Você está na página 1de 145

Universidade Federal do Espírito Santo

Centro Tecnológico

Departamento de Engenharia Elétrica

CONTROLE ADAPTATIVO

Prof. Antonio Augusto Rodrigues Coelho

Curso de Pós-Graduação Latu Sensu

Especialização em Instrumentação e Controle de Processos Industriais

VITÓRIA – ES – 2009
SUMÁRIO

Parte 1: Princípios em Sistemas de Controle

Parte 2: Princípios em Desempenho de Malhas de Controle

Parte 3: Princípios em Identificação Experimental

Parte 4: Princípios em Controle Adaptativo

Parte 5: Experiências em Controle Adaptativo com Empresa


1

Capítulo 1

PRINCÍPIOS EM SISTEMAS DE CONTROLE

_____________________________________________________________________
Introdução. Conceitos básicos em sistemas de controle. Elementos de um
sistema de controle. Objetivos, estratégias e implementação de um
controlador. Controlador PID. Configuração e variação do controlador
PID. Controle digital. Controle PID digital. Aplicação em um processo
trocador de calor. Aspectos práticos de implementação. Representação de
processos dinâmicos. Sintonia automática PID. Problemas. Bibliografia.
_____________________________________________________________________

1.1 INTRODUÇÃO

Um sistema de controle pode ser definido como um dispositivo onde uma quantidade
medida é utilizada para modificar o comportamento do sistema por meio de computação e
atuação. Uma visão moderna do papel do controle tem a realimentação como uma ferramenta
no gerenciamento de incertezas, sejam paramétricas, de condições de funcionamento, de
limites práticos ou advindas de alteração de sinais externos (ruído, perturbação). Justamente
esta visão, de sistemas de controle como uma maneira de conferir estabilidade e robustez,
explica o porquê do controle realimentado estar disseminado nas tecnologias do mundo
moderno. As contribuições na área de controle vêm de diferentes campos de conhecimento, tais
como: matemática, física, engenharias aeroespacial, química, mecânica e elétrica; economia,
biologia, etc. A grande interação em diferentes áreas justifica a importância que o controle tem
adquirido na história. Os desafios na engenharia de controle de processos estão associados a
interconexão, modelagem, dinâmica e incerteza (Murray et al., 2003).

Na área de controle de processos verifica-se que a maioria dos sistemas de controle


utilizada na indústria baseia-se em mecanismos clássicos de controle. Um exemplo é o
controlador Proporcional, Integral e Derivativo (denominado PID), ou de três termos, surgido
na década de 30 e que tem sido utilizado largamente no controle de diversos tipos de processos
com características físicas e propriedades distintas (indústrias eletromecânica e química).
Durante muito tempo os controladores PID foram sintetizados por dispositivos pneumáticos.
Com o advento dos semicondutores passaram para um hardware analógico. A evolução da
tecnologia digital permitiu, no início da década de 60, a implementação destes controladores
através de hardware digital direto. Com o aparecimento dos microprocessadores e
microcomputadores tornou-se economicamente viável a introdução no mercado industrial de
diversos controladores PID digitais e de sistemas de controle digital distribuído, cujo módulo
básico de controle é o controlador PID (Bobál et al., 2005; Gude et al., 2006).
2

O controlador PID está inserido na operação de processos industriais devido a


simplicidade, domínio público, baixo custo e ao fato de que quando sintonizado
adequadamente, normalmente proporciona um desempenho satisfatório, apesar das
características dinâmicas variadas dos processos controlados. O controlador PID é a estrutura
de controle mais comumente utilizada, onde 90% - 95% de todos os problemas de controle
podem ser resolvidos por este tipo de controlador. O controlador PID pode ser considerado o
“feijão com arroz” da engenharia de controle (Åström e Hägglund, 2005).

Este capítulo revisa alguns dos conceitos fundamentais associados a fascinante área de
Controle de Processos, particularmente em Princípios de Sistemas de Controle, com ênfase nas
características e configurações PID em sistemas dinâmicos de controle automático.

1.2 CONCEITOS BÁSICOS EM SISTEMAS DE CONTROLE

A seguir, apresentam-se algumas definições básicas na Engenharia de Controle de


Processos, tais como (Ogata, 2002):

• Sistema: combinação de componentes que agem em conjunto para alcançarem um


determinado objetivo (refinaria, indústria automobilística).
• Processo (planta): um sistema físico que movimenta e modifica a matéria prima em
produtos desejados quando suas condições operacionais são mantidas em níveis
específicos. Como exemplos têm-se os processos químicos, biológicos, elétricos, térmicos e
econômicos.
• Variável do processo: quantidade medida que indica as condições atuais do comportamento
dinâmico do processo (pressão, vazão, nível, temperatura, velocidade).
• Controlador de processos: dispositivo para medir a variável controlada, comparar a
medição com um valor desejado (referência ou setpoint) e agir sobre o sistema no sentido
de diminuir a diferença existente entre o desejado e o real.
• Malha aberta: sistema onde a saída não tem efeito na ação do controle, isto é, a saída não é
medida nem realimentada para comparação com a entrada.
• Malha fechada: sistema onde o sinal de saída do processo tem efeito direto na ação de
controle.
• Sistema de controle realimentado: conforme ilustra a figura (1.1), é um sistema em malha
fechada onde a saída do processo é comparada com a referência para se obter a diferença
(erro) que é utilizada como entrada no controlador.

Figura 1.1 – Diagrama clássico de uma malha de controle.

• Perturbação: é um sinal que tende a afetar adversamente a magnitude da saída de um


sistema.
• Problema de controle: deve-se obter uma estratégia de atuação sobre um sistema de modo
que se comporte de forma conveniente. A especificação do comportamento desejado pode
3

envolver conceitos de estabilidade, rejeição de perturbações, robustez a incertezas


paramétricas ou estruturais, dinâmica do sistema a entradas particulares, simplicidade de
implementação, custo, entre outras.

Os tipos de operação de malhas de controle com realimentação negativa são classificados


de acordo com o tipo de comportamento em:

• Servo: a variável controlada acompanha variações da referência. Neste caso não ocorrem
perturbações de carga e sim mudanças em degrau ou rampa no ponto operacional desejado.
• Regulatório: é a operação mais comum em processos industriais e visa manter a variável
controlada no valor nominal desejado apesar da presença de perturbações determinísticas
ou estocásticas.

1.3 ELEMENTOS DE UM SISTEMA DE CONTROLE

A figura (1.2) ilustra o diagrama de blocos de uma malha clássica de controle, onde Yr é
a referência, Y é a saída, E é o erro do sistema, U é o sinal de controle, N é a perturbação, G1 é
a função de transferência do controlador, G2 é a função de transferência do processo, G3 é a
função de transferência do sensor, G4 é a função de transferência da perturbação.

Figura 1.2 – Diagrama geral de uma malha de controle.

Observações:

¾ Composição do controlador ⇒ detector de erro (sinal de baixa potência) + amplificador.

¾ Como um exemplo ilustrativo de um sistema de controle considere a planta de nível da


figura (1.3). O controlador automático procura manter o nível real próximo ao nível
desejado, corrigindo qualquer erro dinâmico operando sobre a válvula (abertura ou
fechamento).
4

Figura 1.3 – Malha de controle de nível.

1.4 OBJETIVOS, ESTRATÉGIAS E IMPLEMENTAÇÃO DE UM CONTROLADOR

Um controlador automático compara o valor real da saída do processo com o valor


desejado; determina o desvio; e produz um sinal de controle que reduz o desvio a um valor
nulo ou pequeno. A maneira pela qual o controlador automático produz o sinal de controle é
denominada estratégia (ação) de controle (Hang, et al., 1993; Åström e Hägglund, 1995).

‰ Classificação dos Controladores Industriais

• Pela concepção de controle: on-off (liga-desliga ou duas posições); Proporcional (P);


Proporcional + Integral (PI); Proporcional + Integral + Derivativo (PID).
• Pelo tipo de potência empregada: pneumático; hidráulico; eletrônico (analógico, digital).
‰ Características Operacionais dos Controladores Industriais

• Utilizam a eletricidade ou fluido pressurizado, tal como óleo ou ar, como fontes de potência.
• Aplicação: (i) dependente da: natureza do processo e das condições de operação, (ii)
visando garantir: segurança, custo, precisão, disponibilidade, peso, confiabilidade, tamanho.

‰ Sistema de Controle Industrial

• Um sistema de controle automático consiste basicamente dos seguintes componentes:

ƒ Controlador industrial (Yokogawa-Modelo YS170, Novus-Modelo 1100).


ƒ Atuador (motor, válvula, bomba hidráulica, resistência elétrica).
ƒ Planta ou processo (trocador de calor, laminador, reator, estufa, robô).
ƒ Sensor ou medição (potenciômetro, termopar, tacômetro, strain gage).

Observações:

¾ O entendimento das características básicas das diferentes ações de controle é necessário


para que os operadores de planta ou engenheiros de controle selecionem a mais adequada
para uma aplicação particular.

¾ Os controladores analógicos utilizam sinais contínuos no tempo. A variável do processo é


medida através de um sensor que converte a grandeza física, em geral, em um sinal elétrico,
pneumático ou mecânico. Este sinal é comparado com uma referência de mesma grandeza.
5

A diferença entre os dois sinais é então aplicada ao controlador que nada mais é do que um
sistema elétrico, pneumático ou mecânico para gerar um sinal contínuo a ser aplicado na
entrada do processo controlado.

¾ Um controlador analógico pode ser visto também como um filtro analógico. Assim, por
exemplo, o filtro pode ser realizado sob a forma de um circuito eletrônico (amplificador
operacional ⎯ AMPOP, resistor, capacitor) cuja característica entrada-saída corresponde a
síntese que o controlador deve apresentar para satisfazer certas especificações de malha e de
controle. A figura (1.4) mostra o esquemático eletrônico do filtro que implementa um
controlador PI analógico.

Figura 1.4 – Implementação do controlador PI via ampop.

1.5 CONTROLADOR PID

O controlador PID ó o tipo de controlador mais utilizado em aplicações industriais. Esta


predominância deve-se basicamente a: i) uma grande quantidade de processos industriais,
principalmente os de origem térmica e química, com dinâmica que pode ser representada por
modelos de primeira ordem ou segunda ordem; ii) a ação integral do controlador PID garante
ao sistema em malha fechada erro nulo em regime, para referências ou perturbações constantes
(dinâmica de regime); iii) a ação derivativa do PID tem característica preditiva, importante
para corrigir oscilações na variável controlada (dinâmica transitória); iv) as três parcelas
podem ser combinadas para terem ações de controle mais efetivas sobre o processo, isto é, PI
ou PID.

Em geral, pode-se dizer que para processos com dinâmicas bem comportadas e
especificações menos severas de desempenho, o controlador PID é uma solução adequada,
proporcionando simplicidade e bom comportamento em malha fechada. Entretanto, deve-se
destacar que o controlador PID não pode ser aplicado de forma indiscriminada para qualquer
tipo de planta. Existem situações onde o controlador PID não garante uma dinâmica de malha
estável (solução satisfatória), sendo neste caso, necessário utilizar técnicas de controle mais
elaboradas/sofisticadas, por exemplo, algoritmos de controle adaptativo, nebuloso ou preditivo.

A figura (1.5) representa a estrutura básica de um sistema PID realimentado (malha de


controle clássica), onde yr(t) é a referência, Gc representa o controlador, u(t) é a ação de
controle, Gp representa o processo e y(t) é a saída do sistema.

Figura 1.5 – Malha de controle de processos.


6

Com os parâmetros representados por constantes de tempo, a lei de controle do


controlador PID é calculada por

⎧ 1
t
de( t ) ⎫
u ( t ) = K c ⎨e( t ) + ∫ e( t )d( t ) + Td ⎬ (1.1)
⎩ Ti 0 d(t ) ⎭

onde Kc é o ganho proporcional (muitos instrumentos manufaturados usam banda proporcional


— Proportional Band (PB) — em vez de Kc), Ti corresponde a constante de tempo integral e Td
é a constante de tempo derivativa.

Observações:

¾ O controlador proporcional é um tipo de controle instantâneo e sem memória, isto é, o valor


atual depende apenas do valor instantâneo do erro. Muitas vezes, os processos simples (de
baixa complexidade) podem ser controlados satisfatoriamente apenas com a ação
proporcional. O controlador proporcional reduz o erro do sistema (referência menos a saída)
mas não elimina, a menos que o processo apresente um integrador na malha direta, isto é,
um offset geralmente existe.

¾ A principal função da ação integral é garantir em processos sem integradores na malha


aberta erro nulo em regime permanente. Entretanto, a ação integral se aplicada isoladamente
tende a piorar a estabilidade relativa do sistema controlado. Assim, a ação integral é, em
geral, utilizada em conjunto com a ação proporcional constituindo-se o controlador PI.

¾ O controle PI é bastante utilizado na indústria já que permite resolver satisfatoriamente um


grande número de casos (sistemas que apresentam uma resposta em malha aberta dominante
de primeira ordem). Entretanto, quando o processo apresenta uma dinâmica de ordem
elevada ou tem atraso de transporte, faz-se necessário a utilização de mais um parâmetro no
controlador. Neste caso é apropriado utilizar também a ação derivativa para compor a
estratégia de controle PID.

¾ A ação derivativa é aquela na qual a saída do controlador é diretamente proporcional à taxa


de variação do erro. Algumas características da ação derivativa são: i) corrigir a resposta
transitória do sistema; ii) no caso de erro nulo ou constante a saída do controlador não
apresenta nenhuma variação; iii) não é utilizada de forma isolada; iv) amplifica ruído; v)
possui a vantagem de ser antecipatória.

¾ Dependendo da dinâmica do processo o sinal de controle pode estar em atraso para corrigir
o erro (a saída da planta apresenta certa inércia em relação às modificações da variável de
controle). Este fato é responsável por transitórios de grande amplitude e período de
oscilação, podendo, em casos extremos, gerar respostas instáveis. A ação derivativa quando
combinada com a ação proporcional tem justamente a função de antecipar a ação de
controle a fim de que o processo reaja mais rápido. Neste caso, o sinal de controle a ser
aplicado é proporcional a uma predição da saída do processo.

¾ Se o modelo matemático do processo pode ser obtido, então é possível aplicar diferentes
técnicas de projeto para determinar analiticamente os ganhos do controlador que
estabelecem as especificações do sistema em malha fechada (transitório e regime).
Entretanto, se o projeto é complexo (modelo matemático não pode ser obtido facilmente),
então o procedimento analítico para projeto do controlador PID não é possível. Assim,
7

utilizam-se procedimentos experimentais (empíricos ou adaptativos) para o projeto do


controlador PID.

¾ O procedimento de seleção dos ganhos do controlador para satisfazer determinadas


especificações de desempenho ou estabilidade é conhecido como sintonia (tuning) do
controlador.

¾ A literatura de Controle de Processos apresenta diversas técnicas empíricas e analíticas para


sintonização dos ganhos do controlador PID. Entretanto, a grande maioria dos controladores
PID industriais incorpora recursos de auto-tune. Isto quer dizer que o controlador realiza um
ensaio na planta controlada e, a seguir, calibra um conjunto de parâmetros de sintonia do
PID.

1.6 CONFIGURAÇÃO E VARIAÇÃO DO CONTROLADOR PID

As estruturas de implementação do PID podem ser classificadas: i) pelo tipo de interação


entre as ações P, I, D, ii) pela distribuição das ações P e D na malha de controle.

1.6.1 TIPOS DE CONTROLADOR PID

No primeiro grupo encontra-se a estrutura ideal ou interativa, depois a série ou não-


interativa e, finalmente, a forma paralela. A figura (1.6) ilustra as três implementações
alternativas para representar o controlador PID.

Entre as estruturas do controlador PID as duas mais utilizadas são a ideal e a série. Uma
descrição detalhada sobre estas estruturas pode ser encontrada em Åström e Hägglund (1995).
Apesar de, funcionalmente a estrutura ideal ser a mais geral dentre as duas, a estrutura série
atingiu grande grau de utilização na era analógica pneumática devido ao menor custo de
implementação (exige menos amplificador, o qual representavam alto custo a algumas décadas
atrás). Também, mesmo após a era da digitalização, os fabricantes ainda mantêm as estruturas
originais e patenteadas, devido ao grau de familiarização que os usuários já possuem na base
instalada. Recentemente, a estrutura ideal tem sido cada vez mais utilizada em sistemas de
controle modernos (Tan et al., 2001). A estrutura série é denominada de interativa pois o ajuste
da parcela derivativa afeta a parcela integral. A forma paralela é a mais geral, porém seus
parâmetros não têm interpretação física.
8

Figura 1.6 – Estruturas PID: (a) ideal; (b) série; (c) paralela.

Nos controladores comerciais (PID industriais) a informação da estrutura, apesar de


imprescindível, não é sempre fornecida pelo fabricante. A tabela (1.1) apresenta diversos
controladores PID industriais manufaturados e as correspondentes estruturas implementadas.

Tabela 1.1 – Estruturas de controladores PID industriais.


Descrição do Controlador Tipo de Algoritmo
ABB ECA40 e ECA400 série – paralela
Allen Bradley PLC 5 ideal – paralela
Bailey Net 90 série – paralela
Fisher Controls (Provox, DPR900 e DCI) série
9

Foxboro Model 761 série


Honeywell TDC série
Moore Products Type 352 série
Novus N1100 e N2000 ideal
Smar CD600 ideal – paralela
Taylor Mod 30 série
Toshiba TOSDIC 200 série
Turnbull TCS 6000 série
Yokogawa SLPC ideal

Observações:

¾ Quando se deseja ajustar os parâmetros do PID é fundamental conhecer qual a estrutura do


controlador e quais são os parâmetros denominados tempo integral e tempo derivativo. Se a
estrutura não é conhecida o ajuste torna-se complexo.

¾ Se um controlador implementado em certa malha de controle é substituído por outro tipo de


controlador, então os parâmetros de sintonia devem ser modificados. Um controlador PID
ideal pode sempre ser representado como um controlador PID série, cujos parâmetros são
calculados por

T̂i + T̂d T̂i T̂d


K c = K̂ c , Ti = T̂i + T̂d , Td = ;
T̂i T̂i + T̂d

¾ As formas não-interativa e interativa são diferentes quando ambas partes I e D do


controlador são utilizadas. Caso se implemente o controlador somente com as estruturas P,
PI ou PD, então as formas ideal e série são equivalentes.

1.6.2 IMPLEMENTAÇÃO DA AÇÃO DERIVATIVA NO PID

Do ponto de vista prático, a ação derivativa não pode ser implementada na forma ideal
(observa-se que o modelo do controlador é não-causal), mas com um filtro passa-baixa que
limita as componentes de alta freqüência e ajuda a filtrar os possíveis ruídos de alta freqüência.
Assim, a parcela derivativa, representada por ud(t), pode ser reescrita como

de( t ) du ( t ) de( t ) T du ( t ) de( t )


u d ( t ) = K c Td ⇒ Tf d + u d ( t ) = K c Td ⇒ d d + u d ( t ) = K c Td
d( t ) dt d( t ) N dt d( t )

onde Tf é a constante de tempo do filtro. Na maioria dos controladores Tf é definido


proporcionalmente a Td e N, onde N é um número selecionado pelo operador, normalmente
entre 3 e 20. Assim, em alguns casos Tf é utilizado como um novo (quarto) parâmetro de ajuste
do controlador PID. A tabela (1.2) apresenta diversos produtos manufaturados de controladores
PID industriais em função da seleção de N.

Tabela 1.2 – Valores de N em controladores PID industriais.


Descrição do Controlador N
ABB ECA40 e ECA400 8
Bailey Net 90 10
Fisher Controls (Provox, DPR) 8
10

Foxboro Model 761 10


Honeywell TDC 8
Moore Products Type 352 1 – 30
Taylor Mod 30 17 – 20
Toshiba TOSDIC 200 3.3 – 10
Yokogawa SLPC 10

A utilização de um filtro na parcela derivativa do controlador PID é desejável para um


sistema com elevado nível de ruído. A grande maioria dos ruídos encontra-se em elevadas
freqüências, justamente onde o ganho da parcela derivativa tende a infinito, podendo causar
instabilidade no sistema. É razoável selecionar o valor da freqüência de corte do filtro 10 vezes
superior a freqüência mais relevante no processo. Escolhendo-se corretamente o valor do filtro,
não se faz necessário levá-lo em consideração na sintonia do controlador PID (Cheng, 2006).

1.6.3 DIVISÃO DAS AÇÕES DE CONTROLE PID

Tanto a ação proporcional como a derivativa do controlador PID pode gerar, de forma
instantânea, grandes amplitudes no sinal de controle, u(t), quando o erro, e(t), varia
bruscamente, o que normalmente acontece quando há mudanças no sinal de referência do
sistema, yr(t). Para evitar este comportamento, pois satura o controle ou produz respostas com
pico elevado quando se modifica a referência, alguns controladores industriais apresentam dois
parâmetros adicionais de ajuste para ponderar o erro de seguimento nas ações proporcional e
derivativa do controlador.

A divisão das ações de controle pode ser aplicada para quaisquer das estruturas avaliadas,
ideal, série ou paralela, porém, por questão de simplificação utiliza-se somente a configuração
ideal do PID. Ao dividir as ações do controlador entre os sinais da saída e do erro, a equação
do controlador pode ser rescrita como

⎧ 1
t
d[βy r (t) − y(t)] ⎫
u(t) = K c ⎨αy r (t) − y(t) + ∫ e(t)dt + Td ⎬ (1.2)
⎩ Ti 0 dt ⎭

onde α (0 ≤ α ≤ 1) é o fator de ponderação da ação P e β (0 ≤ β ≤ 1) é o fator de ponderação da


ação D. Se α = 1 e β = 1 tem-se o controlador PID ideal e com α = 0 e β = 0 as ações P e D
estão somente na realimentação. Assim, selecionando-se adequadamente os valores de α e β no
intervalo (0 – 1) o controlador PID proporciona uma dinâmica otimizada em termos da
magnitude do esforço de controle e da rapidez de resposta. Na tabela (1.3) e figura (1.7) têm-se
as formas de implementação do controlador PID segundo as estruturas PI+D e I+PD. Estas
estruturas de malha são adequadas para evitar variações abruptas no sinal de controle (ringing).

Tabela 1.3 – Diferentes implementações do controle PID.


Controlador α β
PID 1 1
PI+D 1 0
I+PD 0 0
11

Figura 1.7 – Esquemáticos de implementação PI+D e I+PD.

A tabela (1.4) apresenta diversos produtos manufaturados de controladores PID


industriais com seus respectivos valores de α e β.

Tabela 1.4 – Sintonia α e β em controladores PID industriais.


Descrição do Controlador α β
ABB ECA40 e ECA400 0 0
Allen Bradley PLC 5 1 1
Bailey Net 90 0 ou 1 0 ou 1
Fisher Controls Provox 1 0
Fisher Controls DPR 900 e 910 0 0
Fisher Porter DCI 1 0 ou 1
Foxboro Model 761 1 0
Honeywell TDC 1 1
Moore Products Type 352 1 0
Taylor Mod 30 0 ou 1 0
Toshiba TOSDIC 200 1 1
Turnbull TCS 6000 1 1
Yokogawa SLPC 0 ou 1 0 ou 1

Observação:

¾ O controlador CD600 da Smar oferece uma gama variada de implementação de algoritmos


de controle tendo como base os modos P, I, D. As configurações de controle utilizadas
podem ser do tipo ideal ou paralelo e dotados dos ajustes de anti-windup e/ou bumpless. As
possibilidades de esquemáticos para implementação do controlador são PID, PI+D, I+PD.
12

1.7 CONTROLE DIGITAL

Denomina-se Controle Digital o controle por meio de um computador digital. Um nome


alternativo é controle numérico. Os computadores digitais são atualmente excelentes
instrumentos para ligar sistemas de controle de processos dinâmicos, porque podem executar
com flexibilidade e rapidez o cálculo das ações requeridas para regulação ou para servo-
comando, mesmo que resultantes das várias teorias desenvolvidas nas últimas décadas
(controle ótimo, adaptativo, preditivo). Além disto, podem facilmente armazenar na memória
programas para situações start-up, shut-down e as regras para alarmes e proteções
operacionais. Se, numa primeira fase da evolução dos computadores, o custo era um empecilho
para o uso generalizado, na última década esse problema foi inteiramente eliminado, devido
aos microcomputadores, aos microcontroladores e aos denominados controladores lógicos
programáveis com capacidade de realizar controladores a realimentação.

Um controlador digital opera com sinais numéricos (digitais) e é fisicamente


implementado como uma rotina ou programa a ser executado sobre um microprocessador ou
microcontrolador. Conforme ilustra a figura (1.8), um controle digital de um processo envolve
o que se denomina malha de controle digital. O sinal de saída ou erro é amostrado
periodicamente para um período de amostragem.

Figura 1.8 – Malha de controle digital.

O sinal contínuo passa por um conversor analógico/digital, A/D, onde é quantizado e


transformado em um sinal numérico (palavra de n bits). Este sinal é lido por um
microprocessador (ou microcontrolador) que vai realizar as operações numéricas com este sinal
e gerar outra palavra de n bits correspondente à ação de controle que deve ser aplicada na
planta no próximo período de amostragem. Este sinal numérico é, então, convertido novamente
em um sinal analógico por um conversor digital/analógico, D/A, que disponibiliza, no próximo
clock de amostragem, um sinal constante de tensão. Desta forma, entre dois períodos de
amostragem, o sinal efetivamente aplicado na planta é um sinal contínuo de amplitude fixa.
13

Figura 1.9 – Sinais básicos em controle digital.

1.8 CONTROLADOR PID DIGITAL

Um elemento importante no controle digital é a amostragem dos sinais, tanto de entrada


quanto de saída do sistema. Uma revisão sobre o tema pode ser encontrada em Coelho e
Coelho (2004) e Bobál et al. (2005). A seleção do período de amostragem, Ts, deve satisfazer o
teorema de Shannon, deve ser adequada a capacidade de processamento do controlador e deve
ser adequada ao nível de ruído da planta. O intervalo de amostragem deve também ser
adequado a dinâmica da planta controlada e as propriedades do atuador (Popescu et al., 2000;
Bobál et al., 2005).

Se a relação Td Ts é grande, o controlador reage muito mais ao ruído causando pulsos


(degraus na saída do controlador). Devido a precisão dos conversores analógicos/digitais e
digitais/analógicos (nível de quantização), caso a relação Ts Ti seja muito pequena, pode
ocorrer um erro permanente no controlador resultado da perda de precisão nas operações de
arredondamento, conversões e computação (Bobál et al., 2005). Se o período de amostragem é
pequeno comparado com a dinâmica do sistema, medições adjacentes podem apresentar
pequena diferença. Neste caso, erros de medição influenciam significativamente nos resultados
do experimento. Teoricamente deve-se selecionar uma freqüência de amostragem ao menos
duas vezes superior a freqüência natural da malha de controle. Na prática, recomenda-se adotar
uma freqüência de amostragem da ordem 10 vezes superior a freqüência natural da malha de
controle (Hang et al., 1993; Johnson e Moradi, 2005).

A lei de controle PID digital pode ser implementada fazendo-se aproximações numéricas
para as parcelas integral e derivativa que aparecem na lei de controle PID analógica. Desta
forma, é possível escrever cada ação de controle por uma equação de recorrência. As equações
de recorrência descrevem as operações matemáticas a serem programadas no microcontrolador
14

ou no microcomputador (equação a diferenças), onde é implementado o PID digital.


Considerando um período de amostragem convenientemente selecionado, então o sinal de
controle é atualizado apenas nos instantes de tempo t = kTs = k, ou simplificadamente denota-
se a saída da planta, o sinal de referência, o sinal de controle e o erro no instantes t = k,
respectivamente, como y(k), yr(k), u(k), e(k).

No domínio discreto, a lei de controle PID ideal, na forma posicional, tem a seguinte
estrutua:

⎛ T k
T ⎞
u(k) = K c ⎜ e(k) + s ∑ e(i) + T ( e(k) − e(k − 1) ) ⎟
d
(1.3)
⎝ Ti i =1 s ⎠

Considerando uma amostra anterior na lei de controle da equação (1.3) tem-se

⎛ T k −1
T ⎞
u(k − 1) = K c ⎜ e(k − 1) + s ∑ e(i) + T ( e(k − 1) − e(k − 2) ) ⎟
d
(1.4)
⎝ Ti i =1 s ⎠

Fazendo a diferença das equações (1.3) e (1.4), a lei de controle PID incemetal do sinal
de controle ∆u(k) é calculado por

⎛ T T ⎞ ⎛ T ⎞ ⎛ Td ⎞
Δu(k) = K c ⎜ 1 + s + d ⎟ e(k) − Kc ⎜1 + 2 d ⎟ e(k − 1) + Kc ⎜ ⎟ e(k − 2) (1.5)
⎝ Ti Ts ⎠ ⎝ Ts ⎠ ⎝ Ts ⎠

A equação (1.5) utiliza o método conhecido como BRM (Back Rectangular Method) para
implementação do controlador PID digital. O método BRM não é o único método de
discretização, também existem outros métodos, como o FRM (Forward Rectangular Method) e
o TRAP (Trapezoidal Method). Estes métodos diferenciam-se pela forma em que é aproximada
a componente integral do controlador PID (Bobál et al., 2005). O método FRM aproxima a
componente integral pela relação
t k −1

∫ e(t)dt ≈ Ts ∑ e(i)
0 i =0
(1.6)

e conduz a seguinte lei de controle PID:

⎡ T ⎤ ⎡ T T ⎤ T
Δu (k ) = ⎢K c + K c d ⎥ e(k ) + ⎢K c s − 2K c d − K c ⎥ e(k − 1) + K c d e(k − 2) (1.7)
⎣ Ts ⎦ ⎣ Ti Ts ⎦ Ts

enquanto que o método TRAP utiliza a aproximação trapezoidal da componente integral, ou


seja,

e(i) + e(i − 1)
t k

∫ e(t)dt ≈ Ts ∑
0 i =1 2
(1.8)

sendo o controle PID calculado pela expressão


15

⎡ T T ⎤ ⎡ T T ⎤ T
Δu (k ) = K c ⎢1 + s + d ⎥ e(k ) − K c ⎢1 + 2 d − s ⎥ e(k − 1) + K c d e(k − 2) (1.9)
⎣ 2Ti Ts ⎦ ⎣ Ts 2Ti ⎦ Ts

O correspondente código em Matlab do controlador PID, para uma atividade em tempo


real em uma malha de controle, está mostrado na tabela (1.5).

Tabela 1.5 – Matlab do algoritmo de controle PID incremental.


% Inicialização
nit = 100; ts = 0.5;umax = 5;umin = 0;
y(1:2) = 0; u(1:2) = 0; erro(1:2) = 0;
yr(1:nit) = 2;
% Parâmetros do controlador
kc = 0.1; ti = 0.5; td = 0.1;
q0 = kc*(1+td/ts);q1 = –kc*(1+2*td/ts–ts/ti);q2 = kc*td/ts;
for k = 3:nit
% Recebe medição – placa A/D
y(k)=recebe_m(0); erro(k) = yr(k)–y(k);
% Calcula lei de controle
u(k) = u(k-1)+q0*erro(k)+q1*erro(k-1)+q2*erro(k-2);
% Saturação
if u(k) >= umax u(k) = umax;
elseif
u(k) <= umin u(k) = umin;
end
% Envia controle – placa D/A
envia_m(0,u(k));
atraso_ms(1000*ts);
end
envia_m(0,0);
k = 1:nit;
plot(k,y(k),k,yr(k));

A tabela (1.6) apresenta diversos produtos manufaturados de controladores PID digitais


industriais nas estruturas posicional e incremental.

Tabela 1.6 – Síntese posicional e incremental em controladores PID industriais.


Descrição do Controlador Implementação
ABB ECA40 e ECA400 posicional
Allen Bradley PLC 5 posicional e incremental
Bailey Net 90 posicional
Fisher Controls DPR 900 e 910 incremental
Fisher Porter DCI posicional
Foxboro Model 761 posicional
GE Fanuc incremental
Honeywell TDC incremental
Moore Products Type 352 incremental
Toshiba TOSDIC 200 incremental
Turnbull TCS 6000 posicional
Yokogawa SLPC incremental
16

No controlador PID obtido pela discretização direta da equação diferencial, as partes


proporcional e derivativa aparecem multiplicadas por e(k). Variações bruscas na referência,
yr(k), influenciam diretamente em e(k) que varia instantaneamente, ou seja,

e(k) = yr(k) – y(k)

Assim, os termos do controlador P e D geram ações de controle

u(k) = up(k) + ui(k) + ud(k)

que podem ser excessivas e comprometerem a operação do atuador que atua no processo. Para
evitar picos excessivos no controlador, considere as seguintes entradas no sinal de controle
PID: i) termo I: e(k) = yr(k) – y(k), ii) termos P e D: e(k) = – y(k). Com estas modificações é
possível reescrever a seguinte lei de controle PID digital com a aproximação BRM para a
parcela integral (denominada I+PD digital incremental):

⎧ T T ⎫
Δu (k ) = K c ⎨− y(k ) + y(k − 1) + s e(k − 1) + d [− y(k ) + 2 y(k − 1) − y(k − 2)]⎬ (1.10)
⎩ Ti Ts ⎭

Caso o comportamento dinâmico do processo controlado não represente as condições de


projeto, então, os ganhos do controlador (parâmetros de sintonia) devem ser modificados para
satisfazer as especificações impostas pelo operador (sobre-elevação, tempo de estabilização,
tempo de subida e erro em regime permanente).

1.8.1 APLICAÇÃO EM UM PROCESSO TROCADOR DE CALOR

Toda vez que a experimentação num processo real apresenta restrições de ordem
operacional, econômico-financeira ou de segurança, a realização de estudos de simulação a
partir de um modelo do processo é fundamental seja com o objetivo de treinamento, projeto ou
predição de resultados práticos.

Considere o sistema que representa um trocador de calor, conforme descrito em Al-


Duwaish e Naeem (2001), que consiste de uma parcela linear representada pela equação (1.11),
e uma não-linearidade estática representada pela equação (1.12). A entrada do processo
corresponde a variação da vazão do fluido na entrada do processo enquanto que a saída
equivale a variação da temperatura de saída do fluido considerando uma vazão de vapor
constante (figura 1.10).

y(t) = 1.608y(t − 1) − 0.6385y(t − 2) − 6.5306x(t − 1) + 5.5652x(t − 2) (1.11)

x(t) = u(t) − 1.3228u 2 (t) + 0.7671u 3 (t) − 2.1755u 4 (t) (1.12)


17

Figura 1.10 – Representação de um trocador de calor casco-tubo.

onde x(t) é a não-linearidade estática, u(t) é a taxa de fluxo do processo e y(t) é a temperatura
de saída do processo. A entrada do processo é limitada na faixa de [0 1]. O estudo de simulação
numérica avalia o desempenho do controlador PID na estrutura I+PD digital, equação (1.10),
para o seguimento de referência e o objetivo de controle é manter a saída do processo o mais
próximo possível da referência.

Para a análise do comportamento servo a referência é alterada da seguinte forma: yr(k) =


15 para 1 ≤ k ≤ 200, yr(k) = 30 para 201 ≤ k ≤ 400, yr(k) = 10 para 401 ≤ k ≤ 600 e yr(k) = 40
para 601 ≤ k ≤ 800. Os parâmetros de sintonia para os controladores PID são Kc = 0.005, Ti =
10, Td = 2.5 com período de amostragem de 1 seg.

saída e referência
60

40

20

-20
0 100 200 300 400 500 600 700 800
amostra
entrada
1

0.5

0
0 100 200 300 400 500 600 700 800
amostra

Figura 1.11 – Dinâmica do trocador de calor com o controle PID.

Os resultados de simulação mostrados na figura (1.11) indicam que o comportamento


servo do trocador de calor com o algoritmo PID digital é adequado, com pequena energia de
controle e erro nulo em regime permanente. A tabela (1.7) apresenta o código em Matlab da
implementação do controlador PID no processo trocador de calor.
18

Tabela 1.7 – Matlab do algoritmo do controlador PID


clear all, close all, clc
% ----- Condições iniciais
niter = 800;y(1:3) = 0;u(1:3) = 0;e(1:3) = 0;x(1:3) = 0;ts = 1;
% ----- Referência
yr(1:200) = 15;yr(201:400) = 30;yr(401:600) = 10;yr(601:800) = 40;
% ----- Parâmetros do controlador
kc = 0.005;ti = 10;td = 2.5;
% ----- Simulação
for k = 3:niter
% ----- Processo: parte linear
y(k) = 1.608*y(k-1) - 0.6385*y(k-2) - 6.5306*x(k-1) + 5.5652*x(k-2);
e(k) = yr(k) - y(k);
% ----- Controlador
u(k) = u(k-1) + kc*(-y(k) + y(k-1)) + (kc*ts/ti)*e(k-1) + (kc*td/ts)*(-y(k) +
2*y(k-1) - y(k-2));
% ----- Processo: parte não-linear
x(k) = u(k) - 1.3228*u(k)^2 + 0.7671*u(k)^3 - 2.1755*u(k)^4;
end
% ----- Resultados
t = 1:niter;
subplot(211),plot(t,y(t),t,yr(t)),title('saída e referência'),xlabel('amostra');
subplot(212),plot(t,u(t)),title('entrada'),xlabel('amostra');

1.9 ASPECTOS PRÁTICOS DE IMPLEMENTAÇÃO

O controlador PID necessita de algumas funções adicionais além da própria lei de


controle apresentada na equação (1.1) a fim de possibilitar sua aplicação prática (Åström e
Hägglund, 1995; Åström e Hägglund, 2005; Bobál et al., 2005):

• Modo de operação manual/automático: possibilidade de desabilitar o algoritmo PID,


forçando uma ação de controle.
• Transferência “suave” dos modos de operação (bumpless transfer): as transferências do
modo de operação manual -> automático e vice-versa não devem ser abruptas. A ação de
controle em automático deve partir do último valor considerado para o modo manual e vice-
versa.
• Limites máximos e mínimos para ação de controle: a ação de controle, quase que na
totalidade das aplicações, deve ser limitada e deve estar em uniformidade com a
instrumentação utilizada.
• Saturação da ação integral (wind-up): atingidos os limites de atuação do sinal de controle, a
ação integral do controlador deve ser “congelada”. Deve-se evitar o fenômeno no qual uma
alteração do sinal de erro na realimentação não seja imediatamente repassada a ação de
controle. A ação integral deve ser “descarregada” imediatamente após o erro trocar de sinal.
• Alteração “suave” de parâmetros do controlador: uma alteração dos ganhos Kc, Ti e Td
pode causar alterações abruptas na ação de controle caso o algoritmo de controle não esteja
implementado em sua forma incremental, conforme equação (1.5).
• Alteração do tipo de atuação direta ou reversa: quando o erro de realimentação é positivo,
ocorre ação do controlador no sentido de aumentar a ação de controle, atuação esta
denominada “reversa”. Entretanto alguns processos, tal como o controle de temperatura
19

utilizando como agente a água fria, devem ter ação direta, ou seja, uma diminuição na saída
do processo deve acarretar uma diminuição da ação de controle.

1.10 REPRESENTAÇÃO DE PROCESSOS DINÂMICOS

A indústria tem mostrado interesse em adquirir autonomia nos processos que constituem
sua planta de produção. Os requisitos de desempenho e a complexidade dos processos são cada
vez maiores. A modelagem experimental tem papel fundamental e assume que o processo é
desconhecido e os dados de entrada e saída são processados para obtenção de um modelo da
planta. Não é necessário conhecimento profundo do processo, o que facilita a resolução de
problemas de controle de processos (Coelho e Coelho, 2004). Dentre as técnicas de modelagem
experimental, a mais conhecida é o teste de resposta ao degrau. Outras técnicas de destaque são
as modelagens auto-tuning e self-tuning.

Modelos matemáticos bastante utilizados para representar diferentes tipos de processos


industriais são caracterizados por: primeira ordem com atraso de transporte, segunda ordem
com atraso de transporte, integradoras com atraso de transporte. Estes tipos de modelos tratam
tipos de processos comumente encontrados em vários aplicativos, isto é,

• Máquinas de papel, laminadores de chapa de aço e caldeiras geradoras de vapor são


processos industriais típicos com atraso de transporte, respectivamente, para controle de
gramatura da folha de papel, da espessura da chapa de aço e temperatura do vapor.
• Reatores químicos podem apresentar reações exotérmicas quando são utilizados
catalisadores, o que caracteriza um processo integrador. Reatores são também aplicações
típicas com troca de calor para aquecimento e resfriamento.

O modelo de primeira ordem com atraso de transporte, denominado FOPDT – First-


Order-Plus-Dead-Time, é muito utilizado em controle de processos e está caracterizado pela
seguinte equação (1.13):

dy( t )
τ + y( t )= K p u ( t − θ) (1.13)
dt

onde K p é o ganho estático, τ é a constante de tempo e θ é o atraso de transporte. Trata-se de


um modelo simples que descreve aproximadamente a dinâmica de vários processos industriais.
É normalmente utilizado quando se deseja um modelo de ordem reduzida para descrever a
dinâmica de um processo.

Para Johnson e Moradi (2005), o projeto de controladores e as tarefas de supervisão são


freqüentemente simplificados quando é utilizado um modelo FOPDT para o processo. Quando
a relação entre atraso de transporte e constante de tempo ( θ τ ) é pequena, pode-se dizer que o
sistema é mais fácil para controlar (Gude et al., 2006). O desempenho em malha fechada de
processos com atraso de transporte dominante é limitado pela dinâmica do atraso. Para
processos que são lentos, isto é, τ > 8θ , o desempenho é limitado pelo ruído de medição, que
obriga a utilização de filtros, ou pela saturação nos atuadores. (Åström e Hägglund, 2005). Se
um processo é de atraso dominante, então os valores individuais para a constante de tempo τ e
o ganho estático K p podem ser de difícil sintonia.
20

O modelo de segunda ordem com atraso de transporte, denominado SOPDT – Second-


Order-Plus-Dead-Time, permite uma melhor aproximação para processos oscilatórios ou sub-
amortecidos. A equação (1.14) descreve sistemas de segunda ordem oscilatórios com atraso de
transporte, ou seja,

d 2 y( t ) dy( t )
τ 2
2
+ 2τζ + y( t )= K p u ( t − θ) (1.14)
dt dt

Processos de segunda ordem sobre-amortecidos podem ser representados pela seguinte


equação (1.15):

d 2 y( t ) dy( t )
τ1 τ 2 2
+ ( τ1 + τ 2 ) + y( t )= K p u ( t − θ) (1.15)
dt dt

Sistemas de controle de processos tais como posicionamento, tanques acoplados e


sistemas de pressurização são exemplos típicos de processos que podem ser bem aproximados
por modelos matemáticos do tipo SOPDT.

O modelo integral com atraso de transporte, denominado IPDT – Integral-Plus-Dead-


Time, descreve processos onde uma entrada limitada em um sistema em malha aberta não o
conduz a um valor de regime. Assintoticamente, a saída do sistema muda a uma taxa constante
após uma entrada degrau no sinal de controle. O modelo que caracteriza plantas integradoras é
dado pela equação (1.16)

dy( t )
= K v u ( t − θ) (1.16)
dt

onde o parâmetro K v indica o quão veloz é a taxa de crescimento da saída do processo após
uma entrada tipo degrau unitário. Este modelo descreve adequadamente a dinâmica presente
em processos químicos (Luo et al., 1998). Processos integradores são surpreendentemente
desafiadores em controle de processos. Métodos de sintonia aplicados com sucesso em
processos auto-regulatórios podem resultar num desempenho pobre quando aplicados a
processos integradores (Skogestad, 2003).

1.11 SINTONIA AUTOMÁTICA PID

A essência da sintonia de malhas de controle é identificar com que dinâmica um processo


reage aos esforços de controle e, baseado em requisitos de desempenho, determinar a dinâmica
necessária ao algoritmo PID para eliminar os erros. Independente da metodologia de projeto, as
seguintes três etapas são comuns aos métodos de identificação da dinâmica do processo e
sintonia de controladores PID: o processo é sujeito a perturbações no sinal de controle; a
resposta do sistema a esta perturbação é analisada e quantificada; baseado no resultado e em
especificações de desempenho, os parâmetros PID são sintonizados (Hang et al., 1993;
Johnson e Moradi, 2005).

Historicamente, um importante passo no desenvolvimento de metodologias de sintonia


de controladores PI/PID foi dado por Ziegler e Nichols (1942). O método é baseado em duas
idéias: caracterizar a dinâmica do processo por dois parâmetros e calcular os ganhos do
controlador, a partir dos parâmetros do processo, por meio de fórmulas simples. Em
21

contrapartida, o método produz sistemas em malha fechada com baixo amortecimento e baixa
robustez. Ainda assim, este trabalho teve significante impacto nas práticas de controle. Até
hoje, a maioria dos fabricantes ou usuários de controladores PID aplicam o método, ou
variantes do método, na sintonia de controladores. Anos depois, Cohen e Coon (1953)
realizaram melhorias significativas nas metodologias de sintonia, que caracterizou a dinâmica
do processo por meio de três parâmetros, porém os resultados obtidos não eram robustos
(resposta de malha fechada com amortecimento de 25%). Muita pesquisa com a técnica de
controle PID foi realizada nos últimos 60 anos devido ao desenvolvimento dos controladores
PID industriais, particularmente incentivada pela transição dos controladores pneumáticos para
os digitais. Nos últimos 20 anos tem ocorrido o controle PID com sintonia automática em
virtude do desenvolvimento de técnicas adaptativas (Åström e Hägglund, 2005; Cheng, 2006).

Diferentes estruturas do controlador PID têm influência direta na sintonia e desempenho


resultante. Caso seja utilizado o método de sintonia tentativa e erro, estas implicações são
minimizadas. Antes de um controlador PID ser sistematicamente e automaticamente
sintonizado, faz-se necessário conhecimento exato de sua estrutura para que o procedimento de
sintonia seja justificável e útil (Tan et. al., 2001).

Skogestad (2003) afirmou que não é recomendada a utilização da ação derivativa do


controlador PID para contra-atacar o atraso de transporte. Na visão de Luyben (1996) a
utilização de controladores PID não é recomendada na maioria dos processos, pois os
controladores PID são mais complicados, as alterações na ação de controle são maiores e as
malhas PID são menos robustas. Recomenda-se a utilização de controladores PI. A ação
derivativa somente deve ser utilizada quando é realmente necessário um desempenho apurado
ou quando mudanças bruscas na ação de controle são toleradas.

A seguir, na tabela (1.8), um resumo das principais técnicas de sintonia PID ideal que
podem ser utilizadas na indústria.

Tabela 1.8 – Sintonia para os modelos FOPDT e IPDT (NA: Não Aplicável).
Técnica de Calibração Modelo FOPDT Modelo IPDT
τ+ θ 2
Kc = 2 Kc =
PID-IMC
(
K p τf + θ
2 ) K p ( τf + θ )
2
(Rivera et al., 1986) Ti = τ + θ Ti = 2τf + θ
2
(Rice e Cooper, 2002) τf2
τθ τ θ +
Td = Td =
f 4
(
2 θ +τ
2 ) 2τf + θ
K
Kc = u
2.2
T
Luyben (1996) NA Ti = u
0.45
T
Td = u
6.3
K c = 0.604K u
Zhuang e Atherton (1993) Ti = 0.04(4.972K p × K u + 1)Tu NA
Td = 0.13Tu
22

Kc = (1.2τ)/(Kpθ) Kc = 0.6Ku
Ziegler e Nichols (1942) Ti = 2θ Ti = 0.5Tu NA
Td = 0.5θ Td = 0.125Tu

1 τ⎛4 θ ⎞
Kc = ⎜ + ⎟
K p θ ⎝ 3 4τ ⎠
32 + 6(θ / τ)
Cohen e Coon (1953) Ti = θ NA
13 + 8(θ / τ)
4
Td = θ
11 + 2(θ / τ)

A metodologia IMC, Internal Model Control, foi proposta por Rivera et al. (1986).
Utiliza o parâmetro τ f , que representa a constante de tempo de malha fechada do sistema,
devendo ser especificado conforme o desempenho de malha desejado. Recomenda-se que
certos limites sejam observados de acordo com as relações τ f > 0.1τ e τ f ≥ 0.8θ .

Para sintonia PID-IMC de processos integradores, Skogestad (2003) sugeriu o cálculo da


constante de tempo τ f como τ f = θ 10 .

Observações:

¾ O desempenho da sintonia IMC é satisfatório quando o processo apresenta médios ou


grandes atrasos de transporte. Quando o processo tem característica θ τ < 0.3 a sintonia
IMC resulta num baixo desempenho para rejeição de perturbações (Hang et al., 1993).
Skogestad (2003) descreveu que a sintonia PID-IMC é conhecida por resultar num baixo
desempenho da rejeição a perturbação em plantas integradoras, porém é robusta e resulta em
bom comportamento servo.

¾ As simulações de processos térmicos do tipo FOPDT indicam que o método de sintonia


proposto por Zhuang e Atherton (1993) apresenta resultados satisfatórios. É baseada em
critério de otimização do índice de desempenho ITSE (Integral of Time Square Error –
Integral do Erro Quadrático ponderado pelo Tempo).

¾ O’Dwyer (2000) publicou um conjunto de técnicas de sintonia para diferentes estruturas de


controladores PI e PID (ideal, série, I+PD, com filtro na parcela derivativa, etc) e para
diferentes tipos de plantas (FOPDT, SOPDT, IPDT, instáveis, etc).

As técnicas apresentadas por Ziegler e Nichols (1942) para sintonia de controladores PID
podem ser resumidas como:

• Via resposta ao degrau: pela caracterização da resposta ao degrau em malha aberta


( K p ,τ ,θ ), determinam-se os ganhos do controlador PID.
• Via resposta em freqüência: realizado em malha fechada, aumenta-se o ganho proporcional
(ganho crítico, K u ) até que a planta Gp oscile no limite da estabilidade (período crítico, Tu
ou freqüência crítica, ωu ). É uma metodologia simples, porém extremamente perigosa e
difícil de ser automatizada (Cheng, 2006).
23

O método clássico da resposta em freqüência de Ziegler e Nichols coloca o processo


próximo a região de instabilidade fazendo com que seja necessário interromper os fluxos
normais de operação de uma planta industrial, o que nem sempre é exeqüível (Coelho e
Coelho, 2004). Até a década de 60, a técnica de sintonia de Ziegler e Nichols (1942) era
estritamente manual e executada sempre que uma nova malha de controle era comissionada.
Tratava-se de uma técnica que consumia do engenheiro de controle tempo para execução.
Além disso, muitas vezes os procedimentos precisavam ser repetidos para obtenção de um
desempenho adequado de malha fechada (Gude et al., 2006).

Os controladores industriais com sintonia automática, incluindo características auto-


tuning e self-tuning, procuram melhorar e otimizar o tempo de sintonia de uma malha gasto por
um operador ou um engenheiro especializado visando atender objetivos operacionais e de
segurança (por exemplo, manter a consistência de produção, aumentar a capacidade de
produção, etc.). Uma tecnologia de controle de processos avançado no mercado é o ECA-600,
do fabricante ABB, que dispõe das técnicas de controle gain scheduling, auto-tuning e self-
tuning. A tabela (1.9) ilustra vários equipamentos industriais com controle PID moderno.

Tabela 1.9 – Módulos de hardware de controladores PID comerciais.


24

1.12 PROBLEMAS

1) Considere a planta contínua representado pelo modelo matemático

d 2 y(t) dy(t)
+ = u(t)
dt 2 dt

Avaliar o ganho do controlador proporcional digital que proporcione uma estabilidade crítica
(marginal) ao sistema controlado com Ts = 0.1 seg. Através do procedimento de tentativa e
erro, determinar o valor do ganho do controlador proporcional que forneça um fator de
amortecimento em malha fechada de 0.7.

2) Projetar um controlador PID digital para o seguinte processo:

d 2 y(t) dy(t) du(t)


20 2
+ 12 + y(t) = −4 + 4u(t)
dt dt dt

Utilizando as sintonias da tabela (1.8), avaliar cada resposta temporal para uma seqüência
degrau unitário visando um tempo de acomodação de 10 seg.

3) Considere o projeto dos controladores P, PI e PID para manter um nível desejado H2d(t) no
segundo tanque de um sistema de controle de nível de líquido em dois tanques acoplados,
conforme apresentado na figura (1.12).

Figura 1.12 – Sistema de controle de nível com dois tanques acoplados.

O controlador deve comparar o nível atual (saída medida) H2(t) = y(t) com o nível desejado
H2d(t) = yr(t), e utilizar a diferença, ou erro, e(t) = H2d(t) - H2(t) para automaticamente alterar a
taxa de fluxo de entrada Qi(t) = u(t) para o sistema por meio do controle da válvula Vi. O
modelo matemático da dinâmica do processo linear e invariante no tempo de segunda ordem
em malha aberta é

d 2 y( t ) dy( t )
2
+6 + 5y( t ) = 5u ( t )
dt dt

Admitir um degrau unitário (referência) e com as diferentes sintonias PID da tabela (1.10),
avaliar o comportamento dinâmico do processo em malha fechada (Simulink) em função das
especificações de desempenho da tabela (1.11). Comentar os resultados da simulação
numérica.
25

Tabela 1.0 – Sintonia dos controladores P, PI e PID.


Controlador Kc Ki Kd
P 10 – –
PI 1 1 –
PID 2.4 2 0.4
– não implementado

Tabela 1.11 – Dinâmica do processo sob diferentes condições de operação.


Controlador ess PO tr tp ts
MA
MF – P
MF – PI
MF – PID
ess – erro em regime, PO – porcentagem de overshoot, tr – tempo de subida, tp – tempo de pico,
ts – tempo de acomodação.

4) Uma malha de controle com controlador PI, uma válvula não-linear e um processo de
terceira ordem estão ilustrados na figura (1.13).

Figura 1.13 – Malha de controle analógica com controlador, planta e válvula.

A característica da válvula está representada por

v = f(u) = u4 ; u≥0

e o modelo matemático da dinâmica do processo linear de terceira ordem em malha aberta é

d 3 y( t ) d 2 y( t ) dy( t )
3
+3 2
+3 + y( t ) = u ( t )
dt dt dt

Verificar por simulação (Simulink) a necessidade da re-sintonização do controlador PI ajustado


com Kc = 0.15 e Ti = 1, assumindo os seguintes níveis de operação: i) mudança de referência
de 0.2 para 0.3, ii) mudança de referência de 1 para 1.1, iii) mudança de referência de 5 para
5.2. A sintonia PI deve garantir nos três níveis operacionais uma dinâmica em malha fechada
sem sobre-sinal e com tempo de estabilização de aproximadamente 10 seg. Idealizando-se uma
concepção de controle PI ganho escalonado (gain scheduling), quais os ganhos nas três faixas
de operação?

BIBLIOGRAFIA

Al-Duwaish, H. e Naeem, W. (2001). Nonlinear Model Predictive Control of Hammerstein and


Wiener Models Using Genetic Algorithms, Proc. IEEE Conference on Control
Applications, México, pp. 465-469.
Åström, K. J. e Hägglund, T. (1995). PID Controllers: Theory, Design and Tuning, 2nd ed.
Research Triangle Park, NC, USA:Instrument Society of America.
26

Åström, K. J. e Hägglund, T. (2005). Advanced PID Control, ISA - The Instrumentation,


Systems and Automation Society.
Bobál, V.; Böhm, J.; Fessl, J. e Machácek, J. (2005). Digital Self-Tuning Controllers, Springer.
Cheng, C. Y. (2006). Autotuning of PID Controllers: a Relay Feedback Approach, 2nd ed,
Springer-Verlag, London.
Coelho, A. A. R. e Coelho, L. S. (2004). Identificação de Sistemas Dinâmicos Lineares,
Editora da UFSC.
Cohen, G. H. e Coon, G. A. (1953). Theoretical Consideration of Related Control, Trans.
ASME, vol. 75, pp. 827-834.
Gude, J. J.; Kahoraho, E. e Etxaniz, J. (2006). Practical Aspects of PID Controllers: An
Industrial Experience, IEEE Conference on Emerging Technologies and Factory
Automation, ETFA’06, pp. 870 - 878.
Hang, C. C. ; Lee, T. H. e Ho, W. K. (1993). Adaptive Control, Instrument Society of America.
Johnson, M. A. e Moradi, M. H. (2005). PID Control - New Identification and Design
Methods, Springer-Verlag, London.
Luo, R.; Qin, S. J. e Chen, D. (1998). A New Approach to Closed -Loop Auto-Tuning for PID
Controllers, Ind. Eng. Chem. Res., vol. 37, pp. 2462 -2468.
Luyben, W. L. (1996). Tuning Proportional-Integral-Derivative Controllers for
Integrator/Deadtime Processes, Ind. Eng. Chem. Res., vol. 35, pp. 3480-3483.
Murray, R. M.; Åström, K. J.; Boyd, S. P.; Brockett, R. W. e Stein, G. (2003). Future
Directions in Control in an Information-Rich World, IEEE Control Systems Magazine,
vol. 23, pp. 20-33.
O’Dwyer, A. (2000). A Summary of PI and PID Controller Tuning Rules for Processes with
Time Delay. Part 2: PID Controller Tuning Rules, Preprints of PID’00 – IFAC Works. on
Digital Control – Past, Present and Future of PID Control, Terrassa, Spain, pp. 242-247.
Ogata, K. (2002). Modern Control Engineering, Prentice-Hall.
Popescu, D.; Tambozi, G. e Petrescu, C. (2000). Some Considerations about the Refinements
and the Accuracy of PID Controllers, IFAC Digital Control: Past, Present, and Future
of Pid Control, Volume from the IFAC Workshop, Terrassa, Spain, pp. 247-252.
Rice, R. e Cooper D. J. (2002). Design and Tuning of PID Controllers for Integrating (Non-
Self Regulating) Processes, Proc. ISA 2002 Annual Meeting, Chicago, IL, pp. 424-434.
Rivera, D. E.; Morari, M. e Skogestad, S. (1986). Internal Model Control: PID Controller
Design, Industrial and Engineering Chemistry Process Design and Development, vol. 25,
pp. 252-265.
Skogestad S. (2003). Simple Analytic Rules for Model Reduction and PID Controller Tuning,
Journal of Process Control, vol. 13, nº 4, June, vol. 19, pp. 291-309, Elsevier.
Tan K. K.; Lee T. H. e Jiang X. (2001). On-line Relay Identification, Assessment and Tuning
of PID Controller, Journal of Process Control, vol. 11, pp. 483-496, Elsevier.
Zhuang, M. e Atherton, D. P. (1993). Automatic Tuning of Optimum PID Controllers, IEEE
Proceedings Control Theory and Applications, vol. 140, pp. 216-224.
Ziegler, J. G. e Nichols, N. B. (1942). Optimum Settings for Automatic Controllers, Trans.
ASME, vol. 64, pp 759-768.
1

Capítulo 2

PRINCÍPIOS EM DESEMPENHO DE MALHAS DE CONTROLE

_____________________________________________________________________
Introdução. Qualidade dos dados. Filtragem digital. Avaliação do
comportamento oscilatório. Avaliação dos comportamentos servo e
regulatório. Avaliação baseada em padrão referencial. Métodos de Harris e
Shunta. Problemas. Bibliografia.
_____________________________________________________________________

2.1 INTRODUÇÃO

A última década teve um aumento considerável da automatização na indústria de


processos, sendo que o incentivo foi o benefício econômico associado com um aumento na
produtividade e na qualidade dos produtos. Em plantas de refinaria de óleo, plantas químicas,
fábricas de papel e outras indústrias de processos contínuos, são utilizadas tipicamente de
centenas até milhares de malhas de controle. No Brasil existem mais de cento e quarenta e
quatro mil destas instalações. A Petrobras, por exemplo, possui na sua estrutura, entre
refinarias, plataformas e unidades de distribuição aproximadamente 15 mil controladores
monovariáveis, 200 mil instrumentos e 30 controladores preditivos.

Em aplicações a nível mundial existem lugares nos quais estão instalados entre dois mil
ou três mil controladores preditivos baseados em modelos (Model Predictive Control – MPC)
multivariáveis. Entretanto, embora o uso de MPC esteja agora expandido especialmente em
indústrias químicas e petroquímicas, o controlador PID é o dominante dos algoritmos de
controle realimentado. Num estudo conduzido pela Honeywell que abarcou dezoito tipos de
indústrias (onde se encontram plantas de refinarias, químicas, de polpa e papel) e onze mil
reguladores, os controladores regulatórios que utilizam algoritmos de controle PID foram
usados quase exclusivamente em 97% dos casos (Desborough et al., 2000).

O desempenho do controlador é freqüentemente definido como a habilidade que tem o


controlador para transferir uma apropriada quantidade de variabilidade entre as variáveis
controlada (cv) e manipulada (mv). Assim como a transferência da variabilidade é um fator
importante que contribui no desempenho do controlador, existem outros fatores que devem ser
considerados, tais como: a configuração adequada dos limites de alarmes, incidentes anormais
e as ativações desmedidas de alarmes que resultam em perdas milionárias para a indústria
petroquímica (Brown, 1999; Hollifield e Habibi 2007; P.A.S. Inc. 2000), as intervenções
apropriadas dos operadores de planta no sistema de controle (Blevins et al., 2003; Takada,
1998) e as modificações na sintonia do algoritmo de controle realimentado.
2

Estudos demográficos do desempenho de controladores tradicionais PID na indústria de


processos contínuos revelam que somente um terço do desempenho dos controladores é
aceitável e dois terços têm a possibilidade de aumentar seu desempenho (Desborough e Miller
2001; Paulonis e Cox 2003) (figura (2.1)).

Figura 2.1 – Desempenho industrial de controladores PID no mundo.

A presença de perturbações em malhas de controle aumenta a variabilidade das variáveis,


interfere na estabilidade do processo, causando assim uma diminuição na qualidade do produto,
taxas maiores de rejeição, aumento no consumo de energia, redução da média do rendimento e
da utilidade.

A área de controle de processos teve grande avanço nas últimas três décadas.No entanto,
a tarefa de responder a eventos anormais nos processos permanece ainda na atividade manual.
Esta tarefa envolve a oportuna detecção de eventos anormais, diagnóstico da origem das
causas, apropriada tomada de decisões no controle supervisório e ações para levar o processo a
retornar a um estado normal e seguro de operação. A oportuna detecção e diagnóstico
automático de falhas em processos, no período que a planta se encontra ainda operando numa
região controlável, ajudam a evitar a progressão de eventos anormais, a ativação desmedida de
alarmes, a redução da perda de produtividade e a redução do perigo para os operários

O objetivo do monitoramento do desempenho do controlador (Controller Performance


Measurement – CPM) é assegurar que o sistema de controle se comporte de acordo com
especificações estabelecidas. Os requisitos de uma abordagem abrangente para a avaliação da
efetividade do sistema incluem: a determinação da capacidade, o desenvolvimento de uma
estatística adequada para o monitoramento, os métodos sistemáticos para a avaliação do estado
das malhas de controle, a detecção e o diagnóstico das causas do decremento do desempenho,
como também a incorporação dos métodos no ambiente industrial. O número significativo de
desenvolvimentos que foram reportados na última década permitiu melhorar o entendimento na
área de processos industriais como também identificar novos desafiantes problemas.

A demanda na indústria de processos por ferramentas para o monitoramento do


desempenho é considerável. As indústrias ao redor do mundo buscam dois objetivos: menores
gastos (redução da manutenção, custo de produção durante paradas operacionais, etc.) e
maiores benefícios (incremento de utilidades, segurança e desempenho). Neste sentido, muitas
empresas desenvolveram diferentes soluções comerciais inovadoras para o gerenciamento,
avaliação e diagnóstico de malhas de controle (tabela (2.1)).
3

Tabela 2.1 – Empresas representativas do mercado e ferramentas comerciais.


Empresa Ferramentas
ABB OptimizeIT Loop
http://www.abb.com Performance Management
Aspen Technology Inc
AspenWatch
http://www.aspentech.com
Control Arts Inc.
Control Monitor
http://www.controlartsinc.com
ControlSoft
INTUNE
http://www.controlsoftinc.com
Control Station Inc.
Engineer, Loop-Pro
http://www.controlstation.com
Emerson Process Management AMS: Suite, Optimizer,
http://www.emersonprocess.com Performance Monitor, etc.
ExperTune Inc. PlantTriage, RSTune, RS
http://www.expertune.com Loop Optimizer
Foxboro - Invensys Systems
LoopAnalyst
http://www.foxboro.co.uk
Loop Scout, Turbo Suite,
Honeywell Industry Solutions
Profit Controller, Profit
http://hpsweb.honeywell.com
Optimizer, ProfitMax
Industrial Systems and Control
Ltd. Probe
http://www.isc-ltd.com
IPCOS Technology PathFinder, INCA, Presto,
http://www.ismc.be RaPID
KCL KCL-Wedge, KCL-CoPA,
http://kcl.fi KCL-GURU
ProcessDoctor,
Matrikon Inc.
ProcessMonitor,
http://www.matrikon.com
EZYtuning
Metso Automation Inc.
LoopBrowser™
http://www.metsoautomation.com
Invensys
Loop Analyst
http://www.invensys.com
PAPRICAN
LoopMD
http://www.paprican.ca
ProControl Technology AB -
PCT Loop Optimizer Suíte
PTC
(PCT LOS)
http://www.rib.se/
Rockwell Automation
Emonitor Enshare
http://www.software.rockwell.com
Siemens Energy & Automation
SIMATIC IT
http://www.siemens.com
Techmation
Protuner
http://protuner.com
4

Diversas plantas industriais modernas estão equipadas com sistemas de aquisição de


dados, que são usados para armazenar dados de operação quase a cada minuto. Para melhorar o
desempenho do processo os dados têm que ser tratados, isto é, sua qualidade tem que ser
avaliada, representações gráficas tem que ser geradas, os dados têm que ser pré-processados,
analisados e, finalmente, interpretados para extrair valiosa informação sobre o processo.

O fluxo geral de informação no dia a dia das indústrias de processos, o processamento da


informação baseada em dados ou DBPI (Data-based Process Information) e o papel da
estrutura de monitoramento do desempenho é ilustrado na figura (2.2).

Figura 2.2 – Processamento da informação baseada em dados (DBPI).

Este capítulo revisa os princípios em monitoramento e desempenho automático em


malhas de controle industriais. As características são apresentadas visando aplicativos em
modelagem e controle adaptativo industrial.

2.2 QUALIDADE DOS DADOS

Para avaliar e monitorar o desempenho das malhas de controle é necessário que os dados
do processo sejam coletados. Um monitorador pode coletar os dados em tempo-real conforme
um software padrão. Este padrão é denominado “especificação de acesso a dados OPC” ou
OPC-DA (Data Access OPC). No entanto, se os dados do processo estão numa base de dados
histórica, estes dados tem que ser recuperados conforme outro software padrão denominado
“especificação de acesso a dados históricos OPC” ou OPC-HDA (Historical Data Access
OPC).
5

Alguns destes historiadores são: OSI PI Historian, Honeywell PHD, AspenTech


InfoPlus.21, Invensys AIM e muitos outros. A conexão OPC HDA é simples e elegante,
permite aos engenheiros de controle ver dados passados, aplicar diferentes ferramentas para o
monitoramento, aumentando a efetividade do pessoal de manutenção e engenharia.

A aquisição e manutenção dos dados de planta é composto dos seguintes procedimentos:


i) compressão dos dados; ii) tipos de dados a usar; iii) frequencia de amostragem dos dados.

1. Compressão dos Dados: No passado, a armazenagem ou espaço em unidades de disco


rígido era caro. Por causa deste custo, os historiadores de planta usavam algoritmos de
compressão de dados que somente armazenavam dados sob determinadas circunstancias. A
compressão permitiu coletar dados em mais pontos do processo e armazená-los por longos
períodos de tempo. Infelizmente a compressão de dados torna os dados inutilizáveis para a
análise. Como o custo de armazenagem hoje é relativamente baixo, então não existe
motivação na utilização dos algoritmos de compressão que não permitam reproduzir os
dados originais. Nunca use dados comprimidos em sinais que serão monitorados,
analisados ou utilizados para a sintonia do processo (Kinney, 2004).
2. Tipo de Dados a Usar: Geralmente os monitoradores de desempenho utilizam os seguintes
dados: a variável do processo (pv), a referência (sp), a saída controlada (co), modo
controlado (p.ex., operação manual ou automática), parâmetros de sintonia, sinal do filtro,
eventos (p.ex., alarmes). Quanto mais dados se encontrarem disponíveis, uma maior
quantidade de avaliações e diagnósticos podem ser executados.
3. Freqüência de Amostragem dos Dados: Os dados devem ser amostrados a uma taxa
suficientemente rápida para capturar a dinâmica da malha. A adequada taxa de amostragem
pode ser definida através de criterios tais como, p.ex., ao menos duas vezes tão rápido
quanto o sinal que se espera reconstruir, ou aproximadamente um terço da constante de
tempo do sistema de malha fechada ou estar definida entre 1/25 e 1/50 do tempo de
estabilização da malha.
Esta amostragem rápida apresenta um problema para muitos sistemas DCS. Geralmente,
estes sistemas não foram projetados para rápidas amostragens. A amostragem mais rápida é
geralmente de 10 - 15 segundos, o que é adequado, por exemplo, para malhas de controle
de temperatura ou nível (que são amostradas entre 5 a 10 segundos), mas não para malhas
de controle tão rápidas como as de vazão (amostradas geralmente a cada segundo).
Para superar esta limitação, programas especializados de levantamento de dados estão
disponíveis, e em alguns casos os cálculos da avaliação do desempenho são executados no
próprio dispositivo de campo (fielbus). É importante salientar que muitas avaliações são
possíveis com intervalos de amostragem lentos. Por exemplo, em malhas de vazão, a
detecção de oscilações e o diagnostico da origem do problema é possível com uma
amostragem tão lenta como 15 segundos. Isto é devido a que muitas oscilações
problemáticas em malhas de vazão acontecem a cada 30 segundos ou mais lentamente.
Com estes dados o monitorador do desempenho pode diagnosticar se a oscilação é causada
por um pobre ajuste, perturbação externa de carga ou por meio da histerese na própria
válvula.

A extração de dados é um processo iterativo composto dos seguintes procedimentos: i)


avaliação da qualidade dos dados; ii) representação dos dados; iii) pré-processamento dos
dados. Na seqüência são descritos cada um destes procedimentos.

Avaliação da Qualidade dos Dados


1. Compressão dos Dados: Apesar de reduzir custos de armazenagem de dados históricos e
reduzir os custos de transmissão de dados através do enlace de comunicação, a compressão
6

dos dados tem custos escondidos se os dados tornam-se inadequados para os propósitos
pretendidos. A operação de restaurar o sinal original dos dados armazenados é denominada
reconstrução de dados. Na hora que os dados foram comprimidos foi perdida informação e
tendências reconstruídas são deficientes de diferentes formas quando comparadas com os
valores originais.
A compressão de dados proporciona uma informação corrompida sobre as propriedades
estatísticas básicas dos dados. Mesmo que seja realizada uma pequena compressão esta
afetará na média e na variância. A compressão também modifica a estrutura de correlação e
afeta cada análise subseqüente. Foi determinado que dados com um fator de compressão
CF < 3 podem ser usados (Thornhill et al., 2004).

2. Quantização dos Dados: Qualquer implementação digital introduz erros de quantização


devido à representação de um comprimento finito dos números reais. Este corte artificial
dos dados modifica as relações entre múltiplas variáveis. Foi determinado que dados com
um fator de quantização QF < 0.5 podem ser usados.

3. Os Dados Podem Conter Vários Modos: As amostras podem ser do tipo: boas (úteis para
análise e validação), ruins (medidas impróprias, mas disponíveis), perdidas (não medidas,
parcialmente perdidas), valores constantes (ficam constantes devido a falhas nos sensores, à
saturação, compressão, quantização, etc.), não disponíveis, n/a (não significativas
fisicamente para obter uma medida dessa qualidade).

4. Análise dos Dados: As propriedades estatísticas proporcionam uma idéia da qualidade dos
dados, da variabilidade na operação e a distribuição estatística do processo. Um par de
exemplos de medidas estatísticas descritivas, dispersão no domínio do tempo e das
representações espectrais dos sinais no domínio da freqüência são ilustradas na figura (2.3).

Figura 2.3 – Analise dos dados através de estatísitca.

Representação dos Dados


A visualização de dados facilita ao operador ler e interpretar dados. Com este propósito
vários tipos de gráficos são usados para cenários diferentes. Em geral quanto mais dimensões e
mais dados amostrados existam mais difícil será a sua interpretação. Para conjuntos complexos
de dados é recomendado utilizar a etapa de pré-processamento antes da visualização.
7

1) Tendências temporais: Revelam informação útil com respeito, por exemplo, à presença de
suficiente excitação, permite a detecção de regimes normais e anormais, a quantidade de
dados bons, ruins ou perdidos, a presença de dados atípicos, etc.
2) Espectros: Relacionados com a transformada de Fourier (FT) que proporciona o conteúdo
das freqüências dos sinais, decompondo o sinal em blocos de Fourier de senos e cossenos.
O espectro de potência que é a magnitude ao quadrado da FT, proporciona a força de cada
componente de freqüência, é invariante frente a atrasos de transporte. Sua transformada
inversa de Fourier proporciona uma estimativa da ACF. Os dados atípicos e pequenos
preenchimentos de valores perdidos influenciam pouco sobre o espectro e permitem
capturar semelhanças em comportamentos oscilatórios de sinais que são diferentes no
tempo. É importante salientar que a potência total é igual à soma da potência de todas as
freqüências que é equivalente à variância ou energia.

Pré-processamento dos dados


Esta área que recebeu pouca atenção na literatura, mas na prática pode ser a chave do
sucesso ou do fracasso da aplicação final do monitoramento de malhas de controle (Hadjiski et
al., 2003). O pré-processamento dos dados objetiva a preparação dos dados para etapas de
processamento ou de visualização.

Existem vários aspectos a serem considerados no pré-processamento de dados e cada um


lida com um problema diferente. Os aspectos comumente considerados são: i) a limpeza, que
proporciona métodos para melhorar a coerência e a qualidade dos dados, ii) a integração, que
trata com a integração de dados de fontes diferentes iii) a transformação, que manipula os
dados para uniformidade e, iv) a redução dos dados, que encontra representações menores dos
dados, que forneçam ainda a mesma informação. Várias técnicas relacionadas com estes
aspectos foram apresentadas no trabalho de Diehl (2004).

Os problemas comuns que afetam na coerência dos dados podem ser de três tipos:

1. O primeiro problema é que os dados podem estar incompletos, o que significa a falta de
uma quantidade considerável de valores. Para resolver este problema devem ser estudados
meios para aproximar da melhor forma os dados faltantes.
2. O segundo problema trata do ruído ou erros nos valores dos dados. Para remover o efeito
do ruído aleatório é preciso estimar o sinal subjacente, seja através da suavização
(abordagem estatística que envolve dados presentes, passados e futuros é relacionada a um
processamento offline), ou através da filtragem (abordagem de processamento do sinal que
envolve dados presentes e passados. É relacionada a um processamento online).
3. O terceiro problema trata dos dados que se desviam significativamente da maioria dos
dados. Estes dados são denominados de atípicos ou inconsistentes e podem ser gerados
através de um mecanismo diferente que gerou os dados normais, isto é, ruído no sensor,
perturbações no processo, degradação dos instrumentos, e/ou erros relacionados ao
operador. Para tratar este problema são selecionados, classificados, removidos e
substituídos os dados atípicos com seus valores esperados.

2.3 FILTRAGEM DIGITAL

Os sistemas práticos estão sempre sujeitos a ruídos e perturbações aleatórias que podem
dificultar os procedimentos de identificação. Para contornar este problema tem-se recorrido à
utilização de filtros, a fim de se capturar somente os sinais com as dinâmicas de interesse
presentes no sistema (Malik et al., 1991). Filtrar um sinal é deixar passar pelo sistema a
8

informação de interesse e bloquear a informação indesejada (Aguirre et al., 2007). Filtros


podem ser aplicados não somente para diminuir a influência do ruído do processo, mas também
para “suavizar” o resultado de não homogeneidade de misturas, turbulências ou fluxos não
uniformes (Seborg et al., 2004).

Atualmente, a opção entre o processamento analógico e o processamento digital de um


filtro tende quase sempre ao segundo. Somente em dois casos o filtro analógico é a melhor
escolha: nos casos onde o filtro analógico é vantajoso economicamente ou quando os tempos
de processamento devem ser tão pequenos (elevada freqüência) que inviabilizam a utilização
de processamento digital. Os filtros digitais garantem aspectos interessantes: repetibilidade,
pois, diferentemente dos filtros analógicos, independem de tolerâncias e são invariantes no
tempo (não há degradação de componentes eletrônicos como capacitores e indutores);
alterabilidade e modularidade (Aguirre et al., 2007).

Os filtros digitais comumente encontrados em sistemas de controle são do tipo (Seborg et


al., 2004):

• Filtro de Primeira Ordem: É o filtro mais comum. Para freqüências maiores que a freqüência
de corte, cada vez que a freqüência é dobrada o filtro atenua a amplitude do sinal pela metade,
cerca de - 6 dB.
• Filtro de Segunda Ordem: Usualmente, um filtro de segunda ordem consta de dois filtros de
primeira ordem em cascata. O filtro de segunda ordem tem uma taxa de atenuação maior que a
taxa do filtro de primeira ordem, -12 dB cada vez que a freqüência é dobrada.
• Filtro Noise-Spike: Um ruído tipo noise-spike acontece quando a medida do ruído muda
abruptamente e depois volta ao valor original ou perto dele no próximo instante de tempo.
Geralmente, os ruídos tipo noise-spike são causados por sinais elétricos espúrios no meio onde
se encontra o sensor. Filtros noise-spike são usados para limitar a variação do sinal de ruído de
uma amostra à próxima. Se uma mudança abrupta na medição acontece, o filtro substitui o
sinal mensurado pela saída anterior do filtro mais ou menos o máximo valor de mudança
permissível.

• Filtro Média-Móvel: O filtro média-móvel usa uma janela móvel de J amostras para calcular
a média de uma seqüência de dados, a cada instante de tempo. Se for conhecida a freqüência do
ruído, este pode ser eliminado ajustando-se a janela de amostragem do filtro media-móvel ao
valor do período do ruído ou a um múltiplo deste período.

O filtro exponencial de 1ª ordem é bastante aplicado, tanto em sua configuração


analógica quanto digital, devido a sua simplicidade. Um filtro passa-baixa elimina oscilações
de alta freqüência devido a ruídos e pode ser representado pela seguinte equação diferencial de
primeira ordem (Seborg et. al., 2004):
9

dy(t)
Tf + y(t) = u(t) (2.1)
dt

onde u(t) é o valor medido (entrada do filtro), y(t) é o valor filtrado (saída do filtro) e Tf é a
constante de tempo do filtro. O valor de Tf é selecionado de modo que atenue somente a
freqüência do ruído, não modificando a resposta da planta. Para o desenvolvimento do filtro
digital de primeira ordem utiliza-se a seguinte relação na equação do filtro contínuo
exponencial:

dy(t) y(k) − y(k − 1)


≈ (2.2)
dt Ts

Com a aproximação da derivada é possível escrever a equação (2.1) como

y(k) − y(k − 1)
Tf + y(k) = u(k) (2.3)
Ts

Logo, a equação a diferenças que descreve um filtro digital de primeira ordem é dada por

y(k) = βF y(k-1) + α F u(k)


Tf Ts (2.4)
βF = 1 − α F = ; αF =
Tf + Ts Tf + Ts

A equação indica que a medida filtrada é a soma ponderada da medida atual u(k) e o
valor filtrado no instante de amostragem anterior y(k-1). Casos limitantes para α F são

• α F = 1 , não existe filtragem


• α F = 0 , a medida é ignorada

Este filtro digital de primeira ordem é denominado filtro IIR (Infinite Impulse Response)
e a resposta em freqüência depende da seleção do parâmetro α F .

Outro tipo muito utilizado é o média-móvel. Como exemplos de aplicação, podem-se


citar: as entradas analógicas de CLPs, onde é possível configurar o período de amostragem
(tipicamente, 25 μ seg ) e o número de amostras para a média (por exemplo, 25 amostras); e
sensores de pressão da Motorola, onde a filtragem é realizada por uma conjunção de um filtro
analógico RC (750 Ω , 0.33 μ F ) e um filtro digital tipo média-móvel (configurável de 10 a 64
amostras). O filtro média-móvel com 4 pontos tem sido utilizado com sucesso em aplicações
de controle de processos. O filtro média-móvel tem um custo computacional de implementação
baixo, permitindo ser empregado em conjunto com os demais algoritmos em tempo real
(Seborg et. al., 2004).

A representação discreta de um filtro do tipo média-móvel é

u(k) − u(k − J)
y(k) = y(k − 1) + (2.5)
J
10

onde J é o número de amostras que compõem a janela móvel, u(k) é o valor medido ou
entrada do filtro e y(k) é a saída filtrada.

A sua banda passante é função do tamanho da janela da média-móvel. Quanto maior a


janela menor a freqüência de corte e maior o atraso de fase; quanto menor o tamanho da janela
maior a freqüência de corte e menor o atraso de fase introduzido. Para uma condição do
sistema em regime, o filtro média-móvel pode ser empregado com uma janela grande o
suficiente para minimizar o ruído associado aos sensores. Porém, como os sistemas de controle
estão sujeitos a mudanças de referência e perturbações que precisam ser prontamente
rejeitadas, cujo comportamento é dinâmico, o filtro deve ser capaz de perceber quando houve
uma variação do valor médio e o atraso deve influenciar minimamente o algoritmo de controle
e identificação. Nestas condições dinâmicas é interessante que a janela J tenha uma largura
cuja banda passante seja compatível com a banda passante do sistema, ou da excitação que está
sendo aplicada.

Ruel (2003) propôs um método empírico para a sintonia da constante de tempo do filtro:
a escolha da constante de tempo T f menor que o atraso de transporte θ (por exemplo,
T f ≤ θ 5 ) para sintonia do controlador visando o comportamento regulatório; e menor que a
constante de tempo de malha fechada τ MF para sintonia visando o comportamento servo.

O ruído deve ser filtrado de maneira que não ocasione ação de controle excessiva.
Åström e Hägglund (2004) apresentaram uma simples e conveniente abordagem onde o
controlador é sintonizado sem filtragem e, em seguida, um filtro é adicionado à malha de
controle. A constante de tempo do filtro deve ser determinada como T f = 0.1θ , onde θ é o
atraso de transporte presente na planta. Para filtros com menor freqüência de corte, ou menor
banda passante, devem-se alterar os parâmetros de sintonia do controlador simplesmente
aplicando a regra de Skogestad (2003), onde os parâmetros do processo FOPDT (primeira
ordem com atraso de transporte) τ (constante de tempo) e θ , respectivamente, são
substituídos por τ + T f 2 e θ + T f 2 nas equações de sintonia.

A utilização de um filtro na parcela derivativa do controlador PID é desejável para um


sistema com elevado nível de ruído. A grande maioria dos ruídos encontra-se em elevadas
freqüências, justamente onde o ganho da parcela derivativa tende a infinito, podendo causar
instabilidade no sistema. É razoável escolher o valor da freqüência de corte do filtro cerca de
10 vezes superior a freqüência mais relevante no processo. Escolhendo-se corretamente o valor
do filtro, não se faz necessário levá-lo em consideração na sintonia do controlador PID (Seborg
et. al., 2004).

Åström e Hägglund (2005) relataram que ao invés de filtrar somente a parcela derivativa
do controle, é possível filtrar o sinal medido e, então, aplicar o sinal filtrado ao controlador
PID. A utilização do filtro na realimentação reduz a robustez do controlador. Este fato é
contornável com a re-sintonia do controlador. Uma possibilidade de projeto para o filtro é
basear-se nos ganhos projetados para o controlador, normalmente uma fração do tempo integral
ou tempo derivativo para os controladores PI e PID, respectivamente. A adição de um filtro
atenua o ruído presente no sinal de saída do sistema ao custo de penalizar a resposta do sistema
a perturbações. Skogestad (2003) mostrou que, caso a constante de tempo do filtro de
realimentação seja no máximo próximo a θ 2 , não há prejuízo significativo para desempenho
e robustez do sistema. A combinação de sistemas pouco amortecidos, filtros em baixa
11

freqüência e controlador PID apresentam uma concentração de pólos perto da origem, o que
limita a margem de estabilidade do sistema.

Um resumo das técnicas de filtragem digital no domínio temporal para processos


dinâmicos é apresentado na tabela(2.2).

Tabela 2.2 – Técnicas de filtragem ditigal.

2.4 AVALIAÇAO DO COMPORTAMENTO OSCILATÓRIO

O princípio deste método de detecção, ilustrado na figura (2.4), consiste no estudo da


magnitude da IAE (Integral do valor Absoluta do Erro) entre sucessivos cruzamentos por zero
do sinal erro de controle num determinado tempo de supervisão TSup. Durante períodos de
controle adequados, a magnitude do erro é pequena e a quantidade de cruzamentos por zero é
relativamente baixa, tornando o valor da IAE baixo. No entanto, frente a uma perturbação de
carga, a magnitude do erro se incrementa e um longo período sem cruzamento por zero
acontece, tornado o valor da IAE elevado. Quando o valor da IAE de cada médio período do
sinal de erro excede o limite IAELIM é detectada uma perturbação de carga e incrementado um
contador. Se o número de perturbações detectadas excede certo limite φLIM pode se concluir
que uma oscilação está presente. Este método foi desenvolvido para a detecção de oscilações
online. A versão do método para detecção offline foi apresentada por Thornhill e Hågglund
(1997).
12

ye (t ) IAE
IAETSup ≥ IAELIM 2a aTI
IAELIM = =
ωu π

+ + + + + + + + + + +

− − − − − − − − − −
t
ϑ ϑLIM

ϑACU > ϑLIM

t
TSup ≥ 5ϑLIM Tu = 5ϑLIM TI TSup
Figura 2.4 – Princípio do método de detecção de oscilações de Hågglund (1995).

O método considera que o controlador tem uma ação integral, de forma que a média do
erro é zero. No entanto se o controlador não tiver esta ação, a diferença entre o sinal do erro
medido e o valor médio obtido através de um filtro passa-baixa, pode ser usada no lugar do
erro do sistema. Esta segunda abordagem proporciona a possibilidade de detectar oscilações
que não são centradas ao redor da referência.

O procedimento para a implementação prática é resumido nos seguintes pontos:

1. Inicialização e ajuste dos parâmetros: Os parâmetros a serem inicializados são:

- Número limite de perturbações φLIM: Um valor típico para este parâmetro é 10.
- Tempo de supervisão TSup: Sugere-se que este parâmetro (proporcional à constante de tempo
da malha) seja igual a 5φLIMTU, onde TU corresponde ao período de oscilação obtido do
experimento de auto-sintonia do relé. Se tal experimento não for realizado, sugere-se
substituir TU → TI, tempo integral num controlador PI(D).
- Horizonte de tempo no filtro γH: Este parâmetro está relacionado com o tempo de
supervisão e o período de amostragem TS por meio da seguinte relação: γ H = 1 − ( TS TSup )
- Valor limite da IAE ou IAELIM: Este parâmetro corresponde ao valor IAE de uma oscilação
sinusoidal de amplitude a, definido pela seguinte relação no caso de ter disponível a
freqüência de oscilação ωU:

π / ωu 2a
IAE LIM ≤ ∫0 | asen(ωt) | dt =
ωu

Um valor sugerido para o limite inferior da amplitude de oscilação a, é 1% do intervalo do


sinal, o que significa que o 2% das oscilações pico a pico são aceitáveis e que amplitudes
maiores têm que ser detectadas. Se a freqüência de oscilação não estiver disponível e o
controlador PI(D) estiver bem sintonizado, pode se utilizar a seguinte relação:
ωU=ωi=2π/TI. A eleição deste parâmetro é um compromisso entre a demanda por uma alta
probabilidade de detecção e a demanda por uma baixa probabilidade de ter falsas detecções.
13

2. Detecção de perturbações de carga: Esta detecção é baseada no monitoramento da IAE,


onde a cada mudança de sinal do erro do sistema a integração é reinicializada. Se IAE >
IAELIM, se conclui que uma perturbação de carga aconteceu assinando 1 à variável carga δ e
0 em caso contrário.

3. Detecção das oscilações: Para efetivar o procedimento de detecção das oscilações uma
ponderação exponencial das perturbações detectadas deve ser realizada a cada período de
amostragem,

ϑACU = γ H ϑACU + δ

Se o valor φACU > φLIM durante o tempo de supervisão TSup, se conclui que uma oscilação
está presente e o valor φACU é reinicializado a zero.

A principal vantagem do método é a simplicidade da sua implementação e o fato de


considerar a amplitude da oscilação ignorando pequenas oscilações de períodos curtos. A
desvantagem mais importante do método é que este é incapaz de detectar respostas oscilatórias
sustentadas quando o erro do sistema é positivo ou negativo por logos períodos de tempo, isto
é, após a atuação de uma mudança de referência ou perturbação de carga no processo. Outras
desvantagens não menos importantes são: primeiro, supor que a freqüência de oscilação ωU
está disponível e que a malha oscila nesta freqüência, isto pode nem sempre ser verdadeiro.
Segundo, o tempo integral não é um bom indicador do período de oscilação considerando que o
controlador PI(D) pode não estar bem sintonizado e sua freqüência de cruzamento de fase ω180,
nem sempre é igual a 2π/TI. Um exemplo, resultante da implementação do algoritmo é
apresentado na figura (2.5).
Tendência temporal normalizada
Erro do Sistema
Integral Absoluta

IAELIM
do Erro

ϑLIM
Perturbações

Amostras

Figura 2.5 – Exemplo da implementação do método de Hågglund (1995)

O princípio do método de detecção de oscilação proposto por Miao e Seborg (1998),


ilustrado na figura (2.6), consiste no estudo comparativo do valor, da taxa de decaimento não-
convencional denominada índice de oscilação φMS, que depende de certas dimensões na função
de auto-correlação (AFC) da variável do processo e/ou do erro do sistema, com um
predeterminado valor limite de projeto φLIM. Quando o índice de oscilação excede seu valor
limite é detectada a presença e o grau da oscilação.
14

ye (t )
1ro 2do 3ro 4to 5to

t
50TI ≤ TSup ≤ 250TI
1

a ϑMS = b a

0 b
−0.5

1
ϑMS = b ' a '
a' b'
0

−0.5

Figura 2.6 – Princípio do método de detecção de oscilações de Miao e Seborg (1998).

O valor de φMS pode ser calculado de duas formas: através da relação b/a, onde a e b são
as distâncias determinadas pela profundidade do primeiro mínimo e a altura total do primeiro
máximo da AFC. Ou, por meio da relação b!/a!, onde a! é a distância determinada pela
profundidade perpendicular do primeiro mínimo com respeito à linha base que conecta os
máximos adjacentes com o primeiro mínimo, e b! é a altura perpendicular do primeiro máximo
acima de uma linha base que conecta os mínimos adjacentes ao primeiro máximo. Esta última
relação considera a existência de qualquer tendência de longo período nas amostras da AFC. O
valor limite φLIM pode variar dependendo da aplicação, por exemplo, na figura (2.6) este valor é
definido como sendo 0.5, um valor de φMS maior a este limite indicará a presença de oscilação.

É desejável detectar perturbações acima da freqüência última, ωU, perturbações de alta


freqüência são atenuadas pela característica passa baixa do processo, enquanto medições de
ruído de alta freqüência podem ser removidas com filtros passa baixa, convencionais. As
perturbações de baixa freqüência são tratadas pela ação integral de controle. O range de
freqüência a filtrar pode ser definido através da freqüência última como sendo: 0.1ωU ≤ ω ≤
ωU, ou através do termo integral TI do controlador como sendo: 2π/10TI ≤ ω ≤ 2π/TI. Quando a
relação sinal ruído é pequena um grande número de máximos e mínimos locais acontecem no
correlograma e isto causa problemas no cálculo do índice de oscilação φMS. Para evitar este
problema deve-se filtrar o sinal usando por exemplo, um filtro exponencialmente ponderado,

x F (k) = αx(k) + (1 − α )x F (k − 1)

onde xF(k) é o valor filtrado, x(k) é o valor medido e α é a constante do filtro. A experiencia
indica que é aconselhável que o valor da constante do filtro esteja num range entre 0 < α ≤
0.16, para ter uma taxa de redução do ruído ≤ 0.3. No intuito de evitar a filtragem excessiva do
sinal, deve se verificar a taxa de amplitude do filtro na freqüência última, AR(ωU). Se AR(ωU)
< 0.5 a filtragem em ωU é considerada excessiva, baseada na experiencia prática e simulações.
Um AR(ωU)=0.5 corresponde a um valor de α=0.707.

A função de auto-correlação também pode servir como um padrão de desempenho do


controlador. Da teoria de MVC se sabe que a menor variância que uma malha de controle
15

poderia alcançar é se o MVC for alcançado. Sob esta condição, o sinal de saída resultante seria
o ruído branco perfeito, devido a que o controlador removeria toda a variabilidade não-
aleatória.

A vantagem do método é que nenhum teste experimental especial ou ação pouco comum
realizada pelo operador de planta é requerida, como nenhum modelo particular ou especial do
processo em estudo. Somente são necessários para a análise, os dados da variável do processo
e/ou do erro do sistema. Estes dados podem ser coletados durante condições de malha
realimentada, normais ou especiais (por exemplo, mudanças na referência, grandes
perturbações, etc.). O método é extensamente aplicável a qualquer tipo de malha de controle
realimentada e pode ser implementado para a detecção de oscilações online ou offline. Um
exemplo, resultante da implementação do algoritmo é apresentado na figura (2.7).
Erro de Controle

ϑMS =0.2763 ϑMS =0.6373


AFC

(a) (b)
Figura 2.7 – Exemplo da implementação do método de Miao e Seborg (1998):
(a) malha não oscilatória, (b) malha oscilatória

Apesar de que a experiência industrial mostra-se favorável, e as oscilações são detectadas


com razoável confiabilidade, duas desvantagens podem ser identificadas no método: a
primeira, que o método não considera de forma direta a amplitude das oscilações, ocasionando
que malhas com algumas oscilações de amplitude pequena (aceitáveis), sejam classificadas
como oscilatórias; e a segunda, que o método supõe que as oscilações são as principais causas
da variabilidade na variável medida, assim, se uma malha experimenta freqüentes
(inaceitáveis) mudanças de referência de magnitude maior à amplitude de oscilações, o método
falhará na detecção das oscilações.

2.5 AVALIAÇÃO DOS COMPORTAMENTOS SERVO E REGULATÓRIO

Em muitas plantas industriais a referência mantém-se constante por um longo período de


tempo, em outras seu valor pode modificar-se periodicamente (por exemplo, numa operação
em batelada a temperatura pode necessitar ser mudada durante a batelada), assim estes períodos
de troca podem ser aproveitados para realizar a avaliação do desempenho. Diversos critérios
baseados na resposta temporal podem ser utilizados para comissionamento de malhas de
controle (como especificações de projeto de controladores, ou para documentar mudanças no
desempenho devidas ao ajuste dos parâmetros do controlador ou do processo), alguns dos quais
são apresentados na tabela (2.3) e ilustrados na figura (2.8).
16

y (t )
B

yr (t ) E C ess
MP
1.0 + δ
100%
1.0 − δ
δ = 2%,5%
50% A Tu
t > ts

0 tr ,50 t
tr
tp
L
ts

u (t ) D

t
Figura 2.8 – Resposta do processo frente a uma mudança na referência.

Tabela 2.3 – Critérios para a avaliação do desempenho frente a mudanças de referência.


Critério Característica
Erro em estado estacionário (ess): Valor da diferença entre os
ess
valores finais da referência e da variável controlada.
Tempo de subida (tr): Tempo necessário para que o sinal de saída
tr atinja pela primeira vez a referência. Um valor grande pode ser
resultado de um controle lento.
Tempo de pico (tp): Tempo no qual a resposta atinge o primeiro
tp pico de ultrapassagem. Um valor grande pode ser resultado de um
controle lento.
Tempo de estabilização (ts): Tempo necessário para que a variável
do processo alcance e permaneça dentro de uma faixa de 2% a 5%
do seu valor final. Este tempo está relacionado com a maior
ts
constante de tempo do sistema de controle. O tempo gasto fora do
nível de faixa desejada está relacionado com perda de
produtividade.
y (t p ) − y ( ∞ ) Máximo sobre-sinal ou ultrapassagem (Mp): Valor do máximo
MP = x100% pico da curva de resposta medido a partir do valor de referência. É
y (∞ )
comum usar-se a máxima ultrapassagem percentual.
Tempo morto ou atraso de transporte (L): Tempo decorrido antes
L
que o sistema comece a responder a uma determinada entrada
17

aplicada. Equivalente ao atraso discreto d.


Período de oscilação (Tu): Período de tempo que depende da
Tu característica da resposta de malha fechada. Não é especificado
como meta de desempenho do controlador.
Ultrapassagem da variável manipulada (φOSM): Quantidade
ϕOSM = D ( E ) x100% máxima que a variável manipulada pode exceder do seu valor
final em estado estacionário. Esta relação permite determinar
quão agressivo foi ajustado o controlador.
Ultrapassagem da variável controlada (φOSC): Quantidade pela
ϕOSC = B ( A) x100% qual a variável de processo excede a referência. Um controlador
agressivo pode incrementar a quantidade de sobre-sinal associada
com uma mudança de referência.

ϕUSC = C ( A) x100% Sob-sinal da variável controlada (φUSC): Relação entre o segundo


pico da variável controlada e o valor da referência.
Taxa de decaimento (φDR): Relação entre os dois primeiros picos
C da variável controlada medidos acima do sinal de referencia. Uma
ϕ DR =
B taxa de decaimento de 1/4 representa uma boa sintonia e um bom
compromisso entre a instabilidade e a perda da resposta.

Os indicadores beseados na integral de sinais são normalmente usados para avaliar


(projetar e sintonizar) controladores, devido a que proporcionam medidas qualitativas da
resposta do sistema de controle de malha fechada; em termos do erro acumulado, da variância
e/ou atividade da variável manipulada ou da atividade da variável controlada. Em geral uma
medida integral do sinal pequena é desejada. A escolha de um destes indicadores para avaliar o
desempenho, dependerá da resposta a perguntas tais como: Qual o comportamento da resposta
a avaliar? O indicador tem que estar relacionado com o desempenho econômico ou estar
relacionado com a perda de rendimento? Que tipo de ponderação é importante realizar? Alguns
dos índices mais comuns e suas propriedades são apresentados nas tabelas (2.4) e (2.5).

Tabela 2.4 – Indicadores de desempenho baseados na integral dos sinais.


Índice de desempenho Característica
Integral do erro (JIE): Adequado para avaliar respostas
altamente amortecidas ou monotônicas, devido ao
TSup cancelamento positivo e negativo dos erros na integral que
J IE = TS ∑ ( ye (k ) ) possibilita que erros grandes positivos ou negativos originem
k =1
pequenos valores do indicador. O indicador pode chegar a ter
um valor de zero em sistemas oscilatórios sem
amortecimento.
TSup Integral do valor absoluto do erro (JIAE): Adequado para
J IAE = TS ∑ ye ( k ) avaliar respostas não-monotônicas, devido à penalização dos
k =1
erros persistentes.
Integral do valor quadrático do erro (JISE): Adequado para
TSup avaliar respostas onde grandes desvios causam uma maior
∑ ( y (k ) )
2
J ISE = TS e degradação do desempenho que pequenos desvios, devido a
k =1
que o indicador proporciona uma ponderação alta com erros
grandes e uma pequena para com erros pequenos.
18

Integral do valor absoluto do erro ponderado pelo tempo


(JITAE): Adequado para avaliar tanto respostas monotônicas
TSup

J ITAE = TS ∑k ye ( k )
como não-monotônicas, devido à ponderação pelo tempo
k =1
sobre desvios persistentes.
TSup Integral do valor quadrático do erro ponderado pelo tempo
∑ k ( ye ( k ) )
2
J ITSE = TS (JITSE): Atua como o JISE, mas adiciona uma forte penalidade
k =1
sob erros que não decaem rapidamente.
Atividade da variável manipulada (JIAU): Adequado para
⎛ u (k ) − U (k ) ⎞
TSup

J IAU ( k ) = TS ∑ ⎜
avaliar a atividade do sinal de controle. O valor da variação
⎟ máxima é função do intervalo de amostragem, sendo inferido
k =1 ⎝ ΔU MAX ⎠
empiricamente.
Atividade da variável controlada (JIAY): Adequado para
⎛ y (k ) − Y (k ) ⎞
TSup

J IAY ( k ) = TS ∑ ⎜
avaliar o sinal de saída do processo. O valor da variação
⎟ máxima é função do intervalo de amostragem, sendo inferido
k =1 ⎝ ΔYMAX ⎠
empiricamente.
Integral da variável manipulada ao quadrado ponderada (JSU):
Adequado para avaliar o valor do excesso de energia que é
TSup
⎛ ⎛ yr ( k ) ⎞ ⎞
2
consumida para manter a variável controlada no nível
J SU ( k ) = TS ∑ ⎜ u ( k ) − ⎜ ⎟ ⎟
2

k =1 ⎝ ⎝ μ ( K P ) ⎠ ⎟⎠ desejado. A energia mínima para o controlador seguir a
referência é definida como sendo: yr(k)/μ(Kp), onde Kp
representa o ganho do processo.
<!> TS corresponde ao período de amostragem.

A interpretação de tipo de medidas é usualmente problemática devido a não oferecer


nenhum limite para os valores dos índices, fazendo difícil a sua interpretação. Uma forma de
limitar o valor dos indicadores é através da sua normalização, comparando estes com um
padrão de desempenho, como os apresentados na tabela (2.5).

Tabela 2.5 – Indicadores de desempenho normalizados baseados na integral dos sinais.


Índice de desempenho Característica
Índice baseado na variância mínima para avaliar o
TStep + L TSup
comportamento servo (JTPI): Indicador de desempenho
J TPI ( k ) = ∑ ( ye ( k ) ) 2
∑ ( ye ( k ) )2

para avaliar o seguimento de referencia do sinal frente


k =TStep k =TStep
a uma mudança degrau (Thornhill, 2000).
Índice Expertune (JExpertune): Indicador que avalia o
desempenho da malha de controle frente a
perturbações. O índice usa o modelo do processo
⎛ TSup ⎞ combinado com os valores dos parâmetros de sintonia
⎜ ∑k ye ( k ) − J IAE Otimo ⎟ ótimos e atuais para um PID. O índice está limitado no
J Expertune ( k ) = 1 − ⎜ k =1 ⎟ intervalo de valores 0 ≤ JExpertune ≤ 1, onde valores na
⎜ ⎟
TSup

⎜ ∑k ye ( k ) ⎟ vizinhança de 1 indicam um bom desempenho e


⎝ k =1 ⎠ próximos de 0 um baixo desempenho (ExperTune
2004). O JIAEOtimo pode ser determinado através de um
modelo de referência ou pela relação
JIAEOtimo = ΦTsd = ΦL onde 1.38 ≤ Φ ≤ 2.0.
19

Uma perturbação é definida como qualquer evento à exceção do sinal de saída do


controlador que afeta à medida variável do processo. Num ambiente de interação na planta,
cada malha de controle pode ter diferentes perturbações que impactam no seu desempenho.
Compreendendo o tipo de perturbação e seu impacto na malha de controle, engenheiros,
operadores e técnicos podem identificar mais facilmente a causa e trabalhar em uma solução.
Para a avaliação do desempenho no comportamento regulatório, diversos critérios baseados na
resposta temporal podem ser utilizados, alguns dos quais são apresentados na tabela (2.6) e na
figura (2.9).

y (t )

M Pd ess
1.0 + δ
100%
1.0 − δ
δ = 2%,5%
50%
t > tsd

0 t
t pd
tsd

Figura 2.9 – Resposta temporal típica de um sistema frente a uma perturbação de


carga.

Tabela 2.6 – Critérios para a avaliação da rejeição de perturbações de carga.


Critério Característica
Tempo de estabilização após a perturbação (tsd): Tempo que toma à
tsd resposta de perturbação alcançar e manter-se dentro de 2% do seu
valor em estado estacionário.
Tempo pico do sinal do erro (tpd): Também denominado de tmax, é o
tpd
tempo no qual o sinal de erro alcança seu máximo pico.
Máximo desvio da variável controlada (MPd): Medida da degradação
que o processo experimenta devido a uma perturbação. Valores
MPd
pequenos desta medida são desejáveis para manter o processo perto
da referência.
c Taxa de decaimento do sinal de erro (φDRe):: Relação entre os
ϑDRe =
a valores dois primeiros picos do sinal de erro.
e Sobre-sinal da perturbação (φd): Relação entre os valores dos dois
ϑd = − 2
e1 primeiros picos do sinal de erro.
σx Coeficiente de variação (φCOV): Medida da dispersão de uma
ϑCOV = x100
μx distribuição de probabilidade ao redor da sua μX que permite
20

comparar variâncias σX de populações diferentes com μX diferentes.


Um valor de φCOV <1 representa uma baixa-variação e um valor de
φCOV>1 uma alta-variação.
2σ x Variação ou Variabilidade (φVAR): Valor relativo da variância na
ϑVAR = x100 variável de processo durante um tempo de avaliação ou
μx
porcentagem da média.
Variância da variável controlada/manipulada (σ2x): Medida do
N

∑ ( x(k ) − x ) 2 desvio da variável controlada/manipulada do seu valor médio.


2 1
σx =
N − 1 k =1 Índice estreitamente relacionado com o valor da integral do erro
quadrático. Valores baixos de σ2x são desejados.

2.6 AVALIAÇÃO BASEADA EM PADRÃO REFERENCIAL

Um dos objetivos da avaliação do desempenho de um sistema de controle é confirmar se


o atual ponto de operação é ótimo (por exemplo, se os valores médios dos principais processos
e variáveis estão tão próximos quanto possível da especificação do produto). Isto é realizado
verificando a localização do atual ponto de operação, calculando a variância da distribuição de
dados das principais variáveis do processo e a percentagem da satisfação da especificação do
produto.

Freqüentemente, os objetivos de operação na indústria de processos são especificados em


termos de medidas de variabilidade tais como a variância ou desvio padrão. O sinal mais básico
para realizar a manutenção é a inaceitável variabilidade na malha. O monitoramento de alguma
medida de variabilidade é obviamente de fundamental importância para uma operação
eficiente. Neste sentido, as melhorias que se traduzem em benefícios econômicos são
relacionadas com o incremento do desempenho do processo através da redução da variância
das “principais variáveis do processo”, o qual permite que o ponto médio de operação seja
deslocado próximo à sua especificação. É importante salientar que a redução da variabilidade
de uma variável de um determinado processo pode resultar no incremento a variabilidade de
outras variáveis do processo. Na figura (2.10) ilustra-se os quatro principais passos para
incremento do desempenho e seus benefícios na eficiência do sistema de controle.

Figura 2.10 – Passos para o incremento do desempenho do sistema de controle e seus


benefícios.

No entanto, não está claro quanto é possível reduzir a variância e como resultado, quão
perto da especificação o ponto de operação pode se mover. Consequentemente, para isto é
necessário adotar um padrão referencial de desempenho que permita avaliar o desvio do atual
21

desempenho, e quantificar sua possível melhoria para poder determinar o benefício em termos
econômicos. Isto, no entanto, não significa que este potencial será completamente alcançado.

A supervisão dos sistemas de controle deve ser empregada em duas principais atividades
para assegurar que o potencial dos controladores em nível regulatório seja atingido garantindo
desta forma os benefícios dos controladores avançados. Estas atividades são a avaliação
apropriada do sistema de controle através de padrões referenciais e, a monitoração contínua do
desempenho dos controladores instalados para mantê-los no pico da eficiência.

2.6.1 MÉTODO PROPOSTO POR HARRIS

O princípio deste interessante método proposto por Harris (1989) é ilustrado na figura
(2.11), e consiste em comparar a variância, que pode ser obtida teoricamente se um controlador
de variância mínima fosse aplicado no sistema, σ2y:MV, com a variância observada na variável
controlada, σ2y:Atual. A comparação é realizada através do índice de desempenho, ηMV,
denominado índice de Harris, que é limitado no intervalo de valores entre 0 ≤ ηMV ≤ 1, onde
valores próximos da unidade indicam um bom controle com respeito à variância de saída
teoricamente alcançável.

Figura 2.11 – Princípio do método para avaliação do desempenho de Harris (1989).

A beleza deste método encontra-se em que tanto a variância observada quanto a


estimativa da variância alcançável à saída do processo sobre um MVC podem ser facilmente
calculadas utilizando-se dados rotineiros de planta. O procedimento para a implementação
prática é resumido nos seguintes pontos: i) aquisição de dados; ii) estimação do atraso de
transporte; iii) identificaçao do modelo de malha fechada que relaciona a saída do processo a
22

entrada de ruido; iv) estimação da variância do ruido e da resposta ao impulso; v) estimação da


variancia mínima , σ2y:MV. Uma vez conhecidos os coeficientes da resposta ao impulso e a
variância do ruído, a variância mínima é calculada através da seguinte expressão:

d −1
2
( 2 2 2
)
σ y:MV = J MIN = 1 + f1 + f 2 + ... + f n f σ n =
2
∑ f j2σ n2
j= 0

vi) estimação da variância da saída atual, σ2y:Atual, a estimativa desta variância também é
calculada de forma direta, através da seguinte relação:

N
1
∑ ( y(k) − y r (k) )
2 2
σ y:Atual =
N −1 k =1

vii) cálculo do índice de Harris, ηHarris. Este índice pode ser calculado como a taxa entre o
padrão referencial de variância mínima σ2y:MV e a estimação da variância de saída atual σ2y:Atual.
Na prática as variâncias podem variar com o tempo devido à natureza variante no tempo das
perturbações e do processo. Conseqüentemente é razoável calcular as variâncias envolvidas no
cálculo do indicador de tempo em tempo. viii) cálculo da auto-correlação da saída (ACF). O
cálculo e representação gráfica da ACF da variável controlada ou do erro de controle
proporcionam uma alternativa simples para avaliar quão perto o controlador existente se
encontra da sua condição de variância mínima ou quão preditivo o erro está sobre o horizonte
de tempo de interesse. Da teoria de MVC apresentada anteriormente se sabe que a menor
variância que uma malha de controle poderia alcançar é se o MVC for alcançado. Sob esta
condição, o sinal de controle resultante seria o ruído branco perfeito, devido a que o
controlador removeria toda a variabilidade não-aleatória ou componente preditivo. No entanto,
na presença de atraso de transporte na malha, o ruído branco perfeito não pode ser gerado, e
sob esta condição a ACF seria zero para todas as defasagens exceto aquelas menores ao atraso
de transporte mais uma amostra.

2.6.2 MÉTODO PROPOSTO POR SHUNTA

O princípio deste método proposto por Shunta (1995), é ilustrado na figura (2.12), e
consiste em comparar o desvio padrão mínimo, que pode ser obtido se um MVC fosse aplicado
no sistema, σFbc, com o desvio padrão total da variável controlada (ou erro de controle), σTot. O
desvio padrão mínimo é calculado através da formula de Fellner, que relaciona a capacidade do
desvio padrão, σCap, com o desvio padrão total, σTot, e a comparação é realizada através do
índice “estimado” de Harris, ηMVS, que inclui o parâmetro α para a ponderação da
sensibilidade. Este indicador é limitado no intervalo de valores 0 ≤ ηMVS ≤ 1, onde valores
próximos da unidade indicam um bom controle com respeito à variância mínima da saída
teoricamente alcançável.
23

Figura 2.12 – Princípio do método para avaliação do desempenho de Shunta (1995).

A grande vantagem deste método se encontra na simplicidade computacional da sua


implementação online e offline, o que permite adicioná-lo em dispositivos de campo
industriais. Para simplificar ainda mais o esforço computacional podem-se usar as seguintes
aproximações:

⎛ 1 N x(k) − x ⎞ ; σ ≅ 1 ⎛ 1 N

σ Tot ≅ 1.25 ⎜ ∑
⎝ N k =1


Cap ⎜ ∑
1.128 ⎝ N − 1 k = 2 + d
x(k) − x(k − 1 − d) ⎟

O cálculo da capacidade do desvio padrão requer que a taxa de amostragem seja


suficientemente rápida para uma implementação bem sucedida (Blevins et al., 2003).

2.7 PROBLEMAS

1) Seja o seguinte sinal típico na indústria de processos:

y n (k) = y(k) + n(k) = A cos(2πwk) + ( 2ε(k) + ε(k − 1) )

onde ε(k) é uma seqüência ruído branco com variância unitária e w é a freqüência de oscilação.
Avaliar o filtro exponencial duplo representado por

y f (k) = γαy n (k) + (2 − γ − α)y f (k − 1) − (1 − γ )(1 − α )yf (k − 2)

admitindo os seguintes sinais: i) sinal de baixa freqüência: A = 2, w = 0.002, γ = 0.2, α = 0.2;


ii) sinal de alta freqüência: A = 4, w = 0.02, γ = 0.1, α = 0.342.
24

2) Considere o problema da estimação de um sinal constante a partir das medidas ruidosas, isto
é, y( t ) = s( t ) + e( t ) , sendo e(t) o ruído do sistema. A figura ilustra a característica temporal da
saída do sistema. A estimativa natural do sinal pode ser calculada por

 1 t
s(t) = ∑ y(k)
t k =1

3.5

2.5

2
Sinal de Saída
1.5

0.5

-0.5

-1

-1.5
0 50 100 150 200 250 300
Amostras

 
(i) Reescrever a estimativa de modo que s( t ) seja atualizado com s( t − 1 ) quando uma nova
medita y(t) esteja disponível. Esta equação captura a essência de algoritmos de estimação
recursivos?; (ii) Implementar o resultado do item (a) em Matlab e verificar a convergência da
estimativa. Admitir 100 amostras e utilizar o comando randn na geração de e(t); (iii)
Implementar os filtros digitais média-móvel e de primeira ordem passa-baixa. Comparar os
resultados.

3) Os dados de qualidade do produto de um reator estão ilustrados na tabela, baseados na


avaliação da cor do produto. Filtrar as medidas utilizando um filtro exponencial com α = 0.2 e
α = 0.5. Utilizar um filtro média-móvel com J = 4. Implementar e avaliar um filtro noise-spike
com Δx = 0.5. Comparar os resultados.

t (min) x (índice de cor)


0 0
1 1.5
2 0.3
3 1.6
4 0.4
5 1.7
6 1.5
7 2.0
8 1.5

BIBLIOGRAFIA

Aguirre, L. A.; Silva, A. P. A.; Campos, M. F. M. e Amaral, W. C. (2007). Enciclopédia de


Automática: Controle e Automação, vol. 3, Ed. Blucher.
Åström, K. J. e Hägglund, T. (2004). Revisiting the Ziegler-Nichols Step Response Method for
PID Control, Journal of Process Control, vol. 14, pp. 635-650.
25

Åström, K. J. e Hägglund, T. (2005). Advanced PID Control, ISA - The Instrumentation,


Systems and Automation Society.
Blevins, T. L.; McMillan, G. K.; Wojsznis, W. K. e Brown, M. W. (2003). Advanced Control
Unleashed: Plant Performance Management for Optimum Benefit.
Brown, D. C. (1999). Alarm Management: A Problem Worth Taking Seriously, Control
Magazine.
Cao, S. e Rhinehart, R. R. (1995). An Efficient Method of On-Line Identification of Steady
State, Journal of Process Control, vol. 5, pp. 363-374.
Cheng, C. Y. (2006). Autotuning of PID Controllers: a Relay Feedback Approach, 2nd ed,
Springer-Verlag, London.
Desborough, L.; Miller, R. e Nordh, P. (2000). Regulatory Control Survey, Honeywell.
Desborough, L. e Miller, R. (2001). Increasing Customer Value of Industrial Control
Performance Monitoring - Honeywell's Experience, CPC VI., Arizona, pp. 172-192.
DeVries, W. R. e Wu, S. M. (1978). Evaluation of Process Control Effectiveness and
Diagnosis of Variation in Paper Basis Weight via Multivariate Time-Series Analysis, IEE
Transactions on Automatic Control, vol. 23, pp. 702-708.
Diehl, J. (2004). Preprocessing and Visualization, Seminar Data Mining in WS, pp. 1-21.
ExperTune. (2004). Performance Measurement - The rest of the story.
Gude, J. J.; Kahoraho, E. e Etxaniz, J. (2006). Practical Aspects of PID Controllers: An
Industrial Experience, IEEE Conference on Emerging Technologies and Factory
Automation, ETFA’06, pp. 870-878.
Hadjiski, M.; Strmcnik, S.; Boshnakov, K.; Gerksic, S.; Christova, N. e Kocijan, J. (2003). On-
Line Control Performance Monitor with Robust Properties, Industrial Technology, IEEE
International Conference, vol. 2, pp. 918-923.
Hågglund, T. (1995). A Control-Loop Performance Monitoring, Control Engineering Practice,
vol. 3, pp. 1543-1551.
Hågglund, T. (2005). Industrial Implementation of On-Line Performance Monitoring Tools,
Control Engineering Practice.
Hågglund, T. e Åström, K. J. (2000). Supervision of Adaptive Control Algorithms,
Automatica, vol. 6, pp. 1171-1180.
Harris, T. J. (1989). Assessment of Control Loop Performance, The Canadian Journal of
Chemical Engineering, vol. 67, pp. 856-861.
Harris, T. J. e Seppala, C. T. (2002). Recent Developments in Controller Performance
Monitoring and Assessment Techniques, Chem.Proc. Control-VI, AIChE Symposium
Series No. 326, vol. 98, pp. 208-222.
Hollifield, B. R. e Habibi, E. (2007). Alarm Management: Seven Effective Methods for
Optimization Performance, The Instrument Society of America (ISA).
Hugo, A. J. (2006). Performance Assessment of Single-Loop Industrial Controllers, Journal of
Process Control, vol. 16, pp. 785-794.
I.B.G.E. (2005). Estrutura dos Custos e Despesas das Empresas Industriais, Segundo o Grupo
de Atividades, Instituto Brasileiro de Geografia e Estatística, IBGE.
Jofriet, P. J.; Seppala, C.; Harvey, M.; Surgenor, B. e Harris, T. J. (1996). An Expert System
for Control Loop Performance, Pulp & Paper Canada, vol. 97, pp. 207-211.
Ko, B.-S. e Edgar, T. F. (2004). PID Control Performance Assessment: The Single-Loop Case,
AIChE Journal, vol. 50, pp. 1211-1218.
Kinney, T. (2004). Using a Performance Monitor to Connect to a Historical Database, ISA -
The Instrumentation, Systems and Automation Society, pp. 1-5.
Malik, O. P.; Hope, G. S. e Cheng S. J. (1991). Some Issues on the Practical Use of the
Recursive Least Squares Identification in Self-Tuning Control, International Journal of
Control, vol. 53, pp. 1021-1033.
26

Miao, T. e Seborg, D. (1998). Automatic Detection of Excessively Oscillatory Feedback


Control Loops, U.S.
Paulonis, M. A. e Cox, J. W. (2003). A Practical Approach for Large Scale Controller
Performance Assessment, Diagnosis and Improvement, Journal of Process Control, vol.
13, pp.155-168.
P.A.S. Inc. (2000). The Cost / Benefit of Alarm Management: An Economic Justification for
Alarm System Re-engineering, Plant Automation Services.
Ruel, M. (2003). Using Filtering to Improve Performance, ISA Expo 2003, pp. 21-23 October,
Houston, TX.
Seborg, D. E.; Edgar, T. F. e Mellichamp, D.A. (2004). Process Dynamics and Control, John
Wiley & Sons.
Shunta, J. P. (1995). Achieving World Class Manufacturing Through Process Control, NJ.
Skogestad, S. (2003). Simple Analytic Rules for Model Reduction and PID Controller Tuning,
Journal of Process Control, vol. 19, pp. 291-309.
Takada, H. (1998). Process Health Monitoring Applications in Chemical Facilities, Insights 98.
Thornhill, N. F. e Hågglund, T. (1997). Detection and Diagnosis of Oscillation in Control
Loops, Control Engineering Practice, vol. 5, pp. 1343-1354.
Thornhill, N. F. (2000). Control Loop Performance Assessment - Report, IEE Concepts for
Automation and Control Professional Network, Savoy Place, London.
Thornhill, N. F.; Choudhury, M. A. A. S. e Shah, S. L. (2004). The Impact of Compression on
Data-Driven Process Analyses, Journal of Process Control, pp.389-398.
Visioli, A. (2006). Practical PID Control.
Wang, L. e Cluett, W. R. (2000). From Plant Data to Process Control, Taylor & Francis.
1

Capítulo 3

PRINCÍPIOS EM IDENTIFICACÃO EXPERIMENTAL

_____________________________________________________________________
Introdução. Aspectos da Identificação. Identificação por mínimos quadrados
recursivo. Aplicação em uma planta de nível acoplada não-linear. Aplicação
do MQR em dados de campo. Identificação por relê. Aplicação em uma
planta de velocidade. Problemas. Bibliografia.
_____________________________________________________________________

3.1 INTRODUÇÃO

Modelagem e Identificação consistem na determinação de um modelo matemático que


representa os aspectos essências do sistema, relacionados através de uma equação diferencial
ou equação a diferenças. O modelo final é uma forma do conhecimento da relação existente
entre os sinais de entrada e saída. Uma vez obtido o modelo matemático do processo é
possível, por exemplo, analisar e projetar um sistema de controle de modo a garantir as
especificações de desempenho da malha controlada.

Os procedimentos envolvidos na elaboração de modelos matemáticos estão mostrados na


figura (3.1) e são usualmente classificados em:

• Análise Físico-Matemática: baseia-se nas leis da física que caracterizam um sistema


particular como as leis de conservação de massa, energia e momento.
• Análise Experimental: baseia-se nas medidas ou observações do sistema.

Estes procedimentos propiciam a obtenção de modelos que representam a dinâmica do


sistema (processo ou planta). Para fins de controle de processos não se pretende encontrar um
modelo matemático exato, mas um modelo adequado para uma determinada aplicação. Na
prática utiliza-se a hipótese básica para elaboração de modelos de que processos reais, em
geral, não necessitam obrigatoriamente de modelos complexos.

O modelo de um sistema é uma equação matemática utilizada para responder questões


sobre o sistema sem a realização de experimentações (através de um modelo pode-se calcular
ou decidir como o sistema comporta-se sob determinadas condições operacionais). A utilização
do modelo para simulação do sistema constitui um procedimento de baixo custo e seguro para
experimentar o sistema. Entretanto, a validade (adequação) dos resultados de simulação
depende da qualidade do modelo matemático do sistema.
2

Figura 3.1 – Princípios para a elaboração de um modelo matemático.

Alguns dos diferentes propósitos para a utilização de modelos matemáticos em


automação industrial são:

• Predição: é uma tentativa de predizer os estados futuros do sistema (comportamento


dinâmico) e está limitada à precisão do modelo e aos efeitos das perturbações atuantes
(presentes) no sistema.
• Análise e Projeto de Sistemas de Controle: proporciona um vasto campo para aplicação em
modelagem e identificação na sintonia de controladores clássicos, síntese de algoritmos de
controle adaptativos e preditivos e, na estimação do estado de variáveis não-mensuráveis,
por exemplo, a estimação da velocidade a partir da posição é uma medida indireta.
• Supervisão: utiliza a simulação, com base no modelo matemático, para avaliação das
características operacionais do sistema, para o projeto de engenharia ou para o treinamento
de operadores. Muitas vezes é também utilizado na detecção de erros e diagnóstico.
• Otimização: empregado na tomada de decisões nos mais variados campos: no
escalonamento, na manutenção e na economia em sistemas industriais (maximizar
produção, minimizar custos, etc.). A otimização de sistemas necessita de modelos
matemáticos precisos.

Como exemplo da modelagem física, considere o sistema mono-tanque da figura (3.2),


onde A é a área do tanque (m2), a é a área do tubo de saída (m2), h(t) é o nível do líquido no
tanque (m), u(t) é a vazão de entrada (m3/seg) e, q(t) é a vazão de saída (m3/seg).
3

Figura 3.2 – Processo de nível.

Para avaliar suas características operacionais deve-se obter uma equação diferencial não-
linear para o sistema (calcular um modelo matemático relacionando as variáveis de entrada,
u(t), e saída, h(t)). Assim, utiliza-se a lei de Bernoulli que descreve a relação entre a velocidade
de vazão da saída (m/seg) e o nível do líquido no tanque, isto é,

v( t ) = 2gh( t ) (3.1)

e onde g é a aceleração da gravidade.

A equação relacionando a vazão da saída, q(t), e a velocidade de vazão da saída, v(t), é


dada por

q ( t ) = av( t ) (3.2)

O volume de líquido no tanque, em um instante t, é calculado por

Ah( t ) (m 3 ) (3.3)

e modifica-se de acordo com a diferença entre o fluxo de entrada e saída (denominado balanço
de massa), isto é,

dAh( t )
= − q ( t ) + u( t ) (3.4)
dt

Substituindo-se as equações (3.1) e (3.2) na equação (3.4) obtém-se uma equação


diferencial não-linear para avaliar o comportamento do nível do líquido, ou seja,

dh( t ) − a 2g 1
= h( t ) + u( t ) (3.5)
dt A A

Pelo conhecimento da dimensão dos diferentes elementos que compõem o sistema mono-
tanque pode-se avaliar sua dinâmica pela equação (3.5); por exemplo, é possível determinar o
nível h(t) quando o fluxo de entrada u(t) é conhecido.

O fluxo de saída pode ser calculado pela seguinte expressão:

q ( t ) = a 2g h( t ) (3.6)
4

Este capítulo revisa os princípios em modelagem self-tuning e auto-tuning associados a


área de identificação. As características e os aspectos de implementação dos estimadores por
mínimos quadrados e relê são apresentados visando aplicativos em modelagem e controle
adaptativo.

3.2 ASPECTOS DA IDENTIFICAÇÃO

Para os processos industriais, o modelo matemático deve ser obtido a partir do tratamento
das medidas (propriedades estatísticas, reconstrução e filtragem de dados) e coletadas a partir
de uma realização experimental. A figura (3.3) ilustra a composição básica em blocos de uma
tarefa de identificação.

Figura 3.3 – Procedimento para identificação de processos.

A área de identificação tem tido considerável interesse nos últimos anos para fins de
predição, supervisão, diagnósticos e controle. Observa-se a aplicação em diversos campos da
engenharia, tais como processos químicos, sistemas biomédicos, sistemas sócio-econômicos,
sistemas elétricos, entre outros. Em uma tarefa de identificação diferentes procedimentos para
geração da entrada, saída e armazenamento dos dados são utilizados, entre os quais:

• Identificação de um Processo pelo Teste da Resposta ao Degrau: o processo é submetido a


uma mudança na entrada do tipo degrau e o armazenamento das medidas é realizado por
algum registrador. Com a curva de reação do processo é possível aplicar diferentes técnicas
gráficas, numéricas ou computacionais para modelar o sistema controlado por equações de
primeira ou segunda ordem (processos com modelos de ordem reduzida), conforme ilustra a
figura (3.4). O teste de resposta ao degrau só tem validade para processos lineares ou para
processos não-lineares que sejam aproximadamente lineares na vizinhança do ponto de
operação. O teste de resposta ao degrau, por natureza, não permite a estimação de modelos
de ordem elevada, já que o sinal degrau tem uma pobre composição em freqüência.

Figura 3.4 – Modelagem a partir de uma mudança na entrada.

• Identificação pelo Teste da Resposta em Freqüência: o processo é submetido a uma entrada


harmônica (sinal senoidal). De acordo com as curvas de magnitude e fase é possível
identificar as freqüências de corte e, conseqüentemente, a equação diferencial estimada
correspondente, conforme mostra a figura (3.5).
5

Figura 3.5 – Modelagem por resposta em freqüência.

• Identificação Off-line: com o auxílio de sinais de teste apropriados de entrada (ruído branco,
seqüência binária pseudo-aleatória), excita-se o processo e armazenam-se as medidas de
entrada e saída para aplicação e avaliação a posteriori dos algoritmos de estimação não-
recursivos, conforme ilustra a figura (3.6). Para isso, é necessário que a estrutura do modelo
esteja disponível, ou seja, é preciso selecionar a ordem do modelo, o número de pólos e
zeros, e eventualmente o valor do atraso de transporte ou tempo morto. O cálculo dos
parâmetros é feito em um momento e o tempo de avaliação é diferente daquele em que se
realiza o ensaio. Por isto se diz que a estimação é feita off-line. Para este tipo de abordagem
utilizam-se na prática modelos discretos para os processos. Isso se justifica pelo fato de que
os algoritmos de identificação trabalham com os valores de amostras dos sinais de entrada e
saída.

Figura 3.6 – Modelagem off-line.

Observação:

¾ As medidas são processadas para estimar os parâmetros do modelo sem restrição de tempo
computacional. Neste caso utilizar algoritmos não-recursivos, figura (3.7).
6

Figura 3.7 – Identificação de processos off-line.

• Identificação On-line: é um procedimento iterativo via computador. A identificação off-line


tem uma desvantagem de implementação. Muita quantidade de memória pode ser necessária
para armazenar os valores digitalizados de todas as amostras de entrada e saída do sistema
obtidas no ensaio. Neste sentido, muitas vezes precisa-se de métodos recursivos que
utilizem pouca memória e que sejam capazes de atualizar a estimação dos parâmetros do
modelo a cada período de amostragem. Conforme representado na figura (3.8), diversos
algoritmos estão disponíveis na literatura para se realizar a estimação on-line. A aplicação
em tempo real dos algoritmos de identificação é interessante para vários propósitos, entre os
quais, rastreamento de parâmetros variantes no tempo, detecção, diagnóstico, filtragem e
controle adaptativo.

Figura 3.8 – Modelagem on-line.

Observações:

¾ Todas as medidas da experimentação não precisam ser armazenadas e processadas.

¾ Um algoritmo de estimação recursivo é utilizado para ajustar os parâmetros após cada


período de amostragem.

¾ A quantidade de cálculos (tempo de processamento do algoritmo) necessária para ajustar o


modelo é função do período de amostragem, figura (3.8).

A identificação de modo geral, consiste de três etapas: determinação da estrutura,


estimação dos parâmetros e validação do modelo. A figura (3.9) ilustra as diferentes etapas da
identificação de processos.
7

Figura 3.9 – Etapas do procedimento de identificação.

A realização do experimento proporciona a aquisição das medidas do processo (dados


experimentais). Assim, depois de selecionado o período de amostragem para cada processo em
particular, coleta-se um conjunto de medidas (visando-se a obtenção de um modelo discreto),
sendo

ZN = {Y , U}

Y = {y(k) / k = 1,..., N} ; U = {u(k) / k = 1,..., N}

onde Y é o conjunto de valores medidos do sinal de saída, y(k), U é o conjunto das entradas do
sistema, u(k), N é o universo da experimentação e, k especifica os instantes de amostragem
múltiplos de Ts (Ts, 2Ts, 3Ts, ...). Na fase seguinte, a determinação da estrutura do modelo, é
realizada a partir de um conjunto de modelos candidatos, baseado em algum conhecimento a
priori sobre o sistema a ser identificado e as informações necessárias para a seleção do
conjunto de regressores para aplicação da técnica de identificação adotada, seja do tipo
paramétrica ou não-paramétrica, linear ou não-linear. A estimação do modelo consiste na
seleção de técnicas de estimação para a classe da estrutura especificada. No caso da estimação
paramétrica objetiva-se aproximar os parâmetros desconhecidos dos polinômios do modelo
(representação entrada/saída). A partir de ZN, a validação do modelo matemático é efetuada
pela comparação do modelo obtido com as medidas em um conjunto de dados que não foi
utilizado na estimação do modelo matemático (generalização do modelo).

O ajuste dos parâmetros do modelo estimado de modo que o erro entre a saída do sistema
e a do modelo seja mínimo, de acordo com um dado critério, está mostrado na figura (3.10).
8

Figura 3.10 – Diagrama de identificação de ajuste do modelo.

O modelo é adequado se o erro cometido no ajuste está em valores pré-estabelecidos, ou


ainda, para uma determinada aplicação a resposta do modelo estimado reflete corretamente a
resposta do sistema, não apresentado discrepância entre o real e o estimado (não existe um
método de identificação que é universalmente aceito como mais apropriado).

Um exemplo de utilização da identificação de sistemas em engenharia de controle de


processos, que tem sido enfatizado nos últimos anos é na implementação de controladores
adaptativos. Justifica-se a utilização destes algoritmos de controle pela adequação para tratar
processos variantes no tempo com parâmetros desconhecidos e, adicionalmente, em aplicações
práticas devido a ineficiência do desempenho dinâmico de algoritmos de controle com ganhos
fixos na presença de complexidades (dinâmica assimétrica, parâmetros variantes, não-
linearidades) no processo controlado.

Os controladores adaptativos do tipo auto-ajustável (self-tuning) apresentam uma malha


adicional que automaticamente modifica os parâmetros para compensar as variações ocorridas
no processo ou no meio ambiente, trazendo benefícios significativos em relação a outros tipos
de controladores, pois as variações da dinâmica são acompanhadas pelo identificador e,
conseqüentemente, pelo controlador a cada período de amostragem. Esta estratégia de controle
está dividida em duas etapas: identificação e controle, conforme ilustra a figura (3.11).

Figura 3.11 – Esquema do controle adaptativo do tipo self-tuning.


9

Na atualidade existe um grande número de controladores manufaturados em processos


industriais com característica de auto-sintonia denominada auto-tuning. Esta metodologia de
projeto insere um relê no contexto da estimação de modelos matemáticos de ordem reduzida a
partir da resposta em freqüência. Os experimentos com relê na malha de realimentação
tornaram-se populares a partir do trabalho de Åström e Hägglund (1984). Este método é
utilizado para determinar o ganho crítico e a freqüência crítica e, por conseqüência,
automatizar os métodos de projeto de controladores PID proposto por Ziegler e Nichols (1942).
A figura (3.12) ilustra o elemento não-linear (relê) realimentando um sistema de controle para
o propósito da identificação paramétrica.

Figura 3.12 – Esquema do controle adaptativo do tipo auto-tuning.

3.3 IDENTIFICAÇÃO POR MÍNIMOS QUADRADOS RECURSIVO

O mecanismo de estimação de parâmetros é a essência do projeto de um sistema de


controle adaptativo, o qual depende principalmente da eficiência do estimador. A estimação
dos parâmetros é realizada baseando-se nas medidas obtidas da entrada e saída do processo. Os
parâmetros estimados são, em geral, variantes no tempo e o modelo estimado é uma
“simplificação” do sistema real. Isto permite a atualização dos parâmetros, em um modelo
linear, que pode estar representando uma planta não-linear.

Em cada período de amostragem novas medidas de entrada e de saída tornam-se


disponíveis e são utilizadas com o modelo atual para gerar um novo erro de identificação.
Pode-se visualizar o processo de estimação em termos de um modelo paralelo conforme ilustra
a figura (3.13).

Figura 3.13 – Esquema de operação do estimador.


10

Para determinar a estimativa ótima é necessário definir uma função custo que minimize o
índice de desempenho (J). Este índice é uma medida quantitativa do desempenho do estimador,
medindo o desvio do valor estimado em relação ao valor real da saída da planta. O objetivo é
encontrar a estimativa dos parâmetros desconhecidos que minimize a função custo
representada por

1 N
J= ∑ [ y(k) − y(k)
ˆ ]
2

N k =1

onde y(k) é a variável do processo, ŷ( k ) é a estimação da saída e N é o número de amostras da


experimentação.

Considere um processo físico caracterizado por uma entrada, u(k), uma saída, y(k), um
atraso de transporte d, uma perturbação e(k) e representado por uma equação a diferenças da
forma

y(k) = –a1y(k–1) – a2y(k–2) – ... – anay(k–na) +


(3.7)
b0u(k–d) + b1u(k–d–1) + ... + bnbu(k–d–nb) + e(k)

Observações:

¾ Para o modelo da equação (3.7) tem-se (na + nb + 1) parâmetros a estimar.

¾ Para determinar os ai (i =1,...,na) e bj (j = 0,...,nb) deve-se utilizar as medidas de entrada e


saída do processo.

¾ O termo e(k) pode representar o erro de modelagem/medição ou o ruído na saída da planta.

Definindo-se o vetor de medidas, ϕ(k), por

ϕT(k) = [–y(k–1) –y(k–2) ... –y(k–na) u(k–d) ... u(k–d–nb)] (3.8)

e o vetor de parâmetros, θ(k), por

θT(k) = [a1 a2 ... ana b0 b1 ... bnb] (3.9)

pode-se reescrever a equação (3.7) de acordo com a seguinte relação:

y(k) = ϕT (k)θ + e(k) (3.10)

que é denominada modelo de regressão linear.

As seguintes equações compõem o estimador MQR:

{ }
θˆ (k) = θˆ (k − 1) + K(k) y(k) − ϕT (k)θˆ (k − 1)
11

P(k − 1)ϕ(k)
K(k) = (3.11)
1 + ϕT (k)P(k − 1)ϕ(k)

P(k − 1)ϕ(k)ϕT (k)P(k − 1)


P(k) = P(k − 1) −
1 + ϕT (k)P(k − 1)ϕ(k)

onde K(k) é o ganho do estimador e P(k) é a matriz de covariância.

Observações:

¾ Na equação de θˆ ( k ) , o ganho é multiplicado pelo erro de predição para produzir o termo de


correção para o vetor de parâmetros do modelo. Se o ruído e(k) tem média zero, os
parâmetros estimados θˆ ( k ) tendem aos parâmetros verdadeiros, isto é, E( θˆ ) = θ .

¾ P(k) é uma matriz definida positiva que reflete a magnitude do erro de estimação e seus
elementos tendem a decrescer quando novas medidas são processadas no algoritmo. No
início da operação do estimador, os valores para θˆ ( 0 ) e P(0) devem ser atribuídos. Caso os
valores dos parâmetros estejam disponíveis, estes valores devem ser utilizados para θˆ ( 0 ) ,
com P(0) = mI, onde m ≈ 10. Quando nenhum conhecimento sobre o sistema está
disponível, θˆ ( 0 ) pode começar com valores pequenos e m assumindo um valor grande (m ≈
103 ou maior). No início da estimação, se as estimativas iniciais são pobres, P(k) é
construída como uma matriz diagonal com elementos positivos e de magnitude elevada.
Quando as estimativas melhoram os elementos de P(k) decrescem em magnitude, de modo
que o ganho, K(k), se reduz para zero. O tamanho dos elementos da diagonal de P(k) está
relacionado com a variação dos correspondentes elementos em θˆ ( k ) . Por exemplo, se o
elemento P(1,1) é pequeno, significa que a estimativa do parâmetro θ̂1 é adequada
(variância baixa). Se for grande, significa que a estimativa é inadequada.

¾ Para obterem-se resultados satisfatórios com o estimador MQR, em muitos casos, é


importante a utilização de filtros. Os ruídos e perturbações externas devem ser atenuados
para se obter dados confiáveis na identificação e atualização do modelo estimado.
Igualmente, quando não há ruído ou perturbações, é necessário o uso de filtros para
mascarar o efeito de dinâmicas não-modeladas, tais como sistemas de ordem superior
representados por modelos de baixa ordem.

O estimador MQR pode ser resumido pelo seguinte algoritmo:

i) Medir a saída e entrada da planta

ii) Atualizar o vetor de medidas

ϕT(k) = [–y(k–1) –y(k–2) … u(k–d–1) u(k–d–2) …]

iii) Calcular o erro de predição

ε(k) = y(k) – ϕT(k)θ (k–1)


12

iv) Calcular o ganho do estimador

P(k − 1)ϕ(k)
K(k) =
1 + ϕT (k)P(k − 1)ϕ(k)

v) Calcular o vetor de parâmetros estimados

{
θˆ (k) = θˆ (k − 1) + K(k) y(k) − ϕT (k)θˆ (k − 1) }
vi) Calcular a matriz de covariância

P(k − 1)ϕ(k)ϕT (k)P(k − 1)


P(k) = P(k − 1) −
1 + ϕT (k)P(k − 1)ϕ(k)

3.4 APLICAÇÃO EM UMA PLANTA DE NÍVEL ACOPLADA NÃO-LINEAR

Um processo de regulação de nível não-linear, consistindo de dois tanques acoplados,


está ilustrado na figura (3.14). As equações que caracterizam a dinâmica de segunda ordem em
malha aberta são

.
A1 h1 (t) = u(t) − a1c1 2g(h1 (t) − h 2 (t))
(3.12)
.
A 2 h 2 (t) = a1c1 2g(h1 (t) − h 2 (t)) − a 2 c 2 2g(h 2 (t) − h 0 ) + d(t)

onde a área dos tanques são A1 = A2 = 97 cm2, a área dos acoplamentos (orifícios) são a1 =
0.396 cm2 e a2 = 0.396 cm2, as constantes de descarga são c1 = 0.53 e c2 = 0.63, h0 = 3 cm e g
= 981 cm/seg2. As condições operacionais são: i) a entrada u(t) regula o nível do líquido no
tanque 2; ii) a saída h2(t) é o um nível controlado e varia de zero até 33.33 cm3/seg; iii) a
entrada d(t) no tanque 2 é uma perturbação de carga e não é utilizada; iv) para fins de
identificação o ponto nominal de operação está regulado com uma excitação em torno de 25
cm3/seg.

Figura 3.14 – Planta de nível com dois tanques acoplados.

O estimador MQR está implementado de acordo com a tabela (3.1) e os resultados de


simulação são apresentados na figura (3.15). Os resultados da experimentação numérica
mostram a convergência dos parâmetros estimados para o modelo de segunda ordem.
13

Tabela 3.1 – Parametrização do estimador para o sistema de nível.


Modelo y(k) = –a1y(k–1) – a2y(k–2) + b0u(k–1) + b1u(k–2)
θ(0) [0.01 0.01 0.01 0.01]T
P(0) 1000I4x4
Ts 1 seg

saída entrada
9 26

25.8
8
25.6

25.4
7
25.2

6 25

24.8
5
24.6

24.4
4
24.2

3 24
0 200 400 600 800 0 200 400 600 800
amostra amostra

a1 a2
0.5 0.5

-0.5 0

-1

-1.5 -0.5
0 200 400 600 800 0 200 400 600 800
amostra amostra
b0 b1
0.15 0.15

0.1 0.1

0.05 0.05

0 0

-0.05 -0.05
0 200 400 600 800 0 200 400 600 800
amostra amostra

Figura 3.15 – Dinâmicas e estimativas do processo de nível sob identificação.

O correspondente código em Matlab do estimador MQR para a planta de nível está


ilustrado na tabela (3.2).

Tabela 3.2 – Matlab do algoritmo MQR nos dois tanques acoplados.


clear all, close all, clc
% ----- Constantes
g = 981;h3 = 3;ts = 1;
A1 = 97;a1 = 0.396;c1 = 0.53;A2 = 97;a2 = 0.396;c2 = 0.63;
% -----Condições iniciais
d = 8;niter = 700;
h1(1:d) = 3;h2(1:d) = 3;
u(1:niter) = 12;umin = 0; umax = 33.33;
pert(1:1500) = 0;pert(1501:niter) = 0.0;
% ----- Excitação
14

x1 = rand(niter,1); % Média 0.5 e variância 0.083


y1 = 2*x1 - 1; % Média nula e variância 0.33
z1 = 0.5*sqrt(3)*y1; % Média nula e variância 1
u(1:niter) = 25;u = u' + z1;
% ----- Inicialização do estimador
teta = [0.01 0.01 0.01 0.01];p = 1000*eye(4,4);
% ----- Simulação
for k = d:niter
h1(k) = h1(k-1) + (ts/A1)*(u(k-1) - a1*c1*sqrt(2*g*(h1(k-1) - h2(k-1))));
h2(k) = h2(k-1) + (ts/A2)*(dist(k-1) + ...
a1*c1*sqrt(2*g*(h1(k-1) - h2(k-1))) - ...
a2*c2*sqrt(2*g*(h2(k-1) - h3))) + pert(k);
% ----- Identificação
vm = [-h2(k-1) -h2(k-2) u(k-1) u(k-2)];
yhat = vm*teta';
est(k) = h2(k) - yhat;
ganho = (p*vm') / (1 + vm*p*vm');
teta = teta + (ganho')*est(k);
p = p - ganho*(1 + vm*p*vm')*(ganho');
a1e(k)=teta(1,1);a2e(k)=teta(1,2);
b0e(k)=teta(1,3);b1e(k)=teta(1,4);
end
t = 1:niter;
figure(1)
subplot(121),plot(t,h2(t)),title('saída'),xlabel('amostra');
subplot(122),plot(t,u(t)),title('entrada'),xlabel('amostra');
figure(2)
subplot(221),plot(t,a1e(t)),title('a1'),xlabel('amostra');
subplot(222),plot(t,a2e(t)),title('a2'),xlabel('amostra');
subplot(223),plot(t,b0e(t)),title('b0'),xlabel('amostra');
subplot(224),plot(t,b1e(t)),title('b1'),xlabel('amostra');

3.5 APLICAÇÃO DO MQR EM DADOS DE CAMPO

Em muitos ensaios industriais o engenheiro de campo ou o operador de processos tem


acesso as medidas de campo. Adicionalmente, com o aumento da variabilidade numa planta em
produção faz-se necessário uma reavaliação do sistema de controle implementado. Logo, uma
possível explicação pela perda de produção do processo está associada efetivamente tanto ao
procedimento de sintonia como da instrumentação de medição e atuação (Gude et al., 2006).
Uma maneira de lidar com o problema da sintonia é avaliar um novo modelo de planta para re-
sintonizar um possível algoritmo de controle PID. Esta situação prática é apresentada e
simulada na base de dados internacional denominada Daisy
(http://homes.esat.kuleuven.be/~smc/daisy/), com as medidas de uma planta de temperatura
monovariável (hair dryer). O sistema é composto por um mini-ventilador acoplado a um
aquecedor elétrico, montados em um tubo de seção transversal uniforme. A potência do resistor
elétrico é controlada por um circuito eletrônico de potência e a temperatura é medida através de
dois sensores posicionados nas extremidades do tubo.
15

Aplicando-se o estimador MQR do Matlab nas 1000 amostras, conforme mostra o código
do algoritmo da tabela (3.3), obtêm-se as estimativas e validação de um modelo discreto
conforme ilustra as figuras (3.16) e (3.17), respectivamente.

Tabela 3.3 – Estimador MQR do Matlab com as medidas de campo.


clear all,close all,clc
% ----- Condição inicial
load secador.dat
npts = 1000;ts = 0.1;na = 2;nb = 2;d = 1;
% ----- Medidas
u = secador(1:npts,1);
y = secador(1:npts,2);
z = [y u];
modelo = arx(z,[na nb d])
[apol,bpol] = polydata(modelo)
jmq = modelo.EstimationInfo.LossFcn
yest = idsim(u,modelo);
figure(1)
plot([yest y])
figure(2)
plot(u)
eest = (y - yest);erroest = eest'*eest;
figure(3)
autocorr(eest,50);

7 6.5

6 6

5 5.5

4 5

3 4.5

2 4

1 3.5

0 3
0 100 200 300 400 500 600 700 800 900 1000 0 100 200 300 400 500 600 700 800 900 1000

Figura 3.16 – Saída real e estimada, sinal de controle do secador.

Sample Autocorrelation Function (ACF)

0.8
Sample Autocorrelation

0.6

0.4

0.2

-0.2
0 5 10 15 20 25 30 35 40 45 50
Lag

Figura 3.17 – Validação do modelo do secador.


16

Como resultado da identificação obteve-se o seguinte modelo discreto de segunda ordem:

y(k) = 1.689y(k–1) – 0.7385y(k–2) +0.003801u(k–1) + 0.04418u(k–2)

e, observando-se tanto o somatório do erro de predição de valor 0.009025 como a função de


auto-correlação do erro de estimação no intervalo de confiança, indica uma adequação do
modelo discreto de segunda ordem aos dados da planta.

Observação:

¾ Um sistema de controle semelhante, denominado de túnel de aquecimento, foi desenvolvido


no Departamento de Automação e Sistemas da Universidade Federal de Santa Catarina e
pode ser visto na figura (3.18).

Figura 3.18 – Sistema de temperatura do DAS/UFSC.

3.6 IDENTIFICAÇÃO POR RELÊ

A aproximadamente 60 anos Ziegler e Nichols publicaram um artigo que introduzia dois


métodos práticos para a modelagem de sistemas dinâmicos de ordem reduzida. As técnicas
apresentadas por Ziegler e Nichols (1942) podem ser resumidas como:

• Via Resposta ao Degrau: pela caracterização da resposta ao degrau em malha aberta


determinam-se as constantes da planta K p ,τ , θ .
• Via Resposta em Freqüência: realizado em malha fechada; aumenta-se o ganho
proporcional (ganho de malha crítico, Ku) até que a planta oscile no limite da estabilidade
(período crítico, Tu ou freqüência crítica, ωu).

O método de sintonia via resposta em freqüência, também denominado método da curva


de oscilação, tem algumas desvantagens:

• Pode requer tempo se várias tentativas são necessárias ou se o processo tem dinâmica lenta
(um longo teste experimental pode resultar na redução de produção e na baixa qualidade do
produto).
• Em muitas aplicações práticas a dinâmica oscilatória é contestável, pois o processo opera no
limite da estabilidade, isto é, é uma metodologia simples, porém extremamente perigosa e
difícil de ser automatizada.
17

• O método coloca o processo próximo a região de instabilidade fazendo com que seja
necessário interromper os fluxos normais de operação de uma planta industrial, o que nem
sempre é exeqüível.
• O procedimento de sintonia não é aplicável para processos instáveis e integrantes em malha
aberta.

Para contornar problemas operacionais e de estabilidade em malhas de controle


industriais Åström e Hägglund (1984) desenvolveram uma técnica atrativa e alternativa para
reproduzir, aplicar e automatizar o método da curva de oscilação de Ziegler e Nichols. No teste
um simples ensaio experimental via relê é utilizado para determinar Ku e Tu. Para este ensaio, o
controle de realimentação é temporariamente substituído por um controlador por relê. Após o
fechamento da malha de controle, a saída do processo apresenta uma oscilação sustentada que
é característica do controle on-off. O grande avanço apresentado é a possibilidade de detecção
do ponto crítico (Ku , Tu) por intermédio de um ensaio realizado em malha fechada onde não se
faz necessário atingir os limites da estabilidade. A estrutura fundamental do método de sintonia
automática utilizando o relê realimentado é apresentada na figura (3.19).

Figura 3.19 – Relê de Åström e Hägglund realimentado.

A comutação do relê é regida pela seguinte regra:

Se {yr(t) – y(t)} > 0 , então u(t) = +d


(3.13)
Se {yr(t) – y(t)} < 0 , então u(t) = –d

e obedece a forma de onda da figura (3. 20), ou seja,

Figura 3. 20 – Relê sem histerese.

Na figura (3.21–a) é possível notar o efeito do relê sobre a saída do processo. Observa-se
uma oscilação sustentada de amplitude a, denominada ciclo limite, e período Tu. A amplitude
do relê é denominada d. Na figura (3.21–b) é possível identificar, no diagrama de Nyquist, o
ponto crítico, onde a defasagem entre a entrada e a saída do processo atinge –π rad.
18

(a) (b)
Figura 3.21 – Resposta temporal (a) e freqüencial (b) do ensaio relê realimentado.

Observação:

¾ O relê padrão de Åström e Hägglund foi uma das primeiras metodologias implementadas
em equipamentos industriais que empregam controle adaptativo e seu sucesso deve-se a
simplicidade e robustez.

Dentre as características que tornam a técnica do relê realimentado uma ferramenta


importante para modelagem e auto-sintonia de controladores estão: o arranjo automaticamente
levanta um ponto importante da resposta em freqüência do sistema (atraso de –π rad). Por se
tratar de um método com realimentação, a variável de processo é mantida perto do valor de
referência e este fato permite que o processo permaneça operando próximo ao ponto de
operação o que é de interesse especialmente para processos fortemente não-lineares. A partir
das informações levantadas pelo ensaio com relê realimentado (amplitude do ciclo limite a e
período de oscilação Tu) é possível se determinar os parâmetros do processo: ganho crítico Ku e
freqüência crítica ωu.

Considerando a saída do relê como uma onda quadrada periódica com freqüência ω e
amplitude d obtém-se a seguinte representação, via expansão da série de Fourier:

4h ∞ sen(2k − 1)ωt
u(t) = ∑ 2k − 1
π k =1
(3.14)

A função descritiva do relê, denominada N(a), é a razão complexa da componente


fundamental de u(t) a entrada sinusoidal, ou seja,

4d
N(a) = (3.15)
πa

Desta forma, proveniente da aproximação pela componente fundamental da série de


Fourier, há um resíduo composto pelas harmônicas de ordem superior à fundamental. Sejam as
seguintes equações de malha fechada, considerando referência nula

e(t) = − y(t)
u(t) = N(a)e(t) (3.16)
y(t) = G p ( jωu )u(t)
19

onde y(t) é a saída do processo, e(t) é o erro, u(t) é a ação de controle, Gp é o processo. Das
relações da equação (3.16), obtém-se

1
y(t) = G p ( jωu ) = − (3.17)
N(a)

A intersecção das curvas de Nyquist de G p ( jω ) e −1 N (a) no plano complexo resulta


no ponto crítico do processo. O ganho crítico Ku, na freqüência crítica ωu, é dado por

1 4d
Ku = = (3.18)
G p ( jωu ) πa

A freqüência crítica (rad/seg) é obtida pela relação


ωu = (3.19)
Tu

A partir da identificação do ponto crítico, caso necessário, pode-se determinar os


parâmetros do modelo de primeira ordem com atraso de transporte (FOPDT – First-Order-Plus-
Dead-Time), conforme representado na equação (3.20), isto é,

(K p K u ) 2 − 1
τ=
ωu (3.20)
π − arctan(τωu )
θ=
ωu

Observações:

¾ Na equação (3.20) assume-se que o ganho estático do processo é conhecido ou pode ser
obtido por meio do teste de resposta ao degrau.

¾ O método de identificação através do relê vem sendo empregado para a estimação de


modelos matemáticos de baixa ordem com ou sem atraso de transporte para aplicações em
plantas industriais. Na prática, a grande maioria dos processos industriais pode ser modelada
por equações de primeira ou de segunda ordem com atraso de transporte.

¾ A amplitude de oscilação da saída do processo deve ser pequena o bastante de modo que a
sua influência sobre o processo seja insignificante. Por outro lado, a amplitude de oscilação
deve ser grande o bastante de modo que possa ser distinguida do ruído presente. Na prática,
a amplitude do relê pode ser automaticamente ajustada de modo que a oscilação no processo
seja três vezes a amplitude do ruído.

¾ A técnica do relê realimentado pode trazer importantes informações sobre a dinâmica do


processo. Estas informações podem ser utilizadas na seleção do modelo mais adequado do
processo e, conseqüentemente, para seleção da estratégia de controle (diagnóstico de
malha).
20

O método pode em algumas circunstâncias, tais como em processos de ordem elevada ou


com grande atraso de transporte, apresentar erros significativos que levam a deterioração do
desempenho do sistema. Johnson e Moradi (2005) ainda acrescentaram como limitações a
sensibilidade do método na presença de perturbações e a necessidade do conhecimento da
região estacionária do sistema. A aproximação efetuada pela função descritiva do relê tem bons
resultados quando o ganho do processo é bastante atenuado na freqüência crítica ωu (Johnson e
Moradi, 2005), ou seja,

G p ( jkωu ) << G p ( jωu ) , k = 3,5, 7,... (3.21)

Processos que normalmente não satisfazem a equação (3.21) são os que apresentam
grandes tempos de atraso de transporte e processos com picos de ressonância em determinadas
freqüências.

Observações:

¾ Algumas das vantagens da técnica de auto-sintonia são: necessário pouco conhecimento à


priori da planta; os procedimentos são fáceis de automatizar e utilizar; é um procedimento
em malha fechada onde a amplitude da entrada no processo é limitada e, desta forma, o
processo pode ser mantido próximo a referência durante a identificação; fornece
informações mais apuradas sobre as freqüências importantes para o controle realimentado
que métodos de resposta ao degrau.

¾ Os controladores industriais com auto-sintonia possibilitam eliminar a figura do operador ou


engenheiro especializado, únicos capazes de obter resultados satisfatórios no procedimento
de sintonia manual dos parâmetros de um controlador. Aplicações típicas de controladores
com auto-sintonia têm sido utilizadas, principalmente, na busca por melhores resultados
quando comparados aos apresentados pelo conjunto de parâmetros atuais ou padrões de
fábrica. A auto-sintonia é aplicada, muitas vezes, como um procedimento auxiliar para
inicialização de um controlador adaptativo, denominado pré-sintonia. É o caso dos
controladores com gain scheduling, onde em cada ponto de operação do processo é definido
um controlador. Um equipamento industrial referência no mercado é o ECA-600 do
fabricante ABB, que dispõe das técnicas gain scheduling, auto-tuning e self-tuning.

A técnica de modelagem utilizando o relê realimentado apresenta duas importantes


limitações:

• A onda quadrada do relê é aproximada pelo primeiro termo da série de Fourier (ou função
descritiva). Desta forma os parâmetros ganho e período crítico também são aproximações
que podem comprometer o desempenho do modelo estimado e do controlador a ser
sintonizado.
• Possibilita a identificação de apenas um ponto da resposta em freqüência do sistema, o que
pode não ser suficiente para uma sintonia satisfatória do modelo e do controlador.

Buscando contornar o problema de chaveamentos indevidos do relê devido ao ruído


presente nos sinais de campo, Åström e Hägglund, (1984) propuseram a utilização de histerese
no relê, conforme ilustra a figura (3.22).
21

Figura 3.22 – Topologia do relê com histerese.

A comutação do relê é regida pela seguinte regra modificada, onde ε é a amplitude ou


largura da histerese:

Se {yr(t) – y(t)} > ε , então u(t) = +d

Se {yr(t) – y(t)} < – ε , então u(t) = –d (3.22)

Se [– ε < {yr(t) – y(t)} < ε ] , então u(t) = u(t–1)

e obedece a figura (3.23), ou seja,

Figura 3.23 – Relê com histerese.

Desta forma a função descritiva do relê com histerese é dada por


1
=
π
N(a) 4d
( a 2 − ε 2 + jε ) (3.23)

Por conseguinte, o ganho crítico deve ser calculado pela equação

4d
Ku = (3.24)
π a 2 − ε2

O período crítico, quando é utilizada a histerese no relê, pode ainda ser estimado como
sendo o período da oscilação (ciclo limite). Comparando os valores obtidos para o ensaio com
e sem a histerese, o ganho crítico obtido é tipicamente menor e o período crítico é maior
quando a histerese é aplicada. Na figura (3.24) pode-se observar a resposta temporal e o ponto
identificado na curva de Nyquist quando se utiliza o relê com histerese.
22

(a) (b)
Figura 3.24 – Resposta temporal (a) e freqüencial (b) do ensaio relê com histerese.

O nível de histerese do relê deve ser tão grande quanto necessário para reduzir
significativamente a influência do ruído no ensaio. Em aplicações práticas a histerese deve ser
selecionada com base na amplitude do ruído, por exemplo, duas vezes maior que a amplitude
do ruído (Hang et. al., 1993; Coelho e Coelho, 2004). A relação sinal-ruído deve ser utilizada
como critério para seleção do limite mínimo para a amplitude do relê. O nível de ruído no
sistema deve ser mensurado mantendo-se constante a entrada no sistema e medindo-se a
oscilação pico a pico da saída do sistema. Esta amplitude pode ser tomada como amplitude do
ruído.

Ao se introduzir a histerese no relê, altera-se a curva da função descritiva, aproximando-a


ou afastando-a do eixo real. Desta forma, executando-se diferentes ensaios, com diferentes
relações entre a amplitude do relê e largura da histerese, encontram-se múltiplos pontos da
resposta em freqüência do sistema.

O método de modelagem via relê tem importantes vantagens se comparado com o


método da oscilação de Ziegler e Nichols:

1. Somente um teste experimental é necessário em vez do procedimento tentativa e erro.

2. A amplitude da saída do processo pode ser calibrada pelo ajuste da amplitude do relê.

3. O processo não é forçado ao limite da estabilidade.

4. O teste experimental pode ser codificado em CLP ou outro dispositivo digital e está
automatizado em produtos comerciais.

3.7 APLICAÇÃO EM UMA PLANTA DE VELOCIDADE

A planta experimental de segunda ordem denominada MTG, a ser utilizada na avaliação


da modelagem via relê sem histerese, consiste de um motor DC acoplado por uma pequena
correia a outro motor DC que é responsável em gerar a tensão tacométrica (medição da
velocidade), conforme ilustra a figura (3.25).
23

Figura 3.25 – Sistema de controle de velocidade experimental.

A entrada da planta é uma tensão para o motor DC e a saída é também uma tensão
correspondente a velocidade angular. As tensões estão no intervalo de 0 a 5 volts. A equação
diferencial que caracteriza a dinâmica do MTG é dada por

d 2 y(t) dy(t)
τθ 2
+ (τ + θ) + y(t) = K p u(t)
dt dt

Aplicando-se o estimador auto-tuning para 100 amostras, conforme mostra o código em


Matlab do algoritmo da tabela (3.4), obtém-se a evolução das variáveis do processo e de
controle e a validação de um modelo contínuo FOPDT conforme ilustra as figuras (3.26) e
(3.27), respectivamente.

Tabela 3.4 – Modelagem FOPDT do MTG via relê sem histerese


clear all;close all, clc
Tamostra = 0.1;nptos = 100;
nps = 1;dps = conv([0.15 1],[0.9 1]);
[npz,dpz] = c2dm(nps,dps,Tamostra,'zoh');
dmax = 4;dmin= 1;d = (dmax - dmin);ref = 3;
y(1:3) = 0;;erro(1:3) = 0;
inicializa_placa(5);
for t = 1:3,
tempo(t) = t*Tamostra;
end;
for t = 3:nptos, % Experimentar planta com o relê
if (erro(t) >= 0) u(t) = dmax; envia_dado(1,u(t)); end;
if (erro(t) < 0) u(t) = dmin; envia_dado(1,u(t)); end;
y(t) = recebe_dado(1);
atraso_ms(1000*Tamostra);
tempo(t) = t*Tamostra;erro(t+1) = ref - y(t);
end;
finaliza_placa;
kont = 0; % Calcular período
for t = 3:nptos,
if (u(t) ~= u(t-1))
kont = kont + 1;ch(kont) = t;
end;
end;
Tu1 = (ch(7) - ch(6))*Tamostra;Tu2 = (ch(8) - ch(7))*Tamostra;
24

Tu = Tu1 + Tu2;
aux1 = ch(5);aux2 = ch(7);
arm = ref; % Calcular valor de pico positivo
for t = aux1:aux2,
if y(t) >= arm arm = y(t); end;
end;
Au = arm;
arm = ref; % Calcular valor de pico negativo
for t = aux1:aux2,
if y(t) <= arm arm = y(t); end;
end;
Ad = arm;
a = abs(Au) - abs(Ad);
Ku = (4*d)/(pi*a);Kp = 1; % Calcular parâmetros do modelo
tau = (Tu/(2*pi))*sqrt((Ku*Kp)^2 - 1)
teta = (Tu/(2*pi))*(pi - atan((2*pi*tau)/Tu))
figure(1)
saco = [u;y];
plot(tempo,saco);
% --- Respostas: real e estimada
figure(2)
sys1 = tf(nps,dps);
sys2 = tf(1,[teta*tau (teta+tau) 1]);
step(sys1,sys2)

3.5

2.5

1.5

0.5

0
0 1 2 3 4 5 6 7 8 9 10

Figura 3.26 – Sinais de saída e entrada sob o relê na malha de controle.


25

Step Response
1

0.9

0.8

0.7

0.6
Amplitude

0.5

0.4

0.3

0.2

0.1

0
0 1 2 3 4 5 6
Time (sec)

Figura 3.27 – Validação da saída pelo teste da resposta ao degrau.

Como resultado do ensaio ao relê na malha de controle de velocidade tem-se o seguinte


modelo contínuo FOPDT: Kp = 0.9845, τ = 0.9391seg , θ = 0.2172 seg .

3.8 PROBLEMAS

1) Admitir a planta discreta de segunda ordem representada por

y(k ) = 0.6 y(k − 1) − 0.05y(k − 2) + 0.5u (k − 1)

Utilizando como modelo estimado discreto de primeira ordem

y(k ) = −a1y(k − 1) + b 0 u (k − 1)

determinar os parâmetros a1 e b0 pelo método dos mínimos quadrados para as três entradas: i)
sinal degrau: u(k) = 1; ii) sinal rampa: u(k) = k; iii) sinal senoidal: u(k) = sin(πk/5). Discutir a
precisão dos resultados (admitir 20 medidas).

2) Seja o processo representado pelo seguinte modelo discreto de segunda ordem:

y(k ) = 1.5y(k − 1) − 0.7 y(k − 2) + u (k − 1) + 0.5u (k − 2)

e sendo e(t) um sinal ruído branco com média 0 (zero) e desvio padrão 0.05. Seja u(t) uma
seqüência N(0,1) ou PRBS com amplitude ±1.

i) Simular e identificar os parâmetros do processo com o estimador MQR, para os seguintes


modelos:

y(k ) = a1y(k − 1) + b0 u (k − 1)
26

y(k ) = a1y(k − 1) + b 0 u (k − 1) + b1u (k − 2)


y(k ) = −a1y(k − 1) − a 2 y(k − 2) + b 0 u (k − 1)
y(k ) = a1y(k − 1) − a 2 y(k − 2) + b 0 u (k − 1) + b1u (k − 2)

ii) Graficar os parâmetros estimados em função do número de amostras (N = 100);

iii) Analisar a variância e a função de covariância dos parâmetros estimados pelo erro de
estimação, isto é,

e(k) = y(k) – ϕT(k)θ(k–1)

3) Considere as seguintes condições de operação e plantas:


i) relê sem histerese com amplitude d = 1 e a planta de terceira ordem caracterizada por

d 3 y( t ) d 2 y( t ) dy( t )
3
+3 2
+2 = 10u ( t )
dt dt dt

ii) relê com histerese de parâmetros d = 5, ε = 1 e a planta de primeira ordem representada por

dy( t )
2 + y( t ) = 10u ( t − 0.1)
dt

Para cada planta, determinar a amplitude e freqüência do ciclo limite da saída. Verificar os
resultados com o ambiente de simulação Matlab/Simulink.

BIBLIOGRAFIA

Åström, K. J. e Hägglund, T. (1984). Automatic Tuning of Simple Regulators with


Specifications on Phase and Amplitude Margins, Automatica, vol. 20, pp. 645-651.
Åström, K. J. e Hägglund, T. (1995). PID Controllers: Theory, Design, and Tuning, Instrument
Society of America.
Åström, K. J. e Wittenmark, B. (1995). Adaptive Control, Addison-Wesley, Inc.
Bobál, V.; Böhm, J.; Fessl, J. e Machácek, J. (2005). Digital Self-Tuning Controllers.
Brosilow, C. e Joseph, B. (2002). Techniques of Model-Based Control, Prentice-Hall.
Clarke, D. W. e Gawthrop, P. J. (1975). Self-Tuning Controller, IEE Proc., vol. 112, pp. 929-
934.
Clarke, D. W.; Mohtadi, C. e Tuffs, P. S. (1987). Generalized Predictive Control. Part 1: The
Basic Algorithm. Part 2: Extensions and Interpretation, Automatica, vol. 23, pp. 137-148,
149-160.
Coelho, A. A. R. e Coelho, L. S. (2004). Identificação de Sistemas Dinâmicos Lineares,
Editora da UFSC.
Coleman B. e Joseph, B. (2002). Techniques of Model-Based Control.
Gessing, R. (1996). Measurements and Estimation in Adaptive Control Systems, 13th IFAC
World Congress, San Francisco, USA, pp. 103-108.
Gude, J. J.; Kahoraho, E. e Etxaniz, J. (2006). Practical Aspects of PID Controllers: An
Industrial Experience, IEEE Conference on Emerging Technologies and Factory
Automation, ETFA’06, pp. 870 - 878.
27

Haber, R. e Unbehauen, H. (1990). Structure Identification of Nonlinear Dynamic Systems – A


Survey on Input/Output Approaches, Automatica, vol. 26, pp. 651-677.
Hägglund, T. e Åström, K. J. (2000). Supervision of Adaptive Control Algorithms,
Automatica, vol. 36, pp. 1171-1180.
Hang, C. C. e Chin, D. (1991). Reduced Order Process Modeling in Self-Tuning Control,
Automatica, vol. 27, pp. 529-534.
Hang, C. C.; Lee, T. H. e Ho, W. K. (1993). Adaptive Control, Instrument Society of America.
Isermann, R. e Lachmann, K. H. (1985). Parameter Adaptive Control with Configuration Aids
and Supervision Functions, Automatica, vol. 21, pp. 625-638.
Johnson, M. A. e Moradi, M. H. (2005). PID Control - New Identification and Design
Methods, Springer-Verlag, London.
Ljung, L. e Söderström, T. (1983). Theory and Practice of Recursive Identification, MIT Press.
Ljung, L. (1999). System Identification: Theory for the User, Prentice-Hall.
Malik, O. P.; Hope, G. S. e Cheng, S. J. (1991). Some Issues on the Practical Use of Recursive
Least Squares Identification in Self-Tuning Control, Int. Journal of Control, vol. 53, pp.
1021-1033.
Shah, S. L. e Cluett, W. R. (1991). Recursive Least Squares Based Estimation Schemes for
Self-Tuning Control, The Canadian Journal of Chemical Eng., vol. 69, pp. 89-96.
VanDoren,V. (2003). Techniques for Adaptive Control.
Visioli, A. (2006). Practical PID Control.
Wang, Q. G.; Hang, C. C. e Bi, Q. (1997b). Process Frequency Response Estimation from
Relay Feedback, Control Eng. Practice, vol. 5, pp. 1293-1302.
Wellstead, P. E. e Zarrop, M. B. (1991). Self-Tuning Systems: Control and Signal Processing,
John Wiley & Sons.
Ziegler, J. G. e Nichols, N. B. (1942). Optimum Settings for Automatic Controllers, Trans.
ASME, vol. 64, pp 759-768.
1

Capítulo 4

PRINCÍPIOS EM CONTROLE ADAPTATIVO

_____________________________________________________________________
Introdução. Conceitos sobre controle adaptativo. Histórico sobre controle
adaptativo. Esquemas de controle adaptativo. Panorâmica dos antigos e atuais
produtos comerciais. Aplicações industriais. Projeto PID auto-ajustável
baseado em FOPDT. Aplicação em uma planta de segunda ordem. Projeto PID
auto-ajustável baseado em dinâmica. Aplicação em uma planta de segunda
ordem. Controle adaptativo do tipo auto-tuning. Procedimentos auto-tuning de
Ziegler/Nichols e Åström/Hägglund. Aplicação em uma planta de terceira
ordem. Controladores industriais auto-tuning. Fabricantes e características.
Problemas. Bibliografia.
_____________________________________________________________________

4.1 INTRODUÇÃO

Uma pergunta natural que surge é: O que é controle adaptativo? Neste sentido algumas
definições e conceitos básicos são apresentados.

Os sistemas biológicos são conhecidos por lidarem facilmente e eficientemente com


mudanças em seus ambientes. Assim, (i) alguma alteração na estrutura ou função de um organismo
para fazer ele mais apto para sobreviver e multiplicar-se no seu ambiente; (ii) mudança em
resposta a alterações das condições ambientes através dos órgãos sensores; (iii) uma lenta e
usualmente inconsciente modificação do indivíduo e atividade social em ajuste a circunstâncias
ambientais.

• Adaptar: mudar (ajustar) um comportamento para lidar com novas circunstâncias.


• Aprender: adquirir conhecimento ou habilidade pelo estudo, instrução ou experiência.
• Problema: adaptação ou realimentação?

Muitos esforços na teoria de controle de sistemas visam incorporar características de


sistemas biológicos para o tratamento de sistemas com incertezas, introduzindo diversos termos,
tais como: adaptação, aprendizado, reconhecimento de padrões e auto-organização. Controle
adaptativo foi provavelmente o primeiro destes termos a ser introduzido. Controle inteligente
apareceu mais tarde e, atualmente, vem recebendo considerável atenção no meio industrial.
2

O termo “adaptive system” foi formalmente introduzido na literatura de controle por Drenick
e Shahbender em 1957. Outra definição é a de J. G. Truxal, em 1961, que “um sistema adaptativo
é um sistema projetado de um ponto de vista adaptativo”.

Intuitivamente, um controlador adaptativo é um controlador que pode modificar seu


comportamento em resposta a mudanças na dinâmica do processo e a perturbações.

Segundo K. J. Åström e B. Wittenmark (1995) um


controlador adaptativo é um controlador com parâmetros
ajustáveis e apresenta um mecanismo para ajuste dos
parâmetros.

Um diagrama de um sistema de controle adaptativo é apresentado na figura (4.1).

Figura 4.1 – Esquema de um controlador adaptativo.

Um engenheiro de controle deve conhecer os sistemas industriais adaptativos porque têm


propriedades adequadas, que podem ser usadas com vantagens para tratar processos complexos
visando aumentar a capacidade de produção, manter a consistência dos produtos, reduzir o tempo
de engenharia em campo e as perdas de produção, entre outros.

Este capítulo apresenta os conceitos e as idéias associados a fascinante área de Controle


Adaptativo, com ênfase nas características e configurações de projeto em sistemas dinâmicos de
controle automático.
3

4.2 CONCEITOS SOBRE CONTROLE ADAPTATIVO

Dado um processo que é conhecido de forma “imprecisa”, o problema de controle adaptativo


pode ser definida qualitativamente como o projeto de um controlador que proporciona um
desempenho satisfatório a planta controlada. Assim, o controlador adaptativo é um controlador
com parâmetros ajustáveis com mecanismo para ajuste dos parâmetros. A implementação básica
do controlador adaptativo contém os seguintes passos:

• Caracterizar o comportamento desejado do sistema em malha fechada.


• Determinar a lei controle adequada com os parâmetros ajustáveis.
• Encontrar um mecanismo para ajuste dos parâmetros.
• Implementar a lei de controle.

Em termos de projeto de controle adaptativo direto ou indireto existem duas abordagens


distintas filosoficamente para o controle de um sistema sob incerteza. No controle indireto, a
estimação dos parâmetros do processo precede a geração de uma entrada de controle. Em outras
palavras, no procedimento de projeto indireto, por exemplo, na técnica self-tuning, o controle é
calculado supondo que os parâmetros do processo sejam conhecidos. Um estimador é utilizado
para obter os parâmetros do processo a partir das medidas de entrada e saída e, a seguir,
substituem-se os parâmetros pelos valores estimados, de forma recursiva. A partir dos parâmetros
estimados calculam-se os parâmetros do controlador (figura (4.2)).

Figura 4.2 – Esquema de controle adaptativo indireto.

No controle direto, os parâmetros do controlador são diretamente ajustados pela otimização


de um índice de desempenho baseado na saída do processo. No esquema de controle direto, o
modelo do processo é re-parametrizado em termos dos parâmetros do controlador. A
parametrização é possível usando os métodos de controle de variância mínima, alocação de pólos,
modelo de referência ou preditivo. Logo, o estimador é utilizado para obter os parâmetros do
controlador diretamente a partir das medidas de entrada e saída (figura (4.3)).
4

Figura 4.3 – Esquema de controle adaptativo direto.

Observação:

¾ As metodologias de projeto de controle adaptativo do tipo indireta e direta podem também ser
aplicadas na sintonia de controladores PID ideal e paralelo.

4.3 HISTÓRICO DO CONTROLE ADAPTATIVO

Nos anos de 1950 têm-se pesquisas intensas em conexão com o projeto de pilotos
automáticos para aeronaves de alto desempenho (X-15 da U. S. Air Force e NASA). Tais
aeronaves operam sobre um vasto intervalo (diferentes condições operacionais) de velocidades e
altitudes. O controle realimentado de ganhos fixos operava de forma adequada somente numa
condição de operação. O interesse em controle adaptativo diminuiu parcialmente não somente pelo
problema de controle adaptativo ser complexo para tratar com a utilização das técnicas avaliadas
naquela época como por acidentes em ensaios aéreos.

Nos anos de 1960 têm-se pesquisas da teoria de controle que contribuíram para o
desenvolvimento de controle adaptativo, entre as quais:

• Teoria de espaço de estados.


• Estabilidade de Lyapunov.
• Avanços em estimação estocástica: filtro de Kalman e programação dinâmica de Ricard E.
Bellman.
• Contribuições de Tsypkin mostrando que muitos esquemas de aprendizado e controle
adaptativo podem ser descritos em uma estrutura comum.
• Publicação do brilhante livro Adaptive Control Processes de Bellman.
• Conexão entre identificação e controle com a introdução do termo “controle dual” por A. A.
Feldbaum em 1965.
5
6

Aleksandr M. Lyapunov Rudolph E. Kalman Yakov Z. Tsypkin

As pesquisas de controle adaptativo nos anos 1960 podem ser classificadas em três frentes:

• Adaptação “extrema”: devido a simplicidade e aplicabilidade em processos não-lineares.


• Métodos de sensibilidade (propostos por Bykhovsky nos anos 1940): (i) usam derivadas parciais
para concepção de métodos indiretos de controle; (ii) tratam essencialmente sistemas
adaptativos como lineares e com coeficientes que variam lentamente no tempo. Isto torna a
análise de estabilidade difícil; (iii) regra MIT.: primeiro modelo de sistema adaptativo baseado
em modelo de referência proposto por Whitaker, Yamron e Kezer em 1958.
• Métodos adaptativos baseados na teoria de Lyapunov: (i) sistemas adaptativos estáveis:
Grayson em 1963.

Nos anos de 1970 tem-se o desenvolvimento de diferentes esquemas de estimação de


parâmetros combinados com vários métodos de projeto, isto é,

• Contribuições relevantes: livro de Tsypkin (Adaptation and Learning in Automatic Systems –


1971); Åström e Wittenmark (1973); Luders e Narendra (1973); Narendra e Kudva (1974).
• Implementação: Vários resultados de aplicações foram reportados, mas os resultados teóricos
estavam limitados.

No final dos anos de 1970 e os anos de 1980 tem-se os seguintes desenvolvimentos:

• Provas de estabilidade para sistemas adaptativos, no entanto, assumindo-se diversas restrições.


• Desenvolvimentos em controle robusto e identificação de sistemas.
• Desenvolvimentos de robustez de controladores adaptativos.
• Contribuições relevantes: Åström e Wittenmark; Goodwin; Ramadge e Caines; Landau; Clarke
e Gawthrop.

No final dos anos de 1980 e os anos de 1990 tem-se os seguintes desenvolvimentos:

• Primeiros controladores adaptativos aparecem no mercado.


• Novas abordagens de robustez de controladores adaptativos.
7

• Novas investigações em sistemas não-lineares, controle adaptativo multivariável, controle


híbrido.

Nos anos de 1990 em diante tem-se os seguintes desenvolvimentos:

• Controladores adaptativos inteligentes e sistemas preditivos.


• Avaliação e diagnóstico de malhas e aplicações industriais PID.

4.4 ESQUEMAS DE CONTROLE ADAPTATIVO

Em alguns sistemas existem variáveis auxiliares que relatam adequadamente as


características do comportamento dinâmico do processo e perturbações. Se as variáveis
(auxiliares) podem ser medidas, então podem ser utilizadas para mudar os parâmetros do
controlador. Esta abordagem é denominada escalonamento de ganhos porque o esquema foi
originalmente utilizado para acomodar mudanças no ganho do processo.

O conceito de escalonamento de ganhos (Gain Scheduling – GS) teve origem na conexão


com o desenvolvimento dos sistemas de controle de vôo. Nesta aplicação o número de Mach
(velocidade do objeto/velocidade do som) e a pressão dinâmica são medidas por sensores (de
dados do ar) e usadas como variáveis de escalonamento. Existem controvérsias se o escalonamento
de ganhos deve ser considerado como um sistema adaptativo ou não. Apesar disto, escalonamento
de ganhos (figura 4.4) é uma técnica muito utilizada para reduzir os efeitos da variação de
parâmetros em aplicações industriais. Exemplos: controle de velocidade em máquinas, controle da
taxa de produção (constantes de tempo e atrasos são freqüentemente inversamente proporcionais a
taxa de produção).

Figura 4.4 – Esquema de controle com escalonamento de ganhos.

A otimização foi um dos primeiros esforços na construção de mecanismos para ajuste de


parâmetros. Isto levou os sistemas adaptativos por modelo de referência (Model-Reference
Adaptive Systems – MRAS) a serem um das primeiras abordagens sistemáticas para controle
adaptativo, principalmente em controle de combate. O sistema é baseado em duas idéias: O
propósito do sistema em malha fechada é formulado como um problema de seguimento de modelo
(especificações de desempenho), e os parâmetros do controlador são ajustados por um esquema de
gradiente. O diagrama de blocos de um MRAS é apresentado na figura (4.5).
8

Figura 4.5 – Esquema do MRAS.

O problema essencial como MRAS é determinar o mecanismo de ajuste de maneira que um


sistema estável que leve o erro para zero seja obtido. Este problema não é trivial. O seguinte
mecanismo de ajuste, denominado regra MIT foi usado no MRAS original:

dθ ∂e( t )
= γe( t )ϕ( t ) ; ϕ = − (4.1)
dt ∂θ

Na equação (4.1), e = y − ym denota o erro do modelo e θ é um parâmetro do controlador.


∂e
As componentes do vetor são as derivadas da sensibilidade do erro com respeito ao parâmetro
∂θ
θ . O parâmetro γ determina a taxa de adaptação (figura (4.6)). O mecanismo de ajuste de
parâmetros é não-linear por causa da multiplicação do erro com as derivadas de sensibilidade.

Figura 4.6 – Mecanismo de ajuste dos parâmetros em um MRAS.

A regra MIT pode ser considerada como um esquema de gradiente para minimizar o erro
quadrático, J( e ) = e 2 . Têm-se diversos problemas com a aplicação da regra MIT: i) na prática é
necessário fazer-se aproximações para obter a derivada de sensibilidade; ii) é simples e pode
resultar em sistemas instáveis, particularmente se a taxa de adaptação γ é alta. Uma quantidade
considerável de pesquisa tem sido devotada para o MRAS. Existem muitas variações da lei de
9

ajuste da equação (4.1), em determinados casos é aconselhável empregar a regra normalizada da


lei de MIT, ou seja,

dθ e( t )ϕ( t )

dt α + ϕ T ( t )ϕ( t )

Os esquemas adaptativos discutidos, GS e MRAS, são denominados métodos diretos, porque


as regras de ajuste dizem como os parâmetros do controlador devem ser atualizados.

Um esquema diferente é obtido se as estimativas dos parâmetros do processo são atualizadas


e os parâmetros do controlador são obtidos da solução de um problema de projeto usando os
parâmetros estimados. Um diagrama deste sistema é mostrado na figura (4.7).

Figura 4.7 – Esquema de um STR.

O controlador adaptativo STR pode ser considerado como sendo composto de duas malhas.
A malha interna consiste do processo e uma realimentação da saída do processo. Os parâmetros do
controlador são ajustados pela malha exterior, que é composta por um estimador de parâmetros
recursivo e um cálculo de projeto. Muitas vezes este procedimento não é possível para estimar os
parâmetros do processo sem a introdução de sinais de controle de prova ou perturbações.

Esta abordagem de controle pode ser vista como uma automatização da modelagem e
projeto, em que o modelo do processo e o projeto de controle são atualizados a cada período de
amostragem. Um controlador com esta concepção de projeto é denominado auto-ajustável (Self-
Tuning Regulator – STR) para enfatizar que o controlador sintoniza automaticamente seus
parâmetros para obter as propriedades desejadas do sistema em malha fechada.

O bloco da figura (4.7), denominado “projeto do controlador”, representa uma solução on-
line para um problema de projeto para um sistema com parâmetros conhecidos. O esquema de
controle STR é muito flexível com relação a escolha do projeto e dos métodos de estimação e,
diversas combinações têm sido exploradas. No STR os parâmetros do controlador ou os
10

parâmetros do processo são estimados em tempo real. As estimativas são então utilizadas como se
fossem iguais aos parâmetros “verdadeiros” (reais). Isto é, as incertezas das estimativas não são
consideradas. Isto é denominado princípio da equivalência certa (certainty equivalence principle).

Observação:

¾ Em muitos esquemas de estimação é possível obter-se uma medida da qualidade das


estimativas. Esta incerteza pode então ser utilizada no projeto do controlador.

4.5 PANORÂMICA DOS ANTIGOS E ATUAIS PRODUTOS COMERCIAIS

Muitos dos problemas de controle industrial são resolvidos por controladores padrão do tipo
PID. Estes controladores podem ser implementados em unidades separadas, também aparecem
como blocos de funções em CLP (Controlador Lógico Programável) e em sistemas de controle
distribuído. Atualmente as técnicas adaptativas estão implementadas em muitos destes sistemas.
Sintonia automática é provavelmente a característica mais comum, mas isto é freqüentemente
combinado com adaptação contínua de controle feedback e feedforward e, escalonamento de
ganhos. Praticamente todos os controladores que chegam ao mercado hoje em dia possuem algum
tipo de mecanismo de sintonia automática.

Uma grande variedade de modelos matemáticos é utilizada em controle adaptativo, tanto


paramétricos quanto não-paramétricos. Os controladores baseados em modelos são tipicamente
baseados em modelos de primeira e segunda ordem com atraso de transporte. Os parâmetros são
estimados basicamente pelo algoritmo dos mínimos quadrados recursivo. O projeto de controle
pode ser realizado por alocação de pólos, minimização de uma função custo ou alguma técnica no
domínio da freqüência.

O primeiro controlador PID adaptativo desenvolvido foi pela empresa Leeds & Northrup em
1981. Este foi seguido de inúmeros sistemas de controle adaptativo.

A SattControl (depois AlfaLaval Automation e depois ABB), na Suécia, introduziu em 1984


as técnicas de projeto auto-tuning e escalonamento de ganhos para o controlador PID em um
pequeno sistema de controle digital.

Os controladores Yokogawa SLPC-181/281 e Toshiba Tosdic 215 são sistemas típicos


baseados em modelos paramétricos.

O controlador ECA 400 da ABB é um exemplo de um controlador que é baseado em modelo


não-paramétrico. Este controlador tem característica single-loop com sintonia automática e
apresenta um procedimento de identificação em malha fechada por relê.

O primeiro controlador adaptativo que usa reconhecimento de padrões é o Foxboro EXACT


e foi introduzido em 1984 por Bristol e Kraus.

O primeiro sistema adaptativo de propósito geral foi o Novatune, anunciado pela companhia
sueca Asea em 1982. Este sistema usa a filosofia de projeto de controle de variância mínima
generalizada (generalized minimum variance control – GMV).
11

Outros exemplos de controladores auto-tuning (AT) e self-tuning (ST) são: i) Fenwal 5701
(HAWCO); ii) Modelos 818, 815, 808 e 91 (Eurotherm); iii) Athena Series 6075
(Ancom/Signatrol); iv) Foxboro 762C (ST); v) Fuji Electric PYX (AT); vi) Honeywell (ST, AT,
GS), vii) Yokogawa (AT).

Os controladores PID comerciais com técnicas adaptativas têm sido avaliados desde o
começo dos anos 1980. Nas tabelas (4.1) e (4.2) é apresentada uma coleção de controladores de
processos com informação sobre as técnicas adaptativas.

Tabela 4.1 – Controladores adaptativos industriais (≤ 1990).


Controlador Tipo Manufaturador Ano Técnica Processador
Intel 8086,
SDM-20 DCS NAF Controls 1984 AT, GS
8087
ECA40 SLC SattControl 1986 AT, GS Intel 8031
ECA04 SLC SattControl 1988 AT Intel 80535
Intel 8088,
Alert 50 DCS Alfa Laval 1988 AT, GS
8087
SattControl Motorola
SattCon 31 PLC 1988 AT,GS
6809
DPR900 SLC Fisher Controls 1988 AT, GS Intel 8031
ECA400 SLC SattControl 1988 AT, GS, AFB, AFF Intel 80C188
SattLine DCS SattControl 1989 AT, GS, AFB, AFF Intel 80C188

Tabela 4.2 – Controladores adaptativos industriais (atualmente).


Feedback
Feedforward
Sintonia Escalonamento adaptativa
Fabricante Controlador adaptativa
automática de ganhos baseada
baseada em
em
Bailey Controls CLC04 degrau sim modelo -
Control Expert
rampa - modelo -
Techniques controller
DPR900 relé sim - -
Fisher Controls
DPR910 relé sim modelo modelo
Foxboro Exact degrau - regras -
Fuji CC-S:PNA degrau sim - -
Hartmann & Protronic P degrau - - -
Braun Digitric P degrau - - -
Honeywell UDC 6000 degrau sim regras -
ECA 40 relé sim - -
ABB
ECA 400 relé sim modelo modelo
SIPART
Siemens degrau sim - -
DR22
TOSDIC- PRBS sim modelo -
Toshiba 215D
EC300 PRBS sim modelo -
12

Turnbull Control
TCS 6355 degrau - modelo -
Systems
SLPC- degrau sim regras -
171,271
Yokogawa
SLPC- degrau sim modelo -
181,281

4.6 APLICAÇÕES INDUSTRIAIS

Um controlador adaptativo, sendo inerentemente não-linear, é mais complicado que um


controlador de ganhos fixos. Antes de selecionar uma estratégia de controle adaptativo é
importante investigar se o problema de controle em questão pode ser resolvido por uma
realimentação de ganho constante. Na literatura de controlador adaptativo existem muitos casos
em que uma realimentação com ganho constante pode ter desempenho similar ao de um
controlador adaptativo. Uma forma de ajudar na decisão de qual controlador implementar é adotar
o procedimento mencionado na figura (4.8).

Figura 4.8 – Procedimento para decidir sobre o tipo de controlador.

Existem muitas aplicações de controle adaptativo no campo de controle de processos


industriais. Na literatura podem ser encontradas aplicações em colunas de destilação; controle de
motores; controle de drivers; planta solar; pressão sangüínea; trocador de calor; aquecimento e
ventilação, sistemas siderúrgicos, entre outras. As aplicações apresentam diretrizes de como o
controle adaptativo pode ser utilizado na prática (tabela (4.3)).

Tabela 4.3 – Características de projeto de controladores adaptativos industriais.


13
14
15
16

4.7 PROJETO PID AUTO-AJUSTÁVEL BASEADO EM FOPDT

Para o projeto de um controlador PID auto-ajustável (estratégia de controle não-convencional


que ajusta automaticamente os ganhos do controlador para corrigir mudanças no processo ou nas
condições de operação) utiliza-se um modelo discreto de primeira ordem com base nos sinais
amostrados periodicamente da planta.

Seja o processo contínuo modelado pela seguinte equação de primeira ordem com atraso de
transporte:

dy( t )
τ + y( t ) = K p u ( t − θ) (4.2)
dt

O correspondente modelo linear discreto reduzido é dado pela seguinte equação a diferenças
de primeira ordem:

y(k) = –a1y(k–1) + b0u(k–d–1) + b1u(k–d–2) (4.3)

sendo a1, b0 e b1 os parâmetros do modelo estimado, y(k) a saída do processo, u(k) a variável de
controle e d um número real inteiro satisfazendo a relação

(d–1)Ts ≤ θ ≤ dTs (4.4)

onde Ts é o período de amostragem e em aplicações industriais seleciona-se como 1/10 da


constante de tempo dominante presente no processo. Os coeficientes a1, b0 e b1, equação (4.3),
estão relacionados com as constantes Kp, τ e θ , equação (4.2), através das seguintes relações:
17

− Ts

a 1 = −e τ

⎛ − ( Ts − θ )

b 0 = K p ⎜⎜1 − e τ ⎟⎟ (4.5)
⎝ ⎠
− Ts
⎛ θ

b1 = K p e τ ⎜⎜ e τ − 1⎟⎟
⎝ ⎠

A técnica auto-ajustável empregada, no contexto do controle PID adaptativo, proporciona


uma sintonia on-line dos parâmetros do controlador durante operação nominal para compensar
mudanças nas características dinâmicas da planta e manter o desempenho de controle desejado.

Admitindo o controle PID ideal digital então se tem

u(k) = u(k–1) + q0e(k) + q1e(k–1) + q2e(k–2) (4.6)

sendo

⎧ ⎛ Td ⎞
⎪q 0 = K c ⎜ 1 + ⎟
⎪ ⎝ Ts ⎠
⎪ ⎛
⎪ Td Ts ⎞
⎨ q1 = − K c ⎜1 + 2 − ⎟ (4.7)
⎪ ⎝ Ts Ti ⎠
⎪ T
⎪q 2 = K c d
⎪⎩ Ts

onde a referência, yr(k), é empregada para obter o erro do sistema, e(k) = yr(k) – y(k).

No estudo relativo a aplicação do controle adaptativo a implementação da estratégia de


controle PID auto-ajustável utiliza um procedimento de identificação on-line (estimador dos
mínimos quadrados recursivo — MQR) para calcular o modelo paramétrico do processo, equação
(4.3). As três constantes do controlador PID (q0, q1, q2) são determinadas a partir dos parâmetros
que caracterizam a dinâmica FOPDT, isto é, ganho da planta, constante de tempo e atraso de
transporte. O algoritmo para calcular e aplicar o controlador PID auto-ajustável no processo pode
ser resumido nos seguintes passos:

i) Estimar os parâmetros da equação (4.3) utilizando o estimador MQR através do seguinte modelo
discreto:

y(k) = ϕT(k)θ(k-1)

θT(k-1) = [a1 b0 b1] ; ϕT(k)= [–y(k–1) u(k–d–1) u(k–d–2)]

{ }
θˆ (k) = θˆ (k − 1) + K(k) y(k) − ϕT (k)θˆ (k − 1)
18

P(k − 1)ϕ(k)
K(k) =
1 + ϕT (k)P(k − 1)ϕ(k)

P(k − 1)ϕ(k)ϕT (k)P(k − 1)


P(k) = P(k − 1) −
1 + ϕT (k)P(k − 1)ϕ(k)

ii) Calcular as constantes que definem a dinâmica de um processo de primeira ordem de acordo
com as relações:

⎧ (b 0 + b1 )
⎪KP = 1+ a
⎪ 1

⎪⎪ ⎡ b1 − a1b0 ⎤
⎨ θ = τ ln ⎢ ⎥
⎪ ⎣ −a1 (b0 + b1 ) ⎦
⎪ Ts
⎪τ = −
⎪⎩ ln(−a1 )

iii) Selecionar e sintonizar os ganhos do controlador PID Kc, Ti e Td pela tabela:

Técnica de Calibração Modelo FOPDT


Kc = (1.2τ)/(Kpθ)
Ziegler e Nichols (1942) Ti = 2θ
Td = θ/2
1 τ⎛4 θ ⎞
Kc = ⎜ + ⎟
K p θ ⎝ 3 4τ ⎠
32 + 6(θ / τ)
Cohen e Coon (1953) Ti = θ
13 + 8(θ / τ)
4
Td = θ
11 + 2(θ / τ)
τ+ θ
Kc = 2
(
K p τf + θ )
2
Rivera, Morari e Skogestad
(1986) Ti = τ + θ
2
τθ
Td =
(
2 θ +τ
2 )
Kc = τ/(Kp(θ + 0.2τ))
IAE (2003) Ti = (θ(0.3θ + 1.2τ))/(θ + 0.08τ)
Td = (τθ)/(90θ)
Kc = (0.8τ)/(Kp(θ + 0.1τ))
ITAE (2003) Ti = (0.3θ + τ)
Td = (0.06τθ)/(θ + 0.04τ)
19

iv) Calcular (q0, q1, q2) de acordo com a equação:

⎧ ⎛ Td ⎞
⎪q 0 = K c ⎜ 1 + ⎟
⎪ ⎝ Ts ⎠
⎪ ⎛
⎪ Td Ts ⎞
⎨ q1 = − K c ⎜1 + 2 − ⎟
⎪ ⎝ Ts Ti ⎠
⎪ T
⎪q 2 = K c d
⎪⎩ Ts

v) Calcular e aplicar a lei de controle PID através das equações:

e(k) = yr(k) – y(k)

u(k) = u(k–1) + q0e(k) + q1e(k–1) + q2e(k–2)

vi) Repetir os passos (i) até (v) para um novo período de amostragem.

4.7.1 APLICAÇÃO EM UMA PLANTA DE SEGUNDA ORDEM

Utilizando o projeto do controlador PID com o ajuste de Ziegler e Nichols, estudar a


estabilidade em malha fechada de um sistema cuja dinâmica em malha aberta é dada por

d 2 y(t) dy(t)
2
+ 10 + 25y(t) = 4u(t)
dt dt

A figura (4.9) ilustra os resultados de simulação do sistema de controle PID adaptativo


com a sintonia de Ziegler e Nichols usando FOPDT. Observa-se tanto as estimativas dos
ganhos como a saída rastreando referências em degrau.

saída e referência controle


2.5 20

18

2 16

14

1.5 12

10

1 8

0.5 4

0 0
0 50 100 150 200 0 50 100 150 200
amostra amostra
20

Kc
20

10

0
0 20 40 60 80 100 120 140 160 180 200
amostra
Ti
1

0.5

0
0 20 40 60 80 100 120 140 160 180 200
amostra
Td
0.2

0.1

0
0 20 40 60 80 100 120 140 160 180 200
amostra

Figura 4.9 – Comportamento da planta sob o PID auto-ajustável.

O correspondente algoritmo do projeto do controlador PID auto-ajustável calibrado com a


sintonia de Ziegler e Nichols para a planta de segunda ordem está mostrado na tabela (4.4).

Tabela 4.4 – Código em Matlab do projeto PID adaptativo.


clear all, close all, clc
% ----- Condições iniciais
nit = 200;ts = 0.5;
y(1:5) = 0;u(1:5) = 0;erro(1:5) = 0;emq(1:5) = 0;
teta = [-0.1 0.1 0.1];pinic = 500;p = pinic*eye(3,3);
% ----- Referência
yr(1:50) = 1;yr(51:100) = 2;yr(101:150) = 1;yr(151:nit) = 2;
% ----- Planta controlada
nps = [0.4];dps = [1 10 25];
[npz,dpz] = c2dm(nps,dps,ts,'zoh');
% ----- Processamento
for k = 5:nit
% ------- Saída
y(k) = -dpz(2)*y(k-1) - dpz(3)*y(k-2)+ npz(2)*u(k-1) + npz(3)*u(k-2);
% ------- Estimador MQR
vm = [-y(k-1) u(k-1) u(k-2)];
yhat = vm*teta';
emq(k) = y(k) - yhat;
ganho = (p*vm') / (1 + vm*p*vm');
teta = teta + (ganho')*emq(k);
p = p - ganho*(1 + vm*p*vm')*(ganho');
a1(k) = teta(1,1);b0(k) = teta(1,2);b1(k) = teta(1,3);
% ------- Modelo de primeira ordem
21

kp = (b0(k) + b1(k))/(1 + a1(k));


tau = -ts/log(-a1(k));
tet = tau*log((b1(k) - a1(k)*b0(k))/(-a1(k)*(b0(k) + b1(k))));
% ------- Ganhos do controlador PID por Ziegler e NIchols
kc(k) = (1.2*tau)/(kp*tet);ti(k) = 2*tet;td(k) = 0.5*tet;
q0 = kc(k)*(1 + (td(k)/ts));
q1 = -kc(k)*(1 + 2*(td(k)/ts) - (ts/ti(k)));
q2 = kc(k)*td(k)/ts;
erro(k) = yr(k) - y(k);
u(k) = u(k-1) + q0*erro(k) + q1*erro(k-1) + q2*erro(k-2);
end
% ----- Resultados de simulação
t = 1:nit;
figure(1)
subplot(121),plot(t,y(t),t,yr(t)),title('saída e referência'),xlabel('amostra');
subplot(122),plot(t,u(t)),title('controle'),xlabel('amostra');
figure(2)
subplot(311),plot(t,kc(t)),title('Kc'),xlabel('amostra');
subplot(312),plot(t,ti(t)),title('Ti'),xlabel('amostra');
subplot(313),plot(t,td(t)),title('Td'),xlabel('amostra');

4.8 PROJETO PID AUTO-AJUSTÁVEL BASEADO EM DINÂMICA

Diferentes concepções de projeto de controle podem ser consideradas na implementação de


um controlador PID. A seguir, apresenta-se uma estratégia de controle PID auto-ajustável, onde o
usuário deve especificar a dinâmica do sistema de malha fechada desejada, PMF(z-1), no projeto do
controlador PID (abordagem denominada alocação de pólos).

Um controlador PID digital pode ser obtido do controlador PID analógico. Considere a
equação discreta do controlador PID paralelo dado por

k
u (k ) = K c e(k ) + K i Ts ∑ e( j) +
Kd
[e(k ) − e(k − 1)]
j= 0 Ts

onde K i = K iTs e K d = K d / Ts e, calculando a equação recursiva do controle PID digital, tem-se

u(k) = u(k–1) + (Kc + Ki + Kd)e(k) – (Kc+2Kd)e(k–1) + Kde(k–2)

u(k) = u(k–1) + q0e(k) + q1e(k–1) + q2e(k–2)

sendo
22

q 0 = Kc + Ki + Kd
q1 = – Kc – 2Kd
q2 = Kd

Os coeficientes q0, q1 e q2 estão relacionados com Kc, Ki e Kd pelas seguintes relações:

Kc = – q1 – 2q2
Ki = q0 + q1 + q2 (3)
Kd = q 2

A idéia básica é estimar os parâmetros da planta, a partir das medidas de entrada e saída, e
utilizar a técnica de alocação de pólos para obter o controlador PID em função do desempenho
desejado de malha fechada. Para a síntese do controlador PID auto-ajustável considera-se que o
processo a ser controlado tem o seguinte modelo discreto:

y(k) = –a1y(k–1) – a2y(k–2) + b0u(k–1)

A restrição sobre a representação do modelo matemático do processo é para garantir somente


um conjunto de coeficientes para o controlador PID. O procedimento de projeto inicia pela
combinação do modelo do processo com a equação do controlador PID digital para se obter a
equação de malha fechada relacionando yr(k) com y(k). Assim, a equação característica, que está
relacionada com a estabilidade de malha fechada da planta, é representada por

Δ(z-1) = (1 – z-1)(1 + a1z-1 + a2z-2) + b0z-1(q0 + q1z-1 + q2z-2)

Com base no polinômio característico é possível então selecionar os coeficientes q0, q1 e q2


para dar o desempenho desejado em malha fechada (especificado pelo operador). A relação entre
as constantes de tempo e a resposta transitória do sistema é utilizada na seleção do conjunto de
pólos desejados em malha fechada.

Observações:

¾ Se uma resposta de primeira ordem é imposta, então o polinômio desejado tem a forma

PMF(z-1) = 1 – p1z-1

onde p1 = exp(-Ts/τf) e τf é a constante de tempo desejada do sistema em malha fechada.

¾ Se uma resposta de segunda ordem é desejada, então o polinômio desejado é caracterizado por

PMF(z-1) = 1 + p1z-1 + p2z-2


onde

p1 = –2exp(–ζωnTs)cos{Tsωn(1 – ζ2)1/2}

p2 = exp(–2ζωnTs)
23

e sendo ζ o fator de amortecimento e ωn a freqüência natural da resposta transitória de


segunda ordem de malha fechada desejada.

¾ Na prática, o conjunto de pólos desejados de primeira e segunda ordem cobre quase todas as
aplicações industriais.

Admitindo-se o polinômio desejado em malha fechada de segunda ordem, os valores de (q0,


q1, q2) obedecem as seguintes equações (agrupando os termos de mesma potência):

⎧ p1 + 1 − a1
⎪q0 =
⎪ b0
⎪ p 2 + a1 − a 2
⎨q1 =
⎪ b0
⎪ a
⎪q 2 = 2
⎪⎩ b0

O algoritmo para calcular e aplicar o controlador PID auto-ajustável baseado em dinâmica


no processo pode ser resumido nos seguintes passos:

i) Estimar os parâmetros da planta utilizando o estimador MQR através do seguinte modelo


discreto:

y(k) = ϕT(k)θ(k-1)

θT(k-1) = [a1 a2 b0] ; ϕT(k)= [–y(k–1) –y(k–2) u(k–1)]

θ(k) = θ(k − 1) + K(k) { y(k) − ϕT (k)θ(k − 1)}

P(k − 1)ϕ(k)
K(k) =
1 + ϕT (k)P(k − 1)ϕ(k)

P(k − 1)ϕ(k)ϕT (k)P(k − 1)


P(k) = P(k − 1) −
1 + ϕT (k)P(k − 1)ϕ(k)

ii) Admitindo o polinômio desejado em malha fechada de segunda ordem então calcular as
estimativas de Kc, Ki, Kd pelas relações:
24

⎧ − p 2 − a1 − a 2
⎪K c =
⎪ b0
⎪ 1 + p1 + p 2
⎨ Ki =
⎪ b0
⎪ a
⎪Kd = 2
⎪⎩ b0

iii) Calcular e aplicar a lei de controle PID através das equações:

e(k) = yr(k) – y(k)

u(k) = u(k–1) + (Kc + Ki + Kd)e(k) – (Kc+2Kd) e(k–1) + Kde(k–2)

vi) Repetir os passos (i) até (iii) para um novo período de amostragem.

4.8.1 APLICAÇÃO EM UMA PLANTA DE SUGUNDA ORDEM

Seja o processo sobre-amortecido controlado de segunda ordem representado por

d 2 y( t ) dy( t )
5.17 2
+ 6.17 + y( t ) = u ( t )
dt dt

As figuras (4.10) e (4.11) ilustram os resultados de simulação do sistema de controle PID


self-tuning, projetado para uma constante de tempo de malha fechada de τ MF = 3 seg e Ts = 1
seg, onde o comportamento temporal da saída segue referências em degrau.

saída e referência
4

0
0 100 200 300 400 500 600 700 800
amostra
controle
6

0
0 100 200 300 400 500 600 700 800
amostra

Figura 4.10 – Dinâmicas com o controlador PID self-tuning.


25

estimação de Kc
4

0
0 100 200 300 400 500 600 700 800
amostra
estimação de Ki
5

-5
0 100 200 300 400 500 600 700 800
amostra
estimação de Kd
2

-2
0 100 200 300 400 500 600 700 800
amostra

Figura 4.11 – Ganhos do controlador PID self-tuning.

O correspondente código em Matlab do controlador PID direto na versão self-tuning para a


planta de segunda ordem está ilustrado na tabela (4.5).

Tabela 4.5 – Implementação do controlador PID self-tuning.


clear all, close all, clc
% Condições iniciais
y(1:10) = 0;e(1:10) = 0;du(1:10) = 0;u(1:10) = 0;eest(1:10) = 0;
teta = [0.4 0.4 0.1];p = 100*eye(3,3);nit = 800;ts = 1;
nps = [1];dps = conv([1 1],[5.17 1]);[npz,dpz] = c2dm(nps,dps,ts,'zoh');
% Referência
yr(1:nit/4) = 1;yr((nit/4 + 1):nit/2) = 2;
yr((nit/2 + 1):3*nit/4) = 3;yr((3*nit/4 + 1):nit) = 2;
% Dinâmica desejada
tau = 3; am1 = exp(-ts/tau);bm0 = 1 - am1;
% Simulação da planta
for k = 11:nit
% Saída
y(k) = -dpz(2)*y(k-1) - dpz(3)*y(k-2)+ npz(2)*u(k-1) + npz(3)*u(k-2);
% Estimador dos MQR
ubar(k) = bm0*u(k-1) - bm0*u(k-2); ybar(k) = y(k) -(am1 + bm0)*y(k-1);
vm = [ybar(k) ybar(k-1) ybar(k-2)];
yhat = vm*teta';
eest(k) = ubar(k) - yhat;
ganho = (p*vm')/(1 + vm*p*vm');
teta = teta + (ganho')*eest(k);
p = p - ganho*(1 + vm*p*vm')*(ganho');
q0(k) = teta(1,1);q1(k) = teta(1,2);q2(k) = teta(1,3);
% Controlador PID
e(k) = yr(k) - y(k);
kc(k) = q0(k) - q2(k);ki(k) = q0(k) + q1(k) + q2(k);kd(k) = q2(k);
26

du(k) = (kc(k) + kd(k))*e(k) - (kc(k) + 2*kd(k) - ki(k))*e(k-1) + kd(k)*e(k-2);


u(k) = u(k-1) + du(k);
end
% Resultados
t = 1:nit;
subplot(221),plot(t,y(t),t,yr(t)),title('Saída'),xlabel('amostra');
subplot(222),plot(t,kc(t),t,ki(t),t,kd(t)),title('Ganhos do PID'),xlabel('amostra');
subplot(223),plot(t,e(t)),title('Erro do sistema'),xlabel('amostra');
subplot(224),plot(t,u(t)),title('Controle'),xlabel('amostra');

4.9 CONTROLE ADAPTATIVO DO TIPO AUTO-TUNING

O controlador de grande uso na indústria é o PID e a maioria dos controladores PID


comerciais apresentam a característica auto-tuning desde os anos 80. Experiência industrial com
reguladores PID tem claramente indicado que a sintonia automática é altamente desejável na
medida em que diminui o tempo de condicionamento da malha (sintonia), que é uma tarefa
complexa, podendo levar segundos, horas ou dias.

Auto-tuning (AT) é um método onde o controlador é sintonizado automaticamente na


solicitação do operador (on-demand). Tipicamente, o operador pressiona um botão ou envia um
comando ao controlador para ativar a função auto-tuning. O procedimento de sintonia consiste nas
seguintes etapas:

1. Ativação do modo auto-tuning.


2. Geração da perturbação na planta.
3. Avaliação da resposta perturbada.
4. Cálculo dos parâmetros do controlador (método indireto ou direto).
5. Atualização dos parâmetros do controlador.

Observação:

¾ No método indireto, antes do cálculo dos parâmetros do controlador, obtêm-se os parâmetros do


modelo de ordem reduzida da planta controlada.

A tabela (4.6) mostra uma lista de controladores com capacidade de auto-tuning e/ou
adaptação.
27

Tabela 4.6 – Empresas do mercado com controladores PID comerciais.

4.9.1 PROCEDIMENTO AUTO-TUNING DE ZIEGLER E NICHOLS

A aproximadamente 60 anos Ziegler e Nichols publicaram um artigo que introduzia o


método da curva de oscilação para sintonia do controlador PID baseado no seguinte procedimento:

Passo1: Após o processo atingir o regime permanente (ou aproximadamente), elimine as ações de
controle integral e derivativa (ajuste Ti com magnitude elevada e Td = 0).

Passo 2: Para uma mudança no setpoint, obtenha uma oscilação sustentada para a variável
controlada modificando o ganho Kc do controlador.

Passo 3: O valor de Kc que produz a curva de oscilação é denominado ganho de oscilação – Ku –


(ou ganho crítico) e o correspondente período de oscilação é denominado período crítico – Tu.

Passo 4: Calcule os ganhos do controlador PID utilizando as relações de sintonia de Ziegler e


Nichols.

Passo 5: Avaliar a sintonia Ziegler e Nichols. Se necessário, faça um ajuste fino (obtenha uma
nova calibração) nos ganhos do controlador de modo a obter a dinâmica desejada de malha
fechada.
28

Controlador Kc Ti Td

P 0.5Ku

PI 0.4Ku 0.8Tu

PID 0.6Ku 0.5Tu 0.125Tu

O método de sintonia da curva de oscilação tem desvantagens na prática industrial, ou seja,

1. Pode requerer muito tempo se várias tentativas são necessárias ou se o processo tem dinâmica
lenta (um longo teste experimental pode resultar na redução de produção e na baixa qualidade
do produto).
2. Em muitas aplicações práticas a dinâmica oscilatória é contestável, pois o processo opera no
limite da estabilidade.
3. O procedimento de sintonia não é aplicável para processos instáveis e integrantes em malha
aberta.

4.9.2 PROCEDIMENTO AUTO-TUNING DE ÅSTRÖM E HÄGGLUND

Åström e Hägglund (1984) desenvolveram uma técnica atrativa e alternativa para reproduzir,
aplicar e automatizar o método da curva de oscilação de Ziegler e Nichols. No teste auto-tuning
via relê um simples ensaio experimental é utilizado para determinar Ku e Tu. Para este ensaio, o
controle de realimentação é temporariamente substituído por um controlador on-off (ou relê).
Após o fechamento da malha de controle, a saída do processo apresenta uma oscilação sustentada
que é característica do controle on-off. Algumas vezes a histerese é utilizada para evitar o
chaveamento freqüente e indevido causado por ruído nas medidas da planta.
29

Relê sem histerese Relê com histerese

Se a amplitude da senóide de entrada do relê é (a), então o ganho equivalente do relé N(a) –
função descritiva do relê sem histerese – é dado por:

N(a) = 4d/πa

A condição para oscilação é que o ganho de malha seja -1, isto é,

N(a)G(jwu) = KuG(jwu) = -1

que é equivalente a duas condições:

Ku|G(jwu)| = 1 ⇒ |G(jwu)| = 1/Ku= πa /4d ⇒ Ku = 4d/πa

arg(G(jwu)) = –π ⇒ saída está deslocada de 180º (atrasada)

O método de sintonia via relê (auto-tuning) tem várias importantes vantagens se comparado
com o método oscilação de Ziegler-Nichols:

1. Somente um teste experimental é necessário em vez do procedimento tentativa e erro.


2. A amplitude da saída do processo (a) pode ser calibrada pelo ajuste da amplitude do relê (d).
3. O processo não é forçado ao limite da estabilidade.
30

4. O teste experimental pode ser codificado em CLP ou outro dispositivo digital e está
automatizado em produtos comerciais.

Se o relê sem histerese é empregado, o ganho final Ku é calculado por

4d
Ku =
πa

enquanto que, se o relê é implementado com histerese (ε é a largura da histerese), então utiliza-se

4d
Ku =
π a 2 − ε2

Com os parâmetros Ku e Tu, obtidos do experimento com o relê, um modelo contínuo do tipo
FOPDT pode ser obtido, ou seja,

Tu Tu ⎛ 2π ⎞
τ= (K u K p ) 2 − 1 ; θ= ⎜ π − arctan τ ⎟
2π 2π ⎝ Tu ⎠

sendo o ganho estático Kp estimado a partir das medidas de entrada e saída em regime permanente
para uma mudança degrau na entrada da planta.

Observação:

¾ A aplicação do modelo estimado da planta não está limitada somente na sintonia do controlador
PID. Os parâmetros estimados da planta podem também ser utilizados em projeto (clássicos ou
avançados) de controladores baseados em modelos, como por exemplo, alocação de pólos,
variância mínima, preditivo, modelo interno, entre outros, visando a avaliação do melhor sinal
de controle e dinâmica de malha fechada da planta controlada.

4.10 APLICAÇÃO EM UMA PLANTA DE TERCEIRA ORDEM

Seja o processo controlado de terceira ordem caracterizado pela equação

d 3 y( t ) d 2 y( t ) dy( t )
3
+ 1. 6 2
+ 0.65 + 0.05y( t ) = 0.05u ( t )
dt dt dt

A figura (4.12) ilustra os resultados de simulação numérica do sistema de controle PID auto-
tuning, projetado para ganhos iniciais de Kc = 0.1;Ti = 10;Td = 10; Ts = 1 seg, onde o
comportamento temporal da saída segue referências em degrau e os valores finais dos ganhos são
Kc = 1.98; Ti = 7; Td = 1.75.
31

Figura 4.12 – Dinâmicas com o controlador PID auto-tuning.

Conforme mostra a figura (3.6), a planta controlada tem uma dinâmica em malha fechada
adequada; resposta rápida com reduzido overshoot. O correspondente código em Matlab do
controlador PID auto-tuning para a planta de terceira ordem está ilustrado na tabela (4.7).

Tabela 4.7 – Implementação do controlador PID auto-tuning.


% Modelagem dos Ganhos Críticos via Relé
% PID paralelo incremental
%
% Função de transferência contínua
% 0.05
% -----------------------------
% s^3 + 1.6 s^2 + 0.65 s + 0.05
%
% Função de transferência discreta
% 0.005671 z^2 + 0.01545 z + 0.00255
% ----------------------------------
% z^3 - 1.879 z^2 + 1.105 z - 0.2019
% --- Período de amostragem: 1 seg
%
clear all, close all, clc
u(1:4) = 0;du(1:4) = 0;umin = 0;umax = 10;
Kc = 0.1;Ti = 10;Td = 10;Ki = Kc/Ti;Kd = Kc*Td;
Ts = 1;nptos = 1200;Kp = 1;
dmax = 2;dmin= 0;d = (dmax - dmin)/2;ref = 1;
32

y(1:4) = 0;;e(1:4) = 0;
for t = 1:4 tempo(t) = t*Ts; end;
yr(1:700) = ref; yr(701:900) = 2*ref; yr(901:nptos) = ref;
ctfr = 5;amfr = exp(-Ts/ctfr);bmfr = 1 - amfr;yrf(1) = yr(1);
for i = 2:nptos yrf(i) = amfr*yrf(i-1) + bmfr*yr(i); end
%
for t = 4:nptos
%
if (t <= 400) | (t >= 501)
y(t) = 1.8792*y(t-1)-1.1048*y(t-2)+0.2019*y(t-3)+0.0057*u(t-1)+...
0.0154*u(t-2)+0.0026*u(t-3);
e(t) = yrf(t) - y(t);
du(t) = Kc*(e(t)-e(t-1))+(Kd/Ts)*(e(t)-2*e(t-1)+e(t-2))+...
(Ki*Ts)*e(t-1);
u(t) = u(t-1) + du(t);
%
elseif (t >= 401) & (t <= 500) % Experimenta planta com o relé
y(t) = 1.8792*y(t-1)-1.1048*y(t-2)+0.2019*y(t-3)+0.0057*u(t-1)+...
0.0154*u(t-2)+0.0026*u(t-3);
e(t) = yrf(t) - y(t);
if (e(t-1) >= 0) u(t) = dmax; end;
if (e(t-1) < 0) u(t) = dmin; end;
tempo(t) = t*Ts;
end
%
if t==500
kont = 0; % Calcula período crítico
for t = 401:500,
if (u(t) ~= u(t-1))
kont = kont + 1;ch(kont) = t;
end;
end;
Tu1 = (ch(7) - ch(6))*Ts;Tu2 = (ch(8) - ch(7))*Ts;
Tu = Tu1 + Tu2;
aux1 = ch(5);aux2 = ch(7);
arm = ref; % Calcula valor de pico positivo
for t = aux1:aux2,
if y(t) >= arm arm = y(t); end;
end;
Au = arm;
arm = ref; % Calcula valor de pico negativo
for t = aux1:aux2,
if y(t) <= arm arm = y(t); end;
end;
Ad = arm;
a = abs(Au) - abs(Ad);
Ku = (4*d)/(pi*a); % Calcula ganho crítico
% Sintonia Ziegler-Nichols
33

Kc = 0.6*Ku;Ti = Tu/2;Td = Tu/8;


% Sintonia Tyreus-Luyben
%Kc = 0.45*Ku;Ti = 2.2*Tu;Td = Tu/6.3;
% Sintonia Takahashi-Chan-Auslander
%Kc=0.6*Ku*(1-(Ts/Tu));Ti=(Kp*Tu)/(1.2*Ku);Td=(3*Ku*Tu)/(40*Kp);
Ki=Kc/Ti;Kd=Kc*Td;
end
%
end
tempo = 1:nptos;
subplot(211), plot(tempo,yr,tempo,y),title('Referência e Saída');
subplot(212), plot(tempo,u),title('Ação de Controle');

4.11 CONTROLADORES INDUSTRIAIS AUTO-TUNING

Na visão de Cheng (2006), o nível de automação do procedimento de auto-sintonia deve


levar em consideração: o desempenho desejado, o nível do sinal de saída do relê, o tempo de
amostragem, a ponderação no sinal de referência e o tempo de duração do ensaio.

O usuário muitas vezes necessita fornecer ao controlador algumas informações a respeito do


tipo de processo controlado e o desempenho esperado. Porém estas informações são mais simples
de serem especificadas do que os ganhos do controlador (Johnson e Moradi, 2005).

Controladores industriais são equipamentos destinados ao controle de processos de plantas


industriais. Dentre as características básicas que todo controlador industrial dispõe destacam-se:

• Possibilidade de programação das funções via teclas diretamente no equipamento ou via


software proprietário.
• Interação com a instrumentação de campo da planta controlada por intermédio de entradas e
saídas analógicas e digitais ou por meio de rede de comunicação industrial (Profibus-PA, ASI,
Fieldbus Fondation, etc).
• Possibilidade de troca de informações, via rede de comunicação (Ethernet, RS-232, RS-485,
etc), com o nível de automação superior, usualmente um sistema de supervisão em PC.

Além destas características, é uma demanda da indústria a possibilidade de sintonia dos


controladores de maneira rápida e robusta, sem a necessidade de especialistas para manutenção de
um bom desempenho regulatório do processo controlado. Neste contexto, Grégroire et al. (1999)
listaram algumas qualidades essenciais que um controlador industrial deve apresentar:

• A função auto-sintonia deve ser simples de utilizar. Os parâmetros que devem ser configurados
pelo usuário devem ser auto-explicativos.
• A seqüência de auto-sintonia não pode ser muito longa e os procedimentos não devem interferir
significativamente na produção.
• Deve ser capaz de lidar com diferentes tipos de dinâmicas: processos com e sem atraso de
transporte, integradores, fase mínima e não-mínima, etc.
• Deve resultar num desempenho superior da malha de controle.
34

Grégroire et al. (1999) indicaram que histerese deve ser utilizada no relê para tornar os
procedimentos mais imunes aos ruídos inerentes aos ambientes industriais. Apresentaram também
informações que são solicitadas ao usuário para o controlador industrial com auto-sintonia:

• Tipo de processo: integrador, estável ou instável.


• Tipo de ação: direta ou reversa.
• Valor inicial para amplitude do relê.
• Amplitude máxima do ciclo limite da saída do processo.
• Máximo valor da saída do processo.
• Máxima amplitude do relê.
• Número mínimo e máximo de oscilações.

Pode-se ainda acrescentar as seguintes funções desejáveis a um controlador industrial com


auto-sintonia: devem ser utilizados limites para os ganhos do controlador, deve existir a
possibilidade de abortar o procedimento, deve-se alarmar ou advertir o operador quando as
situações limites são atingida

Pi-Mira et al. (1999) propuseram uma metodologia de sintonia automática de controlador


PID, a ser aplicado industrialmente, baseado em três etapas:

1) Estágio de pré-sintonia: onde ganhos iniciais para o controlador PID são obtidos,
automaticamente, via resposta impulsiva do processo. O objetivo desta etapa é estabilizar o
processo e levá-lo a região de operação em regime.
2) Estágio do relê: onde o relê é aplicado ao processo e os ganhos do controlador são calculados e
carregados.
3) Estágio de re-sintonia: onde o usuário pode, através de uma interface fuzzy, definir quais
características de desempenho do controlador devem ser melhoradas. Estão novos parâmetros
PID são calculados a fim de atingi-los.

Para aceitação de um controlador com sintonia automática por parte da indústria, é


necessário que o usuário final não seja forçado a tomar decisões que afetem o seu funcionamento.
A função de inicialização automática surge, então, como um importante componente da estrutura
do controlador com sintonia automática. Para o procedimento de inicialização, informação do
processo pode ser obtida em malha aberta por meio de um trem de pulsos aplicado na entrada no
processo (Gude et al., 2006).

4.11.1 FABRICANTES E CARACTERÍSTICAS

Åström e Hägglund (2005) realizaram uma revisão de fabricantes e respectivos


equipamentos que dispõem de tecnologia para sintonia automática de controladores:

• No Foxboro Exact a amplitude do ruído é determinada colocando-se a entrada do processo num


valor constante (controlador em modo manual) e filtrando-se a saída do processo em um filtro
passa-alta. O valor pico a pico da saída do filtro é tomado como amplitude do ruído.
• Nos controladores ABB o método de auto-sintonia utiliza histerese no relê. A amplitude da
histerese é determinada automaticamente em função do nível de ruído, que é medido instantes
35

antes da aplicação do relê no processo. Quando o procedimento detecta que o sistema é de


atraso dominante, o controlador é sintonizado com parâmetros conservativos ou um controlador
PI é utilizado.
• A técnica de sintonia automática utilizada nos equipamentos Emerson é baseada no relê
realimentado. A partir do ensaio é possível obter um modelo FOPDT. Estão disponíveis
diferentes opções de métodos para sintonia do controlador, dentre eles: Ziegler-Nichols, IMC
tuning e Lambda tuning. Existe também a possibilidade de simular a sintonia proposta no
modelo do processo antes de efetivamente colocá-la em operação.
• O controlador da empresa Techmation Inc. tem como ponto relevante a necessidade do operador
prestar algumas informações sobre o processo e o controlador, tais como: deve ser determinado
se o processo é estável ou se é integrador, estrutura do controlador, tempo de amostragem, etc.
Para sintonia, é possível selecionar o tipo de resposta desejada: lenta, moderada ou rápida.

No artigo de Pi-Mira et al. (2000) foi apresentada a implementação em um controlador


industrial, denominado LS-3000, da técnica descrita em Pi-Mira et al. (1999).

Normalmente os fabricantes de controladores industriais não mencionam a tecnologia


utilizada para auto-sintonia. Sabe-se que grande parte baseia-se na identificação após algumas
oscilações do ciclo limite, porém alguns controladores, onde estão incluídos os equipamentos
Siemens Sipart DR19 e Ascon’s Delta Due, podem efetuar o procedimento de identificação com
uma única oscilação do processo (VanDoren, 2006).

4.11.2 CONTROLADOR INDUSTRIAL – ROCKWELL

A empresa Rockwell (2002) apresentou a função auto-tuning do bloco controlador PID para
a ferramenta de programação dos Controladores Lógicos Programáveis (PLCs) da família
Logix5000.

Dentre os pontos notáveis da implementação estão:


• Permite ao usuário selecionar o tipo de processo controlado: temperatura, pressão, vazão, nível,
posição, velocidade, integrador, não-integrador e desconhecido.
• Seleção da amplitude do degrau na ação de controle.
• Necessidade de manter o controlador PID em manual durante o procedimento de sintonia
automática.
• Existência de comandos “inicia” e “aborta” procedimento.
• Seleção de sintonia de ganhos para obtenção de uma resposta lenta, moderada ou rápida do
sistema em malha fechada, a partir dos resultados do experimento.
• Apresenta os parâmetros estimados do processo para um modelo de primeira ordem com atraso
de transporte (FOPDT).
• Proteção contra falhas do procedimento que o aborta automaticamente: excursão da variável
controlada além dos limites de segurança, timeout, saída do processo oscilatória durante o
procedimento, etc.

Analisando os dados de entrada e saída apresentados pelo fabricante, pode-se concluir que é
utilizada uma metodologia de auto-sintonia off-line utilizando o teste de resposta ao degrau, ou
seja, o controlador é desabilitado do processo. Além disso, a sintonia parece ser realizada por
36

método indireto, pois parâmetros de modelo FOPDT são apresentados como resultado. Na figura
(4.13) encontra-se o ambiente de interface do controlador com o usuário.

Figura 4.13 – Janela de interface do controlador PID Enhanced da Rockwell.

O fabricante Rockwell disponibiliza também uma ferramenta de análise e sintonia de


controladores PID, o RSTune, a qual apresenta recursos adicionais (Rockwell, 2001):

• Visualização de gráficos de tendência em tempo real.


• PID auto-tuning enfocando perturbações (comportamento regulatório) ou rastreamento de
referência (comportamento servo).
• Análise gráfica de robustez da sintonia proposta pelo procedimento e possibilidade de ajuste do
operador por meio de um fator de segurança.
• Análise e simulação off-line, incluindo gráficos da resposta em freqüência, modelo da planta,
etc.
• Tratamento dos dados através de filtros e análises estatísticas.
• Diagnóstico da presença da não-linearidade histerese nos elementos de atuação em campo (por
exemplo, válvulas).

O RSTune é uma ferramenta que apresenta recursos importantes tais como gráficos e
tratamento de sinais. Entretanto sua utilização está restrita ao nível dois da hierarquia de
automação, ou seja, o algoritmo de auto-sintonia não é executado no PLC (nível 1 na hierarquia de
automação). Na figura (4.14) visualiza-se a interface do software com o usuário.
37

Figura 4.14 – Interface da ferramenta de sintonia automática RS Tune do fabricante Rockwell.

4.11.3 CONTROLADOR INDUSTRIAL – SIEMENS

O documento Siemens (2005) apresentou a função auto-tuning do bloco controlador PID


para a ferramenta de programação dos Controladores Lógicos da família S7-200. Na figura (4.15)
pode-se observar a interface com o usuário da ferramenta computacional.

Figura 4.15 – Interface da ferramenta de auto-sintonia do fabricante Siemens.

Dentre os pontos notáveis da implementação estão:

• Aplicação do relê de Åström e Hägglund (1984) para determinação do ganho crítico Ku e


período crítico ωu .
• Histerese para o relê, que pode ser calculada automaticamente como duas vezes o desvio padrão
da variável controlada.
• Determinação da amplitude de oscilação da saída do processo, que pode ser escolhida pelo
usuário ou automaticamente como sendo 4.5 vezes a histerese. A amplitude do relê é
proporcionalmente ajustada para obtenção da amplitude de saída desejada.
38

• Seleção de sintonia de ganhos para obtenção de uma resposta muito lenta, lenta, moderada ou
rápida do sistema em malha fechada. Esta seleção deve ser realizada antes de se iniciar o
experimento.
• São necessários seis períodos de oscilação para finalização do procedimento;
• Alertas e falhas são emitidos caso: a amplitude de oscilação da saída do processo não seja ao
menos 4 vezes o valor da histerese; ocorra timeout; a saída do processo atinja os limites de
escala, etc.

4.11.4 CONTROLADOR INDUSTRIAL – NOVUS

A Novus é fabricante brasileira de instrumentos para controle, aquisição, registro e


supervisão de dados, atuando principalmente no segmento de automação industrial. Dentre os
equipamentos que compõem sua linha de produtos está o recém-lançado controlador N1200. Em
Novus (2008) pode-se observar algumas características relevantes do equipamento:

• PID com auto-sintonia de parâmetros

• Rede de comunicação RS-485.

• Função automático / manual com transferência bumpless.

Para função de auto-sintonia, o controlador utiliza o relê realimentado com histerese e bias.
O ajuste da amplitude do relê e nível do bias são ajustados automaticamente visando uma
oscilação simétrica da saída do processo. A sintonia está baseada nos critérios de Ziegler e
Nichols, com pequena modificação.

Como ponto de destaque desta implementação está a monitoração do desempenho da malha


de controle. O índice de desempenho utilizado é uma composição da variabilidade na saída do
processo e da variabilidade na ação de controle. Há a possibilidade do controlador disparar
automaticamente a função de auto-sintonia, independentemente de um comando do operador,
sempre que a monitoração de desempenho indique deterioração na malha de controle. Em virtude
desta funcionalidade o fabricante denomina seu controlador como “Auto-Adaptativo”.

Como ponto que merece crítica, observa-se que o controlador da Novus inicia a aplicação do
relê com amplitude máxima, convergindo em seguida para um valor adequado à amplitude e
simetria requerida para o ciclo limite. Entretanto, não há supervisão para abortar o processo de
auto-sintonia caso os limites de segurança sejam atingidos.

4.12 PROBLEMAS

1) Seja o projeto do controlador PID adaptativo sob as diferentes sintonias apresentadas neste
capítulo para os seguintes modelos contínuos de plantas:

d 3 y( t ) d 2 y( t ) dy( t )
a ) 15 3
+ 23 2
+9 + y( t ) = u ( t )
dt dt dt
39

d 3 y( t ) d 2 y( t ) dy( t )
b) 48 3
+ 44 2
+ 12 + y( t ) = u ( t )
dt dt dt

Avaliar o desempenho dos sistemas de controle em malha fechada. Admitir mudanças de setpoint
na forma degrau e a presença de uma perturbação de carga (10% da amplitude da referência).

BIBLIOGRAFIA

Åström, K. J. e Hägglund, T. (1984). Automatic Tuning of Simple Regulators with Specifications


on Phase and Amplitude Margins, Automatica, vol. 20, pp. 645-651.
Åström, K. J. e Hägglund, T. (1995). PID Controllers: Theory, Design and Tuning, Research
Triangle Park, NC, USA:Instrument Society of America.
Åström, K. J. e Hägglund, T. (2005). Advanced PID Control, ISA-The Instrumentation, Systems
and Automation Society.
Åström, K. J., Wittenmark, B. Adaptive Control, Addison-Wesley, 1995.
Balestrino A.; Landi A.; Medaglia M. e Satler M. (2006). Performance Indices and Tuning in
Process Control, 14th Mediterranean Conference on Control and Automation, pp. 1-6.
Bobál, V.; Böhm, J.; Fessl, J. e Machácek, J. (2005). Digital Self-Tuning Controllers, Springer.
Brosilow C. e Joseph B. (2002). Techniques of Model-Based Control, Prentice Hall. (Series:
Prentice-Hall international series in the physical and chemical engineering sciences.)
Cheng, C. Y. (2006). Auto-Tuning of PID Controllers: a Relay Feedback Approach, Springer.
Coelho, A. A. R. e Coelho, L. S. (2004). Identificação de Sistemas Dinâmicos Lineares, Editora da
UFSC.
Cologni, M. A.; Coelho, A. A. R. e Knihs, V. L. (2007). Estudo Comparativo de Três Métodos de
Controle para uma Planta com Atraso de Transporte, Revista Controle & Instrumentação, n°
130, pp. 50-57.
Cunha, M. J.; Brandão, D. e Pinotti, M. (2008). Identificação de Sistemas em Ambiente Fieldbus,
Revista Mecatrônica Atual – Automação Industrial de Processos e Manufatura, n° 37,
Editora Saber Ltda.
Dumont, G. A. e Huzmezan, M. (2002). Concepts, Methods and Techniques in Adaptive Control,
American Control Conference, http://kirp.chtf.stuba.sk/~slapo/junkyard/acc2002paper.pdf.
Grégroire M.; Desbiens A. e Richard É. (1999). Development of an Auto-Tuning PID and
Applications to the Pulp and Paper Industry, Third International Conference on Industrial
Automation, Montréal, Canada, pp. 3.5-3.8.
Gude, J. J.; Kahoraho, E. e Etxaniz, J. (2006). Practical Aspects of PID Controllers: An Industrial
Experience, IEEE Conference on Emerging Technologies and Factory Automation,
ETFA’06, pp. 870-878.
Gyöngy, I. J. e Clarke, D. W. (2005). On the Automatic Tuning and Adaptation of PID
Controllers, Control Engineering Practice, vol. 14, pp. 149-163.
Hägglund, T. e Åström, K. J. (2000). Supervision of Adaptive Control Algorithms, Automatica,
vol. 36, pp. 1171-1180.
Hang, C. C. ; Lee, T. H. e Ho, W. K. (1993). Adaptive Control. Instrument Society of America.
Hang C.C.; Åström K. J. e Wang Q. G. (2002). Relay Feedback Auto-tuning of Process
Controllers - A Tutorial Review. Journal of Process Control, vol. 12, pp. 143-162.
40

Huang, H. P. e Jeng, J-C. (2002). Monitoring and Assessment of Performance for Single Loop
Control Systems, Ind. Eng. Chem. Res., vol. 41, pp. 1297-1309.
Johnson, M. A. e Moradi, M. H. (2005). PID Control - New Identification and Design Methods,
Springer-Verlag, London.
Lo, W. L.; Rad, A. B. e Tsang K. M. (1999). Auto-Tuning of Output Predictive PI Controller, ISA
Transactions, vol. 38, pp. 25-36.
Luo, R.; Qin, S.J. e Chen D. (1998). A New Approach to Closed Loop Auto-Tuning for PID
Controllers, Ind. Eng. Chem. Res., vol. 37, pp. 2462 -2468.
Majhi, S. e Litz, L. (2003). On-line Tuning of PID Controllers, Proceedings of the American
Control Conference, vol.6, pp. 5003-5004.
Malik, O. P.; Hope, G. S. e Cheng S. J. (1991). Some Issues on the Practical Use of the Recursive
Least Squares Identification in Self-Tuning Control, International Journal of Control, vol.
53, pp. 1021-1033.
Ming, D. M. e Xin, J. Z. (2005). Performance Assessment and Controller Design Based on
Modified Relay Feedback, Ind. Eng. Chem. Res., vol. 44, pp. 3538-3546.
Murray, R. M.; Åström, K. J.; Boyd, S.P.; Brockett, R.W. e Stein, G. (2003). Future Directions in
Control in an Information-Rich World, IEEE Control Syst. Magazine, vol. 23, pp. 20-33.
Novus (2008). Controlador N1200 - Controlador Universal - Manual de Instruções - V1.0x. Novus
Produtos Eletrônicos Ltda.
O’Dwyer, A. (2000). A Summary of PI and PID Controller Tuning Rules for Processes with Time
Delay. Part 2: PID Controller Tuning Rules, Preprints of PID’00 – IFAC Workshop on
Digital Control – Past, Present and Future of PID Control, Terrassa, Spain, pp. 242-247.
Park J. e Mackay S. (2003). Practical Data Acquisition for Instrumentation and Control Systems,
Newnes, Elsevier.
Park, H. C.; Koo, D. G.; Youn, J. H.; Lee, J. e Sung S. W. (2004). Relay Feedback Approaches for
the Identification of Hammerstein-Type Nonlinear Processes, Ind. Eng. Chem. Res., vol. 43,
pp. 735-740.
Qin, S. J. e Badgwell T. A. (2003). A Survey of Industrial Model Predictive Control Technology,
Control Engineering Practice, vol. 11, pp. 733-764.
Pi-Mira, J.; Mateo, E.; Sarrate, R. e Quevedo, J. (1999). A Three-stage Automatic PID Tuning
System, Proceedings European Control Conference, ECC'99 Publications.
Pi-Mira, J.; Mateo, E.; Sarrate, R. e Quevedo, J. (2000). LS-3000 Digital PID Controller, IFAC
Digital Control: Past, Present and Future of PID Control, pp. 409-415.
Popescu, D.; Tambozi, G. e Petrescu, C. (2000). Some Considerations about the Refinements and
the Accuracy of PID Controllers, IFAC Digital Control: Past, Present, and Future of PID
Control, Volume from the IFAC Workshop, pp. 247-252, Terrassa, Spain.
Ramos, M. A. P.; Marquez, E. Q. M. e Jimenez, J. T. (2004). Automatic Intelligent Initialization
for a Modified Generalized Minimum Variance Controller. 5th Asian Control Conference,
vol. 2, pp. 1232-1239.
Rexroth (2007). IndraControl L40 - Project Planning Manual. DOK-CONTRL-IC*L40-PR03-EN-
P, Bosch Rexroth AG.
Rice, R. e Cooper D. J. (2002). Design and Tuning of PID Controllers for Integrating (Non-Self
Regulating) Processes. Proc. ISA 2002 Annual Meeting, pp. 424-434, Chicago, IL.
Rivera, D. E.; Morari, M. e Skogestad, S. (1986). Internal Model Control: PID Controller Design,
Industrial and Eng. Chemistry Process Design and Development, vol. 25, pp. 252-265.
Rockwell (2002). Getting Results with the PIDE Autotuner, Doc ID PIDE-GR001B-EN-P,
Rockwell Software Inc.
41

Rockwell (2001). RSTune – PID Loop Tuner - User’s Guide, Doc ID TUNE-UM001B-EN-P,
Rockwell Software Inc.
Ruel, Michael (2003). Using Filtering to Improve Performance, ISA Expo 2003, pp. 21-23
October, Houston, TX.
Siemens (2005). S7-200 Programmable Controller System Manual, Manual Order Number:
6ES7298-8FA24-8BH0. Edition 08/2005, Siemens AG.
Tan, K. K.; Lee, T. H. e Jiang X. (2000). Robust On-line Relay Automatic Tuning of PID Control
Systems, ISA Transactions, vol. 39, pp. 219-232, Elsevier.
Tan, K. K.; Lee, T. H. e Jiang, X. (2001). On-line Relay Identification, Assessment and Tuning of
PID Controller, Jornal of Process Control, vol. 11, pp. 483-496, Elsevier.
VanDoren, V. (2006). Auto-Tuning Control Using Ziegler Nichols, From the Pages of Control
Engineering: http://www.controleng.com/article/CA6378136.html.
Zhuang, M. e Atherton, D. P. (1993). Automatic Tuning of Optimum PID Controllers, IEEE
Proceedings Control Theory and Applications, vol. 140, pp. 216-224.
Ziegler, J. G. e Nichols, N. B. (1942). Optimum Settings for Automatic Controllers, Trans. ASME,
vol. 64, pp 759-768.
1

Capítulo 5

EXPERIÊNCIAS EM CONTROLE ADAPTATIVO COM EMPRESA

_____________________________________________________________________
Introdução. Controlador lógico programável WEG L40. Projeto do
controlador PID com sintonia auto-tuning. Experimentos em tempo real.
Projeto do controlador PID com sintonia self-tuning. Aplicação em uma
planta de posição. Considerações finais sobre o projeto PIDWSAT.
Ambiente de sintonia PID. Modelagem via técnica de Smith e sintonia PID-
IMC. Ambiente de sintonia para modelagem e controle. Considerações
finais sobre o ambiente de sintonia PID. Problemas. Bibliografia.
_____________________________________________________________________

5.1 INTRODUÇÃO

Globalização. Está é a palavra chave que vem norteando as estratégias de crescimento de


diferentes nações ao redor do mundo desde o final do século 20. O aumento de qualidade e
produtividade das empresas nacionais é imprescindível e buscado incessantemente. Além disto,
na atual conjuntura, uma preocupação crescente vem tomando espaço das ações globais: a
redução da emissão de poluentes, visando à desaceleração do ritmo atual de aquecimento
global.

Na literatura de controle de processos têm-se informações estatísticas sobre a situação


dos controladores nas indústrias químicas, papel e celulose, refinarias, isto é,

• 32% das malhas de controle podem ser classificadas como de desempenho excelente ou
aceitável.
• 32% dos controladores são classificados como de desempenho regular ou fraco, o que
indicava comportamento inaceitavelmente lento ou oscilatório.
• 36% das malhas de controle estavam operando em malha aberta devido à utilização da
opção por operação em modo manual, ou com atuadores em saturação.
• Controladores PID são utilizados na imensa maioria das aplicações, por volta de 97%. Em
raros casos, onde o processo apresentava dinâmica complexa ou atraso de transporte
significativo, foram utilizados outros algoritmos de controle.
• Controles baseados em modelo atuavam pouco como estruturas de controle multivariáveis e
mais como otimizadores de processo que geram referências para controladores
monovariáveis tipo PID.

Assim, pode-se concluir que o controlador PID ainda é e continuará sendo por muitos
anos a mais importante estrutura de controle utilizada na indústria. Além disso, detecta-se um
2

campo vasto para aplicação de técnicas que possibilitem a melhoria do desempenho das malhas
de controle.

Com a introdução da auto-sintonia de malhas PID tornou-se possível acelerar a tarefa de


comissionamento de plantas e também melhorar o desempenho de plantas industriais por meio
da re-sintonia (Gude et al., 2006). Recentes pesquisas no mercado de controladores industriais
apontam a função auto-sintonia como a mais valorizada pelos usuários, ao lado do próprio
algoritmo PID e das interfaces de comunicação (VanDoren, 2006).

Para a implementação de controladores adaptativos no meio industrial, devem-se buscar


conhecimentos específicos e avaliar as possibilidades para abordagem de questões como:

• Tratamento do ruído de medição.


• Supervisão do processo de auto-sintonia.
• Automatismo do processo, ou seja, pouca intervenção do operador.
• Aplicação em diferentes classes de plantas.
• Generalidade, simplicidade e robustez.
• Auto-sintonia em malha fechada.

Neste contexto e destacando a importância dos aspectos mencionados, este capítulo


avalia diferentes projetos de parceria entre o DAS/UFSC e a empresa WEG Automação.

5.2 CONTROLADOR LÓGICO PROGRMÁVEL WEG L40

Descreve-se aqui, brevemente, o controlador lógico programável CLP WEG L40,


abordando as especificações técnicas quanto à capacidade de processamento e o software de
programação do equipamento. O equipamento L40, mostrado na figura (5.1), é um Controlador
Lógico Programável (CLP) utilizado em aplicações industriais.

Figura 5.1 – Controlador industrial WEG L40.

Na forma padrão possui 8 entradas e 8 saídas digitais, expansíveis através dos módulos
de entrada e saídas tanto analógicas quanto digitais. A tabela (5.1) ilustra algumas
características técnicas do CLP L40.

Tabela 5.1 – Características principais do controlador industrial WEG L40.


Processador National Geode SC1200 (266 MHz)
Memória 32 Mbytes DRAM – 64 Kbytes NvRam
Interface para módulos funcionais Bosch Rexroth PC104
Interface para I/O Rexroth Inline Interface
Interfaces de Comunicação Ethernet (RJ 45, 10/100 Base-T)
3

Serial – RS 232
Profibus DP
8 entradas digitais
Entradas e Saídas
8 saídas digitais
Tensão nominal de operação 24 VDC

O CLP L40 possui um tempo de processamento de aproximadamente 100 μseg para cada
1000 operações lógicas e pode realizar até 16 tarefas (tasks) simultaneamente. Os
controladores com auto-sintonia implementados ocupam menos da capacidade de memória
mencionada na tabela (5.1) e os períodos de amostragem utilizados tipicamente na indústria são
superiores ao tempo de processamento dos algoritmos de controladores PID com auto-sintonia.
Assim, as limitantes computacionais para a implementação dos algoritmos são eliminadas.

Para comunicação do micro com o CLP seleciona-se a interface de comunicação


Ethernet, já que permite a possibilidade de acessar o controlador a partir de qualquer PC
conectado à mesma rede local.

O software IndraWorks utilizado para a programação e configuração possui as seguintes


linguagens de programação, previstas na norma IEC 61131-3: texto estruturado (Structured
Text – ST) e as linguagens gráficas, Sequential Function Chart - SFC, Function Block Diagram
- FBD e Ladder Diagram - LD.

Para o projeto é definido como linguagem de programação o texto estruturado ou ST. A


principal motivação é a semelhança com a linguagem utilizada no pacote computacional
Matlab (programa utilizado nas simulações). Além disso, a linguagem de programação
selecionada possibilita produtividade na geração do código e depuração da lógica que são
vantajosas quando compradas às outras previstas na norma IEC 61131-3.

O software IndraWorks, apresentado na figura (5.2), utilizado para configuração do CLP


e programação das instruções, é um software amigável e flexível, que possibilita a edição do
código de programação, além de permitir visualização das variáveis do processo em tempo
real, tanto por meio da monitoração on-line do código programado, quanto por meio de
gráficos de tendência.

Figura 5.2 – Interface para programação do CLP WEG L40.


4

O equipamento tem sido aplicado com sucesso em projetos de automação de plantas


industriais diversificadas, tais como: papel e celulose, laminação, geração de energia, química,
máquinas operatrizes, etc.

5.3 PROJETO DO CONTROLADOR PID COM SINTONIA AUTO-TUNING

Um controlador industrial necessita, segundo pesquisas recentes de mercado, da


funcionalidade de auto-sintonia. Dentre as justificativas para a demanda existente por tal
tecnologia destacam-se: a agilidade para comissionamento de malhas de controle e a
simplicidade para manutenção.

Buscando atender funcionalidades presentes em controladores industriais similares já


existentes no mercado implementa-se um controlador com auto-sintonia, cujas principais
características podem ser resumidas na tabela(5.2).

Tabela 5.2 – Características do controlador PID industrial com auto-sintonia.


• PID ideal.
• Bumpless manual / automático.
Controlador: • Saturação da ação integral.
• Ação direta / reversa.
• Filtro tipo passa-baixa para referência.
• Relê realimentado.
• Dois métodos de sintonia, com seleção de desempenho
desejado pelo usuário.
• Ação direta / reversa.
Auto-Sintonia:
• Opção para levantamento do ganho estático
automaticamente.
• Amplitude do relê automaticamente adaptada (on-line) à
amplitude do ciclo limite.
• Histerese calculada automaticamente.
Tratamento do ruído:
• Filtro tipo passa-baixa para realimentação.
• Amplitude máxima e mínima do ciclo limite.
• Amplitude máxima do relê.
• Duração máxima do procedimento.
Supervisão: • Indicação de saturação do controle.
• Detecção do processo em regime.
• Apresentação do modelo da planta identificado.
• Comando para abortar.
Tabela 5.2 – Características principais do controlador industrial proposto com auto-sintonia.

Observações:

¾ A opção pelo controlador PID em sua estrutura ideal justifica-se pelo fato de ser uma
estrutura padrão na empresa WEG.

¾ A opção do relê de Åström e Hägglund (1984) pela simplicidade e robustez, conforme


demonstrado nos resultados de simulação e na análise das vantagens e desvantagens de cada
topologia de auto-sintonia.
5

Na figura (5.3) pode-se observar o diagrama de blocos da estrutura implementada,


considerando contaminação com ruído de medição ( ξ ), filtragem para a realimentação e para a
referência, supervisão e controle.

Figura 5.3 – Diagrama de malha do controlador implementado.

O procedimento implementado no controlador industrial, em síntese, é composto por 3


etapas:

1) Levantamento da relação sinal-ruído N e da histerese ε necessária para o relê.


2) Levantamento do ganho estático Kp do processo (opcional).
3) Aplicação do relê e determinação dos ganhos do controlador.

O usuário do controlador tem a possibilidade de selecionar se deseja uma sintonia


denominada “conservadora” ou “moderada”. O método de sintonia aplicado é dependente do
tipo de planta: integradora ou não. Na figura (5.4) pode-se observar o bloco de controle
desenvolvido, utilizando a linguagem de programação em texto estruturado (ST). Objetiva-se
com a criação do bloco, primeiramente, conferir modularização ao código desenvolvido para
fácil replicação da estrutura e do conhecimento, a partir da utilização de instâncias do objeto.
Além disso, por se tratar de um bloco compilado e disponível na forma de uma biblioteca, é
possível a proteção da tecnologia empregada. Destacam-se também como boas práticas que são
facilitadas pela utilização do bloco: o aumento da qualidade do software e a maior estruturação
da aplicação.

Figura 5.4 – Bloco PID com auto-sintonia para o CLP L40.


6

Como metodologia para o desenvolvimento, destaca-se a utilização de módulos


funcionais tais como: a lei de controle PID, filtragem, bumpless manual / automático, etc,
possibilitando, desta forma, o teste individualizado das funções antes da composição final do
controlador PID com auto-sintonia. Foram desenvolvidos também blocos que simulam um
ruído branco com variância definida pelo usuário e blocos que simulam a resposta de sistemas
FOPDT e IPDT. Para validação, os resultados obtidos foram comparados com os resultados de
simulações complementares realizadas no pacote matemático Matlab. Na tabela (5.3) pode-se
verificar a função de cada uma das entradas do bloco funcional e os valores que são retornados
como resultado do procedimento. A nomenclatura para as tags utilizadas segue padrão WEG
para determinação de nomes de variáveis em controladores lógicos programáveis.

Tabela 5.3 – Variáveis de entrada e de saída do bloco de controle com auto-sintonia.


TAG DESCRIÇÃO / FUNÇÃO
MR_IN_SP Referência do controlador
MR_IN_PV Realimentação do controlador
MR_MV_MAN Valor do controle em modo manual
MR_Kc Ganho proporcional
MR_Ti Tempo integral (seg)
MR_Td Tempo derivativo (seg)
MR_Ts Tempo amostragem (seg)
MR_MV_MAX Máximo valor do controle - saída do PID
MR_MV_MIN Mínimo valor do controle - saída do PID
MR_PV_MAX Saída máxima do processo - realimentação
MR_PV_MIN Saída mínima do processo - realimentação
ENTRAADAS

MR_Tf_SP Filtro 1ª ordem de referência - constante tempo (seg)


Filtro 1ª ordem de realimentação - constante tempo
MR_Tf_PV
(seg)
MR_RELE_MAX Máxima amplitude do relê
Ganho estático do processo. Caso seja 0,
MR_IN_Kp
procedimento executará teste degrau
MX_MAN Controle em modo manual=1 / automático=0
Seleciona ação direta(1) onde erro = PV-SP ou ação
MX_ACAO_DIRETA
reversa(0) onde erro = SP-PV
MX_START_AT Trigger - pulso - para disparar início do AT
MX_ABORT_AT Trigger - pulso - para abortar AT
MX_Reset Reset dos alarmes do AT
Indica se o processo é do tipo integrador=1 ou auto-
MX_Integrador
regulado=0
MX_Sintonia_2 Seleciona algoritmo 2 de sintonia PID
Seleciona sintonia moderada=1 (rápida) ou
MX_Sint_Moderada
conservativa=0 (lenta)
MR_MV Ação de controle - saída do PID
MR_MAN_OUT Valor do controle em modo manual
MR_PV Realimentação PV filtrada
SAÍDAS

MR_SP Referência SP filtrada


MR_Kc_at Ganho proporcional obtido pela auto-sintonia
MR_Ti_at Tempo integral (s) obtido pela auto-sintonia
MR_Td_at Tempo derivativo (s) obtido pela auto-sintonia
MR_Kp Ganho estático do processo estimado
7

MR_tau Constante de tempo do processo estimada


MR_teta Atraso de transporte do processo estimado
MX_MV_SAT Indica que PID está saturado
MX_AT_Enabled Indica que auto-sintonia está em andamento
Indica que procedimento AT foi finalizado com
MX_AT_Finalized
sucesso
Alarme indicativo (aborta) de limites atingidos pela
MX_AT_Error_Lim ação MV ou limites atingidos pela realimentação PV
durante AT
Alarme indicativo (aborta) de tempo máximo do
MX_AT_Error_TO
procedimento atingido
Advertência indicativa de processo inicializado fora
MX_AT_Warning_SS
do regime ou ruído muito elevado

Analisando a utilização de recursos do hardware, o bloco de função desenvolvido ocupa


uma área de memória de dados de 308 bytes dos 4 Mbytes disponíveis no controlador L40
(inferior a 0.01%). Considerando a área de memória dedicada ao código de programação, o
algoritmo desenvolvido ocupa 7944 bytes dos 4 Mbytes disponíveis (inferior a 0.2%). O tempo
de processamento do código é inferior a 1 milissegundo. Deste modo, o bloco de função
encontra-se dentro dos limites de memória e processamento do controlador.

Como perspectiva para a empresa WEG Automação espera-se que o controlador


desenvolvido traga os seguintes benefícios as atividades da empresa:

• Agilidade na tarefa de comissionamento de malhas de controle em processos industriais.


• Produtividade na tarefa de elaboração do software de controle (PLC).
• Preservação da tecnologia empregada.
• Penetração em novos clientes que exigem a função de auto-sintonia de controladores PID
em aplicações nas suas plantas industriais.

5.3.1 EXPERIMENTOS EM TEMPO REAL

Plantas modeladas por filtros analógicos são utilizadas para ensaio do controlador
industrial com auto-sintonia desenvolvido para o CLP WEG L40. Para interação com a planta
real, utilizaram-se no CLP módulos de entradas e saídas analógicas com resolução 15 bits. A
escala de tensão utilizada no ensaio é 0-10V. A fim de tornar as condições do experimento em
tempo real (realizado em bancada) mais próximas das condições encontradas num ambiente
industrial, inseriu-se na realimentação, via bloco de simulação dentro do controlador, um ruído
branco com média nula e variância σ 2 = 0.0015 .

Basicamente, o procedimento de auto-sintonia, quando habilitado, executa a seguinte


seqüência:

• Com o controlador em modo manual e o processo em regime, é realizado pelo usuário um


comando para iniciar o procedimento de auto-sintonia.
• É executado o período de escuta, onde é levantado o nível de ruído presente na
realimentação.
• Em seguida, executa-se o teste degrau para levantamento do ganho estático do processo,
somente para processos auto-regulados.
• Executado ensaio com relê realimentado.
8

Em todos os experimentos preocupa-se com a validação das funções de supervisão do


procedimento de auto-sintonia. As plantas ensaiadas são intencionalmente conduzidas aos
limites de segurança pré-determinados, sendo verificada a correta detecção dos seguintes
alarmes que abortam o procedimento de sintonia: limites atingidos para a saída do processo e
ação de controle, tempo de execução excedido (timeout). São verificadas também as
advertências emitidas automaticamente pela estrutura de auto-sintonia, como: falha na sintonia
e ruído elevado ou sistema fora das condições de operação em regime. Para os estudos de caso,
três processos modelados por filtros analógicos são experimentados em tempo real.

5.3.1.1 EXPERIMENTOS EM TEMPO REAL: 2ª ORDEM SOBRE-AMORTECIDA

Plantas de segunda ordem sobre-amortecidas são comuns em processos industriais. A


seguinte planta de 2ª ordem é experimentada:

d 2 y( t ) dy( t )
5.17 2
+ 6.17 + y( t ) = u ( t ) (5.1)
dt dt

A realimentação com ruído é filtrada, aplicando um filtro passa-baixa com constante de


tempo Tf = 0.6seg. Na figura (5.5) encontra-se a resposta. Para avaliação da dinâmica obtida a
partir dos novos ganhos PID, o controlador é habilitado para modo automático e o sistema
rastreia referência.

Figura 5.5 – Resposta temporal para o experimento em tempo real.

Os ganhos obtidos no experimento em tempo real utilizando o controlador PID auto-


tuning industrial são: Kc = 1.52, Ti =10.9, Td = 0.71. Cabe ao usuário a escolha da sintonia
mais adequada aos requisitos de desempenho determinados para a malha de controle.

5.3.1.2 EXPERIMENTOS EM TEMPO REAL: 2ª ORDEM OSCILATÓRIO

Procurando certificar-se da abrangência dos resultados obtidos com experimentos em


tempo real, outras plantas modeladas por filtros eletrônicos foram utilizadas para validação em
bancada do controlador PIDWAT industrial. Exemplo de processo fortemente presente na
indústria, especialmente em aplicativos da WEG Automação, são os de 2ª ordem oscilatórios,
característicos de sistemas pneumáticos.
9

Neste experimento complementar, pode-se observar a dinâmica temporal imposta pelo


relê e, em seguida, a resposta temporal para mudança de referência do sistema de controle re-
sintonizado. Assumiram-se os seguintes parâmetros para o sistema de controle: Ts = 20mseg,
ruído branco com média nula e variância σ 2 = 0.0015 , filtro na realimentação com Tf =
0.06seg e sintonia conservativa.

Na figura (5.6) pode-se encontrar a resposta temporal do experimento realizado com a


planta oscilatória de segunda ordem modelada pela seguinte expressão (trata-se de um processo
rápido e com baixo amortecimento):

d 2 y( t ) dy( t )
2
+ 4.5 + 918.3y( t ) = 918.3u ( t ) (5.2)
dt dt

Figura 5.6 – Experimento em tempo real com processo oscilatório.

Os ganhos obtidos no experimento em tempo real utilizando o controlador PID auto-


tuning industrial são: Kc = 0.145, Ti =0.031, Td = 0.029.

5.3.1.3 EXPERIMENTOS EM TEMPO REAL: 2ª ORDEM DE FASE NÃO-MÍNIMA

Sistemas de fase não mínima representam desafio ao controle de processos devido a


resposta inversa inicial apresentada. Pode-se citar como exemplo de sistema de fase não-
mínima o controle de nível de água em caldeira geradora de vapor.

Neste experimento podem-se observar a dinâmica temporal imposta pelo relê e, em


seguida, a resposta temporal para mudança de referência do sistema de controle re-sintonizado.
Assumiram-se os seguintes parâmetros para o sistema de controle: Ts = 20mseg, ruído branco
com média nula e variância σ 2 = 0.0015 , filtro na realimentação com Tf = 0.06seg e sintonia
conservativa.

Na figura (5.7) é apresentado o resultado temporal do experimento realizado com a


planta de fase não-mínima modelada por

d 2 y( t ) dy( t ) du ( t )
0.0484 2
+ 0.44 + y( t ) = −0.22 + u(t) (5.3)
dt dt dt
10

Figura 5.7 – Experimento em tempo real com processo de fase não-mínima.

Os ganhos obtidos no experimento em tempo real utilizando o controlador PID auto-


tuning industrial são: Kc = 0.4, Ti =0.41, Td = 0.18.

Observações:

¾ Como resultado dos experimentos em tempo real, tem-se a constatação de que o controlador
PIDWAT industrial se encontra satisfatoriamente preparado para testes em processos
industriais.

¾ O presente PIDWAT evoluiu na participação do projeto de pesquisa PIDWSAT –


Algoritmos PID Self-Tuning e Auto-Tuning, envolvendo a WEG Automação e o
Departamento de Automação Sistemas da UFSC com inicio em 10/07/2005.

5.4 PROJETO DO CONTROLADOR PID COM SINTONIA SELF-TUNING

Pela concorrência no mundo globalizado as empresas de automação têm a necessidade de


investir cada vez mais em produtividade e qualidade de seus produtos, o que leva a uma
constante busca pela otimização do funcionamento de seus processos automatizados. Esta
otimização está intimamente ligada a correta utilização dos equipamentos presentes na
automação destes processos. Encontra-se hoje nas indústrias uma infinidade de processos dos
mais variados gêneros. No entanto, o que todos têm em comum é a necessidade do controle das
inúmeras grandezas relacionadas a processos contínuos. Neste contexto, encontra-se o
controlador PID como responsável pela maioria absoluta das malhas de controle encontradas
nas indústrias. Entretanto, a qualidade destas malhas de controle e, conseqüentemente, o grau
de estabilidade do processo controlado, está diretamente ligada a correta sintonia dos ganhos
do controlador PID.
11

Os controladores adaptativos proporcionam um meio sistemático e flexível na solução de


problemas de controle na existência de processos com incertezas, não-linearidades e
parâmetros variantes no tempo. Uma possibilidade de implementação é projetar controladores
adaptativos adequando-os para que apresentem uma estrutura do tipo PID. No meio industrial,
a principal motivação para se projetar controladores adaptativos consiste em garantir um
produto manufaturado de qualidade constante, um comportamento controlado das unidades
industriais, a economia de energia e de matéria prima durante todo tempo de operação. Mais
particularmente, controle adaptativo tem sido utilizado no controle de instalações polivalentes,
normalmente usadas na indústria de química fina, em reatores e bioreatores, em processos de
separação (destilação, extração líquido-líquido, absorção) e processos térmicos (fornos,
trocadores de calor, aquecedores). Os mais populares métodos industriais de projeto para o
controlador PID adaptativo têm sido baseados nas abordagens self-tuning e auto-tuning. Um
número considerável de resultados teóricos, com aplicações práticas de sucesso e narrativas de
produtos comerciais está disponível na literatura de controle de processos industriais.

A versão de sintonia auto-tuning por relé foi desenvolvida e patenteada por K. J. Åström
e T. Hägglund em 1983 com parceria industrial (primeiramente NAF Controls, depois
renomeada para SattControl Intruments, Alfa Laval Automation e, finalmente, ABB
Automation). A série ECA é uma família de controladores de propósito geral adequado para
aplicações industriais controlando temperatura, pressão, fluxo, nível, etc. O ECA600, na figura
(5.8), pode ser programado nos modos gain-scheduling, self-tuning e auto-tuning.

Figura 5.8 – ECA600 da ABB Automation.

Recentemente, no projeto de sintonia do controle PID auto-tuning, no meio acadêmico,


tem-se os trabalhos de Alves e Costa (2002), que exploraram o aspecto da sintonia PID auto-
tuning em CLP e Pi-Mira et al. (2000), que com parceria entre universidade e indústria,
desenvolveram o equipamento comercial LS3000. Ambos os projetos de controle foram
testados em plantas analógicas conforme descritas por Åström e Hägglund (2000).

No caso do projeto de sintonia de controle PID self-tuning destaca-se o trabalho de


Cameron e Seborg (1983), cuja síntese de controle baseou-se no controlador de variância
mínima generalizada e na abordagem de estimação indireta, isto é, identifica primeiramente os
parâmetros da planta para posteriormente obter os ganhos do controlador.

O projeto PIDWST visa o desenvolvimento do algoritmo de sintonia automática self-


tuning para malhas de controle PID programadas diretamente em um CLP L40 da WEG-
Bosch. Um controlador PID avançado ou adaptativo self-tuning utiliza um procedimento de
identificação acoplado a um projeto de controle em tempo real visando a obtenção de ganhos
adequados para o controlador PID sem a intervenção humana e otimizando a malha de
controle.
12

Na técnica de controle, a ser empregada no projeto de um controlador PID adaptativo do


tipo self-tuning, é necessário a consideração de um modelo que represente satisfatoriamente o
processo a ser controlado, caso indireto, ou um modelo que represente os parâmetros do
controlador, caso direto. A estrutura de projeto de um controlador adaptativo direto consiste em
estimar os parâmetros dos ganhos on-line e ajustar os parâmetros do controlador de acordo com
um procedimento de projeto, conforme ilustra a figura (5.9).

Figura 5.9 – Diagrama do controlador adaptativo auto-ajustável direto.

A estrutura da figura (5.9) é extremamente genérica e permite uma grande variedade de


projetos do controlador, de algoritmos de identificação, de critérios de sintonia do controlador
e até da própria estrutura do controlador.

Na literatura de controle adaptativo têm-se diferentes projetos de controle PID self-


tuning, nos contextos indireto e direto. Para fins deste projeto de pesquisa optou-se pela
estrutura direta uma vez que:

i) O projeto torna-se independente do modelo matemático da planta.


ii) A simplicidade de programação no CLP, em termos da elaboração de rotinas que
manipulam vetores e matrizes não disponíveis pelo fabricante na implementação do estimador.

O projeto do controlador PID self-tuning baseia-se na síntese direta por modelo de


referência, isto é, estima-se diretamente os ganhos do controlador com base em uma resposta
de malha fechada previamente especificada pelo operador. Nesta técnica uma função de
transferência desejada, que representa a dinâmica de malha fechada (seguimento de referência),
é definida pelo projetista e o procedimento de aplicação do método de projeto consiste nos
seguintes passos:

i) Selecionar uma função de transferência desejada (dinâmica de malha fechada).


ii) Projetar o controlador tal que a função de transferência em malha fechada seja a função de
transferência desejada.
iii) Estimar os parâmetros PID em tempo real através do método dos mínimos quadrados
recursivo (Coelho e Coelho, 2004).

Para o projeto do controlador PID, a função de transferência em malha fechada deve ser a
função de transferência desejada previamente especificada e representada por
13

y(k) y m (k) Bm (z −1 )
= = (5.4)
y r (k) y r (k) A m (z −1 )

A figura (5.10) ilustra a topologia de malha do controlador PID self-tuning.

Figura 5.10 – Projeto do controlador PID self-tuning direto.

A lei de controle PID digital baseia-se na equação PID posicional paralelo dada por

k −1
Kd
u(k) = K c e(k) + K i Ts ∑ e(i) + [ e(k) − e(k − 1)]
i =0 Ts

sendo Ki = Kc/Ti, Kd = KcTd e cuja forma PID recursiva é calculada por

q 0 + q1z −1 + q 2 z −2
u(k) = e(k) (5.5)
(1 − z −1 )

Kd Kd Kd
q0 = Kc + ; q1 = −(K c + 2 ) + K i Ts ; q2 = (5.6)
Ts Ts Ts

e os ganhos do controlador PID são calculados por

q 0 + q1 + q 2
Kc = q0 − q2 ; Ki = ; K d = q 2 Ts (5.7)
Ts

As equações (5.6) e (5.7), para o cálculo dos parâmetros de sintonia do controlador PID,
são adequadas para implementação em tempo real e perfeitamente compreensíveis do ponto de
vista de operadores e engenheiros de chão de fábrica.

A partir das equações (5.4) e (5.5) obtém-se

(q 0 + q1z −1 + q 2 z −2 ) ⎡⎣ A m (z −1 ) − Bm (z −1 ) ⎤⎦ y(k) = (1 − z −1 )Bm (z −1 )u(k) (5.8)

Definindo-se
14

y(k) = ⎡⎣ A m (z −1 ) − Bm (z −1 ) ⎤⎦ y(k) (5.9)

u(k) = (1 − z −1 )Bm (z −1 )u(k) (5.10)

a equação (5.8) torna-se

(q 0 + q1z −1 + q 2 z −2 ) y(k) = u(k) (5.11)

Para aplicar o método dos MQR, a equação (5.11) pode ser escrita na forma vetorial, ou
seja,

u(k) = ϕT (k)θ(k − 1) (5.12)

onde os vetores de medidas e parâmetros são agora dados por

ϕT (k) = [ y(k) y(k − 1) y(k − 2) ] (5.13)

θT (k − 1) = [ q 0 q1 q 2 ] (5.14)

Logo, através da aplicação do método dos MQR, se estima os parâmetros q0 ,q1 ,q2 da
equação (5.5) e, portanto, o controle PID self-tuning é calculado por

q 0 + q1z −1 + q 2 z −2
u(k) = [ y r (k) − y(k)] (5.15)
(1 − z −1 )

Kd K K
u(k) = u(k − 1) + (K c + )e(k) − (K c − 2 d − K i Ts )e(k − 1) + d e(k − 2) (5.16)
Ts Ts Ts

O algoritmo do controlador PID self-tuning pode ser resumido como:

i) Selecionar Bm(z-1), Am(z-1), θ(0), P(0) e Ts.


ii) No instante k, calcular y( k ) e u( k ) pelas equações (5.9) e (5.10), respectivamente.
iii) Estimar os parâmetros q0 ,q1 ,q2 pelo método dos MQR, onde o erro de estimação é dado
por ⎡⎣u( k ) − ϕ T ( k )θ ( k − 1 )⎤⎦ .
iv) Calcular os parâmetros do controlador PID através das equações (5.7).
v) Calcular e aplicar o sinal de controle PID pela equação (5.16).

5.4.1 APLICAÇÃO EM UMA PLANTA DE POSIÇÃO

Um experimento prático é conduzido em uma planta não-linear sub-amortecida,


denominada pêndulo amortecido (PAM), conforme ilustra a figura (5.11). O processo contém
uma barra vertical onde no ponto de pivô existe um potenciômetro para medição da posição
angular. No ponto extremo da barra existe um motor DC e um propulsor que estão acoplados.
Quando uma voltagem é aplicada ao motor o propulsor gira e modifica a posição angular da
15

barra. O objetivo é posicionar a barra para um especificado ângulo que corresponde a dinâmica
desejada.

Figura 5.11 – Planta experimental de posição: PAM.

A figura (5.12) ilustra os resultados de simulação do sistema de controle PID adaptativo


com a sintonia alocação de pólos, onde se observa que a saída segue referências em degrau.Os
resultados obtidos são bons, mostrando a robustez do controlador sob mudanças na referência.
A variabilidade do sinal de controle é reduzida com o controlador PID adaptativo (resposta
conservativa). As oscilações iniciais são causadas pelo aprendizado inadequado do estimador e
efeito não-linear em cada faixa de operação da planta.

saída e referência estimação de Kc


4 0

-0.05
3
-0.1

2 -0.15

-0.2
0 50 100 150 200 250 300
1 amostra
estimação de Ki
0.2

0 0.15
0 50 100 150 200 250 300
amostra 0.1
controle
4 0.05

0
0 50 100 150 200 250 300
3 amostra
estimação de Kd
0.05

2 0.04

0.03

1 0.02

0.01

0
0
0 50 100 150 200 250 300 -0.01
0 50 100 150 200 250 300
amostra
amostra

Figura 5.12 – Dinâmica do PAM com o PID auto-ajustável baseado em dinâmica.

O correspondente algoritmo do projeto do controlador PID auto-ajustável calibrado com


a sintonia alocação de pólos para a planta de posição está mostrado na tabela (5.4).

Tabela 5.4 – Código em Matlab do projeto PID adaptativo.


clear all, close all, clc
% Condições iniciais
y(1:10) = 0;u(1:10) = 0;e(1:10) = 0;umax = 4.9;umin = 0;
teta = [0.05 0.02 0.01];
pcov = 50*eye(3,3);nit = 300;ts = 0.1;
% Referência
yr(1:100) = 2;yr(101:200) = 3;yr(201:300) = 2;
% Dinâmica de malha fechada
am1 = 0.875;bm0 = 1 - am1;
16

% ----- Inicializaçao da malha


inicializa_placa(5);
% Simulação
for k = 5:nit
% --- Recebe medição
y(k) = recebe_dado(1);
% Estimador MQR
ubar(k) = bm0*u(k-1) - bm0*u(k-2);
ybar(k) = y(k) - am1*y(k-1) - bm0*y(k-1);
vm = [ybar(k) ybar(k-1) ybar(k-2)];
yhat = vm*teta';epred(k) = ubar(k) - yhat;
ganho = (pcov*vm')/(1 + vm*pcov*vm');
teta = teta + (ganho')*epred(k);
pcov = pcov - ganho*(1 + vm*pcov*vm')*(ganho');
q0(k) = teta(1,1);q1(k) = teta(1,2);q2(k) = teta(1,3);
% Controlador PID
erro(k) = yr(k) - y(k);
kc(k) = -(q1(k) + 2*q2(k));ki(k) = q0(k) + q1(k) + q2(k);kd(k) = q2(k);
u(k) = u(k-1) + (kc(k)+ki(k)+kd(k))*erro(k) - (kc(k)+2*kd(k))*erro(k-1) +
kd(k)*erro(k-2);
if u(k) >= umax
u(k) = umax;
elseif u(k) <= umin
u(k) = umin;
end
% -----Envia controle para placa
envia_dado(1,u(k));
atraso_ms(1000*ts);
end
finaliza_placa;
% Resultados
figure(1)
t = 1:nit;
subplot(211),plot(t,y(t),t,yr(t)),title('saída e referência'),xlabel('amostra');
subplot(212),plot(t,u(t)),title('controle'),xlabel('amostra');
figure(2)
t = 1:nit;
subplot(311),plot(t,kc(t)),title('estimação de Kc'),xlabel('amostra');
subplot(312),plot(t,ki(t)),title('estimação de Ki'),xlabel('amostra');
subplot(313),plot(t,kd(t)),title('estimação de Kd'),xlabel('amostra');

5.5 CONSIDERAÇÕES FINAIS SOBRE O PROJETO PIDWSAT

O interesse de empresas em automação industrial de utilizar técnicas adaptativas


comercialmente na sintonização de controladores PID não é de hoje e surgiu durante o período
de 1980. Esta questão é natural desde que a maioria das malhas ou problemas de controle são
resolvidas por controladores PID. A pesquisa na área de controle adaptativo tem gerado muitas
contribuições teóricas reportadas em teses, dissertações, projetos e artigos. É interessante
observar que a pesquisa sobre sintonia automática e controle PID tem atraído muitos grupos de
pesquisa e continua sendo foco de interesse no mundo.
17

A experiência de utilização das sintonias automáticas self-tuning e auto-tuning mostra


duas importantes vantagens. Primeiro, as técnicas de controle adaptativo proporcionam ganhos
adequados, que na maioria dos casos, são significativamente melhores se comparados com os
obtidos via sintonia manual. A segunda vantagem é o tempo gasto de sintonia; as malhas de
controle com sintonia automática que empregam as concepções de projeto adaptativas são
realizadas em um curto período de tempo se comparado com a sintonia manual.

Os controladores PID self-tuning requerem mais conhecimento a priori de instalação do


que os controladores PID auto-tuning. Muitos usuários ou engenheiros consideram a tarefa de
operar um controle PID self-tuning, com período de amostragem, ordens do modelo,
parâmetros de projeto do estimador e controlador, mais difícil do que um controle PID auto-
tuning, onde os ganhos do controlador são calculados com base na informação da planta
(freqüência e ganho de oscilação). Os controladores self-tuning e auto-tuning são importantes
componentes em sistemas desde que possam também ser utilizados para obter informação
sobre a dinâmica da planta, em muitos casos, totalmente desconhecida.

A técnica de controle auto-tuning também proporciona a possibilidade de operação de


outras concepções de controle avançado no meio industrial. Alguns equipamentos comerciais
utilizam a técnica auto-tuning na implementação de controle gain-scheduling (escalonamento
de ganhos), onde os ganhos do gain-scheduling são obtidos pela técnica auto-tuning dividindo-
se, por exemplo, a faixa de operação nos seguintes três intervalos, que proporciona três
conjuntos de parâmetros PID: 0%–33%, 33%–66%, 66%–100%. Adicionalmente, existe a
possibilidade de automaticamente inicializar controladores adaptativos ou funções
supervisórias com a técnica auto-tuning.

Este projeto de pesquisa apresentou o L40, um CLP da WEG-Bosch, sendo avaliado em


colaboração entre a WEG Automação e o GPqTCA do Departamento de Automação e
Sistemas da UFSC. Dois aspectos foram endereçados: a funcionalidade de programação e o
projeto de sistemas de controle com duas técnicas de sintonia PID. Os controladores PID
adaptativos proporcionaram um comportamento servo adequado em processos de referência
padrão de malhas de controle pela habilidade de aprenderem sobre a dinâmica da planta
controlada. Métodos de sintonia automática de controladores PID estão disponíveis devido a
intensas pesquisas na área de controle adaptativo. Praticamente todos os controladores PID que
são agora projetados comercialmente apresentam alguma característica adaptativa.

O presente projeto de pesquisa faz parte do projeto PIDWSAT em desenvolvimento com


a parceria entre WEG Automação e DAS/UFSC, tem proporcionado uma grande experiência,
onde os contactos industriais são de extrema relevância.

5.6 AMBIENTE DE SINTONIA PID

Desborough et al. (2001) destaca que apenas um terço das malhas de controle industrial
está funcionando adequadamente, um terço se encontra em manual e um terço piora o
desempenho ao invés de melhorar a dinâmica da planta controlada. Segundo estes autores, os
engenheiros de controle de processos não têm as ferramentas necessárias para monitorar o
desempenho das malhas de controle. Os engenheiros de planta têm múltiplas tarefas
simultâneas a fazer e acabam relegando a otimização das malhas de controle em detrimento de
outras tarefas que julgam prioritárias. Além disto, nem sempre têm o conhecimento suficiente
para intervir no sistema de controle e melhorar o desempenho das malhas.
18

Åström e Hägglund (2005) destacam que, apesar do algoritmo PID já ser bastante
conhecido, os controladores são freqüentemente mal sintonizados, o que pode ser constatado na
sala de controle de qualquer indústria através da observação de gráficos de tendências das
variáveis de processo. Na maioria dos controladores PID em funcionamento, a ação derivativa
é desligada devido ao simples fato de que sua sintonia correta é difícil. A experiência de
consultoria dos próprios autores mostra que, muito freqüentemente, os ganhos dos
controladores são reduzidos de forma a anular oscilações. De certa forma, os controladores são
colocados para “dormir”. A conseqüência deste procedimento é que o sistema não oscila, mas
também não acompanha alterações de referência e não compensa adequadamente mudanças de
carga. Nestas circunstâncias, tão comuns, o operador abre a malha e, manualmente, ajusta o
atuador de forma a reduzir o erro. Em casos de reguladores, esta operação em semi-manual
funciona razoavelmente. Em situações de variações muito freqüentes de referência, o
funcionamento torna-se muito deficiente.

Conforme mencionado e observado em automações implantadas pela WEG Automação,


freqüentemente depara-se com o ajuste do PID para diversos processos. Sabe-se da existência
de vários métodos heurísticos e analíticos para estimar estes parâmetros. Do ponto de vista do
operador, muitas vezes é utilizado um procedimento manual e nem sempre está preparado para
conseguir estimá-los adequadamente. Pensando nisto, desenvolveu-se um aplicativo SCADA
(Indusoft WebStudio v4.1) comunicando com um CLP WEG-Bosch colhendo os dados de
comportamento da planta, plotando em gráficos, e possibilitando assim, estimar o modelo da
planta e os ganhos do controlador PID ideal.

Para estimar o modelo da planta considera-se uma estrutura FOPDT, utiliza-se a técnica
de Smith para modelagem, que se baseia na obtenção de instantes de tempo, como também do
ganho estático da planta. Com o modelo da planta estimado, através do método do controle por
modelo interno (IMC), podem ser obtidos os parâmetros do controlador PID do tipo ideal, que
é o controlador utilizado pela WEG Automação em suas aplicações. Depois de estimado os
parâmetros, existe ainda outra tela sinótica que possibilita uma simulação numérica do modelo
estimado com o controlador PID calibrado, observando-se assim o comportamento temporal
antes de aplicar na planta real.

Neste sentido espera-se que as implantações de sistemas possam ser otimizadas (o tempo
gasto com a sintonia de controladores PID), como também os valores dos ganhos encontrados
façam com que o controle de malha fechada seja eficiente.

5.6.1 MODELAGEM VIA TÉCNICA DE SMITH E SINTONIA PID-IMC

Para identificação dos ganhos do controlador PID, antes é necessário obter o modelo da
planta a ser controlada. Para estimar o modelo da planta aplica-se um degrau de referência e
observa-se a resposta no transcorrer do tempo através de um gráfico gerado no aplicativo
SCADA, possibilitando assim, uma interpretação gráfica do processo.

O modelo matemático da planta é considerado como de primeira ordem com atraso de


transporte, baseado na seguinte função de transferência:

K pe − θs Y(s)
G P (s) = =
τs + 1 U(s)
19

onde Kp é o ganho estático, τ é a constante de tempo e θ é o atraso de transporte. Este modelo é


selecionado devido ao fato de ser largamente aplicado na modelagem e controle de plantas
industrias.

O método de Smith baseia-se em que, sobre a curva de reação são marcados os instantes
de tempo t1 e t2 correspondentes às passagens da resposta pelos pontos y( 0 ) + 0.283 y( ∞ ) e
y( 0 ) + 0.632 y( ∞ ) , respectivamente, conforme visualizado na figura (5.13).

Figura 5.13 – Método de Smith na modelagem de primeira ordem.

Os parâmetros do modelo FOPDT são obtidos com as seguintes relações:

ΔY
K= ; τ = 1.5( t 2 − t1) ; θ = ( t 2 − t1)
ΔU

Com a obtenção destes pontos e parâmetros, é estimado o modelo da planta, podendo-se


agora utilizar um método analítico para calcular os parâmetros do controlador PID do tipo ideal
(controlador PID utilizado no CLP WEG-Bosch).

Ajustando o termo do atraso de transporte pela aproximação de Taylor, isto é,


−θs
e ≈ 1 − θs , obtém-se a seguinte relação para o ganho proporcional e o tempo integral:

τ
Kc = ; Ti = τ
K (τ f + θ)

onde τf é o parâmetro de projeto e deve ser duas vezes mais rápido que a constante de tempo
dominante do processo em malha aberta (procedimento usual na prática).

Ajustando o termo do atraso de transporte pela aproximação de Padé, isto é,

θ
1− s
e − θs ≈ 2
θ
1+ s
2

tem-se a seguinte relação para o ganhos do controlador:


20

θ
τ+
2 θ τθ
Kc = ; Ti = τ + ; Td =
⎛ θ⎞ 2 ⎛θ ⎞
K⎜ τ f + ⎟ 2⎜ + τ ⎟
⎝ 2⎠ ⎝2 ⎠

5.6.2 AMBIENTE DE SINTONIA PARA MODELAGEM E CONTROLE

Como interface para o usuário na modelagem de um processo de primeira ordem e


estimação dos parâmetros de controle para um controlador PI ou PID do tipo ideal,
implementa-se um aplicativo em plataforma SCADA para adquirir os dados necessários de um
CLP. Para isto, utiliza-se a ferramenta de programação Indusoft Web Studio v4.1 para
aplicações SCADA, pois a mesma é a de uso mais freqüente em aplicações na WEG e a de
maior domínio técnico pelos projetistas da empresa/seção WEG, sendo os futuros usuários
deste aplicativo. No aplicativo deriva-se uma planilha de comunicação com um CLP WEG-
Bosch CL200 para adquirir os dados necessários para a modelagem do processo.

Com a leitura das medidas de entrada e saída do processo, gera-se um gráfico onde o
usuário acompanha a evolução das variáveis no transcorrer do tempo. Existe um campo para
que o usuário modifique diretamente a variável de entrada do CLP, podendo então aplicar o
degrau desejado de referência (entrada) no momento que desejar. Para isto é necessário
pressionar o botão do campo “Entrada p/ CLP” para “assumir o comando da referência”.
Quando a referência é modificada, aparece uma janela de confirmação para evitar uma escrita
incorreta.

Com o degrau gerado, o usuário pode acompanhar a evolução do processo até a


estabilização (esta modelagem só pode ser usada em processos que estabilizem quando
funcionando em malha aberta, isto é, processos estáveis), onde então se pode entrar com os
dados necessários para modelar o processo. Isto é feito pelo campo “Dados do Sistema”. Neste
campo o usuário entra com o valor do degrau aplicado “Delta U”, com o degrau do processo
“Delta Y” e com um valor para o filtro de projeto IMC (2 a 4 vezes mais rápido que a constante
de tempo da planta) considerado para a sintonia da constante proporcional (Kc). Para que os
valores dos tempos de 28.3% e 63.2% sejam corretamente adquiridos é necessário que o
usuário ajuste através do campo “Escala do Gráfico” os valores de máximo e mínimo para a
curva do processo gerado, como também pelo campo “Escala de Tempo”, posicione o gráfico
corretamente através do tempo atual (At.) e do tempo retornado (Ret.). Com o gráfico
posicionado, o usuário pode usar da precisão de um “zoom” na área dos tempos de 28.3% e
63.2% para um melhor ajuste. Este “zoom” aparece quando se clica nos percentuais 28.3% e
63.2%. Para o cálculo do tempo de cada valor, deve ser feita a subtração do valor encontrado
no ponto 28.3%, mostrado no campo “Tempo do Cursor”, pelo valor mostrado no início do
gráfico. Para o ponto de 63.2%, o procedimento realizado é o mesmo. Após a entrada dos
dados do sistema é efetuada a modelagem do processo pelo método de Smith. A seguir, a
sintonia das constantes do controlador PI ou PID do tipo ideal usando o projeto IMC é obtida.
A Figura (5.14) ilustra a tela criada para a modelagem do processo.
21

Figura 5.14 – Tela de modelagem de primeira ordem.

Através do botão “simulação” é possível acessar a tela de simulação do processo, onde o


usuário pode simular como o processo modelado, em teoria, comporta-se quando controlado
por um controlador PI ou PID do tipo ideal, conforme seleção do usuário. A figura (5.15)
ilustra a tendência do comportamento em malha fechada da planta com o controlador PID.

Figura 5.15 – Resultados com o controlador PID.

5.7 CONSIDERAÇÕES FINAIS SOBRE O AMBIENTE DE SINTONIA PID

A aplicação desenvolvida na forma gráfica facilita a utilização pelo usuário, pois o


mesmo pode observar o comportamento do sistema enquanto interfere diretamente no CLP na
injeção de um degrau na referência da planta. Depois, pode simular o processo estimado com
as constantes do PID calculadas, como também alterar os seus respectivos valores por um
ajuste fino visando atender as especificações de projeto.

Para uma aprovação deste aplicativo são necessárias diversas experiências práticas em
plantas reais. Infelizmente, nos start-up´s que foram feitos nos últimos meses, não houveram
22

situações de controle PID implementados para que este aplicativo fosse realmente aprovado.
Nos próximos meses têm-se oportunidades para testes deste aplicativo em uma classe de
processos industriais.

Este aplicativo é de grande uso na WEG, pois os operadores de campo ou engenheiros de


controle sempre ficam em dúvida na seleção inicial dos melhores parâmetros para um
controlador PID visando atender estabilidade operacional na malha controlada.

5.8 PROBLEMAS

1) Seja o projeto do controlador PID adaptativo sob as diferentes metodologias auto-tuning e


self-tuning para o seguinte modelo contínuo de planta:

1
G P (s) =
(10s + 1)(5s + 1)(s + 1)(0.5s + 1)

Avaliar o desempenho dos sistemas de controle em malha fechada. Admitir mudanças de


setpoint na forma degrau e a presença de uma perturbação de carga (10% da amplitude da
referência).

BIBLIOGRAFIA

Alves, J. L. L. e Costa, R. R. (2000). Sintonia Automática de Controladores PID Implementada


em Controlador Lógico Programável, XIV Congresso Brasileiro de Automática, Natal,
RN, pp. 2957-2962.
Åström, K. J., Wittenmark, B. (2000). Benchmark Systems for PID Control, IFAC Digital
Control: Past, Present and Future of PID Control, Terrassa, Sapin, pp. 165-166.
Åström, K. J. e Hägglund, T. (2005). Advanced PID Control, ISA-The Instrumentation,
Systems and Automation Society.
Åström, K. J., Wittenmark, B. (1995). Adaptive Control, Addison-Wesley.
Bobál, V.; Böhm, J.; Fessl, J. e Machácek, J. (2005). Digital Self-Tuning Controllers, Springer.
Brosilow C. e Joseph B. (2002). Techniques of Model-Based Control, Prentice Hall. (Series:
Prentice-Hall international series in the physical and chemical engineering sciences.)
Cameron, F. e Seborg, D. E. (1983). A Self-Tuning Controller with a PID Structure,
International Journal of Control, vol. 38, pp. 401-417.
Coelho, A. A. R. e Coelho, L. S. (2004). Identificação de Sistemas Dinâmicos Lineares,
Editora da UFSC.
Desborough, L.; Nordh, P. e Miller, R. (2001). Process out of Control, Industrial Computing,
pp. 52–55.
Dumont, G. A. e Huzmezan, M. (2002). Concepts, Methods and Techniques in Adaptive
Control, American Control Conference,
http://kirp.chtf.stuba.sk/~slapo/junkyard/acc2002paper.pdf.
Grégroire M.; Desbiens A. e Richard É. (1999). Development of an Auto-Tuning PID and
Applications to the Pulp and Paper Industry, Third International Conference on
Industrial Automation, Montréal, Canada, pp. 3.5-3.8.
Gude, J. J.; Kahoraho, E. e Etxaniz, J. (2006). Practical Aspects of PID Controllers: An
Industrial Experience, IEEE Conference on Emerging Technologies and Factory
Automation, ETFA’06, pp. 870-878.
23

Hägglund, T. e Åström, K. J. (2000). Supervision of Adaptive Control Algorithms,


Automatica, vol. 36, pp. 1171-1180.
Hang, C. C. ; Lee, T. H. e Ho, W. K. (1993). Adaptive Control. Instrument Society of America.
Hang C.C.; Åström K. J. e Wang Q. G. (2002). Relay Feedback Auto-tuning of Process
Controllers - A Tutorial Review. Journal of Process Control, vol. 12, pp. 143-162.
Malik, O. P.; Hope, G. S. e Cheng S. J. (1991). Some Issues on the Practical Use of the
Recursive Least Squares Identification in Self-Tuning Control, International Journal of
Control, vol. 53, pp. 1021-1033.
Pi-Mira, J.; Mateo, E.; Sarrate, R. e Quevedo, J. (1999). A Three-stage Automatic PID Tuning
System, Proceedings European Control Conference, ECC'99 Publications.
Pi-Mira, J.; Mateo, E.; Sarrate, R. e Quevedo, J. (2000). LS-3000 Digital PID Controller, IFAC
Digital Control: Past, Present and Future of PID Control, pp. 409-415.
Ramos, M. A. P.; Marquez, E. Q. M. e Jimenez, J. T. (2004). Automatic Intelligent
Initialization for a Modified Generalized Minimum Variance Controller. 5th Asian
Control Conference, vol. 2, pp. 1232-1239.
Rexroth (2007). IndraControl L40 - Project Planning Manual. DOK-CONTRL-IC*L40-PR03-
EN-P, Bosch Rexroth AG.
VanDoren, V. (2006). Auto-Tuning Control Using Ziegler Nichols, From the Pages of Control
Engineering: http://www.controleng.com/article/CA6378136.html.