Resumo de Artigo - Sistema híbrido neuro-evolutivo

aplicado ao controle de um processo multivariável

Aluno: Hícaro Souza Ferreira da Cruz

O artigo em questão demonstra o projeto de um controlador PID

multivariável baseado em uma rede neural e um algoritmo genético. Tal
controlador é necessário pois o sistema em questão possui características:
(i) não-lineares, tais como limitação na taxa de variação dos sinais de
controle e constante de tempo dependendo da magnitude e frequência dos
sinais de entrada; e (ii) propriedades não-modeladas, tais como atrito e
defeitos na bola e/ou superfície da chapa.

O projeto contempla a elaboração de um controlador com um

algoritmo genético (criado para melhorar ganhos de um controlador PID
multivariável) testado e validado através de um experimento denominado
bola e chapa. O sistema denominado bola e chapa tem como objetivo
controlar a posição de uma bola, que está livre sobre a chapa, monitorada
por um sistema de visão manipulando a chapa através de dois motores DC.
Este processo consiste de um sistema dinâmico com duas entradas (tensões
aplicadas a dois motores DC, ux e uy) e duas saídas (posições yx e yy da
bola).

Para melhor imersão e entendimento, o autor descreve, brevemente,

características de alguns métodos de controles avançados, com
aprofundamento em redes neurais e algoritmos genéricos. Como descrito no
artigo, as redes neurais utilizadas no projeto, são redes neurais radiais que
apresentam uma saída simétrica em torno de um centro associado.
Combinado com as redes neurais os algoritmos genéricos irão realizar a
identificação do processo.

O controlador PID multivariável usará os algoritmos genéricos para

coletar dados das entradas (ux e uy), e saídas (yx e yy) do sistema bola e
chapa. Os dados das entradas são informações das tensões aplicadas nos
motores DC, as saídas são coletadas do sistema de visão que identifica a
posição da bola. Após a obtenção dos dados a rede neural identifica o
modelo matemático, escolhe o algoritmo para tratar este modelo, estima os
parâmetros, para assim, validar o modelo. Para este processo é utilizada
uma rede neural de 4 neurônios de entrada compostos dos vetores {u1(k),
u2(k), y1(k), y2(k), y1(k-1), y2(k-1)} e 2 neurônios de saída, y1(k+1) e
y2(k+1).

O PID multivariável utilizado tem configuração desacoplada e é regido

por equações diferenciais cujo a sintonia dos parâmetros é otimizada pelo
Algoritmo Genérico. O modelo matemático obtido pela RN-RBF (1ª etapa) é
usado na otimização genética dos ganhos do controlador PID. Os melhores
parâmetros obtidos com a otimização via AGs, após 20 experimentos, do
PID foram: Kp,1 = 0,3502, Ti,1 = 29,1667, Td,1 = 0,9714, Kp,2 = 0,3496,
Ti,2 = 5,0007, Td,2 = 0,8571, onde foi obtida uma aptidão f(J)=0,8197
para yr1(k)=0,4 e yr2(k)=0,4, onde k varia de 1 a N. Foi usado um período
de amostragem adotado de Ts = 100 ms e fator de escala ke = 15.

Após a sintonia e otimização dos parâmetros, os ganhos do

controlador são validados no processo pratico, analisado em duas situações:
primeira em malha fechada e a segunda com um erro médio quadrático
para as saídas yx e yy. Por se tratarem de experimentos com condições
iniciais distintas as respostas foram bem distintas.

Com os resultados obtidos, fica evidente que os erros das saídas yx e

yy decrescem rapidamente, mas não caracterizaram um desempenho em
malha fechada com erro nulo em regime permanente, nas situações
analisadas. Algumas dificuldades encontradas, como peso da bola, possíveis
defeitos na bola e calibração do sistema de visão podem ter influenciado
nos resultados obtidos.

Neste artigo foi apresentada uma nova abordagem para o projeto de

algoritmo de controle PID multivariável desacoplado baseado em RN-RBF e
AG. O estudo de caso de controle de um processo multivariável não-linear
bola e chapa. Este problema é um desafio em controle e pode ser muito
interessante para o estudo e teste de abordagens de controle multivariável.
Os resultados preliminares apresentados neste artigo foram promissores,
pois o projeto de controle foi testado com sucesso em duas situações
práticas de seguimento de referência.

Em relação a RN-RBF, esta foi útil para a identificação de processos

multivariáveis, particularmente para processos que têm pontos de operação
típicos, pois estas RNs mapeiam aproximações locais. O aprendizado da RN-
RBF é particularmente simples e rápido em relação à rede neural perceptron
multicamada, muito utilizada em aplicações de identificação não-linear.

Link do artigo: http://www.scielo.br/scielo.php?pid=S0103-

17592006000100004&script=sci_arttext&tlng=es