Escolar Documentos
Profissional Documentos
Cultura Documentos
JOÃO PESSOA – PB
2019
LEONALDO BEZERRA CAVALCANTE
JOÃO PESSOA – PB
2019
LEONALDO BEZERRA CAVALCANTE
Aprovada em ______/_______/2019.
BANCA EXAMINADORA
_________________________________________
_____________________________________________
______________________________________________
______________________________________________
1.INTRODUÇÃO ................................................................................................................... 10
1.1.JUSTIFICATIVA ............................................................................................................... 11
1.2.OBJETIVOS ....................................................................................................................... 11
1.2.1.Objetivos Gerais .............................................................................................................. 12
1.2.2.Objetivos Específicos ...................................................................................................... 12
1.3.Organização do trabalho ..................................................................................................... 12
2.FUNDAMENTOS DE CONTROLE DE PROCESSOS INDUSTRIAIS ....................... 13
2.1.INDÚSTRIAS DE PROCESSO ......................................................................................... 13
2.2.CONTROLE DE PROCESSOS ......................................................................................... 13
2.3.TIPOS DE CONTROLE .................................................................................................... 15
2.4.CONTROLE POR REALIMENTAÇÃO: ESTRATÉGIAS DE CONTROLE ................. 16
2.4.1.Controle Fuzzy ................................................................................................................ 17
2.5.PROCESSO DE FABRICAÇÃO DE CIMENTO ............................................................. 22
3.METODOLOGIA PROPOSTA PARA IMPLEMENTAÇÃO DA LÓGICA FUZZY. 23
3.1.MOAGEM DE COQUE DE PETRÓLEO ......................................................................... 23
3.2.DESCRIÇÃO DA PLANTA DE MOAGEM DE COQUE EM UMA FÁBRICA DE
CIMENTOS .............................................................................................................................. 24
3.3.METODOLOGIA PROPOSTA PARA SIMULAÇÃO DA PLANTA COM LÓGICA
FUZZY ..................................................................................................................................... 25
4.RESULTADOS .................................................................................................................... 29
5.CONSIDERAÇÕES FINAIS .............................................................................................. 34
5.1.TRABALHOS FUTUROS ............................................................................................... 34
REFERÊNCIAS ..................................................................................................................... 35
1. INTRODUÇÃO
10
na metodologia clássica, sendo essa a sua principal vantagem. (SOUZA & FRANCISCO,
2010).
Este trabalho fundamenta os conceitos necessários para aplicação da lógica fuzzy em
controle de processos industriais apresentando no primeiro momento um estudo bibliográfico
sobre o controlador fuzzy. Posteriormente será implementado a simulação da lógica fuzzy
aplicada ao processo de moagem de coque utilizando o software MATLAB.
1.1. JUSTIFICATIVA
Groover (2011) define controle industrial como a regulação automática das operações
de produção e seus equipamentos associados, bem como a integração e a coordenação dessas
operações no sistema de produção maior. Desta forma a construção de conhecimentos e
modelos que possam servir de base a especialistas no controle de processos industriais pode
beneficiar uma organização de fabricação, principalmente em processos complexos e que
ocorram sob incertezas e dados incompletos.
O presente trabalho tem como proposta simular o processo de moagem de coque com
o uso da lógica fuzzy, a fim de mostrar a possibilidade de aplicação desse sistema no controle
de processos industriais. A fabricação de cimento não é simples e requer muita energia, seja
na forma de energia térmica (calor), por meio de combustíveis utilizados para aquecer os
fornos rotativos para a produção de clínquer, seja na forma de energia elétrica, consumida em
todo o processo industrial para movimentar máquinas, fazer girar os fornos rotativos e os
moinhos. Os combustíveis que alimentam os fornos são, na maior parte das vezes, de fontes
não renováveis, como o petróleo e o carvão, sendo o coque de petróleo o principal
combustível utilizado no forno rotativo de clinquer. O motivo desse combustível ser muito
utilizado se deve ao seu elevado poder calorífico associado com o baixo custo de aquisição.
Apesar do processo de fabricação de cimentos não gerar resíduos sólidos As fábricas de
cimento acabam poluindo o ambiente através da emissão dos gases poluentes provenientes da
queima de combustíveis sólidos sendo responsáveis por impactos ambientais relevantes. A
partir desta observação surgiu a ideia de realizar um estudo a cerca da lógica fuzzy e sua
aplicação no processo de moagem de coque.
1.2. OBJETIVOS
11
1.2.1. OBJETIVOS GERAIS
12
2. FUNDAMENTOS DE CONTROLE DE PROCESSOS INDUSTRIAIS
O sistema de controle é um dos componentes básicos de um sistema automatizado. E
pode ser definido como um conjunto de elementos e dispositivos interconectados com a
finalidade de atingir uma resposta desejada. Segundo Groover (2011), os elementos de
controle em um sistema automatizado executam um programa de instruções e faz com que o
processo execute sua função de forma a realizar alguma operação de produção.
Este capítulo fundamenta o trabalho proposto apresentando uma introdução aos
sistemas de controle, visando conceituar o controle de processos e suas principais
características. Posteriormente será mostrado um estudo abrangendo os aspectos básicos
relacionados ao sistema de inferência fuzzy e como este método de controle é utilizado na
indústria e por fim um descritivo do processo de fabricação de cimento com o objetivo de
contextualizar o estudo da moagem de coque.
13
Imagem 1 – Diagrama de blocos de um sistema típico de controle
Fonte: Autores
A entrada ou referência expressa à saída desejada (ou ideal) para planta, enquanto que
a saída corresponde ao valor real. A relação entrada-saída representa a relação causa e efeito
do processo, o qual por sua vez representa o processamento do sinal de entrada para fornecer
um sinal de saída desejado. (DORF, 2018). O controlador gera o sinal de controle que atua
sobre a planta de modo à idealmente, levar o erro (diferença entre a entrada e a saída) ao valor
nulo. Em um controlador as entradas são alimentadas por sinais elétricos vindos de sensores,
conversores, interruptores, enquanto os sinais de controle são aplicados a elementos
atuadores, como válvulas ou motores.
Ogata (2010) declara que no estudo da engenharia de controle, é preciso que sejam
definidos os termos necessários à descrição dos sistemas de controle, bem como sua
terminologia básica.
Assim, os termos mais utilizados serão descritos a seguir conforme definições
apresentadas por Franchi (2011) e Ogata (2010).
14
Erro (offset): é a diferença entre a variável de processo e o setpoint e pode ser
positiva ou negativa. O objetivo de qualquer sistema de controle é eliminar o
erro, mantendo ao longo do tempo, a variável controlada o mais próximo
possível do valor desejado.
Distúrbios: um distúrbio é um sinal que tende a afetar de maneira adversa o
valor da variável de saída de um sistema. Conforme Ogata (2010), se um
distúrbio for gerado dentro de um sistema, ele será chamado distúrbio interno,
enquanto um distúrbio externo é aquele gerado fora do sistema e que se
comporta como um sinal de entrada no sistema.
Controle com realimentação: fazer referência a uma operação que, na
presença de distúrbios, tende a diminuir a diferença ente a saída de um sistema
e alguma entrada. (OGATA, 2010).
15
Conforme imagem 3, um sistema de controle em malha fechada é composto por seis
elementos básicos: parâmetro de entrada, processo, variável de saída, sensor por
realimentação, controlador e atuador.
(1)
16
Onde:
e = erro
r = valor de referência
c = variável controlada
Assim, o elemento de controle tem como entrada um sinal de erro e como saída um
sinal que se torna entrada da unidade de correção, tal que uma ação possa ser iniciada para
eliminar o erro. Segundo Bolton (1995), existe algumas formas de o elemento de controle
reagir a um sinal de erro. Para o controle em malha fechada os controles são do tipo on-off
(duas posições), controle proporcional ou controle proporcional combinado com alguma outra
ação.
Cita-se também Bolton (1995), no controle on-off, o sinal de erro, que é uma entrada
para o elemento de cotrole, ora é zero ora possui um determinado valor fixo, e a saída deste
chaveia o elemento de correção nos estados ligado ou desligado. Já no controle proporcional,
a saída do controlador é um sinal que é proporcional ao erro: quanto maior o erro, maior a
saída, isto significa que o elemento de correção receberá um sinal que depende da quantidade
de correção necessária.
O controle proporcional apresente uma série de problemas e por este motivo é
frequentemente combinado a outras formas de controle. No controle derivativo, a saída do
elemento de controle é proporcional à taxa de variação do sinal de erro; e no controle integral,
a saída do elemento de controle é proporcional a integral do sinal de erro entre os instantes de
tempo t = 0 e t. (BOLTON, 1995).
Atualmente existem controladores de processos contínuos que executam técnicas de
controle dos mais diversos tipos, tais como: Lógica Fuzzy (lógica nebulosa), entre outros
(BEQUETTE, 2003). Com base nessas premissas as formas de estratégia de controle fuzzy
citada a cima será detalhada na seção 2.4.1 deste trabalho.
A lógica fuzzy, também chamada de lógica nebulosa, lógica difusa, ou ainda como
teoria das possibilidades, tem como embasamento a Teoria dos Conjuntos Fuzzy apresentada
pelo Professor Zadeh em seu artigo “Fuzzy Sets” publicado no ano de 1965. Trata-se de um
tipo de lógica multivalente (KANDEL, 1986). Este conceito contrapõe-se ao da lógica
clássica, bivalente, fundada por Aristóteles, segundo a qual uma determinada proposição
17
somente pode assumir os valores: Verdadeiro ou Falso, representados respectivamente pelos
números 0 e 1, excluindo-se definitivamente qualquer possibilidade de ocorrerem valores
intermediários. Trata-se do Princípio do Meio Excluído (BOYER, 1996).
Esta lógica admite, portanto que uma determinada proposição pode assumir qualquer
valor no intervalo entre 0 e 1. Segundo Shaw e Simões (1999), a capacidade de se manipular
conjuntos e números fuzzy é uma das atividades mais extraordinárias do cérebro humano,
logo, a lógica fuzzy permite a implementação de implicações lógicas idênticas às usadas pelo
indivíduo. Busca modelos capazes de simular sua percepção da realidade, incluindo assim
suas características na realização de deduções e tomadas de decisões.
Um sistema baseado na lógica fuzzy permite generalizar e inferir dentro do universo
de referência de cada variável controlada. Assim, o controle fuzzy pode considerar vários
critérios de desempenho simultaneamente, que podem ser escritos de forma matemática ou
mesmo linguística. (CAMPOS, 2004).
O controle fuzzy vem sendo usado nos últimos anos por assumir uma implementação
fácil e rápida, oferecendo maior confiabilidade aos sistemas. Segundo Souza & Francisco
(2010), este tipo de controle trata de uma relação entre entradas e saídas de forma linguística,
o que faz com que o mesmo seja capaz de proporcionar um desempenho eficaz e satisfatório
aos sistemas, proporcionando um controle que não requer cálculos ou equações complexas
como aqueles utilizados no controle PID.
Para Shaw, Simões (2007), uma das mais importantes características dos controladores
Fuzzy é a habilidade em se executar controle multiobjetivos, mesmo com requisições
conflitantes, de forma a se obter um bom compromisso na estratégia de controle.
Para desenvolver um controlador Fuzzy é imprescindível que se obtenha três etapas:
Fuzzificação, Inferência e Defuzzificação. Desta forma, cada etapa será descrita, seguindo o
modelo Mamdani, como mostrado na imagem 5 .
Fonte - Autores
18
Fuzzificação
Para Shaw e Simões (1999), "fuzzificação” é uma espécie de pré-processamento de
categorias ou classes do sinal de entrada, reduzindo grandemente o número de valores a serem
processados. Os valores discretos (não – fuzzy) das variáveis de entrada geralmente são
provenientes de sensores das grandezas físicas ou de dispositivos de entrada
computadorizadas. Um fator de escala pode ser usado para converter os valores reais de
entrada para outros que sejam cobertos pelos universos de discurso pré-definidos para cada
variável de entrada. A demais, a interface de fuzzicação usa as funções de pertinência
contidas na base de conhecimento, convertendo os sinais de entrada em um intervalo [0,1] que
pode ser associado a rótulos linguísticos. (SHAW, SIMÕES, 2018)
Nesta etapa são consideradas todas as informações referentes à imprecisão e
incerteza, então os especialistas na área de controladores fuzzy devem ser consultados para
saber os valores relacionados ao grau de pertinência para as variáveis que estão sendo
estudadas, pois isso faz com que os resultados sejam mais precisos.
Base de Regras
Segundo Shaw & Simões (2018), a base de regras caracteriza os objetivos de controle
e a estratégia de controle utilizada por especialistas na área, por meio de um conjunto de
regras de controle em geral linguísticas.
Inferência
A inferência fuzzy é um processo de avaliação de entradas com o objetivo de, obter
conclusões por meio de regras previamente definidas utilizando-se a teoria de conjuntos
fuzzy. Neste processo ocorre a validação das regras estabelecidas para o controle e une,
através de um cálculo arbitral, média ou máxima, os valores correspondentes aos resultados
da regra aplicada. A regra é um formato de decisão (SHAW & SIMÕES, 2010).
Os controladores fuzzy descritos na literatura são classificados em função das
características gerais do seu método de tomada de decisão. O método Mamdani de inferência
fuzzy (difusa) se baseia em regras de conjuntos fuzzy cujo objetivo é representar experiências
da vida real. Este controlador tem como base o trabalho pioneiro de Mamdani, publicado em
1973. A implementação de cada regra é feita mediante a definição de operadores para o
processamento do antecedente da regra e da função de implicação que irá definir o seu
consequente. A ação do controlador fuzzy é definida pela agregação das n regras que
compõem o algoritmo, mediante o uso do conectivo “também”, o qual pode ser implementado
19
por diferentes operadores. Esta agregação resulta no conjunto fuzzy, que define a saída do
controlador. A saída efetiva do controlador é então obtida por meio de um processo de
defuzificação aplicado ao conjunto fuzzy.
Já o método Sugeno consiste numa simplificação do controlador de Mamdani, onde o
consequente de cada regra é definido como uma função das variáveis lingüísticas de entrada.
Neste método, o resultado de cada regra é, portanto, um valor numérico (não um conjunto
fuzzy), que assume como peso o valor da pertinência resultante do processamento do
antecedente da regra. A resposta final do controlador é obtida pela média ponderada das
respostas das regras individuais. Neste tipo de controlador não cabe processo de
defuzificação.
Defuzzificação
Após a etapa da inferência, vem a última etapa, que é a defuzzificação. Nela são
aplicados os valores encontrados no processo anterior, em métodos para achar a saída do
controlador Fuzzy que irá ser aplicado ao sistema.
A defuzzificação consiste em obter-se um único valor discreto, utilizável numa ação
de controle concreta no mundo real, a partir de valores fuzzy de saída obtidos. Esta função é
necessária apenas quando a saída do controlador tiver de ser interpretada como uma ação de
controle discreta. Existem sistemas que não exigem defuzzificação porque o padrão de saída
fuzzy é comparado com aqueles que correspondem a certos aspectos qualitativos. (SHAW &
SIMÕES, 2018)
20
Imagem 6 - Função de pertinência Triangular
Fonte - Autores
1
Disponível em: energia.fca.unesp.br. Acesso em: julho 2019
21
Imagem 8 - Função de Pertinência Trapezoidal
2
Disponível em:
https://www.researchgate.net/publication/228397206_ANALISE_DE_RISCO_E_INCERTEZA_NA_TOMADA_DE_
DECISAO_NA_GESTAO_HIDROAMBIENTAL . Acesso em: julho 2019.
22
3. METODOLOGIA PROPOSTA PARA IMPLEMENTAÇÃO DA LÓGICA FUZZY
Neste capítulo serão mostrados todos os materiais e métodos utilizados para realização
deste trabalho. A pesquisa trata de um estudo bibliográfico sobre controles de processos e
aplicação da lógica fuzzy em processos industriais. Inicialmente foi desenvolvido um
referencial teórico a partir de pesquisas sobre a temática do projeto. Em seguida o processo de
moagem de coque será descrito para fins de compreensão da simulação da lógica fuzzy. Por
fim, será desenvolvida a simulação do controlador fuzzy com base nos dados coletados no
sistema supervisório da referida planta. O simulador foi desenvolvido utilizando o software
MATLAB.
23
3.2. DESCRIÇÃO DA PLANTA DE MOAGEM DE COQUE EM UMA FÁBRICA DE
CIMENTOS
Conforme ilustrado na imagem 9 a planta de moagem de coque é composta por um
silo de coque bruto (BI 01), uma balança dosadora de vazão (WF01), cujo setpoint varia entre
11 e 16 toneladas/hora, uma correia transportadora (BC 01), um moinho de bolas (BM 01),
que deve trabalhar dentro de um range de pressão interna entre -4 e -20 mbar (milibar). Um
classificador de material (CLA 01), que como descrito anteriormente classifica as partículas
de coque moído de acordo a granulatura, enviando as partículas grossas para reprocesso, um
filtro de mangas (BF 01), para separar as partículas de coque dos gases efluentes, um exaustor
(FN 02) e dois silos de armazenamento do coque moído (BI 02 e BI 03). O controle do
processo é feito pelo CLP que recebe as informações dos sensores de pressão, vazão, balança
de carga, nível e temperatura. Estes medem as variáveis do processo: pressão interna do
moinho, vazão de material na balança dosadora, temperatura dos gases, vibração no moinho e
nível de material nos silos de armazenamento.
O controlador, implementado na planta, tem a função de controlar a vazão do material
para balança dosadora levando em conta os níveis de material nos silos de armazenamento e
pressão interna do moinho.
Fonte - Autores
24
3.3. METODOLOGIA PROPOSTA PARA SIMULAÇÃO DA PLANTA COM LÓGICA
FUZZY
A simulação da lógica fuzzy foi realizada tendo como base o controle aplicado no
modelo real, cuja função do controlador está descrita na seção 3.2 deste trabalho. A
implementação da simulação da lógica fuzzy foi desenvolvida no MATLAB, utilizando o
Fuzzy Logical Toobox.
As variáveis de entrada do sistema são a pressão no moinho e o nível do silo de
armazenamento. Estes dados foram coletados a partir da leitura do sistema supervisório da
planta de moagem de coque. A variável de saída é a vazão na balança dosadora.
Para as variáveis de entrada foram aplicadas a função de pertinência gaussiana na
pressão do moinho, conforme ilustrado na imagem 10, tendo uma amplitude de atuação com
valores entre [-4 a -7] mbar no instante da leitura. Esta variável contém três conjuntos fuzzy
divididos em [-6 a -7], [-5 a -6] e [-4 a5] conforme o exposto na Figura 10. Este limite de
amplitude consiste de [-4 a -7] mbar devido a simulação representar a planta em
funcionamento. No ambiente real o setpoint destas variáveis são de [-4 a -20] mbar.
Fonte - Autores
25
Imagem 11 - Função de pertinência para o nível dos silos de armazenamento
Fonte - Autores
Com a devida associação das funções de entrada, são então formadas 4 regras de
controle para o estimador fuzzy conforme mostrado na imagem 12. A primeira regra
estabelece que se a pressão do moinho assumir o valor de [-4] mbar ou o nível dos silos de
armazenamento estiver entre [0 e 74] toneladas, a vazão de material na balança dosadora
assumirá valores entre [11 e 13] toneladas. Na segunda regra se a pressão do moinho estiver
em [-5] mbar ou o nível dos silos de armazenamento estiver entre [0 e 74] toneladas, a vazão
de material na balança dosadora assumirá valores entre [13 e 15] toneladas. A terceira regra
expressa que se a pressão do moinho for [-6 ] mbar ou o nível dos silos de armazenamento
estiver entre [0 e 74] toneladas, a vazão de material na balança dosadora assumirá valores
entre [15 e 17] toneladas. Por fim, a quarta regra mostra que se os níveis dos silos de
armazenamento estiverem altos, com valores entre [75 a 80] toneladas a vazão de material na
balança dosadora deverá diminuir, enviando menos matéria – prima para o moinho de coque.
26
Imagem 12 - Regras de controle fuzzy
Fonte - Autores
27
Imagem 13 - Método de inferência do controle fuzzy
Fonte - Autores
28
4. RESULTADOS
Neste item serão apresentados os resultados da simulação computacional da planta de
moagem de coque aplicado à lógica fuzzy realizado no software MATLAB através do
ambiente de simulação Fuzzy Logical Toobox, conforme regras de controle explicado na
seção 3.3 deste trabalho.
Imagem 14 - Vazão da balança sendo alterada pela pressão do moinho: Regra de controle 1
Fonte - Autores
29
Imagem 15 - Vazão da balança sendo alterada pela pressão do moinho: Regra de controle 2.
Fonte - Autores
30
Imagem 16 - Vazão da balança sendo alterada pela pressão do moinho: Regra de controle 3
Fonte - Autores
31
Imagem 17 - Vazão da balança sendo alterada pelo nível do silo: Regra 4
Fonte - Autores
32
medida em que a pressão no moinho ou nível de armazenamento nos silos diminui a vazão da
balança dosadora aumenta, enviando uma quantidade maior material para ser processado.
Fonte - Autores
33
5. CONSIDERAÇÕES FINAIS
O presente trabalho apresentou um estudo bibliográfico do sistema de controle com a
finalidade de mostrar a aplicação da lógica fuzzy em ambientes de produção industrial. A
implementação do controle se deu por meio de simulação da lógica fuzzy com dados obtidos
no ambiente real. As avaliações sobre o projeto tiveram como base o funcionamento da lógica
fuzzy no processo de moagem de coque e as repostas do controlador para o sistema.
Levando em consideração os estudos realizados a cerca do controlador fuzzy chegou-
se à conclusão de que em sistemas de controle a adaptabilidade do deste controlador é maior
do que em outros controles utilizados atualmente, pois para aplicação da lógica fuzzy, após o
conhecimento do processo e identificação de seu comportamento, as etapas para implantação
são as escolhas das variáveis, as regras de controle fuzzy para encontrar a resposta satisfatória
para o método de inferência aplicado ao controlador. Esse resultado pôde ser observado
através da implementação da lógica fuzzy em software bastando à aquisição dos parâmetros
referentes ao processo de moagem de coque obtidos em visitas técnicas ao ambiente fabril e
alguns meses em estudo a cerca do tema explorado neste trabalho.
34
REFERÊNCIAS
AMENDOLA M; SOUZA, A; BARROS L. Manual do uso da teoria dos conjuntos Fuzzy
no Matlab 6.5., 2005.
BOLTON, W. Engenharia de Controle. 1° ed. Rio de Janeiro: Makron Books Ltda., 1995.
CAMPOS, Mario Massa de; SAITO, Kaku. Sistemas inteligentes em controle e automação de
processos. Rio de Janeiro: Editora Ciência Moderna, Ltda, 2004.
DORF, Richard C; BISHOP, Robert H. Sistemas de controle modernos. 13ª Edição. Rio de
Janeiro: LTC, 2018.
KANDEL, A., 1986. Fuzzy Mathematical Techniques with Applications, U.S.A., Addison-
Weslwy Publishing Company.
ROSÀRIO, João Maurício. Automação Industrial. 1ª Edição. São Paulo: Baraúna, 2009.
SHAW, I. S., SIMÕES, M. G., 1999, Controle e Modelagem Fuzzy, São Paulo, Editora
Edgar Blücher.
SHAW, I. S., SIMÕES, M. G.,2007 , Controle e Modelagem Fuzzy, São Paulo, Editora
Edgar Blücher.
35
SHAW, I. S., SIMÕES, M. G.,20018 , Controle e Modelagem Fuzzy, São Paulo, Editora
Edgar Blücher.
36