Escolar Documentos
Profissional Documentos
Cultura Documentos
INTELIGENTES
Abstract— In this work, we present a survey about intelligent systems control strategies applied to nonlinear
processes. Basically, the intelligent systems used in this work are Fuzzy logic and genetic algorithms. Fuzzy logic
is used to design a proper controller. Genetic Algorithms are used to parameter tuning of the designed controllers.
The nonlinear system used was designed as a two coupled tank model. The intelligent systems controllers are
compared with the classical controllers found in the literature. The results indicate that intelligent controllers
perform better than classical controllers for nonlinear models.
Resumo— Este trabalho apresenta uma investigação sobre estratégias de controle usando sistemas inteligentes
para o controle de nı́vel em uma planta não-linear. Basicamente, os sistemas inteligentes utilizados constituem-se
da lógica Fuzzy e algoritmos genéticos. A lógica fuzzy é utilizada para determinação do controlador propriamente
dito. Os algoritmos genéticos são usados para sintonizar os parâmetros dos controladores implementados. O
sistema não-linear utilizado para testar as estratégias de controle constitui-se de um modelo de dois tanques
acoplados. Os sistemas inteligentes são comparados com os controladores clássicos presentes na literatura. Os
resultados indicam que, para o modelo não-linear utilizado, os contoladores inteligentes apresentam melhores
desempenhos que os controladores clássicos.
3 Metodologia
4.1 Controlador Fuzzy com Regras Fixas Neste caso, também utilizou-se da mesma con-
figuração do controlador Fuzzy, como mostra a
Nesta abordagem o controlador Fuzzy possui uma Figura 3. Isto significa que, como no caso da
configuração semelhante ao Fuzzy sintonizado sintonia do controlador Fuzzy manual e com re-
manualmente em (Silva et al., 2007). A variável gras fixas, tem-se como entrada as variáveis Erro e
linguı́stica de entrada Erro possui cinco funções de Variação, e saı́da a variável Válvula. Porém, para
pertinência e a variável Variação possui duas. A a variável de entrada Erro define-se as seguintes
variável de saı́da Válvula possui cinco funções de funções de pertinência: erroA , erroAM , erroM ,
pertinência. A sintonia AG utiliza a mesma con- erroBM e erroB . Para a variável de entrada
1
assim o cromossomo de 41 parâmetros do AG.
Assim, a Figura 5 apresenta o resultado grá-
Funções de Pertinência
0.8
0.6 erroA
0.4
erroAM
erroM
erroBM
fico das funções de pertinência produzidas pelo al-
0.2
erroB
1
Funções de Pertinência
0.8
Funções de Pertinência
0.8 erro
B
0.2
0.6
0
−150 −100 −50 0 50 100 150
Faixa
0.4
(b) 0.2
0
−10 −8 −6 −4 −2 0 2 4 6 8 10
Faixa
(a)
1
Funções de Pertinência
0.8
valvA
valvAM
variA
0.6 valvM
vari
valvBM AM
1 variM
valvB
0.4 variBM
variB
Funções de Pertinência
0.8
0.2
0.6
0
−1 −0.8 −0.6 −0.4 −0.2 0 0.2 0.4 0.6 0.8 1
Faixa
0.4
(c) 0.2
0
−150 −100 −50 0 50 100 150
Faixa
Funções de Pertinência
0.8
0.4
0.2
0
−1 −0.8 −0.6 −0.4 −0.2 0 0.2 0.4 0.6 0.8 1
Faixa
m /min
2
3
A Figura 6 ilustra uma comparação dos diversos 0
4
0 500 1000 1500 2000 2500
m /min
2
3
no set-point e distúrbio na entrada do tanque 2. 0
0 500 1000 1500 2000 2500
m /min
sintonizado utilizando o método ITAE (Campos
2
3
0
4
Fuzzy (AG − Regras Fixas)
m /min
2
3
set-point e rejeitar a perturbação na entrada do 0
0 500 1000 1500 2000 2500
m /min
2
3
variação de nı́vel do tanque 1 para a mesma vari- 0
0 500 1000 1500 2000 2500
ação de set-point.
Tempo (min)
10
9
PI (ITAE)
PI (AG)
Figura 7: Variável manipulada dos diversos con-
troladores (de cima p/ baixo): PI (ITAE), PI AG,
Fuzzy (Manual)
8 Fuzzy (AG − Regras Fixas)
Fuzzy (AG − Regras Sintonizáveis)
5
sintonizáveis.
Metros
−1
0 500 1000 1500 2000 2500
Tempo (min)
(a)
10
PI (ITAE)
PI (AG)
Fuzzy (Manual)
8 Fuzzy (AG − Regras Fixas)
Fuzzy (AG − Regras Sintonizáveis)
6
Metros
0
jetivo tomada nos indivı́duos mais adaptados de
cada geração para os controladores Fuzzy e PI.
0 500 1000 1500 2000 2500
Tempo (min)
(b)
Figura 6: Diagrama comparativo dos diversos se deseje mostrar que a convergência é garantida
controladores implementados observando-se a re- deve-se realizar um grande número de testes e as-
sposta do tanque 2 à variação do set-point (a), a sim calcular sua média e desvio-padão ao longo
resposta do tanque 1 a mesma variação do set- das gerações.
point (b). Finalmente, deve-se ressaltar que o desem-
penho dos controladores considerando o critério
A Figura 7 mostra a atuação dos contro- ITAE em ordem do melhor para o pior foram:
ladores na variável manipulada. Nota-se que os Fuzzy com regras sintonizáveis, ITAE=275930,00;
controladores Fuzzy produzem muitas oscilações PI sintonizado com AG, ITAE=276320,00; Fuzzy
na vazão de entrada do tanque 1. Os controladores com regras fixas, ITAE=301550,00; Fuzzy man-
PI usando métodos clássico e sintonizados usando ual, ITAE=320260,00; PI sintonizado com método
AG tem uma atuação mais suave do que os con- ITAE, ITAE=615770,00.
troladores Fuzzy.
Para os controladores sintonizados usando al- 5 Conclusões
goritmo genético, pode-se realizar uma compara-
ção observando-se a evolução da função objetivo A partir da observação dos resultados gráficos e
nos melhores parâmetros de sintonia em cada ger- pelo critério de desempenho ITAE pôde-se con-
ação. Tal comparação é ilustrada na Figura 8. statar que os controladores sintonizados com al-
Nota-se da Figura 8 que os controladores ao goritmo genético se apresentaram mais aptos para
longo das gerações conseguiram melhorar consid- solucionar o problema de controle em um sistema
eravelmente os seus desempenhos. Constata-se não-linear representado por tanques acoplados.
também que o controlador PI sintonizado com AG Especificamente, o controlador Fuzzy com regras
(PI AG) nas primeiras gerações é o melhor para sintonizáveis foi o mais bem sucedido na tarefa de
realizar o controle, porém, no final da evolução, é controle. Na seqüência, os controladores PI AG e
superado pelo controlador Fuzzy com regras sin- Fuzzy com regras fixas apresentaram bons desem-
tonizáveis. Mais uma vez, como dito anterior- penhos. Como foi visto na Figura 6, o controlador
mente, a Figura 8 mostra apenas a evolução para clássico sintonizado usando o método ITAE per-
uma única realização do algoritmo genético. Caso mitiu um sobre sinal elevado o que produziria em
uma situação real o transbordamento do tanque que os sistemas inteligentes são mais adequados
1. para o controle da planta não-linear implemen-
Os controladores Fuzzy, em geral, introduzi- tada por meio de tanques acoplados do que con-
ram oscilações bruscas na variável manipulada. troladores clássicos.
Tal fato se constitui em uma desvantagem dos con-
troladores usando lógica Fuzzy pois pode provocar Agradecimentos
um desgaste excessivo no elemento final de cont-
role, a válvula. Propõe-se como trabalho futuro Este trabalho foi parcialmente financiado pela
a investigação de tais oscilações levando em con- Universidade Petrobras e UERJ.
sideração o número de funções de pertinência dos
controladores Fuzzy. Os controladores PI´s clás- Referências
sicos e o controlador PI AG não apresentaram os-
cilações tão severas quanto os controladores Fuzzy Campos, M. C. M. M. and Saito, K. (2004).
devido à caracterı́stica passa-baixas dos mesmos. Sistemas Inteligentes em Controle e Au-
A viabilidade de implementação dos contro- tomação de Processos, Editora Ciência Mod-
ladores depende fortemente do tempo gasto para erna Ltda., Rio de Janeiro, Brasil.
sua sintonia. Os controladores clássicos são rela- Campos, M. C. M. M. and Teixeira, H. C. G.
tivamente fáceis de serem sintonizados, bastando, (2006). Controles Tı́picos de Equipamentos
por exemplo, realizar testes de resposta ao degrau de Processos, Editora Edgard Blücher Ltda.,
para determinação de uma função de transferência São Paulo, Brasil.
que represente a planta a ser controlada. O tempo
despendido para tal teste depende basicamente da Holland, J. (1975). Adaptation in Natural and
dinâmica do processo. O controlador Fuzzy com Artificial Systems, University of Michigan
sintonia manual, devido a sua dependência do con- Press, USA.
hecimento do especialistas, requer um tempo rela-
Houck, C. R., Joines, J. A. and Kay, M. G. (1996).
tivamente elevado para a sua concepção e sintonia.
A genetic algorithm for function optimiza-
Nesta trabalho, gastou-se mais de 48 horas para
tion: A matlab implementation, ACM Trans-
sintonia manual do controlador Fuzzy. Os contro-
actions on Mathmatical Software pp. 1–14.
ladores sintonizados com algoritmo genético, no-
tadamente o PI AG, o Fuzzy com regras fixas e Jabuonski, R. E. J., Ferreira, L. V., Guimarães,
Fuzzy com regras sintonizáveis, levaram respecti- B. and Bauchspiess, A. (2003). Sistema de
vamente, 1 hora e 4 minutos, 8 horas e 5 minutos experimentação remota configurável de con-
e 17 horas e 58 minutos para sintonia. Isto por trole de nı́vel de lı́quidos multivariável, VI
si só já é uma vantagem da sintonia usando algo- Simp. Brasileiro de Automação Industrial .
ritmos genéticos quando comparado com o Fuzzy
manual. Nascimento, C. L. and Yoneyama, T. (2000).
Inteligência Artificial em Controle e Au-
Os controladores clássicos possuem parâmet-
tomação, Edgard Blücher Ltda., São Paulo,
ros de sintonia dados por relações matemáticas
SP, Brasil.
simples, relacionadas, por exemplo, à função de
transferência obtida por testes de resposta ao de- Seng, T. L., Khalid, M. and Yusof, R. (1998).
grau. A configuração de tais parâmetros pode ser Tuning of a neuro-fuzzy controller by ge-
feita por qualquer pessoa familiarizada com o pro- netic algorithms with an application to a
cesso e com noções básicas de controle. Já a sinto- coupled-tank liquid-level control system, In-
nia e configuração de controladores usando méto- ternational Journal of Engineering Applica-
dos inteligentes requer um modelo que represente tions on Artificial Intelligence, Pergamon
com a maior fidelidade possı́vel a planta e que Press 11: 517–529.
possa ser implementado em um ambiente de simu-
Silva, P. R. A., Souza, A. V. and Henriques, L. F.
lação. Isto se justifica pelo fato de que o algoritmo
(2007). Lógica Fuzzy e Algoritmo Genético
genético, antes da convergência, pode conduzir a
para o Controle de Nı́vel em Tanques Acopla-
planta para a instabilidade devido aos testes de
dos, Monografia de Especialização em Au-
parâmetros pouco adaptados. Desta forma, pode-
tomação Industrial, FEN-UERJ e Universi-
se então partir para o ajuste off-line dos parâmet-
dade Petrobras.
ros do controlador inteligente e, a seguir, coloca-lo
em operação garantindo a segurança e estabilidade Zadeh, L. A. (1965). Fuzzy sets, Information and
para o processo não-linear. Assim, o pessoal re- Control 8: 338–353.
sponsável pela sintonia de tais controladores deve
ter conhecimentos sobre modelagem e ambientes Zuben, F. J. V. (2006). Computação evo-
de simulação para o seu desenvolvimento e poste- lutiva, Technical Report CS-93-103,
rior aplicação. DCA/FEEC/Unicamp - Caixa Postal
6101 - 13083-970.
Finalmente, pode-se concluir neste trabalho