Sı́ntese de Controlador PI Multivariável

Baseado em Controle por Modelo Interno e

Otimização Multiobjetivo ?
Marcus Paulo Silva de Abreu, Flávia Cordeiro Martins ∗
Eduardo Nunes Gonçalves ∗∗
∗
Programa de Pós-graduação em Engenharia Elétrica
UFSJ/CEFET-MG (e-mails: mpsilvaabreu@gmail.com,
fmartins.engeletrica@gmail.com)
∗∗
Departamento de Engenharia Elétrica - CEFET-MG, Av. Amazonas
7675, Belo Horizonte, MG, Brasil (e-mail: eduardong@des.cefetmg.br)

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.

Keywords: Optimization in Control Systems and Automation; Internal model control;

Multivariable PID control; multiobjective evolutionary optimization.
Palavras-chaves: Otimização em Sistemas de Controle e Automação; Controle por modelo
interno; controle PID multivariável; otimização evolucionária multiobjetivo.

1. INTRODUÇÃO a despeito dos avanços nos sistemas de controle digital.

A popularidade dos controladores PID se justifica, pin-
Sistemas com múltiplas entradas e múltiplas saı́das (MIMO, cipalmente, pela sua estrutura simples e por já serem
do inglês, Multiple Input, Multiple Output) são muito co- bem conhecidos pelos operadores e projetistas (Liu, 2010).
muns nos processos industriais (Jerome and Ray, 1986). Existem na literatura muitas técnicas para determinação
A abordagem de sistemas MIMO é geralmente mais com- dos três parâmetros (ganho proporcional, tempo integral
plexa que a abordagem de sistemas com apenas uma en- e tempo derivativo) do controlador PID. Nas indústrias,
trada e uma saı́da (SISO, do inglês, Single Input, Single no entanto, muitas vezes o que se vê é uma dispendiosa
Output), principalmente quando existe elementos de atraso implementação por tentativa e erro. Nesse caso, o sistema
no tempo e forte interação entre as malhas de controle. de controle final não apresenta um desempenho ótimo em
Para lidar com esses processos, os controladores PID são, termos de rastreamento da trajetória, rejeição aos distúr-
até os dias atuais, majoritários nas aplicações industriais, bios e atenuação de ruı́dos. A estrutura de controle PID
? Os para sistemas MIMO mais simples é o PID descentralizado,
autores agradecem os apoios das agências
onde o controlador é uma matriz de transferência diagonal.
CAPES, CNPq, e FAPEMIG, [APQ-02943-15] - Edital 01/2015 -
Demanda Universal
Tal estrutura, contudo, pode apresentar um desempenho

1471 DOI: 10.17648/sbai-2019-111346

 ruim em sistemas com alto acoplamento, podendo causar controladores IMC-PID/PI, a proposta desse artigo oferece
instabilidade em malha fechada (Junior and Barros, 2015). ao projetista a possibilidade de escolher, dentre várias
Nesse contexto, uma alternativa é a implementação de opções disponı́veis, os parâmetros dos controladores IMC-
um desacoplador, que faz com que o modelo resultante PI mais apropriados para os requisitos de desempenho em
se aproxime de uma matriz diagonal e, assim, possa ser questão. É apresentado um estudo de caso de um sistema
tratado como um conjunto de sistemas SISO. A tarefa de MIMO com quatro entradas e quatro saı́das para ratificar
desenvolver sistemas de controle desacoplados satisfatórios a aplicabilidade e eficiência do método proposto.
para processos MIMO constitui um problema que recebeu
um grande interesse nas últimas décadas, como pode ser 2. CONTROLE IMC SISO
visto em Shen et al. (2010), Shen et al. (2012), Rajapan-
diyan and Chidambaram (2012) e Vu and Lee (2013). A Fig. 1 apresenta a estrutura IMC, em que r é o sinal
de referência, u o sinal de controle ou varável manipulada,
Em sistemas MIMO, como a quantidade de parâmetros d o distúrbio, y a saı́da do processo, G o processo, G̃ o
de sintonia está relacionada a quantidade de malhas do modelo interno e Q o controlador IMC. O controlador IMC
sistema, modelos representados por matrizes de ordem é calculado como:
alta, implicam em maior dificuldade para a sintonia do Q = Tf G̃−1 , (1)
controlador. Nesse aspecto, as pesquisas que visam o de- em que G̃ é o modelo do processo, excluindo os zeros no
senvolvimento de técnicas para sı́ntese de controladores semi-plano direito e o termo de atraso, e Tf é um filtro
PID com menos parâmetros se fazem muito pertinentes. passa-baixa com ganho unitário:
Uma abordagem interessante, nesse caso, é o controle por 1
modelo interno (IMC, do inglês, Internal Model Control ) Tf = . (2)
(λs + 1)n
introduzida por Garcia and Morari (1982). Essa estrutura
O projetista escolhe o valor de λ, a constante de tempo
de controle possui somente um parâmetro de sintonia, a
do filtro, de acordo com o comportamento desejado para o
constante de tempo desejada para o sistema em malha
sistema em malha fechada. Além de definir a velocidade
fechada. Para a maioria dos modelos, a abordagem IMC
da resposta em malha dechada, λ permite obter um
conduz a um controlador PID ou PI na forma clássica ou
compromisso entre desempenho e robustez. O parâmetro
aumentados por um filtro (Rivera et al., 1986). Os contro-
n precisa ter um valor suficientemente alto para garantir
ladores PI ou PID resultantes da aplicação da metodologia
que Q seja uma função própria.
IMC são chamados na literatura de IMC-PI ou IMC-PID.
Esses controladores foram formalizados pela primeira vez d
por Rivera et al. (1986) para sistemas SISO e, desde então, r + u + y
muitas pesquisas vêm sendo realizadas, também para siste- Q G
_ +
mas MIMO. Como exemplo, pode-se citar a estrutura IMC
proposta por Raja and Ali (2017) para lidar com sistemas +
~
instáveis, o controlador IMC-PID, baseado em funções G _
equivalentes EOTF (do inglês, effective open-loop transfer Internal Model Control
~
function), proposto por Jin et al. (2013) para sistemas não d
quadrados e a estrutura IMC com desacoplador invertido
para sistemas quadrados apresentada em Garrido et al. Figura 1. Estrutura IMC
(2014). O trabalho realizado por Jin et al. (2016) também De acordo com a Fig. 1, a saı́da da planta é dada por
utiliza uma estrutura IMC com desacoplador invertido,
GQ 1 − G̃Q
mas a ideia é estendida para sistemas não quadrados. Y = R+ D. (3)
1 + Q(G − G̃) 1 + Q(G − G̃)
A contribuição desse artigo é a aplicação de um algotitimo
de otimização evolucionária multiobjetivo para a determi- Se o modelo for igual ao processo, isto é G = G̃, obtém-se
nação de um conjunto de controladores IMC-PI com de- Y = GQR + (1 − G̃Q)D. (4)
sacopladores para sistemas MIMO com atraso. Esse grupo A Eq. 4 demonstra que, quando G = G̃, para analisar a
de controladores, que é representado por um conjunto de estabilidade do sistema, pode-se avaliar apenas o sistema
soluções conhecido como soluções candidatas Pareto, esta- equivalente em malha aberta G(s)Q(s). Dessa forma, se
belece diferentes compromissos entre dois objetivos de con- G(s) for estável, é necessário apenas que Q(s) seja estável
trole. Para determinação dos controladores, inicialmente é para garantir a estabilidade do sistema.
projetado um desacoplador que possibilita que o sistema
MIMO seja tratado como uma matriz de transferência É fácil transformar a estrutura IMC na estrutura clássica
quadrada, diagonal e composta apenas por funções de de controle por realimentação, onde o controlador clássico
transferência de primeira ordem com atraso (FOPTD, do está relacionado ao controlador IMC por
inglês, first-order-plus-time-delay). A proposta do artigo Q
C= . (5)
é utilizar o método Evolução Diferencial mono-objetivo 1 − G̃Q
(Storn and Price, 1997) para o cálculo do desacoplador e, Considerando o modelo de primeira ordem com atraso no
em seguida, utilizar o algoritmo Evolução Diferencial para tempo:
Otimização Multiobjetivo (DEMO, do inglês, Differential K
G̃ = e−Ls . (6)
Evolution for Multiobjective Optimization) (Robič and Fi- τs + 1
lipič, 2005), buscando minimizar o erro de rastreamento e o Sendo Tf (s) (n = 1) o filtro de primeira ordem, o
esforço de controle, para a determinação dos controladores controlador IMC é dado por:
IMC-PI. Diferente de trabalhos anteriores relacionados a 1 (τ s + 1)
Q = Tf G̃−1
− = . (7)
(λs + 1) K

1472 DOI: 10.17648/sbai-2019-111346

 Aplicando expansão em série de Taylor de primeira ordem como conjunto de soluções candidatas Pareto. Uma solu-
para o atraso no tempo, tem-se que e−Ls ≈ 1 − sL. Dessa ção x∗ é dita ótima se não existe nenhuma outra solução
forma, da Eq. (5), o controlador IMC-PI resultante é dado factı́vel x de modo que f (x) ≤ f (x∗ ) e f (x) 6= f (x∗ ). Para
por: os vetores X = [x1 . . . xk ]T e Y = [y1 . . . yk ]T , X ≤ Y se
Ti s + 1 τs + 1 xi ≤ yi para i = 1, . . . , k, e X 6= Y se ∃i | xi 6= yi . Assim,
C = kp = . (8)
Ti s K(L + λ)s o problema de otimização mutiobjetivo tem como solução,
τ o conjunto de Pareto dado por:
que é um controlador PI com kp = K(L+λ) e Ti = τ (Rivera
et al., 1986). X ∗ = {x∗ ∈ Fx : @x ∈ Fx | f (x) ≤ f (x∗ ); f (x) 6= f (x∗ )} (13)

3. EVOLUÇÃO DIFERENCIAL em que Fx é o conjunto de soluções factı́veis.

Existem muitos algoritmos de otimização multiobjetivo
O algoritmo Evolução Diferencial (DE, do inglês, Differen- para determinação do conjunto de Pareto, X ∗ , tais como o
tial Evolution), pode determinar a solução ótima x ∈ Rη , NSGA-II (do inglês, Nondominated Sorting Genetic Algo-
que minimiza f (x) : Rη 7→ R, através de operações de rithm) (Deb et al., 2002) e o MOEA/D (do inglês, Multiob-
mutação, cruzamento e seleção (Storn and Price, 1997; Das jective Evolutionary Algorithm Based on Decomposition)
et al., 2016). (Zhang and Li, 2007). Todos minimizam f (x) : Rη 7→ Rν ,
Seja U(a,b) ∈ R um número pseudo-aleatório uniforme- onde ν é o número de funções objetivos. Nesse trabalho,
mente distribuı́do no intervalo (a, b); I(m) ∈ Z+ um in- considerando experimentos com os algoritmos, optou-se
teiro pseudo-aleatório extraı́do da distribuição uniforme pela utilização do algoritmo DEMO (Robič and Filipič,
discreta 1, . . . , m; x ∈ Rη um vetor de variáveis de otimi- 2005).
zação e N o número de indivı́duos (soluções candidatas) A principal diferença entre o DE clássico mono-objetivo e
da população. A população, na k-ésima iteração, é definida o DEMO está na etapa de seleção
como Xk = {xk,i ; i = 1, . . . , N }, onde a i-ésima solução é: n
uk,i , se f (uk,i ) ≤ f (xk,i ) e f (uk,i ) 6= f (xk,i )
xk+1,i = (14)
 
xk,i,1 xk,i , caso contrário
..
xk,i = 
.
. (9)
i = 1, . . . , N . Se xk,i não domina uk,i , então uk,i também
xk,i,η é incluı́do na população Xk+1 , aumentando o seu tamanho
As operações do DE são descritas nos parágrafos a seguir. de 1.
O DE começa com a população inicial composta por Depois da operação seleção, se o número de soluções de
soluções candidatas uniformemente distribuı́das dentro de Xk+1 é maior que N , para selecionar as N melhores
uma região de busca limitada pelo mı́nimo e máximo de soluções de Xk+1 , são aplicados dois mecanismos oriundos
cada variável x1,i,j ∈ [mj , mj ], x1,i,j = U(mj ,mj ) , em que do NSGA-II: o fast nondominated sorting, para ordenar
i = 1, . . . , N , j = 1, . . . , η. a população em diferentes nı́veis de não dominância, e o
crowded-comparison, para garantir uma boa diversidade
Em seguida, ocorre a mutação diferencial. Dado os ı́ndices das soluções.
r1 6= r2 6= r3 6= i gerados como rj = I(N ) , j = 1, ..., 3, a
i-ésima solução mutante é dada por:
vk,i = xk,r1 + Fi .(xk,r2 − xk,r3 ), (10) 5. FORMULAÇÃO DO PROBLEMA
i = 1, . . . , N , onde Fi é um número real que pondera a
diferença dos vetores. Nesse trabalho foi adotado Fi = Considere um modelo de um sistema MIMO com n entra-
U(0.5,1) . das e m saı́das:
 
g11 g12 . . . g1n
A operação seguinte é a recombinação, que ocorre entre g21 g22 . . . g2n
os indivı́duos da k-ésima população, Xk , e a população
 
G̃ =  .. .. .. . . (15)
mutante, Vk , e produz a população teste Uk :  . . . .. 
gm1 gm2 . . . gmn

vk,i,j , se U(0,1) ≤ Cr ou j = δi
uk,i,j = (11)
xk,i,j , caso contrário O sistema de controle é baseado na estrutura IMC apre-
Sendo i = 1, . . . , N , j = 1, . . . , η, δi = I(η) , que garante sentada na Fig. 2. Essa estrutura inclui um desacoplador,
uk,i 6= xk,i , e Cr ∈ [0, 1] a probabilidade de recombinação. D, cuja função é fazer com que o sistema desacoplado G̃D
Nesse trabalho, Cr = 0,9. se aproxime de H, que é quadrado e diagonal.
A última operação de cada iteração é a seleção. Nessa d
etapa o vetor alvo, xk,i , é comparado com o vetor de teste,
r + u + y
uk,i , para determinação de qual seguirá para a próxima Q D G
geração: n
_ +
uk,i , se f (uk,i ) ≤ f (xk,i )
xk+1,i = (12)
xk,i , caso contrário ~ +
D G _
i = 1, . . . , N . O algoritmo termina quando atinge o número
~
máximo de iterações, Ng . d

4. EVOLUÇÃO DIFERENCIAL MULTIOBJETIVO Figura 2. Estrutura IMC com desacoplador

Os métodos de otimização multiobjetivo geram um con-
junto de soluções ótimas ou não-dominadas, conhecido Dado que

1473 DOI: 10.17648/sbai-2019-111346

 6. ESTUDO DE CASO
 
h11 0 ... 0
 0 h22 ... 0 
H= .
 .. ... .. .. , (16) Como estudo caso, foi considerado o modelo de um sistema
. .

centralizado de aquecimento, ventilação e ar condicionado
0 0 . . . hmm (HVAC, do inglês, heating, ventilation, and air conditio-
para que seja possı́vel obter um controlador IMC-PI, é ning) de quatro quartos (Shen et al., 2010):
necessário que H seja composto apenas por elementos G̃ =
FOPTD:  −0, 098 −0, 036 −27ss −0, 014 −32s −0, 017 −30s
K̄j e−17s e e e
hjj = e−L̄j s , j = 1, . . . , m. (17) 122s +
 −0, 0431 149s +1 158s + 1 155s + 1
−0, 092 −0, 011 −0, 012

τ̄j s + 1 −25s
e−16s e−33s e−34s
 147s + 1 e
 
Caso a diagonal principal do modelo seja composta por  130s + 1 156s + 1 157s + 1 .
 −0, 012 −31s −0, 016 −34s −0, 102 −16s −0, 033 −26s
elementos FOPTD, uma possibilidade é escolher H como  e e e e 
 153s + 1 151s + 1 118s + 1 146s + 1 
a diagonal principal de G̃. −0, 013 −32s −0, 015 −31s −0, 029 −25s −0, 108 −18s
e e e e
156s + 1 159s + 1 144s + 1 128s + 1
O desacoplador é dado por: (25)

d11 d12 . . . d1m
 Com hjj = gjj , j = 1, . . . , 4, através do algoritmo DE,
 d21 d22 . . . d2m aplicando aproximação de Padé de primeira ordem para
os elementos de atraso, o seguinte desacoplador foi obtido:

D= . . (18)
 .. ... ..
. ..
.   −0, 17885(s − 0, 6145) 0, 012967(s − 35, 16)
dn1 dn2 . . . dnm
 (s + 0, 6145)(s + 0, 1463) (s + 35, 16)(s + 0, 03206)
 0, 024346(s − 0, 327) −0, 21524(s − 0, 8648)

Os elementos da matriz de transferência do desacoplador (s + 0, 327)(s + 0, 04257) (s + 0, 8648)(s + 0, 181)
D =

foram escolhidos com a seguinte forma:  0, 091978(s − 0, 3965) 0, 0058664(s − 0, 1259)
 (s + 2, 489)(s + 0, 3965) (s + 0, 1259)(s + 0, 05357)
αij
e−θij s . 0, 0024574(s − 0, 8061) 0, 0021822(s − 0, 3463)

dij = (19)
Υij s + 1
(s + 0, 8061)(s + 0, 04223) (s + 0, 3463)(s + 0, 02499) (26)
Existem muitas maneiras de calcular o desacoplador D, 0, 0030632(s − 0, 1389) 0, 0052229(s − 0, 446)
mas geralmente elas são difı́ceis de serem aplicadas em (s + 0, 1389)(s + 0, 05002) (s + 0, 446)(s + 0, 02136) 
sistemas com n > 2. Nesse panorama, a proposta desse 0, 0053946(s − 0, 3256) −0, 0072139(s − 0, 1526) 

trabalho é aplicar o algoritmo de otimização DE para (s + 0, 3256)(s + 0, 03858) (s + 0, 1526)(s + 0, 02419) 
.
o cálculo dos parâmetros do desacoplador. Assim sendo, −0, 55826(s − 1, 024) 0, 013306(s − 0, 5349)  
αij , θij , e Υij são os parâmetros de otimização. A função (s + 1, 024)(s + 0, 5) (s + 0, 5349)(s + 0, 03626)  
objetivo é dada pela integral do quadrado do erro entre 0, 08505(s − 0, 1499) −0, 81129(s − 2, 182)
as respostas de H e G̃D, considerando sinais de teste (s + 0, 3138)(s + 0, 1499) (s + 2, 182)(s + 0, 7483)
para entrada. Com o desacoplador, é possı́vel aplicar A Fig. 3 apresenta a resposta ao degrau da matriz esco-
Eq. (8) para calcular independentemente cada elemento lhida H (curva em azul) e da matriz resultante G̃D (curva
que compõe a diagonal do controlador PI descentralizado
como um controlador IMC-PI SISO com base em cada uma em vermelho). É possı́vel observar que, como desejado,
das m funções de transferência da diagonal de H: G̃D se aproxima de H, sendo que fora da diagonal os
τ̄j transitórios são praticamente nulos, indicando o excelente
kp,j = ; Ti,j = τ̄j , j = 1, . . . , m. (20) desacoplamento.
K̄j (L̄j + λj )

Cada valor de Λ = [λ1 . . . λm ]T resulta em um controlador Step Response

IMC-PI diferente: From: In(1) From: In(2) From: In(3) From: In(4)
    0.1
1
To: Out(1)

 kp,1 1 + Ti,1 s ... 0  0

 
.. .. ..
C=
 . (21)
. . .  -0.1
   0.1
1
To: Out(2)

 
0 . . . kp,m 1+
Ti,m s 0
Amplitude

Através do algoritmo DEMO, a partir de entradas teste, -0.1

é calculado um conjunto de constantes de tempo ótimas, 0.2
To: Out(3)

Λ = [λ1 . . . λm ]T , para alcançar diferentes compromissos

0
entre a ISE de rastreamento:
Z ∞
-0.2
ISEi , [(ri (t) − yi (t)]2 dt, i = 1, . . . , m, (22) 0.2
To: Out(4)

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,

1474 DOI: 10.17648/sbai-2019-111346

 cujas soluções estabelecem diferentes compromissos entre 1.4
dois objetivos de controle em um espaço de objetivos. 1.2
Cada ponto na Fig. 4 representa um controlador IMC-PI 1
calculado a partir do vetor Λ = [λ1 . . . λ4 ]T . O ponto na 0.8 1 a s.P.

extremidade superior esquerda corresponde a solução com 12a s.P.

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)||

0.6 Shen et al.

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

Dado que 1(t − τ ) é um degrau unitário com 1(t − τ ) = 0 0.4

para t < τ e 1(t−τ ) = 1 para t ≥ τ , o sistema foi simulado 0.2

com r1 = 1(t), r2 = 1(t − 1000), r3 = 1(t − 2000), e 0

r4 = 1(t − 3000). Para comparação, foram considerados -0.2

0 500 1000 1500 2000 2500 3000 3500 4000
o controlador desacoplado normalizado apresentado em Tempo(s)
Shen et al. (2010), baseado nas margens de fase e ganho, e 1.4
duas soluções do conjunto de Pareto: a 1a , que corresponde 1.2
1 a s.P.
12a s.P.
menor ISE, Λ = [20, 7051 18, 3503 13, 5539 10, 8600]T , e a 1
Shen et al.

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

1475 DOI: 10.17648/sbai-2019-111346

 10
Garcia, C.E. and Morari, M. (1982). Internal model con-
trol. a unifying review and some new results. Industrial
0
& Engineering Chemistry Process Design and Develop-
-10 ment, 21(2), 308–323.
1 a s.P.
Garrido, J., Vázquez, F., and Morilla, F. (2014). Inver-
u1

-20 12a s.P.

Shen et al.
ted decoupling internal model control for square stable
-30
multivariable time delay systems. Journal of Process
-40 Control, 24(11), 1710–1719.
-50
Jerome, N. and Ray, W.H. (1986). High-performance
0 500 1000 1500 2000 2500 3000 3500 4000
multivariable control strategies for systems having time
Tempo(s)
delays. AIChE Journal, 32(6), 914–931.
20
Jin, Q., Hao, F., and Wang, Q. (2013). A multivariable
1 a s.P.
10
12a s.P. IMC-PID method for non-square large time delay sys-
Shen et al.
0 tems using npso algorithm. Journal of Process Control,
-10 23(5), 649–663.
u2

-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
-30
-40
-50
0 500 1000 1500 2000 2500 3000
Tempo(s)
Figura 6. Esforço de controle para o sistema HVAC
DE, foi obtido um desacoplador satisfatório, que permite
a aplicação das regras de sintonia IMC-PI SISO. Por meio
do algoritmo DEMO, foram calculados um conjunto de
controladores eficientes, o que possibilita ao projetista
escolher aquele que oferece o desempenho mais adequado
para o seu propósito. Duas soluções do conjunto de Pareto
foram comparadas com outro controlador desacoplado
da literatura para demonstrar a eficácia da metodologia
proposta.
REFERÊNCIAS
Das, S., Mullick, S.S., and Suganthan, P.N. (2016). Recent
advances in differential evolution – an updated survey.
Swarm and Evolutionary Computation, 1, 1–30.
Deb, K., Pratap, A., Agarwal, S., and Meyarivan, T.
(2002). A fast and elitist multiobjective genetic algo-
rithm: NSGA-II. IEEE transactions on evolutionary
computation, 6(2), 182–197.
nal model control: PID controller design. Industrial &
engineering chemistry process design and development,
25(1), 252–265.
Robič, T. and Filipič, B. (2005). Differential evolution
3500 4000 for multiobjective optimization. In International Con-
ference on Evolutionary Multi-Criterion Optimization,
520–533. Springer.
Shen, Y., Cai, W.J., and Li, S. (2010). Normalized decou-
pling control for high-dimensional MIMO processes for
application in room temperature control HVAC systems.
Control Engineering Practice, 18(6), 652–664.
Shen, Y., Sun, Y., and Li, S. (2012). Adjoint transfer
matrix based decoupling control for multivariable pro-
cesses. Industrial & Engineering Chemistry Research,
51(50), 16419–16426.
Storn, R. and Price, K. (1997). Differential evolution–
a simple and efficient heuristic for global optimization
over continuous spaces. Journal of global optimization,
11(4), 341–359.
Vu, T.N.L. and Lee, M. (2013). An extended method of
simplified decoupling for multivariable processes with
multiple time delays. Journal of Chemical Engineering
of Japan, 46(4), 279–293.
Zhang, Q. and Li, H. (2007). MOEA/D: A multiobjective
evolutionary algorithm based on decomposition. IEEE
Transactions on evolutionary computation, 11(6), 712–
731.

1476 DOI: 10.17648/sbai-2019-111346

Powered by TCPDF (www.tcpdf.org)