Escolar Documentos
Profissional Documentos
Cultura Documentos
Abstract: The PID controllers need the tuning of three parameters: the proportional gain,
the derivative time and the integral time. With the internal model control (IMC) structure,
however, it is possible to obtain PID or PI controllers by tuning only one parameter per control
loop. This work presents a simple and efficient implementation of decoupled PI controllers for
plants with multiple inputs and multiple outputs with delays based on IMC and multiobjective
optimization. The decoupler is designed using the Differential Evolution method. Based on the
decoupled system, the IMC tuning rules are used to generate the PI controllers (IMC-PI).
This work proposes the application of the algorithm Differential Evolution for Multiobjective
Optimization to determine the parameters of the IMC-PI controllers, which makes it possible
to obtain a group of efficient solutions with different trade-offs between the set point tracking
and the control effort.
Resumo: Os controladores PID necessitam do ajuste de três parâmetros: o ganho proporcional,
o tempo derivativo e o tempo integral. Com a estrutura de controle por modelo interno (IMC),
porém, é possı́vel obter controladores PID ou PI sintonizando apenas um parâmetro por
malha de controle. Esse trabalho apresenta uma forma de implementação simples e eficiente
de controladores PI desacoplados para plantas com múltiplas entradas e múltiplas saı́das
com atrasos, baseado no IMC e em otimização multiobjetivo. O desacoplador é projetado
utilizando o método de Evolução Diferencial. Com base no sistema desacoplado, são utilizadas
as regras de sintonia IMC para gerar os controladores PI (IMC-PI). É proposto nesse trabalho a
aplicação do algoritmo Evolução Diferencial para Otimização Multiobjetivo para determinação
dos parâmetros dos controladores IMC-PI, o que torna possı́vel a obtenção de um grupo de
soluções eficientes com diferentes compromissos entre o rastreamento da referência e o esforço
de controle.
0 . . . kp,m 1+
Ti,m s 0
Amplitude
0
m 0
X
f1 (Λ) , ISE = ISEi , (23)
-0.2
i=1 0 1000 0 1000 0 1000 0 1000
Time (seconds)
e o valor máximo absoluto do sinal de controle:
f2 (Λ) , ku(t)k∞ = max sup |uj (t)|. (24)
j t∈[0,∞] Figura 3. Respostas ao degrau de H e G̃D
O projetista pode escolher a solução mais apropriada Através da aplicação do algoritmo DEMO, com base
dentro do conjunto de soluções. na matriz escolhida, H, é gerada a fronteira Pareto,
y1
0.6 Shen et al.
menor ISE de rastreamento e o maior esforço de controle. 0.4
A solução na extremidade inferior direita corresponde ao 0.2
maior ISE e menor esforço de controle. 0
-0.2
0 500 1000 1500 2000 2500 3000 3500 4000
50
Tempo(s)
45
1.4
40 1.2
1
35
0.8 1 a s.P.
30 12a s.P.
y2
||u(t)||
25 0.4
0.2
20
0
15
-0.2
0 500 1000 1500 2000 2500 3000 3500 4000
10 Tempo(s)
5 1.2
0 200 400 600 800 1000 1200
1
ISE
0.8 1 a s.P.
12a s.P.
Figura 4. Soluções Pareto para o sistema HVAC 0.6 Shen et al.
y3
12a , Λ = [61, 4037 50, 3696 47, 0484 38, 3332]T . As Figs. 5
0.8
e 6 apresentam as simulações das respostas transitórias
y4
0.6
dos sinais de saı́da dos sinais de controle, respectivamente,
0.4
para os dois controladores IMC-PI propostos e o contro-
0.2
lador de Shen et al. (2010). A Tabela 1 lista os valores da
0
ISE e da ku(t)k∞ para os três controladores. O primeiro
-0.2
controlador do conjunto de Pareto apresenta o menor ISE 0 500 1000 1500 2000 2500 3000 3500 4000
Tempo(s)
ao custo de um elevado esforço de controle e um baixo
amortecimento no transitório. O projetista pode simular
diferentes soluções e adotar outro controlador se necessitar Figura 5. Resposta ao degrau para sistema HVAC
diminuir o esforço de controle. A 12a solução, por exemplo,
apesar de ter maior ISE, tem uma resposta transitória mais MIMO. As principais contribuições são a aplicação do
suave, menor acoplamento entre as malhas de controle DE para o cálculo do desacoplador, onde o objetivo é
e menor esforço de controle. Considerando os ı́ndices de minimizar o erro entre a matriz especificada e a matriz
desempenho adotados, pode-se afirmar que a 12a solução desacoplada, e a aplicação do DEMO para calcular o
domina o controlador de Shen et al. (2010). controlador IMC-PI descentralizado, onde os objetivos são
as minimizações do erro de rastreamento e do esforço de
Tabela 1. Desempenho dos controladores
controle. Para o estudo de caso abordado, o método DE
1a s.P. 12a s.P. Shen et al. supera outros algoritmos evolutivos bem conhecidos, como
ku(t)k∞ 48,5881 22,7404 24.2746 os algoritmos genéticos. Com base em um único parâmetro
ISE1 39,6103 53,0174 48.9225 de sintonia para cada malha de controle, com a estratégia
ISE2 35.5193 46,0161 48.5594 de otimização multiobjetivo proposta, podemos calcular
ISE3 30,9784 42,7471 49.7391 um conjunto de controladores eficientes que resultam em
ISE4 31,5670 40,5288 51.7771
diferentes compromissos entre os dois objetivos concor-
ISE 137,6750 182,3095 198.9980
rentes. Para evitar a aproximação dos atrasos de tempo,
consideramos como funções objetivo as normas dos sinais
7. CONCLUSÕES em vez de matrizes de transferência.
Nesse trabalho foi proposto um método de sı́ntese de O método proposto foi aplicado em um sistema com
controladores IMC-PI com desacopladores para sistemas quatro entradas e quatro saı́das. Através do algoritmo
-20
Jin, Q., Du, X., Wang, Q., and Liu, L. (2016). Analytical
design 2 DOF IMC control based on inverted decoupling
-30
for non-square systems with time delay. The Canadian
-40
Journal of Chemical Engineering, 94(7), 1354–1367.
-50
0 500 1000 1500 2000 2500 3000 3500 4000
Junior, G.A. and Barros, P.R. (2015). Estudo comparativo
Tempo(s) de técnicas de projeto de desacoplador para sistemas
10 multivariáveis. Revista Principia, 1(28), 130–143.
Liu, H. (2010). Algorithm of fuzzy PID parameters self
0
tuning and its realization in PLC system. In 2010
-10 International Conference on Computational Aspects of
1 a s.P. Social Networks, 561–564. IEEE.
u3
-20
12a s.P.
Shen et al. Raja, G.L. and Ali, A. (2017). Smith predictor based
-30
parallel cascade control strategy for unstable and in-
-40 tegrating processes with large time delay. Journal of
-50
Process Control, 52, 57–65.
0 500 1000 1500 2000
Tempo(s)
2500 3000 3500 4000
Rajapandiyan, C. and Chidambaram, M. (2012). Con-
troller design for MIMO processes based on simple de-
20
1 a s.P.
coupled equivalent transfer functions and simplified de-
10 12a s.P.
Shen et al.
coupler. Industrial & Engineering Chemistry Research,
0 51(38), 12398–12410.
-10 Rivera, D.E., Morari, M., and Skogestad, S. (1986). Inter-
u4
-20
nal model control: PID controller design. Industrial &
-30
engineering chemistry process design and development,
25(1), 252–265.
-40
Robič, T. and Filipič, B. (2005). Differential evolution
-50
0 500 1000 1500 2000 2500 3000 3500 4000 for multiobjective optimization. In International Con-
Tempo(s) ference on Evolutionary Multi-Criterion Optimization,
520–533. Springer.
Figura 6. Esforço de controle para o sistema HVAC Shen, Y., Cai, W.J., and Li, S. (2010). Normalized decou-
pling control for high-dimensional MIMO processes for
DE, foi obtido um desacoplador satisfatório, que permite
application in room temperature control HVAC systems.
a aplicação das regras de sintonia IMC-PI SISO. Por meio
Control Engineering Practice, 18(6), 652–664.
do algoritmo DEMO, foram calculados um conjunto de
Shen, Y., Sun, Y., and Li, S. (2012). Adjoint transfer
controladores eficientes, o que possibilita ao projetista
matrix based decoupling control for multivariable pro-
escolher aquele que oferece o desempenho mais adequado
cesses. Industrial & Engineering Chemistry Research,
para o seu propósito. Duas soluções do conjunto de Pareto
51(50), 16419–16426.
foram comparadas com outro controlador desacoplado
Storn, R. and Price, K. (1997). Differential evolution–
da literatura para demonstrar a eficácia da metodologia
a simple and efficient heuristic for global optimization
proposta.
over continuous spaces. Journal of global optimization,
11(4), 341–359.
REFERÊNCIAS Vu, T.N.L. and Lee, M. (2013). An extended method of
simplified decoupling for multivariable processes with
Das, S., Mullick, S.S., and Suganthan, P.N. (2016). Recent multiple time delays. Journal of Chemical Engineering
advances in differential evolution – an updated survey. of Japan, 46(4), 279–293.
Swarm and Evolutionary Computation, 1, 1–30. Zhang, Q. and Li, H. (2007). MOEA/D: A multiobjective
Deb, K., Pratap, A., Agarwal, S., and Meyarivan, T. evolutionary algorithm based on decomposition. IEEE
(2002). A fast and elitist multiobjective genetic algo- Transactions on evolutionary computation, 11(6), 712–
rithm: NSGA-II. IEEE transactions on evolutionary 731.
computation, 6(2), 182–197.