controle fuzzy Takagi-Sugeno (T-S) multi-
objetivo para plantas no lineares. Primeiramente, a proposta apresentada para o caso de sistemas
de controle regulador e, por conseguinte, para o caso de sistemas de controle servo. Para o caso do re-
gulador apresentado um exemplo computacional contemplando os passos desde a modelagem fuzzy
T-S, utilizando linearizao para obteno dos submodelos locais, at o projeto de controle pela me-
todologia proposta. A aplicao para o caso de sistemas de controle servo apresentada no captulo
4.
O Captulo 4 apresenta os resultados experimentais da proposta de controle apresentada. Na
primeira parte do captulo descrito o desenvolvimento da plataforma de controle virtual/eletrnica
detalhando os ambientes de hardware e software. Na segunda parte, apresentada a modelagem
1 Introduo 9

Takagi-Sugeno de um sistema trmico com base nos seus dados experimentais de entrada e sada,
o projeto de controle baseado neste modelo e os resultados de sua implementao na plataforma de
controle virtual/eletrnica desenvolvida.
O Captulo 5 apresenta as concluses da monografia e sugestes para pesquisas futuras.
Captulo 2

Teoria de Sistemas Fuzzy

Neste captulo so apresentados os principais conceitos que fundamentam a teoria de sistemas


fuzzy. Inicialmente, feito um breve histrico sobre a lgica fuzzy e mencionados os conceitos que
exercem um papel fundamental em suas aplicaes. Em seguida, so apresentados os principais tipos
de sistemas fuzzy com suas definies e exemplos de aplicao.

2.1 Breve Histrico e Conceitos Fundamentais da Teoria de Sis-


temas Fuzzy
Segundo Wang (1997), a teoria fuzzy foi introduzida por Lofti A. Zadeh em 1965, com seu artigo
intitulado Fuzzy Sets(ZADEH, 1965). A motivao para a introduo desta teoria parece melhor
explicada em um artigo publicado por Zadeh posteriormente, em 1973, no qual ele menciona:

Essencialmente, o nosso argumento que as tcnicas quantitativas convencionais para an-


lise de sistemas so intrinsecamente inadequadas para lidar com sistemas humansticos ou,
alis, qualquer sistema cuja complexidade comparvel a de sistemas humansticos (ZA-
DEH, 1973, p. 28, traduo nossa)

Continuando a explanao, Zadeh comenta o princpio da incompatibilidade:

A base para esta argumentao repousa sobre o que poderia ser chamado de princpio da
incompatibilidade. Dito de maneira informal, a essncia deste princpio que, medida que
a complexidade de um sistema aumenta, a nossa capacidade de fazer afirmaes precisas
e ainda significativas sobre seu comportamento diminui at que um limiar atingido alm
do qual preciso e significncia (ou relevncia) tornam-se caractersticas quase mutuamente
exclusivas.(ZADEH, 1973, p. 28, traduo nossa)

10
2 Teoria de Sistemas Fuzzy 11

Um princpio corolrio deste, segundo Zadeh, seria que quanto mais de perto se olha um pro-
blema do mundo real, mais confusa se torna sua soluo(ZADEH, 1973, p. 28, traduo nossa).
Considerando que a proposta do artigo estabelece um afastamento das tcnicas quantitativas conven-
cionais de anlise de sistemas, ele afirma:
Uma abordagem alternativa descrita neste artigo baseia-se na premissa de que os elementos-
chave para o pensamento humano no so nmeros, mas rtulos de conjuntos fuzzy, ou seja,
classes de objetos em que a transio da pertinncia no pertinncia gradual ao invs de
abrupta(ZADEH, 1973, p. 28, traduo nossa).

Assim ele retoma o conceito de conjuntos fuzzy, ou termos lingusticos, os quais caracterizam
qualitativamente a varivel lingustica. Esta, por sua vez, exerce, juntamente com as regras fuzzy do
tipo SE-ENTO, um papel central nas aplicaes de lgica fuzzy.
O conceito de modelagem e anlise de sistemas por meio de variveis lingusticas foi introduzido
por Zadeh (ZADEH, 1973). A varivel lingustica uma varivel cujos valores so palavras ou
sentenas na linguagem natural (ZADEH, 1994, p. 49, traduo nossa). Matematicamente, uma
varivel lingustica L definida por uma quntupla (KLIR; YUAN, 1995; BABUKA, 1998):

L = (x, A, X, g, m) (2.1)

onde x a varivel base, A = {A1 , A2 , , AN } o conjunto de termos lingusticos de x, X o


domnio ou universo de discurso da varivel base, g a regra sinttica que gera os termos lingusticos
e m a regra semntica que atribui a cada termo lingustico seu significado, ou seja, um conjunto
fuzzy em X. A varivel base uma varivel em sentido clssico, exemplificada por alguma varivel
fsica, como velocidade, temperatura, presso, etc. Os termos lingusticos ou valores lingusticos ca-
racterizam a varivel lingustica. A varivel lingustica idade, por exemplo, pode ser caracterizada
pelos termos jovem, velho, muito velho ou no muito velho, enquanto que a varivel lingustica tem-
peratura poderia ser caracterizada pelos termos baixa, mdia e alta (ZADEH, 1994; BABUKA,
1998). Todos esses termos lingusticos so conjuntos fuzzy, ou rtulos destes, por assim dizer. Um
mtodo fundamental para representao de conjuntos fuzzy o mtodo da pertinncia. Esse mtodo
de definio de um conjunto no comumente utilizado para representar conjuntos clssicos. Ele
um mtodo que estabelece uma funo que determina se um elemento x pertence ou no pertence
a um conjunto clssico Ac da seguinte forma:
(
1 se x Ac
Ac (x) = (2.2)
0 se x
/ Ac
Para conjuntos fuzzy, entretanto, a funo de pertinncia que os define toma valores no intervalo
fechado [0, 1] em vez de somente os valores 0 ou 1. Assim, pode-se estabelecer que a funo de
2.1 Breve Histrico e Conceitos Fundamentais da Teoria de Sistemas Fuzzy 12

pertinncia que define um conjunto fuzzy Af dada por (ZADEH, 1965):

Af (x) : X 7 [0, 1] (2.3)

A Figura 2.1 mostra um exemplo das formas de representao (por conjuntos clssicos e fuzzy)
da varivel lingustica ESTATURA, correspondente estatura fsica de uma pessoa, a qual pode ser
classificada em baixa ou alta (PEDRYCZ; GOMIDE, 2007). Enquanto que com a representao
com conjuntos clssicos, o valor em 1, 5 um limiar que representa uma mudana brusca de baixo
para alto, a representao com conjuntos fuzzy mostra, nesse mesmo ponto, uma mudana gradual,
ou seja, uma estatura 1, 5 baixa e alta com graus de pertinncia 0.5, ambas.

Representao
Baixa Alta Fuzzy
X

Representao
Baixa Alta
Clssica
X

Limiar
Baixa Alta
1

Conjuntos
Clssicos

0 1,5

ESTATURA varivel lingustica

termos
baixa alta lingusticos
regra semntica
1

Conjuntos funes de pertinncia


Fuzzy

0 1,5
h (estatura) varivel base

Figura 2.1: Exemplo da varivel ESTATURA representada por conjuntos clssicos e por conjuntos
fuzzy.

As regras fuzzy do tipo SE-ENTO se constituem outro componente fundamental no contexto de


sistemas fuzzy. Basicamente, elas tem a seguinte estrutura:

Se < proposio antecedente > Ento < proposio consequente > (2.4)

Os modelos mais comuns de sistemas fuzzy consistem de colees de regras lgicas SE-ENTO
com predicados vagos; estas regras, juntamente com o mecanismo de raciocnio constituem o ncleo
de um modelo fuzzy baseado em regras, afirma Nguyen e Sugeno (1998, p. 91, traduo nossa). Na
proposta inicial de Zadeh, o antecedente e o consequente das regras fuzzy SE-ENTO so proposies
2 Teoria de Sistemas Fuzzy 13

contendo variveis lingusticas (ZADEH, 1994, p. 49). Atualmente, o formato das regras um critrio
utilizado para classificar os tipos de sistemas fuzzy em duas categorias que diferem fundamentalmente
em sua capacidade de representar diferentes tipos de informaes (NGUYEN; SUGENO, 1998).
Em geral, so distinguidos dois tipos de sistemas fuzzy: o sistema de inferncia fuzzy lingustico ou
Mamdani, como tambm conhecido (ZADEH, 1973; MAMDANI, 1977); e o sistema de inferncia
fuzzy Takagi-Sugeno (TAKAGI; SUGENO, 1985). A seguir so apresentados estes dois tipos de
sistemas fuzzy.

2.2 Tipos de Sistemas Fuzzy


Como j foi mencionado, o critrio1 para a distino entre os tipos de sistemas fuzzy aqui apresen-
tados a estrutura da regra SE-ENTO ou, mais especificamente, de seu consequente, como segue:

2.2.1 Sistemas de Inferncia Fuzzy Lingustico - Mamdani


No sistema de inferncia fuzzy Mamdani, tanto o antecedente quanto o consequente so proposi-
es fuzzy. A forma geral para a i-sima regra dada por:

Ri : Se x Ai Ento y Bi , i = 1, 2, , K (2.5)

onde x a varivel do antecedente, que representa a entrada do sistema fuzzy e y a varivel do


consequente, a qual representa a sada do sistema fuzzy. Ai e Bi so os termos lingusticos (conjuntos
fuzzy) definidos por funes de pertinncia. A regra em (2.5) um exemplo simplificado para de-
monstrar a estrutura da regra no sistema de inferncia Mamdani. Contudo, mais comum as regras
serem representadas em uma forma decomposta, com o antecedente definido como uma combinao
de simples proposies fuzzy em componentes individuais xi do vetor x. Essas proposies simples
so combinadas para produzir uma proposio composta desejada por meio de operadores lgicos
de conjuno, disjuno e negao (complemento), como por exemplo E, OU e NO (BABUKA,
1998):

Ri : Se x1 Ai1 OU x2 Ai2 E x3 Ai3 Ento y Bi (2.6)

No caso da regra em (2.6), so definidos conjuntos fuzzy unidimensionais para cada componente
do vetor antecedente em vez de usar o vetor com conjuntos fuzzy multidimensionais (BABUKA,
1998). Para ilustrar a utilizao de uma estrutura mais completa para a regra no sistema de inferncia
1
O procedimento de defuzzificao, para obter a sada geral (crisp) do sistema, tambm diferente para cada tipo
2.2 Tipos de Sistemas Fuzzy 14

Mamdani, considere o problema de descrever o modelo matemtico de um sistema fuzzy lingustico


para representar uma funo de n entradas por m sadas, sendo que cada entrada apresenta p ter-
mos lingusticos. Assim, a funo a ser aproximada possui as entradas x1 , x2 , , xn e as sadas
y1 , y2 , , ym . Como cada entrada possui p termos lingusticos, cada sada ter uma base de regras
composta de pn regras, ou seja, m bases de regra com pn regras cada uma delas. O j-simo termo lin-
gustico da k-sima entrada representado por Lej (xk ) e para a sada representa-se Lsj (yk ). Assim,
a base de regras para uma sada yi tem sua primeira regra dada por:

(y )
R1 i : SE x1 Le1 (x1 ) E x2 Le1 (x2 ) E E xn Le1 (xn ) ENTO yi Ls1 (yi ) (2.7)

As demais regras so obtidas fazendo as mais diversas combinaes de termos lingusticos da


entrada no antecedente da regra. A segunda regra poderia ser, por exemplo:

(y )
R2 i : SE x1 Le2 (x1 ) E x2 Le1 (x2 ) E E xn Le1 (xn ) ENTO yi Ls2 (yi ) (2.8)

Neste caso, variou-se somente o termo lingustico da varivel x1 e todos os outros foram mantidos
fixos. Considerando que cada varivel de entrada possui p termos lingusticos e existem n variveis
de entrada, o total de combinaes possveis p p p p, ou pn combinaes. Assim, no obstante
| {z }
n vezes
a ordem seguida para estruturar as regras, a ltima regra da base de regras para a sada yi dada por:

(y )
Rpni : SE x1 Lep (x1 ) E x2 Lep (x2 ) E E xn Lep (xn ) ENTO yi Lspn (yi ) (2.9)

Para interpretar estas regras SE-ENTO utilizando a implicao Mamdani, parte-se da premissa
que dada a equivalncia p q p q, essa implicao estabelece que uma regra SE < FP1 >
ENTO < FP1 > interpretada como uma relao fuzzy QM M com funo de pertinncia

QM M (x, y) = min [F P1 (x), F P2 (y)] (2.10)

Assim, para a base de regras proposta para o sistema de n entradas e m sadas, tm-se que se
j (xj ) for a funo de pertinncia que define o conjunto fuzzy designado pelo j-simo termo lingus-
tico (Lej (xk )) da k-sima entrada, ento o antecedente da primeira regra, por exemplo, ser definido
por:
2 Teoria de Sistemas Fuzzy 15

F P1 (x) = t[1 (x1 ), 1 (x2 ), , 1 (xn )] (2.11)

A relao fuzzy para esta regra, por sua vez, dada por:

QM M1 (x, yi ) = min [t[1 (x1 ), 1 (x2 ), , 1 (xn )], 1 (yi )] (2.12)

E para a pn -sima regra, tm-se:

QM Mpn (x, yi ) = min [t[p (x1 ), p (x2 ), , p (xn )], pn (yi )] (2.13)

Exemplo de Aplicao (Mamdani) - Controle de Sistema Carro-Pndulo Invertido

Como exemplo de aplicao do sistema de inferncia fuzzy Mamdani, considere o projeto de um


sistema fuzzy deste tipo para equilibrar o pndulo invertido mostrado na Figura 2.2. Este problema
de projeto proposto em Wang (1997, p. 17). As variveis de entrada do sistema fuzzy so a posio
angular a sua derivada ; a fora u aplicada ao carro a sada.
"
92
0,

aaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaa
aaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaa
aaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaa
aaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaa
Figura 2.2: Sistema carro - pndulo invertido.

A resoluo deste problema de projeto de sistema fuzzy, consistir basicamente de caracterizar


as variveis lingusticas envolvidas no processo, atribuindo-lhes conjuntos fuzzy coerentes e determi-
nar uma base de regras fuzzy SE-ENTO baseadas no senso comum de como equilibrar o pndulo
invertido.
As informaes dadas a respeito do sistema que o mesmo possui duas entradas, as quais so
posio angular ( - radianos) e velocidade angular ( - radianos/segundo), bem como uma
sada - u, que ser considerada como a voltagem aplicada a um motor DC que mover o carrinho.
Tambm ser convencionado que um ngulo negativo ser para a esquerda e um ngulo positivo para
a direita, velocidade negativa no sentido anti-horrio e velocidade positiva no sentido horrio,
2.2 Tipos de Sistemas Fuzzy 16

consequentemente. Uma voltagem negativa mover o carro para a esquerda. Caso seja positiva, o
 
carro ir para a direita. As faixas de definio das variveis (o range) so ,
4 4

, [, ]
e u [12, 12]. Essas so as faixas de definio das variveis base correspondentes s variveis
lingusticas posio, velocidade e controle. As variveis base de posio, velocidade e
controle sero representadas por x1 , x2 e u, respectivamente. Para a varivel lingustica posio
podem ser atribudos os conjuntos fuzzy negativa, zero e positiva. Esses mesmos termos lingusticos
tambm podem ser atribudos varivel velocidade. Para a varivel lingustica controle, podem
ser utilizados os termos lingusticos negativo, zero e positivo. Sempre o termo lingustico zero ser
designado por uma funo de pertinncia em torno de zero - uma gaussiana com centro em zero. Os
demais conjuntos fuzzy tambm sero representados por gaussianas cujos centros sero os limites das
variveis base, como mostra a Figura 2.3

negativa zero positiva negativa zero positiva


1 1

0.8 0.8

0.6 0.6
(x )

(x2)
1

0.4 0.4

0.2 0.2

0 0
0.7854 0.5236 0.2618 0 0.2618 0.5236 0.7854 3.1416 1.5708 0 1.5708 3.1416
x1 x2

(a) Conjuntos fuzzy da varivel lingustica posio (b) Conjuntos fuzzy da varivel lingustica veloci-
dade

negativo zero positivo


1

0.8

0.6
(u)

0.4

0.2

0
12 10 8 6 4 2 0 2 4 6 8 10 12
u

(c) Conjuntos fuzzy da varivel lingustica controle

Figura 2.3: Conjuntos fuzzy das variveis lingusticas posio - (a), velocidade - (b) e controle
- (c), representados por funes de pertinncia do tipo gaussiana.
2 Teoria de Sistemas Fuzzy 17

Definidas as funes de pertinncia dos conjuntos fuzzy, o prximo passo a construo da base
de regras do sistema fuzzy com base no senso comum, ou seja, apenas com base no entendimento do
que deveria ser feito com o carro, sob determinadas condies de posio angular e velocidade do
pndulo, para garantir o equilbrio. Por observao do sistema carro - pndulo invertido, possvel
observar, por exemplo, que se o pndulo estiver com posio angular negativa (para a esquerda) e
velocidade negativa (tendncia de movimento anti-horrio), necessrio aplicar uma fora que mova
o carro para a esquerda (voltagem negativa) para que o pndulo retorne ao eixo central. Se, por outro
lado, o pndulo estiver com posio angular positiva (para a direita) e velocidade negativa (tendncia
de movimento horrio), necessrio aplicar uma fora que mova o carro para a direita (voltagem
positiva) para que o pndulo retorne ao eixo central. Assim, a base de regras composta a partir
de observaes deste tipo. Considerando que o sistema fuzzy possui duas entradas com 3 termos
lingusticos cada, a base de regras completa possui 9 regras (3 3), como mostra a Tabela 2.1

Controlador Fuzzy Mamdani


R1 : Se x1 NA E x2 NA Ento u NO
R2 : Se x1 NA E x2 Z Ento u NO
R3 : Se x1 NA E x2 PA Ento u NO
R4 : Se x1 Z E x2 NA Ento u NO
R5 : Se x1 Z E x2 Z Ento u Z
R6 : Se x1 Z E x2 PA Ento u PO
R7 : Se x1 PA E x2 NA Ento u PO
R8 : Se x1 PA E x2 Z Ento u PO
R9 : Se x1 PA E x2 PA Ento u PO

Tabela 2.1: Base de regras do sistema fuzzy Mamdani para controle do sistema carro - pndulo
invertido. NA, PA, Z, NO e PO designam os termos lingusticos negativa, positiva, zero, negativo e
positivo, respectivamente.

A simulao deste sistema fuzzy Mamdani para equilibrar o sistema carro - pndulo invertido foi
feita na toolbox de fuzzy do matlab, na qual possvel atribuir a um sistema fuzzy diversas entradas
e sada, funes de pertinncia, mtodos de defuzzificao, base de regras e obter a superfcie rela-
cional do sistema fuzzy. A Figura 2.4 mostra quatro condies das variveis posio e velocidade e
a respectiva ao de controle a partir do processo de defuzzificao. Essas condies so geradas a
partir da informao fornecida na base de regras do sistema fuzzy. A Figura 2.5 mostra a superfcie
relacional do sistema fuzzy Mamdani projetado. O grfico mostra todas as possibilidades de combina-
es dos valores das variveis posio e velocidade angular e o respectivo valor da varivel controle
para garantir o equilbrio do pndulo invertido. uma representao grfica das relaes que podem
ser obtidas no ambiente mostrado na Figura 2.4 que permite ver com mais clareza a relao entrada-
2.2 Tipos de Sistemas Fuzzy 18

sada do sistema fuzzy. O mtodo de defuzzificao utilizado foi o centride, o qual fornece a mdia
das reas de todas as figuras que representam os graus de pertinncia de um subconjunto fuzzy.

(a) Condio com posio e velocidade nu- (b) Condio com posio e velocidade
las mximas negativas

(c) Condio com posio e velocidade m- (d) Condio com posio nula e veloci-
ximas positivas dade positiva

Figura 2.4: Anlise de diversas condies de posio, velocidade e ao de controle do sistema fuzzy
projetado para o sistema carro pndulo invertido.

15
10
5
0
u

5
10
15
4
2 1
0 0.5
0
2 0.5
x2 4 1
x1

Figura 2.5: Superfcie relacional para o sistema de controle fuzzy Mamdani para o sistema carro -
pndulo invertido.
2 Teoria de Sistemas Fuzzy 19

2.2.2 Sistemas de Inferncia Fuzzy Takagi-Sugeno


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, assim como no Mamdani. O consequente,
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|x 1
, , xp Fj|x p
) Ento y = Gi (x) (2.14)

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 pelas variveis lingusticas
i i
Fj|x 1
, , Fj|x p
. O termo y = Gi (x) o funcional das variveis do antecedente da regra. A relao
i
de cada varivel lingustica do antecedente com determinado conjunto fuzzy Fj|x m
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 (2.15)
1 2 p

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 :
p
Y
hi (x) = im (xm ) (2.16)
m=1

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

hi (x)
i (x) = l
(2.17)
X
hr (x)
r=1

l
X
supondo hr (x) 6= 0, onde l o nmero de regras. Assim, esta normalizao implica em
r=1
l
X
i (x) = 1 (2.18)
i=1
2.2 Tipos de Sistemas Fuzzy 20

A sada do modelo fuzzy T-S uma soma ponderadas dos funcionais do consequente, Gi , dada por

l
X
y= i (x)Gi (x) (2.19)
i=1

Observa-se que y em (2.19) 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 com-
plexidade das funes de pertinncia (BERGSTEN, 2001). Em comparativo ao sistema Mamdani,
o sistema de inferncia fuzzy T-S apresenta maior preciso nas implementaes computacionais bem
como tem mais flexibilidade para incorporar em sua estrutura formulaes matemticas complexas
(BERGSTEN, 2001; SERRA, 2012).

Exemplo de Aplicao (Takagi-Sugeno) - Aproximao de Funo Senoidal

Como exemplo de aplicao ser considerado o problema de aproximao de uma funo dada
por f (x) = sen(x), com domnio D = [, ], por um modelo fuzzy Takagi-Sugeno. Este problema
apresentado em Bergsten (2001, p. 23). O grfico da funo mostrado na Figura 2.6

1.5

0.5
f(x)

0.5

1.5
4 3 2 1 0 1 2 3 4
x

Figura 2.6: Grfico da funo real f (x) = sen (x).

Considere, inicialmente, a utilizao de trs pontos de linearizao para aproximar a senide:


x0,1 = 2.6, x0,2 = 0 e x0,3 = 2.6. A linearizao pode ser feita utilizando-se expanso em srie de
Taylor de primeira ordem, obtendo-se:

sen (x) = sen (x0 ) + cos (x0 )(x x0 ) (2.20)

onde x0 o ponto de linearizao. A equao (2.20) designa a funo de uma reta cujo grfico passa
pelo ponto x0 . O prximo passo a escolha de trs conjuntos fuzzy para cada um dos pontos de
linearizao x0,i |i=1,2,3 e funes de pertinncia para defin-los, como mostra a Figura 2.7. A base
2 Teoria de Sistemas Fuzzy 21

de regras do modelo fuzzy T-S dada na Tabela 2.2. A Figura 2.8 mostra a aproximao da funo
f (x) = sen (x) por um modelo T-S utilizando trs regras

x x0,2 x0,3
0,1
1

0.8

0.6
f(x)

0.4

0.2

0
3 2 1 0 1 2 3
x

Figura 2.7: Conjuntos fuzzy de x para uma aproximao utilizando 3 regras.

Modelo Fuzzy Takagi-Sugeno - 3 regras


R1 : Se x x0,1 Ento y = 0.8569x 2.7434
R2 : Se x x0,2 Ento y = x
R3 : Se x x0,3 Ento y = 0.8569x + 2.7434

Tabela 2.2: Base de regras do sistema fuzzy Takagi-Sugeno para o problema de aproximao da
funo f (x) = sen (x).

1.5

0.5
f(x)

0.5

1.5
4 3 2 1 0 1 2 3 4
x

Figura 2.8: Aproximao da funo f (x) = sen (x) pelo modelo fuzzy T-S para 3 regras. A curva em
linha preta designa o grfico da funo real, as linhas em vermelho designam as retas nos pontos de
operao (funes do consequente) e a linha em azul designa a aproximao para 3 conjuntos fuzzy.
2.2 Tipos de Sistemas Fuzzy 22

Pode-se observar que a aproximao mostrada na Figura 2.8 no satisfatria nos pontos mximo
e mnimo da senoide. Um aumento do nmero de pontos de linearizao e de regras pode claramente
causar uma melhoria nesta aproximao. Considerando, por exemplo, a adio de mais 2 pontos
de linearizao nos extremos negativo e positivo, obtem-se x0,1 = 2.6, x0,2 = 1.57, x0,3 = 0,
x0,4 = 1.57 e x0,5 = 2.6. As funes de pertinncia dos conjuntos fuzzy escolhidas para cada um
destes pontos de operao so mostradas no grfico da Figura 2.9

x0,1 x0,2 x0,3 x0,4 x0,5


1

0.8

0.6
(x)

0.4

0.2

0
3 2 1 0 1 2 3
x

Figura 2.9: Conjuntos fuzzy de x para uma aproximao utilizando 5 regras.

A base de regras dada na Tabela 2.3

Modelo Fuzzy Takagi-Sugeno - 5 regras


R1 : Se x x0,1 Ento y = 0.8569x 2.7434
R2 : Se x x0,2 Ento y = 0.9987
R3 : Se x x0,3 Ento y =x
R4 : Se x x0,4 Ento y = 0.9987
R5 : Se x x0,5 Ento y = 0.8569x + 2.7434

Tabela 2.3: Base de regras do sistema fuzzy Takagi-Sugeno para o problema de aproximao da
funo f (x) = sen (x), considerando a utilizao de 5 regras.

A Figura 2.10 mostra a aproximao da funo f (x) = sen (x) por um modelo fuzzy T-S utili-
zando cinco regras. Em virtude da adio de mais dois pontos de linearizao na regio onde havia
pior aproximao, o resultado global se tornou mais satisfatrio. A Figura 2.11 mostra um compara-
tivo das duas aproximaes apresentadas.
2 Teoria de Sistemas Fuzzy 23

1.5

0.5

f(x) 0

0.5

1.5
4 3 2 1 0 1 2 3 4
x

Figura 2.10: Aproximao da funo f (x) = sen (x) pelo modelo fuzzy T-S para 5 regras. A curva
em linha preta designa o grfico da funo real, as linhas em vermelho designam as retas nos pontos
de operao (funes do consequente) e a linha em azul designa a aproximao para 5 conjuntos
fuzzy.

1.5

0.5
f(x)

0.5

1.5
4 3 2 1 0 1 2 3 4
x

Figura 2.11: Comparativo entre as aproximaes da funo f (x) = sen (x) (linha preta) pelo modelo
fuzzy T-S utilizando 3 regras (linha azul) e utilizando 5 regras (linha verde).

No prximo captulo ser apresentada a proposta de controle fuzzy multiobjetivo para sistemas no
lineares considerando o caso de sistemas reguladores e tambm servossistemas, utilizando modelos
fuzzy com estrutura Takagi-Sugeno.
Captulo 3

Metodologia de Controle Regulador/Servo


Fuzzy Takagi-Sugeno Multiobjetivo

Neste captulo apresentada a proposta de controle fuzzy Takagi-Sugeno (T-S) multiobjetivo para
plantas no lineares. A metodologia combina, em um contexto fuzzy com estrutura T-S, duas tcnicas
de controle comumente aplicadas para projeto de controle linear proporcionando uma abordagem que
permite a aplicao dessas tcnicas em sistemas no lineares. Essas duas tcnicas so o regulador
linear quadrtico (LQR) e a alocao de plos. Esta ltima permite calcular a matriz de ganho de
controle por realimentao de estado que aloque os plos inicialmente designados para o sistema en-
quanto que aquela necessita da designao inicial de critrios de otimalidade e conduz a uma matriz
de ganho de controle por realimentao de estados que garanta a satisfao desses critrios e conse-
quentemente aloca determinados plos. Estes so os plos de malha fechada do sistema de controle,
os quais permitem inferir diretamente nas caractersticas da resposta temporal da planta, garantindo
transparncia de interpretao durante o projeto de controle. A metodologia aqui proposta dita mul-
tiobjetiva no sentido de garantir simultaneamente a alocao dos plos de malha fechada desejados
e a satisfao dos critrios de otimalidade: uma determinada planta para a qual se deseja projetar o
controlador fuzzy T-S multiobjetivo, obtm-se uma regio factvel de plos timos.

A abordagem da metodologia aqui apresentada se dar em duas etapas: a primeira, na Seo 3.1,
mostra o projeto para sistemas reguladores e a segunda, na Seo 3.2 para servossistemas. Ainda neste
mesmo captulo ser visto um exemplo computacional ilustrando o projeto para sistemas reguladores,
utilizando modelagem baseada na fsica do processo e ainda a tcnica de linearizao para obteno
dos submodelos lineares do modelo fuzzy Takagi-Sugeno. O projeto para servossistemas, por sua
vez, ser implementado em uma planta real, do tipo trmica, utilizando uma plataforma de controle
virtual/eletrnica apresentada no Captulo 4.

24
3 Metodologia de Controle Regulador/Servo Fuzzy Takagi-Sugeno Multiobjetivo 25

3.1 Controle Regulador Fuzzy Takagi-Sugeno Multiobjetivo


Como j foi dito, a metodologia aqui proposta combina, em um contexto fuzzy com estrutura
Takagi-Sugeno, duas tcnicas de controle linear de modo a aplic-las a plantas no lineares. A Fi-
gura 3.1 ilustra a ideia da 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 regulador fuzzy
multiobjetivo, que combina as tcnicas do LQR e da alocao de plos. O regulador projetado ento
aplicado ao controle da planta no linear.

Modelagem Fuzzy
Linearizao baseada
Takagi-Sugeno no
em Modelagem Fsica
Espao de Estados

Projeto do Regulador Fuzzy T-S


Identificao usando Modelagem Fsica
Contexto dados de entrada e sada No Linear
Fuzzy
T-S

Regulador
Alocao
Linear
de Plos
Quadrtico

Sistema Sistema
Linear Metodologia Linear
Proposta Planta
No Linear

Figura 3.1: Diagrama em blocos representando a metodologia proposta para projeto de reguladores
fuzzy multiobjetivos.

3.1.1 Formulao do Regulador Linear Quadrtico Fuzzy Takagi-Sugeno


Considere uma planta linear do tipo SISO descrita na forma de espao de estados

x = Ax + Bu (3.1)

onde x Rn1 o vetor de estados da planta; u R o vetor de entrada da planta; A Rnn a


matriz de estado e B Rn1 a matriz de entrada.
O problema do regulador quadrtico timo consiste na minimizao da funo objetivo dada por:
3.1 Controle Regulador Fuzzy Takagi-Sugeno Multiobjetivo 26

Z 
J= xT Qx + uT Ru dt (3.2)
0

onde Q e R so matrizes de ponderao a serem selecionadas pelo projetista relacionadas ao vetor


de estados x e ao de controle u, respectivamente. As matrizes Q e R devem ser semi-definidas
positiva, o que mais facilmente obtido mantendo-se Q e R na forma diagonal com todos os elemen-
tos positivos ou nulos. A soluo desta funo objetivo resulta na matriz de ganho de controle por
realimentao de estados tima K, dada por:

u(t) = Kx(t) (3.3)

No contexto fuzzy, considerando a i-sima expresso funcional na proposio consequente do mo-


delo de inferncia fuzzy T-S, de acordo com a equao (2.14), o submodelo fuzzy com realimentao
de estados dados por:

x = Ai x Bi Kj u = (Ai Bi Kj )x (3.4)

Admitindo-se que a matriz Ai Bi Kj seja estvel, ou ainda, que seus autovalores tenham partes
reais negativas, possvel obter a matriz de ganho de controle Kj de realimentao de estado desde
que se resolva a chamada equao algbrica de Riccati, dada por:

ATi P + PAi PBi R1 BTi P + Q = 0 (3.5)

para a matriz P. Existem vrias matrizes P que satisfazem esta equao. Contudo, se o sistema
estvel, sempre existe uma matriz definida positiva P para satisfaz-la. Assim, encontra-se a matriz
definida positiva P que soluciona a equao algbrica de Riccati, o que ir garantir que a matriz
Ai Bi Kj seja estvel. Por conseguinte, obtm-se o ganho Kj atravs da equao:

Kj = R1 BTj P|[j=1,2,...,l] (3.6)

A equao (3.6) fornece a matriz tima Kj e, consequentemente, se obtm a ao de controle tima:

u(t) = Kj x(t) = R1 BTj Px(t) (3.7)

Cada matriz Kj encontrada para o i-simo submodelo deve garantir a estabilidade dos demais.
Com o objetivo de possibilitar uma alocao de plos tima utilizando as matrizes Q e R, considere
a expresso funcional do consequente representada por um modelo de segunda ordem no espao de
estados na sua forma cannica de controle:
3 Metodologia de Controle Regulador/Servo Fuzzy Takagi-Sugeno Multiobjetivo 27

" # " #
0 1 0
x = x+ u (3.8)
a2 ai1
i
1

As matrizes Q e R sero definidas como


" #
0
Q= (3.9)
0 1

h i
R= (3.10)

onde 0 e > 0.
A matriz P a ser obtida, consiste numa matriz real simtrica dada por:
" #
p11 p12
P= (3.11)
p21 p22
onde p12 = p21 . Substituindo o valor da matriz Ai encontrado em (3.8) e os valores de Q, R e P
definidos em (3.9), (3.10), (3.11), respectivamente, na equao (3.5) obtm-se

" #" # " #" # " #" # " #


0 ai2 p11 p12 p11 p12 0 1 p11 p12 0
h i p11 p12
+ [ ]1 0 1 +
1 ai1 p12 p22 p12 p22 ai2 ai1 p12 p22 1 p12 p22

" # " #
0 0 0
=
0 1 0 0
(3.12)
Desenvolvendo-se a equao (3.12), obtm-se:

(p12 )2 p12 p22



2ai2 p12
+ p11 ai1 p12 ai2 p22 0 0

= (3.13)
p12 p22 (p22 )2
p11 ai1 p12 ai2 p22
2p12 2ai1 p22
+1 0 0

Da equao (3.13) obtido o seguinte sistema de equaes:

(p12 )2
2ai2 p12
+ = 0
p11 ai1 p12 ai2 p22 12p22
p
= 0 (3.14)
)2
2p12 2a1 p22 (p22
+1 = 0
3.1 Controle Regulador Fuzzy Takagi-Sugeno Multiobjetivo 28

Da soluo do sistema descrito em (3.14) so obtidos os valores de p11 , p12 e p22 :

p12 p22
p11 = ai1 p12 + ai2 p22 +

q
2
p12 = ai2 + (ai2 ) 2 + (3.15)
s  
q
2 2
p22 = ai1 + (ai1 ) 2 +2 ai2 + (ai2 ) 2 + +

Da equao (3.6), obtm-se:


" #
1
h i p11 p12 h
p12 p22
i
Ki = [] 0 1 =
(3.16)
p12 p22

ou ainda h i
Ki = k1i k2i (3.17)

onde q
2
(ai2 ) 2 +
k1i = ai2 +
(3.18)
s  
q
2 2
(ai1 ) 2 +2 ai2 + (ai2 ) 2 + +
k2i = ai1 +

A equao caracterstica do sistema pode ser determinada, uma vez obtida a matriz de ganho Ki
de realimentao de estado, como segue:

|sI Ai + Bi Ki | =
s
(3.19)
 r    r 
2 2
( ) (a2 ) + +1 2

ai1 2ai2 +2 i
(ai2 ) +

s2 + s +
=0

Com base na teoria do regulador linear quadrtico e nas equaes (3.18) e (3.19) obtidas, pos-
svel designar plos para cada um dos submodelos de um dado sistema e projetar a matriz de ganho
Ki de realimentao de estado que aloque tais plos e que garanta as condies de definio das ma-
trizes Q e R, em termos de e . O procedimento bsico para a aplicao da metodologia proposta
como segue: primeiramente so escolhidos os plos de malha fechada desejados para o sistema.
Em seguida, determina-se a equao caracterstica correspondente a esses plos. Esta equao ser
comparada com a equao (3.19) - da obtm-se um sistema de equaes em termos das variveis
e e dos parmetros dos submodelos. Se forem encontradas solues reais positivas de e para
3 Metodologia de Controle Regulador/Servo Fuzzy Takagi-Sugeno Multiobjetivo 29

todos os submodelos do sistema, prossegue-se determinando a matriz de ganho de realimentao de


estado a partir da equao (3.18). Caso contrrio, entende-se que no possvel alocar os plos de
malha fechada escolhidos para a planta em questo. Tal restrio oriunda do controle linear qua-
drtico timo. Deste modo, cria-se um elo entre a tcnica de alocao de plos e o regulador linear
quadrtico, permitindo ao mesmo tempo que se aloque plos de malha fechada para uma determinada
planta e tambm seja satisfeito o critrio otimalidade.

Condies de Estabilidade Segundo Lyapunov

Considerando que sistemas fuzzy so essencialmente no lineares, os mtodos de anlise de es-


tabilidade para sistemas de controle fuzzy, em particular, so baseados em teoria de estabilidade
no linear. Na literatura, alguns mtodos de anlise de estabilidade baseados na teoria de Lyapu-
nov so propostos (LENDEK; BABUKA; SCHUTTER, 2009; TANAKA; IKEDA; WANG, 1996;
SHEIKHOLESLAM; SHEKARAMIZ, 2011).
Considere um sistema de controle fuzzy contnuo (SFC) descrito por:

l X
X l
x(t) = i (x(t))j (x(t)) [Ai Bi Kj ] x(t)
i=1 j=1
l
X
= i (x(t))Gii x(t) + (3.20)
i=1
l  
X Gij + Gji
+2 i (x(t))j (x(t)) x(t)
i<j
2

onde,

Gij = Ai Bi Kj (3.21)

As condies de estabilidade para este SFC so estabelecidas pelo seguinte teorema:

Teorema 1 (TANAKA; IKEDA; WANG, 1996; MICHELS et al., 2006)- O equilbrio de um SFC
assintoticamente estvel, em geral, se existe uma matriz definida positiva comum P tal que

GTii P + PGii < 0 (3.22)

 T  
Gij + Gji Gij + Gji
P+P < 0, i < j, (3.23)
2 2
3.1 Controle Regulador Fuzzy Takagi-Sugeno Multiobjetivo 30

para todo i e j exceto os pares (i, j) tal que i (x(t))j (x(t)) = 0 para todo t.

3.1.2 Anlise da Regio Factvel Multiobjetiva


De acordo com a teoria do regulador linear quadrtico e as equaes (3.18) e (3.19), possvel
escolher plos para cada um dos submodelos lineares que compem o modelo fuzzy T-S e projetar a
matriz de ganho de controle por realimentao de estado Kj para garantir a existncia das matrizes
Q e R em termos de e . Considere dois plos genricos s1 e s2 . Supondo que os submodelos so
causais, a parte real dos plos dever ser negativa, de maneira a garantir sua estabilidade. Com base
na equao (3.19), tm-se:
r  
2
(ai2 ) +
= (s1 s2 ) (3.24)

e  
2
(ai2 ) +
= (s1 s2 )2

e a seguinte relao pode ser obtida:

 2 
= (s1 s2 )2 ai2 (3.25)

Similarmente:
s  r  

i 2 i i 2
(a1 ) 2a2 + 2 (a2 ) + + 1
= (s1 + s2 ) (3.26)

e
 r   
2 i 2
(ai1 ) i
2a2 + 2 (a2 ) + + 1
= (s1 + s2 )2

r  
2
(ai2 ) +
2 1
ai1 2ai2 + 2 + = (s1 + s2 )2

| {z }
s1 s2

1 2 2
= s21 + 2s1 s2 + s22 2s1 s2 2ai2 + ai1 = s21 + s22 2ai2 + ai1

3 Metodologia de Controle Regulador/Servo Fuzzy Takagi-Sugeno Multiobjetivo 31

1
= 2 (3.27)
s21 + s22 2ai2 + (ai1 )

Substituindo-se a equao (3.27) na equao (3.25):

2
(s1 s2 )2 (ai2 )
= 2 (3.28)
s21 + s22 2ai2 + (ai1 )

As equaes (3.27) e (3.28) fornecem uma relao direta entre os plos de malha fechada a serem
alocados e os parmetros dos submodelos lineares na proposio consequente do modelo fuzzy T-S
no espao de estados. A condio tima multiobjetiva, baseada na alocao de plos e no regulador
linear quadrtico, estabelece uma restrio de rea para alocao de plos que garantam a otimalidade,
ou seja, uma subregio do semiplano esquerdo do plano complexo, a regio factvel.

3.1.3 Exemplo Computacional

Esta seo apresenta um exemplo computacional para mostrar a eficincia da metodologia pro-
posta para projeto do regulador fuzzy multiobjetivo tomando como objeto de estudo um manipulador
robtico. A abordagem para obteno do modelo fuzzy T-S ser por modelagem fsica da planta e os
submodelos lineares sero obtidos por linearizao nos pontos de operao.
A equao diferencial do manipulador robtico dada por:

ml2 + Bl + mglsen () = Tc (3.29)

onde B = 1 kgm2 /s o fator de amortecimento, m = 1 kg a massa, l = 1 m o comprimento do


brao do manipulador robtico; g = 9.81 m/s2 a acelerao gravitacional, Tc a varivel de entrada
(torque, em N.m). A posio angular a varivel de sada da planta. Considere uma posio
angular qualquer do manipulador robtico 0 [90, 90]. Linearizando-se (t) em torno do ponto
de operao 0 , a equao (3.29) pode ser formulada como:

= + u (3.30)
1 B g g cos (0 )
onde = 2
,= , (0 ) = [sen (0 ) 0 cos (0 )], (0 ) = e u = Tc .
ml ml l l
A representao no espao de estados dada por
3.1 Controle Regulador Fuzzy Takagi-Sugeno Multiobjetivo 32

" # " #
0 1 0
x(t) = x(t) + u
(0 ) 1
(3.31)
h i
y(t) = 1 0 x(t)
" # " #
x1 (t) x1 (t)
onde x1 (t) = , x2 (t) = , x(t) = , x(t) = e y(t) a posio angular do
x2 (t) x2 (t)
manipulador robtico.
Considerando os pontos de operao do manipulador robtico em 90, 60, 30, 0, 30,
60, e 90, como mostrado na Figura 3.2, possvel obter os submodelos lineares e agrup-los em
uma estrutura fuzzy T-S.

Figura 3.2: Pontos de operao escolhidos para o manipulador robtico.

O regulador fuzzy correspondente, para cada submodelo linear, dado por:

7
X 7
X
u(t) = i Ki x + i ui (3.32)
i=1 i=1

onde i denota o grau de ativao normalizado. As bases de regras para o modelo fuzzy T-S e para o
regulador so mostradas na Tabela 3.1.
Os diagramas de simulao do manipulador robtico e do regulador fuzzy para ele projetado so
mostrados na Figura 3.3. A resposta temporal bem como a ao de controle do regulador fuzzy
multiobjetivo projetado para o manipulador robtico, considerando alguns plos complexos e reais
da regio factvel e no factvel (da Tabela 3.2) so mostradas na Figura 3.4. Os plos alocados na
regio factvel implicam em melhores especificaes de resposta transitria. Isto ocorre em virtude
da formulao da metodologia multiobjetiva proposta permitir a escolha dos plos de acordo com a
resposta transitria desejada bem como a satisfao do critrio de otimalidade advindo do mtodo
LQR.
3 Metodologia de Controle Regulador/Servo Fuzzy Takagi-Sugeno Multiobjetivo 33

Modelo Fuzzy T-S Regulador Fuzzy T-S



0 1 0
R1 : Se 90 Ento x(t)= x(t)+ u1 R1 : Se 90 Ento u(t)=K1 x(t)+u1
0 1 1


0 1 0
R2 : Se 60 Ento x(t)= x(t)+ u2 R2 : Se 60 Ento u(t)=K2 x(t)+u2
4.9050 1 1


0 1 0
R3 : Se 30 Ento x(t)= x(t)+ u3 R3 : Se 30 Ento u(t)=K3 x(t)+u3
8.4957 1 1


0 1 0
R4 : Se 0 Ento x(t)= x(t)+ u4 R4 : Se 0 Ento u(t)=K4 x(t)+u4
9.81 1 1


0 1 0
R5 : Se 30 Ento x(t)= x(t)+ u5 R5 : Se 30 Ento u(t)=K5 x(t)+u5
8.4957 1 1


0 1 0
R6 : Se 60 Ento x(t)= x(t)+ u6 R6 : Se 60 Ento u(t)=K6 x(t)+u6
4.9050 1 1


0 1 0
R7 : Se 90 Ento x(t)= x(t)+ u 7 R7 : Se 90 Ento u(t)=K7 x(t)+u7
0 1 1

Tabela 3.1: Bases de regras do modelo fuzzy T-S e do regulador projetado para o manipulador rob-
tico. (u1 = 9.81, u2 = 3.3592, u3 = 0.4567, u4 = 0, u5 = 0.4557, u6 = 3.3592 e u7 = 9.81.)

Plos 0 K Plos 0 K
90 08.258 0.0323 [16.000 07] 90 39.264 0.0061 [80.000 17]
60 05.683 0.0245 [11.095 07] 60 36.896 0.0058 [75.095 17]
30 03.830 0.0208 [07.504 07] 30 35.156 0.0056 [71.504 17]
[4, 4] 0 03.156 0.0198 [06.190 07] [8, 10] 0 34.518 0.0055 [70.190 17]
30 03.830 0.0208 [07.504 07] 30 35.156 0.0056 [71.504 17]
60 05.683 0.0245 [11.095 07] 60 36.896 0.0058 [75.095 17]
90 08.258 0.0323 [16.000 07] 90 39.264 0.0061 [80.000 17]
90 18.778 0.1111 [13.000 05] 90 69.333 0.0256 [52.000 11]
60 07.706 0.0532 [08.095 05] 60 54.906 0.0205 [47.095 11]
30 03.725 0.0385 [04.504 05] 30 47.004 0.0179 [43.504 11]
[3 j2] 0 02.542 0.0349 [03.190 05] [6 j4] 0 44.486 0.0171 [42.190 11]
30 03.725 0.0385 [04.504 05] 30 47.004 0.0179 [43.504 11]
60 07.706 0.0532 [08.095 05] 60 54.906 0.0205 [47.095 11]
90 18.778 0.1111 [13.000 05] 90 69.333 0.0256 [52.000 11]

Tabela 3.2: Relao entre os critrios de otimalidade das matrizes Q e R, definidos pelas equaes
(3.9) e (3.10), respectivamente, e o mtodo da alocao de plos.

A regio factvel, a qual auxilia na escolha dos plos timos, obtida para cada planta em espec-
fico. Assim, primeiro obtido o modelo fuzzy T-S da planta, depois construda a regio factvel e em
seguida o projeto de controle. Para o caso do manipulador robtico, se, por exemplo, for escolhido
3.1 Controle Regulador Fuzzy Takagi-Sugeno Multiobjetivo 34

x2(t) x1(t)

x(t)
In9
180 /pi
Out8
Out1 In2 gama 1 In10
Out9 rad grau x1(t)
Out2 In3 gama 2 In11
(conversor)
Out10
Out3 In4 gama 3 In12
Out11
In1 Out4 In5 gama 4 In13
Out12
Out5 In6 gama 5 In14
x2(t)
Out13
Out6 In7 gama 6 In15
Out14 x1
Out7 In8 gama 7 In16
Torque
LQR /Alocao
Funes de Grau de Ativao x2
Kj
Pertinncia Normalizado
Out15
Manipulador
In17
Robtico
In18 Out16
In19 Out17
In20 Out18
In21 Out19
In22 Out20
In23 Out21 u(t)
Offsets

Figura 3.3: Diagrama de simulao do regulador fuzzy multiobjetivo projetado para o manipulador
robtico.
Velocidade Angular (rad/s)

40 2
Posio Angular (graus)

1
20
0
x1(t)

x2(t)

0 1

2
20
3
40
4
0 1 2 3 4 5 0 1 2 3 4 5
Tempo (segundos) Tempo (segundos)

20

0
Sinal de Controle

20
u(t)

40

60

80
0 1 2 3 4 5
Tempo (segundos)

Figura 3.4: Desempenho do regulador fuzzy multiobjetivo projetado para o manipulador robtico.
Os plos s1 = 8, s2 = 10 (linha slida) e s1 = 3 + j2, s2 = 3 j2 (linha trao e ponto) are
alocados na regio factvel; os plos s1 = 0.3, s2 = 0.5 (linha pontilhada) e s1 = 0.2+j3, s2 =
0.2 j3 (linha tracejada) so alocados na regio no factvel.
3 Metodologia de Controle Regulador/Servo Fuzzy Takagi-Sugeno Multiobjetivo 35

o par de plos complexos conjugados s1 = 0.1 + j0.1 e s2 = 0.1 j0.1, os valores de e


correspondentes so = 4 104 e = 1, o que contraria o que foi anteriormente estabelecido
quando das definies das matrizes Q e R nas equaes (3.9) e (3.10), respectivamente: 0 e
> 0. O mesmo fato ocorre para plos reais, que tambm podem fornecer valores de e nega-
tivos: tomando-se um plo s1 = 0.5 e outro plo s2 = 0.7, os valores de e encontrados so
0.4712 e 3.8462, respectivamente. Assim, pode-se agora estabelecer a regio factvel, definida
pelas duas tcnicas usadas (LQR e alocao de plos) na metodologia proposta, como mostram as
Figuras 3.5(a) e 3.5(b):

(a) Alocao de plos complexos (b) Alocao de plos reais

Figura 3.5: Regio factvel multiobjetiva do manipulador robtico para o problema de alocao tima
de plos. A rea em preto denota a regio factvel e a rea cinza a regio no factvel.

Como parte final deste exemplo computacional do projeto do regulador fuzzy multiobjetivo, resta
a prova da estabilidade do sistema fuzzy global, pois o fato de todos os submodelos determinados
serem estveis isoladamente no garante a estabilidade do sistema regulador fuzzy global. Assim,
ser provado que as matrizes de ganho de controle por realimentao de estado Ki (i = 1, 2, , l)
obtidas pela metodologia proposta para o projeto do regulador fuzzy multiobjetivo para o manipu-
lador robtico satisfaz as condies do Teorema 1 para uma matriz definida positiva comum P. O
procedimento para tal demonstrao o seguinte:

1. Determinar Ki de Ai e Bi usando a metodologia proposta;

2. Encontrar uma matriz comum P satisfazendo a condies do Teorema 1.

Os resultados do Passo 1 j foram mostrados na Tabela (3.2). Os resultados do Passo 2 so


mostrados nas Tabelas (3.3) e (3.4).
3.2 Controle Servo Fuzzy Takagi-Sugeno Multiobjetivo 36

As quatro matrizes P obtidas da soluo da equao algbrica de Riccati so mostradas nas Tabe-
las (3.3) e (3.4). Elas garantem a estabilidade do regulador fuzzy multiobjetivo uma vez que satisfazem
as condies estabelecidas no Teorema 1 para todas as regras, simultaneamente. Conforme mostrado
nas Tabelas (3.3) e (3.4), todos os valores das matrizes P garantem matrizes GTii P+PGii |i=1, 2, , 7
 T  
Gij +Gji Gij +Gji
e 2
P + P 2
cujos autovalores so negativos.

P GT P + PGii |i=1, 2, , 7  T  
 ii  P
Gij +Gji
P+P
Gij +Gji

78.5276 08.3436 2 2
i,j=1,2, ,7(i<j)
   
8.8344 0.4908 08.3436 02.7730 78.5276 08.3436
P=  
08.3436 02.7730
0.4908 0.1043 Autovalores: 8.8344 0.4908
P=
79.4357 and 1.8649 0.4908 0.1043 Autovalores:
  79.4357 and 1.8649
69.5284 07.3874  
 
07.3874 02.6724 74.0280 07.8610
8.3045 0.4346  
P= 8.3045 0.4346 07.8699 02.7227
0.4346 0.0984 Autovalores: P=
0.4346 0.0984 Autovalores:
70.3349 and 1.8658 74.8853 and 1.8654
 
63.5624 06.7535 
71.0450 07.5411

 
7.9532 0.3973 06.7535 02.6056 
7.9532 0.3973

07.5559 02.6893
P= P=
0.3973 0.0944 Autovalores: 0.3973 0.0944 Autovalores:
70.3349 and 1.8658 71.8687 and 1.8657
   
61.4960 06.5340 70.0118 07.4304
   
7.8315 0.3844 06.5340 02.5825 7.8315 0.3844 07.4472 02.6778
P= P=
Autovalores: 0.3844 0.0931 Autovalores:
0.3844 0.0931
70.8238 and 1.8658
62.2120 and 1.8666

Tabela 3.3: Anlise para a primeira parte do Tabela 3.4: Anlise para a segunda parte do
Teorema 1. Teorema 1.

3.2 Controle Servo Fuzzy Takagi-Sugeno Multiobjetivo

Nesta seo ser apresentada a metodologia de controle fuzzy multiobjetivo para servossistemas.
O problema de controle servo apresenta uma referncia de controle variante no tempo a ser rastreada
pela planta. A ideia da metodologia para o caso dos servossistemas a mesma apresentada para o
caso dos reguladores, conforme apresentado na Figura 3.1, havendo apenas mudana na estrutura do
submodelo, em virtude da insero de um integrador e um ganho no ramo direto entre o comparador
e a planta, para o caso de submodelos que no possuem integrador. Caso o submodelo encontrado j
possua integrador, atribui-se somente o ganho que corresponde, neste caso, ao primeiro elemento da
matriz de ganho de controle por realimentao de estado. 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:
3 Metodologia de Controle Regulador/Servo Fuzzy Takagi-Sugeno Multiobjetivo 37

x(t) = Ai x(t) + Bi u(t) (3.33)


y(t) = Ci x(t) (3.34)
u(t) = Ki x(t) + kIi (t) (3.35)
(t) = r(t) y(t) = r(t) Ci x(t) (3.36)

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 (3.33) a (3.36)
podem ser combinadas e descritas sob a forma de uma nica equao matricial:
" # " #" # " # " #
x(t) Ai 0 x(t) Bi 0
= + u(t) + r(t) (3.37)
(t) Ci 0 (t) 0 1

Para determinado instante tf considerado, pode-se escrever:


" # " #" # " # " #
x(tf ) Ai 0 x(tf ) Bi 0
= + u(tf ) + r(tf ) (3.38)
(tf ) Ci 0 (tf ) 0 1

Considerando que a entrada r(t) suficientemente lenta para t > 0, subtraindo-se a equao
(3.38) da (3.37), obtm-se:
" # " #" # " #
x(tf )x(t) Ai 0 x(tf )x(t) Bi
= + (u(tf )u(t)) (3.39)
(tf )(t) Ci 0 (tf )(t) 0

Seja

x(t) x(tf ) = xe (t) (3.40)


(t) (tf ) = e (t) (3.41)
u(t) u(tf ) = ue (t) (3.42)

Assim, a equao (3.39) pode ser escrita da forma:


" # " #" # " #
xe (t) Ai 0 xe (t) Bi
= + ue (t) (3.43)
e (t) Ci 0 e (t) 0
3.2 Controle Servo Fuzzy Takagi-Sugeno Multiobjetivo 38

onde

ue (t) = Ki xe (t) + kIi e (t) (3.44)

Definindo-se o vetor de erro e(t):


" #
xe (t)
e(t) = (3.45)
e (t)
as equaes (3.43) e (3.44) resultam, respectivamente, em:

e(t) = Ai e(t) + Bi ue (t) (3.46)


ue (t) = Ki e(t) (3.47)

onde

Ai 0 B i
Ai =

, Bi =

,

Ki =[Ki | kIi ] (3.48)
Ci 0 0

Subtituindo-se a equao (3.47) na (3.46), a equao de estado do erro pode ser obtida:
 
e(t) = Ai Bi Kj e(t) (3.49)

Analisando-se a equao (3.49), observa-se que uma vez especificados os autovalores desejados
da matriz Ai Bi Kj , a matriz Ki e consequentemente Ki e kIi podem ser determinados pela tcnica
de alocao de plos. A tcnica LQR, por outro lado, tambm permite a determinao da matriz Ki .
A combinao das 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 
J= eT Qe + ue T Rue dt (3.50)
0

inerente ao sistema descrito pelas equaes (3.46) e (3.47). Na equao (3.50), 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 Ai Bi Kj estvel (autovalores com
parte real negativa), possvel obter a matriz de ganho de controle por realimentao de estado Ki ,
uma vez que se solucione, para a matriz P, a equao algbrica de Riccati:
3 Metodologia de Controle Regulador/Servo Fuzzy Takagi-Sugeno Multiobjetivo 39

ATi P + PAi PBi R1 BTi P + Q = 0 (3.51)

Uma vez obtida a matriz P, da soluo da equao (3.51), a matriz de ganho Ki calculada por:

Ki = R1 BTi P (3.52)

Considere o seguinte estrutura de submodelo no espao de estados na forma cannica de controle:

x(t) = Ai x(t) + Bi u(t)


(3.53)
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 Pad1 , estabelecemos as seguintes matrizes da
equao (3.53):

0 1 0 0

0 0 1 0
Ai = , (3.54)

0 0 0 1

6(2ai2 +d ) 12ai1 +6ai2 d +d 2 ai2 d +6ai1
ai12
d 2
ai1 d 2
ai1 d 2
ai1 d
1


0

0
Bi =

,
(3.55)
0
1
h i
12bi1 6bi bi1
Ci = ai1 d 2
ai 1d ai1
0 (3.56)
1

As matrizes Q e R so definidas como



0 0 0 0

0 1 0 0 0

Q=
0 0 1 0 0
(3.57)

0 0 0 1 0
0 0 0 0 1

1
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)
3.2 Controle Servo Fuzzy Takagi-Sugeno Multiobjetivo 40

h i
R= (3.58)

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 (3.48) e nas equaes (3.54), (3.55) e (3.56) as matrizes Ai e Bi so obtidas.
A matriz P a ser obtida, consiste numa matriz real simtrica:

p11 p12 p13 p14 p15

p12 p22 p23 p24 p25

P=
p13 p23 p33 p34 p35
(3.59)

p14 p24 p34 p44 p45
p15 p25 p35 p45 p55

Substituindo-se as matrizes Ai e Bi obtidas e as equaes (3.57) a (3.59) na equao (3.51),


obtm-se o seguinte sistema de equaes:

p14 2 24p14 24bi1 p15


i 2 i 2 =0 (3.60)
a1 d a1 d

p14 p24 12p24 6bi1 p15 12bi1 p25 6p14 (2ai2 + d )


p11 i 2 + i i 2 =0 (3.61)
a1 d a1 d a1 d ai1 d 2
 
12 6ai2 + d p14 p34 12p34 bi1 p15 12bi1 p35
p12 p14 + i 2 i i 2 = 0 (3.62)
d 2 ai1 d a1 d a1 a1 d
 
ai2 6 p14 p44 12p44 12bi1 p45
p13 p14 i
+ i 2 i 2 = 0 (3.63)
a1 d a1 d a1 d

p14 p45 12p45 12bi1 p55


i 2 i 2 = 0 (3.64)
a1 d a1 d

p24 2 12bi1 p25 12p24 (2ai2 + d )


2p12 + i +1 = 0 (3.65)
a1 d ai1 d 2
 
6ai2 +d p24 p34 bi1 p25 6bi1 p35
p13 + p22 p24 12 d
2 + ai1 d

ai1
+ ai1 d
6p34 (2a +d )
i (3.66)
ai d22 = 0
1
 
ai2 6 p24 p44 6bi1 p45 6p44 (2ai2 + d )
p14 + p23 p24 i
+ + i = 0 (3.67)
a1 d a1 d ai1 d 2
3 Metodologia de Controle Regulador/Servo Fuzzy Takagi-Sugeno Multiobjetivo 41

p24 p45 6bi1 p55 6p45 (2ai2 + d )


p15 + i = 0 (3.68)
a1 d ai1 d 2
 
12 6ai2 + d p34 2 2bi1 p35
2p23 2p34 + +1 = 0 (3.69)
d 2 ai1 d ai1

   
ai2 6 12 6ai2 + d p34 p44 bi1 p45
p24 + p33 p34 i
+ p44 + i = 0 (3.70)
a1 d d 2 ai1 d a1

 
12 6ai2 + d p34 p45 bi1 p55
p25 p45 + i = 0 (3.71)
d 2 ai1 d a1
 
ai2 6 p44 2
2p34 2p44 i
+ +1 = 0 (3.72)
a1 d
 
ai2 6 p44 p45
p35 p45 i
+ = 0 (3.73)
a1 d

p45 2
1 = 0 (3.74)

Aps a soluo numrica do sistema descrito pelas equaes de (3.60) a (3.74), para a matriz P,
matriz Ki calculada a partir de (3.52)
h i
Ki = R1 BTi P = p14

p24

p34

p44

p45

(3.75)

A equao caracterstica do sistema de controle, por sua vez, dada por:

|sI5 Ai + Bi Ki | =
   
ai1 p44 d 2 +6ai1 d +ai2 d 2 12ai1 +d 2 +ai1 p34 d 2 +6ai2 d
s5 + ai1 d 2
s4 + ai1 d 2
s3 + (3.76)

   
12ai2 +6d +ai1 p24 d 2 bi1 p45 d 2 2 ai1 p14 d 2 +6bi1 p45 d +12 12bi1 p45
ai1 d 2
s + ai1 d 2
s ai1 d 2
=0

Aps a obteno do modelo da planta a ser controlada so obtidos todos os parmetros dos sub-
modelos 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. Obter uma representao geomtrica para a regio factvel no plausvel em funo do
3.2 Controle Servo Fuzzy Takagi-Sugeno Multiobjetivo 42

nmero extensivo de plos a serem alocados.


O captulo seguinte apresenta um estudo de caso de uma planta trmica para elucidar a aplicao
da metodologia proposta para o projeto de controladores fuzzy multiobjetivo, apresentando as etapas
de modelagem, projeto de controle e implementao em plataforma de controle virtual/eletrnica
desenvolvida.
Captulo 4

Resultados Experimentais

Neste captulo apresentado o desenvolvimento e a montagem da plataforma de controle vir-


tual/eletrnica baseada no LabVIEW e no CompactRIO 9073, bem como as etapas da modelagem
fuzzy Takagi-Sugeno, do projeto de controle fuzzy multiobjetivo e a sua implementao na plataforma
desenvolvida para controle de uma planta trmica.

4.1 Plataforma de Controle Virtual/Eletrnica


A plataforma de controle virtual/eletrnica desenvolvida a qual utilizada para aquisio de dados
de identificao bem como implementao da metodologia de controle proposta est baseada no soft-
ware LabVIEW (Laboratory Virtual Instrument Engineering Workbench), no mbito da instrumenta-
o virtual, e na controladora CompactRIO 9073, como principal componente da instrumentao
eletrnica, ambos da National Instruments. Esses dois principais componentes, a partir dos recursos
e ferramentas que disponibilizam, conferem plataforma desenvolvida a capacidade de aquisio,
anlise de dados e a implementao de diversas estratgias de controle desejadas uma vez feitas as
devidas adequaes de programao e instrumentao eletrnica auxiliar (sensores, atuadores, etc.).
A seguir so apresentados os principais aspectos tcnicos relativos controladora CompactRIO
9073 e ao software LabVIEW.

4.1.1 A Controladora CompactRIO 9073

O CompactRIO 9073 - sistema integrado com controladora de tempo real de 266 MHz e FPGA
de 2M gates, consiste de um sistema embarcado reconfigurvel de controle e aquisio constitudo
de trs principais componentes: um processador executando um sistema operacional de tempo real

43
4.1 Plataforma de Controle Virtual/Eletrnica 44

(RTOS), um dispositivo FPGA 1 e os mdulos de entrada e sada (E/S) industriais. O processador de


tempo real se destaca em matemtica de ponto flutuante e anlise, enquanto o FPGA mais adequado
em tarefas menores, que exigem lgica de alta velocidade e sincronismo preciso. A Figura 4.1 ilustra
a arquitetura do sistema embarcado reconfigurvel do CompactRIO:

Condicionamento Terminais +
ADC -
de Sinal de Parafuso

Condicionamento
DAC BNC
de Sinal

PCI
Condicionamento
DI D-Sub
de Sinal
Processador de
Tempo Real FPGA
DO Condicionamento
Personalizado
de Sinal

Mdulos E/S Sensores


e Atuadores

Figura 4.1: Arquitetura do sistema embarcado reconfigurvel do CompactRIO 9073. Nos mdu-
los de entrada e sada, responsveis por capturar/enviar sinais de/para sensores/atuadores, observa-se
o condicionamento de sinais integrado e terminais de parafusos, conectores BNC ou conectores D-
Sub (NI, 2014).

A comunicao da CompactRIO 9073 com o computador/host feita via Ethernet por meio
de conexo direta ou roteador wireless. Tambm pode ser utilizada a comunicao serial. A Tabela
4.1 mostra as especificaes tcnicas de comunicao da CompactRIO 9073.
A Figura 4.2 ilustra de forma mais abrangente a ideia de um sistema de controle baseado na con-
troladora CompactRIO 9073 e no software LabVIEW, considerando a Interface Homem-Mquina
(IHM) desenvolvida em LabVIEW, onde um operador poder acompanhar o estado das diversas va-
riveis do sistema de controle, bem como interferir no funcionamento da planta/processo no qual o
controlador est atuando. Esse procedimento de se d por meio da sequencia ilustrada na referida
figura.

Mdulos de Entrada e Sada do CompactRIO 9073

O sufixoRIO no nome da controladora advm de reconfigurable input-output em referncia


aos mdulos de entrada e sada reconfigurveis que possuem isolamento, circuito de converso, con-
dicionamento de sinal, e construdos para conexo direta com sensores/atuadores industriais. Esses
mdulos possuem vantagens como oferecer uma variedade de opes de fiao e ao integrar a caixa
1
field-programmable gate array - arranjo de portas programveis por ao de campo (FLOYD, 2007, p. 644)
4 Resultados Experimentais 45

Rede
Interface de Rede Ethernet 10BaseT e 100BaseTX
Compatibilidade IEEE 802.3
Taxas de comunicao 10 Mbps, 100 Mbps (auto-negotiated)
Mxima distncia do cabeamento 100 m/segmento
Porta Serial RS-232
Taxa mxima de transmisso 115.200 bps
Bits de dados 5, 6, 7, 8
Bits de parada 1, 2
Paridade Par, mpar, marcada, espaada
Controle de fluxo RTS/CTS, XON/XOFF, DTR/DSR

Tabela 4.1: Especificaes tcnicas de comunicao da CompactRIO 9073 (NI, 2014)

Figura 4.2: Arquitetura de um sistema de controle baseado no LabVIEW e CompactRIO 9073.


No software LabVIEW estabelecida a programao da lei de controle a ser utilizada bem como os
processos de aquisio e envio de dados alm da IHM. H ento uma comunicao do software com
o hardware caracterizado pela CompactRIO 9073 com seus mdulos de E/S os quais esto conec-
tados com sensores e atuadores e, estes, por sua vez, esto em contato direto com a planta/processo a
ser controlada.

de juno do conector aos mdulos em si, o sistema reduz significativamente os requisitos de espao e
custos de fiao. Na controladora, esses mdulos so suportados por um chassi FPGA reconfigurvel,
o qual o centro da arquitetura do sistema embarcado. O chassi FPGA do CompactRIO est dire-
4.1 Plataforma de Controle Virtual/Eletrnica 46

tamente ligado as entradas e sadas de cada mdulo para o acesso de alto desempenho circuitaria
destes para temporizao, acionamento e sincronizao. Considerando que cada mdulo conec-
tado diretamente ao FPGA, em vez de conectados a um barramento, tem-se um melhor desempenho
de resposta do sistema em comparao com outras arquiteturas de controladoras. Por padro, este
FPGA se comunica automaticamente com os mdulos de E/S e as fornece deterministicamente para
o processador de tempo real. A Figura 4.3 mostra o chassi FPGA reconfigurvel:

Figura 4.3: Chassi FPGA reconfigurvel da CompactRIO 9073. Alm de fornecer suporte fsico
para sustentao dos mdulos de entrada e sada, ele responsvel pela conexo e comunicao com
os mesmos (NI, 2014).

A Figura 4.4 mostra, em vista frontal, maiores detalhes do chassi da CompactRIO 9073, com
os 8 slots para conexo dos mdulos de E/S:

Figura 4.4: Detalhes do chassi da CompactRIO 9073.

Dos oito mdulos possveis de serem instalados simultaneamente na controladora, sero aborda-
dos apenas trs a seguir, por serem relevantes ao desenvolvimento da plataforma de controle apresen-
tada neste trabalho:
4 Resultados Experimentais 47

NI 9215

Mdulo de entrada analgica com as seguintes especificaes principais:

Nmero de canais: 4 canais de entrada analgica;

Resoluo ADC2 : 16 bits;

Tipo do ADC: registrador de aproximaes sucessivas;

Faixa de entrada: 10 volts.

A Figura 4.5 mostra o mdulo de entrada analgica NI 9215 em suas duas formas de conexo
dos canais de entrada: na esquerda mostrado o mdulo com conectores BNC3 e na direita o mdulo
com terminais de parafusos. Nas indicaes AI0+, AI0, AI1+... o AI deriva de Analog Input ou
entrada analgica, o nmero na sequencia indica a ordem do canal (de 0 a 3) e o + e o indicam
a conexo do sinal de tenso positivo e negativo, respectivamente. O mdulo 4.5 com conector BNC
possui um resistor (100 k) que garante que a tenso de entrada no flutue fora da faixa de modo-
comum.

Figura 4.5: Mdulo de entrada analgica NI 9215.

NI 9219

Mdulo de entrada analgica universal com as seguintes especificaes principais:

Nmero de canais: 4 canais de entrada analgica;


2
Analog to Digital Converter - Conversor Analgico-Digital
3
Esta a forma de conexo do NI 9215 utilizado na plataforma de controle proposta neste trabalho
4.1 Plataforma de Controle Virtual/Eletrnica 48

Resoluo ADC: 24 bits;

Tipo do ADC: Delta-Sigma (com pr-filtragem analgica);

Modo de amostragem: simultneo;

A Figura 4.6 mostra o mdulo de entrada analgica universal NI 9215. Ao centro da figura est
o mdulo com um backshell. Logo direita, so mostrados os detalhes de conexo de cada um dos
quatro canais destacando os seis terminais de cada canal que possibilitam a ligao e fixao de fios
aos mesmos.

Figura 4.6: Mdulo de entrada analgica NI 9219.

Cada modo de operao deste mdulo corresponde a uma conexo especfica dos terminais dos
canais. Para o modo de tenso (Voltage Mode), por exemplo, o qual utilizado para captura de
sinais de tenso, so utilizados os terminais 4 e 5 para conexo do sinal de entrada positivo e do
sinal de entrada negativo, respectivamente. Para o modo de corrente (Current Mode), utilizado para
aquisio de sinais de corrente, o mesmo ocorre para os terminais 3 e 5 de cada canal. No modo
de tenso, o NI 9215 tem faixas de entrada de 60 V, 15 V, 4 V, 1 V e 125 mV. No modo
de corrente, a faixa de entrada de 25 mA. O modo de operao deste canal atribudo em cada
aplicao via software (o LabVIEW), o qual permite escolher tanto o modo quanto a faixa de entrada
do sinal.

NI 9263

Mdulo de sada analgica com as seguintes especificaes principais:

Nmero de canais: 4 canais de sada analgica;

Resoluo DAC4 : 16 bits;


4
Digital to Analog Converter - Conversor Digital-Analgico
4 Resultados Experimentais 49

Tipo do DAC: String;

Faixa de sada: 10 V (nominal);

O mdulo de sada analgica NI 9263 mostrado na Figura 4.7: direita so destacados os


terminais de conexo para os 4 canais de sada analgica. Cada canal possui um terminal AO e um
terminal COM. O terminal AO deve ser conectado ao positivo da carga (caso esta tenha polaridade)
e o terminal COM deve ser conectado ao terra (comum) da mesma. Todos os terminais COM so
internamente conectados referncia de terra isolada do mdulo.

Figura 4.7: Mdulo de sada analgica NI 9263.

Estes trs mdulos apresentados so utilizados para aquisio e envio de sinais de tenso na
plataforma de controle proposta neste trabalho. Os mdulos NI 9215 e NI 9219 so utilizados
para aquisio do sinal de entrada da planta bem como do sinal de sada do sensor de temperatura. O
mdulo NI 9263, por sua vez, utilizado na alimentao do sensor de temperatura e envio do sinal
de tenso para o atuador correspondente ao de controle.

4.1.2 O Software LabVIEW

O LabVIEW (Laboratory Virtual Instrument Engineering Workbench) uma linguagem de


programao grfica desenvolvida pela National Instruments. Segundo Larsen (2011, p. 1, tradu-
o nossa), No passado, o LabVIEW era apenas uma linguagem de programao grfica que foi
desenvolvida para facilitar a coleta de dados dos instrumentos de laboratrio usando sistemas de
aquisio de dados. Hoje, contudo, uma poderosa ferramenta computacional e a sua natureza
grfica o torna ideal para teste e medio, automao, controle de instrumentos, aquisio de dados, e
aplicaes de anlise de dados. (BITTER; MOHIUDDIN; NAWROCKI, 2006, p. 1, traduo nossa).
Desse modo, seja nas tarefas de aquisio de dados de instrumentos, seja no processamento desses
4.1 Plataforma de Controle Virtual/Eletrnica 50

dados (como filtragem e transformaes) ou mesmo anlise e envio de sinais, o LabVIEW torna pos-
svel obter dados do mundo exterior ao computador (dados experimentais) e incorpor-los no mesmo
de modo a tomar decises com base nos dados adquiridos, e enviar resultados calculados de volta ao
mundo externo. Este processo tpico de um sistema de controle com realimentao (ou controle em
malha-fechada), no qual o sinal de sada controlado medido e realimentado para uso no clculo da
ao de controle (FRANKLIN; POWELL; EMAMI-NAEINI, 2002).
Para perfazer todas essas tarefas citadas, o LabVIEW possui um elemento de programao prin-
cipal chamado de VI (Virtual Instrument), que constituda basicamente de um painel frontal (o
front panel) e um diagrama em blocos (block diagram). A VI cumpre no LabVIEW o mesmo
papel que as funes e subrotinas cumprem em linguagens de programao como, por exemplo, C e
BASIC (BITTER; MOHIUDDIN; NAWROCKI, 2006). O painel frontal de uma VI em LabVIEW
usado para exibir os controles e indicadores para o usurio, como botes e grficos, constituindo
a Interface Homem-Mquina (IHM), permitindo monitorar os parmetros de funcionamento e vari-
veis do sistema de controle. O diagrama em blocos contm o cdigo para a VI - o ambiente onde
se estabelece a lgica de funcionamento do sistema de controle, por exemplo. As Figuras 4.8 e 4.9
mostram as telas do painel frontal e do diagrama em blocos em LabVIEW, respectivamente. Na pla-
taforma proposta nesta monografia, a aquisio e envio de sinais do sistema de controle programada
atravs do diagrama em blocos, onde so estabelecidos os mdulos e canais destes a serem utilizados
na aplicao. Cada um destes sinais exibido em grficos e indicadores presentes no painel frontal,
o qual tambm possui botes que permitem ao usurio fazer algumas atribuies e modificaes na
forma de operao do sistema.

Figura 4.8: Painel frontal do software LabVIEW. Nele esto disponveis os controles e indicadores
para o usurio, permitindo construir uma interface com grficos e diversos outros indicadores das
variveis do sistema.
4 Resultados Experimentais 51

Figura 4.9: Diagrama em blocos do software LabVIEW. Nele possvel estabelecer a lgica de
programao propriamente dita bem como a utilizao dos respectivos elementos de hardware para
aquisio e envio de dados.

4.1.3 Planta e Sensor

A planta utilizada para implementao da plataforma de controle proposta nesta monografia con-
siste, como j mencionado, de um sistema trmico - uma torradeira comercial monofsica (220 CA)
cuja entrada a tenso eltrica e a sada a temperatura. Para gerar o aquecimento, a torradeira utiliza
um fio de nicromo envolvendo uma folha de mica, constituindo o que se chama de resistncia de aque-
cimento da torradeira. A torradeira utilizada nesta monografia, possui quatro folhas (placas) de mica
e dois fios de nicromo que envolvem e interligam as placas, constituindo dois lados de aquecimento,
como ilustra a Figura 4.10
Folhas de mica

Lado A

9 cm

Lado B

15 cm

Figura 4.10: Ilustrao da vista superior da torradeira mostrando suas dimenses fsicas (a altura
de 14 centmetros). As placas de mica se encontram nas paredes laterais da torradeira.

Os dois lados da torradeira ilustrados na Figura 4.10 (Lado A e Lado B) so interconectados entre
4.1 Plataforma de Controle Virtual/Eletrnica 52

si e por conseguinte ao cabo de alimentao. Para o presente trabalho, utilizou-se apenas um dos
lados a fim de garantir menor resistncia 5 e por conseguinte maior potncia dissipada e maiores tem-
peraturas atingidas. Para variar o valor de temperatura na sada, necessrio mudar o valor eficaz da
tenso de entrada. Este processo feito com o uso de um atuador baseado no circuito integrado TCA
785. Como sensor de temperatura foi utilizado o LM35 - um sensor de temperatura semicondutor
fabricado pela National Semiconductors, o qual possui uma sada linear ajustada para graus Celsius
(C) com uma sensibilidade de 10 mV/C. A funo de transferncia do sensor bastante linear e
o erro de no-linearidade confinado dentro de 0.1. A utilizao deste sensor para medio de
temperatura um processo bem simplificado: uma vez alimentado pelo valor de tenso adequado (4 a
20 volts para aplicaes tpicas), o sensor fornece em seus terminais de sada um acrscimo de tenso
de 10 mV para cada aumento de 1C na temperatura que est sobre seu invlucro (encapsulamento)
(FRADEN, 2010; NATIONAL, 2000). O LM35 utilizado na plataforma tem encapsulamento TO-92,
conforme ilustrado na Figura 4.11

Figura 4.11: LM35 (encapsulamento TO-92) com seus 3 terminais: +VS (alimentao), Vout (tenso
de sada) e GND (terra, comum)

4.1.4 Atuador

O atuador utilizado para variar a tenso eficaz na entrada do sistema trmico, fazendo com que a
temperatura varie, consiste de um circuito baseado no CI TCA 785. O controle de fase TCA 785,
como denominado, da SIEMENS, projetado para o controle de tiristores, triacs e transistores. Os
pulsos de disparo para esses dispositivos podem ser deslocados em ngulos de fase de 0 a 180 ga-
rantindo toda a faixa de controle em circuitos CA. Entre as aplicaes sugeridas para este CI esto:
conversores, controles de potncia CA, controles de potncia trifsicos, entre outros. O encapsula-
mento do CI o P-DIP-16-1, o qual possui 16 pinos conforme ilustrado na Figura 4.12(a). A
5
A resistncia do fio de nicromo medida em um dos lados de aproximadamente 38
4 Resultados Experimentais 53

Figura 4.12(b) mostra o diagrama em blocos funcional do TCA 785 para ilustrar a lgica de funcio-
namento desse circuito integrado.
VS Q2 Q1 L C12 V11 C10 R9

16 15 14 13 12 11 10 9

TCA 785

1 2 3 4 5 6 7 8

GND Q2 QU Q1 VSYNC I QZ VREF

(a) Pinagem do TCA 785

(b) Diagrama em blocos funcional do TCA 785

Figura 4.12: Controle de fase TCA 785.(ALMEIDA, 2007)

Cada pino do TCA 785 designado para uma funo e conexo especfica de acordo com a forma
desejada de operao do CI a ser estabelecida. No presente contexto, o interesse est em utiliz-lo
para disparo de pulsos capazes de por em funcionamento adequado um TRIAC, que por sua vez ir
4.1 Plataforma de Controle Virtual/Eletrnica 54

controlar a forma de onda de tenso eltrica na planta trmica. A Tabela 4.2 ilustra a funo de cada
um dos pinos do TCA 785 de acordo com os smbolos atribudos a eles na Figura 4.12(a).

Pino Smbolo Funo


1 GND Terra
2 Q2 Sada 2 invertida
3 QU Sada U
4 Q1 Sada 1 invertida
5 Vsync Tenso sincronizada
6 I Inibio
7 QZ Sada Z
8 VREF Tenso estabilizada
9 R9 Resistncia de rampa
10 C10 Capacitncia de rampa
11 V11 Tenso de controle
12 C12 Extenso de pulso
13 L Durao de pulso
14 Q1 Sada 1
15 Q2 Sada 2
16 VS Tenso de alimentao

Tabela 4.2: Definio de pinos e suas funes no TCA 785

Os pinos 1 e 16 constituem a funo bsica de garantir a entrada de alimentao do CI. A funo


de cada um dos demais pinos ser vista de agora em diante por meio da explicao do funcionamento
interno do TCA 785, conforme o diagrama em blocos apresentado na Figura 4.12(b). Como explica
(ALMEIDA, 2007), o bloco DPZ (Detector de Passagem por Zero) visto na Figura 4.12(b), tem por
funo a criao de um pulso de sincronismo toda vez que a tenso alternada aplicada no pino 5 passa
por zero. Para uma rede eltrica no brasil, por exemplo, que possui uma frequncia nominal de 60
Hz, essa passagem por zero ocorre a cada 8, 33 ms, aproximadamente. A tenso de rede, contudo,
no pode ser diretamente aplicada ao TCA 785 em virtude de seu valor elevado de amplitude no
ser suportado pelo CI. Assim, uma soluo plausvel a utilizao de um resistor com dois diodos
antiparalelos a fim de reduzir a amplitude de tenso que chega ao TCA 785, mantendo, contudo,
a informao da passagem por zero, conforme ilustrado na Figura 4.13(a). No semiciclo positivo
conduz o diodo D1 , e D2 fica bloqueado. No semiciclo negativo D2 quem conduz e D1 permanece
bloqueado. Desse modo sempre mantido sobre o terminais 1 e 5 um valor de tenso que no
ultrapassa 0.7 volts. atingido o valor mximo de 0.7 volts para o semiciclo positivo e o valor
mnimo de 0.7 volts para o negativo, conforme ilustrado no grfico da Figura 4.13(b), que considera
a aplicao de uma tenso de rede de 220 volts de valor eficaz e frequncia de 60 Hz. Uma vez que
4 Resultados Experimentais 55

so aplicados 220 volts e a queda sobre os diodos de 0.7 volts, o restante da tenso fica sobre o
resistor RS , que deve ser dimensionado para suport-la.


220 2

X: 0.004563
Y: 0.7

0
X: 0.01236
Y: 0.7


220 2

0 0.002 0.004 0.006 0.008 0.01 0.012 0.014 0.016


tempo (segundos)

(a) Circuito para conexo da referncia (b) Tenso de referncia

Figura 4.13: Referncia para o Detector de Passagem por Zero.(ALMEIDA, 2007)

Existe internamente no TCA 785 um mecanismo para gerao de um valor regulado de tenso
de 3, 1 volts (VCCint ) para alimentao dos circuitos internos a partir da tenso de alimentao VS
(8 V VS 18 V). Esta tenso de 3, 1 volts disponibilizada externamente pelo pino 8, no qual
pode ser colocado um capacitor (C8 ) para reduo de ondulao. O sincronismo, por sua vez, est
baseado no gerador de rampa, que ajustado pelo capacitor CR (pino 10) e resistor RR (pino 9). Este
gerador de rampa tem por funo fornecer uma tenso que varia linearmente com o tempo. Conforme
ilustrado na Figura 4.12(b), existe internamente no TCA 785 uma fonte de corrente constante cuja
sada conectada ao pino 10 (no qual est o capacitor de rampa CR ). O valor dessa fonte de corrente
regulado pelo resistor de rampa (RR ). Ora, a corrente em um capacitor de capacitncia C dada
pela equao

dVC
IC = C (4.1)
dt
Da equao (4.1), pode ser obtida a tenso VC sobre o capacitor
Z VC (t) Z t
dVC IC IC
IC = C dVC = dt VC (t) = t (4.2)
dt v0 t0 C C
O resultado na equao (4.2) pela considerao de tenso inicial nula no capacitor (v0 = 0 em
t0 = 0) e corrente sobre o mesmo constante (IC = constante). A folha de dados do fabricante do
TCA 785 fornece a equao para determinao do valor de corrente fornecido pela fonte de corrente
4.1 Plataforma de Controle Virtual/Eletrnica 56

constante interna do TCA 785:

VCCint K
ICR = (4.3)
RR
onde VCCint = 3, 1 volts e K = 1.10 20%.
Pela equao (4.2) pode-se obter a tenso VCR da rampa, no capacitor CR :

ICR VCCint K
VCR (t) = t= t, com 3 k RR 300 k e 500 pF CR 1 F (4.4)
CR C R RR

A funo do comparador de disparo, comparar a tenso de rampa do pino 10 e a tenso de


controle aplicada ao pino 11, como ilustrado na Figura 4.14

Figura 4.14: Comparador de disparo do TCA 785

Conforme o grfico na Figura 4.14, no instante t0 (correspondente a um determinado ngulo de


disparo ), quando a tenso de rampa se iguala com a tenso de controle (VCR = VC ), ocorre a
mudana de estado da sada VD - isto indicar ao bloco de lgica de formao de pulsos que um
pulso de disparo deve ser colocado em uma de suas sadas. A tenso de rampa VCR est limitada a 2
volts abaixo da tenso de alimentao do TCA 785, ou seja, VCRmax = VS 2. O grfico na Figura
4.14 tambm mostra que considerando CR fixo, a inclinao da rampa pode ser aumentada com a
diminuio do valor de RR ou diminuda com o aumento do valor de RR , o que pode ser verificado
pela equao (4.4). Dado isto, torna-se interessante constituir a resistncia RR combinando-se um
resistor fixo em srie com um potencimetro, para garantir que o limite mnimo da resistncia no
ser excedido (3 k) e tambm o controle da inclinao da rampa e consequentemente menor ou
maior excurso para o ngulo de disparo. Claramente a tenso de rampa no cresce indefinidamente
- o capacitor continua a se carregar at que no prximo cruzamento por zero, o detector de passagem
4 Resultados Experimentais 57

por zero (DPZ) informe o evento ao bloco registrador de sincronismo que por sua vez ir gera um
pulso que saturar o transistor T1 , descarregando o capacitor de modo a deix-lo preparado para o
incio da prxima rampa. A descarga do capacitor monitorada pelo comparador A2 (monitor de
descarga), de modo a liberar a informao de passagem por zero somente aps a descarga. O TCA
785 possui duas sadas Q1 (pino 14) e Q2 (pino 15) defasadas em 180, sendo a primeira utilizada
para disparo no semiciclo negativo e a segunda para disparo no semiciclo positivo. O bloco de lgica
de formao de pulsos diretamente responsvel pela formao dos sinais nas sadas. A largura
(durao) dos pulsos depende do capacitor C12 e do coeficiente , conforme a Tabela 4.3

C12 Aberto 150 pF 220 pF 330 pF 680 pF 1000 pF Curto


= 620 s/nF 30 s 93 s 136 s 205 s 422 s 620 s 180

Tabela 4.3: Relao entre durao dos pulsos de sada e o capacitor C12 no TCA 785

O valor de C12 = 150 pF destacado na Tabela 4.3, correspondente a uma largura de pulso de 93 s
o valor de capacitncia que ser utilizado no projeto apresentado nesta monografia.

Figura 4.15: Formao dos pulsos de disparo nas sadas do TCA 785

A Figura 4.15 mostra a formao dos pulsos a partir de uma tenso de controle estabelecida, a
4.1 Plataforma de Controle Virtual/Eletrnica 58

qual comparada com rampa gerando os pulsos nas sadas Q1 e Q2 , correspondendo ao um ngulo
de disparo . A seguir ser projetado o circuito de controle de potncia do sistema trmico com base
no TCA 785. Inicialmente ser arbitrada uma alimentao de 15 volts para o TCA 785, que se
encontra dentro da faixa permissvel. Considere tambm a atribuio de um limite de 8 volts para
a tenso VCR em um instante igual a 8, 33 ms (meio perodo do sinal de tenso de rede), uma vez
que o mdulo de sada analgica NI 9263 tem sua faixa de sada de tenso limitada a 10 volts e
ele ser utilizado para enviar a tenso de controle ao pino 11 do TCA 785. Esta tenso de controle
corresponde ao de controle fuzzy estabelecida na programao em LabVIEW como ser visto
na Seo 4.1.5. Com tais consideraes, podem ser determinados os valores dos componentes que
integram o circuito atuador para o sistema trmico, como mostrado na Figura 4.16

SISTEMA NI 9263
TRMICO

1N4148

TRIAC
TIC226D

16 15 14 13 12 11 10 9

TCA 785

1 2 3 4 5 6 7 8
DPZ 3,1 V

1N4148 GERADOR DE RAMPA

REFERNCIA PARA O DETECTOR


DE PASSAGEM POR ZERO

Figura 4.16: Circuito atuador baseado no TCA 785 para acionamento do sistema trmico.

No circuito da Figura 4.16, consideraes adicionais so referentes conexo dos pinos 6 e 13 aos
15 volts da alimentao. O pino 13, se aterrado, fornece pulsos de longa durao (180 ), o que
no o objetivo. O pino 6, se submetido a uma tenso inferior a 2, 5 V, bloqueia os pulsos de sada.
4 Resultados Experimentais 59

Contudo, uma tenso superior a 4 V libera as sadas. Os diodos D14 e D15 , so para evitar a circulao
de corrente entre os terminais 14 e 15, que possuem sadas que nunca estaro simultaneamente no
mesmo valor. O TRIAC utilizado um TIC 226D. A Figura 4.17 mostra a placa montada do circuito
atuador.

(a) Estrutura da placa montada (b) Indicao dos principais componentes da placa

Figura 4.17: Placa do circuito atuador.

4.1.5 Montagem da Plataforma

Como j foi dito na Seo 4.1, a plataforma de controle virtual/eletrnica desenvolvida tem a fun-
o de ser utilizada para aquisio de dados bem como implementao da metodologia de controle
proposta ou mesmo outra metodologia, em virtude de sua flexibilidade nesse aspecto. No mbito da
plataforma virtual, a nfase para a estrutura de programao grfica desenvolvida em LabVIEW
para aquisio e envio dos diversos sinais que representam as variveis do sistema de controle como
sada e entrada da planta, ao de controle, etc. No diagrama em blocos, por exemplo, a plataforma
dispe de um bloco (formula node) no qual possvel estabelecer um algoritmo em linguagem pro-
cedural - trata-se de um n baseado em texto o qual pode ser usado para execuo de operaes
matemticas complexas no diagrama em blocos usando a estrutura de sintaxe do C++. mais til
para as equaes que tm muitas variveis ou so de legibilidade complexa, sendo capaz de operar
com os sinais adquiridos pelo LabVIEW. Assim, este bloco utilizado para atribuio da lei de con-
trole a ser utilizada. No ambiente de programao em blocos tambm possvel acessar estruturas
que representam os canais dos mdulos de entrada e sada do CompactRIO 9073 e que permitem
que sinais externos adquiridos sejam processados pela programao em LabVIEW ou sinais gerados
4.1 Plataforma de Controle Virtual/Eletrnica 60

pela programao sejam enviados ao mundo externo. Na malha de controle do sistema trmico, por
exemplo, o sinal de tenso da sada do sensor de temperatura LM35 adquirido por um dos canais do
mdulo de entrada analgica NI 9219 e no LabVIEW esse sinal sofre um ganho absoluto de 100
para obteno de uma variao de tenso numericamente igual variao de temperatura em graus
Celsius. Este novo sinal subtrado da referncia de temperatura estabelecida para gerar o sinal de
erro que ir para a entrada do bloco formula node no qual est programada a lei de controle. Assim,
o controlador gera uma ao de controle que normalizada para uma faixa de tenso admissvel pelo
atuador (convencionada de 0 a 8 volts6 ) e tal sinal, obtido na sada do bloco formula node, atribudo
a um dos canais do mdulo de sada analgica NI9263 e este conectado ao pino 11 do TCA 785.
A Figura 4.18 mostra a estrutura da plataforma desenvolvida, detalhando as conexes e a lgica da
malha de controle

Figura 4.18: Plataforma de controle virtual/eletrnica.

Como se pode observar na Figura 4.18, o sensor de temperatura posicionado internamente na


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 torradeira bem como ao circuito atuador.
A outra conexo da torradeira o terminal MT2 do TIC 226D. O sinal de entrada da torradeira
6
Ver explicao da escolha da faixa na Seo 4.1.4
4 Resultados Experimentais 61

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 torradeira, 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 Homem-Mquina, 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 4.19 mostra a parte inicial da interface, desenvolvida
no painel frontal do LabVIEW:

Figura 4.19: Interface da plataforma virtual de controle com controles e indicadores das principais
variveis.

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.
4.2 Modelagem Fuzzy Takagi-Sugeno do Sistema Trmico 62

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. A Figura 4.20 mostra os demais grficos da interface. Os
grficos de referncia de temperatura e das funes de pertinncia s fazem sentido para o caso de
experimentos em malha fechada, o que no o caso utilizado para as Figuras em questo. Assim,
a referncia de 100C utilizada , nesse caso, para ilustrao. As funes de pertinncia por sua
vez, indicam a variao da sada da planta elucidando a ativao dos dois submodelos utilizados para
representar a planta, mas sem efeito sobre a ao de controle, para o caso da malha aberta.

(a) Grficos de tenso de entrada da planta (eficaz) e (b) Grficos das funes de pertinncia.
referncia de temperatura.

Figura 4.20: Grficos da interface da plataforma virtual de controle.

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 (iden-
tificao) da planta trmica obtidos atravs de experimentos em malha aberta realizados com a pla-
taforma de controle virtual/eletrnica apresentada na Seo 4.1. A seguir sero apresentados cada
um dos passos do processo de identificao apresentados no Apndice B, aplicados na modelagem da
planta trmica.
4 Resultados Experimentais 63

4.2.1 Realizao do experimento sobre a planta e filtragem dos dados


Na Figura 4.21 mostrado o sinal de entrada (tenso eficaz, em volts) aplicado entrada da planta
trmica e a respectiva sada (temperatura, em graus Celsius) obtida.

Tenso eficaz (Volts)


150

100

50

0
0 1 2 3 4 5 6 7 8 9
Tempo (minutos)
Temperatura (C)

150

100

50

0
0 1 2 3 4 5 6 7 8 9
Tempo (minutos)

Figura 4.21: Teste dinmico para identificao aplicado planta trmica. A tenso alternada, eluci-
dada pelo seu valor eficaz, aplicada planta cuja resposta temporal temperatura, em graus Celsius.

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 4.22

butter butter
saida saida_filtrada entrada entrada_filtrada

From To Workspace1 From To Workspace


Workspace1 Analog Workspace Analog
Filter Design1 Filter Design
saida_term
24.2951 To Workspace4
Scope
Constant
dsaida_filtrada
Scope1
dsaida_term To Workspace2
1
du/dt To Workspace5 ddsaida_filtrada
60s+1
Derivative1 Transfer Fcn3 To Workspace3

ddsaida_term

Scope2 To Workspace6
du/dt

Derivative du/dt

Derivative2
Scope3

du/dt

Derivative3

Figura 4.22: Diagrama em blocos no Simulink para filtragem dos dados e tambm obteno das
derivadas do sinal de sada.
4.2 Modelagem Fuzzy Takagi-Sugeno do Sistema Trmico 64

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:

Yi (s) b(i)
= 2
(4.5)
Ui (s) a1(i) s + a2(i) s + 1
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.

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 4.21. A matriz de regressores X apresenta a seguinte estrutura em conformidade
com a estrutura e ordem do submodelo escolhida:
h i
X = entrada derivada de segunda ordem da sada derivada de primeira ordem da sada (4.6)

Uma vez fornecidos os dados experimentais da 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 4.23

180

160 Centro Cluster 2

140
Espao de Sada

120

100
Centro Cluster 1
80

60

40

20
20 40 60 80 100 120 140 160 180
Espao de Sada

Figura 4.23: 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.
4 Resultados Experimentais 65

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


so mostradas na Figura 4.24. 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.

0.8
Grau de Pertinncia

0.6

0.4

0.2

0
20 40 60 80 100 120 140 160 180
Temperatura (graus Celsius)

Figura 4.24: 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.

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
= (4.7)
U1 (s) 318.3806 103 s2 + 1.3701 103 s + 1

Y2 (s) 1.2290
= (4.8)
U2 (s) 154.9031 103 s2 + 1.2580 103 s + 1
O submodelo em sua representao completa, contudo na forma de espao de estados e incorpora
o atraso puro de tempo obtido atravs de correlao cruzada entre os dados de entrada e sada da
planta trmica, como mostra a Figura 4.25. 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 2.6968s2 9.8532s + 12
R2 (s) = = (4.9)
d 2 s2 + 6d s + 12 2.6968s2 + 9.8532s + 12
Atribuindo esta aproximao do atraso s funes de pertinncia dos submodelos obtidos (equa-
es (4.7) e (4.8)) e em seguida convertendo para a representao no espao de estados, obtemos a
seguinte base de regras do modelo fuzzy Takagi-Sugeno para a planta trmica:
4.2 Modelagem Fuzzy Takagi-Sugeno do Sistema Trmico 66

0.8
X= 966
Y= 0.77451
0.6

0.4

Correlao Cruzada
0.2

0.2

0.4

0.6
3 2 1 0 1 2 3
Atraso x 10
4

Figura 4.25: 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.

Base de Regras - Modelo Fuzzy T-S



0 1 0 0 0
0 0 1 0 0
x(t) = x(t) + u
0 0 0 1 0 1
R1 : SE Temp. F1 ENTO
13.97599 106 19.16026 103 4.46541 3.65794 1
 
y(t) = 14.58032 106 11.97190 106 3.27671 106 0 x(t)


0 1 0 0 0
0 0 1 0 0
x(t) = x(t) + u
0 0 0 1 0 2
R2 : SE Temp. F2 ENTO
28.72559 106 36.16109 103 4.47936 3.66176 1
 
y(t) = 35.30396 106 28.98808 106 7.93404 106 0 x(t)

Tabela 4.4: 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.

As regies F1 e F2 podem ser representadas por funes de pertinncia dadas por:

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


1, T emp. a
 2
1 2 T emp.a , a T emp. a+b
ba 2
(4.10)

T emp.a 2 a+b


2 ba
, 2
T emp. b

0, T emp. b
com F2 = 1 F1 . Esta representao corresponde s funes mostradas na Figura 4.24. A equa-
o 4.10 corresponde s funes com forma Z (Z-shaped). A funo de pertinncia para F2
4 Resultados Experimentais 67

obtida pelo complemento de F1 . A equao 4.10 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 grfi-
cos da Figura 4.26 Tenso eficaz (Volts)

150

100

50

0
0 0.5 1 1.5 2 2.5 3 3.5 4
Tempo (minutos) 4
x 10
200
Temperatura (C)

150

100

50

0
0 0.5 1 1.5 2 2.5 3 3.5 4
Tempo (minutos) 4
x 10

Figura 4.26: 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.

O grfico da Figura 4.27 mostra o comparativo da curva de sada dos dados de validao com a
curva de sada do modelo identificado.

200

180
Temperatura (graus Celsius)

160

140

120

100

80

60

40

20
0 2 4 6 8 10 12
Tempo (minutos)

Figura 4.27: Comparativo entre a resposta do modelo fuzzy identificado e a sada real da planta
trmica.

O fato de haver presena de rudo nos sinais de entrada e sada da planta trmica e considerando
4.2 Modelagem Fuzzy Takagi-Sugeno do Sistema Trmico 68

a formulao no tempo contnuo na qual aparecem termos derivativos do sinal de sada na matriz de
regressores, 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 4.27. Deste modo, o modelo fuzzy T-S identificado foi submetido
a um processo de otimizao por algoritmo gentico (AG). O grfico da Figura 4.27 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 ) das
funes de pertinncia:
h i
cromossomo = b(1) b(2) m1 m2 (4.11)

A Tabela 4.5 mostra os parmetros do algoritmo gentico utilizado para otimizao do modelo
fuzzy Takagi-Sugeno obtido para a planta trmica:

Parmetro Valor
Tamanho do cromossomo 4
Tamanho da populao 50
Nmero de geraes 300
Probabilidade de crossover aritmtico 85%
Probabilidade de seleo natural 50%
Probabilidade de mutao 85%

Tabela 4.5: Especificaes dos parmetros do algoritmo gentico para otimizao do modelo fuzzy
identificado.

As funes de pertinncia fornecidas para inicializao do AG no foram com os valores forneci-


dos pelo algoritmo de identificao, representadas na equao 4.10, mas sim funes da mesma forma
com parmetros a = 50 e b = 170, considerando que o teste de maior abertura nas funes (grafica-
mente), 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 4.28 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,
919.874482693833103 e 1.14203009259494. Os intensificadores m1 e m2 das funes de pertinn-
cia, 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
4 Resultados Experimentais 69

200

180

160

Temperatura (C)
140

120

100

80

60

40

20
0 2 4 6 8 10 12
Tempo (minutos)

Figura 4.28: 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.

algoritmo gentico para melhoria de seus parmetros, mostrado na Tabela 4.6. 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 4.27, consolidando a sua validao.

Base de Regras - Modelo Fuzzy T-S otimizado



0 1 0 0 0
0 0 1 0 0
x(t) = x(t) + u
0 0 0 1 0 1
R1 : SE Temp. F1 ENTO
13.97599 106 19.16026 103 4.46541 3.65794 1
 
y(t) = 12.85615 106 10.55619 106 2.88923 106 0 x(t)


0 1 0 0 0
0 0 1 0 0
x(t) = x(t) + u
0 0 0 1 0 2
R2 : SE Temp. F2 ENTO
28.72559 106 36.16109 103 4.47936 3.66176 1
 
y(t) = 32.80549 106 26.93659 106 7.37254 106 0 x(t)

Tabela 4.6: 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.

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 dia-
grama em blocos representa o modelo fuzzy T-S da planta trmica com suas funes de pertinncia
4.3 Projeto de controle fuzzy T-S da planta trmica 70

e submodelos lineares 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 4.29

saidavalid

Sada da Planta
Trmica

entradavalid

Sinal de
Entrada
In1
Out1

Sada Temperatura
Out1 In2 Global (graus Celsius)
In1 do modelo
Out2 TS errofz
Out2 In3
To Workspace1

Funes de Submodelos
Pertinncia Lineares

1
saidafz
0.1s+1
Transfer Fcn To Workspace

Figura 4.29: Diagrama em blocos do modelo fuzzy T-S para auxlio no clculo do custo pelo algo-
ritmo gentico a cada gerao.

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 4.30 so mostradas diferentes respostas temporais do sistema de controle fuzzy T-S
baseado na metodologia proposta para diferentes alocaes de plos.

160

140
Temperatura (C)

120

100

80

60

40

20
0 2 4 6 8 10 12 14
Tempo (minutos)

Figura 4.30: Repostas temporais do sistema de controle fuzzy. Os plos correspondentes resposta
transitria na regio intermediria das trs curvas so: 96.715, 845.47103 554.3361103 j,
319.964 103 e 2.03 106 .
4 Resultados Experimentais 71

As curvas da Figura 4.30 so resultados experimentais obtidos do controle fuzzy em malha fe-
chada 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 iteraes bem como o acompa-
nhamento de todas as variveis do sistema de controle feita no painel frontal, onde estabelecida a
interface da plataforma.
Captulo 5

Concluses

Neste trabalho 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 aplica-
o estendida para plantas no lineares, atravs da estrutura funcional do sistema de inferncia fuzzy
Takagi-Sugeno. Como visto, tal metodologia contempla tanto o projeto de sistemas de controle regu-
lador 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 exem-
plo computacional na Seo 3.1.3, 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, mostrada
na Figura 3.5 em virtude do carter multiobjetivo da metodologia, mostra que impossvel alocar
quaisquer plos no semiplano esquerdo do plano complexo, considerando, desta forma, a imposi-
o 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. No concernente modelagem fuzzy Takagi-Sugeno, optou-se
por apresentar, para o caso do manipulador robtico, a obteno dos submodelos lineares com base
em linearizao e, para o caso do sistema trmico, com base nos dados experimentais de entrada e
sada. Essa abordagem visa mostrar as duas vertentes comumente utilizadas no processo de obteno
de modelos fuzzy T-S, como foi ilustrado na Figura 3.1. Assim, claramente, a metodologia proposta
baseada em modelo e reflete uma tendncia das propostas de controle fuzzy atuais em ter um apelo de

72
5 Concluses 73

formulao matemtica forte e dependncia de modelo. Essa abordagem utiliza a estrutura do sistema
fuzzy muito mais como uma ferramenta de aproximao de funes no lineares e representao de
incertezas. Nesse sentido, embora haja um ligeiro distanciamento da abordagem inicialmente pro-
posta quando do surgimento da teoria de sistemas fuzzy, persiste o objetivo de obteno do mximo
desempenho possvel atravs da combinao convexa dos submodelos locais e controladores locais
no processo de modelagem e controle da planta no linear. Outra vantagem da abordagem baseada em
modelo, a possibilidade de anlise da estabilidade e robustez, o que uma difcil tarefa em controle
fuzzy baseado em conhecimento. As formulaes matemticas sofisticadas, por sua vez, tem atingido
cada vez mais uma tratabilidade computacional prtica que viabiliza sua utilizao bem como agrega
a riqueza de suas informaes.
Como propostas futurass, o trabalho 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.


Referncias Bibliogrficas

ABDELAZIM, T.; MALIK, O. P. An adaptive power system stabilizer using on-line self-learning
fuzzy systems. In: Power Engineering Society General Meeting, 2003, IEEE. [S.l.: s.n.], 2003. v. 3,
p. 17151720 Vol. 3.

ABRAHAM, A. et al. Foundations of Computational Intelligence Volume 3: Global Optimization.


[S.l.]: U.S. Government Printing Office, 2009. (Studies in Computational Intelligence).

ADELI, M.; ZARABADIPOUR, H.; SHOOREHDELI, M. Crane control via parallel distributed
fuzzy LQR controller using genetic fuzzy rule selection. In: Control, Instrumentation and
Automation (ICCIA), 2011 2nd International Conference on. [S.l.: s.n.], 2011. p. 390395.

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.

ALGER, P.; KU, Y. H. Speed control of induction motors using saturable reactors. Power apparatus
and systems, part iii. transactions of the american institute of electrical engineers, v. 75, n. 3, p. ,
Jan 1956. ISSN 0097-2460.

ALMEIDA, J. L. A. de. Dispositivos Semicondutores: Tiristores: Controle de Potncia em CC E CA.


11. ed. [S.l.]: ERICA, 2007.

AOUL, Y. et al. Fafc: fast adaptive fuzzy aqm controller for tcp/ip networks. In: Global
Telecommunications Conference, 2004. GLOBECOM 04. IEEE. [S.l.: s.n.], 2004. v. 3, p.
13191323 Vol.3.

ATHANS, M. Perspectives in modern control theory. Science, Technology, and the Modem Navy,
Thirtieth Anniversary 1946-1976. Edited by Edward I. Solkovitz. Department of the Navy, Office of
Naval Research, Arlington. Va, p. 143, 1976.

BABUKA, R. Fuzzy Modeling for Control. [S.l.]: Kluwer Academic Publishers, 1998.
(International Series in Intelligent Technologies).

BAI, Y.; ZHUANG, H.; ROTH, Z. S. Fuzzy logic control to suppress noises and coupling effects in a
laser tracking system. Control Systems Technology, IEEE Transactions on, v. 13, n. 1, p. 113121,
Jan 2005. ISSN 1063-6536.

74
REFERNCIAS BIBLIOGRFICAS 75

BAI, Y.; ZHUANG, H.; WANG, D. Advanced Fuzzy Logic Technologies in Industrial Applications.
[S.l.]: Springer, 2007. (Advances in Industrial Control).

BARROS, L. C. de; BASSANEZI, R. C. Tpicos de Lgica Fuzzy e Biomatemtica. [S.l.]:


Unicamp-Imecc, 2006. (Colecao IMECC. Textos Didticos).

BATURONE, I. et al. Automatic design of fuzzy controllers for car-like autonomous robots. Fuzzy
Systems, IEEE Transactions on, v. 12, n. 4, p. 447465, Aug 2004. ISSN 1063-6706.

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

BIRKHOFF, G.; LANE, S. M. A Survey of Modern Algebra. [S.l.]: Taylor & Francis, 1977. (AKP
classics).

BITTER, R.; MOHIUDDIN, T.; NAWROCKI, M. LabVIEW: Advanced Programming Techniques,


Second Edition. [S.l.]: Taylor & Francis, 2006. (Electrical engineering).

BLACK, H. Inventing the negative feedback amplifier: Six years of persistent search helped the
author conceive the idea in a flash aboard the old lackawanna ferry. Spectrum, IEEE, v. 14, n. 12,
p. 5560, Dec 1977. ISSN 0018-9235.

BODE, H. W. Network Analysis and Feedback Amplifier Design. [S.l.]: Van Nostrand Reinhold,
1964. (The Bell Telephone Laboratory series, v. 14).

BONISSONE, P. et al. Industrial applications of fuzzy logic at general electric. Proceedings of the
IEEE, v. 83, n. 3, p. 450465, Mar 1995. ISSN 0018-9219.

BOUKEZZOULA, R.; GALICHET, S.; FOULLOY, L. Observer-based fuzzy adaptive control for a
class of nonlinear systems: real-time implementation for a robot wrist. Control Systems Technology,
IEEE Transactions on, v. 12, n. 3, p. 340351, May 2004. ISSN 1063-6536.

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.

CAMPELLO, R. J. G. B.; MELEIRO, L. A. C.; AMARAL, W. Control of a bioprocess using


orthonormal basis function fuzzy models. In: Fuzzy Systems, 2004. Proceedings. 2004 IEEE
International Conference on. [S.l.: s.n.], 2004. v. 2, p. 801806 vol.2. ISSN 1098-7584.

CHANG, Y.-C.; CHEN, B.-S. Intelligent robust tracking controls for holonomic and nonholonomic
mechanical systems using only position measurements. Fuzzy Systems, IEEE Transactions on, v. 13,
n. 4, p. 491507, Aug 2005. ISSN 1063-6706.

CHEN, B.; LIU, X. Fuzzy approximate disturbance decoupling of mimo nonlinear systems by
backstepping and application to chemical processes. Fuzzy Systems, IEEE Transactions on, v. 13,
n. 6, p. 832847, Dec 2005. ISSN 1063-6706.
REFERNCIAS BIBLIOGRFICAS 76

CHEN, B.-S.; TSAI, C.-L.; CHEN, D.-S. Robust H and mixed H2 /H filters for equalization
designs of nonlinear communication systems: fuzzy interpolation approach. Fuzzy Systems, IEEE
Transactions on, v. 11, n. 3, p. 384398, June 2003. ISSN 1063-6706.

CHEN, B.-S. et al. Fuzzy adaptive predictive flow control of atm network traffic. Fuzzy Systems,
IEEE Transactions on, v. 11, n. 4, p. 568581, Aug 2003. ISSN 1063-6706.

COX, E. The Fuzzy Systems Handbook: A Practitioners Guide to Building, Using, and Maintaining
Fuzzy Systems. [S.l.]: Ap Professional, 1994.

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.

EVANS, W. R. Graphical analysis of control systems. American Institute of Electrical Engineers,


Transactions of the, v. 67, n. 1, p. 547551, Jan 1948. ISSN 0096-3860.

EVANS, W. R. Control system synthesis by root locus method. American Institute of Electrical
Engineers, Transactions of the, v. 69, n. 1, p. 6669, Jan 1950. ISSN 0096-3860.

FENG, G. A survey on analysis and design of model-based fuzzy control systems. IEEE Transactions
on Fuzzy Systems, v. 14, n. 5, p. 676697, Oct 2006. ISSN 1063-6706.

FLORES, A. et al. Fuzzy predictive control of a solar power plant. Fuzzy Systems, IEEE Transactions
on, v. 13, n. 1, p. 5868, Feb 2005. ISSN 1063-6706.

FLOYD, T. Sistemas Digitais: Fundamentos e Aplicaes. 9. ed. [S.l.]: BOOKMAN COMPANHIA


ED, 2007.

FRADEN, J. Handbook of Modern Sensors: Physics, Designs, and Applications. 4. ed. [S.l.]:
Springer, 2010.

FRANKLIN, G. F.; POWELL, J. D.; EMAMI-NAEINI, A. Feedback Control of Dynamic Systems.


[S.l.]: Addison-Wesley Longman, Incorporated, 2002.

GOODWIN, G. C.; GRAEBE, S. F.; SALGADO, M. E. Control system design. [S.l.]: Prentice Hall,
2001.

GUESMI, T.; ADBALLAH, H.; TOUMI, A. Transient stability fuzzy control approach for power
systems. In: Industrial Technology, 2004. IEEE ICIT 04. 2004 IEEE International Conference on.
[S.l.: s.n.], 2004. v. 3, p. 16761681 Vol. 3.

GUILLEMIN, P. Fuzzy logic applied to motor control. Industry Applications, IEEE Transactions on,
v. 32, n. 1, p. 5156, Jan 1996. ISSN 0093-9994.

HORIUCHI, J.-I.; KISHIMOTO, M. Application of fuzzy control to industrial bioprocesses in japan.


Fuzzy Sets and Systems, v. 128, n. 1, p. 117 124, 2002. ISSN 0165-0114.
REFERNCIAS BIBLIOGRFICAS 77

HUANG, Y.; YASUNOBU, S. A general practical design method for fuzzy PID control from
conventional PID control. In: Fuzzy Systems, 2000. FUZZ IEEE 2000. The Ninth IEEE International
Conference on. [S.l.: s.n.], 2000. v. 2, p. 969972 vol.2. ISSN 1098-7584.

IOANNOU, P. A.; PITSILLIDES, A. Modeling and Control of Complex Systems. [S.l.]: Taylor &
Francis, 2010. (Automation and Control Engineering).

JIANLING, Q.; ZHENJIE, D.; YEZI, L. Design of fuzzy PID controller and application in
glass furnace. In: Electronic Measurement and Instruments, 2007. ICEMI 07. 8th International
Conference on. [S.l.: s.n.], 2007. p. 42244227.

JIMENEZ, A. et al. Linear quadratic regulator based takagi-sugeno model for multivariable
nonlinear processes. In: System Theory, Control and Computing (ICSTCC), 2013 17th International
Conference. [S.l.: s.n.], 2013. p. 285290.

KANDEL, A. et al. Atm traffic management and congestion control using fuzzy logic. Systems, Man,
and Cybernetics, Part C: Applications and Reviews, IEEE Transactions on, v. 29, n. 3, p. 474480,
Aug 1999. ISSN 1094-6977.

KANG, G.; LEE, W.; SUGENO, M. Design of TSK fuzzy controller based on TSK fuzzy model
using pole placement. In: Fuzzy Systems Proceedings, 1998. IEEE World Congress on Computational
Intelligence., The 1998 IEEE International Conference on. [S.l.: s.n.], 1998. v. 1, p. 246251 vol.1.
ISSN 1098-7584.

KIM, E. Output feedback tracking control of robot manipulators with model uncertainty via adaptive
fuzzy logic. Fuzzy Systems, IEEE Transactions on, v. 12, n. 3, p. 368378, June 2004. ISSN
1063-6706.

KIM, E.; LEE, S. Output feedback tracking control of mimo systems using a fuzzy disturbance
observer and its application to the speed control of a pm synchronous motor. Fuzzy Systems, IEEE
Transactions on, v. 13, n. 6, p. 725741, Dec 2005. ISSN 1063-6706.

KLINE, R. Harold black and the negative-feedback amplifier. Control Systems, IEEE, v. 13, n. 4, p.
8285, Aug 1993. ISSN 1066-033X.

KLIR, G. J.; YUAN, B. Fuzzy Sets and Fuzzy Logic: Theory and Aplications. [S.l.]: Prentice Hall,
1995.

KO, H.-S.; NIIMURA, T. Power system stabilization using fuzzy-neural hybrid intelligent control.
In: Intelligent Control, 2002. Proceedings of the 2002 IEEE International Symposium on. [S.l.: s.n.],
2002. p. 879884. ISSN 2158-9860.

KORNBLUM, R.; TRIBUS, M. The use of bayesian inference in the design of an endpoint control
system for the basic oxygen steel furnace. Systems Science and Cybernetics, IEEE Transactions on,
v. 6, n. 4, p. 339348, Oct 1970. ISSN 0536-1567.

LARSEN, R. W. LabVIEW for Engineers. [S.l.]: Pearson Education, 2011.


REFERNCIAS BIBLIOGRFICAS 78

LEE, S.-H.; LIM, J.-T. Multicast abr service in atm networks using a fuzzy-logic-based consolidation
algorithm. Communications, IEE Proceedings-, v. 148, n. 1, p. 813, Feb 2001. ISSN 1350-2425.

LENDEK, Z.; BABUKA, R.; SCHUTTER, B. D. Stability of cascaded fuzzy systems and
observers. IEEE Transactions on Fuzzy Systems, v. 17, n. 3, p. 641653, 2009.

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).

LIN, C.-M.; HSU, C.-F. Self-learning fuzzy sliding-mode control for antilock braking systems.
Control Systems Technology, IEEE Transactions on, v. 11, n. 2, p. 273278, Mar 2003. ISSN
1063-6536.

MACFARLANE, A. G. J.; NYQUIST, H. Frequency-response methods in control systems. [S.l.]:


IEEE Press : sole worldwide distributor (exclusive of IEEE), Wiley, 1979.

MAMDANI, E. H. Application of fuzzy logic to approximate reasoning using linguistic synthesis.


IEEE Transactions on Computers, C-26, n. 12, p. 11821191, Dec 1977. ISSN 0018-9340.

MANN, G. K. I.; HU, B.-G.; GOSINE, R. Analysis of direct action fuzzy PID controller structures.
Systems, Man, and Cybernetics, Part B: Cybernetics, IEEE Transactions on, v. 29, n. 3, p. 371388,
Jun 1999. ISSN 1083-4419.

MAXWELL, J. C. On governors. In: Proceedings of the Royal Society. [S.l.: s.n.], 1868. v. 16, p.
270283.

MICHELS, K. et al. Fuzzy Control: Fundamentals, Stability and Design of Fuzzy Controllers. [S.l.]:
Springer, 2006. (Studies in fuzziness and soft computing).

NATIONAL INSTRUMENTS. NI LabVIEW for CompactRIO Developers Guide. EUA, 2014. 225 p.

NATIONAL SEMICONDUCTOR CORPORATION. LM35: Precision centigrade temperature


sensors. EUA, 2000. 13 p.

NGUYEN, H. T.; SUGENO, M. Fuzzy Systems: Modeling and Control. [S.l.]: Springer US, 1998.
(The Handbooks of Fuzzy Sets).

NIASAR, A.; MOGHBELI, H.; KAZEMI, R. Yaw moment control via emotional adaptive
neuro-fuzzy controller for independent rear wheel drives of an electric vehicle. In: Control
Applications, 2003. CCA 2003. Proceedings of 2003 IEEE Conference on. [S.l.: s.n.], 2003. v. 1, p.
380385 vol.1.

NYQUIST, H. Regeneration theory. Bell Sys. Technol., v. 11, n. J, p. 126147, Jan 1932.

PEDRYCZ, W. Computational Intelligence: An Introduction. [S.l.]: Taylor & Francis, 1997.


(Computer engineering, software programming).

PEDRYCZ, W.; GOMIDE, F. Fuzzy Systems Engineering: toward human-centric computing. [S.l.]:
John Wiley, 2007.
REFERNCIAS BIBLIOGRFICAS 79

PREITL, S. et al. Pole placement approaches for linear and fuzzy systems. In: Intelligent Systems
and Informatics, 2008. SISY 2008. 6th International Symposium on. [S.l.: s.n.], 2008. p. 16.

SALA, A.; GUERRA, T. M.; BABUKA, R. Perspectives of fuzzy systems and control. Fuzzy Sets
and Systems, v. 156, n. 3, p. 432 444, 2005. ISSN 0165-0114. 40th Anniversary of Fuzzy Sets 40th
Anniversary of Fuzzy Sets.

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.

SHEIKHOLESLAM, F.; SHEKARAMIZ, M. Stability criterion for takagi-sugeno models. In:


Proceedings of the 8th International Conference on Fuzzy Systems and Knowledge Discovery
(FSKD). [S.l.: s.n.], 2011. p. 261266.

SUGENO, M.; NISHIDA, M. Fuzzy control of model car. Fuzzy Sets and Systems, v. 16, n. 2, p. 103
113, 1985. ISSN 0165-0114.

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 0018-9472.

TANAKA, K.; IKEDA, T.; WANG, H. Design of fuzzy control systems based on relaxed LMI
stability conditions. In: Proceedings of the 35th Conference on Decision and Control. [S.l.: s.n.],
1996. p. 598603.

WANG, L. X. A Course in Fuzzy Systems and Control. [S.l.]: Prentice Hall PTR, 1997.

ZADEH, L. A. From circuit theory to system theory. Proceedings of the IRE, v. 50, n. 5, p. 856865,
May 1962. ISSN 0096-8390.

ZADEH, L. A. Fuzzy sets. Information and Control, v. 8, p. 338353, 1965.

ZADEH, L. A. Outline of a new approach to the analysis of complex systems and decision processes.
IEEE Transactions on Systems, Man and Cybernetics, SMC-3, n. 1, p. 2844, Jan 1973.

ZADEH, L. A. Fuzzy logic. Computer, v. 21, n. 4, p. 8393, 1988. ISSN 0018-9162.

ZADEH, L. A. Soft computing and fuzzy logic. IEEE Software, v. 11, n. 6, p. 4856, 1994. ISSN
0740-7459.

ZADEH, L. A. Is there a need for fuzzy logic? In: Fuzzy Information Processing Society, 2008.
NAFIPS 2008. Annual Meeting of the North American. [S.l.: s.n.], 2008. p. 13.

ZHANG, R.; PHILLIS, Y. A. Fuzzy control of queueing systems with heterogeneous servers. Fuzzy
Systems, IEEE Transactions on, v. 7, n. 1, p. 1726, Feb 1999. ISSN 1063-6706.
Apndice A

Cdigos-fonte dos Scripts em Matlab

A seguir so apresentados os cdigos-fonte dos principais scripts desenvolvidos no software


Matlab e utilizados em diversas etapas deste trabalho.

A.1 Script tsfuzzysenoide3.m


Este script utilizado para obteno do modelo fuzzy Takagi-Sugeno para aproximao a funo
senoidal, conforme mostrado no exemplo de aplicao da Seo 2.2.2 para o caso de 3 pontos de
operao ou 3 regras.
1 %% APROXIMAO DE FUNO SENOIDAL (3 regras) - matlab file tsfuzzysenoide3.m
2 close all % Remove todas as figuras
3 clear all % Remove itens do workspace, limpando a memria
4 clc % Limpa a Command Window
5
6 x = -pi:0.01:pi; % varivel independente
7 y = sin(x); % varivel dependente
8
9 % Grfico da funo
10 figure(1)
11 plot(x,y,-k,LineWidth,1.5)
12 axis([-4.0 4.0 -1.5 1.5])
13 set(gca,FontSize,12)
14 xlabel(x,FontSize,12), ylabel(f(x),FontSize,12)
15 hold on
16
17 % Pontos de operao e retas por esses pontos
18 x01 = -2.6; x02 = 0; x03 = 2.6;
19 yr1 = sin(x01) + (cos(x01))*(x-x01);
20 yr2 = sin(x02) + (cos(x02))*(x-x02);
21 yr3 = sin(x03) + (cos(x03))*(x-x03);
22
23 % Grficos das retas pelos ptos. de operao
24 plot(x,yr1,-r,LineWidth,0.5)

80
A Cdigos-fonte dos Scripts em Matlab 81

25 plot(x,yr2,-r,LineWidth,0.5)
26 plot(x,yr3,-r,LineWidth,0.5)
27
28 % Definio das funes de pertinncia
29 mf1 = gauss2mf(x, [0.05221 -3.48 0.408 -1.968]);
30 mf2 = gauss2mf(x, [0.4502 -0.9393 0.412 1]);
31 mf3 = gauss2mf(x, [0.395 1.97 0.854 3.39]);
32
33 % Modelo fuzzy Takagi-Sugeno
34 somanum = mf1.*yr1 + mf2.*yr2 + mf3.*yr3;
35 somaden = mf1+mf2+mf3;
36
37 yg = somanum./somaden;
38
39 % Grficos da aproximao do modelo fuzzy T-S
40 plot(x,yg,-b,LineWidth,1.5)
41
42 % Grficos das funes de pertinncia
43 figure(2)
44 plot(x,mf1,x,mf2,x,mf3,LineWidth,1.5)
45 axis([-pi pi 0 1.1])
46 set(gca,FontSize,12)
47 xlabel(x,FontSize,12), ylabel(\mu(x),FontSize,12)
48 gtext(x_{0,1}), gtext(x_{0,2}), gtext(x_{0,3})

A.2 Script tsfuzzysenoide5.m


Este script utilizado para obteno do modelo fuzzy Takagi-Sugeno para aproximao a funo
senoidal, conforme mostrado no exemplo de aplicao da Seo 2.2.2 para o caso de 5 pontos de
operao ou 5 regras.

49 %% APROXIMAO DE FUNO SENOIDAL (5 regras) - matlab file tsfuzzysenoide5.m


50 close all % Remove todas as figuras
51 clear all % Remove itens do workspace, limpando a memria
52 clc % Limpa a Command Window
53
54 x = -pi:0.01:pi; % varivel independente
55 y = sin(x); % varivel dependente
56
57 % Grfico da funo
58 plot(x,y,-k,LineWidth,1.5)
59 set(gca,FontSize,12)
60 xlabel(x,FontSize,12), ylabel(f(x),FontSize,12)
61 axis([-4.0 4.0 -1.5 1.5])
62 hold on
63
64 % Pontos de operao e retas por esses pontos
65 x01 = -2.6; x02 = -1.57; x03 = 0; x04 = 1.57; x05 = 2.6;
66 yr1 = sin(x01) + (cos(x01))*(x-x01);
67 yr2 = sin(x02) + (cos(x02))*(x-x02);
A.3 Script smodlinmaniprob.m 82

68 yr3 = sin(x03) + (cos(x03))*(x-x03);


69 yr4 = sin(x04) + (cos(x04))*(x-x04);
70 yr5 = sin(x05) + (cos(x05))*(x-x05);
71
72 % Grficos das retas pelos ptos. de operao
73 plot(x,yr1,-r,LineWidth,0.5)
74 plot(x,yr2,-r,LineWidth,0.5)
75 plot(x,yr3,-r,LineWidth,0.5)
76 plot(x,yr4,-r,LineWidth,0.5)
77 plot(x,yr5,-r,LineWidth,0.5)
78
79 % Definio das funes de pertinncia
80 mf1 = gauss2mf(x,[0.00221 -3.484 0.153 -2.124]);
81 mf2 = gaussmf(x, [0.30 -1.57]);
82 mf3 = gauss2mf(x,[0.156 -1.04 0.156 1.022]);
83 mf4 = gaussmf(x, [0.30 1.57]);
84 mf5 = gauss2mf(x,[0.2014 2.153 0.854 3.39]);
85
86 % Modelo fuzzy Takagi-Sugeno
87 somanum = mf1.*yr1 + mf2.*yr2 + mf3.*yr3 + mf4.*yr4 + mf5.*yr5;
88 somaden = mf1+mf2+mf3+mf4+mf5;
89
90 yg5 = somanum./somaden;
91
92 % Grficos da aproximao do modelo fuzzy T-S
93 plot(x,yg5,LineStyle,-,LineWidth,1.5,Color,[0 191/255 191/255])
94
95
96 % Grficos das funes de pertinncia
97 figure(2)
98 plot(x,mf1,x,mf2,x,mf3,x,mf4,x,mf5,LineWidth,1.5)
99 axis([-pi pi 0 1.1])
100 set(gca,FontSize,12)
101 xlabel(x,FontSize,12), ylabel(\mu(x),FontSize,12)
102 gtext(x_{0,1}), gtext(x_{0,2}), gtext(x_{0,3}), gtext(x_{0,4}),
103 gtext(x_{0,5})

A.3 Script smodlinmaniprob.m


Este script utilizado para obteno dos submodelos lineares do modelo fuzzy Takagi-Sugeno
obtido para o manipulador robtico.

104 %% SUBMODELOS LINEARES MANIPULADOR ROBTICO - matlab file smodlinmaniprob.m


105 close all % Remove todas as figuras
106 clear all % Remove itens do workspace, limpando a memria
107 clc % Limpa a Command Window
108
109 m = 1; % massa do manipulador robtico (MR)
110 l = 1; % comprimento do brao do MR
111 B = 1; % coeficiente de atrito no ponto de contato
112 g = 9.81; % acelerao gravitacional
A Cdigos-fonte dos Scripts em Matlab 83

113
114 % Pontos de operao do manipulador
115 THETA_0 = pi/180*[ -90 ;
116 -85 ;
117 -75 ;
118 -60 ;
119 -45 ;
120 -30 ;
121 0 ;
122 30 ;
123 45 ;
124 60 ;
125 75 ;
126 85 ;
127 90 ; ];
128
129 % Parmetros da linearizao
130 alpha = 1/(m*l^2);
131 beta = B/(m*l);
132 GAMA = double(vpa(sym((g/l)*(sin(THETA_0)-(THETA_0).*cos(THETA_0))),6));
133 DELTA = double(vpa(sym((g/l)*cos(THETA_0)),6));
134
135 % Matrizes de estados dos submodelos para cada pto. de operao
136 for i = 1:length(THETA_0)
137 A{i} = [ 0 1;
138 -DELTA(i,1) -beta ];
139 end

A.4 Script projkmrob.m


Este script utilizado para projeto do subcontroladores do controlador fuzzy Takagi-Sugeno do
manipulador robtico.

140 %% PROJETO DO REGULADOR PARA MANIPULADOR ROBTICO - matlab file projkmrob.m


141 close all % Remove todas as figuras
142 clear all % Remove itens do workspace, limpando a memria
143 clc % Limpa a Command Window
144 warning off % Desabilita mensagens de warning na Command Window
145
146 % Parmetros de projeto
147 syms a1 a2 mi beta real
148
149 % Plos desejados de malha fechada
150 s1 = -3.5;
151 s2 = -2.3;
152
153 % Parmetros da planta (manip. robtico)
154 m = 1;
155 comp = 1;
156 Bv = 1;
157 g = 9.81;
A.4 Script projkmrob.m 84

158 const = 1;
159
160 % vari1 = 0.05;
161 % vari2 = 0.1;
162 % vari3 = 0.3;
163 % vari4 = 0.2;
164 % vari5 = 0.3;
165 % vari6 = 0.1;
166 % vari7 = 0.05;
167
168 % Submodelos no espao de estados (consequente das regras)
169 % Regra 1: (-90)
170 A1 = [0 1; 0 -1];
171 B1 = [0 ; 1];
172 C1 = [1 0 ; 0 0];
173 D1 = [0];
174
175 % Regra 2: (-60)
176 A2 = [0 1 ; -4.905 -1];
177 B2 = [0 ; 1];
178 C2 = [1 0 ; 0 0];
179 D2 = [0];
180
181 % Regra 3: (-30)
182 A3 = [0 1 ; -8.4957 -1];
183 B3 = [0 ; 1];
184 C3 = [1 0 ; 0 0];
185 D3 = [0];
186
187 % Regra 4: (0)
188 A4 = [0 1 ; -9.81 -1];
189 B4 = [0 ; 1];
190 C4 = [1 0 ; 0 0];
191 D4 = [0];
192
193 % Regra 5: (30)
194
195 A5 = [0 1 ; -8.4957 -1];
196 B5 = [0 ; 1];
197 C5 = [1 0 ; 0 0];
198 D5 = [0];
199
200 % Regra 6: (60)
201
202 A6 = [0 1 ; -4.905 -1];
203 B6 = [0 ; 1];
204 C6 = [1 0 ; 0 0];
205 D6 = [0];
206
207 % Regra 7: (90)
208
209 A7 = [0 1 ; 0 -1];
210 B7 = [0 ; 1];
211 C7 = [1 0 ; 0 0];
A Cdigos-fonte dos Scripts em Matlab 85

212 D7 = [0];
213
214 % Projeto dos ganhos dos subcontroladores
215 for l=1:7
216 if l==1
217 A=A1;B=B1;C=C1;D=D1;
218 c1 = ((a1^2*beta^2-2*a2*beta^2+2*beta*(a2^2*beta^2+mi*beta)^(1/2)+beta)^(1/2))/beta-abs(s1+s2);
219 c2 = ((a2^2*beta^2+mi*beta)^(1/2))/beta-abs(s1*s2);
220 c1 = subs(c1,{a1,a2},{(-A(2,2)),(-A(2,1))});
221 c2 = subs(c2,{a2},{(-A(2,1))});
222 S=solve(c1,c2);
223 betat(l)=S.beta;
224 mit(l)=S.mi;
225 k1(l)=-a2+((a2^2*betat(l)^2+mit(l)*betat(l))^(1/2))/betat(l);
226 k2(l)=-a1+((a1^2*betat(l)^2+2*(-a2*betat(l)+(a2^2*betat(l)^2+mit(l)*betat(l))^(1/2))*betat(l)...
227 +betat(l))^(1/2))/betat(l);
228 k1(l)=subs(k1(1),{a2},{(-A(2,1))});
229 k2(l)=subs(k2(1),{a1,a2},{(-A(2,2)),(-A(2,1))});
230 elseif l==2
231 A=A2;B=B2;C=C2;D=D2;
232 c1 = ((a1^2*beta^2-2*a2*beta^2+2*beta*(a2^2*beta^2+mi*beta)^(1/2)+beta)^(1/2))/beta-abs(s1+s2);
233 c2 = ((a2^2*beta^2+mi*beta)^(1/2))/beta-abs(s1*s2);
234 c1 = subs(c1,{a1,a2},{(-A(2,2)),(-A(2,1))});
235 c2 = subs(c2,{a2},{(-A(2,1))});
236 S=solve(c1,c2);
237 betat(l)=S.beta;
238 mit(l)=S.mi;
239 k1(l)=-a2+((a2^2*betat(l)^2+mit(l)*betat(l))^(1/2))/betat(l);
240 k2(l)=-a1+((a1^2*betat(l)^2+2*(-a2*betat(l)+(a2^2*betat(l)^2+mit(l)*betat(l))^(1/2))*betat(l)...
241 +betat(l))^(1/2))/betat(l);
242 k1(l)=subs(k1(l),{a2},{(-A(2,1))});
243 k2(l)=subs(k2(l),{a1,a2},{(-A(2,2)),(-A(2,1))});
244 elseif l==3
245 A=A3;B=B3;C=C3;D=D3;
246 c1 = ((a1^2*beta^2-2*a2*beta^2+2*beta*(a2^2*beta^2+mi*beta)^(1/2)+beta)^(1/2))/beta-abs(s1+s2);
247 c2 = ((a2^2*beta^2+mi*beta)^(1/2))/beta-abs(s1*s2);
248 c1 = subs(c1,{a1,a2},{(-A(2,2)),(-A(2,1))});
249 c2 = subs(c2,{a2},{(-A(2,1))});
250 S=solve(c1,c2);
251 betat(l)=S.beta;
252 mit(l)=S.mi;
253 k1(l)=-a2+((a2^2*betat(l)^2+mit(l)*betat(l))^(1/2))/betat(l);
254 k2(l)=-a1+((a1^2*betat(l)^2+2*(-a2*betat(l)+(a2^2*betat(l)^2+mit(l)*betat(l))^(1/2))*betat(l)...
255 +betat(l))^(1/2))/betat(l);
256 k1(l)=subs(k1(l),{a2},{(-A(2,1))});
257 k2(l)=subs(k2(l),{a1,a2},{(-A(2,2)),(-A(2,1))});
258 elseif l==4
259 A=A4;B=B4;C=C4;D=D4;
260 c1 = ((a1^2*beta^2-2*a2*beta^2+2*beta*(a2^2*beta^2+mi*beta)^(1/2)+beta)^(1/2))/beta-abs(s1+s2);
261 c2 = ((a2^2*beta^2+mi*beta)^(1/2))/beta-abs(s1*s2);
262 c1 = subs(c1,{a1,a2},{(-A(2,2)),(-A(2,1))});
263 c2 = subs(c2,{a2},{(-A(2,1))});
264 S=solve(c1,c2);
265 betat(l)=S.beta;
A.4 Script projkmrob.m 86

266 mit(l)=S.mi;
267 k1(l)=-a2+((a2^2*betat(l)^2+mit(l)*betat(l))^(1/2))/betat(l);
268 k2(l)=-a1+((a1^2*betat(l)^2+2*(-a2*betat(l)+(a2^2*betat(l)^2+mit(l)*betat(l))^(1/2))*betat(l)...
269 +betat(l))^(1/2))/betat(l);
270 k1(l)=subs(k1(l),{a2},{(-A(2,1))});
271 k2(l)=subs(k2(l),{a1,a2},{(-A(2,2)),(-A(2,1))});
272 elseif l==5
273 A=A5;B=B5;C=C5;D=D5;
274 c1 = ((a1^2*beta^2-2*a2*beta^2+2*beta*(a2^2*beta^2+mi*beta)^(1/2)+beta)^(1/2))/beta-abs(s1+s2);
275 c2 = ((a2^2*beta^2+mi*beta)^(1/2))/beta-abs(s1*s2);
276 c1 = subs(c1,{a1,a2},{(-A(2,2)),(-A(2,1))});
277 c2 = subs(c2,{a2},{(-A(2,1))});
278 S=solve(c1,c2);
279 betat(l)=S.beta;
280 mit(l)=S.mi;
281 k1(l)=-a2+((a2^2*betat(l)^2+mit(l)*betat(l))^(1/2))/betat(l);
282 k2(l)=-a1+((a1^2*betat(l)^2+2*(-a2*betat(l)+(a2^2*betat(l)^2+mit(l)*betat(l))^(1/2))*betat(l)...
283 +betat(l))^(1/2))/betat(l);
284 k1(l)=subs(k1(l),{a2},{(-A(2,1))});
285 k2(l)=subs(k2(l),{a1,a2},{(-A(2,2)),(-A(2,1))});
286 elseif l==6
287 A=A6;B=B6;C=C6;D=D6;
288 c1 = ((a1^2*beta^2-2*a2*beta^2+2*beta*(a2^2*beta^2+mi*beta)^(1/2)+beta)^(1/2))/beta-abs(s1+s2);
289 c2 = ((a2^2*beta^2+mi*beta)^(1/2))/beta-abs(s1*s2);
290 c1 = subs(c1,{a1,a2},{(-A(2,2)),(-A(2,1))});
291 c2 = subs(c2,{a2},{(-A(2,1))});
292 S=solve(c1,c2);
293 betat(l)=S.beta;
294 mit(l)=S.mi;
295 k1(l)=-a2+((a2^2*betat(l)^2+mit(l)*betat(l))^(1/2))/betat(l);
296 k2(l)=-a1+((a1^2*betat(l)^2+2*(-a2*betat(l)+(a2^2*betat(l)^2+mit(l)*betat(l))^(1/2))*betat(l)...
297 +betat(l))^(1/2))/betat(l);
298 k1(l)=subs(k1(l),{a2},{(-A(2,1))});
299 k2(l)=subs(k2(l),{a1,a2},{(-A(2,2)),(-A(2,1))});
300 elseif l==7
301 A=A7;B=B7;C=C7;D=D7;
302 c1 = ((a1^2*beta^2-2*a2*beta^2+2*beta*(a2^2*beta^2+mi*beta)^(1/2)+beta)^(1/2))/beta-abs(s1+s2);
303 c2 = ((a2^2*beta^2+mi*beta)^(1/2))/beta-abs(s1*s2);
304 c1 = subs(c1,{a1,a2},{(-A(2,2)),(-A(2,1))});
305 c2 = subs(c2,{a2},{(-A(2,1))});
306 S=solve(c1,c2);
307 betat(l)=S.beta;
308 mit(l)=S.mi;
309 k1(l)=-a2+((a2^2*betat(l)^2+mit(l)*betat(l))^(1/2))/betat(l);
310 k2(l)=-a1+((a1^2*betat(l)^2+2*(-a2*betat(l)+(a2^2*betat(l)^2+mit(l)*betat(l))^(1/2))*betat(l)...
311 +betat(l))^(1/2))/betat(l);
312 k1(l)=subs(k1(l),{a2},{(-A(2,1))});
313 k2(l)=subs(k2(l),{a1,a2},{(-A(2,2)),(-A(2,1))});
314 end
315 end
316 double(betat);
317 double(mit);
318 double(k1);
319 double(k2);
A Cdigos-fonte dos Scripts em Matlab 87

320
321 k11 = double(k1(1));
322 k21 = double(k2(1));
323 k12 = double(k1(2));
324 k22 = double(k2(2));
325 k13 = double(k1(3));
326 k23 = double(k2(3));
327 k14 = double(k1(4));
328 k24 = double(k2(4));
329 k15 = double(k1(5));
330 k25 = double(k2(5));
331 k16 = double(k1(6));
332 k26 = double(k2(6));
333 k17 = double(k1(7));
334 k27 = double(k2(7));

A.5 Script rpade.m


Este script utilizado para

335 %% APROXIMAO DE PAD ANALTICA - matlab file rpade.m


336 %
337 %==========================================================================
338 close all % Remove todas as figuras
339 % clear all % Remove itens do workspace, limpando a memria
340 clc % Limpa a Command Window
341
342 %== Declarao das variveis simblicas:
343 syms s
344 syms a1 a2 b1 taud real
345 syms mu beta positive
346
347 %== Carregamento dos parmetros dos submodelos:
348 teta_1 = teta(:,1);
349 teta_2 = teta(:,2);
350
351 n = input(Digite a ordem de aproximao de Pad: );
352
353 %== Gerao do numerador e denominador da aproximao de Pad
354 for j = 1:(n+1)
355 somap(j) = ((factorial(n+j-1))/((factorial(n-j+1))*(factorial(j-1))))*(taud*s)^(n-j+1);
356 soman(j) = ((factorial(n+j-1))/((factorial(n-j+1))*(factorial(j-1))))*(-taud*s)^(n-j+1);
357 end
358
359 % Numerador
360 auxn = sum(soman);
361 % Denominador
362 auxd = sum(somap);
363
364 % Combinao simblica dos submodelos com a aproximao
365 nump = collect((auxn)*(b1),s);
A.5 Script rpade.m 88

366 denp = collect((auxd)*(a1*s^2+a2*s+1),s);


367
368 [cden,tden] = coeffs(denp,s);
369 [cnum,tnum] = coeffs(nump,s);
370
371 tamd = length(cden);
372 tamn = length(cnum);
373
374 cnum = simplify(cnum./(cden(1)));
375 cden = simplify(cden./(cden(1)));
376 cnum = [zeros(1,tamd-tamn) cnum];
377
378
379 % Obteno das matrizes de estado dos submodelos (simblicas)
380
381 a = [-cden(2:tamd) ; eye(tamd-2,tamd-1)];
382
383
384 for lin = 1:(tamd-1)
385 for col = 1:(tamd-1)
386 A(lin,col) = a(tamd-lin,tamd-col);
387 end
388 end
389
390 B = [zeros(tamd-2,1) ; 1];
391
392 for cont = 1:(tamd-1)
393 C(1,cont) = cnum(tamd+1-cont)-cden(tamd+1-cont)*cnum(1);
394 end
395
396 D = cnum(1);
397
398 A
399 B = sym(B)
400 C
401 D
402
403 % Obteno da matriz P (simblica)
404 for k = 1:(tamd)
405 for m = 1:(tamd)
406 if ((k < m)||(k == m))
407 varp = sprintf(p%d%d,k,m);
408 syms(varp)
409 else
410 varp = sprintf(p%d%d,m,k);
411 syms(varp)
412 end
413 P(k,m) = sym(varp);
414 end
415 end
416
417 % Definio das matrizes de ponderao (simblicas)
418
419 Q = sym(eye(tamd));
A Cdigos-fonte dos Scripts em Matlab 89

420 Q(1,1) = mu;


421 R = [beta];
422
423 % Obteno das matrizes de estado combinadas dos submodelos (simblicas)
424
425 Ahat = [A zeros(tamd-1,1) ; -C 0];
426 Bhat = [B ; 0];
427
428 % Equao Algbrica de Riccati (simblica)
429 Ricmat = (Ahat)*P + P*Ahat - P*Bhat*(inv(R))*(Bhat)*P + Q;
430
431 K = (inv(R))*(Bhat)*(P);
432
433 % Equao caracterstica
434 Eqc = collect(det(s*eye(tamd)-(Ahat-Bhat*K)),s)
435 [Eqc_coef, termos] = coeffs(Eqc,s)
436
437 % Obteno das matrizes de estado numricas
438
439 A1n = subs(A,{a1,a2,taud},{teta_1(2),teta_1(3),1.6422})
440 B1n = double(B)
441 C1n = subs(C,{b1,a1,taud},{teta_1(1),teta_1(2),1.6422})
442
443 A2n = subs(A,{a1,a2,taud},{teta_2(2),teta_2(3),1.6422})
444 B2n = double(B)
445 C2n = subs(C,{b1,a1,taud},{teta_2(1),teta_2(2),1.6422})
446
447 A1hatn = [A1n zeros(tamd-1,1) ; -C1n 0];
448 B1hatn = [B1n ; 0];
449
450 A2hatn = [A2n zeros(tamd-1,1) ; -C2n 0];
451 B2hatn = [B2n ; 0];

A.6 Script indentificacao.m


Este script utilizado para identificao do modelo fuzzy T-S do sistema trmico com base nos
dados experimentais de entrada e sada.

452 %% ALGORITMO DE IDENTIFICAO - matlab file identificacao.m


453 %
454 %==========================================================================
455
456 % || Planta a ser identificada: sistema trmico (torradeira comercial)
457 % || Sinal de entrada aplicado planta: tenso eltrica (volts [V] (rms))
458 % || Sinal de sada: temperatura (graus Celsius [C])
459
460 close all % Remove todas as figuras
461 clear all % Remove itens do workspace, limpando a memria
462 clc % Limpa a Command Window
463 warning off % Desabilita mensagens de advertncia
464 format long eng % Formatao de engenharia com 16 dgitos significantes
A.6 Script indentificacao.m 90

465
466 %--------------------------------------------------------------------------
467 %% Dados de Identificao
468 %== Carregamento dos dados experimentais de entrada e sada:
469
470 [entrada,txte,rawe] = xlsread(dados_entrada_20022013);
471 [saida,txts,raws] = xlsread(dados_saida_20022013);
472 tempo = length(saida); % nmero de pontos do vetor de tempo
473
474 %== Simulao do arquivo de tratamento (filtragem) dos dados:
475
476 sim(sinalteste.mdl) % tempo de simulao a varivel tempo (linha 20)
477
478 %--------------------------------------------------------------------------
479 %% Algoritmo de Agrupamento Fuzzy c-means
480
481 %== Definio da faixa de dados a ser utilizada:
482
483 faixa = (500:29942);
484
485 % Sinal de entrada (tenso eltrica eficaz [Vrms]):
486 u = entrada_filtrada(faixa);
487
488 % Sinal de sada (temperatura [C]):
489 y = saida_filtrada(faixa);
490
491 % Derivada da sada:
492 yp = dsaida_filtrada(faixa);
493
494 % Derivada de segunda ordem da sada:
495 ypp = ddsaida_filtrada(faixa);
496
497 %--------------------------------------------------------------------------
498 %== Agrupamentos (clusters):
499
500 data = [saida_filtrada(faixa);saida_filtrada(faixa)]; % Sada-Sada
501 quantidade_de_clusters = input(Nmero de clusters: );
502 [center,U,obj_fcn] = fcm(data,quantidade_de_clusters,1.2);
503
504 figure(1) % Grfico dos clusters
505 plot(data(:,1), data(:,2),o);
506 hold on
507 maxU = max(U);
508 % Determina os pontos de dados com maior graus de pertinnica no cluster 1
509 index1 = find(U(1,:) == maxU);
510 % Determina os pontos de dados com maior graus de pertinnica no cluster 2
511 index2 = find(U(2,:) == maxU);
512
513 plot(data(index1,1),data(index1,2),ok,LineWidth,0.01,Color,[0 .6 .6]);
514 plot(data(index2,1),data(index2,2),ok,LineWidth,0.01,Color,[1.0 .8 0]);
515 % Plot os centros dos clusters
516 plot(center([1 2],1),center([1 2],2),p,LineWidth,1.5,MarkerEdgeColor,...
517 k,MarkerFaceColor,white,MarkerSize,12)
518 xlabel(Espao de Sada,FontSize,12), ylabel(Espao de Sada,FontSize,12)
A Cdigos-fonte dos Scripts em Matlab 91

519 set(gca,FontSize,12)
520 text(5.0+center(1,1),center(1,1),\leftarrow Centro Cluster 1,...
521 HorizontalAlignment,left,FontSize,12,FontWeight,Bold)
522 text(center(2,2)-5.0,center(2,2),Centro Cluster 2 \rightarrow,...
523 HorizontalAlignment,right,FontSize,12,FontWeight,Bold)
524 hold off
525
526 %--------------------------------------------------------------------------
527 %== Funes de Pertinncia
528
529 figure(2) % Grfico das funes de pertinncia
530 for i = 1:2
531 plot(y,U(i,:),-k,LineWidth,1.5)
532 xlabel(Temperatura (graus Celsius),FontSize,12)
533 ylabel(Grau de Pertinncia,FontSize,12)
534 hold on
535 set(gca,FontSize,12)
536 axis([20 180 0 1.1])
537 end
538
539 %--------------------------------------------------------------------------
540 %% Estimao Paramtrica pelos Mnimos Quadrados Ponderados
541 %== Matriz de regressores:
542 X = [u -ypp -yp];
543
544 %== Vetor de parmetros dos submodelos:
545 teta = zeros(3,quantidade_de_clusters);
546
547 %== Determinao dos parmetros:
548 for cont = 1:quantidade_de_clusters
549 teta(:,cont) = ((X*diag(U(cont,:))*X)\(X*(diag(U(cont,:)))))*saida_filtrada(faixa);
550 end
551
552 % Exibio do vetor de parmetros dos submodelos:
553 teta
554
555 %== Modelo Fuzzy Takagi-Sugeno:
556
557 soma_pond = zeros(size(saida_filtrada(faixa)));
558 for w = 1:quantidade_de_clusters
559 soma_pond = soma_pond + diag(U(w,:))*X*teta(:,w);
560 end
561 dim = size(soma_pond,1);
562
563 %== Grficos Indicadores
564 %== Sada do modelo fuzzy versus sada real da planta trmica:
565
566 figure(3)
567 plot(saida(1:dim,2),-b,LineWidth,0.5)
568 set(gca,FontSize,12)
569 xlabel(Tempo (segundos),FontSize,12)
570 ylabel(Temperatura (graus Celsius),FontSize,12)
571
572 hold on
A.7 Script agcode.m 92

573 plot(soma_pond,-r,LineWidth,0.5)
574 set(gca,FontSize,12)
575
576 %--------------------------------------------------------------------------
577 %== Determinao dos Submodelos em Espao de Estado:
578
579 disp(Submodelos em Espao de Estados:)
580
581 for submod = 1:quantidade_de_clusters
582 A(submod).matrice(1,1).values = [0 1 ; (-1/teta(2,submod)) (-teta(3,submod)/teta(2,submod))];
583 B(submod).matrice(1,1).values = [0 ; 1];
584 C(submod).matrice(1,1).values = [(teta(1,submod)/teta(2,submod)) 0];
585 D(submod).matrice(1,1).values = 0;
586 end
587
588 %% Comentrios adicionais:
589
590 % Linhas 96 a 98 so equivalentes a:
591 % for cont = 1:quantidade_de_clusters
592 % teta(:,cont) = inv(X*diag(U(cont,:))*X)*X*(diag(U(cont,:)))*saida_filtrada(faixa);
593 % end

A.7 Script agcode.m


Este script consiste no algoritmo gentico utilizado para otimizao dos parmetros dos submo-
delos do modelo fuzzy T-S do sistema trmico.

594 %% ALGORITMO GENTICO - matlab file agcode.m


595 tic
596 close all % Remove todas as figuras
597 clear all % Remove itens do workspace, limpando a memria
598 clc % Limpa a Command Window
599 warning off % Desabilita mensagens de advertncia
600
601 disp(datestr(datenum(clock))) % Data e Hora do sistema
602
603 %== Carregamento dos dados experimentais de entrada e sada (validao):
604
605 [entradavalid1,txte,rawe] = xlsread(entrada_22022013);
606 [saidavalid1,txts,raws] = xlsread(saida_22022013);
607
608 entradavalid = [entradavalid1(:,1) entradavalid1(:,2)];
609 saidavalid = [saidavalid1(:,1) (saidavalid1(:,2)-min(saidavalid1(:,2)))];
610 tempov = size(entradavalid,1); % nmero de pontos do vetor de tempo
611
612 %== Grficos dos dados de validao
613 subplot(2,1,1)
614 plot(entradavalid1(:,1),entradavalid1(:,2),-k,LineWidth,1.5)
615 xlabel(Tempo (minutos),FontSize,12), ylabel(Tenso eficaz (Volts),FontSize,12)
616 set(gca,FontSize,12)
617
A Cdigos-fonte dos Scripts em Matlab 93

618 subplot(2,1,2)
619 plot(saidavalid1(:,1),saidavalid1(:,2),-k,LineWidth,1.5)
620 xlabel(Tempo (minutos),FontSize,12), ylabel(Temperatura (C),FontSize,12)
621 set(gca,FontSize,12)
622
623 disp(Pressione uma tecla para continuar...)
624 pause
625 %% Cdigo do AG
626
627 %== Inicializao
628 nvar = 4; % nmero de variveis a otimizar
629
630 % Critrios de parada do AG
631 maxit = 300; % mximo de iteraes
632 mincost = 100; % custo mnimo
633
634 % Parmetros do AG:
635 popsize = 50; % tamanho da populao
636 selection = .5; % frao da populao a ser selecionada
637 mutrate = .5; % taxa de mutao
638 crossover = 0.85; % taxa de crossover
639
640 keep = floor(selection*popsize); % membros da pop. que sobrevivem
641 if rem(keep,2)~=0
642 keep = keep + 1;
643 end
644
645 % Parmetros do submodelo:
646
647 b1 = 1.04324108691216; a11 = 318.380615142715e3; a21 = 1.37012054480402e3; % submodelo 1;
648 b2 = 1.22900721927153; a12 = 154.903130959968e3; a22 = 1.25802477162301e3; % submodelo 2;
649 p1f1 = 35.5; p2f1 = 246.38; % funo de alta
650
651 % Extremos das faixas do indivduos:
652
653 minb1 = 0.85; maxb1 = 2;
654 minb2 = 1.0; maxb2 = 1.25;
655 minm1 = 0.85; maxm1 = 1.0;
656 minm2 = 0.95; maxm2 = 1.15;
657
658 % Faixas:
659 faixa_b1 = minb1 + (maxb1-minb1)*rand(popsize,1);
660 faixa_b2 = minb2 + (maxb2-minb2)*rand(popsize,1);
661 faixa_m1 = minm1 + (maxm1-minm1)*rand(popsize,1);
662 faixa_m2 = minm2 + (maxm2-minm2)*rand(popsize,1);
663
664
665 % Criar populao inicial
666 iag = 1; % contador de iteraes
667
668 par = [faixa_b1 faixa_b2 faixa_m1 faixa_m2];
669
670 %--------------------------------------------------------------------------
671 %== Avaliar o custo:
A.7 Script agcode.m 94

672
673 for cont = 1:size(par,1)
674 cont
675 sim(gacost.mdl);
676 erro(:,cont) = errofz;
677 saida(:,cont) = saidafz;
678 norma(cont) = norm(erro(:,cont));
679 end
680
681 % Ordenao do custo:
682 [cost,ind] = sort(norma);
683
684 % Ordenao da populao:
685 par = par(ind,:);
686 saida = saida(:,ind);
687
688 clear ind
689 %% Iteraes do AG
690 while iag <= maxit
691 selecpar = par(1:keep,:); % seleo da populao de cruzamento
692 % Formao de pais e mes (ndices)
693 ma = ceil(randperm(keep/2));
694 pa = ceil(randperm(keep/2)) + keep/2;
695 clear conta;
696 conta = 0;
697 for R = 1:length(ma)
698 if rand < crossover
699 conta = conta + 1;
700 beta(R) = rand;
701 fl(2*conta-1,:) = beta(R).*selecpar(ma(R),:) + (1-beta(R)).*selecpar(pa(R),:);
702 fl(2*conta,:) = (1-beta(R)).*selecpar(ma(R),:) + beta(R).*selecpar(pa(R),:);
703 end
704 end
705 clear beta
706
707 % Mutao dos filhos:
708 popsizefl = size(fl,1);
709 nmut = ceil((popsizefl-1)*mutrate*nvar); % nmero de mutaes
710 mrow = sort(ceil(rand(1,nmut)*(popsizefl-1))+1);
711 mcol = ceil(rand(1,nmut)*nvar);
712 for ii = 1:nmut
713 if mcol(ii) == 1
714 fl(mrow(ii),mcol(ii)) = minb1 + (maxb1-minb1)*rand;
715 elseif mcol(ii) == 2
716 fl(mrow(ii),mcol(ii)) = minb2 + (maxb2-minb2)*rand;
717 elseif mcol(ii) == 3
718 fl(mrow(ii),mcol(ii)) = minm1 + (maxm1-minm1)*rand;
719 else
720 fl(mrow(ii),mcol(ii)) = minm2 + (maxm2-minm2)*rand;
721 end
722 % mutao
723 end
724
725 %--------------------------------------------------------------------------
A Cdigos-fonte dos Scripts em Matlab 95

726 % Avaliar o custo:


727
728 for cont = 1:size(fl,1)
729 cont
730 sim(gacost.mdl);
731 errofl(:,cont) = errofz;
732 saidafl(:,cont) = saidafz;
733 normafl(cont) = norm(errofl(:,cont));
734 end
735
736 %--------------------------------------------------------------------------
737 par_int = [par ; fl];
738
739 clear fl
740
741 cost_int = [cost ; normafl];
742 saida_int = [saida saidafl];
743
744 clear cost norma normafl ind saida saidafl
745
746 % Ordenao do custo:
747 [cost,ind] = sort(cost_int);
748
749 % Ordenao da populao:
750 par_ord = par_int(ind,:);
751
752 % Ordenao da sada:
753 saida_int_ord = saida_int(:,ind);
754
755 % Seleo natural:
756 par = par_ord(1:keep,:);
757 saida = saida_int_ord(:,1:keep);
758
759 meanc(iag) = mean(cost);
760 best_saida(:,iag) = saida_int(:,ind(1));
761 best_cost(iag) = min(cost);
762 best_ind(iag,:) = par(1,:);
763 clear ind
764
765 if iag > 1
766 if (best_cost(iag) > best_cost(iag-1))
767 best_cost(iag) = best_cost(iag-1);
768 meanc(iag) = meanc(iag-1);
769 best_saida(:,iag) = best_saida(:,iag-1);
770 best_ind(iag,:) = best_ind(iag-1,:);
771 par(1,:) = best_ind(iag,:);
772 saida(:,1) = best_saida(:,iag);
773 end
774 end
775 cost = cost(1:keep);
776
777 figure(1)
778 plot(best_saida(:,iag),-r), hold on
779 plot((saidavalid1(:,2)-min(saidavalid1(:,2))),-k), hold off
A.7 Script agcode.m 96

780
781 figure(2)
782 plot(iag,best_cost(iag),*r), hold on
783 plot(iag,meanc(iag),ob)
784
785 % Verificar convergncia:
786 if (iag > maxit || cost(1) < mincost)
787 break
788 end
789
790 disp(Iterao e Custo:)
791 [iag cost(1)]
792 iag = iag + 1; % incrementa o contador de geraes
793
794 clear par_ord par_int erro errofl
795 end
796 toc
Apndice B

Algoritmo de Agrupamento Fuzzy c-means

Por identificao de sistemas ou modelagem caixa preta se entende como a rea do conhecimento
que estuda tcnicas de modelagem matemtica nas quais pouco ou nenhum conhecimento prvio do
sistema a ser modelado necessrio. O modelo obtido, por sua vez, uma representao aproximada
do sistema real ou planta (AGUIRRE, 2007b). A Figura B.1 ilustra o processo de identificao de um
modelo satisfatrio para determinada planta: aplicando-se a mesma entrada planta (sistema real) e
ao modelo, suas respectivas sada devem ser to prximas quanto possvel.

Figura B.1: Diagrama em blocos ilustrando o processo de modelagem. O objetivo obter um modelo
cuja sada ym seja a mais prxima possvel da sada da planta yp para uma mesma entrada aplicada u

Entre as etapas do processo de identificao, destacam-se:

1. Realizao do experimento sobre a planta;

2. Filtragem dos dados experimentais;

3. Definio da estrutura do modelo;

4. Definio da ordem do modelo

5. Estimao paramtrica;

97
B.1 Algoritmos de Agrupamento Fuzzy 98

6. Validao do modelo obtido;

7. Ajuste fino do modelo.

B.1 Algoritmos de Agrupamento Fuzzy


Segundo (BABUKA, 1998), uma abordagem eficaz na identificao de sistemas no-lineares
complexos particionar os dados experimentais referentes ao sistema em subconjuntos e aproximar
cada um destes por um modelo simples. O agrupamento fuzzy utilizado como ferramenta neste
contexto quando se deseja uma partio de dados onde as transies entre os dados so graduais em
vez de abruptas. Entre as definies mais utilizadas para agrupamento (ou cluster, no ingls), est
aquela em que um agrupamento ou definido como um grupo de objetos que so mais similares uns
em relao aos outros do que os membros dos outros clusters. Similaridade, em sentido matem-
tico, deve ser mensurada de forma bem definida. No contexto de espaos mtricos, a similaridade
geralmente traduzida em termos de norma (distncia) (BABUKA, 1998).
Os dados a serem utilizados so tipicamente observaes de processos fsicos. Uma observao
consiste de n variveis medidas, agrupadas em um vetor coluna n-dimensional zk = [z1k , , znk ]T ,
com zk Rn . Considerando um conjuntos de N observaes, ele seria denotado por Z = {zk |k =
1, 2, , N } e representado sob a forma de uma matriz n N :

z11 z12 z1N

z21 z22 z2N
Z=
.. .. ... ..
(B.1)
. . .
zn1 zn2 znN

B.1.1 Parties Fuzzy


Uma classificao possvel dos mtodos de agrupamento fuzzy aquela que se baseia na classifica-
o dos subconjuntos do conjunto de dados em subconjuntos fuzzy ou crisp (hard). Os mtodos de
agrupamento hard so baseados na teoria clssica de conjuntos, implicando que determinado objeto
pertena ou no a um cluster. Em um mtodo de agrupamento fuzzy, um mesmo objeto pode perten-
cer simultaneamente a vrios clusters, mas com graus de pertinncia diferentes. Nesse contexto, um
conceito fundamental para a anlise de cluster o de partio fuzzy, que juntamente com a partio
possibilstica, pode ser vista como uma generalizao da partio hard. O objetivo do agrupamento
particionar o conjunto de dados Z em c clusters.
As condies para uma matriz de partio fuzzy, partindo da generalizao da partio hard, so:
B Algoritmo de Agrupamento Fuzzy c-means 99

ik [0, 1], 1 i c, 1 k N, (B.2)


Xc
ik = 1, 1 k N, (B.3)
i=1
N
X
0< ik < N, 1 i c, (B.4)
k=1

onde ik representa o grau de pertinncia do subconjunto zk ao i-simo cluster. O espao de partio


fuzzy para Z, considerando um nmero finito de clusters (2 c < N ), sendo c inteiro, definido por:
( c N
)
X X
Mf c = U RcN ik [0, 1], i, k; ik = 1, k; 0 < ik < N, i (B.5)
i=1 k=1

Assim, a i-sima linha da matriz de partio U contm os valores da i-sima funo de pertinncia
do subconjunto Ai pertencente a Z.
Para ilustrao da definio de partio fuzzy, considere o seguinte conjunto de dados Z =
{z1 , z2 , , z10 }, mostrado na Figura B.2:

Figura B.2: Conjunto de dados no R2 (BABUKA, 1998)

Uma inspeo visual na Figura B.2 sugere a idia de separar os dados em dois agrupamentos e
estabelecer a seguinte matriz U (BABUKA, 1998):
" #
1.0 1.0 1.0 0.8 0.5 0.5 0.2 0.0 0.0 0.0
U= (B.6)
0.0 0.0 0.0 0.2 0.5 0.5 0.8 1.0 1.0 1.0
B.1 Algoritmos de Agrupamento Fuzzy 100

B.1.2 Agrupamento Fuzzy c-means

Muitos algoritmos de agrupamento fuzzy esto baseado na minimizao do c-means funcional


formulado como:

c X
X N
J(Z; U, V) = (ik )m kzk vi k2A (B.7)
i=1 k=1

onde
U = [ik ] Mf c (B.8)

a matriz de partio de Z,
V = [v1 , v1 , , vc ], vi Rn (B.9)

o vetor de centros dos clusters a serem determinados,

2
DikA = kzk vi k2A = (zk vi )T A (zk vi ) (B.10)

o quadrado do produto-interno ou norma (distncia) do vetor zk ao centro vi , e

m [1, ) (B.11)

um expoente de ponderao que determina o quo fuzzy so os clusters resultantes.

A minimizao do funcional c-means na equao B.7 representa um problema de otimizao


no-linear. Entre os mtodos mais populares para resolv-lo est o algoritmo fuzzy c-means. Em
(BABUKA, 1998), dada a estrutura do algoritmo:

Em Matlab, algoritmo de agrupamento fuzzy c-means implementado atravs da funo fcm,


o qual faz uso de outras funes relevantes como initfcm, que inicializa a matriz de partio
aleatoriamente, stepfcm, que realiza os clculos dos passos do fuzzy c-means e distfcm, que
calcula a distncia dos dados aos centros dos agrupamentos. Para realizar a identificao de sistemas,
este algoritmo de agrupamento fuzzy c-means ser combinado com o mtodo dos mnimos quadrados
ponderados para obteno dos parmetros dos submodelos lineares da planta a ser identificada.
B Algoritmo de Agrupamento Fuzzy c-means 101

Dado um conjunto de dados Z, escolha o nmero de clusters 1 < c < N , o expoente de ponde-
rao m > 1, a tolerncia > 0 e a matriz de norma induzida A. Inicialize a matriz de partio
aleatoriamente, tal que U(0) Mf c .

Repita para l = 1, 2,

Passo 1: Calcule os centros dos clusters


N
X (l1) m
(ik ) zk
(l) k=1
vi = N
, 1ic
X (l1)
(ik )m
k=1

Passo 2: Calcule as distncias


 T  
2 (l) (l)
DikA = zk v i A zk vi , 1 i c, 1 k N

Passo 3: Atualize a matriz de partio


se DikA > 0 para 1 i c, 1 k N

(l) 1
ik = c
X
(DikA /DjkA )2/(m1)
j=1

caso contrrio
c
X
(l) (l) (l)
ik = 0 se DikA > 0, e ik [0, 1] com ik = 1
i=1
At que U(l) U(l1) <
Apndice C

Demonstrao da Equao Caracterstica em


(3.29) pelo teorema de Cayley-Hamilton

O teorema de Cayley-Hamilton afirma que toda matriz quadrada M n n satisfaz sua prpria
equao caracterstica (BIRKHOFF; LANE, 1977). Isto significa que se cada potncia i na equao
caracterstica
f () = |I M| = n + c1 n1 + + cn1 + cn = 0 (C.1)

trocada pela mesma potncia Mi da matriz (e se 0 trocada por A0 = I), o resultado a matriz
nula de mesma ordem que a matriz M:

Mn + c1 Mn1 + + cn1 M + cn I = 0 (C.2)

A seguir ser provado que a matriz Ai Bi Ki da equao 3.4 satisfaz a equao (3.29):

Prova: Sejam a matrizes:


" # " #
0 1 0
Ai = ; Bi =
a2 ai1
i
1

q
2 T
(ai2 ) 2 + (C.3)
ai2 +

Ki =
s  


q
2 2
(ai1 ) 2 +2 ai2 + (ai2 ) 2 + +
ai1 +

102
C Demonstrao da Equao Caracterstica em (3.29) pelo teorema de Cayley-Hamilton 103

Assim, tem-se que

M = Ai Bi Ki =


0 1 (C.4)


v
u r !
2 i 2 2 + +
( ) ( )
q
2 t ai
u
2 +2 ai +
( )
ai2 2 + 1 2 a 2


e
M2 = (Ai Bi Ki )(Ai Bi Ki ) =
" # (C.5)
m1 m2
=
m3 m4
onde
r 
2

(ai2 ) +
m1 =
(C.6)
s  r 
2 2
 
(ai1 ) 2ai2 +2 (ai2 ) + +1
m2 =
(C.7)
s  r   
i 2 2ai +2 i 2 + +1 2

2 ( 1)
a 2 ( 2)
a (ai2 ) +
m3 = 2
(C.8)
r 
2 2

(ai2 ) + +(ai1 ) 2ai2 +1
m4 =
(C.9)
(C.10)

Uma vez obtidos os valores de M e de M2 , recorre-se equao (3.29) para concluso da demons-
trao, como segue:

s r 
2

(ai2 ) +
r 
0 0
  
2 2

(ai1 ) 2ai2 +2 (ai2 ) + +1




0





2
M + M +



=


r 
2

(ai2 ) +


0

0 0


(C.11)


A prova acima tem o objetivo de mostrar a coerncia dos coeficientes da equao (3.29).