Escolar Documentos
Profissional Documentos
Cultura Documentos
GARANHUNS – PE
MAIO, 2017
RESUMO
Identificação de sistemas é uma área da modelagem matemática que lida com o problema
de formular modelos matemáticos de sistemas dinâmicos baseando-se em dados
experimentais gerados pelos próprios sistemas (LJUNG, 1999), (ISERMANN; MüNCHHOF,
2011).
Todo modelo obtido por técnicas de identificação de sistemas será inevitavelmente uma
aproximação do processo real, assim a validade de um modelo está diretamente relacionada
com o seu propósito de uso. Um modelo preciso pode ser utilizado para simular o
comportamento dinâmico do sistema. Já a classe de métodos de identificação CRI (Control
Relevant Identification) tem como motivação a necessidade de explorar os modelos lineares
em projetos de controladores baseados em modelos. Sendo assim, os métodos CRI
propõem-se a gerar um modelo que seja adequado ao problema de controle em questão,
criando uma sinergia entre os algoritmos de identificação e os de controle.
Nesse contexto, este trabalho tem como objetivo geral aprofundar os conhecimentos acerca
de identificação e controle utilizando-se de plantas em escala laboratorial. Como objetivos
específicos, destacam-se a implantação de rede OPC (sigla para “OLE for Process Control”,
onde OLE significa “Object Linking and Embedding”) no laboratório de controle e
automação, criação de sensor industrial utilizando câmera e visão computacional
embarcada, criação de processo térmico multivariável, criação de um pêndulo invertido,
aplicação e estudos de algoritmos de identificação e controle nas plantas criadas e na planta
de controle de vazão e temperatura já existente no laboratório.
A patente mais antiga relacionada ao Controle Preditivo foi obtida por Martin-
Sanchez em 1976, cujo método foi chamado de Adaptive Predictive Control. Assim como o
nome indica, a ênfase estava no uso do modelo interno para obter um controle adaptativo,
isto era feito pela adaptação do modelo e otimização dos sinais de controle.
A planta é composta pelo módulo de temperatura com duas pastilhas peltier, circuitos
de acionamento em ponte H, amplificadores para o sensor de temperatura, uma fonte de
alimentação ATX um micro controlador Arduino e um PC, ver Figura 2. A comunicação entre
o PC e o Arduino é baseada em uma arquitetura cliente OPC.
OBJETIVOS
Objetivos Gerais:
Objetivos Específicos:
FUNDAMENTAÇÃO TEÓRICA
Controle preditivo, ou do inglês Model Preditive Control (MPC) é uma ténia avançada de
controle multivariável de processos usada em diversas aplicações práticas, tais quais
controle industrial de processos; controle estocástico, em economia; em aplicações auto-
motivas e aeronáuticas. Tal abrangência deve-se ao fato de que o MPC é baseado em
ideias bastante intuitivas e por considerar sistemas multivariáveis sujeitos a restrições nas
entradas e saídas, desde a concepção do controlador (MACIEJOWSKI, 2002). As premissas
básicas, comuns aos diversos tipos de controladores preditivos, são descritas a seguir:
Como passo inicial, o modelo do processo é usado para realizar as predições aera
do comportamento do processo em uma dada janela de predição: ̂
. Onde ̂ são as predições em k + i a partir das informações
disponíveis até o instante ; , o número de saídas do processo; , o número de
passos futuros preditos, também chamado de horizonte de predição.
A sequência de controle será obtida a partir da minimização de uma função de custo.
Funções de custo típicas que são usadas no projeto de controladores devem
ponderar: desvios entre saída e uma dada trajetória desejada e o esforço de
controle. Se a função de custo for quadrática, o modelo linear e não houverem
restrições de desigualdades impostas ao sistema, haverá uma expressão analítica
para o controlador MPC. Caso contrário, otimização numérica pode ser usada para
encontrar a ação de controle que minimiza a função de custo.
A cada instante de amostragem uma sequência de controle é obtida, seguindo os
passos anteriores, porém apenas a primeira ação de controle será, de fato, aplicada
ao processo. Esta caraterística do MPC é conhecida como horizonte móvel. O motivo
de se utilizar a política de horizonte móvel é que no instante k + 1 haverão
informações aera das saídas que não estavam disponíveis no instante k, assim,
estes erros de predição podem ser contabilizados no cálculo da próxima ação de
controle.
Preditor
O preditor é responsável por fornecer as predições das saídas do processo sobre uma
janela de tempo futura. As predições são realizadas a partir do modelo do processo e são
expressas em termos das informações conhecidas à priori das entradas, saídas e da
sequência de controle futura. O preditor é o componente fundamental no projeto de um
controlador preditivo, uma vez que as ações de controle são baseadas nas predições das
variáveis controladas. Quão melhor for o preditor, melhor será a performance do controlador;
assim, obter um preditor confiável é crucial em MPC. Uma forma generalizada das predições
futuras pode ser expressa como:
Na figura 5 é apresentado um exemplo dos sinais que compõem o MPC. Os vetores linhas
são definidos como:
A expressão geral para a função de custo no MPC, em um dado instante, é dada por:
METODOLOGIA
I. Diretrizes
IV. Diagnósticos
Laboratório de Eletrônica;
Laboratório de Automação Industrial;
Computadores tipo desktop barramento mínimo de 800MHz, cachê mínimo de 2MB,
memória ram mínima de 2GB, HD mínimo de 240 GB com gravador de CD e DVD,
monitor tipo LCD com tela mínima de 15", teclado multimídia, mouse óptico, sistema
operacional Windows;
Livros técnicos e científicos diversos;
Impressora multifuncional;
Suprimentos: papel, cartuchos de tinta, tonner, CDs, pen drives, encadernações, etc;
Transporte para visitas em campo e em outras missões de trabalho;
Materiais e equipamentos para construção de protótipos;
Plataformas para uso/desenvolvimento de softwares de análise;
Para obtenção de recursos de outras fontes podem ser submetidas propostas aos
órgãos financiadores, como a FINEP – Financiadora de Estudos e Projetos, através de
editais lançados pelo fundo setorial CT-Infra, cujos recursos destinam-se a financiar e apoiar
projetos de implantação de infraestrutura de pesquisa.
ASTROM, K. J.; BOHLIN, T. Numerical identification of linear dynamic systems for normal
operating records. 2nd IFAC Symp. Theory of Self-Adaptive Systems, Teddington, 1965.
BELLEMANS, T.; SCHUTTER, B. D.; MOOR, B. D. Model predictive control for ramp
metering of motorway traffic - a case study. Control Engineering Practice, 14, p. 757 _ 767,
2006.
CLARKE, D. W.; MOHTADI, C.; S, P. S. T. Generalized predictive control-part 1. Automatica,
1987.
CUTLER, C.; RAMAKER, B. Dynamic matrix control - a computer control algorithm.
Proceedings of the joint American control conference, San Franisco, p. Paper WP5_B, 1980.
FERREAU, H. J.; BOCK, H. G.; DIEHL, M. An online active set strategy to overcome the
limitations of explicit MPC. International Journal of Robust and Nonlinear Control, 18, 2008.
GEVERS, M. A decade of progress in iterative process control design: from theory to
practice. Journal of Process Control, v. 12, 2002.
HROVAT, D. et al. The development of model predictive control in automotive industry: A
survey. IEEE international conference on control applications, p. 295 _ 302, 2012.
ISERMANN, R.; MüNCHHOF, M. Identification of Dynamic Systems: An Introduction with
applications. [S.l.]: Springer, 2011.
KALMAN, B. L. H. R. E. Effective construction of linear state-variable models from
input/output functions. Regelungstechnik vol. 14, 1966.
KOURO, S. et al. Model predictive control - a simple and powerful method to control power
converters. IEEE Transactions on Industrial Electronics, 56, p. 1826 _ 1838, 2009.
LJUNG, L. System Identification: Theory for the user. 2nd ed. [S.l.]: Prentice Hall, 1999.
MATTINGLEY, J.; BOYD, S. Cvxgen: A code generator for embedded convex optimization.
Optimization and Engineering, 13, 2012.
MACIEJOWSKI, J. M. Predictive Control with Constraints. Englewood Cliffs: Prentice Hall,
2002.
MORARI, M.; LEE., J. H. Model predictive control: past, present and future. Computers and
Chemical Engineering, vol. 23, p. 667 _ 682, 1999.
MOOR, P. V. O. B. Subspace Identification for Linear Systems. [S.l.]: Kluwer Academic
Publishers, 1996.
QIN, S. J.; BADGWELL, T. A. A survey of industrial model predictive control technology.
Control Engineering Practice, v. 11, n. 7, p. 733 _ 764, 2003.
SHOOK, D.; MOHTADI, C.; SHAH, S. Identification for long-range predictive error. IEE
proceedings, v. 138, 1991.
STOICA, T. S. P. System Identification. [S.l.]: Prentice Hall, New Jersey, 1989.
RICHALET, J. et al. Paper: Model predictive heuristic control. Automatica, v. 14, n. 5, p.
413_428, set. 1978. ISSN 0005-1098.
ROSSITER, J. A. Model-Based Predictive Control: a Practical Approach. [S.l.]: CRC press,
2003
VENDRAMINI, G.; SILVA, P. S. (2010). Controle de um pêndulo invertido sobre uma
plataforma móvel utilizando PID e MFAC (model free adaptive control), Proceeding of the 9th
Brazilian Conference on Dynamics, Control and Their Applications (DINCON'10), 2010.
WANG, Y.; BOYD., S. Fast model predictive control using online optimization. IEEE
Transactions on Control Systems Technology, 18, 2010.
CRONOGRAMA TRIMESTRAL
As atividades descritas no cronograma serão realizadas por todos os membros da equipe executora
do projeto, paralelamente, sobre as respectivas plantas propostas.
TRIMESTRE
ATIVIDADE
1 2 3 4 5 6 7 8
Diretrizes
Revisão Bibliográfica
Estimativas e Instrumentalização
Diagnósticos
Avaliação Parcial do Projeto
Transferência dos Resultados
Avaliação Final do Projeto