Você está na página 1de 12

Aluno: Cláudio Albués Alves da Silva

Relatório 4
Análise do Preditor de Smith - Estudos de Caso

OBJETIVO
Estudar e avaliar o Preditor de Smith (PS) sujeito a erros de modelagem na sua estrutura
de predição.

1.0 - INTRODUÇÃO

O preditor de Smith é uma estratégia de controle utilizada para mitigar o efeito do atraso
de transporte em processos em que ele é dominante.
Neste relatório será introduzido um Preditor de Smith com um controlar primário PI
2DOF, e será analisado três Casos específicos.
O Processo é:

Utilizando um modelo do tipo FOPDT:


2.0 - SISTEMA DE CONTROLE

Inicialmente, montou-se o diagrama de blocos para implementação do Preditor de Smith


com o controlador primário PI 2DOF com filtro de referência e de robustez igual à 1, o
resultado obtido é como segue:

Figura 1 - Diagrama de Controle Preditor de Smith

Fonte: Autoria Própria.

Os parâmetros iniciais do processo, modelo e controlador primário foram estabelecidos


como:
• 𝐾 = 1; (Ganho do processo)
• 𝑇𝑛 = 2;(Constante de tempo do modelo)
• 𝐿 = 10; (Atraso de transporte do processo)
• 𝐾𝑛 = 1;(Ganho do modelo)
• 𝐿𝑛 = 10; (Atraso de transporte do modelo)
• 𝑇𝑜 = 0.2; (Constante de tempo em malha fechada)
• 𝑇1 = 𝑇𝑜; (Constante de tempo da função de transferência da saída em relação
a entrada)
• 𝑇𝑖 = 𝑇𝑛;
• 𝐾𝑐 = 𝑇𝑛/(𝐾𝑛 ∗ 𝑇𝑜)
• 𝑇𝑓 = 0 (Constante relacionada ao filtro de robustez)

De posso desse diagrama de blocos, criou-se o um script no Matlab para automatização


dos parâmetros. O código obtido é como segue:
close all
clear all
clc

%%% Simulação %%%%%


Ts = 0.2; % tempo de amostragem
tsim = 200; % Tempo de simulação
tsp = 1; % instante do setpoint
sp = 1; % setpoint
tpert = 60; % tempo da perturbação
pert = -0.1; % perturbação

%%% Processo %%%

K = 1;
T = 10;
L = 10;

%%% Modelo %%%

K = 1;
Tn = 2;
Ln = 5;

%%% 2DOF-PI %%%


%% Ajuste
To = 0.2;
T1 = 0.4
Ti = taun;
Kc = taun/(Kpn*To)

%%% Filtro de Robustez %%%


Tf = 0;

%%%% Plotagem %%%%


sim ('PreditordeSmith')
time = (0:Ts:tsim);
subplot(2,1,1)
plot (time,y,time, ref,'--','linewidth',2)
xlabel('Tempo')
ylabel('y')
legend('Processo')
grid on

subplot(2,1,2)
plot(time, u,'linewidth', 2)
xlabel('Tempo')
ylabel('u')
legend('Sinal de Controle')
grid on

De posse do código acima, iniciou-se os testes alterando os parâmetros para cada Caso
de teste específico.

Considerando o caso nominal, isto é, Processo igual a Modelo, obteve-se o seguinte


gráfico da variável controlada e ação de controle:
Figura 2 - Resposta do Sistema para o Caso nominal

Fonte: Autoria Própria

2.1 – CASO 1

Considerando os seguintes parâmetros do processo e do modelo fixos:

• 𝐾𝑝 = 1
• 𝐿 = 10
• 𝐿𝑛 = 10,5
• 𝐾𝑛 = 1
Analise o desempenho do sistema quando erros de modelagem nas dinâmicas dominantes do
processo são introduzidas com 𝑇𝑛 = 1, 1, 𝑇𝑛 = 1, 5 𝑒 𝑇𝑛 = 1, 8:

• Para Tn = 1,1:
Figura 3 - Resposta do Sistema ao erro de Modelagem com Tn=1,1

Fonte: Autoria Própria

Análise: Percebe-se que com erro de modelagem na constante de tempo de -0,9, o


sistema apresentou mais oscilações, levando mais tempo para alcançar o regime
permanente. O efeito mais notável é o overshoot que para o sistema com erro de
modelagem no processo é muito maior do que o obtido considerando o caso nominal,
que é praticamente inexistente.

• Para Tn = 1,5:

Figura 4 - Resposta do Sistema ao erro de Modelagem com Tn=1,5

Fonte: Autoria Própria


Análise: Percebe-se que com erro de modelagem na constante de tempo de -0.5, o
sistema apresentou comportamento estável. O overshoot para o sistema com este erro na
constante de tempo foi menor do que o do caso em que o erro na constante de tempo era
0.9, conclui-se, portanto, que o erro de modelagem na constante de tempo é diretamente
proporcional ao overshoot.

• Para Tn = 1,8:

Figura 5 - Resposta do Sistema ao erro de Modelagem com Tn=1,8

Fonte: Autoria Própria

Análise: Percebe-se que com erro de modelagem na constante de tempo de -0.2, o


sistema apresentou comportamento estável. O overshoot para o sistema com este erro na
constante de tempo foi menor do que o do caso em que o erro na constante de tempo era
0.5, tal dado reforça a conclusão que o erro de modelagem na constante de tempo é
diretamente proporcional ao overshoot.

2.2 – CASO 2

Considerando os seguintes parâmetros do processo e do modelo fixos:,

• 𝐿 = 10
• 𝐿𝑛 = 10,5
• 𝐾𝑛 = 1
• Tn = 1,5
• 𝑇𝑖 = 𝑇𝑛
• Kc=1

Analise o desempenho do sistema quando erros de modelagem nas dinâmicas dominantes do


processo são introduzidas com 𝐾 = 1, 2, 𝐾 = 1 𝑒 𝐾 = 0,8:

• Para Kp = 1,2:

Figura 6 - Resposta do Sistema ao erro de Modelagem com Kp =1,2

Fonte: Autoria Própria


Análise: Neste caso considera-se erro de modelagem no atraso de transporte de 0.5 e no
ganho Kp do processo de -0.2. Para um erro de 0.2 no ganho Kn em relação a Kp,
comparando com o a simulação do caso nominal, percebe-se um overshoot de
aproximadamente 1.2, equivalente a cerca de 20% do regime permanente.

• Para Kp = 1:
Figura 7 -Resposta do Sistema ao erro de Modelagem com Kp =1,0

Fonte: Autoria Própria


Análise: Neste caso considera-se o erro de modelagem no atraso de transporte de 0.5 e o
ganho Kn do modelo igual ao ganho Kp do processo. Neste caso percebe-se um overshoot
semelhante ao apresentado para o erro de 0.2 no ganho. Conclui-se, deste modo, que o
overshoot apresentado anteriormente se deveu principalmente ao erro no atraso de
transporte.

• Para Kp = 0,8:
Figura 8 - Resposta do Sistema ao erro de Modelagem com Kp = 0.8

Fonte: Autoria Própria


Análise: Neste caso considera-se o erro de modelagem no atraso de transporte de 0.5 e o
ganho Kn do modelo igual ao ganho Kp do processo. Como no caso anterior, percebe-se
um overshoot semelhante ao apresentado para o erro de 0.2 no ganho. Conclui-se, deste
modo, que o overshoot apresentado anteriormente deve-se principalmente ao erro no
atraso de transporte.

2.3 – CASO 3

Considerando os seguintes parâmetros do processo e do modelo fixos:,

• 𝐿𝑛 = 10,5
• 𝐾𝑛 = 1
• Tn = 1,5
• 𝑇𝑖 = 𝑇𝑛
• Kc=1

Analise o desempenho do sistema quando erros de modelagem nas dinâmicas dominantes do


processo são introduzidas com 𝐿 = 12, 𝐿 = 10 𝑒 𝐿 = 8:

• Para L = 12:
Figura 9 - Resposta do Sistema ao erro de Modelagem com L = 12

Fonte: Autoria Própria

Análise: Neste caso considera-se o erro de modelagem na constante de tempo de 0.5 e


erro de 2 no Atraso de transporte. Neste caso percebe-se que o sistema fica com um
comportamento baste oscilatório, não se estabilizando dentro do intervalo de tempo
simulado, contudo percebe-se que as amplitudes das oscilações diminuem com o tempo,
deste modo o sistema não é instável.

• Para L = 10:

Figura 10 - Resposta do Sistema ao erro de Modelagem com L = 10

Fonte: Autoria Própria

Análise: Neste caso considera-se o erro de modelagem na constante de tempo de 0.5 e o


atraso de transporte L igual ao atraso de transporte Ln do modelo. Neste caso percebe-se
que o sistema se estabiliza, tendo um pequeno overshoot que pode ser atribuído ao erro
de modelagem na constante de tempo, como pôde ser concluído nas simulações do Caso
1.

• Para L = 8:
Figura 11 - Resposta do Sistema ao erro de Modelagem com L = 8

Fonte: Autoria Própria

Análise: Neste caso considera-se o erro de modelagem na constante de tempo de 0.5 e o


erro no atraso de transporte igual à -2.0. Neste caso percebe-se que o sistema apresenta
bastante oscilações, cada oscilação com amplitude maior do que a anterior, um
comportamento clássico de um sistema instável. Conclui-se, portanto, que o Preditor de
Smith é muito mais sensível aos erros para menos no atraso de transporte.

3.0 - DISCUSSÃO DOS RESULTADOS

Analisando os resultados obtidos em conjunto, percebe-se que o Preditor de Smith tem


um desempenho satisfatório para erros de modelo no ganho e na constante de tempo,
devendo apenas atentar-se ao overshoot que tende a aumentar nos casos de erros nestes
parâmetros, mas o Preditor consegue manter a estabilidade do sistema.
Contudo, ao considerar os erros no atraso de transporte, percebe-se que o sistema
apresenta comportamento oscilatório parra erros na ordem de 20% e instabilidade para
erros de -20%. Isto significa que o preditor de Smith é bastante sensível a erros na
constante de tempo, portanto sua aplicação deve ser feia com cautela, os modelos
devem levar em consideração a faixa em que o Preditor de Smith consegue manter a
estabilidade.

4.0 - CONCLUSÃO

Por meio da experimentação dos casos propostos no Matlab, pôde-se perceber como as
vantagens e limitações do Preditor de Smith, o efeito dos erros de parâmetros do
modelo, fornecendo uma compreensão prática desta estratégia de controle que se
aplicada dentro dos limites de modelagem, pode ser de grande valia para aplicações em
controle de processos com tempo morto dominante.

Você também pode gostar