Aplicação de Inteligência Artificial em Sistemas de Sinalização e Tração Ferroviária

FACULDADE SENAI DE TECNOLOGIA MARIANO FERRAZ
PÓS-GRADUAÇÃO EM AUTOMAÇÃO E CONTROLE
FELIPE LOPES SUZART
APLICAÇÃO DE INTELIGÊNCIA ARTIFICIAL EM SISTEMAS DE TRAÇÃO E DE

SINALIZAÇÃO FERROVIÁRIOS
SÃO PAULO
2017
FELIPE LOPES SUZART

Trabalho de Conclusão de Curso

apresentado à Faculdade de Tecnologia
SENAI Mariano Ferraz como requisito
parcial para obtenção do título de
Especialista em Automação e Controle.
Orientador: Daniel Barbuto Rossato
SÃO PAULO
2017
ESTA PAGINA DEVERÁ CONTER A FICHA CATALOGRÁFICA ELABORADA PELA(S)
BIBLIOTECÁRIA(S) DA INSTITUIÇÃO.
ESTE ITEM DEVERÁ SER IMPRESSO NO VERSO DA PÁGINA ANTERIOR (FOLHA DE ROSTO)
FELIPE LOPES SUZART

Trabalho de Conclusão de Curso apresentado a Banca Examinadora como

requisito para obtenção do título de Especialista em Automação e Controle.
___________________________
Felipe Lopes Suzart
Banca examinadora:
_______________________________________
Daniel Barbuto Rossato
Mestre em Engenharia Elétrica
Faculdade de Tecnologia Senai Mariano Ferraz
______________________________________
Douglas da Serra Ogata
Especialista em Automação e Controle
______________________________________
Rogério Souza de Lacerda
Especialista em Estatística Aplicada
São Paulo, 24 de novembro de 2017.

AGRADECIMENTOS
A Deus, pela plenitude da vida, por nos dar saúde, força, coragem de encarar
desafios.
Aos meus pais e familiares, pelo exemplo de vida e por nunca terem medido
esforços para que um dia pudésse chegar até aqui. Pela educação, amor e carinho.
Ao Prof° Me. Daniel Barbuto Rossato, pela permanente motivação,
disponibilidade, confiança, dedicação e paciência, durante o andamento do projeto
de formação acadêmica.
Aos colegas que conquistamos durante o curso, pelos momentos de
dificuldade e de alegria que passamos juntos e por tornarem cada momento ao
longo destes anos inesquecíveis.
“Suba o primeiro degrau com fé. Não é
necessário que você veja toda a escada.
Apenas dê o primeiro passo.”.
Martin Luther King
RESUMO
O presente trabalho tem como objetivo a utilização de ferramentas de

inteligência artificial, neste caso, a lógica fuzzy, em sistemas ferroviários, para
resolver problemas como o controle de tração e frenagem de trens, o qual envolve
um processo multivariável com não-linearidades, como a adesão do rodeiro do trem
e trilho, no qual o uso de controladores baseado em lógica fuzzy se mostra uma
excelente alternativa aos complexos controladores atuais. Um sistema de supervisão
também baseado no conceito de lógica fuzzy é utilizado para otimizar o sistema de
controle de tráfego de trens, diminuindo o tempo de espera nas estações, problema
este que afeta diretamente milhares de pessoas todos os dias nas grandes
metrópoles.
Palavras-chave: fuzzy, adesão, sinalização ferroviário, controle de tração, trem.

ABSTRACT
This paper aims at the use of artificial intelligence tools, fuzzy logic in this
case, in railway systems to solve problems such as traction control and braking of
trains, which involves a multivariable process with non-linearities such as railway
railroad adhesion, for which controlllers based on fuzzy logic shows an excellent
alternative to current complex controllers. A supervisory system also based on fuzzic
logic approach is applied to optimize the traffic control system of trains, decreasing
the waiting time at the stations, a problem that directly affects thousands of people
every day in the metropolis.
Keywords: fuzzy, adhesion, railway signalling, traction contro, train.

LISTA DE ILUSTRAÇÕES
Figura 1 - Sistemas auxiliares que compõem um trem ............................................. 29

Figura 2 - Rede aérea ............................................................................................... 30
Figura 3 - Arquitetura do sistema de tração de um trem ........................................... 31
Figura 4 - Arquitetura de Potência............................................................................. 31
Figura 5 - A – Sistema de Transmissãomotor de tração para o rodeiro;B – Exemplo
de motor de tração; C – Engrenagens, ..................................................................... 32
Figura 6 - Esquema simplificado Inversor de Tração ................................................ 33
Figura 7 - Alavanca de Controle de Operação .......................................................... 34
Figura 8 Sinal de corrente para o controlador de bordo de esforço e tração ............ 35
Figura 9 - Freio de Estacionamento .......................................................................... 36
Figura 10 - Válvula de Destravamento do freio de estacionamento .......................... 37
Figura 11 - Chopper do Trem .................................................................................... 38
Figura 12 - Atuador de Freio Instalado nos Rodeiros do Trem.................................. 38
Figura 13 - Distribuição Acionamento de Freios........................................................ 39
Figura 14 - Esquema Freio Eletropneumático do Trem............................................. 40
Figura 15 - Colisão de dois trens na cidade de Bad Aibling, Alemanha em 2016,
acidente devido inibição do sistema de sinalização .................................................. 41
Figura 16 - Pátio com Sinaleiros ............................................................................... 42
Figura 17 - Intertravamento Mecânico utilizado para controle de sinal ..................... 42
Figura 18 - Esquema de Divisão de linha férrea em blocos ou Circuitos de Via ....... 43
Figura 19 - Circuitos de Via desocupado .................................................................. 44
Figura 20 - Circuitos de Via ocupado ........................................................................ 44
Figura 21 - Princípio de Funcionamento Contador de Eixo (a); Contador de eixo
instalado no trilho (b) ................................................................................................. 45
Figura 22 – (a)Princípio de Funcionamento de Detecção por Baliza, (b)Baliza
instalada .................................................................................................................... 46
Figura 23 - Princípio de Funcionamento de Detecção por GPS ................................ 47
Figura 24 - Arquitetura ATC ...................................................................................... 48
Figura 25 - Aquisição de Codificação de Velocidade ................................................ 49
Figura 26 - Perfis de Codificação de Velocidade....................................................... 50
Figura 27 - Sinais transmitidos ao circuito de via para codificação de velocidade do
controlador do trem ................................................................................................... 50
Figura 28 - Arquitetura simplificada do controlador de Bordo ................................... 51
Figura 29 - Sinal de controle de Bordo ...................................................................... 52
Figura 30 - Rodeiro com Desgaste............................................................................ 53
Figura 31 - Escorregamento no Contato Rodeiro Trilho ............................................ 54
Figura 32 - Caracteristica Adesão-Escorregamento.................................................. 55
Figura 33 - Controlador Velocidade de Escorregamento a um valor constante ........ 56
Figura 34 - Controlador Baseado na velocidade do rodeiro ...................................... 58
Figura 35 - Controlador baseado na taxa de decresimento da curva aderência-
escorregamento ........................................................................................................ 59
Figura 36 - Controlador Híbrido ................................................................................. 60
Figura 37 - Conjunto de Maçãs Grandes e pequenas, na teoria dos conjuntos fuzzy
existe um grau de pertinência de cada elemento a um determinado conjunto, função
pertinência ................................................................................................................. 62
Figura 38 - Determinar se uma pessoa é jovem ou idosa ......................................... 64
Figura 39 - Função Linear ......................................................................................... 65
Figura 40 - Função Curva ......................................................................................... 65
Figura 41 - Função Sigmoide,(a)Sigmoide crescente;(b)Sigmoide decrescente ....... 66
Figura 42 - Função Sino-PI,composta por duas sigmoides uma crescente e outra
decrescente ............................................................................................................... 66
Figura 43 - Função Sino-BETA ................................................................................. 67
Figura 44 - Função Gaussina .................................................................................... 67
Figura 45 - Função Trapezoidal ................................................................................ 68
Figura 46 - Função Triangular ................................................................................... 68
Figura 47 - Função No domínio Discreto ................................................................... 69
Figura 48 - Comparação, curva µA é pontilhada e curva µB é contínua ................... 70
Figura 49 Contido, curva µA é pontilhada e curva µB é contínua ............................. 71
Figura 50 União, curva em negrito representa união de µA com µB ......................... 71
Figura 51 - Interseção, curva em negrito representa união deµA com µB ................ 72
Figura 52 - Interseção, curva em negrito representa união de µA com µB ............... 72
Figura 53 - Extensão cilíndrica de uma função de pertinência (x,y) .......................... 73
Figura 54 - Particionamento do Espaço de entrada representado por duas variáveis
de entrada com três regras estabelecidas ................................................................ 75
Figura 55 - Processo de fuzzificação da variável de entrada U(t), e seus respectivos
graus de pertinência .................................................................................................. 76
Figura 56 - Processo de Defuzzificação da variável de entrada Uf para a variável de
saída Y(t) ................................................................................................................... 77
Figura 57 - Controlador de Temperatura TC48/TC96 da EATON, ele utiliza os
conceitos da lógica Fuzzy para modificar os parâmetros do PID para minimizar
overshoot e regulação ............................................................................................... 78
Figura 58 - Arquitetura Básica de um Controlador Fuzzy em controle de tração de
trens .......................................................................................................................... 79
Figura 59 - Arquitetura Básica de um Controlador Fuzzy .......................................... 79
Figura 60 - Arquitetura Básica de um Controlador Fuzz segundo a norma IE61131-
7C.............................................................................................................................. 80
Figura 61 - Arquitetura Básica do Controlador Fuzzy Simples .................................. 81
Figura 62 - Arquitetura Básica do Controlador Fuzzy SLIP ....................................... 82
Figura 63 - Arquitetura Básica do Controlador Fuzzy baseado na máxima adesão .. 82
Figura 64 - Exemplos de configurações comerciais para trem EMU , onde carros
motores M e carros reboques T ................................................................................ 83
Figura 65 – Modelagem de um Vagão ...................................................................... 84
Figura 66 - Forças Atuantes em um trem .................................................................. 85
Figura 67 - Modelo Simplificado de um trem ............................................................. 86
Figura 68 - Modelo Completo do trem ....................................................................... 88
Figura 69 – Script de Cálculo da Equação de Davis ................................................. 89
Figura 70 - Diagrama de esforços no contato Rodeiro e Trilho ................................. 90
Figura 71 - Dispositivo de injeção de areia para aumentar o coeficiente de adesão. 92
Figura 72 – Modelo do Coeficiente de Adesão μ ...................................................... 93
Figura 73 – Script Parâmentros Coeficiente de Adesão ............................................ 94
Figura 74 - Transmissão do Torque do motor de tração para os rodeiros ................ 95
Figura 75 - Modelo da Transmissão do Torque do motor de tração para os rodeiros
.................................................................................................................................. 95
Figura 76 - Modelo do Rodeiro .................................................................................. 96
Figura 77- Modelo Básico Rodeiro Ferroviário .......................................................... 97
Figura 78 - Área de Contato Rodeiro Trilho............................................................... 97
Figura 79 - Teoria Geral do Contato de Hertz entre dois corpos ............................... 98
Figura 80 - Distribuição de Forças na Área de Contato entre Rodeiro e Trilho ......... 99
Figura 81- Script Cálculo Equações de Hertz e Polach ........................................... 101
Figura 82 – Modelo da Força de Adesão ................................................................ 102
Figura 83 -Modelo para 3 vagões considerando o deslocamento e aceleração de
cada vagão e o engate de acoplamento ................................................................. 103
Figura 84 - ModeloTrem 8000 da CPTM ................................................................. 104
Figura 85 - Modelo Bloco de Freio Trem 8500 da CPTM ........................................ 106
Figura 86 - Modelo Válvula de Freio Trem 8500 da CPTM ..................................... 107
Figura 87 - Modelo Driver de Freio Trem 8500 da CPTM ....................................... 107
Figura 88 – Arquitetura sistema de Tração 8500 CPTM ......................................... 108
Figura 89 – Arquitetura do Inversor de Frequência ................................................. 109
Figura 90 – Modelo de Controle de Tração ............................................................. 109
Figura 91 – Modelo do Sistema de Tração proposto ............................................... 110
Figura 92 – Curvas de Tração e Torque ................................................................. 111
Figura 93 – Modelo do Trem 8000 com Drivers de Tração e Frenagem ................. 111
Figura 94 – Blocos Funcionais de um controlador Fuzzy ........................................ 113
Figura 95 – Etapas de configuração para o projeto do Controlador Fuzzy no Matlab
................................................................................................................................ 114
Figura 96 – Exemplo do Processo de Inferência do Controlador Fuzzy no Matlab . 115
Figura 97 – Exemplo de configuração das variáveis de entrada e suas variáveis
fuzzy para o projeto do Controlador Fuzzy no Matlab ............................................. 116
Figura 98 - Controlador Fuzzy PI Simples ............................................................... 116
Figura 99 – Configuração da variável e do Controlador Fuzzy PI Simples ............. 117
Figura 100 – Configuração da variável de do Controlador Fuzzy PI Simples ......... 117
Figura 101 – Configuração das variáveis para o projeto do Controlador Fuzzy no
Matlab ..................................................................................................................... 118
Figura 102 – Configuração das variáveis da saída de Tração do Controlador Fuzzy
PI Simples ............................................................................................................... 119
Figura 103 – Configuração das variáveis fuzzy da saída de Freio do Controlador
Fuzzy PI Simples..................................................................................................... 119
Figura 104 – Configuração da base de regras do Controlador Fuzzy PI Simples ... 120
Figura 105 – Controlador Fuzzy PI Simples conectado ao Trem Série 8000 .......... 121
Figura 106 - Controlador Fuzzy PI Slip ................................................................... 122
Figura 107 - Configuração da variável e do Controlador Fuzzy PI Slip ................... 122
Figura 108 - Configuração da variável de do Controlador Fuzzy PI Slip ................. 123
Figura 109 - Configuração da variável slip do Controlador Fuzzy PI Slip ................ 123
Figura 110 - Configuração da variável dslip do Controlador Fuzzy PI Slip .............. 124
Figura 111 - Configuração das variáveis da saída de Tração do Controlador Fuzzy PI
Slip .......................................................................................................................... 125
Figura 112 - Configuração das variáveis da saída de Freio do Controlador Fuzzy PI
Slip .......................................................................................................................... 125
Figura 113 - Configuração da base de regras do Controlador Fuzzy PI Slip .......... 126
Figura 114 - Controlador Fuzzy PI Slip conectado ao Trem Série 8000 ................. 126
Figura 115 - Controlador Fuzzy PI baseado na adesão máxima............................. 127
Figura 116 - Configuração da variável e do Controlador Fuzzy PI baseado na adesão
máxima .................................................................................................................... 128
Figura 117 - Configuração da variável de do Controlador Fuzzy PI baseado na
adesão máxima ....................................................................................................... 128
Figura 118 - Configuração da variável du do Controlador Fuzzy PI baseado na
adesão máxima ....................................................................................................... 129
Figura 119 - Configuração da variável ddu do Controlador Fuzzy PI baseado na
adesão máxima ....................................................................................................... 129
Figura 120 - Configuração das variáveis da saída de Tração do Controlador Fuzzy PI
baseado na adesão máxima ................................................................................... 130
Figura 121 - Configuração das variáveis da saída de Freio do Controlador Fuzzy PI
baseado na adesão máxima ................................................................................... 131
Figura 122 - Configuração da base de regras do Controlador Fuzzy PI baseado na
adesão máxima ....................................................................................................... 131
Figura 123 - Controlador Fuzzy PI baseado na adesão máxima conectado ao Trem
Série 8000 ............................................................................................................... 132
Figura 124 – Levantamento da curva de adesão para condições de trilho seco e
molhado .................................................................................................................. 133
Figura 125 – Gráficos de Velocidade Rodeiro e Trem Controlador Fuzzzy PI Simples
trilho seco ................................................................................................................ 134
Figura 126 –Gráficos de Aceleração e Jerk do Trem Controlador Fuzzy PI Simples
trilho seco ................................................................................................................ 134
Figura 127 – Gráficos de Erro e Variação do Erro Controlador Fuzzy PI Simples trilho
seco ......................................................................................................................... 135
Figura 128 – Gráficos Velocidade de Escorregamento e Slip Controlador Fuzzy PI
Simples trilho seco .................................................................................................. 135
Figura 129 - Gráficos Saída Controlador e Setpoint de Tração e Frenagem
Controlador Fuzzy PI Simples trilho seco ................................................................ 135
Figura 130 - Gráficos de Velocidade Rodeiro e Trem Controlador Fuzzzy PI Slip trilho
seco ......................................................................................................................... 136
Figura 131 - Gráficos de Aceleração e Jerk do Trem Controlador Fuzzy PI Slip trilho
seco ......................................................................................................................... 136
Figura 132 - Gráficos de Erro e Variação do Erro Controlador Fuzzy PI Slip trilho
seco ......................................................................................................................... 137
Figura 133 - Gráficos Velocidade de Escorregamento e Slip Controlador Fuzzy PI
Slip trilho seco ......................................................................................................... 137
Controlador Fuzzy PI Simples trilho seco ................................................................ 137
Figura 135 - Gráficos de Velocidade Rodeiro e Trem Controlador Fuzzzy PI baseado
na adesão máxima trilho seco ................................................................................. 138
Figura 136 - Gráficos de Aceleração e Jerk do Trem Controlador Fuzzy PI baseado
na adesão máxima trilho seco ................................................................................. 138
Figura 137 - Gráficos de Erro e Variação do Erro Controlador Fuzzy PI baseado na
adesão máxima trilho seco ...................................................................................... 139
baseado na adesão máxima trilho seco .................................................................. 139
Controlador Fuzzy PI baseado na adesão máxima trilho seco ............................... 139
Figura 140 – Comparação Controladores Aceleração Setpoint 150 Km/h para trilho
seco ......................................................................................................................... 140
Figura 141- Gráficos de Velocidade Rodeiro e Trem Controlador Fuzzzy PI Simples
trilho molhado .......................................................................................................... 141
Figura 142 - Gráficos de Aceleração e Jerk do Trem Controlador Fuzzy PI Simples
trilho molhado .......................................................................................................... 141
Figura 143 - Gráficos de Erro e Variação do Erro Controlador Fuzzy PI Simples trilho
molhado .................................................................................................................. 142
Simples trilho molhado ............................................................................................ 142
Controlador Fuzzy PI Simples trilho molhado.......................................................... 142
Figura 146 - Gráficos de Velocidade Rodeiro e Trem Controlador Fuzzzy PI Slip trilho
molhado .................................................................................................................. 143
Figura 147 - Gráficos de Aceleração e Jerk do Trem Controlador Fuzzy PI Slip trilho
molhado .................................................................................................................. 143
Figura 148 - Gráficos de Erro e Variação do Erro Controlador Fuzzy PI Slip trilho
molhado .................................................................................................................. 144
Slip trilho molhado ................................................................................................... 144
Controlador Fuzzy PI Simples trilho molhado.......................................................... 144
na adesão máxima trilho molhado ........................................................................... 145
na adesão máxima trilho molhado ........................................................................... 145
adesão máxima trilho molhado................................................................................ 146
baseado na adesão máxima trilho molhado ............................................................ 146
Controlador Fuzzy PI baseado na adesão máxima trilho molhado ......................... 146
Figura 156 - Comparação Controladores Aceleração Setpoint 150 Km/h para trilho
molhado .................................................................................................................. 147
Figura 157 - Gráficos de Velocidade Rodeiro e Trem Controlador Fuzzzy PI Simples
para redução de velocidade trilho seco ................................................................... 148
para redução de velocidade trilho seco ................................................................... 148
Figura 159 - Gráficos de Erro e Variação do Erro Controlador Fuzzy PI Simples para
redução de velocidade trilho seco ........................................................................... 149
Simples para redução de velocidade trilho seco ..................................................... 149
Controlador Fuzzy PI Simples para redução de velocidade trilho seco ................... 149
Figura 162 - Gráficos de Velocidade Rodeiro e Trem Controlador Fuzzzy PI Slip para
Figura 163 - Gráficos de Aceleração e Jerk do Trem Controlador Fuzzy PI Slip para
Figura 164 - Gráficos de Erro e Variação do Erro Controlador Fuzzy PI Slip para
Slip para redução de velocidade trilho seco ............................................................ 151
Controlador Fuzzy PI Slip para redução de velocidade trilho seco ......................... 151
na adesão máxima para redução de velocidade trilho seco .................................... 152
na adesão máxima para redução de velocidade trilho seco .................................... 152
adesão máxima para redução de velocidade trilho seco ......................................... 153
baseado na adesão máxima para redução de velocidade trilho seco ..................... 153
Controlador Fuzzy PI baseado na adesão máxima para redução de velocidade trilho
seco ......................................................................................................................... 153
Figura 172 - Comparação Controladores Redução de Velocidade Setpoint 150 Km/h
para 40 Km/h com trilho seco .................................................................................. 154
Figura 173 - Gráficos de Velocidade Rodeiro e Trem Controlador Fuzzzy PI Simples
para redução de velocidade trilho molhado ............................................................. 155
para redução de velocidade trilho molhado ............................................................. 155
Figura 175 - Gráficos de Erro e Variação do Erro Controlador Fuzzy PI Simples para
redução de velocidade trilho molhado ..................................................................... 156
Simples para redução de velocidade trilho molhado ............................................... 156
Controlador Fuzzy PI Simples para redução de velocidade trilho molhado ............ 156
Figura 178 - Gráficos de Velocidade Rodeiro e Trem Controlador Fuzzzy PI Slip para
Figura 179 - Gráficos de Aceleração e Jerk do Trem Controlador Fuzzy PI Slip para
Figura 180 - Gráficos de Erro e Variação do Erro Controlador Fuzzy PI Slip para
Slip para redução de velocidade trilho molhado ...................................................... 158
Controlador Fuzzy PI Slip para redução de velocidade trilho molhado ................... 158
na adesão máxima para redução de velocidade trilho molhado.............................. 159
na adesão máxima para redução de velocidade trilho molhado.............................. 159
adesão máxima para redução de velocidade trilho seco ......................................... 159
baseado na adesão máxima para redução de velocidade trilho molhado ............... 160
Controlador Fuzzy PI baseado na adesão máxima para redução de velocidade trilho
molhado .................................................................................................................. 160
Figura 188 - Comparação Controladores Redução de Velocidade Setpoint 150 Km/h
para 40 Km/h com trilho molhado............................................................................ 161
Figura 189 - Arquitetura Básica do Controlador Fuzzy Supervisório ....................... 162
Figura 190 – Controlador Fuzzy Supervisório ......................................................... 163
Figura 191 - Configuração das variáveis de entrada Controlador Fuzzy Supervisório
................................................................................................................................ 163
Figura 192 - Configuração da variável de saída do Controlador Fuzzy Supervisório
................................................................................................................................ 164
Figura 193 – Base de Regras Controlador Fuzzy Supervisório............................... 165
Figura 194 - Controlador Fuzzy Supervisório conectado ao controlador do Trem
Série 8000 ............................................................................................................... 165
Figura 195 – Condição de via em VMA ................................................................... 167
Figura 196 – Gráficos Comparação de Velocidade em VMA .................................. 167
Figura 197 - Condição de via em VL ....................................................................... 168
Figura 198 - Gráficos Comparação de Velocidade em VL ...................................... 168
Figura 199 – Condição de via de redução de VMA para VL ................................... 169
Figura 200 - Gráficos Comparação de Velocidade redução de VMA para VL ........ 169
Figura 201 - Condição de via de redução de VL para VR ....................................... 170
Figura 202 - Gráficos Comparação de Velocidade redução de VL para VR ........... 170
LISTA DE TABELAS
Tabela 1 - Coeficiente de Rotação das Massas ........................................................ 85

Tabela 2 – Coeficiente de Adesão µ0 adotado por companhias de trem .................. 91
Tabela 3 – Parâmetros de Polach para o modelo do coeficiente de adesão ............ 92
Tabela 4 - Coeficientes de Hertz para θ entre 0 e 180° .......................................... 100
Tabela 5 – Desempenho Controladores aceleração condição trilho seco ............... 140
Tabela 6 - Desempenho Controladores aceleração condição trilho molhado ......... 147
Tabela 7 - Desempenho Controladores redução de velocidade condição trilho
seco ......................................................................................................................... 154
Tabela 8 - Desempenho Controladores redução de velocidade condição trilho
molhado .................................................................................................................. 161
LISTA DE ABREVIATURAS E SIGLAS
FOC Field Oriented Control

DTC Direct Torque Control
ABS Anti-lock braking system
FIS Fuzzy Inference Systems
VMA Velocidade Máxima Autorizada
VL Velocidade Limitada
VR Velocidade Restrita
AC Corrente Alternada
DC Corrente Contínua
VCA Tensão Alternada
VCC Tensão Contínua
FCEM Força Contra Eletromotriz
CPTM Companhia Paulista de Trens Metropolitanos
CAF Companhia Auto Ferricale
TUE Trem Unidade Elétrica
IGBT Insulated Gate Transistor
PWM Pulse Width Modulation
CDV Circuito de Via
CCO Centro de Controle Operacional
GPS Global Position System
AMV Aparelho de Mudança de Via
ATC Automatic Train Control
ATP Automatic Train Protection
ATO Automatic Train Operation
EMU Eletric Multiple Unit
PID Proporcional Integral Derivativo
FT Força de Tração
FR Forças de Resistência
FAD Força de Adesão
RN Resistências Normais
RA Resistências Acidentais
TAF Teste de Aceitação de Fábrica
LISTA DE SÍMBOLOS
µ[] Coeficiente de adesão

µs Função de pertinência
S Operador Lapiaceano
Fad [N] Força de Adesão.
m [Kg] Massa trem vazio.
mr [Kg] Massa carro reboque.
mc [Kg] Massa carro motor.
ntr [ ] Número de carros reboque.
ntc [ ] Número de carros motor.
Qr [Kg ] Massa por Rodeiro.
Pn [W] Potência Nominal do trem.
Cat [ ] Coeficiente de arrasto trem.
Sv [m2 ] Área frontal do trem.
lt [m] Comprimento do trem.
ig [m] Distância entre gaps.
Vw [m/s] Velocidade Rodeiro.
Rr [m] Raio do Rodeiro.
ka [ ] Coeficiente de redução de adesão.
Ks [ ] Coeficiente de redução de escorregamento.
C1 [ ] Coeficiente de linearidade de Kalker.
Aμ [m2] Àrea de adesão.
Bμ [m2] Àrea de escorregamento.
G[] Módulo de Cisalhamento.
E[] Módulo de elasticidade de Young.
ϑ[] Coeficiente de Poisson.
Ft [N] Força de Tração.

Fad [N] Força de Adesão.
Tt [Nm] Torque de Tração.
Tm [Nm] Torque do motor.
Kg [ ] Relação de Transmissão de Engrenagens.
Rr [m] Raio do Rodeiro.
ξ[] Coeficiente de Rotação das massas.
Μ0 [ ] Coeficiente de Adesão.
Μe [Tm ] Massa média por eixo
Ne [ ] Número de eixos do trem
Sv [m2] Área frontal do trem
ηt [ ] Rendimento transmissão de tração.
ωe [rad/s] Velocidade Angular do Rodeiro.
ωm [rad/s] Velocidade Angular do motor de tração.
Vtrem [km/h] Velocidade do Trem.
Pvalin[Pa] Pressão de Entrada da Válvula de Freio.
Pmax[Pa] Pressão Máxima da Entrada da Válvula de Freio
Tac [s] Constante de tempo de Acionamento atuador de freio.
J [Kgm2] Momento de Inercia dos rodeiros.
Tex [s] Constante de tempo de Exaustão do atuado de freio.
P0 [Pa] Pressão na câmera de exaustão.
Pcilin [Pa] Pressão de acionamento atuador de freio.
Apistao[m2] Área Pistão de acionamento do freio
Pfreioac [Pa] Pressão acionamento do bloco de freio.
Pfreioex [Pa] Pressão exaustão do bloco de freio.
Fmola[N] Força de Atuação da mola.
bs [ ] Coeficiente estático de atrito
br [ ] Coeficiente dinâmico de atrito

irodeiro [ ] Relação mecanismo de freio para um rodeiro
rdisco [m] Raio do Disco de Freio.
α[ ] Coeficiente de atrito da pastilha de freio
Tfrenagem [Nm] Torque de frenagem
Ffrenagem [Nm] Força de frenagem
Pfricção [Pa] Pressão de fricção do disco de freio
Adisco [m2] Área do disco de freio.
v [km/h] Velocidade circunferencial do rodeiro.
𝝉 Constante de tempo Sistema Inversor e Motor

SUMÁRIO
1 INTRODUÇÃO ................................................................................................... 27
1.1 Objetivo Geral .............................................................................................. 28
1.2 Objetivo Específico....................................................................................... 28
1.3 Justificativa ................................................................................................... 28
2 REVISÃO BIBLIOGRÁFICA.............................................................................. 29
2.1 Sistemas de Tração e Frenagem de Trens .................................................. 29
2.2 Sistemas de Sinalização Ferroviário ............................................................ 40
2.3 Controlador do Trem .................................................................................... 53
2.3.1. Controlador baseado na velocidade de escorregamento a um valor

constante............................................................................................................ 56
2.3.2. Controlador baseado na procura do máximo valor da curva de adesão-

escorregamento ................................................................................................. 57
2.3.3. Controlador baseado na velocidade do rodeiro ..................................... 57
2.3.4. Controlador baseado na velocidade de aderência-escorregamento

através da taxa de decrescimento ..................................................................... 58
2.3.5. Controlador baseado na detecção do coeficiente de adesão através de

diferenças da corrente do motor ........................................................................ 59
2.3.6. Controlador híbrido ................................................................................ 60
2.4 Lógica Fuzzy ................................................................................................ 61
2.4.1 Conjuntos Fuzzy .................................................................................... 63
2.4.2 Função Pertinência ................................................................................ 64
2.4.3 Operações com Conjuntos Fuzzy .......................................................... 70
2.4.4 Regras Fuzzy......................................................................................... 74
2.4.5 Inferência Fuzzy .................................................................................... 75
2.4.6 Fuzzificação ........................................................................................... 75
2.4.7 Defuzzificação ....................................................................................... 76

2.5 Controlador Fuzzy ........................................................................................ 78
3 MODELAGEM DOS SISTEMAS ....................................................................... 81
3.1. Modelagem Trem e Rodeiro ......................................................................... 83
3.2. Modelagem Driver Freio ............................................................................. 104
3.3. Modelagem Driver de Tração ..................................................................... 107
4 DESENVOLVIMENTO DO CONTROLADOR DO TREM ................................ 113
4.1 Controlador Fuzzy PI Simples .................................................................... 116
4.2 Controlador Fuzzy PI Slip ........................................................................... 121
4.3 Controlador Fuzzy PI baseado na adesão máxima .................................... 127
5 RESULTADOS CONTROLADOR DO TREM .................................................. 133
5.1 Levantamento curvas de adesão para trilho seco e molhado .................... 133
5.2 Aceleração ao setpoint de 150 Km/h para condição de trilho seco ............ 134
5.2.1 Controlador Fuzzy PI Simples................................................................. 134
5.2.2 Controlador Fuzzy PI Slip ....................................................................... 136
5.2.3 Controlador Fuzzy PI baseado na adesão máxima ................................ 138
5.2.4 Comparação e Análise Controladores .................................................... 140
5.3 Aceleração ao setpoint de 150 Km/h para condição de trilho molhado ...... 141
5.4 Redução de velocidade de 150 Km/h para 40 Km/h condição de trilho seco
148

5.5 Redução de velocidade de 150 Km/h para 40 Km/h condição de trilho
molhado ............................................................................................................... 155
6 DESENVOLVIMENTO CONTROLADOR SUPERVISOR................................ 162
7 RESULTADOS CONTROLADOR SUPERVISOR ........................................... 166
7.1 Setpoint via em velocidade máxima autorizada e trem a frente acelerando.

166
7.2 Setpoint via em velocidade limitada e trem a frente acelerando. ............... 167
7.3 Redução de setpoint de via de velocidade máxima autorizada para

velocidade limitada com o trem a frente acelerando. ........................................... 168
7.4 Redução de setpoint de via de velocidade limitada em velocidade restrita

com o trem a frente acelerando ........................................................................... 169
8 CONCLUSÃO .................................................................................................. 171
9 CONSIDERAÇÕES FINAIS ...................................... Erro! Indicador não definido.
REFERÊNCIAS ....................................................................................................... 173
APÊNDICE A - Script Modelo Trem 8000 da CAF MATLAB ............................... 180
APÊNDICE B –Script Gráficos do MATLAB ........................................................ 183
APÊNDICE C - Script Controlador Fuzzy Simples .............................................. 188
APÊNDICE D - Script Controlador Fuzzy Slip ..................................................... 189
APÊNDICE E - Script Controlador Fuzzy baseado na máxima adesão............. 191
APÊNDICE F - Script Controlador Fuzzy Supervisório ...................................... 193
APÊNDICE G – Regras Controlador Fuzzy Simples ........................................... 194
APÊNDICE H - Regras Controlador Fuzzy Slip ................................................... 195
APÊNDICE I – Regras Controlador Fuzzy baseado na máxima adesão ........... 196
ANEXO A – Características Técnicas do Trem Série 8000 CAF ....................... 197

27
1 INTRODUÇÃO
Atualmente, o Brasil apresenta uma séria precariedade em seus sistemas de

transportes, tanto do ponto de vista do transporte de bens de consumo, quanto de
pessoas. Nos dias de hoje, onde a maioria das pessoas reside longe de seus locais
de trabalho, de serviços públicos como hospitais e escolas, há a necessidade de se
deslocar grandes distâncias para chegar a estes lugares, o que torna vital a política
de transportes dos país, com a infraestrutura rodoviária já em colapso devido
engarrafamento das grandes metrópoles, precariedade em conservação de vias e
falta de administração pública (MARCIEL, 2015), (PENA, 2015). Os problemas não
são somente na qualidade de transportes de passageiros, o país vem passando por
uma crise econômica grave frente ao mercado internacional. O Brasil não consegue
ser competitivo, devidos a vários problemas internos, mas os gastos de transporte
de bens de consumo são relativamente altos, os custos de logística equivalem a 5%
do PIB do Brasil(MARCIEL, 2015), (OSELAME, 2015).
A resolução para esse sério problema do país apresentam potenciais
soluções desde altos investimentos até simples soluções de eficiência operacional,
que, através da aplicação de boa engenharia de transportes e controle, torna
possível definir tempos de serviço, diminuição de intervalos e melhor aproveitamento
de recursos (PENA, 2015). A demanda crescente no transporte de passageiros nos
trens metropolitanos faz surgir a necessidade de estudos nas áreas de engenharia
de transporte, para se obter maior eficiência dos sistemas. Os sistemas de
sinalização e tração ferroviária no país estão obsoletos, o que acarreta em altos
custos operacionais e baixa flexibilidade. A fim de se obter soluções simples com
investimentos baixos, a aplicação de sistemas de controle baseados em inteligência
artificial podem ajudar a reduzir custos com manutenção, aumentar a eficiência,
diminuir de intervalos e dar confiabilidade ao sistema (BUENO; CRUS; SANTOS,
2007), (PASSINO; YURKOVICH, 1998).
Os sistemas de sinalização e tração são vitais para o funcionamento de trens
em uma linha ferroviária. Todo o sistema de gerenciamento de trens, controle de
velocidade e segurança dos trens contra colisão fazem parte do sistema de
sinalização. Pode-se entender o sistema de sinalização ferroviária como o tráfego
automatizado de carros e semáforos, onde a velocidade com que um carro anda
28
depende de fatores como: aspecto do sinal, posição e velocidade do carro à frente.

Todo controle de sinalização e tração é baseado no controle clássico. Em nível
lógico, esse tipo de controle apresenta baixa flexibilidade, sendo extremamente
complexo, porém apresenta excelente nível de segurança. Este trabalho visa
mostrar a implementação de controle baseado inteligência artificial. Assim como no
trânsito um motorista precisa de um conhecimento específico para acelerar e frear
um carro de acordo com as condições da via, o controle baseado em inteligência
artificial procura de forma intuitiva entender o sistema, como o motorista em uma via,
e a lógica fuzzy apresenta esse princípio de controle baseado no conhecimento do
especialista, o que torna interessante sua aplicação em sistemas de sinalização e
tração ferroviária (PASSINO; YURKOVICH, 1998), (CHEN; PHAM, 2000).
1.1 Objetivo Geral
Este trabalho apresenta os conceito de sistemas de sinalização e tração

ferroviária e o que a aplicação de inteligência artificial pode auxiliar na melhoria
desses sistemas, a fim de se obter uma eficiência operacional com a infraestrutura já
existente para operações de trens urbanos, bem como suas características e
fundamentação teórica.
1.2 Objetivo Específico
Este trabalho tem como objetivo específico o desenvolvimento teórico de um

controlador fuzzy PI dos sistemas de tração e frenagem do trem série 8000 da
CPTM, para aplicações de controle de velocidade, e o desenvolvimento de um
controlador fuzzy supervisório na operação do tráfego de trens metropolitanos.
1.3 Justificativa
A justificativa de realização deste trabalho se baseia na melhoria do sistemas

de sinalização e tração implementados os quais, através da aplicação de inteligência
artificial, poderão ter um aumento de eficiência para atender a uma demanda
crescente do uso de sistemas de transportes.
29
2 REVISÃO BIBLIOGRÁFICA
O controle de tráfego de trens metropolitanos é realizado através da

interligação do centro de controle operacional, sistemas de sinalização e os
controladores de bordo dos trens. O centro de controle operacional estabelece as
rotas e tempos de viagem, realizando comandos nos sinais de via do sistema de
sinalização. Este, por sua vez, realiza a detecção de trens e imposição de
velocidade ao trens que, através de seus controladores de tração e frenagem, se
movimentam com velocidades e distâncias seguras. Neste capitulo, são abordados
os aspectos teóricos dos sistemas de tração e frenagem de um trem, e os sistemas
de sinalização e operação de trens.
2.1 Sistemas de Tração e Frenagem de Trens
Em um trem existem vários sistemas auxiliares que compõem todo o seu

funcionamento, desde sistemas de sonorização, sistemas de ar-condicionado,
sistema de compressores de ar, dentre outros, conforme pode ser visto na figura 1.
(CPTM, 2010), (PIERS CONNOR OF PRC RAIL CONSULTING LTD., 2016).
Os sistemas de Tração e Frenagem são essenciais para o funcionamento e
segurança dos trens.
Figura 1 - Sistemas auxiliares que compõem um trem
Fonte: PIERS CONNOR OF PRC RAIL CONSULTING LTD, 2016

30
Por todo o mundo existe uma grande variedade de modelos de tração

ferroviário, sendo o sistema de tração elétrico em corrente continua CC o mais
utilizado em áreas metropolitanas, pela facilidade de controle e transmissão de
energia ao longo dos trilhos. Para grandes distâncias, o sistema em corrente
alternada CA se torna mais adequado, tanto pelo custo e manutenção. A
alimentação dos sistemas auxiliares e de tração é fornecida por um conjunto de
subestações de tração ao longo do percurso dos trilhos, podendo ser realizado de
forma área ou por um terceiro trilho de alimentação. A energia é transferida ao trem
pelo pantógrafo no caso de rede área, conforme figura 2, ou por sapatas, no caso de
transmissão pelo terceiro trilho. Os níveis de tensão de transmissão variam em torno
de 3000 VCC e 700 VCA (SPIRYAGIN et al., 2016), (PIERS CONNOR OF PRC
RAIL CONSULTING LTD., 2016).
Figura 2 - Rede aérea
O sistema de tração do trem é o conjunto de equipamentos que proporciona o

a tração de propulsão do trem, composto por: inversores, motores, resistores de
frenagem, indutores de linha, e controlador, mostrado nas figuras 3 e 4 (CPTM,
2014).
31
Figura 3 - Arquitetura do sistema de tração de um trem
Fonte: CPTM, 2010
Figura 4 - Arquitetura de potência
Fonte: CPTM, 2010

32
Os trens de unidade elétrica (TUE) são compostos por oito carros, sendo:
▪ R1e R3 – Carros Reboque com pantógrafo.

▪ R2 – Carro Reboque sem pantógrafo.
▪ MC- Carro Motor com Cabine de Comando.
▪ M – Carro Motor.
Os inversores de tração são conectados a 2 motores de tração CA em

paralelo, que controlam a velocidade e o torque dos motores de tração, figura 4. Os
motores são acoplados a caixas de engrenagens que transmitem ao eixo com uma
razão de velocidade, uma roda dentada é montada na ponta de eixo do motor,
mostrado na figura 5, um sensor indutivo é colocado aos dentes da roda dentada ,
gerando um sinal de velocidade para o controlador (CPTM, 2010).
Figura 5 - A – Sistema de transmissão do motor de tração para o rodeiro;B – Exemplo de motor de

tração; C – Engrenagens,
B C
Fonte: IWNICKI, 2006

33
A ponte inversora é composta de seis IGBT´s que formam o controle trifásico

para os motores, através de chaveamento sequencial dos IGBT’s da ponte, o link
CC é convertido em um sinal CA que varia a amplitude e frequência para controlar a
velocidade e o torque dos motores de tração, conforme mostrado na figura 6. A
estratégia de controle adotado pelo controlador do inversor é controle vetorial, que
possibilita uma resposta de fluxo e torque rápido, mesmo em baixas velocidades,
que torna possível que o esforço seja restabelecido após curta inibição do inversor,
sem ter que esperar que o fluxo do motor retorne a zero, devido a ajustar a tensão
de saída de acordo com a força contra eletromotriz (fcem) do motor. A sequência de
disparo da ponte inversora pode ser mudada para permitir a inversão de fase e com
isso a inversão do sentido do trem, tornando-o bi-direcional (CPTM, 2010).
Figura 6 - Esquema simplificado inversor de tração
Inversor
Rf Lf
Vsa Isa
Vsb Isb Motores Carga

VL VF A
Vsc Isc Sensor de Velocidade
1
Freqüência
Taxa de do estator Medição de
Modulação Velocidade
Fmax
0
Freqüência de + + Freqüência do motor
Escorregamento
Fmin
Fonte: CPTM, 2010
Em cada carro MC há dois codificadores de sinal por modulação de largura de

pulso (PWM). Este dispositivo seleciona se o trem será comandado pelo sistema de
sinalização ou pelo maquinista, e codifica o sinal recebido. Quando selecionado o
controle do trem por sinalização, a via é quem manda o set point, este sinal é
convertido em um sinal de corrente de 4 a 20mA, que é convertido em um sinal
PWM e aplicado ao controlador de bordo para esforço de tração e freio. Quando o
34
controle é realizado pelo maquinista, este opera a manopla linear de tração e

frenagem, mostrado na figura 7 (CPTM, 2010).
Figura 7 - Alavanca de controle de operação
Fonte: CPTM, 2010
▪ Comutador com Chave – libera o trem para operação.

▪ Chave Seletora – possui quatro posições sendo:
▪ RE: direção reversa, velocidade restrita. Nesta posição o trem
só poderá ser operado em manual e o controlador de
tração/frenagem irá variar o esforço trativo/frenante com
velocidade restrita;
▪ NEUTRO: posição desligada;
▪ FRENTE: direção avante, velocidade restrita. Nesta posição o
trem só poderá ser operado em manual e o controlador de
tração/frenagem irá variar o esforço trativo/frenante com
velocidade restrita;
▪ VI: direção avante, velocidade imposta pelo sistema de
sinalização.
▪ A posição NEUTRO é a posição de travamento do controlador.
▪ Alavanca de Operação – pode ser posicionado nas seguintes regiões:
▪ TRAÇÃO: faixa de controle de velocidade; aumenta a
velocidade imposta quando a alavanca é movida para frente
pelo operador. Existem 5 demarcações na zona de tração:
35
▪ Posição 0 Km/h (aplicação de freio até a

parada do trem);
▪ Posição 25 Km/h (controle da aceleração
do trem a fim de manter esta velocidade);
do trem a fim de manter esta velocidade).
▪ NEUTRO: esta é a posição de deriva (esforço nulo);

▪ FREIO: faixa de controle de acréscimo de esforço de frenagem,
quando a alavanca é movida para trás (no sentido do operador).
▪ FREIO DE EMERGÊNCIA.
O sinal de corrente de 4 a 20 mA gerado tanto pelo sistema de sinalização e a

alavanca de Operação é mostrado na figura 8.
Figura 8 Sinal de corrente para o controlador de bordo de esforço e tração
Saída em mA
20(+1 /-0) VI-90km/h

18,61 VI-70km/h
17,22
15,48 VI-50km/h
14,21
13,3 VI-25km/h
VI-0km/h
7,6
6,6
Frenagem T ração
4 0 Pos. 0 100 Curso da Alavanca en %
Freio 90% Frenagem
de Emergência de serviço max
Frenagem de serviço max
Fonte: CPTM, 2010

36
A seleção entre Sinalização e Operação pelo maquinista é realizada através

de entradas digitais. Em caso de sobrevelocidade em modo de Operação pelo
maquinista, o controlador ignora a informação imposta e aplica frenagem máxima de
serviço, com PWM a 90% (CPTM, 2010).
A propulsão do trem é essencial para seu funcionamento, pois sem ele o trem
não se movimenta, mas ainda mais importante que movimenta-lo, é a necessidade
de pará-lo. O sistema de frenagem do trem é outro sistema fundamental. pois
garante a segurança de todo o sistema e passageiros. Caso haja qualquer falha nos
freios de um trem, as consequências são catastróficas (NASCIMENTO, 2012).
O sistema de frenagem dos trens é composto de três sistemas de freio, sendo
eles: o sistema de frenagem dinâmica, sistema de frenagem eletropneumática e
sistema de freio de estacionamento. (NASCIMENTO, 2012).
O freio de estacionamento é utilizado somente quando o trem se encontra
estacionado em um pátio, conforme figuras 9 e 10. Durante a operação o trem utiliza
os outros dois sistemas de freios, a frenagem dinâmica, conhecida por frenagem
elétrica e a outra frenagem eletropneumática ou por atrito. A aplicação automática
do freio de estacionamento em operação, ocorre somente em casos de falhas, como
baixa pressão do sistema de frenagem eletropneumática, garantindo a parada total
do trem (NASCIMENTO, 2012).
Figura 9 - Freio de estacionamento

37
Figura 10 - Válvula de destravamento do freio de estacionamento
Fonte: CPTM, 2014
A aplicação do freio do trem durante a operação é priorizado para usar a

frenagem elétrica antes da frenagem por atrito para melhor eficiência. Existem dois
tipos de frenagem elétrica. O primeiro tipo é a frenagem elétrica por regeneração,
onde a energia mecânica do trem durante a frenagem pelos inversores do sistema
de tração é convertida em energia elétrica e realimentada na linha de alta tensão,
esta energia pode ser utilizada por outro trem que esteja aplicando esforço de
tração, a maioria dos mêtros do mundo utiliza este sistema (NASCIMENTO, 2012),
(CPTM, 2010).
O outro tipo de frenagem elétrica é o reostático, onde a energia durante a
frenagem é descarregada sobre um banco resistivo, isto é feito devido os motores
ao serem desconectados da alimentação, e devido ao magnetismo remanescente
dos motores, surgir uma tensão proporcional a velocidade de rotação. Sob estas
condições, a tensão do link CC iria aumentar danificando os componentes do
sistemas do inversor de tração. Para alíviar essa energia, é ligado um banco de
resistores de frenagem, que dissipam essa energia em forma de calor. O dispositivo
responsável por isto é o chopper, mostrado na figura 11. É um módulo de potência
contendo apenas quatro IGBT´s, onde dois IGBT´s são conectados em paralelo e
controlam o fluxo de corrente através dos resistores de frenagem, os outros IGBT´s
são conectados em paralelo com resistor de frenagem e agem como um diodo para
absorver a energia armazenada no resistor de frenagem quando o chopper estiver
cortado (NASCIMENTO, 2012),(CPTM, 2010).
38
Figura 11 - Chopper do trem
A frenagem por atrito, ou frenagem mecânica é realizada por meio de discos e

atuadores de freio instalados em todos os rodeiros do trem. O sistema que controla
todos os atuadores de freio é realizado por ar comprimido, realizando um controle
eletropneumático das válvulas dos atuadores de freios, mostrado na figura 12. A
vantagem na utilização de sistemas eletropneumáticos em sistemas de frenagem de
trens, se deve a resposta instantânea do comando dos freios em todos os carros
que constituem o trem, com isto pode-se diminuir as distâncias de frenagem e
diminuir custos de manutenção (NASCIMENTO, 2012).
Figura 12 - Atuador de freio instalado nos rodeiros do trem
Fonte: CPTM, 2014

39
Caso a taxa de freio desejado não seja atingida com os freios dinâmicos é
então aplicado os freios eletropneumáticos ou atrito. Os freios por atrito são
constituídos de circuitos eletropneumáticos que são controlados eletronicamente
para que os freios sejam ativados ao mesmo tempo para todos os vagões, conforme
figura 13. Em caso de falha no sistema pneumático, seja por vazamento de ar, perda
de pressão, ou em caso de perda de energia da rede aérea, o sistema possui um
sistema de baterias independente que, em caso de falha, automaticamente os
atuadores aplicam a frenagem por atrito no trem (NASCIMENTO, 2012),
(SPIRYAGIN et al., 2016).
Figura 13 - Distribuição Acionamento de Freios
Fonte: SPIRYAGIN, 2016
O sistema consiste em um reservatório principal, auxiliares e de emergência.

Uma válvula proporcional é utilizada para aplicação de ar nos mecanismos de freio.
Devido as tecnologias aplicadas em ferrovia ter como premissa o fail safe, o sistema
de ar combinado com a aplicação da válvula proporcional são responsáveis por
manter o mecanismo de freio afastado dos rodeiros do trem. Quando há
necessidade de uma frenagem, a válvula vai diminuindo gradativamente a pressão
nos mecanismos de freio, assim a aplicando a frenagem ao trem. Em caso de falha
ou vazamento no sistema de ar, automaticamente são aplicados a frenagem ao
trem, conforme mostrado na figura 14 (NASCIMENTO, 2012), (CPTM, 2010).
40
Figura 14 - Esquema freio eletropneumático do trem
Os sistemas de tração e frenagem são componentes básicos para o

funcionamento de um trem, mas colocar um trem sobre trilhos e fazê-lo se
movimentar não é tão simples, além dos sistemas de suprimentos de energia, um
sistema fundamental para o funcionamento de qualquer ferrovia do mundo, e o que
em caso de falha grave ou inibição causa grandes desastres, é o sistema de
sinalização, responsável pelo controle de tráfego dos trens ao longos dos trilhos.
(PIERS CONNOR OF PRC RAIL CONSULTING LTD., 2016).
2.2 Sistemas de Sinalização Ferroviário
Por volta de 1840, os sistemas de sinalização ferroviária não eram como os

de hoje, onde o sistema informa ao maquinista as condições de via, posição e
velocidade do trem à frente, naquela época, o controle era visual. A prática mostrou
que era extremamente difícil parar um trem a uma curta distância apenas com o
visual do maquinista. Assim como qualquer tecnologia, a sinalização ferroviária
passou a se desenvolver após acidentes catastróficos. Na figura 15, pode se ver a
imagem de um acidente de colisão de trens na Alemanha, devido à falha no sistema
de sinalização (PIERS CONNOR OF PRC RAIL CONSULTING LTD., 2016).
41
Figura 15 - Colisão de dois trens na cidade de Bad Aibling, Alemanha em 2016, acidente devido
inibição do sistema de sinalização
Fonte: GLOBO, 2016
Nos primórdios da ferrovia, a principal função do sistema de sinalização

ferroviária era prover segurança aos trens durante o percurso. Atualmente, os
sistemas de sinalização estão diretamente ligados à segurança dos trens e
passageiros, mantendo a eficiência dos sistemas com intervalos entre trens cada
vez menores a fim de se manter a demanda de passageiros e carga, com a filosofia
de controle fail safe. Qualquer falha em um sistema de sinalização acarreta em uma
condição de segurança através de intertravamentos de rotas, condições de via,
como trilho partido e restrição de velocidade imposta aos trens (ALSTOM, 2014).
Os sistemas de sinalização ferroviários são baseados no trânsito de veículos
automotores. Assim como nas ruas e avenidas existem semáforos para controlar o
fluxo de veículos, as linhas de trem possuem os sinaleiros, que são semáforos como
os de rua, só que apresentam aspecto vermelho e amarelo. Os trens circulam
através de rotas e os sinaleiros indicam se o trem pode avançar (aspecto amarelo)
ou parar (aspecto vermelho). Na figura 16 há um exemplo de pátio sinalizado
42
Figura 16 - Pátio com sinaleiros
Fonte: ALSTOM, 2004
A premissa básica de qualquer sistema de sinalização ferroviária é de que um

trem não pode adentrar uma seção de via, denominada bloco, onde já existe outro
trem. Em 1843, esse controle e intertravamento de trens em uma via era realizada
de forma mecânica: através de bastões, operadores controlavam as rotas de trem, o
operador manobrava um bastão mecânico habilitando um devido sinal para o trem
adentrar a seção de via protegida pelo sinal, veja a figura 17 (ALSTOM, 2014).
Figura 17 - Intertravamento mecânico utilizado para controle de sinal
Fonte: ALSTOM, 2014
Com os avanços na área de engenharia elétrica, o controle de trafego passou

a ser feito através de circuitos elétricos, onde chaves eletromecânicas operavam os
sinais (ALSTOM, 2014).
43
O sistema baseado em sinaleiros mostrou-se eficaz, mas apresenta um sério

problema: a distância entre os sinaleiros. Ppara resolver esse problema, o trecho de
linha férrea é dividido em blocos, ou circuitos de via (CDV), até hoje são utilizados
nas principais linhas de trens e mêtros no mundo (PIERS CONNOR OF PRC RAIL
CONSULTING LTD., 2016).
Figura 18 - Esquema de divisão de linha férrea em blocos ou circuitos de via
Fonte: PIERS CONNOR OF PRC RAIL CONSULTING LTD. (2016)
O esquema da figura 18 mostra de forma simplificada o princípio de um

circuito de via. O Trem A é protegido pelo Sinal 3 devido este estar ocupando o
circuito de via 3. O sinal 2 libera o Trem B que está no circuito de via 1 para
adentrar no circuito de via 2 que está livre (PIERS CONNOR OF PRC RAIL
CONSULTING LTD., 2016).
Os circuitos de via são constituído de divisões realizado nos trilhos, com a
distância que atendam os critérios de segurança e capacidade de trens na linha. É
aplicada nos trilhos do circuito de via uma tensão elétrica de nível baixo, os trilhos
funcionam com um condutor, que um gerador utiliza para alimentar um relé que
opera os sinais de via. Quando os rodilhos de um trem passam sobre o circuito de
via, este interrompe a corrente de alimentação de um relé que muda o aspecto do
sinal responsável pelo circuito de via, conforme mostrado nas figuras 19 e 20
44
Figura 19 - Circuitos de via desocupado
Os trilhos, além de fornecerem a base de sustentação e deslocamento dos

trens, fornecem o retorno da alimentação de tração dos trens e a codificação de via.
Devido a isto, os circuitos de via são separados por juntas isolantes, separando os
circuitos de via, mas com isso gera-se uma interrupção dos trilhos e
consequentemente a interrupção da alimentação do trem. Para resolver este
problema, são instalados bondes de impedância (filtros com indutores) em paralelo
com as juntas isolantes, para fornecer um caminho ininterrupto para a corrente de
tração do trem, e uma alta impedância para a corrente do circuito de via e
codificação (CPTM, 2010).
Figura 20 - Circuitos de via ocupado

45
O controle de CDV baseado em circuito elétrico se mostra muito eficaz,

podendo ser implementado tanto em corrente continua CC, como em corrente
alternada CA ou em rádio frequência RF. Este último utiliza antenas e um
transmissor de sinal RF com faixas de 210 Hz a 20 KHz , além de realizar o controle
baseado em ocupação do trem por curto circuito entre os trilhos, caso aconteça
alguma avaria como trilho partido, o sistema impede que o trem avance mantendo a
filosofia fail safe (PIERS CONNOR OF PRC RAIL CONSULTING LTD., 2016).
Outros tipos de tecnologias são utilizados combinados como uma forma
alternativa de realizar a detecção dos trens, como os contadores de eixo, balizas e
sistemas de posicionamento global (GPS) (ALSTOM, 2014), (BUENO; CRUS;
SANTOS, 2007).
O sistema por contador de eixo se baseia em dois sensores composto por
uma bobina eletromagnética, colocadas no início e no final de cada seção de CDV,
conforme mostrado na figura 21. Juntamente com um contador, o sistema opera
detectando todas as rodas dos trens que atravessem o CDV, caso o contador de
entrada não registre o mesmo valor do contador de saída, o CDV estará ocupado, a
vantagem deste tipo de sistemas é poder, além de detectar um trem, estabelecer a
direção deste trem (PALUMBO, 2016),(CPTM, 2014).
Figura 21 - Princípio de funcionamento Contador de Eixo (a); Contador de eixo instalado no trilho (b)
Fonte: CPTM, 2010

46
O sistema de baliza funciona por rádio frequência, cada CDV possui uma
baliza (transponder) codificada de acordo com área limitada pelo circuito de via. Ao
passar pelas balizas, o trem informa sua localização, direção e velocidade a um
sistema central, que compara as informações do trem e do transponder e com base
no plano de vias determina a posição do trem, conforme mostrado na figura 22.
(BUENO; CRUS; SANTOS, 2007).
Figura 22 – (a)Princípio de Funcionamento de Detecção por Baliza, (b)Baliza instalada
Fonte: BUENO; CRUS; SANTOS, 2007
Hoje com a tecnologia de sistemas de posicionamento global (GPS), oferece

uma séries de benefícios, não necessidadando de circuitos de via, o que faz com
que os custos de manutenção e tempo de parada sejam menores, porém apresenta
um alto custo operacional. O sistema se baseia na comunicação entre trem e um
servidor no Centro de Controle Operacional (CCO), os dados de posição do GPS do
trem são enviados via satélite para esse servidor, mostrado na figura 23. Neste
servidor estão armazenados os dados dos trechos e a posição de outros trens, e
através de um software de gerenciamento são enviados para os trens os dados de
condição de via, velocidade permitida, dentre outros parâmetros (BUENO; CRUS;
SANTOS, 2007).
47
Figura 23 - Princípio de funcionamento de detecção por GPS
Fonte: BRIEFING, 2008
O sistema de posicionamento dos trens é vital para um sistema de controle de

velocidade, sendo uma das variáveis de entrada do controlador fuzzy supervisório
proposto neste projeto. Outro dispositivo vital para controle de trens são os
aparelhos de mudança de via (AMV). (CPTM, 2010).
Os AMV´s são equipamentos de sinalização destinados à movimentação dos

trilhos entre linhas para execução de manobras e mudanças de linhas, os AMV´s
são constituídos de um motor elétrico de corrente continua, de um mecanismo que
movimenta as agulhas de interligação entre trilhos de uma linha. Por ser um sistema
de vital segurança para o trem, a posição dos AMV´s deve ser controlada e
monitorada, fazendo parte do intertravamento dos sistemas de sinalização,
impedindo que um trem entre em rota conflitante com outro. Outro aspecto de
segurança é a velocidade de um trem na travessia de chaves que deve ser
controlada e restritiva para impedir descarrilamentos (CPTM, 2010).
Atualmente, os trens e rotas são controlados automaticamente, devido à

flexibilidade das vias, as quais, por questões de operação, são bidirecionais, ou seja,
circulam com trens tanto em um sentido quanto em outro. Intertravamentos são
colocados no sistema para evitar rotas de trem contra o outro, e ainda condições de
máquinas de mudança de via e outros equipamentos de sinalização ferroviária
48
O sistema de sinalização mais consagrado em todo o mundo é o ATC

(Automatic Train Control). Esse sistema combina os conceitos de ATP (Automatic
Train Protection), responsável pela segurança e codificação de velocidade aos trens,
o ATO (Automatic Train Operation), responsável pela parada em estações e
abertura de portas, e por fim o ATS (Automatic train Supervisor), responsável pelo
tempo de trajeto, tempo de parada e intervalo entre trens. Tanto o ATP quanto o
ATO são controladores que compõem o sistema ATC, conforme mostrado na figura
24 (SANUKI; MOTOHISA, 2004).
Figura 24 - Arquitetura ATC
A Arquitetura do ATC é baseada na segurança do sistema, por isso sua

grande aplicação em sistemas de transportes urbanos. O ATP tem uma unidade de
controle para cada circuito de via, o qual recebe os dados de posição de cada trem,
retransmitindo ao controlador do circuito de via anterior, que converte em um limite
de velocidade que é enviado para o circuito de via. O trem adquire os dados através
de antenas que captam os sinais do trilho vindo dos circuitos de via,conforme figura
25. Essa informação é transmitida ao controlador de bordo do trem e a velocidade
permitida é verificada com a velocidade do trem: se a velocidade do trem for maior
que a velocidade permitida, automaticamente o controlador aplica os freios.
(SANUKI; MOTOHISA, 2004).
49
Figura 25 - Aquisição de codificação de velocidade
O controle ATP para realizar esse controle de velocidade possui módulos de

geração de códigos de velocidade, intertravamento vital e não vital, sinais e AMV´s.
O sistema de geração de código é responsável pela seleção e envio de

códigos de velocidade a cada circuito de via, tendo como variáveis de entrada: as
condições de rotas, ocupação, velocidade permitida no trecho por aspectos civis e
restrições de velocidade. Os dados de velocidade consistem em três tipos,
velocidade máxima autorizada (VMA), velocidade limitada (VL) e velocidade restritiva
(VR). Estes códigos são fornecidos ao circuito de via por sinais de radiofrequência, a
imposição do código de velocidade é feita pelo projeto de intertravamento do
sistema de sinalização. Em presença de falhas, o gerador transmite o código que
fará com que o trem tenha sempre o código de menor velocidade (SANUKI;
MOTOHISA, 2004).
Nos limites de seções de sinal, são transmitidos os códigos do sistema de

geração de códigos do ATP, a partir do intertravamento que detecta as condições de
tráfego da linha e determina quais são os códigos que o trem pode receber,
conforme as seguintes situações, mostradas na figura 26 (CPTM, 2010):
▪ Circuito de via desocupado, sem codificação. O gerador de códigos

envia as codificações, se o bloco estiver ocupado por um trem, este
recebe as codificações de acordo com a situação dos blocos da frente.
50
▪ Circuito de via ocupado, com no mínimo dois circuitos livres a frente:

codificação VMA.
▪ Circuito de via ocupado, com um circuito livre a frente: codificação VL.
▪ Circuito de via ocupado, e circuito a frente ocupado: codificação VR.
Figura 26 - Perfis de codificação de velocidade
Os sinais transmitidos pelo gerador de códigos são sinais de corrente

alternada senoidal de 90 Hz que são modulados – modulação por largura de pulso
(PWM – Pulse Width Modulation) - de acordo com cada código de velocidade,
conforme mostrado na figura 27.(CPTM, 2010).
Figura 27 - Sinais transmitidos ao circuito de via para codificação de velocidade do controlador do

trem
Fonte: CPTM, 2010

51
O trem recebe essas codificações do circuito de via através dos controladores

de bordo. Estes controladores são, junto com o controlador supervisório, o tema
abordado nesta monografia para adaptação com lógica fuzzy. Estes controladores
são vitais, devido a estarem diretamente relacionados com a segurança do sistema
que abrangem:
▪ Recepção dos comandos de velocidade
▪ Decodificação de velocidade
▪ Supervisão de velocidade e proteção contra sobrevelocidade.
Os códigos de velocidades são captados por duas antenas localizadas na
frente do trem, o sinal é amplificado, filtrado e convertido para sinais da função do
controlador de bordo, esse processo é realizado por circuitos fail safe, com
redundância em controladores e microprocessadores (CPTM, 2010).
O módulo de controlador de bordo, é o elemento que concentra todo o
processamento, recebe os sinais de codificação e atua sobre o trem, a arquitetura
do sistema é mostrado na figura 28. (CPTM, 2010).
Figura 28 - Arquitetura simplificada do controlador de Bordo
Fonte: CPTM, 2010

52
O setpoint do controlador é alterado de acordo com a codificação de

velocidade recebida. A técnica de controle depende de questões de via e
planejamento. A seguir, um exemplo desta codificação utilizada na CPTM é
mostrada na figura 29, e está de acordo com: (SANUKI; MOTOHISA, 2004).
▪ VMA – Velocidade Máxima Autorizada, set point de 90 Km/h.
▪ VL – Velocidade Limitada, set point de 50 Km/h.
▪ VR – Velocidade Restritiva, set point de 20 Km/h.
Quando o trem atingir uma velocidade de 1 Km/h acima da velocidade
máxima permitida, o controlador de bordo deverá cortar a tração. A tração deverá
ser liberada quando a velocidade atingir 3 km/h abaixo da velocidade permitida
(CPTM, 2010).
Se a velocidade do trem atingir 3 Km/h acima da velocidade máxima
permitida, deverá ser comanda a aplicação de frenagem. Quando a velocidade
atingir 8 km/h abaixo da velocidade máxima permitida, o sistema de freio é liberado
e aplicado a tração (CPTM, 2010).
Se a velocidade do trem atingir 5 km/h acima da velocidade máxima
permitida, deverá ser aplicado os freios de emergência, e emitir um alarme sonoro
ao maquinista. Quando a velocidade atingir 0 Km/h, os sistemas de freio e tração
deverão ser liberados (CPTM, 2010).
Esta proteção contra sobrevelocidade é realizada através do sinal de erro de
velocidade do controlador, que é diretamente proporcional à diferença entre as
velocidades requerida e a velocidade real, além da amplitude do sinal de erro, este
fornece também o sentido de erro, responsável pelos estados de sub e sobre
velocidade. (CPTM, 2010).
Figura 29 - Sinal de controle de Bordo
Fonte:CPTM, 2010
53
2.3 Controlador do Trem
Atualmente, com os avanços da tecnologia na aplicação de computadores em

sistemas de controle, gerenciar todos os sistemas de um trem torna-se uma tarefa
extremamente complexa, o que inclui os gerenciamento de portas, sistemas de
sinalização e controle de bordo, sistemas de frenagem e de tração. O fato dos
sistemas de frenagem e tração serem fundamentais para a operação de um trem,
exige técnicas especificas de controle, principalmente para solucionar um grande
problema em sistemas de tração e frenagem: o deslizamento entre rodeiros e
trilhos. Este problema em sistemas ferroviários é mais crítico do quem em
automóveis, devido tanto o rodeiro quanto o trilho serem de metal. Os trens de
passageiros modernos possuem sistemas de proteção de deslizamento de roda, que
previne o deslizamento durante a frenagem e durante a tração, semelhante a
sistemas de travamento antibloqueio (ABS), o controlador de deslizamento
combinado com os controladore de frenagem e tração, auxilia em um maior conforto
aos passageiros e minimiza problemas de desgaste de rodeiros e trilhos, conforme
figura 30 (SPIRYAGIN et al., 2016), (FRYLMARK; JOHNSSON, 2003).
Figura 30 - Rodeiro com desgaste
Fonte:BARNA, 2012
No momento de frenagem ou de tração, a força que é transmitida entre

rodeiros e trilho, é denominada de força tangencial, o valor máximo da força aplicada
54
depende de parâmetros como o coeficiente de adesão e peso do trem. O coeficiente

de adesão depende de diversos fatores, tais como: condições climáticas, condições
da via e velocidade do rodeiro. O escorregamento ocorre no momento em que, ao
ser transmitida a força tangencial, ocorre uma contração e expansão nos rodeiros e
no trilho, conforme a figura 31 (PICHLÍK; ZDENEK, 2014).
Figura 31 - Escorregamento no Contato Rodeiro Trilho
Fonte: FRYLMARK; JOHNSSON, 2013
A força de adesão em termos ferroviários é definida como a capacidade do

sistema de tração ou frenagem de exercer a força máxima de tração sobre o rodeiro
e manter o contato com o trilho, sem exceder o escorregamento ideal. Ou seja, a
aderência define a quantidade de força que pode ser aplicada ao rodeiro. A força de
adesão pode ser equacionada e é mostrada na equação 1 (PICHLÍK; ZDENEK,
2014) (FRYLMARK; JOHNSSON, 2003).
𝐹𝑎𝑑 = 𝜇 × 𝑁 = 𝜇 × 𝑀𝑔 (1)
Com o tempo, a força de adesão muda. A força normal, que só depende da

gravidade e da massa do trem, permanece constantes, tornando a força de adesão
dependende apenas do coeficiente de adesão µ. Este é influenciado por fatores
como estresses do contato rodeiro-trilho, contaminantes sobre o trilho, como óleo,
efeitos climáticos como neve e chuva, e o mais importante fator que influencia o
coeficiente de adesão: o escorregamento. (FRYLMARK; JOHNSSON, 2003).
A curva da função do coeficiente de adesão em função do escorregamento é
chamada de característica de adesão-escorregamento, a curva é dividida em
regiões. As regiões estáveis, onde o coeficiente de adesão apresenta características
55
lineares e não lineares de um certo ponto, e a região instável onde se torna difícil
manter o contato rodeiro trilho, conforme mostra a figura 32 (PICHLÍK; ZDENEK,
2014).
Figura 32 - Caracteristica Adesão-Escorregamento
Fonte: PICHLÍK; ZDENEK, 2014
O coeficiente de adesão utilizado como referência para controle de trens de

passageiros é realizado mantendo o limite da região estável, afim de manter o
conforto e segurança dos passageiros, para solucionar este problema a arquitetura
dos controladores utilizados em trens para manter o o escorregamento constante e
dentro de limites apresentam diferentes métodos como, o método baseado no
controle de velocidade de escorregamento a um valor constante, método baseado
na procura do máximo valor da curva adesão-escorregamento, método baseado no
controle de velocidade do rodeiro, método baseado na velocidade de aderência-
escorregamento através da taxa de decrescimento, método baseado através da
detecção do coeficiente de adesão através da corrente do motor e os métodos
híbridos, apesar de diferentes estes métodos apresentam o mesmo principio básico
(PICHLÍK; ZDENEK, 2014).
56
2.3.1. Controlador baseado na velocidade de escorregamento a um valor

constante
Este método de controle é utilizado principalmente de trens com motores

elétricos CC, sendo um método antigo, mas ainda muito utilizado em ferrovias pelo
mundo, este controle se baseia que o valor máximo do coeficiente de adesão ocorre
quando a velocidade de escorregamento ultrapassar valores entre 2 a 5 Km/h, este
valor é obtido através de ensaio, as desvantagens deste método são a necessidade
de determinar a velocidade de cada rodeiro tracionado e do trem, os rodeiros são
facilmente medidos através de enconders e a velocidade longitudinal do trem
através de radares, antigamente isto era extremante difícil em locomotivas, mas hoje
nos trens de passageiros esta tecnologia já é encontrada, atingir o valor do
coeficiente de adesão próximo ao valor máximo é uma exigência difícil, que pode
acarretar em oscilações no esforço de controle de tração do trem, se a
realimentação do controlador não tiver uma resposta rápida o suficiente, este
método pode falhar quando possuir um coeficiente de adesão baixo ou as
velocidades de escorregamento entre rodeiros for alta, a arquitetura do controlador é
apresentada conforme figura 33. (PICHLÍK; ZDENEK, 2014) (FRYLMARK;
JOHNSSON, 2003).
Figura 33 - Controlador Velocidade de Escorregamento a um valor constante

57
2.3.2. Controlador baseado na procura do máximo valor da curva de

adesão-escorregamento
Os controladores baseado neste método controlam a velocidade de

deslizamento até atingir o máximo na curva característica da adesão-
escorregamento, a técnica de controle utilizada para determinar o valor máximo, é
derivar o coeficiente de adesão de acordo com a velocidade ou aceleração do
rodeiro de acordo com a força aplicada ao motor, quando a variação for positiva o
valor esta na área estável, se for negativa o valor está na área instável, e se a
variação for zero, o valor está no máximo. As vantagens deste método é não
precisar medir as velocidades do trem , e nem o coeficiente de adesão, que deve ser
estimado através de equações relacionadas com aceleração do rodeiro, apesar
desta vantagem, este método por trabalhar sempre no limiar da curva característica
da adesão-escorregamento, trabalha constantemente na região instável o que
acarreta em oscilações ao esforço de tração aplicado aos motores, o que pode
acarretar o aumento de desgastes dos componentes de tração. (PICHLÍK; ZDENEK,
2014) (FRYLMARK; JOHNSSON, 2003).
2.3.3. Controlador baseado na velocidade do rodeiro
A vantagem na utilização destes controladores é que eles podem operar em

qualquer ponto da curva característica da adesão-escorregamento, este método se
difere de outros devido utilizar um controlador de velocidade e não de torque. O
princípio de funcionamento se baseia na referência de que o torque no motor Tm é
menor que o torque de referência Tref, e a constante de controle da aceleração é
positiva no inicio de regulação do sistema, a velocidade do rodeiro é usada pelo
controlador de velocidade para calcular o esforço aplicado ao controlador de torque
e para a lógica de controle do escorregamento, as situações que podem ocorrer no
controle são que o torque do motor requerido pode ser menor que o torque
correspondende a força de adesão, neste caso encontra-se no ponto estável da
curva característica da adesão-escorregamento, este valor de torque é armazenado
na memória do controlador, o problema nesta técnica de controle é devido trabalhar
em regiões instáveis, causa oscilações no esforço de controle de tração, e a
necessidade de malhas de realimentação rápidas para regular novamente para
58
regiões estáveis na curva adesão-escorregamento, conforme apresentado na figura

34. (PICHLÍK; ZDENEK, 2014).
Figura 34 - Controlador Baseado na velocidade do rodeiro
2.3.4. Controlador baseado na velocidade de aderência-escorregamento

através da taxa de decrescimento
Este método de controle se baseia o ponto de operação na curva de adesão-

escorregamento partir da inclinação da curva, a inclinação e determinada pelo
torque aplicado ao motor e velocidade angular da frequência do motor. Baseando no
efeito de contato rodeiro trilho haver oscilações , para realizar o controle é
adicionado ao torque do motor um pequeno sinal senoidal de torque, este sinal vai
fazer com que a velocidade do rodeiro oscile, através dessa frequência de oscilação
pode ser calculado um ângulo de fase, o cálculo para o valor ideal na curva adesão-
escorregamento depende do ângulo de fase. A velocidade dos rodeiros é medida
através de encoders incrementais, o sinal obtido apresenta o sinal de oscilação
gerado ao torque do motor, mas com ruídos devido ao escorregamento e outros
fenômenos, esse sinal é então filtrado por um filtro passa banda, esse sinal é então
multiplicado pelos sinais senoidais e cossenoidais gerados pelo mesmo gerador que
acrescenta o sinal senoidal ao torque dos motores, este sinal resultante é então
59
filtrado e calculado o ângulo de fase que é então realimentado ao controlador de

ângulo do controle de velocidade, a arquitetura do sistema pode ser visualizada na
figura 35. (PICHLÍK; ZDENEK, 2014).
Figura 35 - Controlador baseado na taxa de decresimento da curva aderência-escorregamento
2.3.5. Controlador baseado na detecção do coeficiente de adesão

através de diferenças da corrente do motor
O princípio utilizado para este tipo de controlador, não utiliza sensores de

velocidade para o rodeiro ou trem, utliza-se como referência as corrente de cada
motor de tração, a detecção dos escorregamentos é realizada apartir das diferenças
das correntes de tração, este tipo de controle esta sendo estudado, de acordo com
Frylmark e Johnsson (2003) , este método terá o mesmo desempenho dos métodos
tradicionais com sensores de velocidade. (FRYLMARK; JOHNSSON, 2003).
60
2.3.6. Controlador híbrido
Os controladores híbridos funcionam com a combinação de diferentes

métodos, o que eliminam as desvantagens de cada controlador, este benecificio
apresenta certo grau de complexidade visto a combinação destes métodos ser
aplicada em cada situação de velocidade e escorregamento, conforme mostrado na
figura 36 (FRYLMARK; JOHNSSON, 2003) (PICHLÍK; ZDENEK, 2014).
Figura 36 - Controlador Híbrido

61
Todos estes sistemas de controle ferroviário são baseados no controle

clássico, na indústria Ferroviária o controlador proporcional integral e derivativo
(PID) é muito utilizado em sistemas de controle de portas, sistemas de tração e freio,
que apesar de seguro , os sistemas de tração e freio sofrem degastes excessivos
devido esforços de controle, há variação de adesão ao longo do percurso de um
trem o que gera certa instabilidade no controlador PID, e do ponto de vista
operacional de trens, pouca flexibilidade de sentido de rotas e limite de trens nas
linhas, estes controles são difíceis de se realizar devido a complexidades de não
linearidade e mudanças em relação ao tempo dos processos, baseando-se nisso
vem surgindo estudo de aplicação de inteligência artificial em sistemas de
sinalização ferroviária, o Japão foi pioneiro na utilização de técnicas de inteligência
artificial baseado em lógica Fuzzy aplicado a trens de alta velocidade. O controle
baseado em lógica Fuzzy procura de forma intuitiva entender como o processo
funciona, baseando-se nessas informações para o melhor ajuste do sistema, esta
técnica não linear de controle se torna útil em sistemas com acesso a dados
limitado. O controle Fuzzy é baseado na lógica Fuzzy , ou lógica nebulosa (ou ainda
lógica difusa), que envolve conceitos probabilísticos e regras de implementação de
funções. (PASSINO; YURKOVICH, 1998), (SANUKI; MOTOHISA, 2004)
(FRYLMARK; JOHNSSON, 2003).
2.4 Lógica Fuzzy
A maioria dos controladores e computadores aplicados a sistemas de controle

utilizam a lógica clássica para definir os comandos de controle, em contra partida a
lógica fuzzy utiliza regras para processamento das variáveis de controle, a idéia da
lógica nebulosa é copiar a forma que um ser humano controla algo, que mesmo sem
saber o modelo do sistema consegue controlá-lo. (SIMÔES; SHAW, 2007).
A lógica Fuzzy foi criada como uma alternativa á teoria da lógica clássica, em
meados da década de 20, Jan Lukasiewicz (1878-1956, filósofo e lógico polonênes)
desenvolveu e introduziu conjuntos com grau de pertinência, combinados aos
conceitos da lógica clássica. Esse estudo possibilitou mais tarde, em 1965 que o
professor de Engenharia da Computação Lofti A. Zadeh publicasse os primeiros
62
artigos sobre a aplicação de lógica fuzzy em sistema de inteligência computacional.

(CHEN; PHAM, 2000).
A lógica Fuzzy consiste em representar variáveis numéricas por variáveis
linguísticas, ou seja, uma variável expressa com palavras ao invés de números. Os
conjuntos Fuzzy admitem que uma variável pertença mais ou menos a ele, ou seja,
devido a um grau de pertinência parcial que pode variar entre zero e um.
(SIMÕES; SHAW, 2007).
Ao se considerar como exemplo um ajudante que tem a tarefa de separar um
conjunto de maçãs de uma caixa em duas categorias, pequenas e grandes, ao
iniciar a tarefa se via em um impasse, e não conseguia definir com clareza entre as
duas opções, pois algumas maçãs eram claramente grandes outras claramente
pequenas, porém outras não eram nem tão grandes e nem tão pequenas, ou seja,
considerando a processo (planta) a “natureza”, ela não é linear, pois há diversos
tamanhos de maçãs, conforme mostrado na figura 37. (SEBRAE, 2013).
Se utilizarmos a lógica clássica para resolver este problema, temos somente
dois valores: verdadeiro ou falso, já na lógica Fuzzy é possível saber se as maçãs
são muito grandes, muito pequenas e ainda quantas eram pouco grandes ou pouco
pequenas e até se podiam ser classificadas como grande e pequeno.(SEBRAE,
2013).
Figura 37 - Conjunto de Maçãs Grandes e pequenas, na teoria dos conjuntos fuzzy existe um grau de
pertinência de cada elemento a um determinado conjunto, função pertinência
Fonte: ROSENBERG, 2015
Isso possibilita analisar fatores importantes e resolver problemas onde a

lógica clássica não é suficiente para uma solução precisa, ou seja, a aplicação de
sistemas fuzzy se torna interessante em problemas não lineares.
(SIMÕES; SHAW,2007).
63
2.4.1 Conjuntos Fuzzy
Na lógica Fuzzy, não existe um limite abrupto que determina que os

elementos pertençam ou não há um determinado conjunto, como no caso dos
conjuntos pequeno e grande na separação de maçãs, mas os graus de pertinência
dos elementos possuem variações suaves no intervalo real [0,1].(UFRN,2015)
Na teoria de lógica clássica, os elementos de um conjunto S em um universo X,
pertecem ou não aquele conjunto, e pode ser expresso pela função característica
fS(x).(SIMÕES;SHAW,2007).
1 𝑠𝑒 𝑒 𝑠𝑜𝑚𝑒𝑛𝑡𝑒 𝑠𝑒 𝑥 ∈ 𝑆
𝑓𝑠(𝑥) = { } (2)
0 𝑠𝑒 𝑒 𝑠𝑜𝑚𝑒𝑛𝑡𝑒 𝑠𝑒 𝑥 ∉ 𝑆
Na lógica Fuzzy, um conjunto S definido no universo X é caracterizado por

uma função de pertinência µs, a qual mapeia os elementos de X para o intervalo,
sendo expresso por S [0,1]. (ROISENBERG, 2015).
µs: 𝑋 → [0,1] (3)
𝑆 = {(𝑥, µs(𝑥))| 𝑥 ∈ 𝑿} (4)
Desta forma, a função pertinência µs associa a cada elemento x pertencente a

X um número real µs (x) no intervalo [0,1], que representa o grau de pertinência do
elemento x do conjunto S, ou seja, o quanto é possível para o elemento x pertencer
a S.(UFRN, 2015) A função pertinência µs (x) indica o grau de compatibilidade entre
x e conjunto S:
▪ Se µs (x)=1 , indica que x é totalmente compatível com o conjunto S;
▪ Se µs (x)=0 , indica que x não pertence ao conjunto S;
▪ Se 0 <µs (x)< 1 indica que x é parcialmente compatível com S, com um
grau de pertinência de µs (x).
Se comparado o conjunto lógico [0,1] e transformá-lo em um conjunto fuzzy ,

é obtido a função de pertinência µs , contendo µs ={0,1}, ou seja pertinência do tipo
verdadeiro e falso, também chamada de “ conjunto crisp”,portanto um Conjunto
fuzzy é totalmente caracterizado por sua função pertinência µs (x), como mostra a
figura 38 . (SIMÕES; SHAW,2007).
64
Figura 38 - Determinar se uma pessoa é jovem ou idosa
Fonte: ROSENBERG; RECH, 2011
Dado o exemplo, para um conjunto Fuzzy A={baixo}, no universo dos

números positivos menores ou iguais a 100, alguns valores para a função
pertinência µA (x) poderiam ser: (SIMÕES; SHAW,2007).
▪ ParaµA (0)=µA (5)=µA (10)=µA (15)=1
▪ Para µA (25) =0,9
▪ Para µA (30) =0,8
▪ Para µA (45)= 0,1
▪ Para µA (50)=µA (55)=µA (60)=.....=µA (100)=0
O fator mais importante na representação de conjuntos Fuzzy é a escolha da

função de pertinência µS(x), a escolha dessa função depende do problema a ser
modelado e também da capacidade do controlador disponível para processar o que
se deseja. Para problemas mais complicados exigem funções de pertinência não
lineares o que impactam muito mais na capacidade de processamento do que as
funções lineares. (SIMÕES; SHAW,2007), (ROISENBERG; RECH, 2011).
2.4.2 Função Pertinência
As funções de pertinência µS(x),função verdade ou membershipfunction (mf),

mostram o conhecimento que se tem em relação ao quanto o objeto analisado
pertence ao conjunto fuzzy. Funções de pertinência possuem várias formas
dependendo do tipo de processo e aplicação, geralmente são constituídas de
funções não probabilísticas crescentes, decrescentes ou subdividida em partes, para
a representação computacional podem ser representadas de forma contínua ou
65
discreta, no caso na forma continua pode ser representada por uma função
matemática, conforme figuras 39 a 47. (ROSSATO, 2015), (SIMÕES; SHAW,2007).
Figura 39 - Função Linear
Fonte:SIMPÓSIO BRASILEIRO PESQUISA OPERACIONAL, 2006
 1, xa 
 
1 − 2 x − a  , a  x  a + b 
2
 b−a 2 
f ( x, a , b ) =   (5)
b−x a+b
 2 ,  x  b 
 b−a 2 
  
 0, x b 
Figura 40 - Função Curva
Fonte:SIMPÓSIO BRASILEIRO PESQUISA OPERACIONAL, 2006

66
1 1
f ( x,  , c) = − ( x −c )
f ( x,  , c) = 1 −
1+ e (6) 1 + e − ( x−c ) (7)
Figura 41 - Função Sigmoide,(a)Sigmoide crescente;(b)Sigmoide decrescente
(a) (b)
Fonte: SIMPÓSIO BRASILEIRO PESQUISA OPERACIONAL, 2006
1
Curva1= f ( x, a, c) = , para x  4
1 + e − ( x −c ) (8)
Curva 2 = f (x,  , c ) = 1 −
1
, para x  4
1 + e − ( x −c ) (9)
Figura 42 - Função Sino-PI,composta por duas sigmoides uma crescente e outra decrescente
f (x, a, b, c ) =
1
x−c
2b
1+
a (10)
67
Figura 43 - Função Sino-BETA
2
1  x −c 
−  
gaussmf ( x;  , c) = e 2  
(11)
Figura 44 - Função Gaussina
 0, xa 
x−a 
 , a  x  b
b−a
f (x, a, b, c, d ) =  1, b  x  c 
d − x , c  x  d (12)
d − c 
 0, d  x 
68
  x−a d − x 
trapmf ( x; a, b, c, d ) = max  min  ,1, ,0 
 b−a d −c  (13)
Figura 45 - Função Trapezoidal
 0, xa 
x − a 
 , a  x  b
f (x, a, b, c ) =  b − a 
 c − x , b  x  c
c − b 
 0, c  x  (14)
  x−a c− x 
trimf ( x; a, b, c) = max  min  , ,0 
 b−a c−b  (15)
Figura 46 - Função Triangular

69
No caso de Funções Discretas, a função pertinência µs são pontos de uma

lista ou um vetor, conforme mostra a figura 47. (ROISENBERG; RECH, 2011).
Figura 47 - Função No domínio Discreto
Fonte: ROSENBERG; RECH, 2011
A escolha da função pertinência pode ser de várias funções, não existe uma
regra específica, mas, quanto mais próxima à função de pertinência µs se comportar
com o modelo físico melhor será a estabilidade e controle do sistema. As funções
apresentadas são consagradas em algumas aplicações como.(ROSSATO, 2015).
▪ Modelagem Dinâmica, Problema de Filas, Qualificadores de frequência
(alguns) – função pertinência– Sigmoide e Curva Z.
▪ Qualificadores de Quantidade (alguns) – função de pertinência – Gaussiana.
▪ Engenharia de Processos, uso comum em controle – função de pertinência –
Triangular e Trapezoidal.·.
As funções de Pertinência µs descrevem o comportamento da variável Fuzzy;

uma variável Fuzzy é uma variável linguística, diferente de uma variável clássica
(booleana), onde existem dois estados [0,1], uma variável linguística pode ilustrar
vários valores, como por exemplo, na aplicação de controle de temperatura, se
baseado no controle booleano, a variável temperatura poderá ser frio ou quente, já
considerando uma variável Fuzzy, esta pode ser fria, pouco fria, quente, muito
quente, pouco quente e etc. (SIMÕES; SHAW,2007).
70
A função das variáveis Fuzzy é oferecer uma maneira sistemática para

caracterizar sistemas não lineares e complexos, como a variável Fuzzy é uma
variável linguística, esse tipo de utilização de variável (que é a mesma empregada
pelo raciocínio humano), ao invés de variáveis quantificadas, permite uma melhor
solução de sistemas não lineares com o uso de ferramentas matemáticas
convencionais. (SIMÕES; SHAW, 2007).
2.4.3 Operações com Conjuntos Fuzzy
As operações básicas da lógica Fuzzy são as mesmas utilizadas por

conceitos de estatística, probabilidades e conjuntos, são denominadas máximo,
mínimo, comparação, contido, união, intersecção e complemento. (SIMÕES; SHAW,
2007).
Dados as variáveis Fuzzy:

𝐴 = {(𝑥, µA(𝑥))| 𝑥 ∈ 𝑿} (16)
𝐵 = {(𝑥, µB(𝑥))| 𝑥 ∈ 𝑿} (17)
▪ Comparação
A == B se A(x) = B(x)  x  X - ou seja, a variável Fuzzy A é igual a B, se
todos os pontos da curva µA são iguais a todos os pontos da curva µB, figura
48. (CAVALCANTI et al., 2012).
Figura 48 - Comparação, curva µA é pontilhada e curva µB é contínua
Fonte: CAVALCANTI et al., 2012

71
▪ Contido
B  A se A(x)  B(x)  x  X - ou seja, a variável Fuzzy B está contida em A
se todos os pontos da curva µB tem um valor menor que todos os pontos da
curva µA, figura 49. (CAVALCANTI et al., 2012).
Figura 49 Contido, curva µA é pontilhada e curva µB é contínua
▪ União
A  B se A(x)  B(x) = max (A(x), B(x)) x  X - ou seja, a união da variável
Fuzzy A com B será a variável A, se naquele ponto µA(x)>µB(x), ela será a
variável B se naquele ponto µA(x)<µB(x), conforme figura 50. (CAVALCANTI
et al., 2012).
Figura 50 União, curva em negrito representa união de µA com µB

72
▪ Interseção
A  B se A(x)  B(x) = min (A(x), B(x))  x  X - ou seja, a interseção da
variável Fuzzy A com B será a variável A, se naquele ponto µA(x)<µB(x), ela
será a variável B se naquele ponto µA(x)>µB(x), mostrado na figura 51.
(CAVALCANTI et al., 2012).
Figura 51 - Interseção, curva em negrito representa união deµA com µB
▪ Complemento
A−1 se A(x ) = 1 − A(x )  x  X - ou seja, o complemento da variável Fuzzy A

−1
será uma nova função de pertinência, figura 52. (CAVALCANTI et al., 2012).
Figura 52 - Interseção, curva em negrito representa união de µA com µB
Fonte: CAVALCANTI, 2012
▪ Propriedades
As propriedades também são as mesmas utilizadas por conceitos de

estatística, probabilidades e conjuntos. (SIMPÓSIO BRASILEIRO PESQUISA
OPERACIONAL, 2006).
73
A B = B  A
Comutatividade
A B = B  A (18)
( A  B )  C = A  (B  C )
Associatividade
A  (B  C ) = ( A  B )  C (19)
A  (B  C ) = ( A  B )  ( A  C )
Distributividade
A  (B  C ) = ( A  B )  ( A  C ) (20)
A A = A
Idem potência
A A = A (21)
▪ Tópicos Avançados
Na lógica Fuzzy as funções de pertinências podem apresentar duas ou mais

entradas, são chamados de conjunto Fuzzy tipo 2, além de trabalharem em 3
dimensões proporcionam um grau de liberdade adicional ao sistema de controle,
mostrado na figura 53. (NETO, 2006).
Figura 53 - Extensão cilíndrica de uma função de pertinência (x,y)
Fonte: NETO, 2006

74
2.4.4 Regras Fuzzy
As regras Fuzzy, são utilizadas para operar de maneira correta os conjuntos

Fuzzy, em sistemas de controle as regras relaciona o estado atual do processo com
a ação de controle para ajustá-lo ao estado desejado, para implementar essas
regras deve-se primeiro analisar o antecedente da regra e depois aplicar a ação no
processo. (CAVALCANTI et al., 2012),
A dependência da variável Fuzzy em relação à outra é descrita como uma
declaração condicional Fuzzy, exemplo de uma operação com variável Fuzzy.
(ROSSATO, 2015).
SE erro é grande Negativo ENTÃO saída é grande positiva.
As regras Fuzzy são sentenças que utilizam os conectivos, se, então, e, ou ,

senão, sistemas contendo somente regras condicionais e incondicionais não
necessitam de cuidados especiais, mas sistemas que contém ambos, há a
necessidade de cuidados com a ordem de execução das regras, regras
incondicionais devem ser executadas primeiro, devido o sistema não conseguir
atrelar a uma regra condicional, entra em default para estabilidade do sistema.
(SIMPÓSIO BRASILEIRO PESQUISA OPERACIONAL, 2006).
Na determinação das regras Fuzzy, estas devem atender critérios como,
qualquer combinação de variáveis de entrada deve ativar pelo menos uma regra;
duas ou mais regras com as mesmas entradas devem ter saídas mutuamente
exclusivas, figura 54, senão são regras inconsistentes, não devem existir regras
com saídas cujas funções de pertinência não apresentem interseção.
(ROSSATO, 2015).
75
Figura 54 - Particionamento do Espaço de entrada representado por duas variáveis de entrada com
três regras estabelecidas
Fonte: NETO, 2006
2.4.5 Inferência Fuzzy
O processo de avaliação das entradas com o intuito de atrelá-las as regras

Fuzzy , e aplicar a ação à saída que melhor se ajusta o sistema é chamado de
Inferência Fuzzy. Esse processo é realizado através de modelos de inferência, a
escolha do tipo de inferência deve levar em conta as características do processo a
ser modelado, e tempo de processamento da informação pelo controlador. Existem
vários modelos de inferência Fuzzy, os mais aplicados em controle são os métodos
dos máximos e mínimos e o método de Mandami, este último sendo a base de
controladores Fuzzy. (CAVALCANTI et al., 2012).
2.4.6 Fuzzificação
Para realizar as ações baseados em lógica Fuzzy, as variáveis de entrada do

sistema precisam ser mapeadas e cada condição da variável é atribuída um grau de
pertinência com base nas regras, ou seja, as variáveis de entrada numérica
precisam ser convertidas em variáveis linguísticas para processamento do
controlador Fuzzy, conforme mostrado na figura 55. (ROSSATO, 2015),
76
Figura 55 - Processo de fuzzificação da variável de entrada U(t), e seus respectivos graus de

pertinência
Fonte: CAVALCANTI, 2012
2.4.7 Defuzzificação
Para conseguir aplicar a ação de controle no sistema é necessário converter a

variável de saída do sistema Fuzzy em uma variável numérica, esse processos é
chamado de defuzzificação, como mostrado na figura 56. Existem métodos de
defuzzificação como média dos máximos, primeiro dos máximos, último dos
máximos e método do Centroide, este último sendo muito utilizado em controle.
77
Figura 56 - Processo de Defuzzificação da variável de entrada Uf para a variável de saída Y(t)
A técnica do Centróide consiste em, dado um universo discreto, a saída de

controle Y é dada pelo centro de gravidade do conjunto fuzzy consequente obtido
pela aplicação das regras, a fórmula é expressa da seguinte forma: (CAVALCANTI
et al., 2012)
n
 x . (x )
i A i
Y= i =0
n
  (x )
i =0
A i
(22)
O valor n na equação representa o número de quantização da saída, o valor

xi representa o valor da variável de saída para o intervalo de i e µA(xi) representa o
grau de pertinência imposto. A precisão do método depende do intervalo, quanto
menor o intervalo menor a precisão, porém o tempo de processamento menor.
78
2.5 Controlador Fuzzy
Os controladores Fuzzy são baseados nos conceitos de Lógica Fuzzy, o

primeiro controlador Fuzzy foi proposto por Mamdani, a aplicação em escala
industrial começou no Japão, os controladores fuzzy foram utilizados nos sistemas
de sinalização e controle de velocidade dos trens japoneses, hoje já existem um
série de aplicações que envolvem controladores com lógica fuzzy: (PASSINO;
YURKOVICH, 1998), (SIMÕES; SHAW, 2007).
▪ .Máquinas de lavar Hitachi utilizam controladores fuzzy para verificar a carga
de diferentes tipos de roupa, tipo de tecido e intensidade de sujeira, ajustando
automaticamente os ciclos de lavagem.
▪ A Canon possui uma câmera fotográfica que ajusta o foco automaticamente
através de informações recebidas como claridade de imagem.
▪ Mitsubishi possui um ar condicionando, que utiliza 25 regras de resfriamento
e aquecimento, o que possibilitou uma eficiência energética melhor.
▪ A EATON possui uma linha de controladores compactos para controle de
temperatura com configuração fuzzy combinado com PID, conforme mostrado
na figura 57.
Figura 57 - Controlador de Temperatura TC48/TC96 da EATON, ele utiliza os conceitos da lógica

Fuzzy para modificar os parâmetros do PID para minimizar overshoot e regulação
Fonte: EATON, 2007
No modelo de sinalização japonês o controlador Fuzzy é utilizado no lugar do

controlador convencional para aplicar os esforços de aceleração e freio. Os critérios
de segurança para evitar colisão do ATC são mantidos, o controlador PID que faz o
controle de tração e freio através da variável de entrada de posição do trem à frente,
79
é modificado por um controlador fuzzy que realiza o mesmo controle, mas as

variáveis de entrada são a posição e a velocidade do trem a frente, conforme figura
58. (SIAHVASH; MOAVENI, 2010).
Figura 58 - Arquitetura Básica de um Controlador Fuzzy em controle de tração de trens
Fonte: SIAHVASH; MOAVENI, 2010
A implementação do controlador fuzzy foi baseado no conhecimento de

especialistas em sistemas ferroviários, o que possibilitou uma redução dos custos de
operação e manutenção e melhor desempenho nos sistemas de sinalização e tração
dos trens. O Controlador Fuzzy para controle de tração é composto por uma base de
regras, estas podendo estar estruturadas em conectivos se, então, e, ou, senão,
que com base na variável de entrada aplica na variável de saída a ação de controle
desejada, a figura 59 mostra a estrutura genérica de um controlador Fuzzy, e a
figura 60 mostra a estrutura de um controlador fuzzy segundo a norma IEC 61131-
7:2000. (SIMÕES; SHAW, 2007), (SIAHVASH; MOAVENI, 2010).
Figura 59 - Arquitetura Básica de um Controlador Fuzzy
Fonte: PASSINO; YURKOVICH, 1998

80
Figura 60 - Arquitetura Básica de um Controlador Fuzz segundo a norma IE61131-7C
Fonte: IEC, 2000
Os principais componentes do controlador Fuzzy são:

(SIMÕES; SHAW, 2007)
▪ Fuzzificação converte os valores numéricos das variáveis de entrada em
variáveis fuzzy através de aplicação da(s) função (s) de pertinência.
▪ A Base de regras é formada pelas regras fuzzy que definem a estratégia de
controle do trem, junto a base de regras esta a base de dados que descreve
como cada variável de entrada e saída esta inferida com suas respectivas
funções pertinência.
▪ A máquina de inferência é o núcleo do controlador fuzzy, é nele que se
encontra o algoritmo de controle que aplica as ações de controle baseado na
base de regra e dados.
▪ A defuzzificação compatibiliza os valores das variáveis fuzzy de saída e os
converte para aplicação nas ações de controle de aceleração e freio.
Com as variáveis quantizadas, é a aplicada às ações de controle no trem de

acordo com a estratégia de controle, que está implícita nas regras fuzzy e base de
dados do controlador, a base de regra é representada por uma matriz µRn, o
controlador aplica as ações de controle na planta a partir dos valores de erro e
variação de erro com base nas regras. (SIAHVASH; MOAVENI, 2010).
81
3 MODELAGEM DOS SISTEMAS
Com os conceitos de controladores baseados em lógica fuzzy apresentados,

e conhecendo os aspectos teóricos que regem todo o processo de operações dos
trens, este capítulo apresenta a modelagem dos sistemas de tração e frenagem de
um trem, que foram modelados através do software de simulação MATLAB Simulink,
assim como o controlador de imposição de velocidade a um trem baseado em
lógica fuzzy.
Nesta monografia são apresentadas três arquiteturas propostas para estudo
de controladores fuzzy em aplicações ferroviárias, o controlador fuzzy simples, o
controlador fuzzy slip e o controlador fuzzy baseado na máxima adesão, a
arquitetura dos controladores são mostradas a seguir nas figuras 61,62 e 63,
respectivamente, por fim é apresentado um conceito de controlador fuzzy
supervisório para otimização do sistema de sinalização utilizado em trens para
passageiros, os modelos dos drivers de tração e freio, assim como o trem foram
baseados no modelo Série 8000 CPTM da CAF.
Figura 61 - Arquitetura Básica do Controlador Fuzzy Simples
Fonte: AUTOR, 2017

82
Figura 62 - Arquitetura Básica do Controlador Fuzzy SLIP
Fonte: AUTOR, 2017
Figura 63 - Arquitetura Básica do Controlador Fuzzy baseado na máxima adesão
Fonte: AUTOR, 2017

83
3.1. Modelagem Trem e Rodeiro
No processo de modelagem de um trem, é preciso modelar parte por parte

de uma locomotiva e vagão, basicamente uma locomotiva é formada pelos seguintes
sistemas: Elétrico, constituído de transformadores de potência, inversores e motores
de tração; Mecânico, formado pelos sistemas de acoplamentos, suspensão e
equipamentos de transmissão; Pneumático, constituídos por compressores de ar
para o sistema de freio e válvulas. (SPIRYAGIN et al., 2014).
No sistema de transporte de passageiros é utilizado o conceito EMU – Eletric
Multiple Unit , o sistema EMU é composto de carros motores e carros reboques,
conforme mostrado na figura 64. (SPIRYAGIN et al., 2014).
Figura 64 - Exemplos de configurações comerciais para trem EMU , onde carros motores M e carros
reboques T
Os carros motores são responsáveis pela tração, onde estão instalados os

equipamentos de tração e motores, os carros reboques não utilizam equipamentos
de tração, em algumas aplicações de fabricantes são instalados pantógrafos e
compressores de ar para o sistema de freios. (SPIRYAGIN et al., 2014).
Para cada configuração de EMU o que diferencia um modelo de trem de outro
é aplicação, nos casos de transporte urbanos a velocidade é restrita em 180 Km/h, a
fim de diminuir efeitos de ruídos e gerando maior conforto aos passageiros sem a
necessidade de equipamentos especiais e suspensão ativa, ao contrario de trens
regionais que podem alcançar velocidades na faixa de 400 Km/h onde se há
necessidade de controles complexos para estabilidade do trem.
(SPIRYAGIN et al., 2014).
84
A modelagem de um trem é utilizada para uma série de analises que envolve

a operação de um trem, desde análise de dinâmica de movimento, aerodinâmica,
sistema de freio e falhas. Modelar todos os sistemas de um trem se torna uma tarefa
complexa e exige um poder computacional muito grande, sendo necessário analisar
sistemas separados de acordo com cada simulação. A modelagem dinâmica de um
trem utiliza as mesmas técnicas utilizadas em sistemas mecânicos, que são
baseados na massa e na inércia de um veículo, figura 65. (SPIRYAGIN et al., 2014).
Figura 65 – Modelagem de um Vagão
Para se analisar o comportamento dinâmico de um trem, tem se utilizado um

modelo especifico para trens, o método de comportamento longitudinal dos trens,
que pode ser regido pela Segunda Lei de Newton, expressa na equação 23.
(SPIRYAGIN et al., 2014), (LOZANO et al., 2012).
𝑑𝑣
∑𝐹 = 𝑚 ×𝑎 = 𝑚 × (23)
𝑑𝑡
O modelo dinâmico de um trem é descrito por sistemas de equações

diferenciais, assumindo que não existe movimentação lateral nem vertical durante o
percurso do trem na via, o comportamento longitudinal de um trem pode ser descrito
85
como uma função com variáveis de entrada como a aplicação dos freios, topografia
da via e características do sistema de tração. Pela segunda lei de Newton as forças
resultantes em um trem são a Ft – força de tração ou frenagem aplicada ao trem e
as forças de resistência Fr que se opõem ao movimento do trem, a figura 66 ilustra
a atuação de forças em um trem. (SPIRYAGIN et al., 2014), (LOZANO et al., 2012),
(PIRES, 2002).
Figura 66 - Forças Atuantes em um trem
Ft Fr
Fonte: STIPPE, 2016
Logo através das forças agindo no trem conforme descrito na figura 66, temos
a equação 24:
𝑑𝑣
𝐹𝑡 − 𝐹𝑟 = 𝑚 × 𝜉 × 𝑎 = 𝑚 × 𝜉 × 𝑑𝑡 (24)
Na equação 24 a constante ξ surge devido ao efeito de rotação das massas,

ocorrendo uma aumento da massa do trem devido a inércia dos eixos, rotores e
rodeiros, o coeficiente de rotação das massas é retirado da tabela 1.(PIRES, 2002).
Tabela 1 - Coeficiente de Rotação das Massas
Tipo de Veículo ξ
1,06 à
Trem Completo 1,10
1,02 à
Carro Motor e Reboques 1,04
1,15 à
Adesão
Locomotivas 1,30
1,08 à
Carro Motor 1,14
1,05 à
Vagão 1,12
Fonte: ALLENBACH, 2016

86
O modelo simplificado para um trem, com os carros motores e carros

reboques pode ser obtido através da equação 24, com o coeficiente de rotação das
massas ξ igual 1,1, e o número total de eixos tracionando do trem, conforme
mostrado na figura 67. (SPIRYAGIN et al., 2014), (LOZANO et al., 2012), (PIRES,
2002).
Figura 67 - Modelo Simplificado de um trem
Fonte: SIMULINK, 2017
A força de tração ou frenagem Ft é transmitida dos rodeiros diretamente para

a massa do trem, logo temos a equação de movimento do trem descrita na equação
25. (SPIRYAGIN et al., 2016), (BARNA, 2012).
𝑑𝑣 𝐽 𝑑𝜔𝑒
𝑚×𝜉× + ∑𝑛𝑖=1 × = ∑𝑛𝑖=1 𝐹𝑎𝑑𝑖 − 𝐹𝑟 (25)
𝑑𝑡 𝑅𝑟 𝑑𝑡
As forças que se opõem ao movimento do trem podem ser classificadas em

dois tipos:
Rn – Resistência normal são forças que tanto em reta ou desnível, se opõem

ao movimento do trem, fatores como resistência dos enrolamentos do rodeiros, atrito
entre rodeiro e trilho, atrito mecânicos devido transmissão de força do sistema de
tração, aerodinâmica do trem entre outros. (SPIRYAGIN et al., 2014), (LOZANO et
al., 2012), (PIRES, 2002).
87
Ra – Resistências acidentais são forças que ocorrem durante o percurso do

trem na via, como curvas e rampas, nos casos de declive estas forças contribuem
para o movimento do trem. (SPIRYAGIN et al., 2014), (LOZANO et al., 2012),
(PIRES, 2002).
∑ 𝐹𝑟 = 𝑅𝑛 + 𝑅𝑎 (26)
Ao considerar todos estes fenômenos na modelagem do trem, torna o

processo de modelagem complicado, a fim de se aplicar um modelo eficaz para
análise dinâmica, será utilizado a equação de Davis, equações 26 e 27, comumente
utilizados para trens de passageiros. (SPIRYAGIN et al., 2014), (LOZANO et al.,
2012), (PIRES, 2002).
𝑅𝑛 = 𝐴 + 𝐵 × 𝑉 + 𝐶 × 𝑉 2 (27)
500
𝑅𝑎 = [(𝑅𝑔 + ) × (𝑚 + 𝑚𝑟)] (28)
𝑅
.
Na equação de Davis, equação 27, o termo A é independente da velocidade,
dependendo somente da massa do veículo é do número de eixos, o segundo termo
B da equação depende da velocidade, devido a resistências de fricção, em algumas
companhias de trens esse termo pode ser descartado devido ser muito baixo, o
terceiro e último termo C, esta relacionado a aerodinâmica do trem. A equação 28
leva em consideração os fatores da Resistências acidentais como rampa e curvas,
os termos referentes a esta resistências não são em função da velocidade, por isto
em trechos lineares sem inclinações ou curvas pode-se descartar estes termos. O
modelo adotado para os coenficientes são considerados para um trem de
passageiros, os coeficiente da equação de Davis, segundo Boschetti e Mariscotti
(2012), pode ser simplificada como mostrado nas equações 29, 30 e 31, afim de se
simplificar a modelagem. (SPIRYAGIN et al., 2014), (BOSCHETTI; MARISCOTTI,
2012).
𝐴 = [6.4 × 𝑚𝑟 + 8 × 𝑚𝑐] (29)
𝐵 = [0.18 × 𝑚 + 1 × 𝑛𝑡𝑟 + 0.005 × 𝑛𝑡𝑐 × 𝑃𝑛] (30)

88
𝐶 = [0.6125 × 𝑐𝑎𝑡 × 𝑆𝑣 + 0.00197 × 𝑑𝑡 × 𝑙𝑡 + 0.0021 × 𝑑𝑡 × 𝑖𝑔 × [𝑛𝑡𝑟 + 𝑛𝑡𝑐 − 1] +

0.2061 × 𝑐𝑎𝑡𝑟 × 𝑛𝑡 + 0.2566 × 𝑛𝑝 ] (31)
Com base nestas equações foi obtido o modelo para o trem, conforme figura
68, os termos da equação do modelo são calculados no script do programa de
simulação, conforme figura 69.
Figura 68 - Modelo Completo do trem

89
Figura 69 – Script de Cálculo da Equação de Davis
Fonte: AUTOR, 2017
Ao se aplicar o esforço de tração Ft, este é transmitido para os rodeiros do trem

através do sistema de transmissão, e os rodeiros transferem para o trilho, devido a
este contato rodeiro e trilho, a força de tração Ft é limitada pelo controlador do trem,
a fim de se evitar problemas com patinação do rodeiro e problemas de frenagem.
Com base na figura 70, é ilustrado o diagrama de forças atuantes sobre o rodeiro do
trem, onde V é a velocidade, Qr é o produto da massa sustentada pelo rodeiro pela
força da gravidade g, N é a força de reação do trilho devido Qr, Fr são as forças de
oposição, Ft a força de tração aplicada e Tt o torque de tração. (SPIRYAGIN et al.,
2014), (LOZANO et al., 2012), (PIRES, 2002).
90
Figura 70 - Diagrama de esforços no contato Rodeiro e Trilho
A limitação imposta devido ao contato de rodeiro trilho é chamada de Força

de Adesão, Fad, mostrada na equação 32. (SPIRYAGIN et al., 2014), (LOZANO et
al., 2012), (PIRES, 2002).
|𝐹𝑡| ≤ |𝐹𝑎𝑑| (32)
O módulo na equação 32 é devido a força Ft ser tanto para tracionar o trem,

quanto para a frenagem. Se a força de tração for maior que a força de adesão, no
caso de um processo de tração do trem os rodeiros podem sofrer um efeito de
patinação, o mesmo vale para o processo de frenagem, que caso ocorra pode fazer
com que os rodeiros deslizem sobre os trilhos, aumentando a distância de frenagem
e afetando a segurança do trem. A equação que rege a força de adesão é mostrada
na equação 1, onde o coeficiente µ é o coeficiente de adesão. (SPIRYAGIN et al.,
2014), (LOZANO et al., 2012), (PIRES, 2002).
𝐹𝑎𝑑 = 𝜇 × 𝑄𝑟 (1)
O coeficiente de adesão µ depende de fatores como rolamentos dos rodeiros,

temperatura, umidade, sujeira, falhas estruturais dos trilhos e a velocidade do trem.
O cálculo do coeficiente de adesão é obtido através de ensaios, nos quais grandes
companhias de trens utilizam-nos para obter o modelo do trem especifico de suas
operações. A equação 33, apresenta um cálculo do coeficiente de adesão utilizado
91
por companhias ferroviárias, esta equação é baseada em experimentosrealizados

em diversas condições de clima e contaminantes nos trilhos, segundo Polach
(2005). (SPIRYAGIN et al., 2014), (LOZANO et al., 2012), (PIRES, 2002), (POLACH,
2005).
𝜇 = 𝜇0 × ((1 − 𝐴𝜇 ) × 𝑒 −𝐵𝑢𝑉𝑠 + 𝐴𝜇 ) (33)
𝑉𝑠 = 𝑉 − 𝑉𝑤 (34)
Os termos Aμ e Bμ na equação 33, se referem respectivamente a razão do

limite de fricção á máxima velocidade de fricção e o coeficiente de decaimento de
fricção, a velocidade de escorregamento na equação 34, depende da velocidade do
rodeiro, Vw e a velocidade do trem V, em m/s. (SPIRYAGIN et al., 2014)
Um dos problemas na engenharia de tração ferroviária é o coeficiente de
adesão, aumentando o coeficiente, aumenta-se a adesão do rodeiro aos trilhos, uma
das técnicas utilizadas em ferrovias brasileiras é de se utilizar dispositivos que
injetam areia nos trilhos, a fim de se aumentar o atrito rodeiro trilho, conforme
mostrado na figura 71. O coeficiente µ0 é obtido por ensaios, a tabela 2 mostra os
valores utilizados em companhias de trem no mundo. (SPIRYAGIN et al., 2014),
(LOZANO et al., 2012), (PIRES, 2002), (BARNA, 2012).
Tabela 2 – Coeficiente de Adesão µ0 adotado por companhias de trem
Companhias de Trens Tipo de Locomotiva Valor de µ0

Locomotivas Eletricas monofasicas com
0,33
Société nationale des chemins de fer truque monomotor
français -SNCF (França) Locomotivas Eletricas monofasicas com
0,35
truque multmotor
Deutsche Bahn - DB (Alemanha) Locomotivas Eletricas monofasicas 0,33
Red Nacional de Ferrocarriles Locomotivas Eletricas clássicas 0,27
Españoles - RENFE (Espanha) Locomotivas Eletricas modernas 0,31
Fonte: LOZANO et al., 2012
92
Figura 71 - Dispositivo de injeção de areia para aumentar o coeficiente de adesão
Fonte: AYASSE; CHOLLET, 2006
Os termos A, B e o coeficiente µ0 na equação 33, se alteram de acordo com

a condição do contato entre rodeiro e trilho, foram utilizados para obtenção das
curvas de adesão os valores para condição de contato rodeiro trilho seco e molhado,
conforme mostra a tabela 3, baseados em dados obtidos em experimentos segundo
Polach (2005). (SPIRYAGIN et al., 2016), (AYASSE; CHOLLET, 2006), (POLACH,
2005).
Tabela 3 – Parâmetros de Polach para o modelo do coeficiente de adesão
Condição de
µ0 A B KA KS
Contato
Seco 0,47 0,44 0,70 0,60 0,15
Molhado 0,30 0,38 0,10 0,29 0,09
Fonte: SPIRYAGIN et al., 2016
O valor do coeficiente de adesão μ pode ser estimado rearranjando os termos

da equação 1, com isso é possível analisar o comportamento do coeficiente de
adesão μ em relação ao escorregamento entre as velocidades do rodeiro e do trem
no domínio do tempo, equação 35. (SPIRYAGIN et al., 2016) , (AYASSE; CHOLLET,
2006).
93
𝐹𝑎𝑑
μ= (35)
𝑄𝑟
Com base nas equações 33, 34 e 35 foi obtido o modelo para o coeficiente de
adesão , conforme figura figura 72, os termos da equação do modelo são calculados
no script do programa de simulação, conforme figura 73.
Figura 72 – Modelo do Coeficiente de Adesão μ

94
Figura 73 – Script Parâmentros Coeficiente de Adesão
Fonte: AUTOR, 2017
O torque de tração,mostrado na equação 36, é transferido dos motores de

tração para os rodeiros através de engrenagens que compõem o sistema de
transmissão. Para a solução de sistemas mecânicos de translação será utilizadas as
equações de movimento, onde, o torque do motor de tração Tm é transferido por um
conjunto de engrenagens para o rodeiro do trem, como mostra a figura 74.
(PIRES, 2002), (ALLENBACH, 2012).
𝑑𝜔𝑒
J× + B × 𝜔𝑒 = Tt − Fai × R r (36)
𝑑𝑡
95
Figura 74 - Transmissão do Torque do motor de tração para os rodeiros
Fonte: ALLENBACH , 2016
A força de tração Ft pode ser expressa pela equação 37 , onde ηt é o

rendimento do sistema de transmissão, Tm é o torque do motor de tração, Rr é o
raio do rodeiro e Kg é a relação de transmissão das engrenagens, está equação é
valida para um eixo sendo acionado por um motor de tração. (PIRES, 2002),
(ALLENBACH, 2012).
𝑇𝑚
𝐹𝑡 = 𝜂𝑡 × 𝐾𝑔×𝑅𝑟 (37)
O modelo obtido para o sistema de transmissão do trem é mostrao na figura

75, com a equação 37 modifcada para se obter torque de tração Tt aplicado ao
rodeiro, a figura 76 mostra o modelo completo com o rodeiro.
Figura 75 - Modelo da Transmissão do Torque do motor de tração para os rodeiros

96
Figura 76 - Modelo do Rodeiro
A força de adesão na figura 76, é baseado no modelo de deslizamento

longitudinal de Polach, segundo Spiryagin (2016), este modelo não necessita de
poderes computacionais grandes e oferece uma abordagem simplificada para
análise de trens, conforme mostra as equações 38 e 39. (SPIRYAGIN et al., 2016),
(AYASSE; CHOLLET, 2006), (SEBEȘAN; ZAKARIA, 2014).
2.𝑄.𝜇 𝑘𝑎.𝜀
𝐹𝑎𝑑 = [1+(𝑘𝑎.𝜀)2 + tan−1(𝑘𝑠. 𝜀)] (38)
𝜋
𝐺×𝜋×𝑎×𝑏×𝑘×𝐶1
𝜀= (39)
4×𝑄×𝜇
𝑘𝑎 +𝑘𝑠
𝑘= (40)
2
𝑎 2 𝑎
𝐶1 = 0,32955. (𝑏) + 0,48538. (𝑏) + 3,4992 (41)
O contato rodeiro trilho esta diretamente ligado a força de adesão, modelar

este sistema é algo extremamente complexo e imperfeito, as tensões mecânicas
elvolvidas são altas e a superfície de contato do rodeiro com trilho não apresenta
nenhuma linearidade devido a diversos fatores como desgaste, tanto da superfície
do rodeiro, quanto trilho , fatores climáticos ou mesmo fatores como pedras de lastro
da via, o rodeiro de um trem pode ser considerado como um cilindro cônico que
ligado por uma flange forma o conjunto de rodeiros do truck do trem conforme
mostrado na figura 77. (SPIRYAGIN et al., 2016), (AYASSE; CHOLLET, 2006).
97
Figura 77- Modelo Básico Rodeiro Ferroviário
O modelo proposto não prevê os deslocamentos laterais em Fy e nem o

ângulo de deslocamento α, elimando assim dois graus de liberdade ao sistema,
serão considerado apenas os deslocamentos longitudinais em Fx , ocasionandos
devido aos processos de tração e frenagem do trem, a interação entre rodeiro e
trilho ocorre em uma pequena área do rodeiro, conforme mostra a figura 78, esta
superfície sofre os estresses da pressão aplicada de as forças de tração e de
frenagem, para determinar esse comportamento é utilizado diversos métodos de
estudos de contato rodeiro trilho utilizando métodos dos elementos finitos, afim de
simplificar o modelo e utilizar um modelo simples e com baixo esforço computacional
foi utilizado o modelo hertiziano clássico para mecânica de contatos. (SPIRYAGIN et
al., 2016), (POLACH, 2005), (AYASSE; CHOLLET, 2006)
Figura 78 - Área de Contato Rodeiro Trilho

98
A teoria linear elástica de Hertz para simplificação do modelo compreende as

seguintes simplificações, as superfícies são continuas, as deformações na região de
contato são pequenas, o corpo deve possuir um raio de curvatura maior que a área
de contato, conforme mostrado na figura 79, para o caso geral da teroria de Hertz.
Assumindo essas limitações a superfície de contato pode ser considerada uma
elipse assim como a pressão de contato, a distribuição de forças na área de contato
entre rodeiro e trilho, exemplificado na figura 80 de acordo com a teoria de Hertz e a
aproximação de Polach. (DUARTE, 2016), (POLACH, 2005), (AYASSE; CHOLLET,
2006).
Figura 79 - Teoria Geral do Contato de Hertz entre dois corpos
Onde na figura 79, os termos A e B se referem a curvatura de rolamento

longitudinal e a curvatura transversal no ponto de contato, respectivamente.
(AYASSE; CHOLLET, 2006), . (SPIRYAGIN et al., 2016).
99
Figura 80 - Distribuição de Forças na Área de Contato entre Rodeiro e Trilho
Fonte: POLACH, 2005
O cálculo da força de adesão expresso nas equações 38 e 39 , os termos a e

b se referem as área de adesão e escorregamento, respectivamente conforme
mostrado na figura 80, os coeficientes a e b foram calculados utilizando as equações
42 a 50 . (AYASSE; CHOLLET, 2006), (SPIRYAGIN et al., 2016)
3 3𝜋.𝑁.(𝑘1 +𝑘2 )
𝑎 = 𝑚√ (42)
4.𝑘3
3 3𝜋.𝑁.(𝑘1 +𝑘2 )
𝑏 = 𝑛√ (43)
4.𝑘3
100
1−𝜗𝑡 2
𝑘1 = (44)
𝐸𝑟
1−𝜗𝑟 2
𝑘2 = (45)
𝐸𝑡
1 1 1 1 1
𝑘3 = 2 [𝑟 + 𝑟′ + 𝑟 + 𝑟′ ] (46)
1 1 2 2
1 1 1
𝐴 = 2 [𝑟 + 𝑟 ] (47)
1 2
1 1 1
𝐵 = 2 [𝑟′ + 𝑟′ ] (48)
1 2
𝐴 1
𝑛 (𝐵) = 𝑚 (𝐴⁄𝐵) (49)
1 𝑡𝑟 𝐸
𝐺 = 2 [1+𝜗 +] (50)
𝑡𝑟
O modelo proposto apresenta apenas o escorregamento longitudinal , logo na

equação 45 a curvatura longitudinal A , os termos r1 e r2 , são respectivos ao raio de
contato do rodeiro e do trilho, o termo referente ao raio do trilho foi considerado
infinito, e o termo referente ao trilho aproximado para o raio do rodeiro do trem. Os
cálculos dos coeficientes m e n foram interpolados utilizando os valores da tabela 4,
o valor do ângulo θ, é referente ao ângulo de rotação entre a direção longitudinal do
eixo do rodeiro e a linha central do trilho, na prática se utilizam valores bem
pequenos. (AYASSE; CHOLLET, 2006), (SEBEȘAN; ZAKARIA, 2014).
Tabela 4 - Coeficientes de Hertz para θ entre 0 e 180°
θ° 0 5 10 30 60 90 120 150 170 175 180

A/B 0 0,0019 0,0077 0,0717 0,3333 1,00 3.0 13,930 130,6 524,60 ∞
b/a=n/
0,0212 0,0470 0,1806 0,4826 1,00 2,0720 5,538 21,26 47,20
m 0 ∞
11,238
6,6120 2,7310 1,4860 1,00 0,7171 0,493 0,311 0,238 0
m ∞ 0
r 0 0,2969 0,4280 0,7263 0,9376 1,00 0,9376 0,7263 0,4280 0,2969 0
101
Os coeficientes k1 e k2, nas equações 44 e 45 são baseados nas propriedades

geométricas e de material do trilho e do rodeiro, considerando o mesmo material
para trilho e rodeiro, os coeficiente de Poisson´s, ϑt do trilho e ϑr do rodeiro possuem
valores iguais, o mesmo vale para os coeficiente elásticos, Et do trilho e Er do
rodeiro. As equações foram calculadas utilizando o script do programa de simulação,
conforme mostrado na figura 81, e o modelo para força de adesão conforme figura
82 . (AYASSE; CHOLLET, 2006), (SPIRYAGIN et al., 2016).
Figura 81- Script Cálculo Equações de Hertz e Polach
Fonte: AUTOR, 2017

102
Figura 82 – Modelo da Força de Adesão
A velocidade do rodeiro pode ser expressa pela equação 51, onde ωe é a

velocidade angular o eixo do rodeiro e ωm a velocidade angular do eixo do motor.
(PIRES, 2002), (ALLENBACH, 2012).
𝜔𝑒 = 𝐾𝑔 × 𝜔𝑚 (51)
Arranjando a equação 51 para obter a velocidade rodeiro do trem em km/h,

que é expressa na equação 52. (PIRES, 2002), (ALLENBACH, 2012).
𝑘𝑔×𝑅𝑟×2×𝜋
𝑉 = 𝜔𝑚 × (52)
60
103
O modelo do trem proposto considera a composição inteira de uma unidade

como um único corpo, desconsiderando as massas e deslocamentos individuais de
cada vagão, que são influenciados pelos engates entre vagões e configuração EMU
utilizada onde há carros reboques e carros motores que efetuam a tração do trem,
conforme mostrado na figura 83. (SPIRYAGIN et al., 2014), (PIRES, 2002).
Figura 83 -Modelo para 3 vagões considerando o deslocamento e aceleração de cada vagão e o

engate de acoplamento
O carro motor será tratado como um único vagão considerando o número total
de motores para o trem série 8000 da CAF- CPTM, o esforço aplicado pelos motores
é igualmente dividido entre os eixos, o diâmetro dos rodeiros iguais, o conjunto de
transmissão possui rendimento ideal, a massa do trem permanece invariável, nas
simulações propostas é considerada a massa total da unidade do trem, as massas
consideradas para simulação do controlador será utilizada com o trem vazio,
utilizados em testes realizados em fábrica, conforme especificação do projeto básico
do trem série 8000. O perfil de via utilizado foi baseado em condição ideal, não
foram considerados aspectos como rampas e curvas e paradas entre estações, que
não condizem com o aspecto real de operação, sem condições e desgastes de
trilhos e condições ambientais de acordo com o proposto no modelo gerado, o
modelo obtido pode ser visto na figura 84, os dados do trem foram retirado de
relatórios e memoriais de cálculo de tração e frenagem do trem série 8000, alguns
dados disponíveis para conhecimento público são mostrado no anexo A , assim
como os scripts completos no apêndice A.
104
Figura 84 - ModeloTrem 8000 da CPTM
3.2. Modelagem Driver Freio
Aplicação de frenagem em um trem é um dos processos mais críticos em sua

operação, se a força de frenagem aplicada exceder o valor da força de adesão Fad,
os rodeiros do trem podem patinar, ocasionando uma distância maior de frenagem,
danos aos rodeiros e principalmente afetando a segurança do sistema (SPIRYAGIN
et al., 2014),(BARNA, 2012).
A modelagem de um sistema de freio eletropneumático de um trem pode se
tornar muito complexo e consiste de uma série de fatores não lineares, a fim de
simplificar o modelo, foi adotado o trem como um único corpo, não considerando a
configuração EMU, a aplicação dos freios é simultânea nos rodeiros e não existem
perdas de pressão no sistema. (SPIRYAGIN et al., 2014), (BARNA, 2012)
O modelo proposto descreve a relação entre a pressão nos cilindros com a
força de frenagem aplicada, a pressão aplicada em uma válvula pode ser descrita
pela equação 53 , proposta por Barna (2012) em Matlab Simulink Model of a Braked
Rail Vehicle and Its Aplications, onde Pvalin é a pressão de entrada na válvula e
Pmax é a pressão maxima do sistema de frenagem. (BARNA, 2012).
𝑃𝑣𝑎𝑙𝑖𝑛 = 𝑃𝑚𝑎𝑥(1 − 𝑒 −0,75𝑡 ) (53)

105
A válvula responsável por acionar o atuador de freio, possui a constantes de

tempo para acionar Tac e para exaustão Tex, a pressão no atuador pode ser
descrita pelas equações 54, 55 e 56. (SPIRYAGIN et al., 2014), (BARNA, 2012).
𝑡−𝑡𝑎𝑡𝑟𝑎𝑠𝑜
−
𝑃𝑐𝑖𝑙𝑖𝑛 = 𝑝0 + (𝑃𝑣𝑎𝑙𝑖𝑛 − 𝑝0 ) × (1 − 𝑒 𝑡𝑎𝑐 ) (54)
𝑡−𝑡𝑎𝑡𝑟𝑎𝑠𝑜
−
𝑃𝑐𝑖𝑙𝑖𝑛 = 𝑝0 × 𝑒 𝑡𝑒𝑥 (55)
𝑃𝑐𝑖𝑙𝑖𝑛 = 𝑝0 (56)
Com base nas equações de pressão do atuador devem-se modelar os atritos

nos discos de freio e a área de atuação dos discos nos rodeiros, a relação entre a
pressão do atuador e a pressão de fricção dos blocos de freio pode ser descritas
pelas equações 57 e 58, proposta por Barna (2012). (BARNA, 2012).
𝑃𝑓𝑟𝑒𝑖𝑜 𝑎𝑐 = (𝑃𝑐𝑖𝑙𝑖𝑛 × 𝐴𝑝𝑖𝑠𝑡𝑎𝑜 − 𝐹𝑚𝑜𝑙𝑎 ) × 𝑏𝑠 × 𝑏𝑟 × 𝑖𝑟𝑜𝑑𝑒𝑖𝑟𝑜 (57)
𝑃𝑓𝑟𝑒𝑖𝑜 𝑒𝑥 = (𝑃𝑐𝑖𝑙𝑖𝑛 × 𝐴𝑝𝑖𝑠𝑡𝑎𝑜 − 𝐹𝑚𝑜𝑙𝑎 ) × (2 − 𝑏𝑠 × 𝑏𝑟 ) × 𝑖𝑟𝑜𝑑𝑒𝑖𝑟𝑜 (58)
E a equação para a força de frenagem eletropneumática pode ser expressa

pela equação 59 e o torque de frenagem pela equação 60.(BARNA, 2012).
𝑃𝑓𝑟𝑒𝑖𝑜 ×∝×𝑟𝑑𝑖𝑠𝑐𝑜
𝐹𝑓𝑟𝑒𝑛𝑎𝑔𝑒𝑚 = (59)
𝑅𝑟
𝑇𝑓𝑟𝑒𝑛𝑎𝑔𝑒𝑚 = (𝑃𝑓𝑟𝑒𝑖𝑜 ) ×∝× 𝑟𝑑𝑖𝑠𝑐𝑜 ) (60)
O equacionamento da Força de Frenagem depende do coeficiente de fricção

α do disco de freio e do rodeiro, o coeficiente representa uma função não linear que
depende de fatores como desgaste da pastilha de freio, desgaste do rodeiro e
velocidade, a equação 61 proposta por Karvatzki segundo Cruceanu (2012)
simplifica para fins de modelação de freios. (SPIRYAGIN et al., 2014), (CRUCEANU,
2012).
106
16
𝑉+100 𝑃𝑓𝑟𝑒𝑖𝑜× +100
𝑔
𝛼 = 0,6 × 5×𝑉+100 × 86 (61)
𝑃𝑓𝑟𝑒𝑖𝑜× +100
𝑔
A pressão de fricção Pfricção pode ser equacionada, conforme equação 62.

𝑃𝑓𝑟𝑒𝑖𝑜 𝑎𝑐
𝑃𝑓𝑟𝑖𝑐çã𝑜 = (62)
𝐴𝑑𝑖𝑠𝑐𝑜
Ajustando-se as equações para o modelo, foi obtido a equação 63:
𝑃𝑐𝑖𝑙
𝑖𝑛
𝑃𝑓𝑟𝑒𝑖𝑜 𝑎𝑐 = (𝑃𝑐𝑖𝑙𝑖𝑛 × 𝐴𝑝𝑖𝑠𝑡𝑎𝑜 − 𝐹𝑚𝑜𝑙𝑎 × 𝑃𝑚𝑎𝑥 ) × 𝑏𝑠 × 𝑏𝑟 × 𝑖𝑟𝑜𝑑𝑒𝑖𝑟𝑜 (63)
No modelo, para efeitos de simulação, não será empregado o efeito da

frenagem por exaustão, sendo somente aplicada a situação de acionamento do
bloco do freio, conforme figura 85 e 86.
Figura 85 - Modelo Bloco de Freio Trem 8500 da CPTM
𝑃𝑣𝑎𝑙𝑖𝑛 = 𝑆𝑃𝑓𝑟𝑒𝑛𝑎𝑔𝑒𝑚 × 𝑃𝑚𝑎𝑥(1 − 𝑒 −0,75𝑡 ) (64)
O valor SPfrenagem será a relação de controle percentual da válvula para o

controle do bloco do freio, conforme equação 64.
107
Figura 86 - Modelo Válvula de Freio Trem 8500 da CPTM
Fonte: Adaptado do Simulink
A figura 87 mostra o modelo de driver de frenagem proposto montado no

Simulink.
Figura 87 - Modelo Driver de Freio Trem 8500 da CPTM
O modelo do driver do freio não contempla perdas no sistema de ar

comprimido, nem desgaste mecânico de pastilhas de freio e outros efeitos de
desgaste mecânico ou não linearidades do perfil de via, o valor de Set point para
frenagem foi considerado linear, a força de frenagem exercida é igual em todos os
dispositivos de frenagem acoplados aos rodeiros do trem, os dados obtidos foram
retirados do documento Memorial de Cálculo de Freios de Atrito 8000 da CAF,
alguns dados disponíveis para conhecimento público são mostrado no apêndice A.
3.3. Modelagem Driver de Tração
A força de tração Ft é responsável pelo movimento do trem, essa força é

gerada pelo movimento dos motores e inversores de tração que distribuem essa
força para as rodas. A força máxima de tração que pode ser aplicada é limitada pela
força de adesão Fad. A potência do sistema de tração é dada em watts, e pode ser
calculada conforme equação 65. (SPIRYAGIN et al., 2014), (SPIRYAGIN et al.,
2016).
108
𝐹𝑡×𝑉
𝑃𝑡𝑟𝑎çã𝑜 = (65)
3,6
Os sistemas de tração dos trens modernos utilizam motores AC, os motores

tipo gaiola de esquilos são os mais utilizados por não possuírem ligação elétrica ao
rotor, o acionamento do motor é realizado por inversores de frequência, conforme
mostra a figura 88, as estratégias de controle utilizadas são, o controle orientado
para o campo, FOC, e o binário direto, DTC. (SPIRYAGIN et al., 2014).
Figura 88 – Arquitetura sistema de Tração 8500 CPTM
Fonte: CPTM, 2014
Os inversores de tração são formados por uma ponte de seis IGBT´s que
fazem a conversão da tensão de Linha da rede aérea DC do trem para a tensão
alternada trifásica controlada para os motores de tração, conforme figura 89, o
controle de modulação vetorial, permite um excelente controle do torque com um
elevado grau de precisão. (SPIRYAGIN et al., 2016).
109
Figura 89 – Arquitetura do Inversor de Frequência
A modelagem do sistema de tração é uma tarefa extremamente complexa,

visto que o sistema pode ser divido em aspectos mecânicos, elétricos e elementos
de controle, o inversor de tração possui um controlador próprio, tornando a
modelagem complexa, a modelagem dos motores de tração pode ser feitas através
de dados fornecidos por fabricante ou medições experimentais. A fim de simplificar o
modelo do sistema de tração e devido o fabricante não fornecer dados do sistema,
segundo Spiryagin (2016) podemos assumir o modelo apresentado na figura 90 para
o sistema de tração. (SPIRYAGIN et al., 2016).
Figura 90 – Modelo de Controle de Tração
O valor do torque de entrada é o set point do controlador, o limitador de

torque é definido pela máxima potência de tração de cada inversor e motor pode
fornecer, segundo Spiryagin (2016) é possível aproximar o inversor e o motor de
tração por um sistema de 1 ordem, conforme equação 66. (SPIRYAGIN et al., 2016).
110
𝐾
𝐺(𝑠) = 𝜏 𝑠+1 (66)
O valor de 𝜏 é a constante de tempo, o valor é obtido através da análise dos

gráficos de desempenho do sistema de tração através de testes e sistemas de
aquisição de dados. (SPIRYAGIN et al., 2016).
As simulações foram realizadas baseando-se no sistema na figura 91.
Figura 91 – Modelo do Sistema de Tração proposto
Através dos relatórios de testes de aceitação de fabrica (TAF) e das curvas de

tração e torque conforme figura 92 foi obtido o valor de 𝜏 para o sistema de primeira
ordem para o inversor e motor de tração.
111
Figura 92 – Curvas de Tração e Torque
Fonte: CPTM, 2014
O modelo completo do trem 8000 CAF, pode ser obtido através da

modelagem dos sistemas de tração e frenagem e o modelo de forças longitudinal do
trem, conforme figura 93.
Figura 93 – Modelo do Trem 8000 com Drivers de Tração e Frenagem

112
O modelo proposto não pode ser utilizado para julgar analises de precisão, o
contato trilho e rodeiros possuem características que não são constantes, condições
de vias irregulares, a distribuição dos pesos do trem entre os rodeiros não serem
iguais, o torque aplicado aos motores pode não ser distribuído igualmente entre os
motores e as forças de componentes laterais e verticais afetam o sistema de tração
e freio, o sistema de frenagem dos trens prioriza a frenagem dinâmica dos trens,
devido a falta de dados não foi possível realizar a modelagem do freio, sendo
realizado nas simulações apenas a frenagem por atrito, os sensores de velocidade
do rodeiro e trem não foram modelados devido a falta de informações do fabricante
e devido serem de segredo industrial. Mas o modelo oferece um ponto de partida
para estudos e modelagens de trens. (SPIRYAGIN et al., 2016)
113
4 DESENVOLVIMENTO DO CONTROLADOR DO TREM
Com a modelagem dos drivers de tração, freio e dinâmica do trem elaborados

no capítulo 3, para o desenvolvimento dos controladores fuzzy do trem foram
utilizados as configurações do tipo fuzzy PI para os controladores de velocidade e
um controlador simples para o supervisório é mostrado no capitulo 6, a seguir é
descrito o processo de configuração dos controladores de velocidade, o software de
simulações Matlab apresenta uma ferramenta poderosa para elaboração do
controlador e é demostrado passo a passo as etapas do projeto utilizando esta
ferramenta do software.
Como mencionado no item 2.4 um controlador fuzzy é composto pelos blocos
de interface de fuzzificação, bases de conhecimento, lógica de tomada de decisões
e defuzzificação, conforme figura 94.
Figura 94 – Blocos Funcionais de um controlador Fuzzy
Fonte: SIMÕES; SHAW , 2007
A interface de fuzzificação é que recebe os valores provenientes de sensores

e dispositivos de entrada computadorizados, o processo de fuzzificação utiliza as
funções de pertinência definidas na base de conhecimento, convertendo os sinais de
entrada em valores que podem ser entre 0 e 1, que estão associados a
rótulos.(SIMÕES; SHAW, 2007).
A estrutura dos controladores fuzzy de velocidade propostos se baseia no tipo
baseado em regras, foi utilizado a ferramenta do Matlab Fuzzy ToolBox para
desenvolvimento dos controladores, o tipo de inferência proposto será o do tipo
Sugeno devido sua aplicação em sistemas de automação e por suas funções de
associação de sáida do controlador serem lineares e constantes, diferente do
método de Mandani, o método de defuzificação será o método da Média, e a função
de pertinência µS(x) será do tipo sino, muito utilizada em processos em que a saídas
precisão de transições suaves. O controlador supervisório utiliza o tipo de inferência
114
do método de Mandani, muito utilizado em casos de tomada de decisões em

sistemas difusos, o método de defuzificação será o método da Média e a função de
pertinência µS(x) será do tipo triangular, devido a sua simplicidade .(ROSSATO,
2015),(MATHWORKS. INC., 1999), (SIMÕES; SHAW, 2007).
O Fuzzy Toolbox do Matlab é uma ferramenta gráfica, conforme mostrado na
figura 95, o primeiro passo para o desenvolvimento dos controladores foi definir a
construção do FIS (Fuzzy inference Systems). (MATHWORKS. INC., 1999).
Figura 95 – Etapas de configuração para o projeto do Controlador Fuzzy no Matlab
Fonte: MATHWORKS. INC., 1999
A configuração dos controladores utilizaram as configurações padrão do

toolbox para os métodos OR, AND e o método de defuzificação por média no caso o
wtaver da ferramenta de configuração do Matlab. A configuração do FIS é realizado
em cinco etapas descritas a seguir, um exemplo de processo de inferência do
controlador supervisório é mostrado na figura 96. (ROSSATO, 2015).
115
▪ Fuzzificação das varíaveis de entrada.

▪ Aplicação dos operadores AND e OR.
▪ Aplicação dos valores antecedentes para os valores consequentes.
▪ Agregação das conseguencias com o cruzamento das regras
estabelecidas.
▪ Defuzzyficação.
Figura 96 – Exemplo do Processo de Inferência do Controlador Fuzzy no Matlab
O primeiro passo foi estabelecer o número de entradas e variáiveis fuzzy

associadas a estas entradas, o valor das entradas das variáveis são configuradas de
acordo com o valor limitado descrito no universo (valores possíveis) da entradas do
controlador, a saída relacionada é um grau de pertinência fuzzy qualificado pela
função de pertinência, conforme o exemplo da figura 97. (ROSSATO, 2015).
116
Figura 97 – Exemplo de configuração das variáveis de entrada e suas variáveis fuzzy para o projeto
do Controlador Fuzzy no Matlab
A seguir são descritos os passos para as configurações especificas de cada

controlador utilizando a ferramenta Fuzzy Toolbox do Matlab.
4.1 Controlador Fuzzy PI Simples
O controlador adotado foi o controlador fuzzy PI pela sua estabilidade e

simplicidade de configuração, na figura 98 demostra a configuração do controlador
fuzzy PI simples, para a entrada 1 o erro (e), foram estabelecidas as variáveis fuzzy
“neg” e “pos” com função de pertinência tipo sino e range de -80 a 80, a entrada 2
variação do erro (de) , foram estabelecidas as variáveis fuzzy “neg” e “pos” com
função de pertinência tipo sino e range de -5 a 5, conforme mostrado na figuras 99 e
100. (ROSSATO, 2015).
Figura 98 - Controlador Fuzzy PI Simples

117
Figura 99 – Configuração da variável e do Controlador Fuzzy PI Simples
Fonte: FUZZY TOOLBOX , 2017
Figura 100 – Configuração da variável de do Controlador Fuzzy PI Simples

118
O toolbox do Matlab possibilita para as operações de AND dois métodos, o

min (subtração) e prod (produto), o método adotado foi o prod devido fornecer
melhor continuidade e ser uma função de entrada e saída mais suave, e a operação
min cria não linearidades na saída do controlador, as operações OR possuem dois
métodos, o max e probor, o método probor também é conhecido como método da
soma algébrica, sendo mais utilizado em sistemas fuzzy, as configurações foram
realizadas conforme mostrado na figura 101.(SIMÕES; SHAW, 2007),
(MATHWORKS. INC., 1999), (ROSSATO, 2015).
Figura 101 – Configuração das variáveis para o projeto do Controlador Fuzzy no Matlab
As variáveis fuzzy da saída 1 (tração) foram adotadas como constantes,

“tp=0,3”; “tz=0”; “tn=-0,3”, as saídas da inferência tipo sugeno funcionam como
variação, sendo as variáveis tp variação positiva, tz variação zero e tn variação
negativa, o mesmo valendo para as variaves de freio, para a saída 2 (freio), as
variáveis fuzzy são constantes, e foram adotadas como, “fp=0.5”; “fz=0”; “fn=-0.5”
estes valores foram de acordo acom a velocidade do trem imposta pela via e
aplicação de freios, configuradas em simulações de forma intuitiva, conforme
mostradas nas figuras 102 e 103 a seguir. (ROSSATO, 2015).
119
Figura 102 – Configuração das variáveis da saída de Tração do Controlador Fuzzy PI Simples
Figura 103 – Configuração das variáveis fuzzy da saída de Freio do Controlador Fuzzy PI Simples

120
A implementação do controlador fuzzy baseado em regras possuem a

vantagem de ser o método mais implementado em softwares de controladores fuzzy,
as regras serem de fácil compreensão para a manutenção e as regras podem ser
testadas individualmente, conversando com maquinistas e engenheiros de tração as
regras da dinâmica do sistema podem ser expressas como na figura 104 e apêndice
G. (SIMÕES; SHAW, 2007), (ROSSATO, 2015).
Figura 104 – Configuração da base de regras do Controlador Fuzzy PI Simples
A base de regras implementada é mostrado a seguir:

▪ Se erro positivo e variação do erro positivo então tração positivo e freio
negativo.
▪ Se erro positivo e variação do erro negativo então tração zero e freio
zero.
▪ Se erro negativo e variação do erro positivo então tração zero e freio
zero.
▪ Se erro negativo e variação do erro negativo então tração negativo e
freio positivo.
121
A estrutura do controlador fuzzy ligado ao sistemas de tração e frenagem do

trem é mostrado na figura 105.
Figura 105 – Controlador Fuzzy PI Simples conectado ao Trem Série 8000
4.2 Controlador Fuzzy PI Slip
O controlador PI Simples embora sirva como um ponto de estudo e ajustes de

controladores para trens não leva em consideração o fator determinante em
sistemas ferroviárias, a adesão entre rodeiro e trilho para se evitar o
escorregamento, a seguir os passos para o ajuste levando em consideração a
adesão, conforme mostrado no item 2.3 existem diversas técnicas para o controle de
adesão, o modelo adotado foi o controlador fuzzy PI Slip que utiliza as velocidades
do rodeiro e do trem para determinar o escorregamento, na figura 106 demostra a
configuração do controlador fuzzy PI Slip, para a entrada 1 o erro (e), foram
estabelecidas as variáveis fuzzy “neg” e “pos” com função de pertinência tipo sino e
range de -60 a 60, a entrada 2 variação do erro (de) , foram estabelecidas as
variáveis fuzzy “neg” e “pos” com função de pertinência tipo sino e range de -5 a 5, a
entrada 3 o slip (slip), foram estabelecidas as variáveis “baixo” e “alto” com função
de pertinência tipo sino e range de 0 a 10, e por último a entrada 4 variação do slip
(dslip), foram configuradas as variáveis “neg” e “pos” com função pertinência tipo
sino e range de -2 a 2, conforme mostrado na figuras 107 a 110. (ROSSATO, 2015).
122
Figura 106 - Controlador Fuzzy PI Slip
Figura 107 - Configuração da variável e do Controlador Fuzzy PI Slip

123
Figura 108 - Configuração da variável de do Controlador Fuzzy PI Slip
Figura 109 - Configuração da variável slip do Controlador Fuzzy PI Slip

124
Figura 110 - Configuração da variável dslip do Controlador Fuzzy PI Slip
As variáveis fuzzy da saída são as mesmas do controlador Fuzzy Simples, a

saída 1 (tração) foram adotadas como constantes, “tpp=0,3”; “tp=0,2”; “tz=0”;
“tn=-0,2”; “tnn=-0,3”, , para a saída 2 (freio), as variáveis fuzzy são constantes, e
foram adotadas como, “fpp=0.6”; fp=0.55 “fz=0”; “fn=-0.55” “fnn=-0.6”, conforme
mostradas nas figuras 111 e 112. (ROSSATO, 2015).
125
Figura 111 - Configuração das variáveis da saída de Tração do Controlador Fuzzy PI Slip
Figura 112 - Configuração das variáveis da saída de Freio do Controlador Fuzzy PI Slip

126
A implementação das regras do controlador slip se baseia em manter o slip o

mais baixo possível evitando efeitos de patinação entre rodeiro e trilho, as regras da
dinâmica do sistema é mostrado na figura 113, as regras são detalhadas no
apêndice H.
Figura 113 - Configuração da base de regras do Controlador Fuzzy PI Slip
A estrutura do Controlador Fuzzy PI Slip ligado ao sistemas de tração e

frenagem do trem é mostrado na figura 114.
Figura 114 - Controlador Fuzzy PI Slip conectado ao Trem Série 8000

127
4.3 Controlador Fuzzy PI baseado na adesão máxima
O controlador fuzzy PI baseado na adesão máxima, utiliza a variação máxima

da adesão, procurando manter sempre o valor de adesão máximo, na figura 115
demostra a configuração do controlador fuzzy PI baseado na adesão máxima, para a
entrada 1 o erro (e), foram estabelecidas as variáveis fuzzy “neg” e “pos” com função
de pertinência tipo sino e range de -60 a 60, a entrada 2 variação do erro (de) ,
foram estabelecidas as variáveis fuzzy “neg” e “pos” com função de pertinência tipo
sino e range de -5 a 5, a entrada 3 a variação de adesão (du), foram estabelecidas
as variáveis “baixo” e “alto” com função de pertinência tipo sino e range de -1 a 1, e
por último a entrada 4 derivada da variação de adesão (ddu), foram configuradas as
variáveis “neg” e “pos” com função pertinência tipo sino e range de -2 a 2, conforme
mostrado na figuras 116 a 119. (ROSSATO, 2015).
Figura 115 - Controlador Fuzzy PI baseado na adesão máxima

128
Figura 116 - Configuração da variável e do Controlador Fuzzy PI baseado na adesão máxima
Figura 117 - Configuração da variável de do Controlador Fuzzy PI baseado na adesão máxima

129
Figura 118 - Configuração da variável du do Controlador Fuzzy PI baseado na adesão máxima
Figura 119 - Configuração da variável ddu do Controlador Fuzzy PI baseado na adesão máxima

130
As variáveis fuzzy da saída são: a saída 1 (tração) foram adotadas como

constantes, “tpp=0,3”; “tp=0,2”; “tz=0”; “tn=-0,2”; “tnn=-0,3”, , para a saída 2
(freio), as variáveis fuzzy são constantes, e foram adotadas como, “fpp=0.6”; fp=0.55
“fz=0”; “fn=-0.55” “fnn=-0.6”, conforme mostradas nas figuras 120 e 121.
(ROSSATO, 2015).
Figura 120 - Configuração das variáveis da saída de Tração do Controlador Fuzzy PI baseado na
adesão máxima

131
Figura 121 - Configuração das variáveis da saída de Freio do Controlador Fuzzy PI baseado na
adesão máxima
A implementação das regras do controlador de adesão, se baseia em manter

a adesão o mais alto possível evitando efeitos de patinação entre rodeiro e trilho, as
regras da dinâmica do sistema é mostrado na figura 122, as regras são detalhadas
no apêndice I.
Figura 122 - Configuração da base de regras do Controlador Fuzzy PI baseado na adesão máxima

132
A estrutura do Controlador Fuzzy PI baseado na adesão máxima ligado ao

sistemas de tração e frenagem do trem é mostrado na figura 123.
Figura 123 - Controlador Fuzzy PI baseado na adesão máxima conectado ao Trem Série 8000
Os parâmetros dos modelos são inseridos no Matlab para efeitos de

simulação através do scripit %Script Modelo Trem 8000 da CAF(apêndice A), onde
estão os parâmetros do trem, do sistema de tração, sistema de freios e perfil de via,
os parêmtros neste script foram alterados de acordo com as condições de testes dos
modelos propostos.
133
5 RESULTADOS CONTROLADOR DO TREM
Para simular os modelos propostos no capitulo 4, e verificar seus

comportamentos, foi utilizado compararação entre os controladores e o
levantamento da curva de adeão, as seguintes condições operacionais foram
simuladas neste capitulo:
▪ Levantamento curvas de adesão para condição de trilho seco e
molhado.
▪ Aceleração ao setpoint de 150 Km/h para condições de trilho seco e
molhado.
▪ Redução de velocidade de 150 Km/h para 40 Km/h para condições de
trilho seco e molhado.
5.1 Levantamento curvas de adesão para trilho seco e molhado
Simulando o modelo proposto no item 3.1 para curva de adesão, foram

obtidas as seguinte curvas para trilho seco e molhado, mostrados na figura 124, a
variável de entrada foi simulado com uma rampa, para simular o aumento
escorregamento, as curvas apresentam muita semelhança com as condições
propostas no item 2.3, figura 32, quanto as áreas de adesão estável e instável.
Figura 124 – Levantamento da curva de adesão para condições de trilho seco e molhado
Coeficiente de Adesão por Rodeiro

0.35
Coeficiente de Adesão Seco
Coeficiente de Adesão Molhado
0.3
0.25
Amplitude[]
0.2
0.15
0.1
0.05
0
0 0.5 1 1.5 2 2.5 3 3.5 4 4.5 5
Velocidade de Escorregamento [m/s]

134
5.2 Aceleração ao setpoint de 150 Km/h para condição de trilho seco
Simulando os modelos propostos nos item 4 para, foram obtidas os seguintes

parâmetros: velocidadades do trem e do rodeiro, saídas do controlador, o erro e
variação do erro, slip por rodeiro, velocidade de escorregamento, saídas de tração e
freio, a variável de entrada foi simulado com degrau para simular o setpoint enviado
pela via ao controlador de bordo do trem.
5.2.1 Controlador Fuzzy PI Simples
Ao aplicar um degrau no setpoint do controlador Fuzzy PI Simples foram

obtidos as seguintes curvas, ilustrados na figuras 125 a 129.
Figura 125 – Gráficos de Velocidade Rodeiro e Trem Controlador Fuzzzy PI Simples trilho seco
Velocidade Controlador Fuzzy PI Simples
200
Velocidade Rodeiro
Velocidade Trem
150
Velocidade [Km/h]
100
50
0
0 20 40 60 80 100 120 140 160 180 200
Tempo [s]
Figura 126 –Gráficos de Aceleração e Jerk do Trem Controlador Fuzzy PI Simples trilho seco
Aceleração Controlador Fuzzy PI Simples Jerk Controlador Fuzzy PI Simples

1.5 0.6
0.4
1
Aceleração[m/s2]
0.2
Jerk[m/s3]
0
0.5
-0.2
-0.4
0
-0.6
-0.5 -0.8
50 100 150 200 50 100 150 200
Tempo [s] Tempo [s]

135
Figura 127 – Gráficos de Erro e Variação do Erro Controlador Fuzzy PI Simples trilho seco
Erro e Variação de Erro Controlador Fuzzy PI Simples

150
Erro
Variação de Erro
100
Amplitude[]
50
-50
0 20 40 60 80 100 120 140 160 180 200
Tempo [s]
Figura 128 – Gráficos Velocidade de Escorregamento e Slip Controlador Fuzzy PI Simples trilho seco
Velocidade de Escorregamento Slip por Rodeiro

10 25
8
20
Velocidade[m/s]
Amplitude [%]
6
15
4
10
2
5
0
-2 0
0 50 100 150 200 50 100 150 200
Tempo [s] Tempo [s]
Figura 129 - Gráficos Saída Controlador e Setpoint de Tração e Frenagem Controlador Fuzzy PI
Simples trilho seco
Saída Controlador Fuzzy PI Simples

0.4
Esforço de Tração
0.2 Esforço de Freio
Amplitude[]
-0.2
-0.4
0 20 40 60 80 100 120 140 160 180 200
Tempo [s]
Saída de Tração Saída de Frenagem
0.8 0.06
Amplitude []
0.6
Amplitude []
0.04
0.4
0.02
0.2
0 0
0 50 100 150 200 0 50 100 150 200
Tempo [s] Tempo [s]

136
Conforme mostrado na figura 125 , devido o controlador não possuir controle

sobre o escorregamento no momento da partida ao atingir a velocidade do setpoint o
rodeiro escorrega, sendo visualizado na figura 128, por isso a necessidade em
sistemas de controle dos trens utilizar a adesão como variáveis de controle.
5.2.2 Controlador Fuzzy PI Slip
Ao aplicar um degrau no setpoint do controlador Fuzzy PI Slip foram obtidos

as seguintes curvas, ilustrados na figuras 130 a 134.
Figura 130 - Gráficos de Velocidade Rodeiro e Trem Controlador Fuzzzy PI Slip trilho seco
Velocidade Controlador Fuzzy PI Slip

200
Velocidade Rodeiro
Velocidade Trem
150
Velocidade [Km/h]
100
50
0
0 20 40 60 80 100 120 140 160 180 200
Tempo [s]
Figura 131 - Gráficos de Aceleração e Jerk do Trem Controlador Fuzzy PI Slip trilho seco
Aceleração Controlador Fuzzy PI Slip Jerk Controlador Fuzzy PI Slip

1 0.25
0.8 0.2
Aceleração[m/s2]
0.15
0.6
Jerk[m/s3]
0.1
0.4
0.05
0.2
0
0 -0.05
-0.2 -0.1
50 100 150 200 50 100 150 200
Tempo [s] Tempo [s]

137
Figura 132 - Gráficos de Erro e Variação do Erro Controlador Fuzzy PI Slip trilho seco
Erro e Variação de Erro Controlador Fuzzy PI Slip

100
Erro
80 Variação de Erro
60
Amplitude[]
40
20
-20
0 20 40 60 80 100 120 140 160 180 200
Tempo [s]
Figura 133 - Gráficos Velocidade de Escorregamento e Slip Controlador Fuzzy PI Slip trilho seco

2.5 7
2 6
5
Velocidade[m/s]
1.5
Amplitude []
4
1
3
0.5
2
0 1
-0.5 0
0 50 100 150 200 50 100 150 200
Tempo [s] Tempo [s]
Simples trilho seco
Saída Controlador Fuzzy PI Slip
0.4
Amplitude[]
-0.2
-0.4
0 20 40 60 80 100 120 140 160 180 200
Tempo [s]
0.8 1
0.6 0.5
Amplitude []
Amplitude []
0.4 0
0.2 -0.5
0 -1
0 50 100 150 200 0 50 100 150 200
Tempo [s] Tempo [s]

138
5.2.3 Controlador Fuzzy PI baseado na adesão máxima
Ao aplicar um degrau no setpoint do controlador Fuzzy PI baseado na adesão

máxima, foram obtidos as seguintes curvas, ilustrados na figuras 135 a 139.
Figura 135 - Gráficos de Velocidade Rodeiro e Trem Controlador Fuzzzy PI baseado na adesão
máxima trilho seco
Velocidade Controlador Fuzzy PI baseado no coeficiente de adesão
200
Velocidade Rodeiro
Velocidade Trem
150
Velocidade [Km/h]
100
50
0
0 20 40 60 80 100 120 140 160 180 200
Tempo [s]
.
Figura 136 - Gráficos de Aceleração e Jerk do Trem Controlador Fuzzy PI baseado na adesão
máxima trilho seco
Aceleração Controlador Jerk Controlador

1 0.2
0.8
0.15
Aceleração[m/s2]
0.6
Jerk[m/s3]
0.1
0.4
0.05
0.2
0 0
-0.2 -0.05
50 100 150 200 50 100 150 200
Tempo [s] Tempo [s]

139
Figura 137 - Gráficos de Erro e Variação do Erro Controlador Fuzzy PI baseado na adesão máxima
trilho seco
Erro e Variação de Erro Controlador Fuzzy PI baseado no coeficiente de adesão

100
Erro
60
Amplitude[]
40
20
-20
0 20 40 60 80 100 120 140 160 180 200
Tempo [s]
Figura 138 - Gráficos Velocidade de Escorregamento e Slip Controlador Fuzzy PI baseado na adesão
máxima trilho seco
2 7
6
1.5
5
Velocidade[m/s]
Amplitude [%]
1 4
0.5 3
2
0
1
-0.5 0
0 50 100 150 200 50 100 150 200
Tempo [s] Tempo [s]
baseado na adesão máxima trilho seco
Saída Controlador Fuzzy PI baseado no coeficiente de adesão

0.5
Amplitude[]
Esforço de Freio
0
-0.5
0 20 40 60 80 100 120 140 160 180 200
Tempo [s]
Saída de Tração Controlador Saída de Frenagem
0.5 1
Amplitude []
Amplitude []
0 -1
0 50 100 150 200 0 50 100 150 200
Tempo [s] Tempo [s]

140
5.2.4 Comparação e Análise Controladores
A seguir a comparação entre os controladores, na figura 140, assim como os

índices de desempenho são mostrados na tabela 5.
Figura 140 – Comparação Controladores Aceleração Setpoint 150 Km/h para trilho seco
Velocidade comparação controladores

200
150
Velocidade [Km/h]
Velocidade Rodeiro sem controle slip

100 Velocidade Trem sem controle slip
Velocidade Rodeiro com controle slip
Velocidade Trem com controle slip
50 Velocidade Rodeiro controle adesão
Velocidade Trem controle adesão
0
0 20 40 60 80 100 120 140 160 180 200
Tempo [s]
Tabela 5 – Desempenho Controladores aceleração condição trilho seco
Desempenho Controladores @SetPoint 150 Km/h @trilho seco

Tempo de Slip Máximo Slip Máximo Erro
CONTROLADOR Acomodação Partida Movimento Estacionário
(s) (%) (%) (%)
Fuzzy PI Simples 105,8 15,53 1,514 -0,133333333
Fuzzy PI Slip 108,5 3,14 1,535 0,133333333
Fuzzy PI Adesão 104,4 3,1 1,516 -0,13
Fonte: AUTOR, 2017
O controlador fuzzy PI simples apesar de ser de fácil implementação e poucas

regras, não consegue compensar o efeito de escorregamento, os outros
controladores apresentaram desempenho melhor no momento de partida e ao atingir
o valor de setpoint enviado a via, quanto ao erro e ao slip em movimento
permaneceram com valores satisfatórios, os valores de jerk (solavanco)
permaneceram dentro dos limites operacionais de no máximo 1 m/s 3 conforme
mostrado nos dados do trem no anexo A.
141
5.3 Aceleração ao setpoint de 150 Km/h para condição de trilho molhado
A seguir são apresentados os valores para simulação com os controladores

para trilho molhado segundos os parâmetros descritos no item 3.1 sobre a
modelagem do trem, os parâmetros foram alterados no script do programa de
simulação conforme figura 73, a variável de entrada foi simulado com degrau para
simular o setpoint enviado pela via ao controlador de bordo do trem.
Ao aplicar um degrau no setpoint do controlador Fuzzy PI Simples com os

trilhos molhados, foram obtidos as seguintes curvas, ilustrados na figuras 141 a 145.
Figura 141- Gráficos de Velocidade Rodeiro e Trem Controlador Fuzzzy PI Simples trilho molhado

300
Velocidade Rodeiro
250 Velocidade Trem
Velocidade [Km/h]
200
150
100
50
0
0 20 40 60 80 100 120 140 160 180 200
Tempo [s]
Figura 142 - Gráficos de Aceleração e Jerk do Trem Controlador Fuzzy PI Simples trilho molhado

1.5 0.4
0.2
1
Aceleração[m/s2]
0
Jerk[m/s3]
0.5 -0.2
0 -0.4
-0.6
-0.5
-0.8
-1 -1
50 100 150 200 50 100 150 200
Tempo [s] Tempo [s]

142
Figura 143 - Gráficos de Erro e Variação do Erro Controlador Fuzzy PI Simples trilho molhado

150
Erro
Variação de Erro
100
Amplitude[]
50
-50
0 20 40 60 80 100 120 140 160 180 200
Tempo [s]
Figura 144 - Gráficos Velocidade de Escorregamento e Slip Controlador Fuzzy PI Simples trilho
molhado

40 100
80
30
Velocidade[m/s]
Amplitude [%]
60
20
40
10
20
0
0
-10 -20
0 50 100 150 200 50 100 150 200
Tempo [s] Tempo [s]
Simples trilho molhado

0.5
Amplitude[]
Esforço de Freio
0
-0.5
0 20 40 60 80 100 120 140 160 180 200
Saída de Tração Tempo [s]
1 Saída de Frenagem
1
Amplitude []
Amplitude []
0.5 0.5
0 0
0 50 100 150 200 0 50 100 150 200
Tempo [s] Tempo [s]

143
Conforme mostrado na figura 141 , devido o controlador não possuir controle

sobre o escorregamento no momento da partida ao atingir a velocidade do setpoint o
rodeiro atinge um valor alto de escorregamento, sendo visualizado na figura 144, por
isso a necessidade de companhias de trem de passageiros e metros diminuírem a
velocidade de operação durante os trechos com chuva.
Ao aplicar um degrau no setpoint do controlador Fuzzy PI Slip com os trilhos

molhados, foram obtidos as seguintes curvas, ilustrados na figuras 146 a 150.
Figura 146 - Gráficos de Velocidade Rodeiro e Trem Controlador Fuzzzy PI Slip trilho molhado
200
Velocidade Rodeiro
Velocidade Controlador Fuzzy PI Slip Velocidade Trem
150
Velocidade [Km/h]
100
50
0
0 20 40 60 80 100 120 140 160 180 200
Tempo [s]
Figura 147 - Gráficos de Aceleração e Jerk do Trem Controlador Fuzzy PI Slip trilho molhado

1 0.25
0.8 0.2
Aceleração[m/s2]
0.15
0.6
Jerk[m/s3]
0.1
0.4
0.05
0.2
0
0 -0.05
-0.2 -0.1
50 100 150 200 50 100 150 200
Tempo [s] Tempo [s]

144
Figura 148 - Gráficos de Erro e Variação do Erro Controlador Fuzzy PI Slip trilho molhado

100
Erro
60
Amplitude[]
40
20
-20
0 20 40 60 80 100 120 140 160 180 200
Tempo [s]
Figura 149 - Gráficos Velocidade de Escorregamento e Slip Controlador Fuzzy PI Slip trilho molhado

2.5 7
2 6
5
Velocidade[m/s]
Amplitude [%]
1.5
4
1
3
0.5
2
0 1
-0.5 0
0 50 100 150 200 50 100 150 200
Tempo [s] Tempo [s]
Simples trilho molhado

0.5
Amplitude[]
Esforço de Freio
0
-0.5
0 20 40 60 80 100 120 140 160 180 200
Tempo [s]
0.5 1
Amplitude []
Amplitude []
0 -1
0 50 100 150 200 0 50 100 150 200
Tempo [s] Tempo [s]

145
Ao aplicar um degrau no setpoint do controlador Fuzzy PI baseado na adesão

máxima com os trilhos molhados, foram obtidos as seguintes curvas, ilustrados na
figuras 151 a 155.
máxima trilho molhado

200
Velocidade Rodeiro
Velocidade Trem
150
Velocidade [Km/h]
100
50
0
0 20 40 60 80 100 120 140 160 180 200
Tempo [s]
Aceleração Jerk
1.2 0.2
1 0.15
Aceleração[m/s2]
0.8
0.1
Jerk[m/s3]
0.6
0.05
0.4
0
0.2
0 -0.05
-0.2 -0.1
50 100 150 200 50 100 150 200
Tempo [s] Tempo [s]

146
trilho molhado

100
Erro
60
Amplitude[]
40
20
-20
0 20 40 60 80 100 120 140 160 180 200
Tempo [s]

2 7
6
1.5
5
Velocidade[m/s]
Amplitude [%]
1 4
0.5 3
2
0
1
-0.5 0
0 50 100 150 200 50 100 150 200
Tempo [s]
Tempo [s]
baseado na adesão máxima trilho molhado
0.5
Amplitude[]
Esforço de Freio
0
-0.5
0 20 40 60 80 100 120 140 160 180 200
Tempo [s]
0.5 1
Amplitude []
Amplitude []
0 -1
0 50 100 150 200 0 50 100 150 200
Tempo [s] Tempo [s]

147

índices de desempenho são mostrados na tabela 6, para condição de trilho molhado.
Figura 156 - Comparação Controladores Aceleração Setpoint 150 Km/h para trilho molhado

300
250
Velocidade [Km/h]
200
150
Velocidade Trem sem controle slip
100
50
Velocidade Rodeiro controle adesão
0
0 20 40 60 80 100 120 140 160 180 200
Tempo [s]
Tabela 6 - Desempenho Controladores aceleração condição trilho molhado
Desempenho Controladores @SetPoint 150 Km/h @trilho molhado

(s) (%) (%) (%)
Fuzzy PI Simples 155,2 100 5,6 0,466666667
Fuzzy PI Slip 114,2 13,9 5,4 0,00
Fuzzy PI Adesão 109,5 13,8 5,5 0,00
Fonte: AUTOR, 2017
O controlador fuzzy PI simples não consegue compensar o efeito de

escorregamento, principalmente em condições de chuva, o que torna lógico o motivo
de tanto trens quanto os metros reduzirem as velocidade de operação em favor da
segurança de operação.
.
148

seco
Com os resultado obtidos para aceleração, a seguir são apresentados os

valores para simulação com os controladores para uma redução de velocidade de
150 Km/h para 40 Km/h, afim de verificar o processo de frenagem, a variável de
entrada foi simulado com variação de setpoint enviado pela via ao controlador de
bordo do trem.
Ao aplicar o sinal de setpoint no controlador Fuzzy PI Simples foram obtidos

Figura 157 - Gráficos de Velocidade Rodeiro e Trem Controlador Fuzzzy PI Simples para redução de
velocidade trilho seco

200
Velocidade Rodeiro
Velocidade Trem
150
Velocidade [Km/h]
100
50
0
0 50 100 150 200 250 300 350 400 450 500
Tempo [s]
Figura 158 - Gráficos de Aceleração e Jerk do Trem Controlador Fuzzy PI Simples para redução de
1.5 0.4
0.2
1
Aceleração[m/s2]
0
Jerk[m/s3]
0.5
-0.2
0 -0.4
-0.6
-0.5
-0.8
-1 -1
100 200 300 400 500 100 200 300 400 500
Tempo [s] Tempo [s]

149
Figura 159 - Gráficos de Erro e Variação do Erro Controlador Fuzzy PI Simples para redução de

150
Erro
50
Amplitude[]
-50
-100
-150
0 50 100 150 200 250 300 350 400 450 500
Tempo [s]
Figura 160 - Gráficos Velocidade de Escorregamento e Slip Controlador Fuzzy PI Simples para
redução de velocidade trilho seco

10 25
8 20
Velocidade[m/s]
Amplitude [%]
6 15
4 10
2 5
0 0
-2 -5
0 100 200 300 400 500 100 200 300 400 500
Tempo [s] Tempo [s]
Simples para redução de velocidade trilho seco

0.5
Amplitude[]
Esforço de Freio
0
-0.5
0 50 100 150 200 250 300 350 400 450 500
1
Amplitude []
Amplitude []
0.5 0.5
0 0
0 100 200 300 400 500 0 100 200 300 400 500
Tempo [s] Tempo [s]

150
Nos gráficos de redução de velocidade foi possível observar o efeito de

escorregamento na frenagem, como mostrado na figura 160.

Figura 162 - Gráficos de Velocidade Rodeiro e Trem Controlador Fuzzzy PI Slip para redução de

200
Velocidade Rodeiro
Velocidade Trem
150
Velocidade [Km/h]
100
50
0
0 50 100 150 200 250 300 350 400 450 500
Tempo [s]
Figura 163 - Gráficos de Aceleração e Jerk do Trem Controlador Fuzzy PI Slip para redução de
1 0.2
0.15
0.5
Aceleração[m/s2]
0.1
Jerk[m/s3]
0.05
0
0
-0.05
-0.5
-0.1
-1 -0.15
100 200 300 400 500 100 200 300 400
Tempo [s] Tempo [s]

151
Figura 164 - Gráficos de Erro e Variação do Erro Controlador Fuzzy PI Slip para redução de
100
Erro
Variação de Erro
50
Amplitude[]
-50
-100
0 50 100 150 200 250 300 350 400 450 500
Tempo [s]
Figura 165 - Gráficos Velocidade de Escorregamento e Slip Controlador Fuzzy PI Slip para redução
de velocidade trilho seco
2.5 8
2
6
Velocidade[m/s]
Amplitude [%]
1.5
4
1
2
0.5
0
0
-0.5 -2
0 100 200 300 400 500 100 200 300 400 500
Tempo [s] Tempo [s]
Figura 166 - Gráficos Saída Controlador e Setpoint de Tração e Frenagem Controlador Fuzzy PI Slip
para redução de velocidade trilho seco

1
Amplitude[]
-0.5
0 50 100 150 200 250 300 350 400 450 500
1
Amplitude []
Amplitude []
0.5 0.5
0 0
0 100 200 300 400 500 0 100 200 300 400 500
Tempo [s] Tempo [s]

152
Ao aplicar o sinal de setpoint no controlador Fuzzy PI baseado na adesão

máxima foram obtidos as seguintes curvas, ilustrados na figuras 166 a 171.
máxima para redução de velocidade trilho seco

200
Velocidade Rodeiro
Velocidade Trem
150
Velocidade [Km/h]
100
50
0
0 50 100 150 200 250 300 350 400 450 500
Tempo [s]
Aceleração Jerk
1 0.2
0.5 0.1
Aceleração[m/s2]
Jerk[m/s3]
0 0
-0.5 -0.1
-1 -0.2
100 200 300 400 500 100 200 300 400 500
Tempo [s] Tempo [s]

153
100
Erro
Variação de Erro
50
Amplitude[]
-50
-100
0 50 100 150 200 250 300 350 400 450 500
Tempo [s]

2 8
1.5 6
Velocidade[m/s]
Amplitude [%]
1 4
0.5 2
0 0
-0.5 -2
0 100 200 300 400 500 100 200 300 400 500
Tempo [s] Tempo [s]
baseado na adesão máxima para redução de velocidade trilho seco
1
Amplitude[]
-0.5
0 50 100 150 200 250 300 350 400 450 500
1
Amplitude []
Amplitude []
0.5 0.5
0 0
0 100 200 300 400 500 0 100 200 300 400 500
Tempo [s] Tempo [s]

154

índices de desempenho são mostrados na tabela 7, para condição de redução de
velocidade com trilho seco.
Figura 172 - Comparação Controladores Redução de Velocidade Setpoint 150 Km/h para 40 Km/h
com trilho seco

200

150
Velocidade [Km/h]

Velocidade Rodeiro controle adesão
100 Velocidade Trem controle adesão
50
0
0 50 100 150 200 250 300 350 400 450 500
Tempo [s]
Tabela 7 - Desempenho Controladores redução de velocidade condição trilho seco
Desempenho Controladores @SetPoint 150 Km/h para 40 km/h @trilho seco

(s) (%) (%) (%)
Fuzzy PI Simples 105,8 15,53 0,098 12,65
Fuzzy PI Slip 108,5 3,14 0,1722 5,25
Fuzzy PI Adesão 104,4 3,1 0,1162 4,38
Fonte: AUTOR, 2017
Devido o processo de frenagem ser o mais critico em sistema ferroviário, os

controladores fuzzy apresentaram resultandos satisfatórios, o controlador simples
apesar de atingir o setpoint em baixa velocidade mais rápido que os outros
controladores, apresenta um erro estacionário maior, e o slip em movimento decai
devido a baixa velocidade do trem.
155

molhado
Como último critério de avaliação dos controladores fuzzy, são apresentados

os valores para simulação com os controladores para uma redução de velocidade
de 150 Km/h para 40 Km/h em condição de trilho molhado.

Figura 173 - Gráficos de Velocidade Rodeiro e Trem Controlador Fuzzzy PI Simples para redução de
velocidade trilho molhado

300
Velocidade Rodeiro
250 Velocidade Trem
Velocidade [Km/h]
200
150
100
50
0
0 50 100 150 200 250 300 350 400 450 500
Tempo [s]
Figura 174 - Gráficos de Aceleração e Jerk do Trem Controlador Fuzzy PI Simples para redução de

1.5 1
1
0.5
Aceleração[m/s2]
Jerk[m/s3]
0.5
0
0
-0.5
-0.5
-1 -1
100 200 300 400 500 100 200 300 400 500
Tempo [s] Tempo [s]

156
Figura 175 - Gráficos de Erro e Variação do Erro Controlador Fuzzy PI Simples para redução de

150
Erro
50
Amplitude[]
-50
-100
-150
0 50 100 150 200 250 300 350 400 450 500
Tempo [s]
Figura 176 - Gráficos Velocidade de Escorregamento e Slip Controlador Fuzzy PI Simples para
redução de velocidade trilho molhado

40 100
80
30
Velocidade[m/s]
Amplitude [%]
60
20
40
10
20
0
0
-10 -20
0 100 200 300 400 500 100 200 300 400 500
Tempo [s] Tempo [s]
Simples para redução de velocidade trilho molhado

0.5
Esforço de Freio
Amplitude[]
-0.5
0 50 100 150 200 250 300 350 400 450 500
Tempo [s]

0.8 1
Amplitude []
Amplitude []
0.6
0.4 0.5
0.2
0 0
0 100 200 300 400 500 0 100 200 300 400 500
Tempo [s] Tempo [s]

157

Figura 178 - Gráficos de Velocidade Rodeiro e Trem Controlador Fuzzzy PI Slip para redução de

200
Velocidade Rodeiro
Velocidade [Km/h]
150 Velocidade Trem
100
50
0
0 50 100 150 200 250 300 350 400 450 500
Tempo [s]
Figura 179 - Gráficos de Aceleração e Jerk do Trem Controlador Fuzzy PI Slip para redução de

1 0.2
Aceleração[m/s2]
0.5 0.1
Jerk[m/s3]
0 0
-0.5 -0.1
-1 -0.2
100 200 300 400 500 100 200 300 400 500
Tempo [s] Tempo [s]
Figura 180 - Gráficos de Erro e Variação do Erro Controlador Fuzzy PI Slip para redução de

100
Erro
Amplitude[]
-50
-100
0 50 100 150 200 250 300 350 400 450 500
Tempo [s]
158
Figura 181 - Gráficos Velocidade de Escorregamento e Slip Controlador Fuzzy PI Slip para redução
de velocidade trilho molhado

3 8
6
Velocidade[m/s]
Amplitude [%]
2
4
1
2
0
0
-1 -2
0 100 200 300 400 500 100 200 300 400 500
Tempo [s] Tempo [s]
Figura 182 - Gráficos Saída Controlador e Setpoint de Tração e Frenagem Controlador Fuzzy PI Slip
para redução de velocidade trilho molhado

1
Amplitude[]
0
-0.5
0 50 100 150 200 250 300 350 400 450 500
Tempo [s]
1 1
Amplitude []
Amplitude []
0.5 0.5
0 0
0 100 200 300 400 500 0 100 200 300 400 500
Tempo [s] Tempo [s]

159
Ao aplicar o sinal de setpoint no controlador Fuzzy PI baseado na adesão

máxima foram obtidos as seguintes curvas, ilustrados na figuras 183 a 187.
máxima para redução de velocidade trilho molhado

200
Velocidade Rodeiro
Velocidade [Km/h]
150 Velocidade Trem
100
50
0
0 50 100 150 200 250 300 350 400 450 500
Tempo [s]
Aceleração Jerk
1 0.2
Aceleração[m/s2]
0.5 0.1
Jerk[m/s3]
0 0
-0.5 -0.1
-1 -0.2
100 200 300 400 500 100 200 300 400 500
Tempo [s] Tempo [s]

100
Erro
Amplitude[]
-50
-100
0 50 100 150 200 250 300 350 400 450 500
Tempo [s]
160

2 8
1.5 6
Velocidade[m/s]
Amplitude [%]
1 4
0.5 2
0 0
-0.5 -2
0 100 200 300 400 500 100 200 300 400 500
Tempo [s] Tempo [s]
baseado na adesão máxima para redução de velocidade trilho molhado

1
Amplitude[]
-0.5
0 50 100 150 200 250 300 350 400 450 500
Tempo [s]
1 1
Amplitude []
Amplitude []
0.5 0.5
0 0
0 100 200 300 400 500 0 100 200 300 400 500
Tempo [s] Tempo [s]

161

índices de desempenho são mostrados na tabela 8, para condição de redução de
velocidade com trilho molhado.
Figura 188 - Comparação Controladores Redução de Velocidade Setpoint 150 Km/h para 40 Km/h
com trilho molhado

300
250
Velocidade [Km/h]
200 Velocidade Rodeiro com controle slip

150 Velocidade Rodeiro controle adesão
100
50
0
0 50 100 150 200 250 300 350 400 450 500
Tempo [s]
Tabela 8 - Desempenho Controladores redução de velocidade condição trilho molhado
Desempenho Controladores @SetPoint 150 Km/h para 40 km/h @trilho molhado

(s) (%) (%) (%)
Fuzzy PI Simples 105,8 15,53 0,349 0,875
Fuzzy PI Slip 108,5 3,14 0,4 0,65
Fuzzy PI Adesão 104,4 3,1 0,4 1,18
Fonte: AUTOR, 2017
O processo de frenagem do controlador simples apresentou um alto jerk

(solavanco), se aproximando do máximo permitido em operação de 1 m/s 3, e
esforços de controle ruim de ponto de vista operacional, sendo o freio por atrito
acionando em nível máximo durante todo o processo de frenagem .
162
6 DESENVOLVIMENTO CONTROLADOR SUPERVISOR
O uso de controladores fuzzy para os sistemas de tração e freio de trens

apresentam grande potencial para aplicações reais, outro uso para controladores
fuzzy em sistemas ferroviários é no uso de controle de tráfego dos trens, através da
otimização do sistema de sinalização, neste capítulo, foi abordado a configuração do
controlador supervisório a fim de realizar o controle de setpoint de via que será
enviado ao controlador de bordo do trem, os sistemas de sinalização como mostrado
no item 2.2 e figura 26, são baseados em lógica clássica e possuem limitações
quanto a flexibilidade, o que afeta muito a operação de trens em centros
metropolitanos, os controladores atuais se baseiam somente na informação da
posição do trem, e os códigos de setpoint são fixos, o conceito do controlador fuzzy
supervisório é através da inserção da variável de aceleração do trem, conseguir
otimizar os códigos de via para funcionarem em um range, procurando manter a
segurança do sistema, conforme mostrado na figura 189. (SIAHVASH; MOAVENI,
2010), (CHEN, 2000).
Figura 189 - Arquitetura Básica do Controlador Fuzzy Supervisório
Fonte: AUTOR, 2017
A seguir são descritos os passos para as configurações especificas de cada

controlador utilizando a ferramenta Fuzzy Toolbox do Matlab apresentada no
capitulo 4.
163
O controlador adotado foi o controlador fuzzy simples pela sua simplicidade

de configuração, o tipo de inferência foi adotado do tipo Mandani, esquematizado na
figura 190, para a entrada 1 a aceleração do trem a frente (ata), foram estabelecidas
as variáveis fuzzy “neg” , “zero” e “pos” com função de pertinência do tipo triangular
e range de -10 a 10, a entrada 2 setpoint de via (spvia) , foram estabelecidas as
variáveis fuzzy “vr”, “vl” e “vma”, com função de pertinência tipo triangular e range de
0 a 90, a escolha das variáveis para o setpoint de via é conforme mostrado na figura
26 de codificação de via, as configurações das variáveis de entradas são mostradas
na figuras 191. (ROSSATO, 2015).
Figura 190 – Controlador Fuzzy Supervisório
Figura 191 - Configuração das variáveis de entrada Controlador Fuzzy Supervisório

164
A variável fuzzy de saída (velocidade) foram adotadas como funções

triangulares, “vr”; “vl” e “vma”, a saídas da inferência tipo Mandani funcionam como
constantes, com valores dentro do range especificado, o range adotado foi de 0 a
100, estes valores foram de acordo com a velocidade do trem imposta pela via e
atualmente nos sistemas da CPTM, conforme mostrado na figura 192 a seguir.
(ROSSATO, 2015), (CPTM, 2014).
Figura 192 - Configuração da variável de saída do Controlador Fuzzy Supervisório
As regras do controlador supervisório se baseia em otimizar o tráfego de trens

na via, sem perder a segurança do sistema, as regras da dinâmica do sistema é
mostrado na figura 193, as regras são detalhadas no apêndice F.
165
Figura 193 – Base de Regras Controlador Fuzzy Supervisório
O controlador supervisório proposto manda o setpoint para a cabine do trem

conforme as condições processadas, substituindo o gerador de códigos de via
convencional mostrado na figura 25, o controlador de velocidade do trem que
determina se aplicar tração ou freio e ajustando a velocidade do trem,a figura 194
mostra a conexão doo controlador supervisório ao sistema do trem.
Figura 194 - Controlador Fuzzy Supervisório conectado ao controlador do Trem Série 8000

166
7 RESULTADOS CONTROLADOR SUPERVISOR
A simulação do controlador supervisório proposto no capitulo 6, foi realizada

verificando aspectos de condição de tráfego do trens no circuitos de via, as
condições de via foram consideradas ideias, sem elevações e aspectos climáticos
ideal , o controle de velocidade dos trens foram utilizados os controladores de
velocidade fuzzy PI slip, as simulações comtemplam a comparação com o
controlador fuzzy supervisório e o gerador de código de velocidade convencional,
para as variáveis de setpoint da via e aceleração do trem a frente foram utilizados
funções do tipo degrau, os códigos de velocidade gerados foram mostrados no item
2.2 e serão simulados utilizando os mesmos critérios:
▪ Velocidade Máxima Autorizada (VMA) 90 Km/h , velocidade máxima do

trem respeitando limitações operacionais de trem e condições de via.
▪ Velocidade Limitada (VL) 50 Km/h.
▪ Velocidade Restrita (VR) 20 Km/h
As seguintes condições operacionais foram simuladas neste capitulo:

▪ Setpoint via em velocidade máxima autorizada e trem a frente
acelerando.
▪ Setpoint via em velocidade limitada e trem a frente acelerando.
▪ Redução de setpoint via de velocidade máxima autorizada para
velocidade limitada com o trem a frente acelerando.
▪ Redução de setpoint via de velocidade limitada em velocidade restrita
com o trem a frente acelerando.
7.1 Setpoint via em velocidade máxima autorizada e trem a frente

acelerando.
Ao aplicar um degrau no setpoint do controlador Fuzzy Supervisório,

simulando a condição operacional na figura 195 foram obtidos as seguintes curvas
para as velocidades dos trens, ilustrado na figura 196.
167
Figura 195 – Condição de via em VMA
Figura 196 – Gráficos Comparação de Velocidade em VMA
Velocidade comparação Trens em Operação

100
Velocidade [Km/h]
80
60
40
20 Velocidade Trem
Velocidade Trem com controle fuzzy
0
0 20 40 60 80 100 120 140 160 180 200
Tempo [s]
O controlador Fuzzy Supervisório foi realizado com a base de regras para

otmizar o sistema de sinalização, mas sem perder a segurança de operação, na
condição da figura 195, mesmo com o trem a frente acelerando e via codificando em
vma , o sistema com o controle fuzzy mantem a mesma velocidade, visto que a
imposição desse código estar relacionado com as condições estruturais da via.
7.2 Setpoint via em velocidade limitada e trem a frente acelerando.
Considerando a codificação de via em VL e o trem a frente acelerando,

conforme a condição operacional na figura 197, foram obtidos as curvas para as
velocidades dos trens, ilustrado na figura 198.
168
Figura 197 - Condição de via em VL
Figura 198 - Gráficos Comparação de Velocidade em VL

60
Velocidade [Km/h]
40
20
Velocidade Trem
0
0 20 40 60 80 100 120 140 160 180 200
Tempo [s]
Na figura 198 foi observado um aumento de velocidade do trem com o

controle fuzzy em comparação ao controlador convencional, com o controlador fuzzy
na condição em VL obteve uma velocidade de cerca de 55Km/h , um ganho de em
referência ao 50 Km/h impostos pelo gerador de código.
7.3 Redução de setpoint de via de velocidade máxima autorizada para

velocidade limitada com o trem a frente acelerando.
A variável de entrada foi simulado com variação de setpoint enviado pela via
ao controlador de bordo do trem, de VMA para VL, conforme a condição operacional
na figura 199, foram obtidos as curvas para as velocidades dos trens, ilustrado na
figura 200.
169
Figura 199 – Condição de via de redução de VMA para VL
Figura 200 - Gráficos Comparação de Velocidade redução de VMA para VL

100
Velocidade Trem
Velocidade [Km/h]
80 Velocidade Trem com controle fuzzy
60
40
20
0
0 50 100 150 200 250 300 350 400 450 500
Tempo [s]
Na figura 200 manteve as condições impostas no item 7.2.
7.4 Redução de setpoint de via de velocidade limitada em velocidade

restrita com o trem a frente acelerando
A variável de entrada foi simulado com variação de setpoint enviado pela via
ao controlador de bordo do trem, de VL para VR, considerada como restritiva devido
a proximidade entre trens, conforme a condição operacional na figura 201, foram
obtidos as curvas para as velocidades dos trens, ilustrado na figura 202.
170
Figura 201 - Condição de via de redução de VL para VR
Figura 202 - Gráficos Comparação de Velocidade redução de VL para VR

60
Velocidade Trem
Velocidade [Km/h]

40
20
0
0 50 100 150 200 250 300 350 400 450 500
Tempo [s]
Na figura 202 foi observado um aumento de velocidade do trem com o

controle fuzzy em comparação ao controlador convencional, com o controlador fuzzy
na condição em VR obteve uma velocidade de cerca de 40 Km/h , um ganho de em
referência ao 20 Km/h impostos pelo gerador de código, com as condições ideiais e
considerando o comprimento padrão de 900 metros dos circuitos de via e o trem da
frente estar acelerando obtem-se uma otimização operacional com o comparado ao
gerador de códigos tradicional.
171
8 CONCLUSÃO
Analisando as curvas de velocidade obtidas do controladores modelados no

Matlab, ambos realizaram as funções de servo, o controlador Fuzzy PI Simples
apresentou um overshoot e oscilações antes de se regular completamente , isto
devido ao efeito de escorregamento, já os controladores Fuzzy PI Slip e o baseado
em adesão obtiveram uma resposta suave no controle do sistema de tração, as
condições simuladas, assim como os coeficientes de adesão utilizados foram
baseados em literatura e aproximados de forma linear para o modelo do trem, para
melhor efeito de simulações, e intenções de trabalhos futuros, realizar as aquisições
reais através de dispositivos de aquisições de dados, a fim de realizar as simulações
com o mais próximo do real.
O controlador Fuzzy supervisório se mostrou uma otmização interessante ao
sistema de sinalização tradicional, alguns autores citam a não utilização de sistemas
fuzzy em aplicações de segurança, devido o controlador se basear em algo nebulos,
nas simulações a base de regras implementadas foram feitas com o próposito de
manter a segurança e otimizar os códigos de velocidade, comparados ao sistema
baseado com códigos fixos, o uso do fuzzy se mostra interessante, devido o controle
de tráfego de trens em uma rede metropolitana de transporte ser não linear, devido a
vários fatores como circulação de usuários, avarias em trens e necessidades
operacionais.
Os controladores PID apresentam robustez e estabilidade, o que te fato os
tornam consagrados em aplicações ferroviárias e explicam de estarem até hoje
presentes em 90% das aplicações indústrias. Os controladores conseguem exercer
excelentes funções de servo e regulação para a maioria dos processos ferroviários,
a sintonia dos controladores PID necessita do modelo físico da planta ou processo,
quanto mais próximo o modelo estiver do real melhor será o desempenho do
controlador (SIMÕES; SHAW, 2007).
Em ferrovias onde a maoria dos processos são não lineares como sistemas
de tração e adesão rodeiro trilho e o no controle de tráfego, torna o uso interessante
de controladores fuzzy comparados ao PID, uma das principais vantagens do
controlador fuzzy é que não se exige um modelo matemático preciso do processo,
mas não o deixa de ser fundamental, já que para sintonia do fuzzy não existem
ferramentas especificas , como o controlador PID que possue técnicas já
172
consagradas para sintonia como IMC (internal Model Control) e Ziegler Nichols,
onde não se há necessidade de um conhecimento especifico do processo a ser
controlado, já controlador fuzzy exige do projetista um conhecimento profundo afim
de se ajustar seus parâmetros.(SIMÕES; SHAW, 2007),(ROSSATO, 2015).
O uso de Inteligência Artificial em aplicações industriais vem crescendo, hoje
com mercados mais competitivos e uma tendência a processos eficientes, torna o
uso da Lógica Fuzzy uma alternativa interessante em sistemas de sinalização e
tração ferroviária, visto que sua implementação não necessita de modelos
complexos e as ações de controle atuam de forma precisa, baseados na forma do
pensamento humano (ROSSATO, 2015).
As ações de controle são baseadas na combinação de regras do sistema de
sinalização ferroviária e de regras do controlador, o controlador pode ter a
capacidade de autoaprendizagem, testando condições limites, sem que estas
atinjam valores de instabilidade do sistema. Autores relatam que as aplicações de
Controladores Fuzzy conseguiram obter ganhos de desempenho e níveis de
eficiência energética altos, provando que o uso deste tipo de controlador se torna
interessante em sistemas de sinalização ferroviária, o que torna o estudo deste
assunto interessante na aplicação desta topologia no caótico sistema de trens da
cidade de São Paulo (SANUKI; MOTOHISA, 2004), (SIMÕES; SHAW, 2007).
173
REFERÊNCIAS
MARCIEL, Vladmir Fernandes. Problemas e Desafios do transporte público

urbano. Disponível em:< http://www.brtbrasil.org.br/index.php/sala-de-
imprensa/artigos/35-art-4#.VltHFvmrSUl>. Acesso em 29/11/2015.
PENA, Rodolfo F. Alves. Problemas no transporte público. Brasil Escola.

Disponível em <http://brasilescola.uol.com.br/geografia/problemas-no-transporte-
publico.htm>. Acesso em 29/11/2015.
OSELAME, Renato; TURTELLI, Camila. Desperdício logístico equivale a 5 % do

PIB do Brasil, estima Cosan. O Estado de São Paulo. Disponível em:<
http://economia.estadao.com.br/noticias/geral, desperdicio-logistico-equivale-a-5-do-
pib-do-brasil--estima-cosan,10000003051> . Acesso em29/11/2015.
BUENO, Silvio; CRUS, Laércio Aranzana; SANTOS, Pedro Oliveira dos. Estudo de
redução de intervalo entre tens no trecho brás-barra funda através de
implementação do sistema de sinalização cbtc. 2007. 87 f. Dissertação
(Mestrado) - Curso de Especialização em Tecnologia Metroferroviária, Departamento
de Engenharia de Sistemas de Comunicações, Escola Politécnica da Universidade
de São Paulo, São Paulo, 2007.
PASSINO, Kevin M.; YURKOVICH, Stephen. Fuzzy Control. Menlo Park: Addison
Wesley Longman, 1998
PIERS CONNOR OF PRC RAIL CONSULTING LTD.. The Development and

Principles of Uk Signalling. 2016. Disponível em: <http://www.railway-
technical.com/>. Acesso em: 23 nov. 2015.
CHEN, Guarong; PHAM, Trung Tat. Introductuin to Fuzzy Sets, Fuzzy Logic and
Control Systems. Houston: Crc Press, 2000.
174
FRYLMARK, Daniel; JOHNSSON, Stefan. Automatic Slip Control for Raiway

Vehicles. 2003. 100 f. Tese (Doutorado) - Curso de Vehicular Systems, Dept. Of
Electrical Engineering, Linkopings Universitet, Linkoping, 2003. Disponível em:
<https://www.fs.isy.liu.se/Publications/MSc/03_EX_3366_DF_SJ.pdf>. Acesso em:
27 maio 2016.
PICHLÍK, Pert; ZDENEK, Jiri. Overview od Slip Control Methods Used in

Locomotives. Transactions On Electrical Enginnering. Prague, p. 38-43. fev.
2014.
SIMÕES, Marcelo Godoy; SHAW, Ian. Controle e Modelagem Fuzzy. 2. ed. São
Paulo: Fapesp, 2007.
ALSTOM. A Centenial History of ALSTOM Signaling Inc. West Henrietta: Grs

Archieve, 2004. Disponível em:
<http://pt.calameo.com/read/0000469928d60bab6b8e3>. Acesso em: 23 nov. 2016.
CPTM. Introdução a Sinalização. São Paulo: Cptm, 2010.
CPTM. Sinalização Ferroviária. São Paulo: Cptm, 2014.
PALUMBO, Maurizio. The ERTMS/ETCS Signalling system. Disponível em:

<http://www.railwaysignalling.eu/wp-
content/uploads/2016/09/ERTMS_ETCS_signalling_system_revF.pdf>. Acesso em:
08 fev. 2016.
CPTM. Especificação Técnica Detector de Bitola. São Paulo, 2010.
SANUKI, Walter Katsumi; MOTOHISA, Yano. Simulação de Marcha para Sistema

de Sinalização Ferroviária. 2004. 78 f. Dissertação (Mestrado) - Curso de
Especialização em Tecnologia Metroferroviária, Departamento de Engenharia de
Sistemas de Comunicações, Escola Politécnica da Universidade de São Paulo, São
Paulo, 2004.
175
MECATRÔNICA ATUAL: Técnicas de controle aplicada na Indústria. São Paulo:

Saber, dez. 2013. Mensal.
SEBRAE (Santa Catarina). Sebrae. Informações sobre algoritmo fuzzy aplicado para
indústria têxtil. Relatório Ad Hoc, Santa Catarina, v. 1, n. 1, p.1-8, fev. 2013.
Disponível em:
<http://api.ning.com/files/D7OtuoxqP96vytUjjLLlwUoQYHicJPGZrRw7nqXXrvDhosAv
LMHag5Mu3N*o5OPqbGzTKL1U3JmkHBYC0vRA3y5cJxtH0RbQ/ApostilaAlgoritmo
FuzzyAplicadoparaIndstriaTxtil.pdf>. Acesso em: 21 dez. 2015.
ROISENBERG, Mauro; RECH, Luciana. Lógica Fuzzy. 2011. Disponível em:

<http://www.inf.ufsc.br/~luis.alvares/INE5633/INE5633.html>. Acesso em: 02 dez.
2015.
SIMPÓSIO BRASILEIRO PESQUISA OPERACIONAL, 38., 2006,

Goiânia. MINICURSO DE SISTEMA ESPECIALISTA NEBULOSO. Goiânia, Go:
SimpÓsio Brasileiro Pesquisa Operacional, 2006. 36 p. Disponível em:
<http://www.uff.br/decisao/SBPO Fuzy.pdf>. Acesso em: 02 dez. 2015.
CAVALCANTI, José Homero Feitosa et al. Lógica Fuzzy aplicada às

Engenharias. João Pessoa, Pb: Câmara do Livro, 2012. 151 p. Disponível em:
<http://www.logicafuzzy.com.br/wp-
content/uploads/2013/04/logica_fuzzy_aplicada_as_engenharias.pdf>. Acesso em:
10 dez. 2015.
ROSSATO, Daniel Barbuto. Controle de processos- Estratégias de Controle. São

Paulo, Sp: Senai, 2015. Color.
176
EATON (Estados Unidos). User´s Manual TC48/TC96 Auto-Tune Fuzzy/ PID

Process/ Temperature Controller. [s.l.]: Eaton Corporation, 2007. Disponível em:
<https://www.google.com.br/url?sa=t&rct=j&q=&esrc=s&source=web&cd=1&cad=rja
&uact=8&ved=0ahUKEwjF7bGh7PTUAhUNlpAKHTJyDkQQFggiMAA&url=http://ww
w.eaton.kr/ecm/idcplg?IdcService=GET_FILE&allowInterrupt=1&RevisionSelectionM
ethod=LatestReleased&noSaveAs=0&Rendition=Primary&dDocName=PCT_402930
&usg=AFQjCNGRZ236vARUuyudhj8ogUFMHkUdBg>. Acesso em: 20 dez. 2015
CPTM. Descritivo do Sistema de Tração trem série 8500. São Paulo: Cptm, 2014.
CPTM. Descritivo Sistema de Tração Básico. São Paulo: Cptm, 2014.
CPTM. Descritivo dos Truques Trem série 8500. São Paulo: Cptm, 2014.
NASCIMENTO, Paulo César do. Sistema de Controle de Frenagem para Trens

Metropolitanos de Tração Elétrica. 2012. 167 f. Dissertação (Mestrado) - Curso de
Pós Graduação Engenharia Elétrica, Departamento de Pós Graduação em
Engenharia Elétrica, Universidade Federal de Minas Gerais, Belo Horizonte, Mg,
2012. Disponível em:
<http://www.bibliotecadigital.ufmg.br/dspace/bitstream/handle/1843/BUOS-
8ZRQHX/sistema_de_controle_de_frenagem_para_trens_metropolitanos_de_tra__o
__el_trica.pdf?sequence=1>. Acesso em: 02 mar. 2016.
SIAHVASH, Ali; MOAVENI, Bijan. Automatic Train Control based on the Multi-Agent
Control of Cooperative Systems. The Journal Of Mathematics And Computer
Science, Tehran, Irã, v. 1, n. 4, p.1-11, dez. 2010. Mensal. Disponível em:
<http://www.tjmcs.com/includes/files/articles/Vol1_Iss4_247
257_Automatic_Train_Control_based_on_the_Multi-
Agent_Control_of_Cooperative_Systems.pdf>. Acesso em: 10 dez. 2015.
INTERNATIONAL ELECTROTECHNICAL COMMISSION. IEC 61131-7:2000: Fuzzy

control programming. Genebra, Suíça: International Electrotechnical Commission,
2000.
177
PIERS CONNOR OF PRC RAIL CONSULTING LTD.. Brakes. 2016. Disponível em:
< http://www.railway-technical.com/brake1.shtml.>. Acesso em: 20 nov. 2016.
SPIRYAGIN, Maksym et al. Design and Simulation of Rail Vehicles. Boca Raton,
Estados Unidos: Crc Press, 2014.
LOZANO, José A. et al. Railway Traction. In: PERPINYA, Xavier. Reliability and
Safety in Railway. [s.l.]: Intech, 2012. Cap. 1. p. 3-28. Disponível em:
<https://www.intechopen.com/books/reliability-and-safety-in-railway/railway-traction>.
Acesso em: 27 jul. 2016
PIRES, Cassiano Lobo. Simulação de marcha de composição ferroviária

acionada por motores de indução e PWM.2002. 171 f. Dissertação (Mestrado) -
Curso de Mestrado em Engenharia Elétrica, Departamento de Engenharia de
Energia e Automação Elétrica, Escola Politécnica, Universidade de São Paulo, São
Paulo, Sp, 2002. Disponível em:
<http://www.teses.usp.br/teses/disponiveis/3/3143/tde-02052002-201047/pt-br.php>.
Acesso em: 30 out. 2016.
ALLENBACH, Jean Marc. Railway Technology. [s.l.]: Epfl, 2012. 106 p. Disponível
em: <https://documents.epfl.ch/users/a/al/allenbac/www/documents/SummarET.pdf>.
Acesso em: 27 nov. 2016.
AYASSE, Jean Bernard; CHOLLET, Hugues. Whell Rail Contact. In: IWNICKI, Simon
et al. Handbook of Railway Vehicle Dynamics. [s.i.]: Crc, 2006. Cap. 4. p. 84-119.
BOSCHETTI, Giorgio; MARISCOTTI, Andrea. The Parameter of motion mechanical

equation as a source of uncertainty for traction systems simulation. In: WORLD
CONGRESS METROLOGY FOR GREEN GROWTH, 20., 2012, Busan. Anais...
. Genoa: Imeko World Congress Metrology For Green Growth, 2012. v. 1, p. 1 - 6.
Disponível em: <http://www.imeko.org/publications/wc-2012/IMEKO-WC-2012-TC3-
P20.pdf>. Acesso em: 27 maio 2017.
178
POLACH, Oldrich. Creep forces in simulations of traction vehicles running on

adhesion limit. Wear: Creep forces in simulations of traction vehicles running on
adhesion limit. [s.i.], mar. 2005. p. 992-1000. Disponível em:
<http://www.sciencedirect.com/science/article/pii/S0043164804003072#!>. Acesso
em: 05 jun. 2017.
SEBEȘAN, Ioan; ZAKARIA, Yahia. DETERMINATION OF WHEEL-RAIL CONTACT

CHARACTERISTICS BY CREATING A SPECIAL PROGRAM FOR
CALCULATION. Mathematical Modelling In Civil Engineering: The Journal of
Technical University of Civil Engineering of Bucharest, [bucareste], v. 10, n. 3,
p.48-59, dez. 2014. Disponível em:
<https://www.degruyter.com/downloadpdf/j/mmce.2014.10.issue-3/mmce-2014-
0015/mmce-2014-0015.pdf>. Acesso em: 10 jun. 2017
BARNA, Grażyna. Matlab Simulink Model of a Braked Rail Vehicle and Its
Applications. In: CHAKRAVARTY, Subhas. Technology and Engineering
Applications of Simulink. [s.l.]: Intech, 2012. Cap. 9. p. 189-2018. Disponível em:
<https://www.intechopen.com/books/technology-and-engineering-applications-of-
simulink/matlab-simulink-model-of-a-braked-rail-vehicle-and-its-applications>.
Acesso em: 25 nov. 2016.
CRUCEANU, Cătălin. Train Braking. In: PERPINYA, Xavier. Reliability and Safety
in Railway. [s.l.]: Intech, 2012. Cap. 2. p. 29-74. Disponível em:
<https://www.intechopen.com/books/reliability-and-safety-in-railway/braking-systems-
for-railway-vehicles>. Acesso em: 25 nov. 2016.
SPIRYAGIN, Maksym et al. Design and Simulation of Heavy Haul Locomotives

and Trains. Boca Raton, Estados Unidos: Crc Press, 2016. 459 p.
CPTM. Memorial de Calculo de Freio de Atrito CAF Trem série 8000. São Paulo:
Cptm, 2014.
CPTM. Relatótio Técnico – TAF Sistema de Tração Combinada Trem série 8000.
São Paulo: Cptm, 2014.
179
DUARTE, Écio Naves. Mecânica do contato entre corpos revestidos. São Paulo:
Bluncher, 2016. 104 p.
MATHWORKS. INC.. Fuzzy Logic Toolbox For Use with MATLAB. 2017. ed. [s.l.]:
Mathworks, 1999. Disponível em:
<https://www.mathworks.com/help/pdf_doc/fuzzy/fuzzy.pdf>. Acesso em: 10 jan.
2017.
180
APÊNDICE A - Script Modelo Trem 8000 da CAF MATLAB
%Script Modelo Trem 8000 da CAF

%Dados dos Trens
g=9.8; % Gravidade
m=348000; % Trem vazio kg
m6=479820;% Trem com 6 passageiros/m2
m8=520540;% Trem com 8 passageiros/m2
m10=560770;%Trem com 10 passageiros/m2
mr=39522; % Reboque Vazio
mc=46720; % Carro motor
Ne=32; %Número de eixos
Ncreboque=4; %numero de carros reboque
Ncmotor=4; %numero de carros motor
Ptrem=2*170.055+2*3.3; %perimetro do trem m
Comprimentotrem=170.055; %comprimento do trem m
Ig=2.5; %comprimento do gap entre trens
Sv= 3.3*4.655;%Área frontal do trem
Vmax=90; %Velocidade Máxima de Operação.
Vmaxproj=100;%Velocidade Máxima de Projeto
Catrem=1.8;%Coeficiente de arrasto do trem
%------------------------------------------------------------------------%
%Dados Rodeiro
mrodeiro=502.6;%peso rodeiro
Dr=0.915; %Diametro do rodeiro novo em m
Drdesgaste=0.835; %Diâmetro rodeiro desgaste em m
Rr=Dr/2;% Raio Rodeiro novo em m
Rrdesgaste=Drdesgaste/2;% Raio Rodeiro em desgaste
Deixo=0.180;%Diamentro Eixo de tração
Reixo=Deixo/2;%Raio Eixo de tração
Ceixo=2.078;%Comprimento eixo
meixo=1567;%Peso do eixo do trator
mpeixo=m/16;%Massa distribuida por eixo
Feixo=mpeixo*g;%Força por eixo
Qrodeiro=Feixo/2; %Carga por rodeiro
Jeixo=(1/3)*(meixo*Ceixo^2);
J=((meixo+mpeixo+mrodeiro)*(Rr^2))/2;% Inercia do Rodeiro
%------------------------------------------------------------------------%
%Dados do Truck/Bogie
Deixos=2.5;%Distância entre eixos
Dmancal=0.13;%Diâmetro mancal dos eixos
%Dados Transmissão
Kg=7.52; %Relação de Transmissão
Nt=0.97; %Rendimento da Transmissão
%-------------------------------------------------------------------------%
%Dados Sistema de Tração
%Inversor de Tração
Tensao_nominal=3000; %Tensão Nominal de Operação
Nc=4;%Número de caixas inversoras
Ninv=2;% Numero de inversores
Pinv=(2*360000);%Potência Nominal em W da caixa invesora
Pn=Pinv*Nc;% Potência total do trem em W
Pmaxtracao=(2*957)*Nc;%Potência Max de tração do trem KW
Nm=16; % Número de Motores
Rn=0.98;%Rendimento Inversor
Vsaida=2200;%Tensão de saída
VCES=6500;%Tensão Coletor Emissor máxima do IGBT
In=600;%Corrente Nominal
Imax=1200;%Corrente máxima
Visol=10200;%Tensão de Isolamento
%Chopper
181
Rchopper=6.6;%Resistência do Chopper
Vchopper=3600;%Tensão do Chopper
Pnchopper=150000;%Potencia nominal Chopper
Pmaxchopper=1300000;%Potência máxima Chopper
%Motor de Tração
Pnmotor=270000;%Potência Nominal Motor em watts
Npolos=2;%Número de polos
Rmotor=0.92;%Rendimento do motor
Rpm_motor=2610;%Rotação Nominal
Ftemax=(Pmaxtracao*3.6)/Vmax; %Força de Tracao
%-------------------------------------------------------------------------%
%Dados Sistema de Frenagem Atrito
Ntfreio=0.97;%Eficiência do freio
Rdisco=0.303;%Raio Disco de Freio m
Adisco=0.08;%Area do Disco de Freio m^2
irodeiro=1;%Relação do mecanismo de freio
br=0.37;%Coeficiente Dinâmico de atrito
bs=0.3;%Coeficiente Estático de atrito
Fmola=0;%Força da mola
Apistao=0.01427;%Area do pistao m^2
po=0;%Pressão de exaustao da valvula
pmaxar=385000;%Pressão máxima do sistema Pa
Tac=1.6;%Constante da valvula
Tatraso=0.4;%Tempo de Atraso
Nfreio=64;% Numero de dispositivos de Freio.
Fretorno=500;%Força de Retorno em N
%-------------------------------------------------------------------------%
% Dados Perfil de Via
%Dados
R=500; %Raio da Curva em m
Rg=-1; %Gradiente de Incliação
%-------------------------------------------------------------------------%
%Dados Adesão
Fad0=(2*Qrodeiro*0.47)/pi;
Nr=m*g*Rr;%Força Normal e raio rodeiro
tamb=100;%Temperatura ambiente de operação
umax=Ftemax/(m*g);%Coeficiente de adesão max
cpoisson=0.3; %Coeficiente de poisson
E20=200*10^9;%Coeficiente de Young para ferro a 20ºC em Pa
Eyoungprox=0.98/E20;% Coeficiente de Young aproximado
pstrilho=0.2745;% Raio de perfil de contato com o trilho m
%Teoria de Contato de Hertz
AHertz=1/2*(1/pstrilho);% considerando apenas escorregamento longitudinal
Eyoungcalc=(((-6.7*10^(-9))*tamb^3)+((4.1*10^(-6))*tamb^2)-
(0.0011*tamb)+1.1)*E20;%Coeficiente de elasticidade de Young
Gcis=(Eyoungcalc/(2*(1+cpoisson)));%Modulo de cisalhamento
%A/B por interpolação da tabela 7.1 beta 5
%Livro Design and Simulation
BHertz=AHertz/0.002;
mHertz=11.238;
nHertz=0.0212*mHertz;
k1=(1-cpoisson^2)/Eyoungcalc;
% trilho e rodeiro mesmo material v igual
k2=k1;
k3=AHertz+BHertz;% Considerando deslocamento longitudinal
%arodeiro=0.0052;
%brodeiro=0.0164;
arodeiro=mHertz*(((3*pi*Qrodeiro*(k1+k2))/(4*k3))^(1/3));
brodeiro=nHertz*(((3*pi*Qrodeiro*(k1+k2))/(4*k3))^(1/3));
182
%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%
%Parâmetros de Contato de Polach
%trilho seco
usseco=0.47;%Coeficente de adesão
Auseco=0.44;% Area de adesão
Buseco=0.7;%Area de escorregamento
kaseco=0.6;%Coeficiente de redução de adesão
ksseco=0.15;%Coeficente de redução de slip
%Trilho molhado
usmolhado=0.3;
Aumolhado=0.38;
Bumolhado=0.1;
kamolhado=0.29;
ksmolhado=0.09;
pstrilho=274.5;%Perfil de raio do contato do trilho aproximado
psrodeiro=0;%Perfil de raio de contato do rodeiro
k=(ka+ks)/2;
Ckalker=3.2893+(0.975/(brodeiro/arodeiro))-(0.012/(brodeiro/arodeiro)^2);%
Coeficiente delinearidade de Kalker para movimento longitudinal
%------------------------------------------------------------------------%
%Equação de Davis coeficientes
ADavis=((6.4*(mr/1000))+(8*(mc/1000)));
BDavis=((0.18*(m/1000))+(1*Ncreboque)+(0.005*Ncmotor*(Pn/1000)));
CDavis=((0.6125*Catrem*Sv)+(0.00197*Ptrem*Comprimentotrem)+(0.0021*Ptrem*2.
5*(Ncreboque+Ncmotor-1)))+0.2566*2;
183
APÊNDICE B –Script Gráficos do MATLAB
%GRÁFICOS
% Coeficiente de Adesão
t=S0(:,1); Cadesaoseco= S0(:,2); Cadesaomolhado= S0(:,3);
% subplot(2,1,1)
plot(t,Cadesaoseco,'r',t,Cadesaomolhado,'b'); xlabel('Velocidade de
Escorregamento [m/s]'); ylabel('Amplitude[]');
legend('Coeficiente de Adesão Seco','Coeficiente de Adesão Molhado');
title('Coeficiente de Adesão por Rodeiro'); grid
%#############################################################
%Controlador Fuzzy Simples
%Velocidade
t1=S1(:,1); Vrodeiro1= S1(:,3); Vtrem1=S1(:,2);
%subplot(5,2,1)
plot(t1,Vrodeiro1,'blue',t1,Vtrem1,'red'); xlabel('Tempo [s]');
ylabel('Velocidade [Km/h]');
legend('Velocidade Rodeiro','Velocidade Trem');
title('Velocidade Controlador Fuzzy PI Simples'); grid
%Aceleração do trem
t41=S42(:,1); Atrem1= S42(:,2);
subplot(1,2,1)
plot(t41,Atrem1,'r'); xlabel('Tempo [s]'); ylabel('Aceleração[m/s2]');
% legend('Aceleração do Trem');
title('Aceleração Controlador Fuzzy PI Simples'); grid
%Jerk do trem
t42=S43(:,1); Jtrem1= S43(:,2);
subplot(1,2,2)
plot(t42,Jtrem1,'r'); xlabel('Tempo [s]'); ylabel('Jerk[m/s3]');
% legend('Jerk do Trem');
title('Jerk Controlador Fuzzy PI Simples'); grid
%Escorregamento
t2=S3(:,1); Escorregamento1= S3(:,2);
subplot(1,2,1)
plot(t2,Escorregamento1,'b'); xlabel('Tempo [s]');
ylabel('Velocidade[m/s]');
% legend('Escorregamento');
title('Velocidade de Escorregamento'); grid
%Coeficiente de Adesão
t3=S4(:,1); Cadesao1= S4(:,2);
subplot(5,2,6)
plot(t3,Cadesao1,'r'); xlabel('Velocidade de Escorregamento [m/s]');
ylabel('Amplitude[]');
legend('Coeficiente de Adesão');
%Força de Adesão
t4=S5(:,1); Fadesao1= S5(:,2);
subplot(5,2,9)
plot(t4,Fadesao1,'r'); xlabel('Tempo [s]'); ylabel('Amplitude[N]');
legend('Força de Adesão');
title('Força de Adesão por Rodeiro'); grid
%Slip
t5=S6(:,1); Slip1= S6(:,2);
subplot(1,2,2)
plot(t5,Slip1,'r'); xlabel('Tempo [s]'); ylabel('Amplitude [%]');
% legend('Slip');
title('Slip por Rodeiro'); grid
%Posição
t6=S7(:,1); Posicao1= S7(:,2);
subplot(5,2,10)
plot(t6,Posicao1,'r'); xlabel('Tempo [s]'); ylabel('Amplitude [m]');
184
legend('Posição');
title('Deslocamento do trem'); grid
%ERRO e Variação do Erro
t7=S8(:,1); Efuzzy1= S8(:,2); Defuzzy1=S8(:,3);
% subplot(5,2,2)
plot(t7,Efuzzy1,'b',t7,Defuzzy1,'r'); xlabel('Tempo [s]');
legend('Erro','Variação de Erro');
title('Erro e Variação de Erro Controlador Fuzzy PI Simples'); grid
%TRAÇÃO
t8=S9(:,1); Tfuzzy1= S9(:,2);
subplot(2,2,3)
plot(t8,Tfuzzy1,'r'); xlabel('Tempo [s]'); ylabel('Amplitude []');
% legend('Força de Tração Fuzzy');
title('Saída de Tração Controlador Fuzzy PI Simples'); grid
%FREIO
t9=S10(:,1); Ffuzzy1= S10(:,2);
subplot(2,2,4)
plot(t9,Ffuzzy1,'r'); xlabel('Tempo [s]'); ylabel('Amplitude []');
% legend('Força de Frenagem Fuzzy');
title('Saída de Frenagem Controlador Fuzzy PI Simples'); grid
%Saída Controlador
t10=S11(:,1); TSfuzzy1= S11(:,2); FSfuzzy1=S11(:,3);
subplot(2,2,1)
plot(t10,TSfuzzy1,'r',t10,FSfuzzy1,'b'); xlabel('Tempo [s]');
legend('Esforço de Tração','Esforço de Freio');
title('Saída Controlador Fuzzy PI Simples'); grid
%####################################################################
%Controlador Fuzzy Slip
%Velocidade
%subplot(5,2,1)
title('Velocidade Controlador Fuzzy PI Slip'); grid
t43=S44(:,1); Atrem2= S44(:,2);
subplot(1,2,1)
legend('Aceleração do Trem');
title('Aceleração Controlador Fuzzy PI Slip'); grid
%Jerk do trem
t44=S45(:,1); Jtrem2= S45(:,2);
subplot(1,2,2)
legend('Jerk do Trem');
title('Jerk Controlador Fuzzy PI Slip'); grid
%Escorregamento
subplot(1,2,1)
legend('Escorregamento');
t13=S14(:,1); Cadesao2= S14(:,2);
subplot(5,2,6)
185
%Força de Adesão
t14=S15(:,1); Fadesao2= S15(:,2);
subplot(5,2,9)
%Slip
t15=S16(:,1); Slip2= S16(:,2);
subplot(1,2,2)
legend('Slip');
%Posição
t16=S17(:,1); Posicao2= S17(:,2);
subplot(5,2,10)
%ERRO e Variação do Erro
% subplot(5,2,2)
title('Erro e Variação de Erro Controlador Fuzzy PI Slip'); grid
%TRAÇÃO
t18=S19(:,1); Tfuzzy2= S19(:,2);
subplot(2,2,3)
% legend('Força de Tração Fuzzy');
title('Saída de Tração Controlador Fuzzy PI Slip'); grid
%FREIO
t19=S20(:,1); Ffuzzy2= S20(:,2);
subplot(2,2,4)
% legend('Força de Frenagem Fuzzy');
title('Saída de Frenagem Controlador Fuzzy PI Slip'); grid
%Saída Controlador
subplot(2,2,1)
title('Saída Controlador Fuzzy PI Slip'); grid
%####################################################################
%Controlador Fuzzy baseado no coeficiente de adesão
%Velocidade
%subplot(5,2,1)
title('Velocidade Controlador Fuzzy PI baseado no coeficiente de adesão');
grid
t46=S47(:,1); Atrem3= S47(:,2);
subplot(1,2,1)
%legend('Aceleração do Trem');
186
title('Aceleração Controlador Fuzzy PI baseado no coeficiente de adesão');

grid
%Jerk do trem
t48=S49(:,1); Jtrem3= S49(:,2);
subplot(1,2,2)
%legend('Jerk do Trem');
title('Jerk Controlador Fuzzy PI baseado no coeficiente de adesão'); grid
%Escorregamento
subplot(1,2,1)
% legend('Escorregamento');
t23=S24(:,1); Cadesao3= S24(:,2);
subplot(5,2,6)
%Força de Adesão
t24=S25(:,1); Fadesao3= S25(:,2);
subplot(5,2,9)
%Slip
t25=S26(:,1); Slip3= S26(:,2);
subplot(1,2,2)
% legend('Slip');
%Posição
t26=S27(:,1); Posicao3= S27(:,2);
subplot(5,2,10)
% ERRO e Variação do Erro
%subplot(5,2,2)
title('Erro e Variação de Erro Controlador Fuzzy PI baseado no coeficiente
de adesão'); grid
%TRAÇÃO
t28=S29(:,1); Tfuzzy3= S29(:,2);
subplot(2,2,3)
%legend('Força de Tração Fuzzy');
title('Saída de Tração Controlador Fuzzy PI baseado no coeficiente de
adesão'); grid
%FREIO
t29=S30(:,1); Ffuzzy3= S30(:,2);
subplot(2,2,4)
%legend('Força de Frenagem Fuzzy');
187
title('Saída de Frenagem Controlador Fuzzy PI baseado no coeficiente de

adesão'); grid
%Saída Controlador
subplot(2,2,1)
title('Saída Controlador Fuzzy PI baseado no coeficiente de adesão'); grid
%####################################################################
%Velocidade Comparação
plot(t1,Vrodeiro1,'b',t1,Vtrem1,'r',t11,Vrodeiro2, 'g',t11,Vtrem2,
'k',t31,Vrodeiro4, 'c',t31,Vtrem4, 'ma'); xlabel('Tempo [s]');
legend('Velocidade Rodeiro sem controle slip','Velocidade Trem sem controle
slip','Velocidade Rodeiro com controle slip', 'Velocidade Trem com controle
slip','Velocidade Rodeiro controle adesão','Velocidade Trem controle
adesão');
title('Velocidade comparação controladores'); grid
%Velocidade Comparação Supervisório
t1=S55(:,1); Vtrem= S55(:,3); Vtremfuzzy=S55(:,2);
plot(t1,Vtrem,'b',t1,Vtremfuzzy,'r'); xlabel('Tempo [s]');
legend('Velocidade Trem ','Velocidade Trem com controle fuzzy');
title('Velocidade comparação Trens em Operação'); grid
188
APÊNDICE C - Script Controlador Fuzzy Simples
[System]
Name='controlador_simples'
Type='sugeno'
Version=2.0
NumInputs=2
NumOutputs=2
NumRules=4
AndMethod='prod'
OrMethod='probor'
ImpMethod='prod'
AggMethod='sum'
DefuzzMethod='wtaver'
[Input1]
Name='e'
Range=[-80 80]
NumMFs=2
MF1='neg':'gbellmf',[80 2.5 -80]
MF2='pos':'gbellmf',[80 2.5 80]
[Input2]
Name='de'
Range=[-5 5]
NumMFs=2
MF1='neg':'gbellmf',[5 2.5 -5]
MF2='pos':'gbellmf',[5 2.5 5]
[Output1]
Name='tracao'
Range=[0 1]
NumMFs=3
MF1='tn':'constant',[-0.3]
MF2='tz':'constant',[0]
MF3='tp':'constant',[0.3]
[Output2]
Name='freio'
Range=[0 1]
NumMFs=3
MF1='fn':'constant',[-0.5]
MF2='fz':'constant',[0]
MF3='fp':'constant',[0.5]
[Rules]
2 2, 3 1 (1) : 1
2 1, 2 2 (1) : 1
1 2, 2 2 (1) : 1
1 1, 1 3 (1) : 1
189
APÊNDICE D - Script Controlador Fuzzy Slip
[System]
Name='controlador_slip'
Type='sugeno'
Version=2.0
NumInputs=4
NumOutputs=2
NumRules=16
AndMethod='prod'
OrMethod='probor'
ImpMethod='prod'
AggMethod='sum'
[Input1]
Name='e'
Range=[-60 60]
NumMFs=2
MF1='neg':'gbellmf',[60 2 -60]
MF2='pos':'gbellmf',[60 2 60]
[Input2]
Name='de'
Range=[-5 5]
NumMFs=2
[Input3]
Name='slip'
Range=[0 10]
NumMFs=2
MF1='baixo':'gbellmf',[5 4 0]
MF2='alto':'gbellmf',[5 4 10]
[Input4]
Name='dslip'
Range=[-2 2]
NumMFs=2
[Output1]
Name='tracao'
Range=[0 1]
NumMFs=5
MF1='tnn':'constant',[-0.3]
MF5='tpp':'constant',[0.3]
[Output2]
Name='freio'
Range=[0 1]
NumMFs=5
MF1='fnn':'constant',[-0.6]
190
MF5='fpp':'constant',[0.6]
[Rules]
2 2 2 2, 4 2 (1) : 1
2 2 2 1, 4 2 (1) : 1
2 2 1 2, 5 1 (1) : 1
2 2 1 1, 5 1 (1) : 1
2 1 2 2, 3 3 (1) : 1
2 1 2 1, 3 3 (1) : 1
2 1 1 2, 3 3 (1) : 1
2 1 1 1, 3 3 (1) : 1
1 2 2 2, 3 3 (1) : 1
1 2 2 1, 3 3 (1) : 1
1 2 1 2, 3 3 (1) : 1
1 2 1 1, 3 3 (1) : 1
1 1 2 2, 2 4 (1) : 1
1 1 2 1, 2 4 (1) : 1
1 1 1 2, 1 4 (1) : 1
1 1 1 1, 1 5 (1) : 1
191
APÊNDICE E - Script Controlador Fuzzy baseado na máxima adesão
[System]
Name='controlador_u'
Type='sugeno'
Version=2.0
NumInputs=4
NumOutputs=2
NumRules=16
AndMethod='prod'
OrMethod='probor'
ImpMethod='prod'
AggMethod='sum'
[Input1]
Name='e'
Range=[-60 60]
NumMFs=2
[Input2]
Name='de'
Range=[-5 5]
NumMFs=2
[Input3]
Name='du'
Range=[-1 1]
NumMFs=2
MF1='baixo':'gbellmf',[1 2 -1]
MF2='alto':'gbellmf',[1 2 1]
[Input4]
Name='ddu'
Range=[-2 2]
NumMFs=2
[Output1]
Name='tracao'
Range=[0 1]
NumMFs=5
MF1='tnn':'constant',[-0.3]
MF5='tpp':'constant',[0.3]
[Output2]
Name='freio'
Range=[0 1]
NumMFs=5
MF1='fnn':'constant',[-0.6]
192
MF5='fpp':'constant',[0.6]
[Rules]
2 2 2 2, 5 1 (1) : 1
2 2 2 1, 4 1 (1) : 1
2 2 1 2, 4 2 (1) : 1
2 2 1 1, 4 2 (1) : 1
2 1 2 2, 3 3 (1) : 1
2 1 2 1, 3 3 (1) : 1
2 1 1 2, 3 3 (1) : 1
2 1 1 1, 3 3 (1) : 1
1 2 2 2, 3 3 (1) : 1
1 2 2 1, 3 3 (1) : 1
1 2 1 2, 3 3 (1) : 1
1 2 1 1, 3 3 (1) : 1
1 1 2 2, 2 4 (1) : 1
1 1 2 1, 2 4 (1) : 1
1 1 1 2, 2 4 (1) : 1
1 1 1 1, 1 5 (1) : 1
193
APÊNDICE F - Script Controlador Fuzzy Supervisório
[System]
Name='controlador_supervisor_simples_m'
Type='mamdani'
Version=2.0
NumInputs=2
NumOutputs=1
NumRules=9
AndMethod='min'
OrMethod='max'
ImpMethod='min'
AggMethod='max'
DefuzzMethod='centroid'
[Input1]
Name='ata'
Range=[-10 10]
NumMFs=3
MF1='neg':'trimf',[-20 -10 0]
MF2='zero':'trimf',[-10 0 10]
MF3='pos':'trimf',[0 10 20]
[Input2]
Name='spvia'
Range=[0 90]
NumMFs=3
MF1='vr':'trimf',[-45 -4.441e-16 45]
MF2='vl':'trimf',[0 45 90]
MF3='vma':'trimf',[45 90 135]
[Output1]
Name='velocidade'
Range=[0 103.5]
NumMFs=3
MF1='vr':'trimf',[-41.4 0 41.4]
MF2='vl':'trimf',[10.35 51.75 93.15]
MF3='vma':'trimf',[62.1 103.5 144.9]
[Rules]
3 1, 2 (1) : 1
3 2, 3 (1) : 1
3 3, 3 (1) : 1
2 1, 1 (1) : 1
2 2, 2 (1) : 1
2 3, 3 (1) : 1
1 1, 1 (1) : 1
1 2, 2 (1) : 1
1 3, 3 (1) : 1
194
APÊNDICE G – Regras Controlador Fuzzy Simples

195
APÊNDICE H - Regras Controlador Fuzzy Slip

196
APÊNDICE I – Regras Controlador Fuzzy baseado na máxima adesão

197
ANEXO A – Características Técnicas do Trem Série 8000 CAF
Características Técnicas do Trem
Configuração EMU do trem :

8 carros (MC+R1+R2+M+ M+R2+R3+MC)
Carro Reboque com
R1/R3: pantógrafo
Carro Reboque sem
R2: pantógrafo
MC: Carro Motor com cabina
M: Carro Motor sem cabina
Pesos [Tn] MC M R Total 8 Carros

AW0 Vazio (TARA) 45,1 44,6 39,37 348
AW1 6 passageiros/m² 61,62 62,492 57,262 479,82
AW2 8passageiros/m² 65,46 67,196 61,966 520,54
AW3 10passageiros/m² 70,3 71,9 66,67 560,77
4 por carro
Número de Motores:
motor
1 por carro
Número de Inversores Onix:
motor
Detalhes do trem
Máxima velocidade de operação: 90 km/h

Aceleração de partida: 1m/s²
0.93 m/s² entre 0-50
Aceleração média:
km/h@6p/m²
0.9 m/s² entre 70-5
Desaceleração de serviço elétrica: km/h@8p/m²
Taxa de jerk (solavanco): Máximo 1.0 m/s³

Relação de transmissão: 7.52:1
Diâmetro de roda considerado: 915 mm
Fonte: Adaptado do documento Descritivo dos Truques Trem série 8500 (Projeto Básico);
CPTM (2014)

Aplicação de Inteligência Artificial em Sistemas de Sinalização e Tração Ferroviária

Enviado por

Dados do documento

Título original

Direitos autorais

Formatos disponíveis

Compartilhar este documento

Compartilhar ou incorporar documento

Opções de compartilhamento

Você considera este documento útil?

Este conteúdo é inapropriado?

Direitos autorais:

Formatos disponíveis

Aplicação de Inteligência Artificial em Sistemas de Sinalização e Tração Ferroviária

Enviado por

Direitos autorais:

Formatos disponíveis

FACULDADE SENAI DE TECNOLOGIA MARIANO FERRAZ

PÓS-GRADUAÇÃO EM AUTOMAÇÃO E CONTROLE

FELIPE LOPES SUZART

APLICAÇÃO DE INTELIGÊNCIA ARTIFICIAL EM SISTEMAS DE TRAÇÃO E DE

APLICAÇÃO DE INTELIGÊNCIA ARTIFICIAL EM SISTEMAS DE TRAÇÃO E DE

Trabalho de Conclusão de Curso

Orientador: Daniel Barbuto Rossato

APLICAÇÃO DE INTELIGÊNCIA ARTIFICIAL EM SISTEMAS DE TRAÇÃO E DE

Trabalho de Conclusão de Curso apresentado a Banca Examinadora como

São Paulo, 24 de novembro de 2017.

O presente trabalho tem como objetivo a utilização de ferramentas de

Palavras-chave: fuzzy, adesão, sinalização ferroviário, controle de tração, trem.

Keywords: fuzzy, adhesion, railway signalling, traction contro, train.

Figura 1 - Sistemas auxiliares que compõem um trem ............................................. 29

Tabela 1 - Coeficiente de Rotação das Massas ........................................................ 85

FOC Field Oriented Control

µ[] Coeficiente de adesão

m [Kg] Massa trem vazio.

mr [Kg] Massa carro reboque.

mc [Kg] Massa carro motor.

ntr [ ] Número de carros reboque.

ntc [ ] Número de carros motor.

Qr [Kg ] Massa por Rodeiro.

Pn [W] Potência Nominal do trem.

Cat [ ] Coeficiente de arrasto trem.

Sv [m2 ] Área frontal do trem.

lt [m] Comprimento do trem.

ig [m] Distância entre gaps.

Vw [m/s] Velocidade Rodeiro.

Rr [m] Raio do Rodeiro.

ka [ ] Coeficiente de redução de adesão.

Ks [ ] Coeficiente de redução de escorregamento.

C1 [ ] Coeficiente de linearidade de Kalker.

Aμ [m2] Àrea de adesão.

Bμ [m2] Àrea de escorregamento.

G[] Módulo de Cisalhamento.

E[] Módulo de elasticidade de Young.

ϑ[] Coeficiente de Poisson.

Ft [N] Força de Tração.

Tt [Nm] Torque de Tração.

Tm [Nm] Torque do motor.

Kg [ ] Relação de Transmissão de Engrenagens.

Rr [m] Raio do Rodeiro.

ξ[] Coeficiente de Rotação das massas.

Μe [Tm ] Massa média por eixo

Ne [ ] Número de eixos do trem

Sv [m2] Área frontal do trem

ηt [ ] Rendimento transmissão de tração.

ωe [rad/s] Velocidade Angular do Rodeiro.

ωm [rad/s] Velocidade Angular do motor de tração.

Vtrem [km/h] Velocidade do Trem.

Pvalin[Pa] Pressão de Entrada da Válvula de Freio.

Pmax[Pa] Pressão Máxima da Entrada da Válvula de Freio

Tac [s] Constante de tempo de Acionamento atuador de freio.

J [Kgm2] Momento de Inercia dos rodeiros.

Tex [s] Constante de tempo de Exaustão do atuado de freio.

P0 [Pa] Pressão na câmera de exaustão.

Pcilin [Pa] Pressão de acionamento atuador de freio.

Apistao[m2] Área Pistão de acionamento do freio

Pfreioac [Pa] Pressão acionamento do bloco de freio.

Pfreioex [Pa] Pressão exaustão do bloco de freio.

Fmola[N] Força de Atuação da mola.

bs [ ] Coeficiente estático de atrito