Você está na página 1de 68

Universidade Federal do Rio Grande do Norte

Centro de Tecnologia
Programa de Pós-Graduação em Engenharia Elétrica

Estratégia de Escalonamento de Controladores


PID Baseado em Regras Fuzzy para Redes
Industriais Foundation Fieldbus Usando Blocos
Padrões

Autor: Fábio Soares de Lima


Orientador: Prof. D.Sc. Luiz Affonso H. Guedes de Oliveira
Co-orientador: Prof D.Sc. Andres Ortiz Salazar

Natal, Setembro de 2004


Universidade Federal do Rio Grande do Norte
Centro de Tecnologia
Programa de Pós-Graduação em Engenharia Elétrica

Fábio Soares de Lima

Estratégia de Escalonamento de Controladores


PID Baseado em Regras Fuzzy para Redes
Industriais Foundation Fieldbus Usando Blocos
Padrões

Dissertação submetida ao Programa de Pós-


Graduação em Engenharia Elétrica do Cen-
tro de Tecnologia da Universidade Federal do
Rio Grande do Norte, como parte dos requi-
sitos necessários para obtenção do grau de
Mestre em Ciências (M.Sc.).

Natal, Setembro de 2004


Universidade Federal do Rio Grande do Norte
Centro de Tecnologia
Programa de Pós-Graduação em Engenharia Elétrica

Aprovada em 15 de Setembro de 2004 pela comissão examinadora,


formada pelos seguintes membros:

Prof. D.Sc. Luiz Affonso H. Guedes de Oliveira (Orientador)


DCA - UFRN

Prof. D.Sc. Andres Ortiz Salazar (Co-Orientador)


DCA - UFRN

Prof. D.Sc. Roberto Célio Limão de Oliveira (Examinador Externo)


DEEC - UFPA

Prof. D.Sc. André Laurindo Maitelli (Primeiro Examinador Interno)


DCA - UFRN

Prof. D.Sc. Fábio Meneghetti U. de Araújo (Segundo Examinador Interno)


DCA - UFRN

i
Agradecimentos

Gostaria de agradecer primeiramente a Deus, por todas as coisas maravilhosas


que Ele me proporcionou.
Aos meus pais, por toda estrutura familiar com que eu vivi e todos os ensina-
mentos que pude aplicar em minha vida. Com certeza, sem a presença deles nada
disto seria realizado.
Aos meus orientadores, Luiz Affonso e Andres Ortiz, que além dos laços de
amizade que construı́mos, guiaram-me no mundo acadêmico porporcionando este
trabalho, bem como, ensinaram-me a grandeza de ser um engenheiro.
Agradeço aos professores André Laurindo Maitelli e Andres Ortiz Salazar pela
oportunidade de me incluir em um dos projetos (REDE 10/01) da Rede de Pesquisa
Norte-Nordeste em Instrumentação e Controle (REDIC), oportunidade esta única
de aplicar os conhecimentos obtidos em minha graduação e importante experiência
obtida, destacando, também todo o apoio que me concederam durante esta jornada.
Ao projeto Rede 10/06, coordenado pelos professores Adrião Duarte e Jorge
Dantas, que forneceu a infra-estrutura necessária para realização deste trabalho.
Aos meus amigos de projeto: Alessandro José, Filipe Quintaes e Paulo Sérgio,
amigos que fiz e em muito momentos me apoiaram. E a todos os outros amigos
do Laboratório de Avaliação de Medições em Petróleo (LAMP) e Laboratório de
Engenharia de Computação e Automção (LECA) que de alguma forma deram sua
contribuição nesta jornada.

ii
Resumo

Com o objetivo de se manter a padronização Foundation Fieldbus, neste tra-


balho são apresentados procedimentos para se implementar estratégias de controle
inteligente, baseadas em escalonamento nebuloso de controladores PID, utilizando-
se apenas blocos funcionais padrões dessa tecnologia. Para validar a proposta, foi
desenvolvido um ambiente para realização dos testes necessários. Este ambiente é
hı́brido, ou seja, possui uma parte real (a rede industrial) e uma parte simulada (o
processo), porém os sinais de controle e medição são reais. Desta forma, é possı́vel
desenvolver projetos de controladores. Neste trabalho desenvolveu-se um supervisor
fuzzy para escalonar uma rede de controladores PID para uma determinada planta
não-linear, sendo analisados seus resultados de desempenho tanto para o problema
de controle quanto de regulação.

iii
Abstract

The main objective of work is to show procedures to implement intelligent control


strategies. This strategies are based on fuzzy scheduling of PID controllers, by
using only standard function blocks of this technology. Then, the standardization of
Foundation Fieldbus is kept. It was developed an environment to do the necessary
tests, it validates the propose. This environment is hybrid, it has a real module (the
fieldbus) and a simulated module (the process), although the control signals and
measurement are real. Then, it is possible to develop controllers projects. In this
work, a fuzzy supervisor was developed to schedule a network of PID controller for
a non-linear plant. Analyzing its performance results to the control and regulation
problem.

iv
Sumário

1 Introdução 1
1.1 Motivação da Dissertação . . . . . . . . . . . . . . . . . . . . . . . . 1
1.2 Objetivos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 2
1.3 Estrutura da Dissertação . . . . . . . . . . . . . . . . . . . . . . . . . 3

2 Redes Industriais - Foundation Fieldbus 4


2.1 Histórico e Evolução . . . . . . . . . . . . . . . . . . . . . . . . . . . 4
2.2 Modelos de Troca de Informação em Redes Industriais . . . . . . . . 6
2.2.1 Modelo Mestre/Escravo . . . . . . . . . . . . . . . . . . . . . 6
2.2.2 Modelo Produtor/Consumidor . . . . . . . . . . . . . . . . . . 6
2.3 Nı́veis de Hierarquia em Sistemas de Automação . . . . . . . . . . . . 7
2.4 Redes Industriais . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 9
2.5 Foundation Fieldbus . . . . . . . . . . . . . . . . . . . . . . . . . . . 11
2.5.1 Caracterı́sticas da Tecnologia . . . . . . . . . . . . . . . . . . 11
2.5.2 Camada Fı́sica . . . . . . . . . . . . . . . . . . . . . . . . . . 12
2.5.3 Camada de Comunicação . . . . . . . . . . . . . . . . . . . . . 12
2.5.4 Camada do Usuário . . . . . . . . . . . . . . . . . . . . . . . . 13

3 Sistemas de Controle 15
3.1 Modelagem de Sistemas Dinâmicos . . . . . . . . . . . . . . . . . . . 16
3.1.1 Sistemas Lineares e Não-Lineares . . . . . . . . . . . . . . . . 17
3.1.2 Função de Transferência e Equação de Estado . . . . . . . . . 17
3.2 Estratégia de Controle PID . . . . . . . . . . . . . . . . . . . . . . . 18
3.3 Lógica Fuzzy . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 20
3.4 Projeto de Controladores Inteligentes Usando Lógica Fuzzy . . . . . . 21
3.4.1 Estrutura de um Sistema Fuzzy . . . . . . . . . . . . . . . . . 22
3.4.2 Modelos de Sistemas Fuzzy . . . . . . . . . . . . . . . . . . . . 23
3.4.3 Controladores PID com Escalonamento de Ganhos . . . . . . 24
3.5 Proposta de um Controlador PID com Escalonamento de Ganhos
Regido por um Supervisor Fuzzy em Redes Foundation Fieldbus . . . 26

v
3.5.1 A proposta . . . . . . . . . . . . . . . . . . . . . . . . . . . . 26
3.5.2 Diagrama de Blocos . . . . . . . . . . . . . . . . . . . . . . . 29

4 Ambiente Hı́brido de Testes 32


4.1 Componentes do Ambiente . . . . . . . . . . . . . . . . . . . . . . . . 32
4.1.1 Estações de Simulação e de Configuração/Supervisão . . . . . 32
4.1.2 Conversores de Sinais . . . . . . . . . . . . . . . . . . . . . . . 33
4.2 O Processo . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 36
4.2.1 A Linguagem G . . . . . . . . . . . . . . . . . . . . . . . . . . 36
4.2.2 Modelagem dos Processos . . . . . . . . . . . . . . . . . . . . 37

5 Validação do Ambiente e Resultados Obtidos 39


5.1 Validação do Ambiente . . . . . . . . . . . . . . . . . . . . . . . . . . 39
5.2 Controle de Nı́vel de Um Tanque Não-Linear . . . . . . . . . . . . . . 42
5.2.1 Projeto de Controladores PID . . . . . . . . . . . . . . . . . . 42
5.2.2 Projeto do Supervisor Fuzzy . . . . . . . . . . . . . . . . . . . 43
5.2.3 Projeto em Diagrama de Blocos . . . . . . . . . . . . . . . . . 43
5.2.4 Resultados . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 45

6 Conclusão 49
6.1 Contribuições da Dissertação . . . . . . . . . . . . . . . . . . . . . . . 49
6.1.1 Ambiente Hı́brido . . . . . . . . . . . . . . . . . . . . . . . . . 49
6.1.2 Rede de Controladores PID . . . . . . . . . . . . . . . . . . . 50
6.2 Futuros Trabalhos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 50

Referências Bibliográficas 52

A Modelo Linear - Tanques Acoplados 54

B Modelo Não-Linear - Tanque Cônico 56

vi
Lista de Figuras

2.1 A evolução da instrumentação. . . . . . . . . . . . . . . . . . . . . . . 5


2.2 Pirâmide hierárquica dos sistemas de automação. . . . . . . . . . . . 7
2.3 Classificação das Redes Industriais. . . . . . . . . . . . . . . . . . . . 10
2.4 Modelo OSI versus Foundation Fieldbus. . . . . . . . . . . . . . . . . 12

3.1 Procedimento de desenvolvimento de sistemas de controle baseado em


um modelo matemático. . . . . . . . . . . . . . . . . . . . . . . . . . 16
3.2 Diagrama de blocos de um sistema em malha fechada com controlador
em cascata. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 19
3.3 Estrutura de um controlador PID com ações desacopladas. . . . . . . 19
3.4 Estrutura industrial de um controlador PID. . . . . . . . . . . . . . . 19
3.5 Estrutura de um Sistema Fuzzy. . . . . . . . . . . . . . . . . . . . . . 22
3.6 Controlador PID com escalonamento de ganhos regido por um super-
visor fuzzy. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 25
3.7 Proposta para o controlador PID com Escalonamento de Ganhos em
uma FF. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 26
3.8 Exemplo de três conjuntos nebulosos (pequeno, médio e grande). . . . 27
3.9 Diagrama de blocos em FF do controlador proposto utilizando 3 con-
troladores PID . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 30

4.1 Estrutura do Experimento. . . . . . . . . . . . . . . . . . . . . . . . . 33


4.2 Interface conversora de sinais. . . . . . . . . . . . . . . . . . . . . . . 34
4.3 Configuração do Tranmissor XTR-115. . . . . . . . . . . . . . . . . . 35
4.4 Configuração do Receptor RCV-420. . . . . . . . . . . . . . . . . . . 35
4.5 Diagrama de blocos de um programa em Linguagem G. . . . . . . . . 37
4.6 Tela do ambiente de configuração e simulação de um processo em
LabView. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 38

5.1 Resposta ao degrau 50% para um sistema de tanques acoplados. . . . 40


5.2 Configuração do controle a nı́vel de blocos na rede Foundation Fieldbus. 41
5.3 Validação do controlador: Respostas a degraus e perturbação. . . . . 41
5.4 Comportamento do sinal de controle para as três situações de teste. . 42
5.5 Funções de pertinência para o modelo não-linear do processo. . . . . . 43

vii
5.6 Estrutura da rede de controladores com ponderação fuzzy. . . . . . . 44
5.7 Diagrama de blocos FF da estratégia de controle com ponderação fuzzy. 44
5.8 Resposta ao degrau na região não-linear - Nı́vel (%) versus Tempo (s). 45
5.9 Sinais de controle na região não-linear - Sinal de controle (%) versus
Tempo (s). . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 46
5.10 Resposta ao degrau passando pela região não-linear - Nı́vel (%) versus
Tempo (s). . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 47
5.11 Sinais de controle da resposta ao degrau, onde o sistema passa pela
região não-linear - Sinal de Controle (%) versus Tempo (s). . . . . . . 48

A.1 Modelo fı́sico linear simulado de tanques acoplados. . . . . . . . . . . 54

B.1 Modelo fı́sico não-linear simulado de um tanque . . . . . . . . . . . . 56

viii
Lista de Tabelas

2.1 Nomenclatura dos principais blocos funcionais do padrão FF. . . . . . 14

ix
Capı́tulo 1

Introdução

A atual tendência na área de automação industrial é a utilização crescente de


estruturas baseadas em redes industriais, pois esta abordagem provê maior concen-
tração de dados e uma redução de cabos, proporcionando uma facilidade em detecção
de falhas da rede, além de menores custos. Dentre as tecnologias de redes indus-
triais, a Foundation Fieldbus (FF) se apresenta como uma das mais promissoras,
devido ao seu processo de padronização e especificação de blocos funcionais serem
bastante abrangentes.
Apesar de seu protocolo ser especificado pela Fieldbus Foundation, poucos blo-
cos funcionais de controle foram implementados, destacando-se apenas o bloco PID.
Alguns fabricantes, antecipando-se à fundação, desenvolveram blocos funcionais que
ainda não foram padronizados, podendo ser citados como exemplo os blocos funci-
onais de redes neurais e de controle fuzzy (controle nebuloso). Deste modo, imple-
mentações de estratégias de controle mais avançadas do que as clássicas, baseadas
em PID invariavelmente, se dão via utilização de blocos funcionais não padronizados.
Assim, perde-se um dos grandes trunfos da tecnologia FF: a padronização.

1.1 Motivação da Dissertação

Grandes evoluções tecnológicas foram observadas desde a década de 60 até hoje.


No mundo da automação industrial, passou-se pela tecnologia pneumática, analógica,
digital, surgiram os Controladores Lógicos Programáveis, as redes para automação
industrial, até o desenvolvimento dos Sistemas de Controle de Campo. Esses siste-

1
CAPÍTULO 1. INTRODUÇÃO 2

mas possuem uma arquitetura de controle totalmente distribuı́da, os sensores são


dispositivos microcontrolados com um enorme poder de processamento, executando
vários algoritmos, inclusive algoritmos de controle para os processos.
Diversas tecnologias de redes industriais se desenvolveram, porém uma arquite-
tura proposta e concebida nos anos 90 se destaca, a Foundation Fieldbus. Isto se
deve a capacidade e a flexibilidade de configuração, manutenção e projeto que esta
permite. Esta tecnologia é gerenciada por uma fundação composta pelos maiores
fabricantes de instrumentos industriais do mundo, tornando-a um padrão aberto e
muito bem aceito.
A padronização é uma caracterı́stica fortemente aceita por clientes, pois nenhum
possui a idéia de adquirir soluções que sejam dominadas apenas por uma única
companhia.
Desta forma a Fieldbus Foundation apresenta uma solução interessante para esse
problema. A tecnologia Foundation Fieldbus tem o propósito de fazer com que os
diversos instrumentos e aplicativos, das várias empresas associadas, sejam 100%
compatı́veis, possibilitando que inúmeros equipamentos, fabricados por diferentes
fabricantes, entrem em sintonia num único sistema.
A motivação para este trabalho é focalizar a idéia da padronização, ou seja, de-
senvolver uma técnica de controle inteligente, utilizando os blocos funcionais padrão
da tecnologia Foundation Fieldbus. Conseqüentemente, tal técnica pode ser imple-
mentada em qualquer ambiente Foundation Fieldbus de qualquer fabricante.

1.2 Objetivos

Com o objetivo de manter a padronização, propõe-se nesta dissertação uma es-


tratégia de controle inteligente baseado em lógica fuzzy utilizando apenas blocos FF
padrões. O escalonamento dos controladores seguiu regras predefinidas a partir do
modelo do processo, sendo este escalonamento realizado pela própria rede industrial,
sem a interferência de qualquer sistema de nı́vel superior, como os sistemas super-
visórios ou mesmo a utilização de alguma ferramenta matemática, como proposto
por Uberti [21]. No caso, utilizou-se uma rede de controladores PID projetados para
pontos de operações especı́ficos, na qual as saı́das são entradas de um processo de
CAPÍTULO 1. INTRODUÇÃO 3

ponderação baseado em funções de pertinência fuzzy, ou seja, escalonamento fuzzy


de controladores.

1.3 Estrutura da Dissertação

A dissertação foi dividida de forma a apresentar a evolução das redes industriais


até o desenvolvimento da técnica proposta, apresentando resultados significativos
para a área.
Desta forma, logo em seu segundo capı́tulo é apresentado uma visão geral da
evolução da instrumentação e do controle, comentando modelos de trocas de in-
formação, nı́veis de hierarquia em um sistema de automação e finalizando o capı́tulo
apresentando a tecnologia Foundation Fieldbus (FF), tecnologia utilizada neste tra-
balho. É mostrada a estrutura da rede e suas principais caracterı́sticas.
O Capı́tulo 3 descreve os sistemas de controle e algumas técnicas de obtenção de
modelos matemáticos de plantas de processo. Esse capı́tulo também trata da etapa
seguinte à obtenção dos modelos matemáticos: o projeto de controladores. Mais es-
pecificamente, são enfocados os controladores PID e os sistemas fuzzy, explicitando
a lógica nebulosa (lógica fuzzy) e a pertinência da aplicação de tal estratégia em
controle de sistemas não-lineares. Por fim, o capı́tulo apresenta uma proposta de
um controlador PID com escalonamento de ganhos baseado em lógica fuzzy imple-
mentado com blocos padrões da tecnologia Foundation Fieldbus, explicitando-se as
regras de escalonamento e os controladores para cada ponto de linearização.
O Capı́tulo 4 apresenta o ambiente hı́brido que foi desenvolvido a fim de pos-
sibilitar a atuação em tempo real de ações de controle advindas dos controladores
implementados na rede FF sobre modelos matemáticos que simulam a dinâmica de
processos industriais.
No Capı́tulo 5 são apresentados os resultados obtidos com escalonamento suave
de controladores tipo PID como proposto no Capı́tulo 3. Por fim, são apresentadas
as principais conclusões da dissertação e possı́veis extensões.
Capı́tulo 2

Redes Industriais - Foundation


Fieldbus

2.1 Histórico e Evolução

A grande competitividade e a pressão para redução de custos no chão-de-fábrica


e na engenharia de processos indicam o rumo e o constante e acelerado desenvolvi-
mento experimentados na área de automação industrial. Desta forma, os sistemas
convencionais de cabeamento, ou seja, um par de fios para interligar cada disposi-
tivo ao controlador, além de apresentar um custo elevado, torna-se inflexı́vel para
posteriores adequações ou mesmo expansões dos sistemas, demandando um maior
tempo para as diversas fases do projeto, instalação e manutenção. Assim, as re-
des industriais se desenvolveram através da evolução dos sistemas de controle em
conjunto com a instrumentação industrial [16].
Na década de 40, a instrumentação de processos industriais utilizava ar com-
primido, manipulando sinais analógicos de pressão entre valores de 3-15 psi para
monitoração e acionamento de dispositivos de controle. Com a evolução dos siste-
mas eletrônicos, a década de 60 ficou marcada pelo surgimento do padrão de sinais
analógicos elétricos: o difundido sinal 4-20 mA. Com o desenvolvimento dos micro-
processadores digitais na década de 70, o uso de computadores foi introduzido nas
fábricas com a função de controlar e monitorar os sistemas de instrumentos a partir
de um ponto central. Nesta fase, também surgem os softwares SCADA (Supervisory
Control and Data Acquisition) suportados por diversos sistemas operacionais e com
diversos repertórios de funcionalidades. Nos anos seguintes, com maior tecnologia

4
CAPÍTULO 2. REDES INDUSTRIAIS - FOUNDATION FIELDBUS 5

de integração de componentes eletrônicos e o desenvolvimento de microprocessado-


res cada vez mais poderosos e com uma maior acessibilidade financeira, iniciou-se o
desenvolvimento dos chamados sensores inteligentes. Cada sensor era dotado de um
processador e, a partir daı́, inúmeras tarefas poderiam ser realizadas nestes dispo-
sitivos. Desta forma, integrar diversos tipos de sensores em uma rede, de modo a
otimizar o desempenho do sistema, com uma maior quantidade e qualidade dos da-
dos, tornou-se possı́vel, dando origem aos chamados barramentos de campo. Neste
caminho, uma grande diversidade de barramentos de campos surgiu, cada um ba-
seado nos interesses de seus fabricantes. Assim, instrumentos desenvolvidos pelo
fabricante A não se comunicavam necessariamente com os do fabricante B, o que
levou à necessidade da padronização. A padronização beneficia o usuário final, pois
a intercambialidade é um desejo comum. Porém, a padronização não apenas be-
neficia o usuário final, diversas organizações podem orientar a produção em massa
de equipamentos eletrônicos baseado em um protocolo universal, diferenciando-se
entre si apenas pela qualidade de seus produtos. Vale salientar que nem sempre a
tecnologia com melhor embasamento teórico tende a permanecer no mercado e sim
a que seja mais bem aceita.
A Figura 2.1 apresenta um esquema da evolução das tecnologias na automação
industrial.

Figura 2.1: A evolução da instrumentação.


CAPÍTULO 2. REDES INDUSTRIAIS - FOUNDATION FIELDBUS 6

Com o advento dos barramentos de campo, a estratégia de controle centralizada


no Controlador Lógico Programável (CLP) tende a ser substituı́da por controle
descentralizado, de modo que qualquer equipamento da rede possa assumir o papel
de controlador. Desta forma, vários controladores podem ser implementados em
instrumentos diferentes, descentralizando-se a estrutura de controle.

2.2 Modelos de Troca de Informação em Redes


Industriais

Dois modelos de troca de informação se destacam na implementação das diversas


redes industriais, o chamado Mestre/Escravo e o Produtor/Consumidor.

2.2.1 Modelo Mestre/Escravo

Um sistema que utiliza um modelo Mestre/Escravo trabalha com requisição e


resposta de dados. Este modelo possui um mestre (estações ativas) que é capaz
de enviar mensagens independentemente de solicitações externas. Quando houver a
presença de mais de um mestre no mesmo barramento, utiliza-se um mecanismo de
passagem de token, ou seja, mecanismo de controle de acesso ao meio. Os escravos
não possuem direito de acesso deliberado ao barramento e podem apenas confirmar
o recebimento de mensagens ou responder a uma mensagem enviada por um mestre.
São também conhecidos como estações passivas. [6]

2.2.2 Modelo Produtor/Consumidor

O modelo utiliza uma comunicação bufferizada de um dispositivo para vários ou-


tros. A palavra bufferizada quer dizer que apenas a última versão da informação é
mantida. O dado mais recente sobrescreve o dado anterior. Quando um dispositivo
recebe o token, ele transmite uma mensagem, este dispositivo é chamado de produ-
tor. Todos os dispositivos interessados no dado irão recebê-lo. Estes dispositivos
são os assinantes ou consumidores [6]. Neste caso, é caracterizada uma comunicação
multicasting, ou seja, um dado para um determinado grupo de consumidores.
CAPÍTULO 2. REDES INDUSTRIAIS - FOUNDATION FIELDBUS 7

2.3 Nı́veis de Hierarquia em Sistemas de Automação

A quantidade de nı́veis hierárquicos dentro de um sistema depende fundamen-


talmente do tamanho do processo e da necessidade. Um sistema de automação
industrial genérico pode ser caracterizado em seis nı́veis hierárquicos, sendo que em
algumas plantas não há a presença de todos (Figura 2.2).

Figura 2.2: Pirâmide hierárquica dos sistemas de automação.

Processos Fı́sicos

É a base da pirâmide, está presente em todos os sistemas, pois é interesse fim.


Aqui estão alojados os processos a serem automatizados. Neste nı́vel encontramos o
chão-de-fábrica: tanques, bombas, caldeiras, robôs, esteiras, motores, entre outros.

Sensores e Atuadores

Este nı́vel é mais próximo do processo controlado, responsável pela aquisição


de dados e pela atuação na planta. Aqui estão, por exemplo, as termoresistências,
CAPÍTULO 2. REDES INDUSTRIAIS - FOUNDATION FIELDBUS 8

chaves fim-de-curso, enconders, pressostatos, bombas, válvulas, resistências, entre


outros. Ou seja, sensores e atuadores encarregados de manejar o processo produtivo
e tomar as medidas necessárias a partir das informações enviadas do nı́vel superior,
o nı́vel de controle de processos.

Controle Regulatório

Os sensores e atuadores do nı́vel inferior são conectados diretamente aos dispo-


sitivos deste nı́vel. Aqui estão os controladores de malhas, os Controladores Lógicos
Programáveis (CLP) e os Sistemas Digitais de Controle Distribuı́do (SDCD). Toda
a lógica de controle, as ações a serem tomadas e os tipos de controle (PID, Fuzzy,
Preditivo, etc), são implementadas nestes dispositivos. Os dados são lidos através
da instrumentação do nı́vel inferior (os sensores) e procedimentos são executados
através dos atuadores.

Alarme e Intertravamento

Em todo processo industrial, há a necessidade de se ter uma polı́tica de segu-


rança, para preservar equipamentos, funcionários e até mesmo o próprio produto.
Resumindo, esse nı́vel é o responsável pela segurança do processo e possue circuitos,
que em qualquer momento de falha, leva os equipamentos a um estado seguro, pre-
servando a produção, ou seja, o chamado intertravamento, acionando alarmes para
os engenheiros de processo e automação tomarem ações corretivas.

Supervisão

Toda automação necessita um nı́vel de supervisão, podendo ser o mais simples,


apenas com interfaces homem-máquina (HMI) locais ou mesmo com ilhas de super-
visão equipadas com computadores poderosos e com os sistemas SCADA (Supervi-
sory Control and Data Acquisition) dando a possibilidade de monitorar o processo
como um todo. É neste nı́vel que são emitidos os relatórios de operação e instruções
de produção são tomadas.
CAPÍTULO 2. REDES INDUSTRIAIS - FOUNDATION FIELDBUS 9

Gerência

É o nı́vel mais elevado e se encarrega de integrar diversos processos em um único,


existindo apenas estações de trabalho. Análise de dados são realizadas por um
corpo administrativo, para em seguida, decisões estratégicas de caráter econômico-
financeiro e de marketing serem tomadas.

2.4 Redes Industriais

Com grande destaque na automação da indústria, as redes digitais de instru-


mentação, ou barramentos de campo, vêm se tornando uma alternativa de grande
aceitação. Após a integração de microprocessadores a instrumentos de campo, sur-
giram os chamados instrumentos inteligentes capazes de se comunicarem através de
um barramento de campo, permitindo que estes informem sua medição, a qualidade
do sinal e de medição, entre outros diagnósticos.
Estes barramentos de campo, ou redes industriais, formam uma rede local que
troca dados entre instrumentos ou com um mestre desta (modelo cliente/servidor).
Desta forma, redes industriais são redes locais (LAN) que utilizam a idéia de diminuir
a quantidade de fios e de uma melhor centralização de dados. O primeiro barramento
de campo que surgiu nada mais é que uma rede de instrumentos, o conhecido HART
[8] que usa a própria estrutura para transitar sinais digitais sobre os sinais analógicos
de 4-20mA através de modulação desses sinais.
Com o advento dos barramentos de campo, a estratégia de controle centralizada
no CLP pode ser substituı́da por controle descentralizado, de modo que qualquer
equipamento da rede pode assumir o papel de controlador. Desta forma, vários
controladores podem ser implementados na rede e até mesmo ser implementados em
instrumentos de campo, descentralizando a estrutura de controle.
Os barramentos de campo podem ser divididos basicamente entre três tipos [16]:

Rede de sensores ou Sensorbus São redes apropriadas para interligar sensores


e atuadores discretos, tais como: chaves fim-de-curso, contactores, desviadores,
etc. Trabalham com bits de informação. São exemplos de rede Sensorbus: ASI
da Siemens, Seriplex, CAN e LonWorks;
CAPÍTULO 2. REDES INDUSTRIAIS - FOUNDATION FIELDBUS 10

Rede de dispositivos ou Devicebus São redes capazes de interligar dispositivos


mais genéricos como CLPs, outras remotas de aquisição de dados e controle,
conversores AC/DC, relés de medição inteligentes, etc. Operam com bytes de
informação. Exemplos: Profibus-DP, DeviceNet, Interbus-S, SDS, LonWorks,
CAN, ControlNet, ModbusPlus;
Rede de instrumentação ou Fieldbus São redes concebidas para integrar ins-
trumentos analógicos no ambiente industrial, como transmissores de vazão,
pressão, temperatura, válvulas de controle, etc. Operam com blocos de da-
dos. Exemplos: IECSP50-H1, HART, WorldFIP, Profibus-PA, Foundation
Fieldbus.

A Figura 2.3 apresenta uma classificação para redes industriais.

Figura 2.3: Classificação das Redes Industriais.

As redes industriais se destacam por conseguir interargir com os diversos nı́veis


hierár-quicos da pirâmide em sistemas de automação. Assim, uma rede industrial,
como a Foundation Fieldbus, consegue interagir com 4 nı́veis da pirâmide, são eles:
processos fı́sicos, sensores e atuadores, controle regulatório e alarme e intertrava-
mento. Enquanto a rede industrial ControlNet interagi com os nı́veis: controle
regulatório, alarme e intertravamento e supervisão.
CAPÍTULO 2. REDES INDUSTRIAIS - FOUNDATION FIELDBUS 11

2.5 Foundation Fieldbus

A rede Foundation Fieldbus (FF) é um sistema de comunicação digital, serial e


bidirecional, que funciona como uma rede local para instrumentos usados em pro-
cessos e automação industrial, com capacidade embutida para distribuir o controle
de aplicação através da rede industrial. Ela também pode ser interligada a redes
TCP/IP/Ethernet, com o intuito de configuração remota de dispositivos. A es-
tratégia de controle distribuı́do ao longo dos dispositivos de campo é possı́vel porque
todos os dispositivos possuem microprocessadores e memória com várias funções, in-
clusive a estratégia de controle PID, e alguns fabricantes já disponibilizam controle
fuzzy e outros tipos de estratégias de controle. Graças a todas essas novas possibi-
lidades, o conceito de gerenciamento de processos atualmente permite novas tarefas
de automação, como: novas configurações, diagnósticos de desempenho em tempo
real e manutenção de registros e ferramentas.

2.5.1 Caracterı́sticas da Tecnologia

A FF possui um protocolo confiável e determinı́stico para comunicação em ins-


trumentação e controle de processos, interligando equipamentos, como: sensores,
atuadores e controladores, com a habilidade de operar dispositivos múltiplos, inde-
pendentemente do fabricante, no mesmo sistema sem a mı́nima perda de funciona-
lidade e interoperabilidade.
O modelo de referência de comunicação em camadas (modelo OSI) é utilizado
para modelar os componentes fundamentais da tecnologia FF (Figura 2.4) nos três
seguintes componentes:

• Camada fı́sica;
• Camada de comunicação, e;
• Camada de aplicação ao usuário.

Os nı́veis 3 ao 6 do modelo OSI não são implementados na tecnologia FF pois


se trata de uma rede local [2].
CAPÍTULO 2. REDES INDUSTRIAIS - FOUNDATION FIELDBUS 12

Modelo OSI Modelo Fieldbus

Aplicação do Usuário Aplicação do Usuário

Especificação
Aplicação de Mensagens

Apresentação Acesso ao Fieldbus

Sessão Pilha de Comunicação

Transporte

Rede

Enlace Enlace

Físico Físico Físico

Figura 2.4: Modelo OSI versus Foundation Fieldbus.

2.5.2 Camada Fı́sica

A camada fı́sica equivale ao nı́vel fı́sico do modelo OSI. No nı́vel fı́sico, os sinais
FF, padronizados pelo IEC (International Engineering Consortium) e pela ISA (The
Instrumentation, Systems and Automation Society), são codificados usando a co-
dificação Manchester Biphase-L. Este tipo de sinal carrega junto com os dados a
informação de clock para sincronização.
Os dados da tecnologia FF podem trafegar junto da energia que alimenta os dis-
positivos, necessitando então apenas de um par de fios, que pode ser o mesmo usado
em dispositivos 4-20mA. O dispositivo transmissor entrega +10mA a 31.25Kbps para
uma carga de até 50 Ω, para criar uma tensão de 1V pico-a-pico modulada acima
da corrente direta da fonte de tensão. Para algumas aplicações, a tensão pode variar
de 9 a 32V. O comprimento do cabo é determinado pela taxa de comunicação, tipo
e tamanho deste e potência da linha [2].

2.5.3 Camada de Comunicação

A camada de comunicação possui basicamente três subcamadas: a subcamada


inferior de enlace de dados (controle de erro e polı́tica de acesso ao meio), que
faz interface com a camada fı́sica; a subcamada intermediária de acesso a serviços
fieldbus (FAS- Fieldbus Access Sublayer ) e a subcamada superior de montagem de
CAPÍTULO 2. REDES INDUSTRIAIS - FOUNDATION FIELDBUS 13

mensagens (FMS -Fieldbus Message Specification).


A tecnologia FF define dois tipos básicos de equipamentos disponı́veis na camada
de comunicação:

• Dispositivos básicos, que são os sensores, atuadores, entre outros;


• Dispositivos de Link Mestre, que preferencialmente será um LAS (Link Active
Scheduler ).

Um LAS é um dispositivo que controla de forma determinı́stica os tempos que


os dispositivos transmitem (publicação) os dados dos buffers para a rede. Quem
estiver configurado para receber (assinante) copia estes dados. Geralmente o LAS
é implementado num dispositivo especial denominado de Linking Device. Porém,
na sua ausência, qualquer outro dispositivo pode desempenhar o papel do LAS, de
modo a não parar o funcionamento da rede. Entre as transmissões de mensagens
agendadas também podem transitar mensagens de forma não agendada.
O LAS concede permissão para um dispositivo usar o barramento emitindo um
sinal de passagem de token (PT). Ao receber este sinal, o dispositivo transmite, se
necessitar. Isso significa que esta tecnologia funciona como o protocolo passagem do
token de barramento [2].

2.5.4 Camada do Usuário

Uma caracterı́stica única da FF, que assegura interoperabilidade de dispositivos,


é o uso de uma Camada de Usuário, padronizada e completamente especificada,
baseada em blocos e tecnologia de descrição de dispositivos. A Camada de Usuário
define um processo de aplicação de blocos de função usando blocos de recursos, blocos
de função, blocos transdutores, gerenciamento de sistema e de rede e tecnologia de
descrição de dispositivos.

Blocos de Recursos Definem parâmetros que são necessários a qualquer aplicação


(exemplo: número serial de fabricação).
Blocos de Função Encapsulam funções de controle (exemplos: controlador PID,
entrada analógica, etc).
CAPÍTULO 2. REDES INDUSTRIAIS - FOUNDATION FIELDBUS 14

Blocos Transdutores representam uma interface para sensores, tais como: de


temperatura, pressão e fluxo.

Tabela 2.1: Nomenclatura dos principais blocos funcionais do padrão FF.


Analog Bloco de entrada de da-
Input (AI) dos analógico
Analog Bloco de saı́da de dados
Output analógico
(AO)
Transducer Bloco conversor de gran-
dezas fı́sicas
Resource Bloco de recursos dos
instrumentos
PID Bloco controlador de
ação proporcional,
integrativa e derivativa
Display Bloco de apresentação
de informações no dis-
play

A Tabela 2.1 apresenta a nomenclatura de alguns dos principais blocos funcionais


padronizados pela FF. Os blocos de função são incorporados dentro de equipamentos
FF para conseguir a funcionalidade desejada do dispositivo, bem como definir uma
vasta faixa de caracterı́sticas e comportamentos que devem trabalhar de maneira
padrão para que os dispositivos possam interoperarem.
Capı́tulo 3

Sistemas de Controle

A Engenharia de Controle tornou-se de fundamental importância para o desen-


volvimento e evolução da ciência e da engenharia como um todo. O controle de
sistemas, hoje, é parte fundamental dos modernos processos industriais de manufa-
tura, controlando variáveis, como: pressão, temperatura, posição, nı́vel e fluxo.
O controle de processos e os seus avanços teóricos e práticos propiciam a obtenção
de um ponto ótimo de desempenho dos sistemas dinâmicos, melhorando qualidade,
produção e custo de produtos.
A Engenharia de Controle Clássica busca desenvolver mecanismos que a partir
de um sistema (processo) seja possı́vel conhecer as suas caracterı́sticas fundamentais
para obtenção do seu modelo matemático [1]. Com o modelo obtido uma posterior
análise de requisitos é realizada, caso necessário, segue-se o desenvolvimento de um
controlador para este sistema, sintonizando-o de forma a atender as especificações
de desempenho desejadas [7]. A Figura 3.1 apresenta um esquema dessas etapas.
Algumas dessas etapas serão discutidas neste capı́tulo, dando enfoque a mode-
lagem e identificação de sistemas e projeto de controladores, no caso, controladores
PID e controladores Fuzzy. Por fim, é apresentada uma proposta de controle PID
com escalonamento de ganhos baseado em regras fuzzy para as Redes Foundation
Fieldbus.

15
CAPÍTULO 3. SISTEMAS DE CONTROLE 16

Figura 3.1: Procedimento de desenvolvimento de sistemas de controle baseado em


um modelo matemático.

3.1 Modelagem de Sistemas Dinâmicos

Para que qualquer sistema de controle funcione de forma adequada, é necessário


que o projetista possua informações necessárias da dinâmica da planta para trabalhar
com suas diversas ferramentas e decidir qual a melhor estratégia de controle a ser
aplicada. Uma forma adequada de representar esta dinâmica do sistema é através do
seu modelo matemático, ou seja, um conjunto de equações que representam de forma
bastante aceitável esta dinâmica do sistema para o desenvolvimento de estratégias
de controle.
Há diversas maneiras de se obter este modelo matemático, como: modelando-
o matematicamente; ou identificando-o por métodos numéricos. Estas maneiras
podem gerar diferentes modelos matemáticos para um mesmo sistema, uns sendo
mais adequados que os outros, dependendo das particularidades e circunstâncias que
cada sistema está submetido.
A modelagem baseada na fı́sica do processo é definida como a obtenção das
diversas equações (equações diferenciais), que descrevem sua dinâmica, através do
emprego das leis fı́sicas que regem o sistema em particular, por exemplo, sistemas
mecânicos utilizam as leis de Newton e sistemas elétricos, as leis de Kirchhoff. Na
modelagem matemática um artifı́cio é muito utilizado, a analogia entre sistemas.
Por exemplo, adota-se os sistemas elétricos como base, facilitando, dependendo da
formação do engenheiro projetista, a obtenção das equações diferenciais que descre-
CAPÍTULO 3. SISTEMAS DE CONTROLE 17

vem a dinâmica [11].


A identificação de sistemas é realizada através do emprego de métodos numéricos
em um conjunto de dados coletados a partir de testes dinâmicos realizados na planta
real. Alguns métodos que podemos citar [1]:

• Métodos determinı́sticos: Sundaresan, malha fechada, usando convolução, e


domı́nio da freqüência;
• Métodos não-paramétricos;
• Método de estimação recursiva por mı́nimos quadrados.

Com os dados coletados, uma representação numérica é escolhida (temporal, em


freqüência, espaço de estados - contı́nua ou discreta), determina-se a estrutura do
modelo e então é realizada a validação do modelo.

3.1.1 Sistemas Lineares e Não-Lineares

No mundo real, quase que na totalidade, os sistemas são não-lineares, porém


muitos desses sistemas possuem uma faixa de operação com caracterı́sticas aproxi-
madamente lineares. Sistemas lineares são aqueles em que se aplicam os princı́pios
da aditividade (superposição) e da homogeneidade [11].

3.1.2 Função de Transferência e Equação de Estado

A Função de Transferência (G(s)) de um sistema dinâmico é a representação


matemática de equações diferenciais lineares e invariantes no tempo definidas pela
relação entre a Transformada de Laplace do sinal de saı́da Y (s) e a Transformada
de Laplace do sinal de entrada U (s) e com condições iniciais nulas, descrevendo
sistemas monovariáveis (SISO - Single Input Single Output) como ilustra a Equação
3.1.

Y (s) 1
G(s) = = 2 (3.1)
U (s) s +5

As equações de estado foram desenvolvidas com o intuito de representar sistemas


mais complexos, sistemas com muitas entradas e muitas saı́das, os chamados sistemas
CAPÍTULO 3. SISTEMAS DE CONTROLE 18

multivariáveis (MIMO - Mutiple Input Mutiple Output). Neste caso, representa-se


matematicamente uma equação diferencial linear de ordem N por um sistema de N
equações diferenciais lineares de primeira ordem ou pelo equivalente matricial, como
descrito na Equação 3.2.


ẋ(t) = Ax(t) + Bu(t)
(3.2)
y(t) = Cx(t) + Du(t)

Onde:
x(t) −→ vetor de estados;
y(t) −→ vetor de saı́da;
u(t) −→ vetor de entrada.
Deve sempre ser lembrado que a obtenção de um modelo matemático razoável
do sistema a ser controlado implica em uma etapa fundamental no desenvolvimento
dos sistemas de controle, por se tratar da base das etapas subseqüentes.

3.2 Estratégia de Controle PID

Os controladores PID representados pela Equação 3.3 caracterizam-se por uma


fácil implementação e baixa computação numérica, valendo assinalar que a maioria
absoluta dos controladores industriais em uso nos dias atuais utilizam este tipo de
estratégia de controle [11]. Sua estrutura é uma composição das ações proporcional,
integrativa e derivativa do sinal de erro (diferença entre os sinais de saı́da e de
referência do sistema). Esses controladores podem apresentar várias sub-divisões:
Proporcional (P), Proporcional-Integrativo (PI), Proporcional-Derivativo (PD), PI-
D e I-PD

u(s) Ki 1
D(s) = = Kp + + Kd s = Kp (1 + + Td s) (3.3)
e(s) s Ti s

A ação integral está diretamente ligada à precisão do sistema sendo responsável


pelo erro nulo em regime permanente à entrada degrau. O efeito de diminuir a
estabilidade relativa do sistema caracterı́stico do controlador PI é contrabalançado
CAPÍTULO 3. SISTEMAS DE CONTROLE 19

pelo efeito antecipatório da ação derivativa que tende a aumentar a estabilidade


relativa, tornando a resposta do sistema mais rápida. A atuação da ação derivativa
se restringe ao transitório [11].

Figura 3.2: Diagrama de blocos de um sistema em malha fechada com controlador


em cascata.

Figura 3.3: Estrutura de um controlador PID com ações desacopladas.

Figura 3.4: Estrutura industrial de um controlador PID.

Há diversas estruturas para os parâmetros de um controlador PID, neste trabalho


apresentamos duas estruturas. A Figura 3.2 apresenta o diagrama de blocos de uma
CAPÍTULO 3. SISTEMAS DE CONTROLE 20

estrutura tı́pica de um sistema de controle em malha fechada. A Figura 3.3 apresenta


uma estrutura modificada do controlador PID, de forma que o comportamento das 3
ações torna-se desacoplado. Na Figura 3.4 é apresentado a forma de implementação
da estratégia de controle PID mais utilizada na indústria [11]. Lembrando que ambas
estruturas se equivalem matematicamente e são representadas pela Equação 3.3

3.3 Lógica Fuzzy

Diversas tecnologias são desenvolvidas em busca de soluções dos problemas es-


pecı́ficos para cada área. Com o advento da lógica fuzzy, ou lógica nebulosa, foi
possı́vel o desenvolvimento de um método capaz de trabalhar com as imperfeições e
não-linearidades do mundo real.
O mundo real é um sistema analógico e altamente não-linear. Diversos proces-
sos necessitam mais que uma simples resposta de certo ou errado, como expresso
por Aristóteles em sua lógica clássica; necessitam um conjunto maior de possibi-
lidades, partindo para uma multivalência de valores. Assim, a lógica fuzzy está
baseada em palavras e não em números, ou seja, os valores verdades são expres-
sos lingüisticamente, por exemplo: quente, muito frio, verdade, longe, perto, rápido,
vagaroso, médio, entre outros. Esta lógica trabalha com vários modificadores de pre-
dicado como do tipo muito, mais ou menos, pouco, bastante, médio, etc. Também,
adiciona-se a isso um amplo conjunto de quantificadores e faz-se uso de possibilida-
des lingüı́sticas que são interpretadas como números fuzzy e manipulados pela sua
aritmética. Ou seja, não se manuseia simplesmente valores verdadeiro e falso e sim
todos os valores entre 0 e 1, tomando estes, como um limite apenas [17].
Diversas áreas estão sendo beneficiadas pela tecnologia decorrente da lógica fuzzy.
Dentre essas áreas podem ser citadas algumas que tiveram relevância no avanço
tecnológico e que merecem destaque, sendo que a área de controle de processos
industriais uma das pioneira.
A lógica fuzzy pode ser utilizada para a implementação de controladores, aplica-
dos nos mais variados tipos de processos. Esta técnica incorpora a forma humana de
pensar em um sistema de controle, comportando-se de forma similar a um raciocı́nio
dedutivo, controlando processos industriais com caracterı́sticas não-lineares através
de experiências e inferências de relações entre as variáveis da planta descritas no
CAPÍTULO 3. SISTEMAS DE CONTROLE 21

controlador. A utilização de regras nebulosas (regras fuzzy e variáveis lingüı́sticas)


confere ao sistema de controle várias vantagens, incluindo:

• Possibilidade de simplificação do modelo do processo;


• Melhor tratamento das imprecisões inerentes aos sensores utilizados;
• Facilidade na especificação das regras de controle, em linguagem próxima à
natural;
• Satisfação de múltiplos objetivos de controle e;
• Facilidade de incorporação do conhecimento de especialistas humanos.

Contudo, tanto as leituras de sensores quanto os sinais esperados pelos atuadores


do sistema de controle não pertencem à linguagem desta lógica, fazendo-se necessário
que conversões da lógica aritmética para a lógica fuzzy sejam realizadas. Assim, estes
tipos de sistemas possuem etapas denominadas fuzzificador e defuzzificador e estão
posicionados na entrada e saı́da do sistema de controle, respectivamente.
Estas etapas são responsáveis por transformar as medidas obtidas dos sensores
em conjuntos fuzzy (fuzzificador ) e em transformar os conjuntos obtidos na saı́da
do controlador em valores que pertençam a sistemas analógicos de controle para o
processo (defuzzificador ).

3.4 Projeto de Controladores Inteligentes Usando


Lógica Fuzzy

As técnicas de sistemas fuzzy ganharam um grande espaço em diversas áreas


de pesquisa e desenvolvimento no mundo por se tratarem de sistemas bastantes
versáteis, incorporando conhecimento que outros sistemas nem sempre conseguem
obter, principalmente se tratando de modelos fı́sicos de representação complexa e
de difı́cil representação matemática.
O uso destes controladores não está limitado a modelos lineares, sendo capaz
de superar perturbações e ruı́dos, mostrando grande robustez em sistemas que se
caracterizam por imprecisões intrı́nsecas.
O procedimento padrão de projeto de controladores fuzzy não segue a abordagem
clássica descrita na Figura 3.1. A abordagem de projeto fuzzy não necessita do
CAPÍTULO 3. SISTEMAS DE CONTROLE 22

conhecimento explı́cito do modelo matemático do processo, uma vez que a estratégia


de controle é gerada através de regras lingüı́sticas obtidas de forma heurı́stica.

3.4.1 Estrutura de um Sistema Fuzzy

A Figura 3.5 mostra a estrutura de um sistema fuzzy, a seguir serão comentados


cada um de seus blocos.

Figura 3.5: Estrutura de um Sistema Fuzzy.

Interface de Fuzzificação

A interface de fuzzificação é responsável pela identificação dos valores numéricos


fornecidos pelos sensores, normalizando estes valores em um universo de discurso
padronizado. Os valores numéricos transformados em valores fuzzificados formam
um conjunto nebuloso (fuzzy) a ser inferido pelo bloco seguinte no diagrama repre-
sentado pela Figura 3.5 [17].

Base de Conhecimento

A Base de Conhecimento consiste de uma base de dados e uma base de regras,


de maneira a caracterizar a estratégia de controle e suas metas. Em um sistema
fuzzy, é importante que existam uma quantidade de regras pré-definidas necessárias
para mapear totalmente as diversas combinações possı́veis, garantindo que haverá
uma regra especı́fica para qualquer entrada do sistema [15].
CAPÍTULO 3. SISTEMAS DE CONTROLE 23

Procedimento de Inferência

Este bloco é responsável pela verificação do grau de compatibilidade entre os


fatos e as regras, determinando o grau de compatibilidade global da premissa de
cada regra e, por fim, determinando o valor da conclusão global (ação de controle)
a partir da agregação dos valores obtidos em função do grau de compatibilidade da
regra com os dados [15].
É neste bloco que são encontrados o modelo do sistema nebuloso em si. Na lite-
ratura são encontrados dois tipos: os modelos clássicos e os modelos de interpolação.
Posteriormente, alguns desses modelos serão discutidos.

Interface de defuzzificação

Esta interface é responsável pela obtenção de uma única ação de controle a


partir do conjunto nebuloso obtido. O procedimento compreende a identificação
do domı́nio das variáveis de saı́da num único universo de discurso e com a ação de
controle nebulosa inferida, uma ação de controle não-nebulosa é tomada [17].
Existem muitos métodos de defuzzificação, porém cada método deve estar relacio-
nado com as caracterı́sticas do processo ao qual será aplicado e ao comportamento
de controle necessário [15].

3.4.2 Modelos de Sistemas Fuzzy

Como citado anteriormente, os modelos podedm ser divididos em dois tipos: os


clássicos e os de interpolação. Os modelos diferem quanto à forma de representação
dos termos na premissa, quanto à representação das ações de controle e quanto aos
operadores utilizados para implementação do sistema.
Nesta seção serão apresentados alguns modelos dando uma idéia geral do seu
mecanismo de implementação.

Sistema Nebuloso Clássico

Este tipo de estratégia nebulosa se caracteriza pela conclusão de cada regra


especificar um termo nebuloso dentro de um conjunto fixo de termos, sendo estes
CAPÍTULO 3. SISTEMAS DE CONTROLE 24

termos, conjuntos nebulosos convexos representados graficamente por funções como:


triângulos, trapézios e funções de sino.
Com os dados fuzzificados o sistema obtém um conjunto nebuloso de valores de
conclusão que representa uma ordenação das ações de controle aceitáveis naquele
momento, deixando para a Interface de Defuzzyficação selecionar uma ação de con-
trole global. Os modelos clássicos mais comuns são o modelo de Mamdani e o
modelo de Larsen [15].

Sistema Nebuloso por Interporlação

Os sistemas constituı́dos de modelos de interpolação se caracterizam por apre-


sentar uma conclusão através de uma função estritamente monotônica, usualmente
diferente para cada regra. Citam-se dois modelos de sistemas por interpolação [15]:

Takagi-Sugeno A função que caracteriza este modelo é baseada em uma com-


binação linear das entradas, tendo como parâmetros um conjunto constante;
Tsukamoto Geralmente a função é não linear tendo como domı́nio os possı́veis
graus de compatibilidade entre cada premissa e as entradas.

Em ambos os esquemas, obtêm-se para cada regra, um único valor para a variável
de controle. Finalmente, uma ação de controle global é obtida, fazendo-se uma
média ponderada dos valores individuais obtidos, onde cada peso é o próprio grau
de compatibilidade entre a premissa da regra e as entradas, normalizado.

3.4.3 Controladores PID com Escalonamento de Ganhos

Uma estrutura de controle muito aplicada é o PID com escalonamento de ganhos,


uma técnica de controle inteligente em que os parâmetros do controlador PID vão
se adequando seguindo regras, podendo ser estas nebulosas (Figura 3.6) [17].
Os parâmetros do controlador PID são modificados em tempo real em função
dos parâmetros definidos no projeto (por exemplo: pontos de operação do sistema),
com isso o controlador PID se torna mais robusto e mais preparado para responder
de acordo com perturbações ou mudança de ponto de operação.
CAPÍTULO 3. SISTEMAS DE CONTROLE 25

Figura 3.6: Controlador PID com escalonamento de ganhos regido por um supervisor
fuzzy.

Normalmente o modelo do supervisor fuzzy utilizado no controlador segue os


seguintes passos:

1. Definem-se n pontos de operação do sistema, obtendo um modelo linear para


cada ponto de operação;
2. Projetam-se n controladores PID, definindo seus parâmetros Kp, K i e Kd ;
3. Definem-se n regras do supervisor de acordo com o modelo a ser controlado.

Os parâmetros finais a cada interação para Kp, por exemplo, podem ser obtidos
através de funções seguindo o modelo por interpolação Takagi-Sugeno [4]:

fn = d0 + d1 x + d2 x + ..., (3.4)

onde fn são funções de ponderação definidas para regiões especı́ficas e, por fim:


n
fi Kpi
i=1
Kp = (3.5)
n
fi
i=1

Assim, primeiramente definem-se os parâmetros dos controladores referentes a


cada ponto de operação, calculam-se os fatores de ponderação, que são baseados na
CAPÍTULO 3. SISTEMAS DE CONTROLE 26

medição da variável de processo, para então se utilizar desses valores no cálculo dos
parâmetros finais do controlador.

3.5 Proposta de um Controlador PID com Esca-


lonamento de Ganhos Regido por um Super-
visor Fuzzy em Redes Foundation Fieldbus

Esta seção tem como propósito apresentar uma solução para implementação de
técnicas de controle inteligente em redes Foundation Fieldbus, utilizando-se o modelo
de escalonamento de ganhos seguindo regras nebulosas pelo método de interpolação
de Takagi-Sugeno e empregando apenas blocos funcionais padrões.

Figura 3.7: Proposta para o controlador PID com Escalonamento de Ganhos em


uma FF.

3.5.1 A proposta

O controlador proposto seguirá o modelo de Takagi-Sugeno e implementa uma


rede de n controladores PID para pontos de operação estrategicamente pré-definidos
de acordo com o sistema a ser controlado (Figura 3.7).
O modelo de Takagi-Sugeno exige que todos os termos nebulosos sejam funções
monotônicas e que as conclusões das regras sejam dadas por funções [15]. Assim,
o método de interpolação obtém um valor preciso e ponderado relativo à ação de
controle para cada PID. Fazendo-se necessário que, para os valores obtidos para cada
PID, sejam agregados em uma única saı́da, através de uma outra média ponderada.
Por exemplo, baseado na teoria do modelo de Takagi-Sugeno, tem-se a seguinte
estrutura matemática para um sistema monovariável e com apenas três conjuntos
CAPÍTULO 3. SISTEMAS DE CONTROLE 27

nebulosos (Figura 3.8) e seguindo três regras nebulosas para três pontos de operação,
ou seja, escalonamento entre três controladores PID (PID1 , PID2 e PID3 ), descritas
pelas Equações 3.6, 3.7 e 3.8.

Ki1
P ID1 (s) = Kp1 + + Kd1 s (3.6)
s

Ki2
P ID2 (s) = Kp2 + + Kd2 s (3.7)
s

Ki3
P ID3 (s) = Kp3 + + Kd3 s (3.8)
s

Figura 3.8: Exemplo de três conjuntos nebulosos (pequeno, médio e grande).

E com as seguintes regras regindo este sistema:

1. Se L =Pequeno então α = ativar e β = desativar e γ = desativar;


2. Se L =Médio então α = desativar e β = ativar e γ = desativar.
3. Se L =Grande então α = desativar e β = desativar e γ = ativar.

Os valores α, β e γ são as ponderações para a rede de controladores PID e L é


a variável inferida pelo sistema fuzzy.
Então, a ação de controle u(t) resultante será dada, no domı́nio da freqüência,
por:
CAPÍTULO 3. SISTEMAS DE CONTROLE 28

U (s) αP ID1 + βP ID2 + γP ID3


D(s) = = (3.9)
E(s) α+β+γ

Se for definido α, β e γ entre 0 e 1, normalizadas as regras nebulosas e possuindo


conjuntos nebulosos representados por figuras e interseção simétricas, a média pon-
derada das ações de controle pode ser representada por:

U (s)
D(s) = = αP ID1 + βP ID2 + γP ID3 (3.10)
E(s)

Substituindo 3.6, 3.7 e 3.8 em 3.10, obtém-se:

Ki1
D(s) = α(Kp1 + + Kd1 s)+
s
Ki2
+ β(Kp2 + + Kd2 s)+ (3.11)
s
Ki3
+ γ(Kp3 + + Kd3 s)
s

Ki1
D(s) = αKp1 + α + αKd1 s+
s
Ki2
+ βKp2 + β + βKd2 s+ (3.12)
s
Ki3
+ γKp3 + γ + γKd3 s
s

D(s) = (αKp1 + βKp2 + γKp3 )+


1
+ (αKi1 + βKi2 + γKi3 ) + (3.13)
s
+ (αKd1 + βKd2 + γKd3 s)s

Ki
D(s) = Kp + + Kd s (3.14)
s

Sendo:
CAPÍTULO 3. SISTEMAS DE CONTROLE 29

Kp = αKp1 + βKp2 + γKp3 (3.15)

Ki = αKi1 + βKi2 + γKi3 (3.16)

Kd = αKd1 + βKd2 + γKd3 (3.17)

Assim, pode-se afirmar que ao final do processo de formulação matemática houve


o desenvolvimento de um controlador PID com escalonamento de ganhos, que seus
parâmetros se ajustam de forma inteligente de acordo com as funções de ponderações
pré-definidas. Ou seja, uma rede de controladores lineares locais com ponderações
fuzzy é matematicamente equivalente a um controlador linear de mesma estrutura
em que os ganhos seguem as mesmas regras de ponderação fuzzy.

3.5.2 Diagrama de Blocos

Para melhor exemplificar a proposta, apresenta-se nesta seção um controlador


monovariável e com três funções de ponderação seguindo o modelo proposto da seção
anterior. Pode-se estender facilmente os resultados para o caso geral tendo n funções
de ponderação.
O controlador, aqui apresentado, utiliza-se o diagrama de blocos apresentado na
Figura 3.9. Todos os blocos no projeto deste controle são blocos padrões especifi-
cados pela Fieldbus Foundation em sua norma [5]. A seguir são descritos todos os
blocos especificando suas funções no controle.

IF - 2 - AI (Analog Input)

Como o próprio nome diz, este bloco é o responsável pela coleta dos dados,
todas as informações vêm do sensor que a ele está associado e são passadas para o
controlador.

FI - 2 - AO (Analog Output)

Ao contrário do bloco anterior, este bloco é o de atuação, o sinal de controle


gerado pelo controlador é fornecido ao atuador através deste bloco.
CAPÍTULO 3. SISTEMAS DE CONTROLE 30

Figura 3.9: Diagrama de blocos em FF do controlador proposto utilizando 3 con-


troladores PID

PID - 1, PID - 2 e PID - 3 (PID Controllers)

O modelo proposto de controle é o escalonamento de ganhos utilizando-se um


supervisor fuzzy, ou seja, estes blocos são os controladores PID projetados para um
determinado ponto de operação baseados em um modelo linear e que suas respectivas
ações de controle são ponderadas e somadas seguindo a proposta.

FP - 1, FP - 2 e FP - 3 (Characterizator )

Estes blocos são denomidados caracterizadores, sua função é representar mate-


maticamente as funções de ponderação projetadas para o controlador. Este bloco
interpola diversos pontos modelando uma curva, desta forma para qualquer entrada
haverá uma saı́da seguindo a curva definida por esses pontos interpolados.
CAPÍTULO 3. SISTEMAS DE CONTROLE 31

MULT - 1, MULT - 2 e MULT - 3 (Arithmetical )

Seguindo a formulação matemática da equação 3.10, há a necessidade de multi-


plicar as saı́das dos controladores pelos seus respectivos fatores de ponderação, esses
blocos, conhecidos como blocos aritméticos, são responsáveis por esta multiplicação.

SOMA (Arithmetical )

Após a ponderação, volta-se a usar o bloco aritmético, somando os sinais de


controle ponderados para obter um sinal de controle único.

SP - 1 (Constant)

Este bloco, conhecido por Constante, tem a finalidade de ajustar os set-points


dos controladores ao mesmo tempo. Através do sistema supervisório o usuário atua
sobre este bloco.
Capı́tulo 4

Ambiente Hı́brido de Testes

Para a obtenção dos resultados práticos, utilizou-se uma rede industrial padrão
Foundation Fieldbus, sendo a dinâmica da planta obtida em tempo real via si-
mulação. Esta simulação é efetuada num computador tipo PC que está conectado
à rede FF via componentes de conversão de padrões 4-20mA para FF. Esta abor-
dagem permite reproduzir, de forma bastante flexı́vel, diversas dinâmicas tı́picas de
processos industriais, além de permitir gerar diversas situações para avaliação do
desempenho dos controladores. O nome hı́brido vem da abordagem que é adotada
pelo sistema, pois este, além de trabalhar com dados reais (rede industrial), trabalha
com dados simulados em tempo real (planta simulada).

4.1 Componentes do Ambiente

O ambiente de teste e validação de estrutura de controle em redes FF é com-


posto basicamente de dois computadores interconectados à rede industrial, um para
configuração do sistema e outro para a simulação da dinâmica da planta, de acordo
com a Figura 4.1.

4.1.1 Estações de Simulação e de Configuração/Supervisão

O computador de Configuração será, como o próprio nome sugere, responsável


pela configuração de blocos e instrumentos no barramento através do Linking Device,
que desempenha a função de gateway entre a TCP/IP/Ethernet e o barramento
FF. O computador de Simulação implementa o modelo matemático da dinâmica da

32
CAPÍTULO 4. AMBIENTE HÍBRIDO DE TESTES 33

CPU
Configuração/Supervisão

Linking
Device

I/V I/V V/I V/I


CPU
Simulação
1 2 1 2
A/D D/A
Placa de Aquisição
de dados

Figura 4.1: Estrutura do Experimento.

planta, e através de dados coletados pela placa de aquisição de dados, recebe os


sinais de controle da rede FF e disponibiliza a ela os sinais de saı́da do processo
simulado, respeitando as caracterı́sticas temporais do processo.

4.1.2 Conversores de Sinais

Como a maioria das plantas industriais, os sinais das medições e de atuação são
sinais de corrente entre 4-20mA. Porém, esses sinais devem ser convertidos para
sinais que possam ser processados pela Estação de Simulação. A Figura 4.2 mostra
o esquema de interface destes sinais.
Cada módulo desta interface é descrito a seguir.

Conversores Fieldbus

Para fazer a interconexão entre a rede FF e o sistema simulado, utilizou-se dis-


positivos conversores Fieldbus/Corrente (FI) e Corrente/Fieldbus (IF).
Os FI convertem sinais digitais FF para sinais de corrente entre 4 e 20mA. Esses
sinais são captados por atuadores analógicos, como válvulas de controle, ou seja,
sinais de controle. No experimento, estes conversores emitem o sinal analógico para
CAPÍTULO 4. AMBIENTE HÍBRIDO DE TESTES 34

Figura 4.2: Interface conversora de sinais.

um conversor Corrente/Tensão (I/V), pois os conversores analógicos/digitais (A/D)


da placa de aquisição de dados trabalham com sinais de tensão e não de corrente.
O mesmo se aplica aos IF, por se tratarem de conversores de sinais de corrente
4-20mA para sinais digitais FF, os sinais de saı́da da planta são emitidos para
o meio externo através das saı́das da placa de aquisição através dos conversores
digitais/analógicos (D/A), desta forma estes sinais de tensão com baixa corrente
passam em um módulo de conversão de Tensão/Corrente (V/I) dispondo em suas
saı́das, sinais de 4-20mA, sendo possı́vel os IF lerem e apresentarem os dados para
o barramento.

Conversores Tensão/Corrente e Corrente/Tensão

Para realizar a conversão dos sinais de tensão da placa de aquisição para sinais
de corrente utilizados na instrumentação (sinal padrão 4-20mA), utilizou-se trans-
missores especiais, os XTR-115 da Texas Instruments [19].
Com estes transmissores (Figura 4.3) tornou-se possı́vel converter sinais de tensão
(0-5V ) para sinais de corrente 4-20mA. Esses tranmissores são os mesmos utilizados
por diversos sensores industriais, ou seja, podemos garantir um sinal sem inter-
ferência do meio externo e sem as não-linearidades e ruı́dos apresentados quando se
utiliza um buffer de corrente projetado a partir de um aplificador operacional.
Para manipular os sinais 4-20mA enviados dos FI, foram utilizados os receptores
CAPÍTULO 4. AMBIENTE HÍBRIDO DE TESTES 35

Figura 4.3: Configuração do Tranmissor XTR-115.

RCV-420, também, da Texas Instruments [20]. Esses receptores são circuitos inte-
grados especiais que realizam com a conversão de sinais de corrente para sinais de
tensão. Este tipo de circuito (Figura 4.4) gera sinais de tensão de baixa potência.
Desta forma, este sinal convertido pode ser processado pelos módulos de conversão
analógico/digital (A/D - Placa de aquisição de dados).

Figura 4.4: Configuração do Receptor RCV-420.


CAPÍTULO 4. AMBIENTE HÍBRIDO DE TESTES 36

Conversores Analógico/Digital e Digital/Analógico

Na conversão analógica/digital e na digital/analógica foi utilizada a placa de


aquisição 6024E da National Instruments, que é voltada à aplicações de controle de
processos [10].
Essa placa de aquisição de dados possui dois canais de saı́da analógica e 16 canais
de entrada analógicas (passando para 8 canais em modo diferencial) com resolução
de 12 bits, tanto entrada como saı́da. A taxa de amostragem é de até 10 kS/s (kilo-
Samples por segundo). A sua faixa de nı́vel de tensão é de -10 a 10V, porém foi
convencionado, devido as faixas de tensões dos receptores e transmissores utilizar a
faixa de 0 a 5V para a interface, padronizando-se os nı́veis de tensão e corrente.

4.2 O Processo

A estrutura proposta permite a simulação em tempo real da dinâmica de vários


processos tı́picos, com o grau de detalhe desejado, tanto em situação de operação
normal quanto em situação de falha. Neste trabalho, especificamente, utilizou-se um
modelo linear de segunda ordem e um modelo não-linear conforme anexo, porém a
alteração de modelos é permitida e facilmente implementada. O modelo simulado
foi desenvolvido em Linguagem G, do compilador LabView [9].

4.2.1 A Linguagem G

Os modelos simulados foram desenvolvidos em Linguagem G, compilador Lab-


View [9]. Esta é uma linguagem gráfica de programação de alto nı́vel baseada no
fluxo de dados através de um diagrama de blocos. Deste modo, ela dispensa o uso de
qualquer formalismo sintático, tı́pico das linguagens de programação convencional,
para a construção do código-fonte, facilitando bastante o trabalho do programador.
De fato, não é necessário um conhecimento aprofundado em programação para se
construir programas. Sua representação gráfica do algoritmo e a depuração intera-
tiva oferecidas, permitem que a construção de programas seja feita de forma fácil
e simplificada. Seguindo uma tendência cada vez mais presente na programação,
a linguagem G segue o conceito de programação modular (Figura 4.5). A escolha
desta linguagem deve-se a dois fatos principais: primeiro, a sua facilidade de pro-
CAPÍTULO 4. AMBIENTE HÍBRIDO DE TESTES 37

gramação, não necessitando que o usuário do sistema tenha um alto conhecimento


em linguagens de programação seqüenciais; segundo, trata-se de uma linguagem
que oferece um ambiente (LabView ) com interface humano-máquina bastante inte-
rativa, que possibilita a adição de objetos animados, para demonstrar a evolução do
processo, como ilustra a Figura 4.6.

Figura 4.5: Diagrama de blocos de um programa em Linguagem G.

4.2.2 Modelagem dos Processos


Integração Numérica

O conhecimento adequado do modelo utilizado para a descrição real do compor-


tamento do sistema é de fundamental importância no tratamento computacional de
qualquer sistema. O fundamento para a simulação é o conhecimento das equações
que descrevem a dinâmica do sistema escolhido. O algoritmo, utilizado pelo am-
biente, consiste na solução numérica destas equações fornecendo saı́das do sistema.
Escolhendo o passo de integração e o tempo de simulação, a resolução numérica
deste sistema cria uma dinâmica de tempo real para os processos simulados.
Os processos a serem simulados são inseridos em uma estrutura da Linguagem
G, chamada de Formula Node. Nesta estrutura é possı́vel descrever os modelos
CAPÍTULO 4. AMBIENTE HÍBRIDO DE TESTES 38

Figura 4.6: Tela do ambiente de configuração e simulação de um processo em Lab-


View.

matemáticos através de equações.

Temporização dos Processos

Na simulação é utilizado um relógio, caracterı́stico da Linguagem G (bloco Wait


- tempo de espera em milissegundos) para gerar a dinâmica do processo entre cada
passo de simulação.
Capı́tulo 5

Validação do Ambiente e
Resultados Obtidos

Neste capı́tulo serão apresentados e analisados alguns resultados obtidos na va-


lidação do ambiente de teste desenvolvido e descrito no capı́tulo anterior. O prin-
cipal objetivo da implementação deste ambiente foi viabilizar um mecanismo para
desenvolvimento de controladores ou mesmo de arquiteturas de blocos em uma rede
Foundation Fieldbus.
Por conseguinte, utilizou-se o ambiente desenvolvido para implementação da rede
de controladores PID escalonados por um supervisor fuzzy. Com isto, foi possı́vel
testar o controlador, apresentando e discutindo os resultados obtidos.

5.1 Validação do Ambiente

Para validar o ambiente, foi utilizado um modelo linear composto por dois tan-
ques acoplados, conforme descrito no Anexo A.
O objetivo é controlar o nı́vel do tanque 2 a partir da vazão 1 (abertura da válvula
de controle 1). Nesta fase, optou-se pela identificação do modelo, através do software
de supervisão Elipse [3], utilizando-se comunicação OPC [13]. Aplicou-se degraus
de 10%, 25%, 30% e 50% do volume total do tanque 2 e calculando-se o ganho
e constante de tempo do sistema nos diversos pontos de operação. A Figura 5.1
mostra a resposta ao degrau de 50%.

39
CAPÍTULO 5. VALIDAÇÃO DO AMBIENTE E RESULTADOS OBTIDOS 40

Figura 5.1: Resposta ao degrau 50% para um sistema de tanques acoplados.

O modelo identificado de primeira ordem aproximado é:


0.8275
G(s) = (5.1)
49s + 1

O projeto do controlador foi realizado através do método do lugar das raı́zes,


com a especificação de um overshoot de 5% e um tempo de estabilização de 15s.
Utilizou-se o software SINCON [18] e com otimização dos parâmetros do controlador
pelo método Poliedros Flexı́veis. Para estas especificações, obteve-se os seguintes
parâmetros do controlador PID otimizado:

Ganho Proporcional (Kp ) = 10.775


Tempo Integral (ti ) = 22.6s
Tempo Derivativo (td ) = 1.011s

Então, o controle em termos de blocos para a rede Foundation Fieldbus configurou-


se de acordo com a Figura 5.2.
Para validar o controlador projetado depois de implementado, aplicou-se um
degrau positivo em uma condição de regime, passando o set-point de 10% para
30%, e logo em seguida retornando ao ponto inicial. Também foi injetada uma
perturbação de 90% no nı́vel do tanque 2 (em torno de 250s), e como se pode notar
na Figura 5.3, o controlador respondeu adequadamente as três situações.
CAPÍTULO 5. VALIDAÇÃO DO AMBIENTE E RESULTADOS OBTIDOS 41

Figura 5.2: Configuração do controle a nı́vel de blocos na rede Foundation Fieldbus.

Figura 5.3: Validação do controlador: Respostas a degraus e perturbação.

Já a Figura 5.4 mostra como se comportou o sinal de controle, também, para
as três situações. Pode-se notar que o sinal de controle saturou tanto nos degraus
como na perturbação.
A partir do exemplo descrito nesta seção, observa-se a versatilidade do ambi-
ente para: identificação da planta; projeto e validação de controladores; geração de
perturbações e variações de set-point; e projeto e configuração de redes industriais.
Deste modo, o ambiente permite ao engenheiro ter uma visão integrada do processo
de automação em redes industriais.
CAPÍTULO 5. VALIDAÇÃO DO AMBIENTE E RESULTADOS OBTIDOS 42

Figura 5.4: Comportamento do sinal de controle para as três situações de teste.

5.2 Controle de Nı́vel de Um Tanque Não-Linear

Para validar a proposta de uma rede de controladores PID escalonados por um


supervisor fuzzy utilizou-se uma planta não-linear, conforme descrita no Anexo B.

5.2.1 Projeto de Controladores PID

Para cada seguimento de seção cilı́ndrica do tanque, foi projetado um controlador


PI fixo, sabendo-se que o controlador PI é uma variação do controlador PID, ou seja,
a constante derivativa do controlador PID é zerada, proporcionando a variação PI.
Os controladores PI, como também na validação do ambiente, foram projetados
utilizando o software SINCON [18], que utiliza o método do Lugar das Raı́zes para
o projeto. Nas Equações 5.2 e 5.3 são mostrados os controladores PI obtidos, onde
E corresponde ao sinal de erro entre o set-point e o sinal de saı́da da planta.
Para a parte inferior do tanque:
 
U1 (s) 1
P I1 (s) = =1 1+ (5.2)
E(s) 10s

Para a parte superior do tanque:


 
U2 (s) 1
P I2 (s) = =4 1+ (5.3)
E(s) 40s
CAPÍTULO 5. VALIDAÇÃO DO AMBIENTE E RESULTADOS OBTIDOS 43

5.2.2 Projeto do Supervisor Fuzzy

Para a seção cônica do tanque, que apresenta uma dinâmica não-linear, empregou-
se uma estratégia de escalonamento de ganhos fuzzy soft, que pondera as ações de
controle geradas pelos controladores PI fixos projetados para as seções cilı́ndricas.
As funções de pertinências fuzzy que ponderam as ações dos controladores PI fixos
é apresentada na Figura 5.5. Assim, a ação de controle, a ser aplicada no processo,
é a média ponderada das ações de controle geradas pelos controladores PI fixos.

Figura 5.5: Funções de pertinência para o modelo não-linear do processo.

É importante ressaltar que a constante de tempo na parte cônica varia de forma


quadrática, bastando observar as constantes de tempo das partes cilı́ndricas (para
L1 = 10 segundos e para L3 = 40 segundos). Porém, não se levou em conta esta
caracterı́stica do sistema, lembrando que não é do interesse deste trabalho encontrar
as melhores funções de pertinência para este sistema. Considera-se, então, apenas
que o nı́vel médio na parte cônica assumiria o valor fuzzificado de 0.5, ou seja, a
atuação dos controladores PI seria de 50% para ambos e para as suas extremidades
(nı́vel máximo e mı́nimo na parte cônica) assumiriam valores 0 ou 1 dependendo da
função de pertinência.

5.2.3 Projeto em Diagrama de Blocos

Com os controladores e suas respectivas funções de pertinências, foi desenvolvido


o projeto de implementação na rede FF da estratégia da rede de controladores PI
escalonados por um supervisor fuzzy. Os sinais de controle destes controladores se
combinam através da função de pertinência modelada, calculando o sinal de controle
CAPÍTULO 5. VALIDAÇÃO DO AMBIENTE E RESULTADOS OBTIDOS 44

para a planta, conforme ilustra a Figura 5.7 .

Figura 5.6: Estrutura da rede de controladores com ponderação fuzzy.

A Figura 5.7 mostra o diagrama de blocos da rede de controladores projetada


para a planta descrita no Anexo B.

Figura 5.7: Diagrama de blocos FF da estratégia de controle com ponderação fuzzy.


CAPÍTULO 5. VALIDAÇÃO DO AMBIENTE E RESULTADOS OBTIDOS 45

5.2.4 Resultados

Para a validação da proposta, serão apresentados os resultados obtidos com a es-


tratégia proposta, comparando estes resultados com os obtidos com controladores PI
fixos projetados para cada seção cilı́ndrica. A seguir são apresentados os resultados
para resposta ao degrau de 60 e 80% do nı́vel, respectivamente.

Experimento 1: Degrau de 60% do nı́vel

Neste experimento, o sistema de controle só atua nas duas primeiras seções do
tanque.

Figura 5.8: Resposta ao degrau na região não-linear - Nı́vel (%) versus Tempo (s).

Conforme esperado a rede de controladores escalonados por um supervisor fuzzy


atuou melhor na região não linear que os controladores PI individualmente, conforme
mostra a Figura 5.8. O sinal de controle de cada controlador foi analisado e o sinal de
CAPÍTULO 5. VALIDAÇÃO DO AMBIENTE E RESULTADOS OBTIDOS 46

Figura 5.9: Sinais de controle na região não-linear - Sinal de controle (%) versus
Tempo (s).

controle da rede de controladores também se mostrou mais adequado, não havendo


saturação do sinal de controle (Figura 5.9), enquanto que o sinal de controle do PI2
saturou tanto no nı́vel máximo quanto no mı́nimo.

Experimento 2: Degrau de 80% do nı́vel

Para melhor ilustrar a eficácia da rede de controladores com supervisor fuzzy, foi
realizado outro teste com os controladores, desta vez um degrau de 80% do nı́vel
(Figura 5.10), de modo que o controle possa atuar nas três seções do tanque.
A resposta do sistema com o controlador PI2 foi similar à rede de controladores,
pois neste experimento o sistema opera em grande parte da região linear superior
(nı́vel do tanque entre 70 e 100%).
Desta forma, pode-se verificar que, como previsto, a abordagem fuzzy se com-
CAPÍTULO 5. VALIDAÇÃO DO AMBIENTE E RESULTADOS OBTIDOS 47

Figura 5.10: Resposta ao degrau passando pela região não-linear - Nı́vel (%) versus
Tempo (s).

porta como uma estratégia de controle linear quando o sistema está operando numa
região linear, utilizando-se na maior parte do tempo do controlador PI2 . Baseado na
mesma explicação, verifica-se que o controlador PI1 apresenta um comportamento
mais lento do que o apresentado no experimento anterior.
A Figura 5.10 apresenta os sinais de controle para as três estratégias de con-
trole, observa-se que o controlador PI2 gerou situações de saturação em seu sinal
de controle, algo que é indesejável na prática. Pode-se constatar que essa saturação
ocorreu antes do sistema alcançar a região linear superior, onde PI2 foi originalmente
projetado para operar.
Em ambos os experimentos a estratégia de controle baseado no escalonamento
de ganhos se mostrou melhor. Uma melhor sintonia dos controladores PID e das
funções de pertinências apresentaria melhores resultados do que os obtidos.
CAPÍTULO 5. VALIDAÇÃO DO AMBIENTE E RESULTADOS OBTIDOS 48

Figura 5.11: Sinais de controle da resposta ao degrau, onde o sistema passa pela
região não-linear - Sinal de Controle (%) versus Tempo (s).
Capı́tulo 6

Conclusão

O processo de automação vem em franco desenvolvimento, novas visões são cri-


adas e descobertas na busca do aprimoramento dos processos automáticos. Neste
contexto, este trabalho apresenta de forma inédita uma arquitetura de controle in-
teligente para redes industriais Foundation Fieldbus, aprimorando ainda mais as
grandes vantagens desta tecnologia e sem deixar escapar uma das principais vanta-
gens: a padronização.
A estratégia proposta contribuiu significativamente para o aspecto interdisci-
plinar desta pesquisa. Além da própria proposta se mostrar muito eficaz para o
projeto de estratégias de controle para plantas não-lineares, pode-se notar que a
criação do ambiente permiti o desenvolvimento e a análise de modelos que represen-
tam a dinâmica de inúmeros sistemas. Podem-se citar algumas etapas envolvidas,
que caracterizam este trabalho, com amadurecimento e utilização adequada de co-
nhecimentos em diversas áreas, tais como: aquisição de sinais, redes industriais,
modelagem e análise de sistemas dinâmicos, teoria matemática de sistemas, siste-
mas não lineares e teoria de controle e inteligência artificial, dentre outras.

6.1 Contribuições da Dissertação

6.1.1 Ambiente Hı́brido

Com o ambiente proposto, pode-se interargir com esses processos buscando uma
melhor adaptação dos controladores e redes industriais, além de testar algoritmos de

49
CAPÍTULO 6. CONCLUSÃO 50

segurança, injetando falhas ou ruı́dos. Este ambiente hı́brido pode ser uma etapa do
processo de implantação de automação em redes industriais: antes dos equipamentos
entrarem em funcionamento, pode-se validar o controlador e a estrutura da rede
industrial.
O ambiente hı́brido proposto foi concebido para atender testes e treinamentos em
redes industriais, porém a sua estrutura permite o desenvolvimento e implantação
de estratégias de controle mais avançadas, que serão alvos de estudos futuros. Em
termos de treinamento, o ambiente se mostra bastante flexı́vel para atividades de
configuração de redes industriais, bem como, para projetos e sintonias de controla-
dores industriais.

6.1.2 Rede de Controladores PID

A técnica de controle utilizando inteligência computacional - lógica fuzzy - mostra-


se bastante útil para controle de plantas não-lineares. A observação dos gráficos de
resposta da planta e seu respectivo sinal de controle mostram sua adequação para o
tratamento de problemas não-lineares. Além de ser uma técnica comprovadamente
eficaz, esse controle foi desenvolvido em termos de diagrama de blocos padrões em
redes industriais Foundation Fieldbus, ou seja, torna-se possı́vel empregar técnicas
de controle inteligente em redes industriais sem que estas percam a sua grande van-
tagem, a padronização.

6.2 Futuros Trabalhos

Quanto ao ambiente hı́brido, pretende-se num futuro próximo adicionar um sis-


tema de geração de falhas e ruı́dos e transferir essa tecnologia, hoje, desenvolvida
em um computador para uma tecnologia embarcada, utilizando-se de um micro-
controlador ou DSP (Digital Signal Processor ), minimizando ainda mais o hadware
utilizado. Posteriormente, pretende-se a implementação de outros modelos mais
complexos, do tipo multivariável, como uma coluna de destilação.
Quanto à rede de controladores, pretende-se desenvolver técnicas que propiciem
uma melhor sintonização das funções de pertinência do supervisor fuzzy, buscando a
melhor adequação destas, associando-se técnicas de redes neurais (sistemas Neuro-
CAPÍTULO 6. CONCLUSÃO 51

fuzzy). Posteriormente, com o desenvolvimento de outros modelos de plantas não-


lineares no ambiente hı́brido será possı́vel testar e desenvolver uma rede de controla-
dores com ações de controle acopladas, isto poderá apresentar ganhos significativos
em termos de desempenho em sistema multivariáveis.
Referências Bibliográficas

[1] L. A. Aguirre. Introdução a identificação de sistemas. Editora UFMG, segunda


edição edition, 2004.

[2] J. Berge. Fieldbus for Process Control: Engineering, Operation and Mainte-
nance. ISA - The Instrumentation, System and Automation Society, 2001.

[3] Elipse Software. Manual do usuário. Elipse Sotware Ltda, 2002.

[4] F. M. L. Filho, H. L. Gosmann, and A. Bauchspiess. Controle fuzzy para


sistema de nı́vel de lı́quidos. In Congresso Brasileiro de Automática, Natal -
RN, 2 a 5 de setembro 2002.

[5] Fieldbus Foundation. Norma Foundation Fieldbus (FF890, FF891 and FF892).
1.0 edition, 2003.

[6] R. A. Lopez. Sistemas de Redes para Controle e Automação. Book Express,


2000.

[7] A. L. Maitelli. Notas de Aula. UFRN, Atualizado em 2002.

[8] R. S. Mata. Interface hart/foundation fieldbus. In ISA Show South America,


page 19, São Paulo, SP, 11 a 14 de setembro 2000.

[9] National Instruments. LabView User Manual Technical Publications. National


Instruments Corporation, 1998.

[10] National Instruments. E Series Multifunction DAQ. National Instruments


Corporation, 2004.

[11] K. Ogata. Engenharia de Controle Moderno. Editora Prentice-Hall do Brasil,


3a edition, 1998.

52
REFERÊNCIAS BIBLIOGRÁFICAS 53

[12] J. C. R. Oliveira and J. B. S. Júnior. Tanques acoplados de água: Processo rico


para o ensino de controle. In Congresso Brasileiro de Automática, Florianópolis
- SC, 11 a 14 de setembro 2000.

[13] OPC Foundation. Opc foundation. Página Eletrônica, fevereiro Visitada em


2004.

[14] Quanser Coorporation. Coupled Water Tank Experiments. Quanser Coorpora-


tion, 1998.

[15] S. Sandri and C. Correa. Lógica Nebulosa. Escola de Redes Neurais, 1999.

[16] C. Seixas. Notas de Aula. UFMG, Atualizado em 2004.

[17] I. S. Shaw and M. G. Simões. Controle e Modelagem Fuzzy. FAPESP, 2001.

[18] G. A. Silva, A. L. Maitelli, and A. D. Araújo. Um ambiente para projeto de


controladores clássicos empregando técnicas de otimização. In Anais do XII
Congresso Brasileiro de Automática, pages 1911–1916, Uberlândia, MG, 1998.

[19] Texas Instruments. 4-20mA CURRENT LOOP TRANSMITTERS. Texas Ins-


truments, 2004.

[20] Texas Instruments. Precision 4mA to 20mA CURRENT LOOP RECEIVER.


Texas Instruments, 2004.

[21] R. C. Uberti, R. S. Santos, and A. Plucenio. Controle adaptativo utilizando


múltiplos modelos em uma rede fieldbus. In 2o Congresso Brasileiro de P&D
em Petróleo & Gás.
Apêndice A

Modelo Linear - Tanques


Acoplados

O modelo linear utilizado é de segunda ordem com duas entradas simulando uma
planta de nı́vel composta por dois tanques, como mostra a Figura A.1. O modelo
simulado foi desenvolvido em Linguagem G, compilador LabView. [9]

Válvula de Controle Válvula de Controle


u1 u2

y1
y2
Tanque 1 Tanque 2

Figura A.1: Modelo fı́sico linear simulado de tanques acoplados.

O modelo matemático, descrito em espaço de estados, utilizado para simular a


dinâmica da planta é o seguinte:

⎧ ⎡ −1 ⎤ ⎡ ⎤
⎪   1   1  

⎪ 0

⎪ L̇ ⎢ C R C R ⎥ L ⎢ ⎥ q1

⎨ L̇
1
= ⎣ 11 1 −(R 1 +1R ) ⎦ 1
+ ⎣ C1 1 ⎦ q2
2 1 2 L2 0
C2 (A.1)

⎪   
C2 R1

C2 R1 R2




⎪ y1 1 0 L1
⎩ =
y2 0 1 L2

onde:

54
APÊNDICE A. MODELO LINEAR - TANQUES ACOPLADOS 55

C1 : Capacitância do tanque 1;
C2 : Capacitância do tanque 2;
R1 : Resistência hidráulica da restrição;
R2 : Resistência hidráulica da restrição;
q1 : Vazão de entrada do tanque 1;
q2 : Vazão de entrada do tanque 2;
L1 : Nı́vel do tanque 1 (y1 );
L2 : Nı́vel do tanque 2 (y2 ).

Utilizou-se um tempo de simulação (TS ) de 100ms. O objetivo é: dada uma


vazão (u1) e/ou uma vazão (u2), atuar nas válvulas de modo a se controlar os nı́veis
L1 e/ou L2 nos tanques.
O modelo utilizado foi baseado nos parâmetros dos tanques acoplados da bancada
didática da Quanser [14], usando-se os seguintes valores:

C1 = 15, 51cm2 C2 = 15, 51cm2


R1 = 0, 7945s/cm2 R2 = 0, 7945s/cm2
L1máx = 50cm L2máx = 50cm
Apêndice B

Modelo Não-Linear - Tanque


Cônico

O modelo não-linear caracteriza a dinâmica de um tanque formado por dois


cilindros e uma parte cônica (Figura B.1).

Figura B.1: Modelo fı́sico não-linear simulado de um tanque

Neste trabalho, escolheu-se este tipo de planta, pois o controle de nı́vel é um dos
controles mais utilizados na indústria e no meio acadêmico [12] e este em particular
apresenta uma forma interessante de integrar dois sistemas (linear e não-linear) em
um único sistema.

56
APÊNDICE B. MODELO NÃO-LINEAR - TANQUE CÔNICO 57

Modelou-se matematicamente a função de transferência do tanque, descrita pela


Equação B.1. O sinal de saı́da é o nı́vel (m) e o sinal de entrada é a vazão de entrada
(m3 /s).

L(s) R
G(s) = = (B.1)
U (s) RCs + 1
Onde:

• R −→ Resistência do orifı́cio de saı́da;


• C −→ Capacitância do tanque (Área da secção);
• L −→ Nı́vel do tanque;
• U −→ Vazão de entrada.

Para a simulação das partes cilı́ndricas, partes lineares, utilizou-se dois modelos
matemáticos invariantes no tempo, alterando-se apenas os valores de C, conforme
caracterı́sticas posteriormente citadas. Para a simulação da parte cônica, parte não-
linear, o mesmo modelo foi utilizado, apenas tornando-o variante, onde C varia em
função do nı́vel (L) segundo a Equação B.2.

π
C(L) = ( ) · (3 · K 2 · L2 + 4 · rbase · K · L
3 (B.2)
+ 2 · h · K 2 · L + rbase + 2 · rbase · K · h)

Onde:

rtopo − rbase
K= (B.3)
0.4
rbase · 0.4
h= (B.4)
rtopo − rbase
O tanque simulado possui as seguintes caracterı́sticas:

Altura total = 1m; Resistência do orifı́cio de saı́da (R) = 80s/m2


Raio base (rbase ) = 0.2m Altura do cilindro inferior = 0.3m
Raio topo (rtopo ) = 0.4m Altura do cilindro superior = 0.3m

Você também pode gostar