Introdução Modelagem fenomenológica Identificação de modelos

Modelagem e identificação de processos industriais

Marcus Vinícius Americano da Costa Filho

Departamento de Engenharia Química

Universidade Federal da Bahia

Salvador-BA, 17 de agosto de 2022

Introdução Modelagem fenomenológica Identificação de modelos

Sumário

1 Introdução

2 Modelagem fenomenológica

3 Identificação de modelos
Introdução Modelagem fenomenológica Identificação de modelos

Sumário

1 Introdução

2 Modelagem fenomenológica

3 Identificação de modelos
Introdução Modelagem fenomenológica Identificação de modelos

Conceito de sistema

Pode ser definido como um conjunto de objetos agrupados por alguma interação
ou interdependência, de modo que existam relações de causa e efeito nos
fenômenos que ocorrem com os elementos deste conjunto.
Introdução Modelagem fenomenológica Identificação de modelos

Leis da Física

u(t) y(t)
Sistema

Identificação

Modelo

O comportamento físico de sistemas dinâmicos pode ser descrito por um conjunto

de equações diferenciais. Quando isto não é possivel, recorre-se à modelagem
do sistema por meio de testes e experimentos. Este procedimento é conhecido
como identificação de sistemas.
Introdução Modelagem fenomenológica Identificação de modelos

Conceito de modelo

“O modelo matemático de um sistema é definido como um conjunto de equações

usado para representar um sistema físico” (Dicionário do IEEE).

Nenhum modelo matemático de um sistema físico é exato.

Do ponto de vista de controle, pretende-se encontrar um modelo adequado para
determinada aplicação.
Introdução Modelagem fenomenológica Identificação de modelos

Principais finalidades

Previsão: tentativa de prever os estados futuros do sistema.

Análise e projeto de sistemas de controle: sintonia de controladores
clássicos, síntese de algoritmos de controle adaptativos e preditivos,
estimação do estado de variáveis não-mensuráveis.
Supervisão: simulação, detecção de erros e diagnósticos.
Otimização: tomadas de decisões.
Introdução Modelagem fenomenológica Identificação de modelos

Classificação quanto à variável temporal

Modelo em tempo contínuo:

dy (t)
2 + y (t) = u(t)
dt
Modelo em tempo discreto:

y (k ) = −1.2y (k − 1) + 0.5u(k − 1)
Introdução Modelagem fenomenológica Identificação de modelos

Classificação dos modelos

Quanto ao tipo: linear ou não-linear.

Quanto aos parâmetros do modelo: fixos ou variantes no tempo.
Quanto ao número de entradas e saída: SISO (Single Input-Single Output),
SIMO (Single Input-Multiple Output), MISO (Multiple Input-Single Output) e
MIMO (Multiple Input-Multiple Output).
Introdução Modelagem fenomenológica Identificação de modelos

Descrição de sistemas: modelos contínuos

Para representar um sistema, é possível utiizar as seguintes abordagens:

Função de transferência.
Resposta impulsiva.
Equação de estados.
Introdução Modelagem fenomenológica Identificação de modelos

Função de transferência contínua

Relação entre a transformada de Laplace da entrada, U(s); e a transformada de

Laplace da saída, Y (s).

Y (s)
G(s) =
U(s)
A relação G(s) é a razão de dois polinômios no domínio s.
Introdução Modelagem fenomenológica Identificação de modelos

Resposta impulsiva contínua

Num sistema linear invariante no tempo, os sinais de entrada e saída são

relacionados pela integral de convolução:
Z t
y (t) = h(t − τ )u(τ )dτ ,
0
em que h(t) é a resposta impulsiva do sistema.
A resposta impulsiva está relacionada com a função de transferência por:

h(t) = L−1 [H(s)]

Introdução Modelagem fenomenológica Identificação de modelos

Equações de estados contínuas

A função de transferência está relacionada com a representação de estados

contínua por:

G(s) = C(sI − A)−1 B,

em que A é a matriz do sistema (n × n), B é o vetor de entrada (n × 1) e C é o
vetor de saída (1 × n). As equações de estados são:

ẋ(t) = Ax(t) + Bu(t)

(1)
y (t) = Cu(t)
na qual, x(t) é o vetor de estados (n × 1), u(t) é a entrada e y (t) é a saída do
sistema.
Introdução Modelagem fenomenológica Identificação de modelos

Validação do modelo

y(t)
Sistema
u(t)
y m (t)
Modelo e(t)

Algoritmo de
ajuste de
parâmetros

Função custo e índice quadrático:

N Z tF
X 1
J= e2 (i), I = [ym (t) − y (t)]2 dt.
tF − t0 t0
i=1

N - número de amostras, e(i) - diferença entre as saídas real e estimada, ym (t) - saída do modelo,
y (t) - saída do processo.
A validação do modelo matemático é realizada comparando-se sua resposta com os dados reais do
processo para um mesmo sinal de entrada, dentro de uma faixa diferente da utilizada para
estimação dos seus parâmetros.
Introdução Modelagem fenomenológica Identificação de modelos

Sumário

1 Introdução

2 Modelagem fenomenológica

3 Identificação de modelos
Introdução Modelagem fenomenológica Identificação de modelos

Exemplo: desenvolver a(s) equação(ões) que modela(m) o comportamento

dinâmico da temperatura de saída T do tanque de volume V (m3 ) do sistema dado

q1
T 1 (t)

q2

T(t)

a) Considere o tanque completamente cheio e que o volume da mistura no tanque permanece

constante.
b) Considere um volume da mistura dinâmico Vm (t) em função das vazões de entrada q1 (t) e saída
q2 (t).
Dados:
-> As propriedades físicas e termodinâmicas do fluido não sofrem alterações durante o processo.
-> q (m3 /h) é a vazão volumétrica; ρ (kg/m3 ) é a densidade; C (J/(kg ·o C)) é o calor específico e h (J/kg) é a
entalpia do fluido; u (J/kg) é a energia interna do fluido no tanque.
Introdução Modelagem fenomenológica Identificação de modelos

Exemplo: desenvolver a(s) equação(ões) que modela(m) o comportamento

dinâmico da temperatura de saída T do tanque de volume V (m3 ) do sistema dado

q1
T 1 (t)

q2

T(t)

a) Considere o tanque completamente cheio e que o volume da mistura no tanque permanece

constante.
b) Considere um volume da mistura dinâmico Vm (t) em função das vazões de entrada q1 (t) e saída
q2 (t).
d(V (t)ρv u(t))
q1 ρ1 h1 (t) − q2 ρ2 h2 (t) = dt
Introdução Modelagem fenomenológica Identificação de modelos

Exemplo: desenvolver a(s) equação(ões) que modela(m) o comportamento

dinâmico da temperatura de saída T do tanque de volume V (m3 ) do sistema dado

q1
T 1 (t)

q2

T(t)

a) Considere o tanque completamente cheio e que o volume da mistura no tanque permanece

constante.
b) Considere um volume da mistura dinâmico Vm (t) em função das vazões de entrada q1 (t) e saída
q2 (t).

q1 ρ1 h1 (t) − q2 ρ2 h2 (t) = d(V (t)ρ

dt
v u(t))

d(V (t)ρv Cv T (t))

q1 ρ1 C1 T1 (t) − q2 ρ2 C2 T (t) = dt
Introdução Modelagem fenomenológica Identificação de modelos

Exemplo: desenvolver a(s) equação(ões) que modela(m) o comportamento

dinâmico da temperatura de saída T do tanque de volume V (m3 ) do sistema dado

q1
T 1 (t)

q2

T(t)

a) Considere o tanque completamente cheio e que o volume da mistura no tanque permanece

constante.
b) Considere um volume da mistura dinâmico Vm (t) em função das vazões de entrada q1 (t) e saída
q2 (t).

q1 ρ1 h1 (t) − q2 ρ2 h2 (t) = d(V (t)ρ

dt
v u(t))

d(V (t)ρv Cv T (t))

q1 ρ1 C1 T1 (t) − q2 ρ2 C2 T (t) = dt
q1 T1 (t) − q2 T (t) = d(V (t)T
dt
(t))
Introdução Modelagem fenomenológica Identificação de modelos

Exemplo: desenvolver a(s) equação(ões) que modela(m) o comportamento

dinâmico da temperatura de saída T do tanque de volume V (m3 ) do sistema dado

q1
T 1 (t)

q2

T(t)

a) Considere o tanque completamente cheio e que o volume da mistura no tanque permanece

constante.
b) Considere um volume da mistura dinâmico Vm (t) em função das vazões de entrada q1 (t) e saída
q2 (t).

q1 ρ1 h1 (t) − q2 ρ2 h2 (t) = d(V (t)ρ

dt
v u(t))

d(V (t)ρv Cv T (t))

q1 ρ1 C1 T1 (t) − q2 ρ2 C2 T (t) = dt
q1 T1 (t) − q2 T (t) = V (t) dTdt(t) + T (t) dVdt(t) ;
Introdução Modelagem fenomenológica Identificação de modelos

Exemplo: desenvolver a(s) equação(ões) que modela(m) o comportamento

dinâmico da temperatura de saída T do tanque de volume V (m3 ) do sistema dado

q1
T 1 (t)

q2

T(t)

a) Considere o tanque completamente cheio e que o volume da mistura no tanque permanece

constante.
b) Considere um volume da mistura dinâmico Vm (t) em função das vazões de entrada q1 (t) e saída
q2 (t).

q1 ρ1 h1 (t) − q2 ρ2 h2 (t) = d(V (t)ρ

dt
v u(t))

d(V (t)ρv Cv T (t))

q1 ρ1 C1 T1 (t) − q2 ρ2 C2 T (t) = dt
q1 T1 (t) − q2 T (t) = V (t) dTdt(t) + T (t) dVdt(t) ;
d(ρv V (t))
dt
= ρ1 q1 − ρ2 q2
Introdução Modelagem fenomenológica Identificação de modelos

Exemplo: desenvolver a(s) equação(ões) que modela(m) o comportamento

dinâmico da temperatura de saída T do tanque de volume V (m3 ) do sistema dado

q1
T 1 (t)

q2

T(t)

a) Considere o tanque completamente cheio e que o volume da mistura no tanque permanece

constante.
b) Considere um volume da mistura dinâmico Vm (t) em função das vazões de entrada q1 (t) e saída
q2 (t).

q1 ρ1 h1 (t) − q2 ρ2 h2 (t) = d(V (t)ρ

dt
v u(t))

d(V (t)ρv Cv T (t))

q1 ρ1 C1 T1 (t) − q2 ρ2 C2 T (t) = dt
q1 T1 (t) − q2 T (t) = V (t) dTdt(t) + T (t) dVdt(t) ;
dV (t)
dt
= q1 − q2
Introdução Modelagem fenomenológica Identificação de modelos

Circuito elétrico

C1

R2

R1
V1(t)
V2(t)

Dados:
R1 = 500 Ω, R2 = 1 k Ω, C1 = 40 µF
V2 (s)
Determinar a função de transferência G(s) = V1 (s)
.
Introdução Modelagem fenomenológica Identificação de modelos

Sumário

1 Introdução

2 Modelagem fenomenológica

3 Identificação de modelos
Introdução Modelagem fenomenológica Identificação de modelos

Técnicas e métodos de identificação

-> Métodos gráficos.

Modelo de 1a ordem: Ziegler/Nichols (1942), Strejc (1981), Smith (1985),
Hägglund (1991).
Modelo de 2a ordem: manipulando-se matematicamente algumas equações
das especificações do modelo, é possível estimar ζ e ωn ; método de
Mollenkamp (1988).
Via resposta em frequência.

-> Métodos numéricos.

Via resposta impulsiva.
Estimador dos mínimos quadrados.
Introdução Modelagem fenomenológica Identificação de modelos

Método de Ziegler-Nichols e Hägglund

Ke−θs
G(s) =
τs + 1
Introdução Modelagem fenomenológica Identificação de modelos

2
Exercício 3: considere o processo P(s) = (2s+1)5
. Calcule o modelo Pm (s) pelo
método de Hägglund dada a resposta ao degrau unitário aplicado em t = 0

Step Response
2

1.8

1.6

1.4

1.2
System: P
Amplitude

Time (sec): 10.8

1 Amplitude: 1.25

0.8

0.6

0.4
System: P
Time (sec): 4.2
Amplitude:
0.2 0.124

0
0 5 10 15 20 25 30
Time (sec)
Introdução Modelagem fenomenológica Identificação de modelos

2
Exercício 3: considere o processo P(s) = (2s+1)5
. Calcule o modelo Pm (s) pelo
método de Hägglund dada a resposta ao degrau unitário aplicado em t = 0

τ = (10, 8 − 4, 2)s
θ = 4, 2s
Kp = 2
−4,2s
Pm (s) = 2e
6,6s+1
Introdução Modelagem fenomenológica Identificação de modelos

Exemplo 3: Validação

Step Response
2

1.8

1.6

1.4

1.2
Amplitude

0.8

0.6

0.4

0.2 Processo
Modelo
0
0 5 10 15 20 25 30 35 40 45
Time (sec)
Introdução Modelagem fenomenológica Identificação de modelos

Modelo de 2a ordem

Step Response
3

2.5 System: Processo

Peak amplitude: 2.62
Overshoot (%): 30.9
At time (sec): 1.66 System: Processo
Settling Time (sec): 5.49
2
√
2
µ(%) = 100 · e−πζ/ 1−ζ ,
Amplitude

1.5

4 π
ts = , tp = p .
1 ζωn ωn 1 − ζ 2

0.5

0
0 1 2 3 4 5 6 7 8
Time (sec)