Você está na página 1de 8

Sistema de Controle Preditivo Não Linear

Embarcado em Controlador Lógico Programável


João Paulo Carvalho Henriques Jeremias Barbosa Machado Luís Henrique de Carvalho Ferreira
Instituto Nacional de Telecomunicações Universidade Federal de Itajubá Universidade Federal de Itajubá
INATEL IESTI - UNIFEI IESTI - UNIFEI
S. R. do Sapucaí, Minas Gerais 37540-000 Itajubá, Minas Gerias 37500-903 Itajubá, Minas Gerias 37500-903
Email: joao.paulo@inatel.br Email: jeremias@unifei.edu.br Email: luis@unifei.edu.br

Abstract— Este trabalho aborda o problema de controle de de sistemas dinâmicos se mostra vantajosa sobre outras abor-
sistemas não lineares através da utilização de um Controlador Ló- dagens, pois tais modelos não apresentam realimentação de
gico Programável (CLP). Para a realização deste controle propõe- saída, ou seja, os modelos BFO não propagam erro na predição
se o emprego de sistema de controle preditivo não linear baseado
em um modelo fuzzy Takagi-Sugeno com funções ortonormais de saída, o que lhes confere maior precisão, característica
generalizadas nos consequentes das regras (TS-GOBF). O uso de de suma importância para sistemas de controle baseados em
modelos preditores fuzzy TS torna possível a implementação de modelos [8]. Além dessa importante característica, os modelos
um sistema de controle preditivo multimodelos no qual ações de BFO apresentam as seguintes vantagens quando comparados
sub controladores preditivos lineares são combinadas a fim de com outros modelos utilizados para representação de sistemas
se obter uma ação de controle preditivo não linear. Resultados
práticos apresentados da aplicação do controlador proposto no dinâmicos [9]:
controle de uma planta de nível mostram a viabilidade da técnica • Ausência de realimentação da saída, evitando assim a
proposta.
propagação do erro de predição;
• A utilização BFOs com polo(s) próximo(s) à dinâmica
I. I NTRODUÇÃO
dominante do sistema requer uma menor quantidade de
Nos processos industriais a busca pela excelência na quali- termos para representar o sistema com a mesma precisão
dade dos produtos muitas vezes exige que sistemas complexos de um modelo FIR;
sejam controlados com precisão. Dentre as técnicas de controle • Não há a necessidade de determinar previamente a ordem
avançado adequadas à aplicações industriais destacam-se os do modelo nem o atraso de transporte, eliminando-se
sistemas de controle preditivo baseados em modelo [1]. assim a etapa (geralmente árdua) de determinação dos
O conceito de controle preditivo foi introduzido nos tra- regressores;
balhos de Richalet et al. [2] e Cutler e Remaker [3], com • É possível aumentar a capacidade de aproximação dos
este último apresentando o controlador DMC1 . O trabalho de modelos simplesmente aumentando-se o número de fun-
Clarke et al. [4] apresentou o controlador preditivo generali- ções, o que pode ser feito de forma adaptativa;
zado (GPC2 ), o qual difundiu na literatura a metodologia de • Os modelos BFO apresentam grande tolerância às di-
controle MPBC 3 . Dentre as técnicas de controle de sistemas nâmicas não modeladas (dinâmicas não dominantes) e
não lineares, o controlador preditivo de múltiplos modelos sensibilidade reduzida aos parâmetros estimados;
(MMPC4 ) [5] também vem se mostrando bastante eficiente • Desacoplamento natural das saídas em sistemas multiva-
quando utilizado em plantas complexas. Este controlador in- riáveis;
corpora um conjunto de pares modelo/controlador que operam • É garantido que a representação de um sistema estável é
em diferentes regiões de operação e apresentam melhor desem- também estável.
penho que um único modelo/controlador operando em todo o Modelos fuzzy TS-BFO tem sido aplicados com sucesso na
sistema. modelagem e controle de sistemas não lineares [7], [10]–[13].
A representação multimodelos utilizada para a elaboração Tais modelos são capazes de aproximar com precisão desejada,
do projeto de controle apresentado neste trabalho baseia-se uma ampla gama de sistemas dinâmicos, apresentando, ao
em uma abordagem fuzzy Takagi-Sugeno (TS) [6]. Nos conse- contrário de outras representações de sistemas dinâmicos não
quentes das regras do modelos TS utilizam-se modelos locais lineares que utilizam BFO (p. ex. redes neurais), uma clara
lineares formados por Bases de Funções Ortonormais (BFO) interpretabilidade matemática [14].
- TS-BFO [7]. A utilização de modelos BFO para modelagem O controlador preditivo multimodelos utilizado neste tra-
1 DMC
balho é formado por controladores lineares definidos para
- Dynamic Matrix Control
2 GPC- Generalized Predictive Control
cada modelo local BFO presente nos consequentes das regras
3 MBPC - Model Based Predictive Control do modelo fuzzy TS-BFO. A ação de controle final é obtida
4 MMPC - Multiple Model Predictive Control combinando-se as ações dos controladores locais ponderando-
as através do nível de ativação de cada modelo local no ponto Na modelagem de sistemas dinâmicos, duas BFOs são
de operação. utilizadas com maior frequência, as BFOs de Laguerre e
O sistema de controle preditivo não linear em questão se Kautz [9], [17]. As funções de Laguerre são indicadas para
mostra eficiente para o controle de sistemas não lineares uma representar sistemas dinâmicos com polos puramente reais.
vez que a ação de controle aplicada na planta é obtida pela Por ser parametrizada por polos complexos conjugados, a base
combinação ponderada das ações dos controladores lineares de Kautz é indicada para representar sistemas com dinâmica
locais, o que gera uma ação de controle não linear. Neste oscilatória subamortecida [8].
sentido, este trabalho se apresenta como uma melhoria do Quando o sistema em estudo possui múltiplos modos do-
trabalho apresentado em [15], na qual a ação de controle minantes (amortecidos ou não) recomenda-se a utilização de
aplicada no processo a ser controlado se baseava em um modelos compostos por base de funções ortonormais genera-
sistema de controle preditivo linear. lizadas (GOBF - Generalized Orthonormal Basis Functions),
A utilização de técnicas avançadas de controle normalmente em que as funções podem apresentar nb polos distintos [18].
demandam um grande esforço computacional ou requerem Neste trabalho são utilizados modelos GOBF com funções
um hardware dedicado para sua aplicação. Neste contexto, internas em estrutura Ladder nos consequentes das regras,
este trabalho descreve o desenvolvimento e implementação cujas funções são sempre parametrizados por parâmetros reais
do sistema de controle preditivo multimodelos fuzzy TS-BFO independente da natureza (reais e/ou complexos) dos polos [8],
embarcado em um Controlador Lógico Programável (CLP) co- [9], [19].
mercial. Pretende-se mostrar a eficiência do método proposto, A utilização de modelos com bases de funções ortonormais
utilizando-o no controle de um sistema não linear real, bem nos consequentes das regras apresenta todas as vantagens
como a viabilidade computacional de sua implementação em inerentes à modelagem de sistemas dinâmicos com BFO como
um CLP padrão. discutidos anteriormente. Para os modelos fuzzy TS-GOBF a
Este artigo esta organizado da seguinte maneira. Na seção regra apresentada em 2 pode ser reescrita da forma [12]:
II, a modelagem por BFO e modelos fuzzy é revisada. A Se ψ1 (k) é Li,1 e . . . e ψnf (k) é Li,nf
obtenção desses modelos é discutida na seção III. Na seção
então y̌i (k) = CfTi Ψ(k) (3)
IV, apresenta-se o controlador preditivo proposto e na seção T
V trata-se da implementação do controlador em um CLP onde Cfi é a matriz de coeficientes da expansão em espaço
comercial. Na seção VI, descreve-se os resultados da utilização de estados da GOBF do i-ésimo modelo local y̌i (k). A saída
desse tipo de controlador. E por fim, na seção VII apresentam- global ŷ(k) é obtida usando-se a interpolação clássica TS da
se as conclusões. saída dos modelos locais [11], [16]:
PK
µi (Ψ(k))y̌i (k)
II. M ODELOS TS-BFO ŷ(k) = i=1PK (4)
i=1 µi (Ψ(k))
Modelos BFO podem ser genericamente representados em
onde µi (Ψ(k)) é o valor de ativação da i-ésima regra dada pela
modelo de espaço de estados [8], [11]:
conjunção e, y̌i (k) o valor da saída de cada modelo GOBF
Ψ(k + 1) = AΨ(k) + Bu(k) local e K é o número de regras ou modelos locais.

y(k) = H(Ψ(k)) (1) III. P ROJETO DE M ODELOS Fuzzy TS

onde u(k) é o vetor de entradas, y(k) é o vetor de saídas e as A. Premissa das Regras
matrizes A e B dependem diretamente dos parâmetros (polos) Um conjunto de regras fuzzy pode ser obtido através de
do modelo, Ψ(k) = [ψ1 (k) . . . ψnf (k)]T é o vetor de estados informações fornecidas por um especialista do sistema em
ortonormais5 de ordem nf e H é um operador estático. Para o estudo, ou diretamente a partir de dados obtidos do processo,
trabalho em questão, o operador H será um mapeamento fuzzy como por exemplo, a resposta deste a um determinado tipo
TS, composto por um conjunto de N regras fuzzy seguindo o de excitação. Uma forma de obter as regras diretamente dos
formato proposto em [7], [12], [14]: dados extraídos do processo, se dá através dos algoritmos de
agrupamento fuzzy (fuzzy clustering) [20].
Se (ψ1 (k) é Li,1 ) e . . . e (ψnf (k)Li,n ) Os conjuntos fuzzy Li,j na eq. (2) são obtidos considerando-
Então yi (k) = fi (ψ1 (k), . . . , ψnf (k)) (2) se que os dados de entrada e saída disponíveis são su-
ficientemente representativos da hipersuperfície não linear
onde Li,j é o conjunto fuzzy da i-ésima regra associada com a
y(k) = H(Ψ(k)) na eq. (1). Considerando um mapeamento
j-ésima variável da premissa e fi (.) é uma função que mapeia
desconhecido H representando uma hipersuperfície não linear
as variáveis da premissa na saída do i-ésimo modelo local
no subespaço de dimensão nf + 1 - definido a partir do vetor
yi (k). A saída global y(k) é obtida por uma interpolação
de regressão l(k) (domínio L) e da saída y (co-domínio Y),
clássica TS das saídas ponderadas dos modelos locais, de
i.e., L × Y ⊂ <nf +1 - pode-se, através de um modelo fuzzy
acordo com a ativação das regras [11], [14], [16].
TS, aproximar esta hipersuperfície por meio da combinação
5 "Estados ortonormais"é uma denominação usada por conveniência, já que de hiperplanos, definidos através de modelos locais presentes
a ortonormalidade é uma propriedade da função e não dos estados. nos consequentes das regras na eq. (2). O problema é como
determinar os limites fuzzy de cada hiperplano, os quais são ção (5)) empregando-se métodos de otimização não linear, em
delimitados pelos conjuntos fuzzy Li,j na premissa das regras especial, o método de Levenberg-Marquardt [11].
correspondentes. Uma solução eficaz para este problema [16]
N
consiste em primeiramente aproximar os hiperplanos com 1X 2
hiperlipsóides planas através do bem conhecido algoritmo min J = (ŷ(k) − y(k)) (5)
θ 2
k=1
de agrupamento fuzzy de Gustafson-Kessel (GK), o qual
obtém uma partição fuzzy dos dados em grupos (clusters) onde
fuzzy de forma hiperelipsoidal. Os conjuntos fuzzy de cada ŷ(k) é a saída estimada do modelo fuzzy TS-GOBF;
regra podem ser então obtidos pela projeção desses grupos y(k) é a saída medida do sistema;
no espaço unidimensional das variáveis da premissa (estados N é o número de amostras considerado;
GOBF no presente trabalho), seguida de uma aproximação θ é o vetor dos parâmetros a serem otimizados.
dessas projeções por funções de pertinência parametrizadas A função de custo é minimizada com relação aos parâmetros
com formas conhecidas. Neste trabalho são utilizadas funções θ = [Υ Cfi Li,j ]T , em que Υ = [γ1 , . . . , γnf ] é o vetor
trapezoidais. contendo os parâmetros referentes ao(s) polo(s) do modelo;
Cfi é a matriz com os coeficientes da expansão das séries dos
B. Número de Regras modelos GOBF locais presentes nos consequentes das regras
Após a etapa de agrupamento fuzzy, é de grande importância (definido na equação (3)); e Li,j são os parâmetros das funções
determinar qual é o número ideal de grupos (número de regras de pertinência presentes nos antecedentes das regras. Este
do modelo TS-BFO), consequentemente com o menor número modelo é utilizado no sistema de controle preditivo baseado
possível destes, a fim de garantir a obtenção de modelos em modelos utilizado neste trabalho.
parcimoniosos.
IV. C ONTROLE P REDITIVO NÃO L INEAR
Um possível método para a obtenção do número ideal
de grupos consiste em executar o algoritmo de agrupamento Os controladores preditivos não lineares vem sendo cada
diversas vezes para vários números de grupos e, ao final, sele- vez mais empregados na indústria, principalmente no controle
cionar o número que apresenta o melhor resultado de acordo de processos químicos [1], [17]. Sua utilização se deve ao
com um dado critério [16]. Diferentes critérios de avaliação do fato destes controladores incorporarem, na lei de controle,
número de grupos fuzzy são apresentados na literatura, como restrições operacionais relacionadas com entrada e saída do
por exemplo os métodos: Fuzzy Hyper-Volume (FHV), Average sistema e possuírem fácil sintonia.
Partition Density (ADP), Fuzzy Silhouette (FS) e Average Os controles preditivos MBPC podem ser caracterizados em
Within-Cluster Distance (AWCD) [20]. Cada critério apresenta quatro etapas principais, como apresentado em [1]:
características particulares que se mostram mais adequadas • Modelagem do Processo – Com base nos sinais de entrada
de acordo com a classe (ou instância) do problema. Desta e saída do sistema, é criado um modelo para prever o
forma, recomenda-se utilizar um conjunto desses critérios para comportamento do processo em um horizonte definido,
auxiliar na tomada de decisão do número ideal de grupos chamado horizonte de predição.
que melhor representa os dados em questão. Neste trabalho é • Definição do critério de custo – O desempenho do sistema
utilizada uma metodologia sistemática para tomada de decisão, em malha fechada durante o horizonte de predição é
baseada na mistura de critérios de avaliação de agrupamentos especificado a partir de um critério de custo, definido
fuzzy, proposto no trabalho de [20] e descrito a seguir. através da saída prevista do sistema e do esforço de
A metodologia utilizada consiste no emprego de um critério controle.
de votação, que despreza todas as informações quantitativas • Otimização do critério de custo – O critério de custo é
dos critérios, utilizando somente a informação de qual número minimizado em relação ao conjunto de sinais de controle
de grupos apresentou maior valor na maioria dos critérios apli- a serem aplicados no processo durante o horizonte de
cados aos dados do problema em questão. Alternativamente, predição.
pode-se combinar o resultado de múltiplos critérios em um • Atuação do sinal de controle – Obtido o sinal de controle
único índice médio, p. ex., através da média aritmética ou ótimo, este é aplicado no processo de forma a garantir a
pelo produto dos resultados. resposta desejada.
Uma das principais etapas do controle preditivo é a mo-
C. Otimização
delagem do sistema a ser controlado. O desempenho do
Obtido o modelo fuzzy TS-GOBF inicial, como discutido sistema em malha fechada está diretamente relacionado com
na Seção III-B, pode-se realizar ajustes finos sobre tal modelo a qualidade do modelo do sistema dinâmico. Neste trabalho,
através da otimização de seus parâmetros (isto é, minimizando- como citado anteriormente, utiliza-se um modelo fuzzy com
se o erro quadrático entre o saída do modelo e a saída medida estrutura TS com GOBFs nos consequentes das regras. A
em cada instante de tempo). Como proposto em [8], o processo escolha de modelos fuzzy deve-se ao fato destes modelos serem
de otimização dos parâmetros do modelo se dá através da aproximadores universais em um dado espaço compacto [21],
minimização de uma função de custo do erro quadrático (equa- [22] e também porque estes permitem a composição do modelo
não linear global a partir de múltiplos modelos locais lineares, de controle global é obtida pela combinação das ações de
o que favorece a interpretabilidade e projeto de controladores. controle locais ponderadas pelo valor de ativação das regras
Para o sistema de controle proposto neste trabalho, os correspondentes do modelo fuzzy TS. Desta forma a ação de
modelos de predição utilizados nos consequentes das regras controle é obtida conforme apresentado na equação (9).
fuzzy serão modelos GOBF com estrutura Ladder e serão PK
representados sob a forma variacional, como mostrado na µi (k)ui (k)
u(k) = i=1PK (9)
equação (6). i=1 µi (k)
sendo µi (k) o valor da ativação da i-ésima regra (modelo
∆l(k + 1) = Af ∆l(k) + Bf ∆u(k) local), ui (k) a ação de controle determinada pelo i-ésimo
ŷ(k) = ŷ(k − l) + CfT ∆l(k) (6) controlador e K o número de modelos/controladores locais.
A Figura 2 exemplifica o sistema de controle em questão.
Em sistemas de controle preditivo, o esforço de controle
é obtido solucionando-se um problema de controle ótimo
considerando-se um dado horizonte de predição. O controle
preditivo pode levar em consideração limites da planta e dos
atuadores, tem poucos parâmetros de ajuste e compensa in-
trinsecamente atrasos de transporte [23]. A Figura 1 apresenta
o conceito geral de um controlador preditivo.

Fig. 2. Controlador preditivo proposto.

V. D ESENVOLVIMENTO
Utilizado em grande escala na indústria nos dias de hoje,
Fig. 1. Diagrama em blocos de controlador preditivo. o Controlador Lógico Programável (CLP) foi desenvolvido na
década de 70 com intuito de automatizar o processo produtivo
A lei de controle linear MBPC para cada modelo local é da General Motors nos EUA substituindo os inúmeros painéis
obtida minimizando-se a seguinte função de custo: que utilizavam relés [25]. Os primeiros CLPs utilizados na
Ny industria executavam o controle de pequenos processos dis-
X
Jq (∆u) = (ŷ(k + j|k) − r(k + j))2 cretos. Com a evolução da eletrônica e dos sistemas compu-
j=N1 tacionais, na década de 80 surgiram os primeiros CLPs que
(7)
Nu
X realizavam leitura de grandezas analógicas e o controle de
2
+ λ∆u(k + j − 1|k) sistemas dinâmicos utilizando algoritmos de controle clássico
j=1 como o PID [25].
sendo N1 e Ny , respectivamente, os horizontes inicial e Com o aumento da complexidade das plantas industriais a
final de predição, Nu o horizonte de controle, λ(λ ≥ 0) a serem controladas, o desenvolvimento de novos algoritmos de
ponderação sobre o sinal de controle, ŷ a saída estimada e controle se faz necessário em processos reais. A partir dessa
∆u a variação do sinal de controle, conforme apresentado na exigência de mercado, no início da década de 2000 surgiram os
equação (8) [24]. primeiros CLPs que permitiam ao operador utilizar linguagens
de programação já utilizadas em computação, p. ex., ANSI C e
1 Structured Text. Essa nova funcionalidade permitiu que novos
∆u = − Q−1 f (8)
2 algoritmos de controle que antes eram embarcados somente
As definições da matriz Q e do vetor f da equação (8) em sistemas computacionais de alta performance ( e.g. Com-
estão presentes em [24]. A matriz Q depende unicamente pactRIO) fossem implementados em CLPs comerciais. Neste
das respostas do impulso dos filtros ortonormais e f depende contexto, o trabalho em questão propõe a implementação do
unicamente da saída prevista em malha aberta. algoritmo de controle preditivo baseado em modelos fuzzy TS-
O controlador não linear proposto em [20] e implementado GOBF em um controlador lógico programável para o controle
neste trabalho é composto de um conjunto de controladores de processos reais.
preditivos lineares, um para cada modelo local definido no Para a implementação do sistema de controle o primeiro
consequente da respectiva regra do modelo fuzzy TS. A ação passo consiste em obter o modeo do processo, como descrito
nas seções anteriores. A obtenção do modelo fuzzy TS-GOBF
se dá de maneira offline a partir de dados de entrada/saída do
sistema. O fluxograma da Figura 3 apresenta os passos para
construção do modelo utilizado.

Fig. 5. Ciclo de execução do algoritmo de controle no CLP

No ciclo apresentado na Figura 5, a etapa representada em 1


é referente à atualização das entradas/saídas do CLP. Já a etapa
2 corresponde à execução completa do algoritmo de controle
e a 3 ao tempo de espera idle time utilizado para execução
de outras tarefas no CLP, como por exemplo a atualização de
telas na IHM. Por se tratar de uma técnica de controle discreto
baseada em modelo, os tempos de ciclo são constantes, sendo
estes determinados pelo tempo de amostragem das variáveis.
VI. A PLICAÇÃO E R ESULTADOS
Esta seção tem como objetivo apresentar resultados que
comprovam a validade do método de modelagem e controle
proposto neste trabalho. Para esta finalidade, utilizou-se uma
planta didática para controle de nível com dois tanques, como
Fig. 3. Fluxograma dos passos para obtenção dos modelo TS-GOBF apresentado na Figura 6. Esta planta foi utilizada no trabalho
por estar disponível no Laboratório da Instituição e por atender
Após ser definido o modelo do sistema a ser controlado, os os objetivos do trabalho (controle de uma planta não linear).
parâmetros do controlador (obtidos a partir do modelo [24])
são embarcados no CLP. Com base nas informações do sistema
modelado e nos parâmetros embarcados, as ações de controle
são realizadas seguindo a sequência apresentada na Figura 4.

Fig. 6. Processo de Controle de Nível.

A ação do sistema de controle atua sobre a alimentação


Fig. 4. Fluxograma dos passos para execução do controle TS-GOBF elétrica da bomba alterando a vazão do líquido bombeado
para o tanque superior, e consequentemente, controlando a
Todo o processo de controle dentro do CLP acontece dentro altura do nível neste tanque (variável controlada) que pode
de um ciclo de execução. O tempo de execução de um ciclo variar entre 100 e 240 milímetros de coluna de líquido.
no CLP (Cycle Time) pode ser configurado pelo usuário do Para a identificação e validação do modelo do sistema sob
sistema de acordo com a características do sistema a ser estudo, utilizou-se dois conjuntos de dados reais amostrados e
controlado, ou seja, a execução do algoritmo de controle armazenados no Controlador Lógico Programável. O primeiro
preditivo proposto neste trabalho ocorre dentro de um ciclo conjunto de dados utilizado para identificação do sistema,
do CLP seguindo o diagrama apresentado na Figura 5. possui 3600 pares de amostra de entrada/saída, com tempo de
amostragem de 1 segundo totalizando 60 minutos de ensaio
como apresentado na Figura 7. As principais não linearidades
que ocorrem no sistema dinâmico em questão são o fluxo
da saída de líquido que é aproximadamente proporcional a

y segundo a lei de Bernoulli para pequenos orifícios e a
saturação existente em y devido a posição do orifício acima
da base do tanque.

Fig. 9. Comparação entre o sistema real e o modelo Fuzzy TS-GOBF.

um erro quadrático médio EQM = 140,6043 e o modelo final


otimizado apresenta EQM = 3,1703.
Para a implementação do sistema de controle utilizou-se um
CLP comercial com as seguintes características: Processador:
Fig. 7. Dados utilizados na estimação do modelo. ELAN SC520 100MHz; Memória Principal: 64MB DRAM;
Memória de Programa: 48KB SRAM; Módulos de Entrada e
Com base nos dados de entrada/saída do sistema obteve- Saída Analógica: 12 Bits; modelo 4PP045.0571-62 fabricado
se, utilizando a metodologia de identificação e otimização pela B&R Automation. Para o sistema de controle embarcado,
proposta em [8] e apresentada na Seção III, o modelo fuzzy estabeleceu-se um horizonte de predição Ny = 10, um
TS-GOBF que melhor representa o sistema sob estudo. Este horizonte de controle Nu = 2 e o fator de ponderação sobre a
modelo contém, nos consequentes das regras, modelos lo- ação de controle λ = 200. Com esses parâmetros atendeu-se
cais com duas funções ortonormais generalizadas de primeira as especificações de projeto que eram overshoot máximo de
ordem com dois polos reais p1 = 0, 985 e p2 = 0, 984. 5%, tempo de acomodação máximo de 35 segundos e erro em
Além disso, aplicadas as técnicas de agrupamento o otimização regime permanente inferior a 2%.
discutidas na seção III, obteve-se um modelo composto por 3 Os parâmetros utilizados no projeto do controlador (matri-
regras (modelos locais). A Figura 8 apresenta as funções de zes Q−1 e demais submatrizes para cada modelo local) foram
pertinência obtidas para os respectivos antecedentes das regras calculados de maneira offline de acordo com os parâmetros da
do modelo otimizado. Com objetivo de validar o modelo fuzzy planta e tiveram seus valores embarcados na rotina de controle
TS-GOBF obtido, realizou-se a comparação entre a resposta do implementada no CLP. O modelo de CLP utilizado, permite
modelo inicialmente obtido após o processo de agrupamento, a programação em Texto Estruturado, linguagem semelhante
a resposta do modelo final otimizado e a resposta do sistema a ANSI C. Para verificar o funcionamento do sistema de
real aplicados a um conjunto de dados de validação, como controle proposto, foram aplicados 8 degraus consecutivos
apresentado na Figura 9. de referência para o nível do tanque superior. A resposta do
sistema controlado pode ser observada na Figura 10.

Fig. 8. Funções de Pertinência do modelo fuzzy. Fig. 10. Resposta do Sistema de Nível - Controlador Preditivo.

Como pode-se observar através da análise da Figura 9 o Como pode-se observar, o sistema de controle preditivo
modelo obtido apresenta uma boa capacidade de aproximação atuou corretamente na planta, e o nível do tanque atingiu as re-
sendo coerente com a resposta do sistema. Na resposta apre- ferências determinadas com um valor de overshoot abaixo dos
sentada na Figura 9 o modelo inicialmente obtido apresenta valores de projeto, em torno de 1%, e tempo de acomodação
inferior a 35 segundos. nível especificados. Porém, é possível verificar que o sistema
Para fins de validação do controle desenvolvido realizou-se que utilizou um controlador PID apresentou um overshoot
uma comparação entre resposta da planta utilizando o Con- maior que aquele apresentado pelo controlador preditivo. É
trolador Preditivo TS-GOBF e um controlador PID. A função possível observar também que valor do overshoot não é igual
de transferência de um controlador PID discreto (disponível em todas as regiões de operação do sistema de controle,
na biblioteca LoopConR do CLP utilizado) é apresentada na demonstrando o comportamento não linear do sistema e a
equação 10 [26]. deficiência deste tipo de controlador quando utilizado no
Ts z − 1 z−1 controle de plantas não lineares.
D(z) = Kp + Ki + Kd (10) Além de apresentar um desempenho superior ao sistema
2 z+1 Ts z
de controle PID para a referida planta, o Controlador
A comparação realizada entre os controladores se deve
fuzzy TS-GOBF não apresentou um custo computacional
ao fato do controlador PID ser o mais utilizado no meio
significativamente superior àquele apresentado pelo
industrial e o qual normalmente se encontra disponível para a
controlador PID. Os valores de utilização da CPU do
utilização em CLPs comerciais. Os parâmetros do controlador
CLP, obtidos através de uma ferramenta de monitoramento,
PID foram calculados empregando-se o método do lugar
são apresentados na Tabela I.
geométrico das raízes baseando-se em um modelo linearizado
da planta (modelo BFO linear com os polos identificados
anteriormente), considerando como parâmetro de projeto o TABLE I
tempo de acomodação com valor semelhante ao apresentado C USTO C OMPUTACIONAL DOS C ONTROLADORES .
na resposta do sistema com controle preditivo. Os parâmetros
Controlador Tempo de Ciclo Utilização CPU
obtidos foram: Kp = 0, 1535, Ki = 0, 1556 e Kd = 0, 10.
PID 1s 1, 76%
De maneira semelhante ao procedimento adotado para o Preditivo 1s 2, 98%
sistema de controle preditivo, estabeleceram-se oito degraus
consecutivos como referência para o nível no tanque superior.
A resposta da planta para o controle PID pode ser observada Os resultados apresentados na Tabela I e na Figura 12
na Figura 11 e a comparação da resposta entre os dois mostram que com a utilização do sistema de controle proposto
controladores na Figura 12. obteve-se significativo ganho no comportamento dinâmico do
sistema sob controle sem aumento significativo de utilização
de recursos computacionais do CLP quando comparado a um
controlador PID.

VII. C ONCLUSÕES
Neste trabalho apresentou-se uma abordagem de controle
preditivo multimodelos para sistemas não lineares. A mo-
delagem do sistema foi realizada através de um modelo
fuzzy Takagi-Sugeno com funções ortonormais generalizadas
presentes nos consequentes das regras do modelo. O algoritmo
de controle não linear empregado foi implementado em Texto
Fig. 11. Resposta do Sistema de Nível - Controle PID Estruturado e embarcado em um controlador lógico programá-
vel comercial.
De maneira a comprovar o desempenho do projeto, o
controlador proposto foi aplicado para o controle de uma
planta didática de nível presente no laboratório da instituição
e seus resultados comparados com os de um controlador
PID. Os resultados obtidos no controle do sistema de nível
mostraram a viabilidade da utilização do controlador proposto
em hardware comercial de baixa capacidade, bem como sua
superioridade com relação à resposta apresentada pelo sistema
quando controlado por um sistema de controle PID. As prin-
cipais vantagens em se utilizar o sistema de controle proposto
são: a facilidade de controlar sistemas não lineares com
diferentes características dinâmicas; pode-se adequar o sistema
Fig. 12. Comparação entre as respostas do Controlador PID e o Controlador
Preditivo. de controle para diferentes tipos de sistemas alterando somente
a combinação dos blocos já desenvolvidos; possibilidade de
Conforme pode-se observar na Figura 12 os dois controlado- utilização do sistema de controle proposto em CLPs com baixa
res aplicados fizeram com que o sistema atingisse os valores de capacidade de processamento e baixo custo, uma vez que o
custo computacional não foi significativamente maior que os [18] J. B. Machado, “Takagi Sugeno Fuzzy Models in the Framework
métodos de controle clássico. of Orthonormal Basis Functions,” IEEE Transactions on Cybernetics,
vol. 43, pp. 858–870, Sept. 2013.
Como perspectivas de trabalhos futuros, propõe-se a im- [19] A. J. Gray and J. Markel, “A normalized digital filter structure,”
plementação de métodos de identificação de sistemas que Acoustics, Speech and Signal Processing, IEEE Transactions on, vol. 23,
façam uso dos dados gerados durante a operação normal no. 3, pp. 268–277, Jun 1975.
[20] J. B. Machado, “Modelagem e Controle Preditivo usando Multimode-
da máquina. Esta operação transformará a solução proposta los,” Master’s thesis, Faculdade de Engenharia Elétrica e de Computa-
em um controlador adaptativo de grande interesse para as ção, Fevereiro 2007.
aplicações em sistema industriais não lineares. [21] B. Kosko, “Fuzzy systems as universal approximators,” IEEE Transac-
tion on Computers, vol. 43, no. 11, pp. 1329–1333, 1994.
[22] L.-X. Wang and J. M. Mendel, “Fuzzy basis functions, universal
AGRADECIMENTOS approximation, and orthogonal least-square learning,” IEEE Transaction
on Neural Network, vol. 43, no. 5, pp. 807–814, 1992.
Os Autores agradecem à B&R Automation, UNIFEI, INA- [23] R. Findeisen, “Nonlinear Model Predictive Control,” Ph.D. dissertation,
TEL e à FAPEMIG (Projeto Universal APQ-01951-12) pelo Fakultät Maschinenbau - Universität Stuttgart, Dec. 2004.
[24] G. H. d. C. Oliveira, “Controle Preditivo para Processos com Incerte-
apoio para o desenvolvimento e apresentação deste trabalho. zas Estruturadas baseado em Séries de Funções Ortonormais,” Ph.D.
dissertation, UNICAMP - FEEC, Sept. 1997.
R EFERÊNCIAS [25] C. C. Moraes and P. L. Castrucci, Engenharia de automação industrial,
2nd ed. LTC, 2007.
[1] E. F. Camacho and C. Bordons, Model Predictive Control, 2nd ed. [26] L. C. Phillips and T. H. Nagle, Digital control system analysis and
Springer, 2004. design, 3rd ed. New Jersey: Prentice Hall, Inc., 1995.
[2] J. Richalet, A. Rault, J. Testud, and J. Papon, “Model predictive heuristic
control: Applications to industrial processes,” Automatica, vol. 14, no. 5,
pp. 413–428, 1978.
[3] C. Cutler and B. Ramaker, “Dynamic Matrix Control - A computer
control algoritm,” in Joint Automatic Control Conference, 1980.
[4] D. Clarke, C. Mohtadi, et al., “Generalized Predictive Control,” in
Automatica, vol. 23, no. 2, 1987, pp. 137–160, part i. the basic algorithm
and part ii. extensions and interpretations.
[5] K. Schott and B. Bequette, “Multiple Model Adaptive Control,” in
Multiple Model Approaches to Modelling and Control, R. Murray-Smith
and T. Johansen, Eds. Taylor and Francis, 1997, ch. 11.
[6] T. Takagi and M. Sugeno, “Fuzzy Identification of systems and its
application to modeling and control,” IEEE Transaction on Systems,
Man and Cybernetics, vol. 15, no. 1, pp. 116–132, 1985.
[7] R. J. G. B. Campello and W. C. Amaral, “Takagi-Sugeno fuzzy models
within orthonormal basis function framework and their application to
process control,” in Proc. of the 2002 IEEE Int. Conf. on Fuzzy Syst.,
vol. 2, 2002, pp. 1399–1404.
[8] J. B. Machado, “Modelagem de Sistemas Não-lineares por Base de
Funções Ortonormais Generalizadas com Funções Internas,” Ph.D. dis-
sertation, DCA/FEEC/UNICAMP, 2011.
[9] P. S. C. Heuberger, P. M. J. Van den Hof, and B. Wahlberg, Modelling
and Identification with Rational Orthogonal Basis Functions. Springer,
2005.
[10] G. H. C. Oliveira, R. J. G. B. Campello, and W. C. Amaral, “Fuzzy
models within orthonormal basis function framework,” in Proc. 1999
IEEE Int. Fuzzy Syst. Conf., vol. 2, 1999, pp. 957–962 vol.2.
[11] O. Nelles, Nonlinear System Identification, 1st ed. Berlin Heidelberg
New York: Springer-Verlag, 2001.
[12] R. J. G. B. Campello, L. A. C. Meleiro, and W. C. Amaral, “Control of
a bioprocess using orthonormal basis function fuzzy models,” in Proc.
2004 IEEE Int. Conf. on Fuzzy Syst., vol. 2, july 2004, pp. 801–806
vol.2.
[13] A. V. Medeiros, W. C. Amaral, and R. J. G. B. Campello, “GA
optimization of generalized OBF TS fuzzy models with global and local
estimation approaches,” in 2006 IEEE Int. Conf. on Fuzzy Syst., 0-0
2006, pp. 1835–1842.
[14] J. B. Machado, “Controlador Preditivo Multimodelos com Modelagem
FUZZY TS-BFO,” in XVII Congresso Brasileiro de Automática, vol. 1,
2008.
[15] J. P. C. Henriques, J. B. Machado, and L. H. C. Ferreira, “Sistema de
Controle Preditivo Baseado em Modelo-BFO Embarcado em um Con-
trolador Lógico Programável,” in XI Simpósio Brasileiro de Automação
Inteligente, vol. 1, 2013.
[16] R. Babuska, Fuzzy Modeling for Control, 1st ed., ser. International Series
in Intelligent Technologies. 101 Philip Drive, Assinippi Park, Norwell,
Massachusetts 02061 USA: Kluwer Academic Publishers, 1998.
[17] R. J. G. B. Campello, G. H. C. Oliveira, and W. C. Amaral, “Iden-
tificação e Controle de Processos via Desenvolvimentos em Séries
Ortonormais: Partes A (Identificação) e B (Controle),” Controle &
Automação, vol. 18, no. 3, pp. 298–332, 2007.

Você também pode gostar