Você está na página 1de 117

Srgio Ferreira da Silva

Identificao de Torque de
Carga em Motores de Induo
Usando Abordagem Baseada
em Sistemas Fuzzy

Dissertao apresentada Escola


de Engenharia de So Carlos da
Universidade de So Paulo, sendo
parte dos requisitos para obteno
do ttulo de Mestre em Engenharia
Eltrica.

Orientador: Prof. Dr. Ivan Nunes da Silva

So Carlos

2007
iii

Vede que ningum d a outrem mal


com mal, mas segui sempre o bem,
tanto uns para com os outros, como
para com todos.

Tessalonicenses 5,15
v

Agradecimentos

A todos que colaboraram direta ou indiretamente na elaborao desse

trabalho, o meu reconhecimento.

Gostaria de agradecer a todos os meus tutores e professores que me

permitiram chegar at aqui, em especial ao Prof. Dr. Ivan Nunes da Silva pelos seus

ensinamentos, pelas suas sugestes no decorrer do desenvolvimento deste trabalho

e sobre tudo por me proporcionar a oportunidade de t-lo como orientador.

minha famlia pelo especial apoio que sempre me concederam, em

especial a senhora Dilmacy Rodrigues Ferreira por ser minha luz em momentos de

escurido.

Aos colegas de laboratrio, em especial ao Eng. Marcelo Suetake por todo

o suporte que tem me fornecido.

Ao colega Prof. MSc. Alessandro Goedtel pelo apoio e conselhos

acadmicos que sempre est prontamente disposto a dar, pelas sugestes

provenientes de sua vivncia na rea de mquinas eltricas e, incentivo na

elaborao deste trabalho.

Meus agradecimentos tambm, e de forma geral, a EESC-USP que me

acolheu como um de seus filhos.


iii

SUMRIO

Resumo ......................................................................................................................v

Abstract....................................................................................................................vii

Lista de Siglas e Abreviaturas ................................................................................ix

Lista de Figuras........................................................................................................xi

Lista de Tabelas ......................................................................................................xv

1 Introduo..........................................................................................................1
1.1 Motivao e Relevncia ..............................................................................1
1.2 Proposta e Justificativa da Dissertao.......................................................2
1.3 Organizao da Dissertao .......................................................................4
2 Aspectos da Modelagem do Motor de Induo ..............................................7
2.1 Introduo ...................................................................................................7
2.2 Princpios de Funcionamento do Motor de Induo ....................................8
2.2.1 Efeito Pelicular................................................................................11
2.3 Modelagem Matemtica do Motor de Induo ..........................................13
2.3.1 Transformaes Lineares ...............................................................21
2.3.2 Transformao Linear qd 0 ..........................................................22
2.4 Classificao dos Principais Tipos de Cargas Acopladas ao Motor
de Induo. ...............................................................................................25
3 Aspectos de Sistemas de Inferncia Fuzzy ..................................................31
3.1 Introduo .................................................................................................31
3.2 Constituio dos Sistemas de Inferncia Fuzzy ........................................32
3.2.1 Sistema de Inferncia no Modelo de Takagi-Sugeno .....................37
3.3 Aspectos de Sintonizao de Parmetros de Sistemas de
Inferncia Fuzzy ........................................................................................39
3.3.1 Caractersticas do ANFIS no Matlab ..............................................41
3.4 Aplicaes de Sistemas de Inferncia Fuzzy em Motores de Induo......44
4 Metodologia Proposta Para Identificao de Torque de Carga Usando
Sistemas Fuzzy................................................................................................49
4.1 Introduo .................................................................................................49
4.2 Descrio da Estratgia de Obteno das Curvas de Torque
de Carga ...................................................................................................49
4.2.1 Parmetros Eltricos e Mecnicos do Motor Simulado ..................50
4.2.2 Treinamento do Sistema ANFIS .....................................................51
4.3 Estrutura do Sistema Fuzzy Para Identificao do Torque de Carga........57
iv

5 Resultados da Aplicao do Sistema Fuzzy ................................................ 65


5.1 Introduo................................................................................................. 65
5.2 Resultados do Sistema Fuzzy na Identificao de Torque de
Carga Linear ............................................................................................. 66
5.3 Resultados do Sistema Fuzzy na Identificao de Torque de
Carga Quadrtica ..................................................................................... 70
5.4 Resultados do Sistema Fuzzy na Identificao de Torque de
Carga Inversa ........................................................................................... 73
5.5 Comparao de Resultados Entre Estratgias Inteligentes...................... 77
6 Concluses Gerais e Trabalhos Futuros ...................................................... 81
6.1 Concluses Gerais ................................................................................... 81
6.2 Trabalhos Futuros..................................................................................... 82
Referncias Bibliogrficas..................................................................................... 83
Apndice A Toolbox Fuzzy Logic........................................................................ 87
A.1 Toolbox Fuzzy Logic do Matlab ................................................................ 88
A.2 Tcnica ANFIS.......................................................................................... 93
Apndice B Modelo do MIT usado para as simulaes..................................... 95
v

Resumo

SILVA, S. F. D. (2007). Identificao de Torque de Carga em Motores de Induo

Usando Abordagem Baseada em Sistemas Fuzzy. Dissertao (Mestrado) Escola

de Engenharia de So Carlos, Universidade de So Paulo, 2007.

Os motores de induo trifsicos so largamente usados em vrios setores

da indstria. O dimensionamento da potncia adequada de um motor de induo ou

assncrono trifsico, em funo do comportamento das cargas acopladas ao eixo,

continua em alguns casos impreciso pela falta de conhecimento mais completo do

comportamento das cargas. A proposta deste trabalho consiste na utilizao de

sistemas fuzzy como uma alternativa aos mtodos tradicionais para levantamento do

comportamento de carga e, em processos de controle, onde h a necessidade de

conhecimento do comportamento do conjugado aplicado ao eixo do motor,

enfocando diversos tipos de cargas encontrados em indstrias. Resultados de

simulaes so apresentados para validar a proposta deste trabalho.

Palavras chave: Motor de Induo, sistemas fuzzy, estimativa de torque de carga.


vii

Abstract

SILVA, S. F. D. (2007). Identification of Load Torque in Induction Motors Using Fuzzy

System Approach. Dissertao (Mestrado) Escola de Engenharia de So Carlos,

Universidade de So Paulo, 2007.

The three phase induction motors are widely used in all industrial sectors.

The selection procedure of the motor for a particular application is sometimes

inaccurate due to the lack of complete knowledge about the load connected to its

shaft. The proposal of this work consists of using fuzzy system as an alternative tool

to the classical methods for extraction of the load behavior and, in control process,

where knowledge of the torque behavior applied to the motor shaft are need,

focusing several types of loads found in industries. Simulation results are presented

to validate the proposal of this work.

Keywords: Induction Motor, fuzzy systems, load torque estimation.


ix

Lista de Siglas e Abreviaturas

AGP Air-Gap Torque

ANFIS Adaptive Neuro-Fuzzy Inference System

DTC Direct Torque Control

EKF Extended Kalman Filter

FIS Fuzzy Inference System

fmm Fora Magneto Motriz

FOC Field Orientation Control

GUI Ghaphical User Interface

MIT Motor de Induo Trifsico

MRAS Model Reference Adaptive System

RNA Redes Neurais Artificiais


xi

Lista de Figuras

Figura 2.1 Diagrama fasorial e senides trifsicas.................................................11

Figura 2.2 Transformao de coordenadas............................................................23

Figura 2.3 Conjugado de Carga Constante. ...........................................................27

Figura 2.4 Conjugado de Carga Linear. .................................................................27

Figura 2.5 Conjugado de Carga Quadrtica...........................................................28

Figura 2.6 Conjugado de Carga Inversa. ...............................................................28

Figura 3.1 Diagrama do processo de inferncia fuzzy. ..........................................32

Figura 3.2 Funo de pertinncia Gaussiana.........................................................35

Figura 3.3 Ilustrao do mtodo da mdia dos mximos. ......................................37

Figura 3.4 Processos Internos ao modelo de Takagi-Sugeno................................39

Figura 3.5 Interface grfica do ANFIS no Matlab. ..................................................42

Figura 3.6 Configurao dos parmetros de inicializao do sistema de

inferncia fuzzy ....................................................................................42

Figura 3.7 Arquitetura do ANFIS. ...........................................................................43

Figura 4.1 Diagrama esquemtico do sistema fuzzy..............................................50

Figura 4.2 Anlise das correntes do motor de induo. .........................................54

Figura 4.3 Detalhe 1 da Figura 4.2.........................................................................54

Figura 4.4 Detalhe 2 da Figura 4.2.........................................................................55

Figura 4.5 Detalhe 3 da Figura 4.2.........................................................................56

Figura 4.6 Curva de conjugado para faixa de tenso de 10% da

tenso nominal.....................................................................................59

Figura 4.7 Curva de torque para carga linear.........................................................60

Figura 4.8 Funes de pertinncia para a tenso. .................................................60


xii

Figura 4.9 Funes de pertinncia para a varivel lingstica corrente............... 62

Figura 4.10 Funo de pertinncia para varivel lingstica velocidade.............. 62

Figura 4.11 Diagrama de blocos............................................................................ 63

Figura 5.1 MIT submetido a conjugado resistente linear alimentado

com 202V. ........................................................................................... 67

Figura 5.2 MIT submetido a conjugado resistente linear alimentado

com 220V. ........................................................................................... 67

Figura 5.3 MIT submetido a conjugado resistente linear alimentado

com 238V. ........................................................................................... 68

Figura 5.4 Erro relativo ponto-a-ponto entre conjugado estimado

e real/simulado. ................................................................................... 69

Figura 5.5 MIT submetido a conjugado resistente quadrtico alimentado

com 205V. ........................................................................................... 70

Figura 5.6 MIT submetido a conjugado resistente quadrtico alimentado

com 220V. ........................................................................................... 71

Figura 5.7 MIT submetido a conjugado resistente quadrtico alimentado

com 238V. ........................................................................................... 72

Figura 5.8 Erro relativo ponto-a-ponto referente Figura 5.7................................ 72

Figura 5.9 MIT submetido a conjugado resistente inverso alimentado

com 209 V. .......................................................................................... 74

Figura 5.10 MIT submetido a conjugado resistente inverso alimentado

com 220 V. .......................................................................................... 75

Figura 5.11 MIT submetido a conjugado resistente inverso alimentado

com 230 V. .......................................................................................... 76

Figura 5.12 Erro relativo ponto-a-ponto referente Figura 5.11............................ 76


xiii

Figura A.1 Esquema dos componentes constituintes do toolbox Fuzzy Logic

do Matlab..............................................................................................88

Figura A.2 Tela inicial do editor FIS........................................................................89

Figura A.3 Tela inicial do editor das funes de pertinncia...................................90

Figura A.4 Editor de regras ilustrando regras de um sistema com

trs entradas.........................................................................................91

Figura A.5 Visualizao das regras de um sistema proposto com

trs entradas.........................................................................................91

Figura A.6 Visualizador de superfcies....................................................................92


xiv
xv

Lista de Tabelas

TABELA 4.1 Parmetros do motor de induo trifsico e carga. ...........................50

TABELA 4.2 Funes matemticas das cargas industriais. ...................................51

TABELA 4.3 Composio dos dados de treinamento agrupados

por tenso. ........................................................................................53

TABELA 4.4 Composio dos dados de treinamento agrupados por

conjugado de carga...........................................................................57

TABELA 4.5 Faixa de tenses de treinamento.......................................................59

TABELA 4.6 Universo de discurso para cada faixa de tenso. ..............................61

TABELA 4.7 Terminologia dos termos de pertinncia............................................61

TABELA 4.8 Universo de discurso para as variveis lingsticas: velocidade

e corrente. .........................................................................................63

TABELA 5.1 Desempenho do estimador para conjugado linear. ...........................69

TABELA 5.2 Desempenho do estimador para conjugado quadrtico. ...................73

TABELA 5.3 Desempenho do estimador para conjugado inverso..........................77

TABELA 5.4 Comparao de resultados entre sistemas inteligentes para a

carga linear. ......................................................................................78

TABELA 5.5 Comparao de resultados entre sistemas inteligentes para a

carga quadrtica. ..............................................................................78

TABELA 5.6 Comparao de resultados entre sistemas inteligentes para a

carga inversa.....................................................................................79
xvii
1

1 Introduo

1.1 Motivao e Relevncia

O setor industrial responsvel pelo consumo de quase metade do total de

energia eltrica gerada. Dentro deste panorama, os motores eltricos so os

principais responsveis por mais da metade de toda a energia eltrica consumida

[1].

Os motores de induo trifsicos (MIT) so largamente usados em vrios

setores da indstria. Eles tm sido os motores preferidos da indstria desde o

princpio do uso da energia eltrica em corrente alternada. Tal destaque em relao

aos outros motores foi alcanado em virtude de sua robustez, simplicidade e baixo

custo, tanto operacional quanto de mercado.

A necessidade crescente de busca por processos mais econmicos na

utilizao racional e eficiente da energia eltrica tem implicado na realizao de

estudos detalhados para a otimizao de todo o processo industrial, visando

tambm, a necessidade pela conservao da energia eltrica. Dentro deste

contexto, os motores eltricos se tornaram elementos indispensveis na maioria dos

processos que envolvem os setores produtivos, pois os mesmos se destacam como

os principais elementos de converso de energia eltrica em mecnica. Como

conseqncia, essas mquinas eltricas vm sofrendo constantes melhorias que

atendem s necessidades emergentes dos processos produtivos, levando-se

tambm em conta sua importncia energtica dentro do cenrio industrial nacional.


2

A medio do conjugado ou torque de grande importncia em muitas

aplicaes no meio industrial. A informao a respeito do conjugado de carga pode

ser utilizada em malhas de controle, assim como em subsistemas de monitoramento

e superviso.

Assim, para a correta escolha do motor de induo e de seu acionamento

em uma determinada aplicao, tornar-se- necessrio o conhecimento do

comportamento da carga que ser acionada pelo motor. Entretanto, o conjugado

exigido pela carga do motor de induo desde a partida at o regime permanente

normalmente desconhecido pelo projetista.

1.2 Proposta e Justificativa da Dissertao

Este trabalho tem como proposta apresentar um mtodo alternativo para a

determinao do conjugado de carga exigido no eixo dos motores de induo

trifsicos, utilizando para tanto um sistema de inferncia fuzzy adaptativo.

Os motores de induo so os mais empregados em aplicaes industriais

que necessitam de mquinas eltricas rotativas, pois eles possuem um baixo custo e

uma maior durabilidade. Entretanto, h a necessidade de uma ferramenta ou

metodologia simples que seja capaz de descrever de forma satisfatria o

comportamento da carga, observando-se que tal aspecto tem se tornado fator

limitante no momento da especificao de um motor e seu respectivo acionamento.

O subdimensionamento de um motor implica em reduo de sua vida til, assim que,

da mesma forma, o seu super-dimensionamento resulta em diminuio de fator de

potncia e perdas de rendimento, tendo ento como conseqncia o aumento das

perdas de energia eltrica [2].


3

As variveis corrente, tenso, torque e velocidade angular so algumas das

responsveis por determinar o tipo de motor a ser utilizado em dada aplicao,

assim como para o projeto de seu acionamento e seu controle de velocidade. H

ento a necessidade do mapeamento ponto-a-ponto das curvas caractersticas de

cada conjunto motor-carga para se determinar tais parmetros, alm da anlise do

comportamento dessas caractersticas quando da variao das condies de

funcionamento.

A informao do conjugado de carga pode ser adquirida diretamente a partir

de um sensor de torque no eixo do motor ou do uso de uma clula de carga que

fornece uma informao proporcional ao torque ou conjugado eletromagntico. Mas

esses mtodos so invasivos e de difcil implementao em sistemas que j esto

sendo operados.

Os modelos convencionais de mquinas ou processos acionados por

motores eltricos apresentam resultados satisfatrios para determinadas situaes,

mas para o comportamento no-linear dos componentes envolvidos em tais

sistemas, como por exemplo, a variao das resistncias dos enrolamentos devido

ao aumento de temperatura, os mesmos so normalmente bastante particularizados

ou falhos [2]. Um modelo utilizando abordagem de sistemas fuzzy para mapear o

comportamento dessas mquinas pode lidar satisfatoriamente com esses problemas

caracterizados pelas no-linearidades das variveis envolvidas no processo.

Em geral, as abordagens inteligentes tm sido aplicadas cada vez mais em

sistemas complexos, onde o equacionamento convencional um tanto falho para

processos no-lineares que envolvam um sistema dinmico, pois os mesmos em

certos casos acabam sendo aproximados por sistemas lineares. Alm disso, tais
4

abordagens inteligentes esto, tambm, sendo cada vez mais utilizadas em vrias

aplicaes devido ao incremento do poder computacional dos microprocessadores.

Neste trabalho, a estimativa de conjugado de carga de motores de induo

pode contribuir para trs finalidades principais. A primeira, e mais importante,

prover informaes sobre a carga, permitindo ento contribuir para o correto

dimensionamento do motor frente a determinada aplicao. A segunda finalidade

prover dados relativos ao comportamento da carga no eixo de forma a determinar a

eficincia e desempenho da converso de energia [3]. Em terceiro lugar, a estimativa

de conjugado aplicado nos eixos dos motores de induo de fundamental

importncia para o desenvolvimento de tcnicas eficientes que permitam o controle

deles no regime transitrio e permanente [3, 4].

Desta forma, esse trabalho tem como objetivo a proposio de um modelo

computacional capaz de fornecer o comportamento do conjugado da carga,

considerando diversas aplicaes onde seu conhecimento se torna de grande

importncia, utilizando ainda para tanto somente variveis primrias da mquina

como tenso, corrente e velocidade.

1.3 Organizao da Dissertao

A presente dissertao se desenvolve em 6 captulos, conforme descritos na

seqncia.

No Captulo 2 so apresentados os aspectos da modelagem do motor de

induo, abordando os seguintes pontos: os princpios de funcionamento, a

modelagem matemtica do motor de induo utilizado para as simulaes


5

necessrias ao processo de aquisio dos dados e, por fim, a classificao dos

principais tipos de cargas acopladas ao motor.

No Captulo 3, tem-se uma descrio da constituio dos sistemas de

inferncia fuzzy, dos aspectos de sintonizao de seus parmetros, assim como

aplicaes de sistemas fuzzy em motores de induo.

No Captulo 4, mostra-se a metodologia proposta para a identificao de

torque de carga usando sistemas fuzzy.

No Captulo 5, apresentam-se os resultados obtidos pela aplicao da

metodologia proposta para as cargas estudadas.

Finalmente, no Captulo 6, as concluses gerais deste trabalho so tecidas e

propostas para trabalhos futuros so tambm apresentadas.


6
7

2 Aspectos da Modelagem do Motor de


Induo

Neste captulo sero apresentados os aspectos da modelagem do motor de

induo, pois atravs deste, sero realizadas as simulaes necessrias para o

desenvolvimento do trabalho. Assim, o respectivo modelo matemtico torna-se de

suma importncia para o entendimento de seu funcionamento.

2.1 Introduo

A fim de possibilitar o estudo e o desenvolvimento do trabalho aplicado a um

motor de induo, analisando sua estrutura, caractersticas, vantagens e

desvantagens, necessrio, primeiramente, conhecer os modelos matemticos

envolvidos nesse sistema.

Desta forma, neste captulo so apresentados os modelos matemticos que

sero empregados no decorrer do trabalho, assim como as devidas transformaes

de coordenadas pertinentes. A gerao dos dados para a inferncia do sistema

fuzzy ser adquirida atravs do modelo matemtico apresentado, sendo portanto

este de grande importncia para o trabalho. J o modelo de estimao de torque de

carga ser apresentado no Captulo 3, juntamente com o sistema de inferncia

fuzzy, de forma a facilitar o seu entendimento.

Os modelos aqui apresentados no sero desenvolvidos de forma detalhada

por serem facilmente encontrados na literatura como, por exemplo, em [5-7]. No


8

entanto, uma explanao ser realizada com o objetivo de compreender de forma

clara as simplificaes envolvidas em tais modelos.

2.2 Princpios de Funcionamento do Motor de Induo

H dois tipos de motores de induo que so diferenciados pelo tipo de rotor

utilizado. O motor com rotor bobinado ou rotor enrolado comumente chamado de

motores de anis [8, 9]. Este rotor tem seu enrolamento polifsico construdos de

forma similar ao do estator, com o mesmo nmero de plos. Atravs de escovas de

carvo apoiadas sobre anis coletores isolados montados sobre o eixo do motor,

tem-se o acesso aos terminais do enrolamento do rotor [7, 8].

Enquanto que o outro tipo de motor conhecido como motores gaiola de

esquilo [8], sendo que estes so ao mais comuns e mais utilizados. O rotor em

gaiola consiste de barras paralelas e condutoras, curto-circuitadas em cada

extremidade por anis condutores, sendo que essas barras so fixadas no ferro do

rotor [7, 9]. O motor com rotor de gaiola possui outras variaes, alm desta que

denominada de rotor de gaiola simples. As outras variaes so o rotor de gaiola

dupla e o rotor de gaiola de barras profundas [10]. Os motores de gaiola de esquilo

utilizam o efeito pelicular (Seo 2.2.1).

O rotor de gaiola dupla consiste de duas gaiolas concntricas. Uma externa

que construda de tal forma que se tenha uma resistncia elevada de modo a

permitir um bom conjugado de partida; enquanto que a gaiola interna constituda

para se ter uma resistncia baixa de modo que se garanta um bom rendimento em

funcionamento nominal. O benefcio que se obtm da utilizao de motores deste

tipo, consiste de aumento do conjugado de partida e tambm uma ligeira diminuio


9

do valor da corrente de partida, sendo que no momento da partida funcionar

essencialmente a gaiola externa, enquanto que a gaiola interna funcionar em

situao de regime.

O rotor de gaiola de barras profundas semelhante ao de gaiola simples

(ambos so denominados de gaiola de esquilo), embora as barras que constituem o

seu enrolamento possuem uma considervel profundidade. Suas caractersticas de

arranque so anlogas ao do rotor de gaiola dupla [10].

No motor de induo a excitao dos enrolamentos do estator e rotor so

feitos da seguinte forma: diretamente no estator, pois a corrente alternada

fornecida diretamente ao estator, enquanto que no rotor as correntes so induzidas

pela ao de transformador do enrolamento do estator [7]. Assim sendo, quando

excitado por uma fonte polifsica simtrica, o enrolamento produzir um campo

magntico no entreferro, sendo esse o princpio de funcionamento do motor de

induo. Esse campo magntico girar com velocidade sncrona determinada pelo

nmero de plos magnticos do motor e pela freqncia eltrica da rede conforme a

Equao (2.1) [7, 8].

fs
s = 120 (rpm) (2.1)
P

em que: s a velocidade sncrona, fs a freqncia eltrica e P nmero de

plos.

Para ter tenses induzidas e fazer com que o motor funcione, deve-se ento

haver movimento relativo entre velocidade do campo girante e a velocidade do rotor,

sendo o mesmo denominado escorregamento. Por isso, o motor de induo

caracterizado como assncrono. O escorregamento expresso como um percentual

da velocidade sncrona de acordo com a Equao (2.2).


10

em rm
s= 100 (2.2)
em

em que:

s o escorregamento.

em a velocidade sncrona em rad/s.

rm a velocidade angular do rotor em rad/s.

A alimentao trifsica (senoidal) do enrolamento do estator de um motor de

induo faz com que circulem correntes, igualmente senoidais, pelas bobinas

atrasadas em relao s senoides de tenso. Em conseqncia a esse atraso que

gerado pela reatncia indutiva do estator circulao de corrente, ocorre-se

criao de um campo magntico para cada uma das correntes circulantes, sendo

que os mesmos esto defasados de 120 graus eltricos em relao ao outro e suas

amplitudes variam conforme a amplitude da tenso aplicada ao enrolamento.

Fazendo-se a composio vetorial dos trs campos magnticos gerados,

obtm-se um vetor campo magntico resultante que gira a uma velocidade

e (= 2fe ) no diagrama fasorial, sendo essa velocidade definida como velocidade

angular da fora magnetomotriz ( fmm ), onde o termo fe a freqncia de excitao

da rede de alimentao [9]. A Figura 2.1 ilustra o diagrama fasorial correspondente e

as senides de correntes trifsicas no tempo.


11

0.8

Ib 0.6
Ia
0.4

0.2 Ib

Amplitude
Ia
0

-0.2

-0.4
Ic
-0.6
Ic
-0.8

-1
0 0.002 0.004 0.006 0.008 0.01 0.012 0.014 0.016
Segundos

Figura 2.1 Diagrama fasorial e senides trifsicas.

Assim, medida que o campo girante faz seu caminho ao longo do estator,

so ento induzidas tenses nos enrolamentos do rotor em curto circuito. As

correntes elevadas que circulam, produzidas pelas tenses induzidas, geram um

campo magntico resultante que tende a se opor ao campo magntico produzido

pelo enrolamento do estator, originando, desta forma, o conjugado eletromagntico

[2].

2.2.1 Efeito Pelicular

O efeito pelicular responsvel pela variao da densidade de corrente no

rotor devido variao de freqncia da corrente induzida no rotor.

Considerando um rotor de gaiola com barras profundas, se o ferro do rotor

tivesse permeabilidade infinita, todas as linhas de fluxo disperso se fechariam em

caminhos embaixo da ranhura. Devido ao fato da camada no fundo ser mais

concatenada com fluxo disperso, a indutncia de disperso da camada mais


12

profunda maior em corrente contnua que a camada no topo. Como as camadas

esto eletricamente em paralelo, conseqentemente, em corrente alternada, a

corrente nas camadas superiores de baixa reatncia ser maior do que nas

camadas baixas de alta reatncia, assim como a corrente ser forada contra o topo

da ranhura, a corrente nas camadas superiores se adiantar corrente nas

camadas baixas [7, 11].

A distribuio no uniforme da corrente resulta em um aumento na

resistncia efetiva e, em menor escala, num decrscimo da indutncia de disperso

efetiva na barra. Como a distoro na distribuio de corrente depende de um efeito

indutivo, a resistncia efetiva funo da freqncia. Da mesma forma, tambm

uma funo da profundidade da barra, permeabilidade e resistividade do material da

barra [7, 12].

Assim, um rotor de gaiola com barras profundas pode ser projetado para ter

uma resistncia efetiva freqncia estator, rotor parado, vrias vezes maior do que

sua resistncia em corrente contnua. Deste modo, conforme o motor acelera a

freqncia do rotor decresce e, portanto, a resistncia efetiva do rotor decresce

aproximando-se de seu valor em corrente contnua com escorregamento pequeno

[7].

Conforme aqui explanado, a variao de freqncia da corrente induzida no

rotor tem efeito direto sobre a resistncia do rotor e na reatncia indutiva do rotor

cujo valor tem relao direta com a freqncia a qual est submetida. De forma

aplicvel a qualquer circuito indutivo, tem-se:

XL = 2 f L (2.3)

em que:

X L a reatncia indutiva em Ohm.


13

f a freqncia de alimentao da indutncia em Hertz.

L a indutncia em Henry.

A freqncia das correntes do rotor igual das correntes de estator

ficando a corrente concentrada na parte superior da barra, isso na partida. Desta

forma, produz um acrscimo no valor da resistncia da barra e, devido distribuio

do fluxo, uma diminuio na reatncia de disperso.

A medida que o rotor gira e atinge a velocidade nominal, a corrente na barra

tem uma distribuio praticamente uniforme. Desta forma, h uma alterao dos

valores de resistncia em relao aos valores na partida.

Para considerar o comportamento fsico do motor de induo na simulao

necessria a incluso de um fator de correo na resistncia e na reatncia em

funo da freqncia das correntes do rotor, a qual est relacionada com o

escorregamento do rotor. Um modelo matemtico capaz de levar em considerao

os efeitos da freqncia nos valores de resistncia e reatncia foi desenvolvido em

[13, 14].

2.3 Modelagem Matemtica do Motor de Induo

O equacionamento matemtico do motor de induo foi desenvolvido

adotando algumas hipteses com objetivo de simplificar o modelo de forma que a

simulao seja viabilizada, pois sem as mesmas, essa modelagem seria

extremamente complexa [5]. Cabe salientar que tais hipteses so facilmente

encontradas na literatura [5, 7, 9] por possuir resultados prximos das situaes

prticas. A seguir so apresentadas as consideraes utilizadas:


14

entreferro uniforme (rotor e estator cilndricos);

circuito magntico linear;

as fases do enrolamento do estator so idnticas e so enroladas de

modo a se obter uma onda de fmm senoidal espacial, estabelecida

pela aplicao de correntes balanceadas;

no rotor, as fases do enrolamento (motor de anis), ou as barras da

gaiola (gaiola de esquilo), so arranjadas para se obter onda de fmm

espacial com o mesmo nmero de plos do estator. Para tanto,

despreza-se a saturao no circuito magntico, a variao das

resistncias dos enrolamentos por efeito pelicular (skin) e de

temperatura, e as harmnicas das ondas de fmm .

as indutncias mtuas entre cada bobina do estator e do rotor so

funes harmnicas do deslocamento angular ( ) definido entre o

eixo magntico de uma bobina de fase do rotor correspondente do

estator, apresentando valor mximo para dois conjuntos de mtuas.

Com base nessas hipteses, pode-se aplicar o princpio da superposio.

Assim, tem-se para o fluxo total do motor total a expresso da equao (2.4).

total = r + e (2.4)

em que:

r = r 1 + r 2 + r 3
(2.5)
e = e1 + e 2 + e 3
15

sendo que r representa o fluxo do rotor e e o fluxo do estator. Em que,

r 1, r 2 , r 3 ilustra as trs fases da mquina para o rotor e, e1, e 2 , e 3 as trs

fases para o estator.

As equaes de tenso do rotor so dadas por:

d jr
V jr = i jr Rr +
dt
(2.6)
d je
V je = i je Re +
dt

em que:

j representa qualquer uma das fases do estator ou do rotor.

R a resistncia do rotor ou estator em Ohms (Ohm).

V a tenso do rotor ou do estator em Volt .

representa o fluxo para qualquer uma das fases do estator ou rotor em

Weber.

i a corrente para qualquer uma das fazes do estator ou do rotor em

Ampre.

Como est sendo considerado que os enrolamentos do estator e rotor so

iguais e possuem uma mesma resistncia, ento as indutncias prprias tanto do

estator como do rotor so iguais. Deste mesmo princpio, as indutncias mtuas

tanto do estator e rotor so constantes. Assim, para as indutncias prprias do motor

de induo, tem-se:

Le = Le1 = Le 2 = Le 3
(2.7)
Lr = Lr 1 = Lr 2 = Lr 3
16

sendo que Le representa as indutncias do estator, enquanto que Lr as do rotor. J

as indutncias mtuas so dadas por:

Me = Me13 = Me 23 = Me12
(2.8)
Mr = Mr 13 = Mr 23 = Mr 12

onde Me representa as indutncias mtuas entre as fases do estator e M r as do

rotor. Para as resistncias, tem-se Re como resistncia do estator e Rr do rotor.

Alm das indutncias prprias e mtuas do estator e rotor, tm-se as

indutncias entre as fases do estator e as do rotor. Essas indutncias so funes

senoidais do deslocamento angular [5].

Assim, para essas indutncias, tem-se a expresso em notao matricial da

equao (2.9).

2 2
cos cos( +
3
) cos( )
3

2 2
Mer ( ) = mer cos(
T
) cos cos( + ) = Mre ( ) (2.9)
3 3

cos( + 2 ) cos(
2
) cos
3 3

onde Mer representa as indutncias mtuas das fases do estator em relao ao

rotor, enquanto que M re representa as do rotor em relao ao estator. O parmetro

mer representa a amplitude das indutncias mtuas das fases do estator em relao

ao rotor.

Definindo as indutncias prprias de rotor e estator em formato matricial,

tem-se a equao (2.10).


17

Le Me Me

Lee = Me Le Me (2.10)
Me Me Le

e,

Lr Mr Mr

Lrr = Mr Lr Mr (2.11)
Mr Mr Lr

onde Lee representa a matriz das indutncias prprias do estator e Lrr do rotor.

Para as correntes sero adotadas as i e (correntes do estator) e i r (correntes

do rotor), conforme a Equao (2.12).

i e1

ie = ie 2
i e 3
(2.12)
i r 1

i r = i r 2
i r 3

Desta forma, para os fluxos do estator e rotor, tem-se a equao (2.13):

e = Lee i e + Mre ( )i r
(2.13)
r = Lrr i r + Mer ( )i e

Para a obteno das equaes das tenses do motor com base na Equao

(2.6), considerando tanto o estator como o rotor, as equaes dos fluxos devem ser
18

desenvolvidas (Equao (2.13)). Deste modo, derivando a Equao (2.13) em

relao ao tempo, tem-se a equao (2.14):

d e di di Mer ( ) d
= Lee e + Mer ( ) r + ir
dt dt dt dt
(2.14)
d r di di L ( ) d
= Lrr r + M re ( ) e + re ie
dt dt dt dt

Assim, substituindo as Equaes (2.14) em (2.6), obtm-se as

equaes das tenses do estator dada em (2.15), e do rotor em (2.16).

di e di Mer ( ) d
Ve = Re i e + Lee + Mer ( ) r + ir (2.15)
dt dt dt

di r di Mre ( ) d
Vr = Rr i r + Lrr + Mre ( ) e + ie (2.16)
dt dt dt

em que:

Re 0 0

Re = 0 Re 0 (2.17)
0 0 Re

e,

Rr 0 0

Rr = 0 Rr 0 (2.18)
0 0 Rr
19

Para a modelagem matemtica do torque eletromagntico, deve-se levar em

considerao a transferncia de potncia nos seis enrolamentos (trs no estator e

trs no rotor). Assim, considerando a equao (2.19):

[L ] [Mre ( )]33
[L( )]66 = ee 33 (2.19)
[Mer ( )]33 [Lrr ]33

para o equacionamento do torque, obtm-se a equao (2.20):

1 T d
T = [ i ]16 [L( )] [ i ]61 (2.20)
2 d

em que:

i e1
i
e2
ie 3

[i ] = (2.21)
i
r1
ir 2
i
r3

Desenvolvendo-se a derivada em relao a na Equao (2.19), tem-se:

d
d [0] d
[ Mre ( )]

d
[L( )]66 = (2.22)
[M ( )]
d
[0]
d er

Mas:
20

[Mer ( )] = [Mer ( )]
T
(2.23)

Logo, tem-se:

Mer ( )] [ i e ]
d T

1 [ 0] [
T = [ i e ] [ i r ]
T T dt
(2.24)
2 d
d [ er ]
M ( ) [0] [i r ]

que pode ser escrito como:

[ i e ]
1 T d d
T = [ i r ] [ Mer ( )] [ie ] [Mer ( )]
T T
(2.25)
2 d d
[ i r ]

Para simplificar todo o equacionamento do torque preciso usar algumas

propriedades advindas da lgebra linear sobre matrizes. Desta forma, consideram-se

algumas propriedades matriciais, tais como as seguintes:

[ A ] [B ] = [B ][ A ]
T T
(2.26)

sendo que:

T
[C ] = [C ] e [ A] [B ] C = [B ][ A][C ]
T T T
(2.27)

ento:

T
[ A] [B ] [C ] = [C ]T [ A]T [B ]T = [C ]T [B ][ A]
T T T
(2.28)

21

Assim, com base nessas propriedades, a equao do torque dada em (2.25)

pode ser escrita da seguinte forma:

T d
T = [ i e ] [Mer ( )] [ i r ] (2.29)
d

Portanto, atravs desse processo de modelamento matemtico, chegou-se

s equaes de tenso (Equaes (2.15) e (2.16)) e torque (Equao (2.29)) do

motor de induo.

2.3.1 Transformaes Lineares

As equaes matemticas aqui modeladas para o motor de induo trifsico

so no-lineares para o torque, pois nela h o produto de correntes, e lineares a

coeficientes variantes no tempo para o motor, sendo estas to difceis de analisar

quanto as no-lineares. Desta forma, foram desenvolvidas tcnicas baseadas em

transformaes lineares com o objetivo de estabelecer modelos mais simples a partir

do modelo original aqui estabelecido [5, 12, 14].

Estas equaes so acopladas devido s indutncias mtuas entre os

enrolamentos, assim, medida que o rotor gira, tais termos acoplados variam com o

tempo; desta forma, essas transformaes lineares facilitam o clculo da soluo

transitria, transformando as equaes diferenciais variantes no tempo em equaes

de indutncias constantes [5, 7]. Entre essas transformaes lineares, as mais

conhecidas so de Clark ( 0 ) e a de Park ( qd 0 ).


22

2.3.2 Transformao Linear qd 0

A transformao qd 0 consiste em simplificar as equaes da mquina

introduzindo um conjunto de variveis hipotticas, transformando assim numa

mquina bifsica com enrolamentos estatricos fixos e enrolamentos rotricos

pseudo-estacionrios [5]. A possibilidade de reproduzir o fluxo magntico no

entreferro, bem como a distribuio de correntes no estator e rotor no sistema de

coordenadas adotado como referncia, tem o mesmo efeito do sistema de

coordenadas original. Uma varivel representada por uma relao biunvoca entre as

variveis dos dois sistemas de referncia expressa por:

1
qd 0 =C abc (2.30)

em que C a relao entre as variveis dos dois sistemas de coordenadas. A

Figura 2.2 mostra graficamente a ao de transformao onde ae , be e ce so os

eixos de coordenadas referenciadas ao estator e ar , br e cr os eixos de

coordenadas referenciados ao rotor.


23

Figura 2.2 Transformao de coordenadas.

A equao de transformao do sistema original abc , para qd 0

descrita pela Equao (2.31).

q a

d = Cqd 0 ( ) b (2.31)
c
0

em que pode representar a tenso, corrente ou fluxo eletromagntico de cada

fase. A matriz transformao Cqd 0 ( ) dada por:

2 2
cos cos(
3
) cos( + )
3

2 2 2
Cqd 0 ( ) = sin sin( ) sin( + ) (2.32)
3 3 3

1 1 1
2 2 2

1
e a matriz de transformao inversa Cqd 0 ( ) expressa por:
24


cos( ) sin( ) 1

1 2 2
Cqd 0 ( ) = cos( ) sin( ) 1 (2.33)
3 3
2 2
cos( + ) sin( + ) 1
3 3

O sistema de coordenadas qd 0 usualmente selecionado tomando-se por

base a convenincia ou compatibilidade com a representao de outros

componentes como descrito em [9]. Alem do mais, estas transformaes reduzem a

importncia dos coeficientes variantes no tempo, como os encontrados nas

equaes que definem o motor da mquina.

Na anlise do MIT h dois sistemas de referncia, a saber: estacionrio e o

sncrono. De acordo com [9], para estudos de regime transitrio usualmente mais

conveniente o uso de sistemas de coordenadas fixo, tanto para a simulao do MIT

como do sistema de controle e acionamento, enquanto que estudos em regime

permanente o referencial sncrono o mais recomendado.

Este trabalho tem o interesse em simular a mquina do instante da partida

ao regime permanente. Desta forma utiliza-se o sistema de coordenadas fixo para

simulao. As equaes so deduzidas para o sistema de coordenadas sncrono,

que gira a uma velocidade = e , como ilustrado na Figura 2.2. Fazendo igual a

zero, obtm-se o sistema de coordenadas fixo. Esse modelo genrico para simular

tanto o regime transitrio como permanente da mquina.

Como mencionado anteriormente, esta seo tem apenas o objetivo de

demonstrar o modelamento matemtico de forma resumida, visando promover o

entendimento de como as simulaes do motor de induo para as cargas em


25

estudo sero implementadas. O detalhamento da transformao qd 0 pode ser

encontrado em [2, 5].

A partir destas equaes modeladas, pode-se simular o comportamento do

motor de induo trifsico. Como mencionado anteriormente o objetivo deste

trabalho simular o comportamento do motor desde a partida at ao seu regime

permanente, sendo este perodo extremamente curto, assim no sero consideradas

variaes trmicas, o efeito pelicular e a saturao da mquina. Deste modo, a

considerao dessas variveis fica como proposta para trabalhos futuros.

Para o motor, considera-se que as trs fases que alimentam o motor so

equilibradas e senoidais, estando ausentes de distores harmnicas. A freqncia

de 60 Hz, conforme o padro brasileiro.

As cargas que sero aplicadas ao eixo do MIT atravs de simulao

computacional so divididas conforme ser apresentado na Seo 2.4 desse

captulo.

No Apndice B apresentado o modelo desenvolvido no simulink/matlab

utilizado para a simulao da mquina aqui equacionada.

2.4 Classificao dos Principais Tipos de Cargas Acopladas ao

Motor de Induo

Em [15] afirmado que uma carga mecnica requer uma determinada

potncia. De certa forma, isso equivale a afirmar que tal carga necessita de um

determinado conjugado a uma dada velocidade de rotao. Ou seja, para um

sistema dotado de movimento de rotao, tem-se:

P = C (2.34)
26

em que:

P a potncia desenvolvida (kW).

C o conjugado desenvolvido (Nm).

a velocidade angular do movimento (rad/s).

De acordo com [15], as cargas mecnicas podem ser divididas em seis

grandes grupos em funo de suas caractersticas de conjugado versus velocidade:

Carga Constante;

Carga Linear;

Carga Quadrtica;

Carga Inversa;

Cargas que no solicitam conjugado;

Conjugado no uniforme.

As cargas constantes so praticamente independentes da rotao; assim,

elas apresentam pouca ou nenhuma variao de conjugado resistente exigido do

motor. Desta forma, o seu valor com o aumento da velocidade permanece constante.

Como exemplos desse tipo de carga, tm-se: guinchos, guindastes, transportadores

de correias sob carga constante [15]. A Figura 2.3 ilustra o comportamento dessa

carga.
27

Figura 2.3 Conjugado de Carga Constante.

As cargas lineares so aquelas que variam linearmente com a rotao

(Figura 2.4), sendo que tal tipo de carga encontrado em diversas aplicaes como

moinhos de rolos, bombas de pisto, serras para madeiras [15].

Figura 2.4 Conjugado de Carga Linear.

As cargas quadrticas so cargas que variam com o quadrado da rotao e

so encontradas em aplicaes como ventiladores, centrfugas, exaustores [15]. O

seu comportamento pode ser ilustrado de acordo com a Figura 2.5.


28

Figura 2.5 Conjugado de Carga Quadrtica.

A carga cujo conjugado varia inversamente com a rotao, resultando em

potncia constante, ou seja, diminuindo com o aumento da velocidade,

denominada de carga inversa. As cargas inversas so encontradas em aplicaes

como mquinas operatrizes ( fresadoras e mandriladoras [15]). Seu comportamento

pode ser observado conforme mostra a Figura 2.6.

Figura 2.6 Conjugado de Carga Inversa.

As cargas que no solicitam conjugados tambm so denominadas de

volantes e tem como propsito liberar a maior parte da energia cintica armazenada

visando suprir picos de demanda de energia por parte da mquina acionada. Desta

forma, o motor atua como repositor de energia cintica entre dois picos consecutivos

de demanda, vencendo apenas o conjugado resistente originado por atritos. O


29

volante constitudo normalmente de ferro fundido, alinhado e balanceado de forma

a no produzir vibrao no eixo do motor [2]. Como exemplo desse tipo de carga,

tm-se as prensas de perfurao e estampagem profundas, sendo ambas no

hidrulicas [15].

Para o conjugado de carga que varia de maneira no uniforme com a

rotao no se tem uma funo matemtica que descreva de forma satisfatria seu

comportamento. De acordo com [15], tem-se como exemplo desse tipo carga, fornos

rotativos de grandes porte.


30
31

3 Aspectos de Sistemas de Inferncia Fuzzy

3.1 Introduo

A lgica fuzzy foi desenvolvida por L. A. Zadeh em 1965 para representar o

conhecimento incerto ou impreciso. Consiste em meios aproximados mais efetivos

de descrever o comportamento de sistemas que so muito complexos, mal definidos

ou no simples de se analisar matematicamente [16, 17]..

O sistema fuzzy permite trabalhar com indecises vindas do raciocnio

humano, pois muitas das tomadas de decises humanas so abstratas, de tal forma

que a lgica clssica no consegue infer-lo de forma apropriada no modelo

computacional.

A teoria de conjuntos fuzzy e os conceitos de lgica fuzzy podem ser

utilizados para traduzir em termos matemticos a informao imprecisa expressa por

um conjunto de regras lingsticas.

A aplicao do sistema de inferncia fuzzy se tem mostrado eficiente em

diversas reas, tais como controle, classificao e reconhecimento de padres, viso

computacional e otimizao.

H diversos trabalhos e livros disponveis na literatura sobre os sistemas

fuzzy, detalhando de forma consistente a teoria de conjuntos fuzzy, os conceitos de

lgica fuzzy juntamente com o processo de inferncia fuzzy e vrias aplicaes que

envolvem esse sistema [18-21]. Desta forma, neste captulo sero abordados

apenas alguns conceitos necessrios para que se tenha, de forma objetiva, a

compreenso do sistema de inferncia fuzzy adotada para o desenvolvimento deste

mesmo.
32

3.2 Constituio dos Sistemas de Inferncia Fuzzy

Para o entendimento dos sistemas fuzzy, torna-se necessrio um breve

conhecimento sobre os princpios de conjuntos fuzzy, desde o processo de

fuzzificao, passando pela inferncia fuzzy e indo at o processo de defuzzificao

do sistema fuzzy.

Os sistemas de inferncia fuzzy permitem o mapeamento do conhecimento a

respeito de um processo atravs de regras fuzzy do tipo Se - Ento. De posse

dessas regras, pode-se determinar o comportamento das variveis de sada do

sistema, isso por intermdio do processo de inferncia. Desta forma, o sistema de

inferncia fuzzy permite o tratamento de informaes incertas ou imprecisas,

representadas por uma famlia de conjuntos fuzzy. Assim, a inferncia fuzzy oferece

uma forma sistemtica para a modelagem de processos cujas informaes so

fornecidas de forma qualitativa.

O processo de inferncia fuzzy pode ser dividido em trs etapas: etapa de

fuzzificao; regras e inferncias; e defuzzificao, como mostra a Figura 3.1.

Figura 3.1 Diagrama do processo de inferncia fuzzy.

A seguir, ser explicada a funcionalidade de cada bloco do diagrama da

Figura 3.1:
33

Fuzzificao: Nessa etapa as entradas no fuzzy ou precisas so

apresentadas ao sistema por intermdio de medies ou observaes de dados, os

quais so considerados como sendo o conjunto de dados de entrada do sistema.

Deste modo, necessrio efetuar um mapeamento desses dados de entrada para o

conjunto fuzzy, de tal forma, que o sistema possa identificar a quais variveis

lingsticas esses dados pertencem e o quanto os mesmos so pertinentes a essas

variveis. Nesta fase tambm ocorre ativao das regras fuzzy relevantes para um

dado sistema.

Regras: As regras podem ser fornecidas por especialistas, com base em

seu conhecimento a respeito do processo que se deseja analisar, em forma de

sentenas lingsticas, e se constituem em um aspecto fundamental no desempenho

de um sistema de inferncia fuzzy. Desta forma, o sistema de inferncia fuzzy ter

um desempenho confivel e satisfatrio, somente se, as regras expressarem o

comportamento do sistema de forma fiel e consistente. Entretanto, a extrao de um

conjunto de regras advindas do conhecimento desses especialistas pode no ser

uma tarefa fcil, por mais que os mesmos conheam profundamente o problema que

se deseja analisar. Portanto, existem outras alternativas ao uso do conhecimento

dos especialistas para a definio da base de regras, tais como os mtodos de

extrao de regras a partir de dados numricos. Esses mtodos so particularmente

teis em aplicaes onde haja disponvel um conjunto de dados numricos que

refletem o comportamento entrada/sada do sistema.

Inferncia: No processo de inferncia ocorrem as operaes com os

conjuntos fuzzy. Um aspecto importante a definio dos conjuntos fuzzy

correspondentes s variveis de entrada e s de sada, pois o desempenho do

sistema de inferncia depender do nmero de conjuntos e de sua forma adotada.


34

possvel efetuar uma sintonia manual das funes de pertinncias dos conjuntos,

mas mais comum empregarem-se mtodos automticos. A integrao entre

sistemas de inferncias fuzzy e redes neurais artificiais tem se mostrado adequada

para a sintonizao das funes de pertinncias, assim como para a gerao

automtica de regras.

Defuzzificao: Aps o processo de Inferncia, tem-se o processo de

defuzzificao que, de posse do conjunto fuzzy de sada adquirido atravs do

processo de inferncia, responsvel pela interpretao dessa informao para

sadas precisas (dados no fuzzy). Isto se faz necessrio, j que, em aplicaes

prticas so requeridos valores no fuzzy.

Na lgica clssica, modelo de Aristotles, uma dada varivel ou no

pertencente a uma classe; desta forma, na teoria dos conjuntos pertencente a este

modelo, a sua funo de incluso indica se um determinado elemento, de forma

total, pertence ou no a um dado conjunto. J em relao aos conjuntos fuzzy, um

objeto pode pertencer a mais de um conjunto ao mesmo tempo, ou seja, os objetos

podem pertencer parcialmente a um certo conjunto, deixando a funo de incluso

flexibilizada.

Portanto, cada objeto tem um grau de pertinncia em relao a um dado

conjunto fuzzy, sendo este definido por uma funo chamada de funo de

pertinncia, ou seja:

A ( x ) : X [0,1]; x X (3.1)

onde A ( x ) retorna o grau de pertinncia do objeto x , pertencente ao universo de

discurso X , em relao ao conjunto fuzzy A , sendo que o grau de pertinncia um


35

valor normalizado pertencente (localizado) entre 0 (zero) e 1 (um), onde tais valores

limites indicam excluso ou incluso totais ao conjunto.

Os principais tipos de funo de pertinncia so as triangulares,

trapezoidais, gaussianas e sigmides. A funo gaussiana, a qual utilizada neste

trabalho, definida pela equao (3.2):

2
A ( x ) = e K ( x m ) , com K > 1 (3.2)

no qual m o centro da gaussiana e K uma constante que define sua

excentricidade.

Na Figura 3.2 apresentada uma ilustrao de uma funo de pertinncia

do tipo gaussiana.

Figura 3.2 Funo de pertinncia Gaussiana.

O processo de inferncia se caracteriza sobre tudo na gerao das regras

fuzzy, no ajuste e nas definies dos conjuntos fuzzy correspondentes s variveis

de entradas e sadas, pois o desempenho do sistema de inferncia depender do

nmero de conjuntos e de sua forma geomtrica (funo de pertinncia) adotados.

No processo de gerao das regras, estas podem ser fornecidas por

especialistas, em forma de sentenas lingsticas, como mencionado anteriormente.


36

Elas assumem um aspecto fundamental no desempenho do sistema de inferncia

fuzzy, pois a partir dessas se pode determinar, por intermdio do processo de

inferncia, o comportamento das variveis de sadas do sistema. Entretanto, a

extrao de um conjunto de regras, do tipo se - ento, provenientes de um

especialista, pode no ser uma tarefa fcil por mais que os mesmos conheam

profundamente o problema abordado. Assim, uma outra alternativa empregada, ao

invs do uso de especialistas para a definio do conjunto de regras, a utilizao

de mtodos mais automticos de extrao de regras.

Tanto as regras como a sintonia das funes de pertinncias dos conjuntos

podem ser feitas de forma manual, mas so comumente utilizados mtodos

automticos para ambos. A integrao entre sistemas de inferncias fuzzy e redes

neurais artificiais tem se mostrado adequada para essa finalidade. O ANFIS

(Adaptive Neuro-Fuzzy Inference System) uma dessas abordagens, e foi utilizada

nesse trabalho para a sintonia das funes de pertinncia. Ele ser abordado com

maiores detalhes na Seo 3.3.

Dentro do sistema de inferncia fuzzy, tem-se o processo de implicao

fuzzy que consiste na gerao da regio de sada fuzzy dada uma entrada tambm

fuzzy, ou seja, representa a implicao dos resultados obtidos dos conjuntos de

entrada no conjunto de sada. Assim, com esse resultado possvel obter um valor

numrico no-fuzzy do sistema fuzzy por intermdio do processo de defuzzificao.

Dentre os operadores de implicao, tm-se Mandani, Zadeh, Aritmtico, entre

outros [19].

Existem tambm diversos mtodos de defuzzificao, destacando-se entre

eles o mtodo do centro de rea, mtodo da mdia dos mximos (Equao (3.3)) e

mtodo do primeiro mximo [19]. No primeiro mtodo, a sada determinada


37

extraindo-se o valor do universo de discurso que corresponda ao centro de rea da

regio fuzzy de sada. No segundo, a sada precisa obtida tomando-se a mdia

entre os dois elementos extremos no universo de discurso e que correspondem aos

maiores valores da funo de pertinncia de sada, ou seja:

M
Vk
MMAX = (3.3)
k =1 M

sendo que Vk so os valores de C ' (regio fuzzy de sada) que contm graus de

pertinncia mximos e M a quantidade destes elementos. Uma ilustrao

envolvendo o mtodo da mdia dos mximos apresentada na Figura 3.3.

Figura 3.3 Ilustrao do mtodo da mdia dos mximos.

3.2.1 Sistema de Inferncia no Modelo de Takagi-Sugeno

Devido ao fato de que no sistema ANFIS (Seo 3.3) se utiliza o modelo de

inferncia de Takagi-Sugeno, realizar-se- ento aqui uma explanao visando um

melhor entendimento do sistema ANFIS adotado nesse trabalho para a criao das

regras e ajuste das funes de pertinncias.

O modelo de Takagi-Sugeno, assim como outros modelos de inferncia,

consiste em obter todas as contribuies individuais advindas de cada uma das


38

regras ativadas, sendo que a funo de pertinncia de sada do mtodo de Takagi-

Sugeno pode ser tanto uma funo linear como uma funo constante.

Portanto, para a inferncia de Takagi-Sugeno, deve-se primeiramente

fuzzificar todas as entradas, encontrar todas as regras ativadas, determinar os

valores individuais das sadas vindas das funes de sadas de Takagi-Sugeno.

Assim, de posse desses valores, realiza-se ento uma ponderao entre os mesmos

a fim de produzir uma resposta final.

No modelo de Takagi-Sugeno uma regra de inferncia Ri dada da

seguinte forma:

Ri : Se Entrada 1 x1 e Entrada 2 x2

Ento Sada y i = ai x1 + bi x2 + ci

sendo que o resultado final obtido pela mdia ponderada de todos os resultados

de sada, considerando os graus de pertinncia de cada regra Ri ativada, conforme

a Equao (3.4).

i yi
y= i =1
N
(3.4)

i =1
i

em que y a sada final, N representa o total de regras ativadas, e i o grau de

pertinncia em relao contribuio de cada regra ativada.

A ilustrao seguinte (Figura 3.4) mostra os procedimentos internos

associados ao modelo de Takagi-Sugeno quando aplicado a um sistema que possui


39

duas variveis como dado de entradas: temperatura, com domnio variando de 800 a

D 3
1200 C ; e volume, tendo domnio variando de 20 a 80 m de gua. A varivel de

sada a presso, tendo seu domnio variando de 4 a 12 atm. Uma particularidade

do mtodo de Takagi-Sugeno a exigncia de se ter apenas uma varivel de sada.

Entretanto, caso o sistema a ser modelado tiver mais que uma sada, basta-se ento

implementar um modelo de Takagi-Sugeno para cada uma delas.

Figura 3.4 Processos Internos ao modelo de Takagi-Sugeno.

3.3 Aspectos de Sintonizao de Parmetros de Sistemas de


Inferncia Fuzzy

O sistema de inferncia fuzzy consiste em mapear as caractersticas de

entrada atravs de funes de pertinncias, que juntamente com as regras fuzzy

resultaro em uma implicao. Essas implicaes so agregadas proporcionando

uma funo de pertinncia resultante, na qual pode ser determinado o valor preciso

(no-fuzzy) da sada ou a deciso associada sada do sistema.

Para tanto, h necessidade de se ter o conhecimento especfico e detalhado

dos processos envolvidos, de tal forma que o sistema seja implementado com as

funes de pertinncias adequadas e com as regras fuzzy coerentes ao problema


40

em questo, proporcionando ento uma confiabilidade e uma eficincia na obteno

das respostas esperadas (conhecimento extrado de um especialista).

Alternativamente, ao invs de extrair as caractersticas do processo por

intermdio do conhecimento de um especialista visando ajustes dos parmetros das

funes de pertinncia, um sistema de inferncia neuro-fuzzy adaptativo pode ser

capaz de extra-los automaticamente, pois em determinadas ocasies, a

identificao detalhada dos processos, objetivando extrair as caractersticas da

funo de pertinncia a ser utilizada, nem sempre uma tarefa fcil.

O Adaptive Neuro-Fuzzy Inference System (ANFIS) ou sistema de inferncia

neuro-fuzzy adaptativo baseado em tcnicas de aprendizagem implementadas em

redes neurais artificiais [22]. Atravs das informaes contidas no conjunto de

dados, torna-se possvel ajustar os parmetros da funo de pertinncia de tal forma

que permite ao sistema de inferncia fuzzy o mapeamento adequado do

relacionamento entrada-sada do conjunto de dados. Para ressaltar, o ANFIS

baseado no modelo de inferncia de Takagi-Sugeno como mencionado

anteriormente.

Na literatura, encontram-se vrios trabalhos que utilizam o ANFIS em

diversas reas. Em [23] o ANFIS utilizado para a estimao dos parmetros de um

motor de induo, sendo obtido resultados satisfatrios. Em [24] proposto um novo

mtodo para a identificao de sistemas no-lineares utilizando ANFIS. Por

intermdio de simulaes, o artigo menciona que o ANFIS se mostrou bastante

eficiente na identificao de sistemas no-lineares. Em [25] apresentado um

sistema de controle de torque de um motor de induo utilizando ANFIS. De acordo

com os seus resultados, o controle de torque neuro-fuzzy obteve melhores respostas

frente ao controle de torque convencional.


41

Portanto, para os ajustes de sintonizao dos parmetros dos sistemas de

inferncia fuzzy deste trabalho, adotar-se- o ANFIS, sendo que o mesmo j se

encontra tambm implementado no toolbox (Fuzzy Logic) do Matlab

3.3.1 Caractersticas do ANFIS no Matlab

O Matlab possui um componente ANFIS que permite ajustar as funes de

pertinncia e gerar as regras fuzzy. Desta forma, nesta seo ser apresentado um

breve estudo da utilizao do ANFIS implementado pelo Matlab.

O Matlab possui uma interface grfica para o ANFIS, sendo a mesma

acessada atravs do comando anfisedit digitada na janela de comandos. A Figura

3.5 mostra a interface de configurao dos parmetros que devero ser inseridos

para que o sistema faa a inferncia.

Primeiramente, deve-se tratar os dados que sero utilizados no processo de

aprendizagem do sistema, sendo que tais dados devem estar contidos em uma

matriz. Como exemplo, se forem utilizadas duas entradas, a matriz dever conter

trs colunas, sendo a ltima contendo os dados de sada. Essa matriz carregada

pela ferramenta apertando-se o boto load data, apresentado na Figura 3.5.

Aps o carregamento dos dados, deve-se configurar alguns parmetros para

a inicializao do sistema de inferncia fuzzy. Assim, em Generate FIS (ao

pressionar esse boto aparecer a Figura 3.6), deve-se parametrizar o ANFIS.

Utilizou-se neste trabalho a opo grid partition, que consiste em agrupar os dados

representativos do problema a ser mapeado em classes que contenham algum nvel

de similaridade. Portanto, os parmetros necessrios a serem definidos consistem

na definio do nmero de funes de pertinncias, no tipo de funo de pertinncia


42

que ser aplicada, bem como o tipo de funo de sada a ser empregado no

sistema. A Figura 3.6 mostra a janela na qual so configuradas essas informaes

iniciais.

Figura 3.5 Interface grfica do ANFIS no Matlab.

Figura 3.6 Configurao dos parmetros de inicializao do sistema de inferncia fuzzy

Aps a definio dos parmetros de inicializao do sistema fuzzy (nmero

de funes de pertinncia para cada entrada, tipo de funo de pertinncia, e tipo de


43

funo de sada), ajusta-se o nmero de pocas desejadas para que o algoritmo de

treinamento seja executado, alm do erro mnimo que se deseja alcanar. O

algoritmo finalizado quando algum desses parmetros for alcanado, pois ambos

so considerados como critrio de parada para o treinamento.

O ANFIS emprega o algoritmo de treinamento backpropagation ou, o mtodo

hbrido (combinao da estimao de mnimos quadrados com backpropagation)

para estimar os parmetros da funo de pertinncia [22]. Desta forma, o toolbox

fornece a opo de escolher qual treinamento se deseja utilizar. Nesse trabalho foi

utilizado o treinamento pelo mtodo hbrido.

Aps as configuraes necessrias, faz-se o treinamento do sistema que

retornar os ajustes das funes de pertinncia juntamente com as regras. A Figura

3.7 ilustra a arquitetura do ANFIS, onde se pode perceber que as duas primeiras

camadas no so amplamente conectadas. Na configurao das ligaes entre

estas duas camadas esto implicitamente caracterizados os antecessores das

regras.

Figura 3.7 Arquitetura do ANFIS.


44

Devido ao fato de se utilizar em sua estrutura o modelo de inferncia de

Takagi-Sugeno, o ANFIS possui algumas limitaes de aplicao, tal como a

exigncia de se ter apenas uma varivel de sada. A mesma deve ser obtida

utilizando-se a defuzzificao pela mdia ponderada dos pesos [22]. Todas as

funes de pertinncias de sada devem ser do mesmo tipo, ou seja, linear ou

constante. Maiores detalhes da tcnica ANFIS usada no Matlab apresentada no

Apndice A.

3.4 Aplicaes de Sistemas de Inferncia Fuzzy em Motores de


Induo

Os estudos feitos em lgica fuzzy mostraram que a mesma um excelente

aproximador universal [26, 27], pois os sistemas fuzzy so utilizados em diversas

aplicaes, entre elas, esto aquelas relacionadas s mquinas eltricas. Neste

tpico sero citadas algumas referncias sobre aplicao de sistemas de inferncia

fuzzy, direcionando para a estimativa de torque de carga em motores de induo

trifsicos.

Na literatura, muitas aplicaes para a modelagem de processos

relacionadas ao MIT utilizando sistemas fuzzy podem ser encontradas [28], embora

as aplicaes para estimao de seus parmetros possam ser consideradas

relativamente novas [29, 30].

A medio do torque de grande importncia em aplicaes industriais. As

principais tcnicas para medida do torque utilizam torqumetros girantes ou clulas

de carga. Os torqumetros girantes so acoplados entre o eixo da mquina e do

motor e medem conjugado de carga. As clulas de carga, por sua vez, medem
45

conjugado eletromagntico. Mas, tais mtodos so invasivos e de difcil

implementao em sistemas que j esto sendo operados [31].

Em [28], apresenta-se um mtodo para estimao de torque on-line do MIT,

onde o sistema fuzzy baseado em cinco entradas: o valor da temperatura do

enrolamento do estator, as medidas estacionrias das componentes qd das

correntes do estator, e estimao das componentes qd do fluxo do rotor. Em tal

artigo, o desempenho do estimador baseado em lgica fuzzy obteve melhores

resultados do que os estimadores clssicos (baseados no produto vetorial entre

corrente do estator e fluxos). Embora o desempenho do estimador fosse

demonstrada com controlador vetorial indireto, ele pode tambm ser estendido a

outros tipos de sistemas.

O ajuste da velocidade baseado em controles vetoriais e controle direto do

torque tem conquistado grande popularidade em aplicaes de alto desempenho

[32]. Os medidores de sinais dessas variveis, como sensor de fluxo, velocidade e

torque so caros, ento o controle de MIT por sensorless tem recebido bastante

ateno [33].

Alguns estimadores usam um simples modelo com parmetros constantes

do motor. Porm, a variao dos parmetros do motor de induo ao longo de sua

operao vem demonstrando ser uma das mais importantes fontes de erros dos

controladores de alto desempenho (exemplo: resistncia do estator e rotor), os quais

so usados em tcnicas de controle direto de torque e controle vetorial.

A variao da temperatura gerada na mquina ao longo do seu regime de

operao produz alterao significativa dos parmetros do modelo. Logo, quando

so utilizados estimadores baseados nos modelos da mquina, como observadores

de Luenberger, Modelo de Referncia Adaptativo ( MRAS MODEL REFERENCE


46

ADAPTIVE SYSTEM ) e filtro de Kalman, h um desvio entre o valor estimado e o

valor real da varivel estimada; a saber: fluxo eletromagntico, torque e velocidade.

Este desvio ocasiona a deteriorao do algoritmo de controle o qual foi

sintonizado para a situao de incio de operao (a frio) ou em regime permanente

(a quente). Os sistemas fuzzy, por sua vez, no dependem do modelo e dos

parmetros da mquina. Ento, torna-se possvel mapear a relao entrada/sada de

uma determinada varivel considerando a dinmica da mquina em estudo, seja em

regime transitrio ou em regime permanente.

Na tcnica de controle direto de torque (DTC DIRECT TORQUE

CONTROL) requerido o conhecimento da amplitude e posicionamento angular do

fluxo a ser controlado, adicionando informaes relacionadas com a velocidade

angular em aplicaes de controle de velocidades. No entanto, o no conhecimento

do torque de carga e as incertezas relacionadas s resistncia do estator/rotor por

causa das condies de operao constitui o maior desafio para o desempenho de

um sistema, conforme relatado na referncia [34]. H diversos trabalhos na rea

envolvendo o estudo do DTC, assim como o FOC (FIELD ORIENTATION

CONTROL). Em [35] proposto um mtodo que no se enquadra em nenhuma

dessas duas categorias, mas se aproxima mais do FOC.

Alguns estimadores de torque de carga tm tambm sido implementados

baseados em filtros de Kalman e mtodo recursivo dos mnimos quadrados [36].

Para o controle vetorial de alto desempenho sensorless, torna-se essencial

saber as variaes de temperatura e freqncia do estator, do rotor e do torque de

carga. Entretanto, a resistncia do estator pode ser obtida pela medio da

temperatura do estator. H dificuldades fsicas em determinar a resistncia do rotor

em um MIT de gaiola de esquilo. Assim, a estimao da resistncia do rotor e torque


47

de carga so temas relevantes de pesquisa. Em [34], o torque de carga foi

considerado como uma constante no algoritmo para considerar o atrito viscoso,

obtendo-se um melhoramento do desempenho do estimador por intermdio do

mtodo de EKF (EXTENDED KALMAN FILTER).

O mtodo de controle sensorless para MIT usado no somente para onde

os sensores no podem ser instalados por causa do seu ambiente, mas tambm

para alcanar preciso de controle de sistemas de uso geral. Em [37], utiliza-se um

modelo matemtico que depende dos parmetros atuais do motor para simular o

MIT. A variao de ambos, torque e velocidade, com a corrente do estator so

computados com diferentes valores de freqncia. Cada um deles (torque e

velocidade) so simulados com o auxilio de uma regresso polinomial (fitting

methods) de sexta ordem, na qual os coeficientes da corrente do estator varia com a

alterao da freqncia, sendo que cada um desses coeficientes so simulados por

uma equao polinomial de oitava ordem em funo da freqncia. Portanto, o

torque e velocidade podem ser calculados pela medio digital de ambas, corrente e

freqncia, sem a necessidade de um sensor. Por causa da alta ordem das

equaes polinomiais esse mtodo tem tambm suas limitaes.

Em [38] realizada uma pesquisa referente aos mtodos de estimao, no

qual so listados alguns algoritmos, ou combinaes de diferentes algoritmos para

estimaes, tal como o mtodo AGT ( AIR GAP TORQUE ) proposto em [39]. Este

mtodo considera as perdas associadas entre as tenses e corrente. No entanto,

necessrio um teste sem-carga, sendo que a principal ressalva o elevado nvel

invasivo. Outro mtodo o Shaft Torque Method, abordado em [40], sendo esse

tambm bastante invasivo.


48

Em [41] projetado e implementado um controlador adaptativo de

velocidade que estima o torque de carga para um MIT utilizando tcnicas de

processamento paralelo. Esse torque obtido atravs de um observador de

conjugado de carga baseado em mnimos quadrados de primeira ordem de tal forma

que consiga descobrir qualquer mudana lenta ou sbita de perturbao de torque.

Os autores concluem que h uma melhoria significativa quando utilizado um

estimador de conjugado de carga.

Em [42] proposto um estimador de torque e velocidade, mas somente

para baixas freqncias. J em [31] proposta uma abordagem pouca invasiva, pois

necessita apenas da medio da corrente e da tenso eltrica para a sua

computao. A aplicabilidade assegurada para sistemas com dinmica lenta como,

por exemplo, sistemas de elevao artificial de petrleo do tipo cavidades

progressivas.

Assim, conforme pode ser testemunhado, h diversos estudos envolvendo a

estimativa do conjugado de carga, pois a sua importncia para os processos que

utilizam os motores de induo bem elevada. Portanto, este trabalho vem

contribuir com mais uma metodologia para a estimativa do torque por intermdio

dos sistemas fuzzy.


49

4 Metodologia Proposta Para Identificao de


Torque de Carga Usando Sistemas Fuzzy

4.1 Introduo

Neste captulo sero descritas as consideraes e metodologias

empregadas com a finalidade de se implementar um sistema de inferncia fuzzy que

seja capaz de estimar com eficincia o conjugado de carga aplicado ao eixo de um

motor de induo trifsico a partir dos dados simulados, os quais so referentes s

tenses, correntes e velocidades do motor em questo.

Toda a modelagem do motor de induo utilizada neste trabalho foi

desenvolvido usando as ferramentas computacionais do Matlab/Simulink [9], onde

foram analisadas as cargas lineares que so encontradas em serras de madeiras,

bombas de pisto; as cargas quadrticas que so aquelas que variam com o

quadrado da rotao e so encontradas em aplicaes como ventiladores e

centrfugas. As cargas inversas so tambm analisadas no decorrer deste captulo.

4.2 Descrio da Estratgia de Obteno das Curvas de Torque de


Carga

Nesta seo ser apresentada a estratgia adotada para a obteno das

curvas de torque de carga, especificando assim os parmetros da mquina simulada

para a metodologia de treinamento do ANFIS. O diagrama da Figura 4.1 ilustra o

sistema fuzzy adotado, onde so utilizados como dados de entrada as tenses,

correntes e velocidade, e obtendo como sada a curva do conjugado da carga.


50

Figura 4.1 Diagrama esquemtico do sistema fuzzy.

4.2.1 Parmetros Eltricos e Mecnicos do Motor Simulado

Os parmetros eltricos e mecnicos do motor sero usados para simular o

modelo matemtico equacionado no Captulo 2 utilizando a ferramenta

Matlab/Simulink. Os dados mostrados na TABELA 4.1 foram fornecidos por um

fabricante de motores eltricos (WEG Catlogo Geral de Motores Eltricos).

TABELA 4.1 Parmetros do motor de induo trifsico e carga.


Motor Linha Standard IV Plos 60Hz 220/380V
Potncia (1 CV) 745,69 (W)
Resistncia do Estator na Partida 10,17 ( )
Resistncia do Estator em Regime 12,40 ( )
Resistncia do Rotor na Partida 5,80 ( )
Resistncia do Rotor em Regime 6,95 ( )
Indutncia do Estator na Partida 1,77x10-2 (H)
Indutncia do Estator no Regime 2,05x10-2 (H)
Indutncia do Rotor na Partida 1,10x10-2 (H)
Indutncia do Rotor no Regime 4,84x10-2 (H)
Indutncia de Magnetizao na Partida 0,606 (H)
Indutncia de Magnetizao no Regime 0,546 (H)
Momento de Inrcia do Rotor 2,71x10-3 (Kg.m2)
Velocidade Sncrona Mecnica 188,49 rad/s (1800 rpm)
Escorregamento Nominal 3,8%
Torque Nominal 4,1 Nm
Classe N
Conjugado Mximo 11,89 Nm
Conjugado de Partida 10,25 Nm

Neste trabalho, optou-se em usar um motor de 1 cv alimentado em 220 V,

pois o mesmo pode ser encontrado com freqncia em aplicaes industriais.


51

Para a gerao dos dados utilizados tanto para o treinamento do sistema de

inferncia fuzzy como para sua validao so usadas funes matemticas que

representam o comportamento da carga em questo. Como neste trabalho sero

abordadas apenas as cargas lineares, quadrticas e inversas, a Tabela 4.2 descreve

suas funes matemticas.

TABELA 4.2 Funes matemticas das cargas industriais.


Linear f ( ) = T ( ) = K + a
Quadrtica f ( ) = T ( ) = K + a 2
Inversa f ( ) = T ( ) = a b + K

A constante K est relacionada com o conjugado inicial, isto , para t =0 + ,

considerando as cargas quadrticas e lineares. Em relao carga inversa, tal

constante representa o valor do conjugado de carga para o regime permanente, ou

seja, para t = . No qual a varivel est em rad/s.

4.2.2 Treinamento do Sistema ANFIS

Para o treinamento do ANFIS foram utilizados os dados de simulao

gerados pelo modelo matemtico apresentado no Captulo 2. Tal treinamento utiliza

como dados de entrada apenas o conhecimento da tenso eficaz, da corrente eficaz

e da velocidade no eixo visando estimar o torque de carga aplicado ao motor.

Portanto, a varivel de sada o prprio torque de carga em questo. Assim, por

intermdio desses dados de treinamento, utilizou-se o modelo ANFIS para ajustar os

parmetros das funes de pertinncia usadas pelo sistema fuzzy.


52

A ferramenta computacional, referente ao sistema de inferncia neuro-fuzzy

adaptativo oferecido pelo programa Matlab (anfisedit), consiste da configurao de

trs parmetros, no qual esses so responsveis pela sintonizao do sistema fuzzy

de forma adequada. Portanto, o desempenho do sistema influenciado pela forma

que se apresentam os dados, pela metodologia de gerao do sistema de inferncia

e pelo algoritmo de treinamento utilizado.

Assim, no fornecimento dos dados de treinamento ao ANFIS, preciso fazer

uma anlise dos dados de entrada para que o sistema possa ajustar as funes de

pertinncias e as regras de forma confivel e consistente. Desta forma, foi feita uma

anlise nesses dados de entrada, investigando-se o comportamento de cada

varivel separadamente.

Em relao implementao do sistema de inferncia fuzzy, aps serem

definidos os parmetros necessrios para a confeco do sistema e, posteriormente,

o treinamento efetuado de forma coerente com a base de dados, preciso verificar

se o sistema est sendo capaz de realizar o mapeamento adequado da estimativa

do conjugado de torque de carga. Alm disso, relevante que o sistema tenha

habilidade para generalizar, ou seja, estimar os conjugados de torque de carga para

casos em que os dados no pertenam ao conjunto de treinamento. Para isso,

necessrio simular o sistema de inferncia com dados de testes de validao e

avaliar o seu desempenho.

Inicialmente os dados de treinamento foram agrupados por valor de tenso

como mostra a TABELA 4.3.


53

TABELA 4.3 Composio dos dados de treinamento agrupados por tenso.


Tenso(Volts) Conjugado de Carga (Nm)
200 1
200 3
200 6
201 2
201 4
202 3
202 5
203 1
203 6
204 2
204 5
205 1
205 4

Utilizada essa configurao dos dados para o treinamento do ANFIS,

observou-se que na validao da metodologia no foram obtidos resultados

satisfatrios para a estimativa do torque, pois o sistema no conseguia estimar de

forma coerente a parte transitria das curvas. Neste caso, o sistema fuzzy conseguia

estimar apenas o perodo de partida e o de regime.

Desta forma, efetuou-se uma anlise nas variveis de entrada e, observando

o comportamento da corrente, percebeu-se que o problema mencionado

anteriormente estava na forma como os dados estavam sendo apresentados para o

treinamento do ANFIS. A Figura 4.2, Figura 4.3, Figura 4.4 e Figura 4.5, ilustram

esse comportamento que afeta de forma direta a eficincia do sistema fuzzy.


54

20
1 Dado 1: 211 - 1
18 Dado 2: 211 - 5
Dado 3: 215 - 1
16 Dado 4: 215 - 5
Dado 5: 220 - 1
14 Dado 6: 220 - 5
Corrente (Ampre)

2
12

10

6
3
4

0 1 2 3 4 5 6 7 8 9 10
Tempo (Amostras) 4
x 10
Figura 4.2 Anlise das correntes do motor de induo.

A Figura 4.2 ilustra o comportamento das correntes de uma carga linear,

sendo que o Dado 1 representa uma curva de conjugado de torque de 1 Nm para

uma tenso de 211 Volts. Os demais dados esto ilustrados na legenda da Figura

4.2. Para melhor demonstrar tal comportamento, realizou-se um detalhamento da

Figura 4.2, a qual foi dividida em 3 outras imagens.

19.5
Dado 1: 211 - 1
Dado 2: 211 - 5
Dado 3: 215 - 1
19
Dado 4: 215 - 5
Dado 5: 220 - 1
18.5 Dado 6: 220 - 5
Corrente (Ampre)

18

17.5

17

16.5
0.2 0.4 0.6 0.8 1 1.2 1.4 1.6 1.8 2
Tempo (Amostras) 4
x 10
Figura 4.3 Detalhe 1 da Figura 4.2.
55

A Figura 4.3 ilustra o comportamento da corrente quanto partida da

mquina. A curva ilustrada pelo Dado 1 mostra o comportamento da corrente para

uma tenso de 211 Volts com conjugado de carga de 1 Nm. Os demais dados esto

ilustrados pela legenda da figura em questo. Desta forma, verifica-se que no

perodo de partida do motor as correntes so agrupadas pela tenso, assim os

Dados 1 e 2 ficam prximos, da mesma forma que os Dados 3 e 4 e os Dados 5 e 6.

Estes ficam juntos apesar de terem um conjugado de torque diferente. Tal

comportamento observado para todas as tenses, qualquer que seja o valor do

conjugado.

A Figura 4.4 mostra o detalhe 2 da Figura 4.2, marcada com o retngulo 2.

Esse detalhe ilustra o comportamento da corrente durante o transitrio.

Dado 1: 211 - 1
Dado 2: 211 - 5
14
Dado 3: 215 - 1
Dado 4: 215 - 5
Dado 5: 220 - 1
12
Dado 6: 220 - 5
Corrente (Ampre)

10

3 3.5 4 4.5 5 5.5


Tempo (Amostras) 4
x 10
Figura 4.4 Detalhe 2 da Figura 4.2.

No transitrio, a corrente passa a se agrupar pelo conjugado. Na Figura 4.3

foi observado que os Dados 1 e 2 estavam mais prximos um do outro em relao

aos demais dados, enquanto que na Figura 4.4, isso no acontece mais. Na Figura

4.4 observa-se que o Dado 1 est mais prximo dos Dados 3 e 5, pois estes tm os
56

mesmos conjugados de carga do que anteriormente; enquanto que, da mesma

forma, o Dado 2 se encontra agrupado com os Dados 4 e 6.

E por fim, a Figura 4.5 mostra o detalhe 3 da Figura 4.2 para o

comportamento da corrente quando a mquina se encontra em regime.

Dado 1: 211 - 1
4.4
Dado 2: 211 - 5
Dado 3: 215 - 1
4.3
Dado 4: 215 - 5
Dado 5: 220 - 1
4.2
Dado 6: 220 - 5
Corrente (Ampre)

4.1

3.9

3.8

3.7

3.6

7.8 8 8.2 8.4 8.6 8.8


Tempo (Amostras) 4
x 10
Figura 4.5 Detalhe 3 da Figura 4.2.

Observa-se que durante o regime a corrente continua agrupada pelo

conjugado, sendo que tal agrupamento teve incio no transitrio da mquina.

De acordo com a Figura 4.2 e os seus detalhes apresentados nas Figura

4.3, Figura 4.4 e Figura 4.5, observa-se que as correntes para cada conjugado se

agrupam na partida por valores de tenses, enquanto que no transitrio e em regime

elas se agrupam por valor de conjugado. Desta forma, optou-se por agrupar os

dados de treinamento no mais por tenso, e sim por conjugado de carga, como

ilustra a TABELA 4.4. A partir desta abordagem se obteve resultados satisfatrios

como ser apresentado no Captulo 5.


57

TABELA 4.4 Composio dos dados de treinamento agrupados por conjugado de carga.
Tenso (Volts) Conjugado de carga (Nm)
200 1
203 1
205 1
201 2
204 2
200 3
203 3
201 4
205 4
202 5
204 5
200 6
203 6

4.3 Estrutura do Sistema Fuzzy Para Identificao do Torque de


Carga

Com o intuito de se determinar o sistema de inferncia fuzzy mais eficiente,

vrios sistemas foram implementados, com diversas variaes, de tal forma que seja

possvel comparar o desempenho entre os mesmos. Desta maneira, foram

implementados sistemas de inferncias variando-se a forma de apresentao dos

dados e o algoritmo de treinamento utilizado no ANFIS. Com a finalidade de se

obter o menor erro, o parmetro associado ao erro de tolerncia foi configurado

como sendo zero e, para todos os sistemas considerados, o nmero de pocas de

treinamento foi ajustado para 5. Com um nmero de pocas maior, observa-se que a

diminuio do erro muito pequena, podendo ser at desprezvel quando se leva

em conta o custo computacional e o tempo de treinamento.

Aps a realizao dos treinamentos de cada um dos sistemas fuzzy

propostos, os mesmos so validados com os dados de testes. Em seguida, calcula-

se os valores de erro relativo mdio e o desvio padro para que se possa ser
58

realizada uma comparao entre as diversas configuraes propostas aos sistemas

fuzzy, tendo a finalidade de se encontrar o mais eficiente.

Portanto, para cada varivel de entrada, utiliza-se nove funes de

pertinncia, sendo que as mesmas so do tipo gaussiana. Desse modo, gera-se 729

regras para o sistema fuzzy. valido salientar que desse total de regras geradas,

pode ser que nem todas delas possam ser ativadas ou usadas ao mesmo tempo.

Como mencionado anteriormente, foram geradas vrias configuraes do

sistema fuzzy, variando-se o nmero de funes para cada varivel de entrada.

Inicialmente, utilizou-se trs funes de pertinncia para cada entrada, e foi

aumentando gradativamente esse nmero at se obter a melhor configurao, a

qual foi obtida com nove funes de pertinncia para cada entrada. Tambm foi

variado o tipo de funo de pertinncia, sendo que inicialmente foram adotadas as

funes triangulares, mas se observou que os melhores resultados eram obtidos

atravs das funes do tipo gaussianas.

Neste trabalho, a faixa de tenso dividida em faixas discretas, abrangendo

uma variao de 10% . Consegue-se, desta forma, atingir dois objetivos, ou seja,

simular pequenas variaes de tenso no motor devido alta corrente de partida e

dividir a estrutura fuzzy em vrios sistemas fuzzy menores, implicando ento numa

maior modularidade na estrutura computacional.

A norma NBR7094:1996 [43], especifica que um motor deve ser capaz de

desempenhar sua funo principal continuamente numa faixa de tenso que varie

10% da tenso nominal. Considerando a alimentao do motor em 220 V, a faixa

de tenso abordada na simulao compreende 200 V a 240 V, conforme mostrado

na TABELA 4.5. de fundamental importncia considerar esta variao na


59

alimentao, pois o conjugado entregue a carga tem uma relao quadrtica com a

tenso de alimentao [7].

TABELA 4.5 Faixa de tenses de treinamento.

Faixa de Tenso Variao


(Volt)

200 200-210
211 211-220
221 221-230
231 231-240

A Figura 4.6 ilustra a variao de conjugado na faixa de tenso estudada e, a

Figura 4.7 apresenta o mapeamento para a carga do tipo linear. H, desta forma, o

mapeamento de uma regio de conjugado limitada pela curva 1 e pela curva 66. Dentro

dessa regio de mapeamento o sistema fuzzy deve fazer estimativas de torque.

Figura 4.6 Curva de conjugado para faixa de tenso de 10% da tenso nominal.
60

Figura 4.7 Curva de torque para carga linear.

valido salientar que o mapeamento produz valores diferentes de torque

partida e regime permanente para cada curva, dependendo do valor de tenso

usado na alimentao do motor, conforme interseo das curvas de mapeamento e

conjugado do motor.

Para cada faixa de tenso foi gerado um sistema fuzzy. Assim, para cada

carga se tem um total de 4 sistemas fuzzy. A Figura 4.8 ilustra as funes de

pertinncia para a tenso que corresponde s faixas de tenses entre 200 210 V.

Tais ajustes foram fornecidos pelo sistema ANFIS, sendo que o universo de discurso

para esse sistema fuzzy em questo varia de 0(zero) a 210 Volts.

Mi MP PP P Me G PG MG Ma
1

0.8

0.6

0.4

0.2

0 50 100 150 200

Figura 4.8 Funes de pertinncia para a tenso.


61

De forma anloga, as funes de pertinncia para as demais faixas de

tenses so as mesmas, a nica diferena o universo de discurso para cada faixa.

A TABELA 4.6 ilustra tais universos de discurso para todas as faixas de tenses.

TABELA 4.6 Universo de discurso para cada faixa de tenso.


Faixa de Tenso Universo de Discurso
200 0 210
211 0 220
221 0 230
231 0 240

A TABELA 4.7 representa o significado da terminologia adotada para cada

funo de pertinncia e para todas as variveis lingsticas (tenso, corrente e

velocidade), ou seja, ilustra o conjunto de termos que ser utilizado para expressar o

comportamento de cada varivel para o sistema de inferncia fuzzy aqui adotado.

TABELA 4.7 Terminologia dos termos de pertinncia.

Smbolo Significado

Mi Mnima
MP Muito pequena
PP Pouco pequena
P Pequena
Me Mdia
G Grande
PG Pouco grande
MG Muito grande
Ma Mxima

A Figura 4.9 mostra as funes de pertinncias para as correntes, sendo que

as mesmas correspondem igualmente para todos os outros sistemas, ou seja, para

todas as faixas de tenses de forma genrica, pois o que diferencia uma faixa de

tenso para a outra o universo de discurso associado varivel lingstica,

corrente, considerando este caso.


62

Mi MP PP P Me G PG MG Ma
1

0.8

0.6

0.4

0.2

0 2 4 6 8 10 12 14 16 18

Figura 4.9 Funes de pertinncia para a varivel lingstica corrente.

A Figura 4.9 ilustra as funes de pertinncia da corrente para uma carga

linear, correspondendo faixa de tenso de 211-220 V, sendo que o seu universo

de discurso varia de 0 a 19,38 Ampre.

A Figura 4.10 mostra as funes de pertinncias da velocidade, sendo que

as mesmas correspondem igualmente para todos os outros sistemas, ou seja, para

todas as faixas de tenses de forma genrica, pois, como mencionado

anteriormente, o que diferencia uma faixa de tenso para a outra o universo de

discurso associado varivel lingstica, velocidade, considerando este caso.

Mi MP PP P Me G PG MG Ma
1

0.8

0.6

0.4

0.2

0 20 40 60 80 100 120 140 160 180

Figura 4.10 Funo de pertinncia para varivel lingstica velocidade.

A Figura 4.10 ilustra as funes de pertinncia da velocidade para uma

carga linear, correspondendo faixa de tenso de 211-220 V, sendo que o seu

universo de discurso varia de 0 a 188 rad/s.


63

A TABELA 4.8 ilustra os universos de discursos para as variveis lingsticas

corrente e velocidade, sendo que tais universos para essas variveis so os

mesmos tanto para as cargas quadrticas como para as lineares e inversas.

TABELA 4.8 Universo de discurso para as variveis lingsticas: velocidade e corrente.


Faixa de Tenso Universo de Discurso
Velocidade Corrente
200 210 0 187,6 0 18,07
211 220 0 187,7 0 19,38
221 230 0 187,8 0 20,25
231 240 0 187,8 0 21,12

A Figura 4.11, ilustra a metodologia aplicada na forma de diagrama de

blocos.

Figura 4.11 Diagrama de blocos.


64
65

5 Resultados da Aplicao do Sistema Fuzzy

5.1 Introduo

Os resultados de simulao so apresentados nesse captulo para ilustrar a

abordagem proposta e testar a eficincia da metodologia.

Conforme descrito no Captulo 3, os sistemas fuzzy foram ajustados por

intermdio do modelo ANFIS. Este processo envolve inicialmente a definio dos

parmetros do sistema de inferncia neuro-fuzzy adaptativo, a gerao dos dados, a

metodologia empregada para gerao do sistema, o algoritmo de treinamento a ser

utilizado e, finalmente, os parmetros que determinam o critrio de parada. Portanto,

atravs do processo de treinamento, o ANFIS fornecer o sistema fuzzy ajustado e

com as regras j definidas, sendo ento possvel finalmente realizar as anlises e

validaes do sistema por intermdio de simulaes com os dados de testes.

Cabe aqui salientar que os dados de testes mostrados ao sistema fuzzy no

fizeram parte do treinamento do sistema de inferncia neuro-fuzzy adaptativo

utilizado para o ajuste do mesmo. Desta forma, pode-se demonstrar a capacidade de

generalizao do sistema fuzzy abordado.

Na simulao do motor de induo foram geradas 6 curvas de torque de

carga que simulam da partida ao regime permanente, considerando cada tenso.

Deste modo, na primeira faixa de tenso (200-210 Volts), tem-se um total de 66

curvas. Sendo que 34 dessas foram utilizadas para o treinamento do sistema fuzzy,

e as demais para teste de validao.

Como mencionado em sees anteriores, as simulaes do motor de

induo foram realizadas usando um motor de 1 cv alimentado em 220 V, pois tais


66

motores so encontrados com freqncia em aplicaes industriais, sendo que a

metodologia empregada neste trabalho pode ser tambm aplicada em outras faixas

de tenses e potncias de mquinas.

5.2 Resultados do Sistema Fuzzy na Identificao de Torque de


Carga Linear

Nesta seo sero apresentados os resultados obtidos pela generalizao

do sistema fuzzy desenvolvido considerando para as cargas com conjugado linear.

Visando tal objetivo, apresentam-se figuras que mostram as curvas de torque

estimado com as reais/simuladas. Ser apresentada tambm uma tabela com os

erros relativos mdios para diversas tenses e conjugados de torque.

A Figura 5.1 mostra o resultado da generalizao para uma carga linear com

conjugado inicial em 0,2 Nm e, em regime permanente, em 2 Nm, submetido a uma

tenso de 202 Volts. O torque de carga foi estimado com um erro relativo mdio de

2,6%, com desvio padro de 3,9%. O objetivo do valor desse perfil de tenso

simular uma subtenso no motor de induo visando testar o modelo proposto por

esse trabalho.
67

Carga Linear : 202V


2.5
Estimado
Real/Simulado

Conjugado (Nm)

1.5

0.5

0
5 10 15 20 25 30 35 40 45
Tempo(Amostras)

Figura 5.1 MIT submetido a conjugado resistente linear alimentado com 202V.

A Figura 5.2 ilustra o resultado de simulao de uma carga linear aplicada

ao MIT submetido a uma tenso de 220 Volts que, em regime permanente, atinge 6

Nm. Esta estimativa obteve um erro relativo mdio de 0,81% com um desvio padro

de 2,2%.

Carga Linear : 220V


6

Estimado
5 Real/Simulado

4
Conjugado (Nm)

0
5 10 15 20 25 30 35 40 45
Tempo(Amostras)

Figura 5.2 MIT submetido a conjugado resistente linear alimentado com 220V.
68

A Figura 5.3 ilustra os resultados de simulao de uma carga linear

submetida a uma tenso de 238 V, sendo que essa carga em regime permanente

atinge um conjugado de 4 Nm. O torque de carga foi estimado com um erro relativo

mdio de 0,24% em relao ao torque desejado, tendo um desvio padro de 0,29%.

O motor foi submetido a essa elevada tenso para simular uma sobretenso, sendo

ento possvel analisar o comportamento do estimador proposto.

Conjugado Linear: 238V


5
Estimado
4.5 Real/Simulado

3.5
Conjugado(Nm)

2.5

1.5

0.5

0
5 10 15 20 25 30 35 40 45
Tempo(amostra)

Figura 5.3 MIT submetido a conjugado resistente linear alimentado com 238V.

A Figura 5.4 ilustra o comportamento do erro relativo ponto-a-ponto entre a

curva estimada e a curva real/simulada, a qual foi ilustrada pela Figura 5.3.
69

Erro Relativo x Amostra


1.4

1.2

Erro Relativo 1

0.8

0.6

0.4

0.2

0
5 10 15 20 25 30 35 40 45
Amostra de Teste

Figura 5.4 Erro relativo ponto-a-ponto entre conjugado estimado e real/simulado.

Na TABELA 5.1 so apresentados os resultados para a estimativa do

conjugado (sada do sistema), ilustrando alguns valores do erro relativo mdio,

desvio padro, tenso e conjugado nominal para as simulaes das cargas lineares.

TABELA 5.1 Desempenho do estimador para conjugado linear.


Erro Desvio
Tenso Conjugado Relativo Padro
(Nm) Mdio (%)
(%)
201 2 2,50 4,30
203 5 1,40 3,20
205 2 3,40 7,30
212 3 0,88 1,45
215 4 0,69 1,04
219 5 0,84 1,87
224 6 0,40 0,74
230 1 5,09 6,90
235 1 1,68 1,82
70

5.3 Resultados do Sistema Fuzzy na Identificao de Torque de


Carga Quadrtica

Nesta seo sero apresentados os resultados obtidos pela generalizao

do sistema fuzzy desenvolvido considerando as cargas com conjugado quadrtico.

Visando tal objetivo, apresentam-se figuras que mostram as curvas de torque

estimado com as reais/simuladas. Ser apresentada tambm uma tabela com os

erros relativos mdios para diversas tenses e conjugados de torque.

A Figura 5.5 mostra o resultado da generalizao para uma carga quadrtica

com conjugado inicial em 0,2 Nm e, em regime permanente, em 1 Nm, submetido a

uma tenso de 205 Volts. O torque de carga foi estimado com um erro relativo mdio

de 2,5% com desvio padro de 3,1%. O objetivo do valor desse perfil de tenso

simular uma subtenso no motor de induo para testar o modelo proposto por esse

trabalho.

Carga Quadratica : 205V


1.1

0.9 Estimado
Real/Simulado
0.8
Conjugado (Nm)

0.7

0.6

0.5

0.4

0.3

0.2

0.1
5 10 15 20 25 30 35 40 45
Tempo (Amostras)

Figura 5.5 MIT submetido a conjugado resistente quadrtico alimentado com 205V.
71

A Figura 5.6 ilustra o resultado de simulao de uma carga quadrtica

submetida a uma tenso de 220 Volts, que em regime permanente atinge 6 Nm.

Esta estimativa obteve um erro relativo mdio de 1,29% com desvio padro de

2,93%. A partir de tal simulao se pode realizar uma comparao dos resultados

advindos do sistema fuzzy entre dois tipos de cargas submetidas ao mesmo motor

com os mesmos parmetros (Figura 5.2 e Figura 5.6).

Carga Quadrtica: 220V


7

Estimado
5 Real/Simulado
Conjugado (Nm)

0
5 10 15 20 25 30 35 40 45
Tempo (Amostras)

Figura 5.6 MIT submetido a conjugado resistente quadrtico alimentado com 220V.

A Figura 5.7 ilustra os resultados de simulao de uma carga quadrtica

submetida a uma tenso de 238 V, sendo que a mesma em regime permanente

atinge um conjugado de 4 Nm. O torque de carga foi estimado com um erro relativo

mdio de 0,25% em relao ao torque desejado, tendo um desvio padro de 0,41%.

O motor foi submetido a essa elevada tenso para simular uma sobretenso, sendo

ento possvel analisar o comportamento do estimador proposto. A partir de tal

simulao se pode efetuar a comparao do sistema entre dois tipos de cargas


72

submetidas ao mesmo motor com os mesmos parmetros, sendo que o motor est

submetido a uma sobretenso (Figura 5.3 e Figura 5.7).

Conjugado Quadrtico: 238V


4.5

3.5
Estimado
Real/Simulado
3
Conjugado (Nm)

2.5

1.5

0.5

0
5 10 15 20 25 30 35 40 45
Tempo (Amostras)

Figura 5.7 MIT submetido a conjugado resistente quadrtico alimentado com 238V.

A Figura 5.8 ilustra o comportamento do erro relativo ponto-a-ponto entre a

curva estimada e a curva real/simulada, a qual foi ilustrada pela Figura 5.7.

Erro Relativo x Amostra


1.8

1.6

1.4

1.2
Erro Relativo

0.8

0.6

0.4

0.2

0
5 10 15 20 25 30 35 40 45
Amostra de Teste

Figura 5.8 Erro relativo ponto-a-ponto referente Figura 5.7.


73

Na TABELA 5.2 so apresentados alguns valores do erro relativo mdio,

desvio padro, tenso e conjugado nominal para as simulaes das cargas

quadrticas. Os resultados apresentados pela mesma caracteriza a capacidade de

generalizao do sistema fuzzy empregado para a estimativa do torque.

TABELA 5.2 Desempenho do estimador para conjugado quadrtico.


Desvio
Tenso Conjugado Erro Padro
(Nm) Mdio (%)
(%)
202 1 2,12 2,62
206 2 1,47 2,01
213 3 0,75 1,01
218 4 0,52 0,81
225 5 0,23 0,41
228 6 0,56 1,09
233 1 0,84 0,83
236 2 0,59 0,85
240 3 0,32 0,49

5.4 Resultados do Sistema Fuzzy na Identificao de Torque de


Carga Inversa

Nesta seo sero apresentados os resultados obtidos pela generalizao

do sistema fuzzy desenvolvido considerando as cargas com conjugado inverso.

Visando tal objetivo, apresentam-se figuras que mostram as curvas de torque

estimado com as reais/simuladas. Da mesma forma que foi apresentada para as

outras cargas, aqui tambm ser apresentada uma tabela com os erros relativos

mdios para diversas tenses e conjugados de torque da carga em questo.

A Figura 5.9 mostra o resultado da generalizao para uma carga inversa

com conjugado inicial em 7,5 Nm e, em regime permanente, em 5 Nm, submetido a

uma tenso de 209 Volts. O torque de carga foi estimado com um erro relativo mdio
74

de 1,29% com desvio padro de 5,29%. O objetivo do valor dessa tenso simular

um subtenso no motor de induo para testar o modelo proposto por esse trabalho.

Conjugado Inverso: 209V


7.5
Estimado
Real/Simulado
7

6.5
Conjugado (Nm)

5.5

5 10 15 20 25 30
Tempo (Amostras)

Figura 5.9 MIT submetido a conjugado resistente inverso alimentado com 209 V.

A Figura 5.10 ilustra o resultado de simulao de uma carga inversa

submetida a uma tenso de 220 Volts, que em regime permanente atinge 6 Nm.

Esta estimativa obteve um erro relativo mdio de 1,27% com um desvio padro de

1,99%. A partir de tal simulao, torna-se possvel a comparao do sistema entre

vrios tipos de cargas submetidas ao mesmo motor com os mesmos parmetros

(Figura 5.2, Figura 5.6, Figura 5.10).


75

Conjugado Inverso: 220 V


9
Estimado
Real/Simulado
8.5

Conjugado (Nm) 8

7.5

6.5

5.5
5 10 15 20 25 30
Tempo (Amostras)

Figura 5.10 MIT submetido a conjugado resistente inverso alimentado com 220 V.

A Figura 5.11 ilustra os resultados de simulao de uma carga inversa

submetida a uma tenso de 230 V, sendo que a mesma em regime permanente

atinge um conjugado de 3 Nm. O torque de carga foi estimado com um erro relativo

mdio de 2,17% em relao ao torque desejado, tendo um desvio padro de 3,67%.

O motor foi submetido a essa elevada tenso para simular uma sobretenso, sendo

ento possvel analisar o comportamento do estimador proposto.


76

Conjugado Invervo: 230 V


4.5
Estimado
Real/Simulado

4
Conjugado (Nm)

3.5

2.5
5 10 15 20 25 30
Tempo (Amostras)

Figura 5.11 MIT submetido a conjugado resistente inverso alimentado com 230 V.

A Figura 5.12 ilustra o comportamento do erro relativo ponto-a-ponto entre a

curva estimada e a curva real/simulada, a qual ilustrada pela Figura 5.11.

Erro Relativo x Amostra


15

10
Erro Relativo

0
0 5 10 15 20 25 30
Amostra de Teste

Figura 5.12 Erro relativo ponto-a-ponto referente Figura 5.11.

Na TABELA 5.3 so apresentados alguns dos resultados obtidos para a

estimativa do conjugado de carga, ilustrando alguns valores do erro relativo mdio,


77

desvio padro, tenso e conjugado nominal para as simulaes das cargas inversas.

No qual a tabela mostra os resultados para a carga considerando do momento da

partida at o regime e, a segunda coluna da tabela ilustra o valor do conjugado da

carga em regime.

TABELA 5.3 Desempenho do estimador para conjugado inverso.


Desvio
Tenso Conjugado Erro Padro
(Nm) Mdio (%)
(%)
200 2 2,28 3,15
210 1 3,04 4,55
213 3 1,25 2,36
216 4 1,48 2,57
220 1 1,43 1,52
224 5 1,37 3,26
229 6 1,49 3,20
233 2 1,92 3,41
236 3 1,54 3,09
240 4 1,71 3,08

5.5 Comparao de Resultados Entre Estratgias Inteligentes

Nesta seo sero apresentadas algumas tabelas comparando os

resultados obtidos entre a estratgia fuzzy abordada por este trabalho e a estratgia

abordada pelo trabalho [2], no qual utilizou redes neurais artificiais para a estimativa

do conjugado de carga. Ambos os trabalhos utilizam as mesmas variveis de

entrada aos seus sistemas. Assim, na TABELA 5.4, apresenta-se os resultados

calculados pela abordagem fuzzy desenvolvida aqui e aqueles obtidos pela

abordagem neural proposto em [2], considerando a mesma faixa de tenso (220V) e

mesmo conjugado para a carga linear. Os dados foram gerados pelo mesmo modelo
78

matemtico do motor de induo, onde so mostrados os resultados para os

conjugados que variam entre 1 Nm e 6 Nm.

TABELA 5.4 Comparao de resultados entre sistemas inteligentes para a carga linear.
Sistema Fuzzy Redes neurais artificiais
Valor do (abordado neste trabalho) (abordado por [2])
conjugado
(Nm) Erro Mdio Desvio Padro Erro Mdio Desvio padro
(%) (%) (%) (%)
1 6,79 12.50 12,77 22,74
2 3,12 5,95 6,44 18,48
3 1,25 2,92 3,98 8,88
4 0,69 1,12 6,91 7.56
5 0,73 1,17 2,20 5,38
6 0,81 2,22 3,18 8,21

A TABELA 5.5 ilustra os resultados da comparao para as cargas

quadrticas, respeitando as mesmas caractersticas citadas para a tabela anterior.

TABELA 5.5 Comparao de resultados entre sistemas inteligentes para a carga


quadrtica.
Sistema Fuzzy Redes neurais artificiais
Valor do (abordado neste trabalho) (abordado por [2])
conjugado
(Nm) Erro Mdio Desvio Padro Erro Mdio Desvio padro
(%) (%) (%) (%)
1 2,46 3,01 9,17 13,07
2 1,09 1,66 5,08 7,16
3 0,83 1,46 5,80 10,31
4 1,07 1,79 9,60 9,17
5 1,08 2,41 4,69 6,95
6 1,29 2,93 4,94 9,65
79

Na TABELA 5.6 so apresentados os resultados da comparao para as

cargas inversas, respeitando as mesmas caractersticas adotadas para as tabelas

anteriores.

TABELA 5.6 Comparao de resultados entre sistemas inteligentes para a carga inversa.
Sistema Fuzzy Redes neurais artificiais
Valor do (abordado neste trabalho) (abordado por [2])
conjugado
(Nm) Erro Mdio Desvio Padro Erro Mdio Desvio padro
(%) (%) (%) (%)
1 1,43 1,52 3,14 3,27
2 1,40 2,64 1,19 1,47
3 1,96 3,69 0,81 1,11
4 1,22 2,50 0,51 0,71
5 1,40 2,46 0,39 0,45
6 1,27 1,99 0,26 0,24

De acordo com esses resultados ilustrados pelas tabelas anteriores, pode-se

notar que o sistema de inferncia fuzzy obteve melhores resultados em relao s

redes neurais artificiais (RNA) para as cargas lineares e quadrticas. Entretanto, as

RNAs obtiveram melhores resultados para a carga inversa.

valido salientar que os valores de conjugados das tabelas apresentadas

nessa seo ilustram o valor em regime para cada carga. Portanto, para cada carga

so mostradas 6 curvas de torque em Nm, como se pode observar na primeira

coluna de cada tabela.


80
81

6 Concluses Gerais e Trabalhos Futuros

6.1 Concluses Gerais

Este trabalho apresentou uma tcnica baseada na utilizao de sistemas de

inferncia fuzzy para estimativa de conjugado resistente aplicado nos motores de

induo. Por intermdio desse modelo foi possvel desenvolver uma estrutura

computacional capaz de estimar o comportamento de conjugado de motores em

processos industriais, a partir de sinais de tenso, corrente e velocidade.

O modelo proposto pode ser usado como uma alternativa aos mtodos

tradicionais para levantamento do comportamento de carga e, em processo de

controle, onde h a necessidade de conhecimento do comportamento do conjugado

aplicado ao eixo do motor.

Os resultados de simulao confirmaram que possvel estimar de forma

bem satisfatria o conjugado exigido no eixo de um motor de induo trifsico

usando um sistema de inferncia fuzzy composto por 9 funes de pertinncia em

suas variveis de entrada.

A metodologia proposta tambm apresentou, aps o ajuste do sistema de

inferncia fuzzy, um menor esforo computacional do que a resoluo de sistemas

de equaes diferenciais que definem o comportamento do motor, pois o

relacionamento das entradas em relao sada se resume a uma matriz formada a

partir dos valores discretizados dos universos de discurso das respectivas entradas.

Sobre os resultados obtidos, torna-se de grande valia destacar o

desempenho da metodologia abordada neste trabalho frente s redes neurais. De


82

acordo com as tabelas ilustradas na Seo 5.5 se observou uma melhora na

estimativa de torque de carga.

Em relao s ressalvas da tcnica proposta, alm das cargas aqui

abordadas, pretendia-se analisar as cargas constantes, mas devido s suas

caractersticas de comportamento, observou-se que a metodologia utilizada para as

demais cargas no se aplica para esse tipo de carga em particular. Portanto, para a

estimativa de torque de cargas constantes, deve-se investigar uma outra

metodologia que consiga mapear adequadamente o comportamento das mesmas a

partir de sinais de tenso, corrente e velocidade.

6.2 Trabalhos Futuros

Como trabalhos futuros, pode-se destacar o aperfeioamento do modelo

proposto para outros tipos de cargas, incluindo na estrutura do mesmo eventuais

ajustes advindos de testes prticos em laboratrio.

Para trabalhos futuros podem-se considerar as variaes trmicas, efeito

pelicular e saturao da mquina, pois neste trabalho o modelo utilizado no levam

em conta essas variveis.

Ainda como trabalhos futuros, tm-se a implementao em hardware do

sistema fuzzy desenvolvido, visando a confeco de um dispositivo compacto que

possa ser utilizado para estimar em tempo real o torque de carga em motores de

induo.
83

Referncias Bibliogrficas

[1] ELETROBRAS, "Ministerio de Minas e Energia, PROCEL - Programa de


Conservaao de energia eltrica ":
http://www.eletrobras.com/elb/main.asp?ViewID=%7BDCF9673F-50BA-4F2D-
9BB7-DB4D6E31A44C%7D#, acessado em 30 de Janeiro de 2007.
[2] A. Goedtel, Estimativa de Conjugado de Carga Aplicado em Eixos de Motores
de Induo Trifsico Atravs de Redes Neurais Artificiais. Mestrado em
Engenharia Inustrial - Bauru: UNESP, 2003.
[3] Y. El-Ibiary, "An accurate low-cost method for determining electric' efficiency
for the purpose of plant energy management," IEEE Transactions on Industry
Applications, vol. 39, pp. 1205-1210, 2003.
[4] P. Vas, Artificial Intelligence Based Electrical Machines and Drives: Oxford
University Press, 1999.
[5] I. Barbi, Teoria Fundamental do Motor de Induo: Editora da UFSC, 1985.
[6] B. K. Bose, Power Electronics and Variable Frequency Drives: Technology
and Applications, 1996.
[7] A. E. Fitzgerald, Maquinas Eltricas: McGRAW - HILL do BRASIL LTDA,
1975.
[8] F. P. Speggiorin, Instrumentao Digital Aplicada ao Desenvolvimento de
Controladores para Motores de Induo. Porto Alegre: UFRGS, 1998.
[9] C.-M. Ong, Dynamic Simulation of Electric Machinery Using Matlab/Simulink:
Prentice Hall, 1997.
[10] J. Monteiro, J. Palma, and G. D. Marques, "Using Simplefied Observers in
Torque of an Induction Machine Without Speed Sensor," 11th IMEKO TC-4
Symposium - Trends in Electrical Measurement and Instrumentation and 6th
Euro Workshop on ADC Modelling and Testing, pp. 140-144, 2001.
[11] D. T. Vincent, Fundamentos de Mquinas Eltricas: Rio de Janeiro: Prentice-
Hall do Brasil, 1994.
[12] I. L. Kosov, Mquinas Eltricas e Transformadores: Porto Alegre: Globo,
1986.
[13] E. Avolio, Uma Contribuio Para o Estudo do Comportamento Trmico e
Eltrico do Motor de Induo. Tese de Doutorado. Universidade Estual de
Campinas (UNICAMP\FEEC), Brasil, 1992.
[14] P. C. Sen, Principles of Electric Machines and Power Electronics: New York:
Wiley, 1989.
84

[15] O. S. Lobosco and J. L. P. d. C. Dias, Seleo e Aplicao de Motores


Eltricos: McGraw-Hill: Siemens, 1988.
[16] R. R. Yager and D. P.filev, Essentials of Fuzzy Modeling and Control. Canada:
John Wiley & Sons, Inc., 1994.
[17] L. C. Jain, "Guest editorial special section on fusion os neural nets, fuzzy
systems and genetic algorithms in industrial applications," Industrial
Electronics, IEEE Transactions on, vol. 46, pp. 1049-1050, 1999.
[18] B. Kosko, Fuzzy Engineering: Pretice-Hall, 1997.
[19] W. Pedrycz and F. Gomide, An Introduction to Fuzzy Sets: MIT Press, 1998.
[20] H. Ying, Fuzzy Control and Modeling: John Wiley, 2000.
[21] T. J. Ross, Fuzzy Logic with Engineering Applications: John Wiley, 2004.
[22] J.-S. R. Jang, C.-T.Sun, and E.Mizutani, Neuro-Fuzzy and Soft Computing:
PRENTICE-HALL, 1997.
[23] M.Vasudevan, Dr.R.Arumugam, and S.Paramasivam, "Adaptive neuro-fuzzy
inference system modeling of an induction motor," The Fifth International
Conference on Power Electronics and Drive Systems, vol. 1, pp. 427-432,
2003.
[24] ZhixiongHou, QuntaiShen, and HeqingLi, "Nonlinear system identification
based on ANFIS," in IEEE Int. Conf. Neural Networks & Signal Processing,
vol. 1, 2003, pp. 510-512.
[25] M. Vasudevan and R.Arumugam, "A robust torque control of induction motor
for electric vehicle applications using ANFIS," TENCON IEEE Region 10
Conference, vol. 4, pp. 17-20, 2004.
[26] B.Kosko and L.X.Wang, "Fuzzy system are Universal approximators," IEEE
Transactions on Computers, vol. 43, pp. 1329-1333, 1994.
[27] M.Sugeno and T.Yasukawa, "A Fuzzy-Logic-based approach to Qualitative
Modeling," IEEE Transactions on Fuzzy Systems, vol. 1, pp. 7-31, 1993.
[28] F.Barreto, E.Galvan, A.Torralba, and L.G.Franquelo, "Novel Fuzzy-Logic
Based Torque Estimator," The 25th Annual Conference of the IEEE, vol. 3, pp.
1259-1264, 1999.
[29] S.Mir, M.E.Elbuluk, and D.S.Zinger, "PI and Fuzzy Estimators for Tuning the
Stator Resistance in Direct Torque Control of Induction Machines," IEEE
Transactions on Power Electronics, vol. 13, pp. 279-287, 1998.
[30] B.K.Bose and N.R.Patel, "Quasi-Fuzzy Estimation of Stator Resistance of
Induction Motor," IEEE Transactions on Power Electronics, vol. 13, pp. 401-
409, 1998.
[31] J. J. F. Cerqueira, A. Oliveira, A. S. Rebouas, and V. R. V. Rodeiro,
"Metodologia para Estimao de Torque em Motores de Induao Polifsicos,"
Congresso Brasileiro de Automtica, pp. 2927-2932, 2006.
85

[32] R.D.Lorenz, T.A.Lipo, and D.W.Novotny, "Motion Control With Induction


Motors," Proceeding of the IEEE, vol. 82, pp. 1215-1240, 1994.
[33] K.Ohnishi, N.Matsui, and Y.Hori, "Estimation, Identification and Sensorless
Control in Motion Control," Proceedings of the IEEE, vol. 82, pp. 1253-1265,
1994.
[34] M. Barut, S. Bogosyan, and M. Gokasan, "Speed sensorless direct torque
control of IMs with rotor resistance entimation," Energy Conversion and
Management, pp. 335-349, 2004.
[35] B.Grcar, P.Cafuta, G.Stumberger, and A.M.Stankovic, "New IM torque control
with implicit rotor field tracking and efficiency maximization," The 8th IEEE
International Workshop on Advanced Motion Control, pp. 59-64, 2004.
[36] J.Holtz and T.Thimm, "Identification of the machine parameters in a vector-
controlled induction motor drive," IEEE Transactions on Industry Applications,
vol. 27, pp. 1111-1118, 1991.
[37] S.A.Kalilah, "Improved torque and speed estimation in sensorless induction
motor drive," 39th International Universities Power Engineering Conference,
vol. 2, pp. 538-544, 2004.
[38] B. Lu, T. G. Habetler, and R. G. Harley, "A Survey of Efficiency-Estimation
Methods for In-Service Induction Motors," IEEE Transactions on Industry
Applications, vol. 42, pp. 924-933, 2006.
[39] J.Hsu and B.P.Scoggins, "Field test of motor efficiency and load changes
through air-gap torque," IEEE Transactions on Energy Conversion, vol. 10, pp.
477-483, 1995.
[40] B.Lu, T.G.Habetler, and R.G.Harley, "A Survey of efficiency-estimation
methods for in-service induction motors with considerations of condition
monitoring requirements," IEEE International Conference on Electric Machines
and Drives, pp. 1365-1372, 2006.
[41] M.-F. Tsai and Y.-Y. Tzou, "A Transputer-Based Adaptive Speed Controller for
AC Induction Motor Drives with Load Torque Estimation," IEEE Transactions
on Industry Applications, vol. 33, pp. 558-566, 1997.
[42] M.Ghanes, J. D. Leon, and A.Glumineau, "Validation of an interconnected
high-gain observer for a sensorless induction motor against a low frequency
benchmark: application to an experimental setup," IEE Proceedings Control
Theory and Applications, vol. 152, pp. 371-378, 2005.
[43] ASSOCIAO BRASILEIRA DE NORMAS TCNICAS. NBR 7094: Mquinas
Eltricas Girantes - Motores de Induo - Especificao. Rio de Janeiro, 1996.
86
87

Apndice A
Toolbox Fuzzy Logic

Esta dissertao utilizou o toolbox Fuzzy Logic do Matlab. Tal toolbox

consiste de uma coleo de funes construdas sobre o ambiente do Matlab,

permintindo assim uma maneira fcil de criar e editar sistemas de inferncia fuzzy

dentro do framework do Matlab, alm da possibilidade de programas escritos em

linguagem C executar funes construdas dentro do Matlab.

Para se utilizar um sistema de inferncia fuzzy, este no necessita j estar

modelado completamente. Mesmo possuindo somente um conjunto de dados

quantitativos possvel criar um sistema de inferncia fuzzy. Uma possvel

abordagem para criar tal sistema de inferncia denominada ANFIS (Adaptive

Neuro-Fuzzy Inference System). O ANFIS ser detalhado na Seo A.2.

O ambiente do Matlab, alm de gerar um sistema fuzzy, se permite visualizar

e, at mesmo, ajustar (refinar) tal sistema. Tendo ento esta necessidade, se pode

utilizar o a ferramenta do Matlab conhecida como toolbox Fuzzy Logic. A Seo A.1

ser responsvel pela explanao deste toolbox.

importante ressaltar que a compilao deste apndice toda baseado no

guia de usurio (user's guide) do Matlab, sendo que o mesmo apresenta de forma

bem didtica todos os principais aspectos envolvidos com o toolbox Fuzzy Logic.
88

A.1 Toolbox Fuzzy Logic do Matlab

O toolbox Fuzzy Logic do Matlab consiste de seis componentes. Alm do

editor ANFIS, o qual ser detalhado na Seo A.2, possui ainda os editores: de

regras (Rule Editor), o editor das funes de pertinncia (Membership Function

Editor) e o editor de Sistema de Inferncia Fuzzy (FIS Fuzzy Inference System).

Acrescenta-se ainda neste toolbox os visualizadores de regras (Rule Viewer) e

superfcie (Surface Viewer). A Figura A.1 evidencia a visualizao de um esquema

mostrando os componentes constituintes do toolbox Fuzzy Logic do Matlab. Neste

esquema, somente adiciona-se o editor ANFIS. A seguir ser discutido, brevemente,

cada um destes componentes.

Figura A.1 Esquema dos componentes constituintes do Toolbox Fuzzy Logic do Matlab.
89

O primeiro componente a ser abordado o editor FIS. finalidade deste

editor ilustrar as informaes, de forma resumida, referente a um sitema de

inferncia fuzzy, por exemplo, um sistema fuzzy construdo a partir da tcnica

ANFIS. Ou seja, o ANFIS ajusta as funes de pertinncia e, tambm, cria as regras

de tal sistema. Assim, por intermdio deste editor se consegue visualizar o sistema

gerado a partir da tcnica ANFIS. Para se obter a tela do editor FIS, basta digitar o

comando fuzzy na janela de comandos no Matlab. Aps a execuo deste

comando, torna-se possvel visualizar a ilustrao da Figura A.2, a qual consiste na

sua tela inicial.

Figura A.2 Tela inicial do editor FIS.

Para se obter a visualizao de um sistema de inferncia fuzzy, basta abrir o

arquivo FIS referente ao mesmo. O arquivo FIS contm todas as informaes de um


90

sistema fuzzy, sendo que o editor FIS apenas mostra o contedo deste arquivo de

uma maneira mais interativa.

Torna-se possvel, atravs do editor de funes de pertinncia, gerenciar os

atributos das funes de pertinncia do sitema fuzzy, ou seja, permite editar e

visualizar todas suas caractersticas. A Figura A.3 exibe a tela inicial deste editor,

mostrando uma das funes de pertinncia usada na aplicao desta dissertao.

Figura A.3 Tela inicial do editor das funes de pertinncia.

J o editor de regras tem como finalidade proporcionar um fcil ambiente

para trabalhar com as regras do sistema fuzzy, permitindo construir, modificar,

deletar e ignorar regras. Assim sendo, a Figura A.4 ilustra a tela do editor contendo

as regras do sistema fuzzy proposto com trs entradas.


91

Figura A.4 Editor de regras ilustrando regras de um sistema com trs entradas.

Para visualizar as regras do sistema fuzzy, recorre-se ao componente do

toolbox Fuzzy Logic conhecido como visualizador de regras. Assim sendo, a Figura

A.5 permite visualizar as regras, as quais foram determinadas no editor de regras

Fuzzy descrito anteriormente.

Figura A.5 Visualizao das regras de um sistema proposto com trs entradas.
92

Por fim, o toolbox Fuzzy Logic do Matlab possui o componente para

visualizar as superfcies de sada do sistema. Este visualizador tem como objetivo

criar uma curva tridimensional de sada visando representar o mapeamento das

entradas do sistema fuzzy. Para os sistemas com mais de duas entradas e uma

sada, como apresentado nesta dissertao, por exemplo, o visualizador consegue

gerar uma superfcie de sada tridimensional, pois os monitores dos computadores

so incapazes de plotar uma superfcie com cinco dimenses. Portanto, o

visualizador permite que selecione duas das entradas e as demais sero

consideradas como constante. Para ilustrar a tela desse visualizador, esta ser

apresentada juntamente com uma das superfcies de sada do sistema fuzzy usada

nesta dissertao. Assim, a Figura A.6 evidencia o referido visualizador.

Figura A.6 Visualizador de superfcies.


93

A.2 Tcnica ANFIS

Torna-se possvel, mesmo contendo somente dados quantitativos, modelar

um sistema de inferncia fuzzy. O ANFIS consiste de uma das possveis tcnicas

para tal procedimento, alm de que bem simples sua utilizao. Assim sendo,

investigar sua aplicabilidade evidencia uma tarefa extremamente relevante quando

seus dados so disponibilizados da forma quantitativa e houver a necessidade de se

gerar um sistema de inferncia fuzzy.

Com um conjunto de dados quantitativos contendo as entradas e sua

respectiva sada desejada, possvel obter um sistema de inferncia fuzzy j

ajustado com suas funes de pertinncia e regras. Sendo assim, pode-se afirmar

que as regras e as funes de pertinncia foram geradas de forma automtica.

Para se utilizar a tcnica ANFIS no Matlab h duas maneiras: Primeira,

atravs de uma interface grfica conhecida como editor GUI (Ghaphical User

Interface) e, a segunda, atravs de linha de comando. Ressalta-se que a primeira

possibilidade uma maneira interativa; porm, para se conseguir flexibilidade h

tambm a necessidade de utilizar o ANFIS por linha de comando. Portanto, decidir

qual das abordagens se deve utilizar depender, antes de tudo, da experincia e

necessidade do usurio.

Nos prximos pargrafos ser detalhar a abordagem do ANFIS por linha de

comando, pois a utilizao do mesmo via GUI j foi explanado na Seo 3.3.1.

Entende-se ANFIS por linha de comando a possibilidade de executar e

parametrizar a sua estrutura fuzzy da mesma forma que o editor GUI permite.

Contudo, tem-se aqui a flexibilidade de trabalhar diretamente com os comandos que

so executados pelo editor.


94

O primeiro comando, o genfis1, inicia o processo de treinamento gerando as

funes de pertinncia iniciais e cobrindo todo o espao de busca. Este comando

recebe como parmetro de entrada trs valores, sendo respectivamente: o arquivo

com os dados quantitativos de entradas e sua respectiva sada, o nmero de

funes de pertinncia e, por ltimo, o tipo de funo de pertinncia.

J o comando anfis tem a finalidade de ajustar as funes de pertinncia

geradas inicialmente pelo comando genfis1. A quantidade de parmetros recebidos

so seis e so, respectivamente, os dados de entrada, a sada gerada pelo comando

genfis1, as opes de treinamento (pocas, tolerncia, etc), tratamento das

mensagens durante e aps o processo de treinamento (este parmetro s existe por

linha de comando) e, finalmente, o mtodo (algoritmo) de treinamento que ser

utilizado.
95

Apndice B

Modelo do MIT usado para as simulaes