Escolar Documentos
Profissional Documentos
Cultura Documentos
Manaus - AM
2022
Fábio Nascimento Rodrigues
Manaus - AM
2022
Fábio Nascimento Rodrigues
Professor
Convidado 1
Professor
Convidado 2
Professor
Convidado 3
Manaus - AM
2022
Resumo
Os motores de combustão do tipo glow são amplamente utilizados no aeromodelismo,
como principal motor, onde a hélice acoplada a este gera empuxo suficiente para criar
movimento. Este trabalho aborda a modelagem matemática de um motor glow através da
modelagem caixa preta, usando os modelos ARX para fazer a identificação dos sistemas.
A partir da aplicação de sinais de entrada aleatórios, os sinais de saídas do sistema são
adquiridos e utilizados em conjuntos para estimação dos parâmetros de modelos ARX.
O estimador de mínimos quadrados é utilizado para determinar a estrutura do modelo,
enquanto o estimador recursivo de mínimos quadrados com fator de esquecimento é apli-
cado para estimação de modelos variantes no tempo, característica encontrada no motor
do tipo glow. Finalmente, comparações entre os modelos invariantes e variantes no tempo
são fornecidas.
1 INTRODUÇÃO . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 9
1.1 Trabalhos Relacionados . . . . . . . . . . . . . . . . . . . . . . . . . . 10
1.2 Objetivos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 10
1.2.1 Geral . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 10
1.2.2 Específicos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 10
1.3 Estrutura da Monografia . . . . . . . . . . . . . . . . . . . . . . . . . 11
2 REFERENCIAL TEÓRICO . . . . . . . . . . . . . . . . . . . . . . . 12
2.1 Motor de Combustão Interna do Tipo Glow . . . . . . . . . . . . . . 12
2.1.1 Partes do motor . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 13
2.1.1.1 Partes móveis . . . . . . . . . . . .. . . . . . . . . . . . . . . . . . . . . 14
2.1.1.2 Partes fixas . . . . . . . . . . . . .. . . . . . . . . . . . . . . . . . . . . 14
2.2 Identificação de Sistemas . . . . . . . . . . . . . . . . . . . . . . . . . 14
2.2.1 Representação de Sistemas Lineares . . . . . . . . . . . . . . . . . . . . . 15
2.2.1.1 Função de Transferência . . . . . . .. . . . . . . . . . . . . . . . . . . . . 15
2.2.1.2 Modelos ARX . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 15
2.2.2 Estimador de Mínimos Quadrados . . . . . . . . . . . . . . . . . . . . . . 16
2.2.2.1 Estimador Recursivo de Mínimos Quadrados . . . . . . . . . . . . . . . . . . 18
2.2.2.2 Seleção da estrutura do modelo . . . . . . . . . . . . . . . . . . . . . . . . 19
3 METODOLOGIA . . . . . . . . . . . . . . . . . . . . . . . . . . . . 20
3.1 Hardware Mecânico – Motor Glow . . . . . . . . . . . . . . . . . . . 20
3.1.1 Funcionamento . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 20
3.1.2 Regulagem das agulhas de alta e baixa . . . . . . . . . . . . . . . . . . . 22
3.2 Hardware Eletrônico . . . . . . . . . . . . . . . . . . . . . . . . . . . . 23
3.2.1 Servomotor . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 23
3.2.2 Sensor Infravermelho . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 23
3.2.3 Arduino e Circuito Eletrônico . . . . . . . . . . . . . . . . . . . . . . . . . 25
3.2.4 Aquisição de Dados . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 26
4 RESULTADOS . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 29
4.1 Determinando a Ordem do Modelo . . . . . . . . . . . . . . . . . . . 30
4.2 Estimação em Batelada . . . . . . . . . . . . . . . . . . . . . . . . . . 32
4.3 Estimação Recursiva . . . . . . . . . . . . . . . . . . . . . . . . . . . . 33
4.3.1 Sem fator de esquecimento . . . . . . . . . . . . . . . . . . . . . . . . . . 33
4.3.1.1 Teste I . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 34
4.3.1.2 Teste II . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 34
4.3.2 Com fator de esquecimento . . . . . . . . . . . . . . . . . . . . . . . . . 37
4.3.2.1 Teste I . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 37
4.3.2.2 Teste II . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 39
5 CONCLUSÃO . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 45
5.1 Trabalhos Futuros . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 46
REFERÊNCIAS . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 47
9
1 Introdução
1.2 Objetivos
1.2.1 Geral
Realizar a identificação de modelo matemático, usando o método de modelagem
caixa preta, de um motor de combustão interna do tipo glow.
1.2.2 Específicos
• Executar experimentos para obtenção dos dados para a análise e estimação do mo-
delo matemático.
2 Referencial Teórico
Neste capítulo serão abordadas os principais temas teóricos utilizados como base
para o desenvolvimento do estudo, tais como, descrição do sistema prático a ser utilizado
e a ideia básica sobre identificação de sistemas.
Este tipo de motor geralmente usa metanol e óleo de rícino (mamona) para lubri-
ficação. Eles podem ser motores de quatro ou dois tempos, mas os motores de incandes-
cência de dois tempos são amplamente usados devido ao seu baixo custo. Os motores de
dois tempos são assim chamados porque o ciclo completo de seu funcionamento ocorre em
apenas 2 movimentos do pistão: um movimento de subida e o outro de descido, ou seja,
a rotação completa do virabrequim (SOBRAL, 2015).
Capítulo 2. Referencial Teórico 13
• Rolamentos: dois deles sustentam o virabrequim de modo que haja pouca fricção
durante a rotação.
• Agulha alta: controla o fluxo de combustível que entra no motor em alta veloci-
dade.
O modelo autorregressivo com entradas externas (ARX) pode ser obtido a partir
do modelo geral (2.1), tomando-se C(q) = D(q) = F (q) = 1. (AGUIRRE, 2015).
B(q) C(q)
A(q)y(k) = u(k) + ν(k)
F (q) D(q)
(2.1)
B(q) C(q)
y(k) = u(k) + ν(k)
F (q)A(q) D(q)A(q)
Resultando em
sendo y(k)q −1 = y(k − 1), ν(k) ruído branco, e A(q) = 1 − a1 q −1 − . . . − any q −ny e
B(q) = b1 q −1 − . . . − bnu q −nu .
Para um sistema em que ny = 3 e nu = 2, o modelo ARX é um equação de
diferenças dada por:
Figura 5 – Reta estimada a partir de um conjunto de pontos (x) dados e (−) reta ajustada
usando o método de mínimos quadrados.
P (k − 1)ψ(k)
K(k) =
ψ T (k)P (k − 1)ψ(k) + λ
θ̂(k) = θ̂(k − 1) + K(k)[y(k) − ψ T (k)θ̂(k − 1)] (2.6)
( )
1 P (k − 1)ψ(k)ψ (k)P (k − 1)
T
P (k) = P (k − 1) −
λ ψ T (k)P (k − 1)ψ(k) + λ
Vimos que o problema de estimação de parâmetros pode ser resolvido pelo estima-
dor de mínimos quadrados clássico ou recursivo, que pode ter fator de esquecimento. No
entanto, um problema relacionado a identificação de sistemas é como definir a estrutura
do modelo. Por exemplo, sabendo consideraremos um modelo ARX como na Eq. (2.4),
quais regressores dever compor o modelo? Ou seja qual a ordem de ny e nu na Eq. (2.4).
Assim, para sistemas lineares existem alguns métodos que podem ser utilizados,
particularmente iremos utilizar o critério de informação de Akaike (1974) (AIC). Onde é
calculado um índice dado pela seguinte equação:
3 Metodologia
início de funcionamento, cerca de 15% a 20% aberta. Esta fica dentro do carburador e a
regulagem é feita com uma chave de fenda pequena.
Quando o motor está em funcionamento, é possível reduzir mais ainda a entrada
de ar, ou seja, fechando mais a válvula do carburador para menos de 15% aberta, desde
que as agulhas do motor estejam bem reguladas.
bruscamente. Se ele parar como se estivesse sem força, abra em um oitavo de volta a
agulha de alta; se ele parar de funcionar antes de acelerar, feche em um oitavo de volta.
Repita novamente até que o motor não pare de funcionar quando acelerado bruscamente
após ficar alguns minutos em baixa rotação.
Quando regulado, um motor consegue funcionar até o tanque de combustível aca-
bar em baixa rotação, e acelera rapidamente quando necessário. Desta forma, é possível
iniciar as capturas dos dados, pois o motor estará bem regulado, com muito menos erros
externos. Como a regulagem da agulha de alta pode variar de acordo com temperatura,
umidade e altitude o ideal é que todas as vezes que for capturar dados novos regule nova-
mente, a partir da regulagem atual, fazendo apenas micro ajustes na agulha de alta, já a
agulha de baixa, uma vez regulada, raramente precisará regular novamente.
Figura 8 – Servomotor.
Após fixar o motor de maneira bem segura, retirar hélice por segurança, fixar todos
os componentes elétricos na parte inferior da bancada para evitar que com o motor em
funcionamento não cause erros, e com o óleo que sai do combustível não cause problemas
elétricos, chegou-se ao protótipo de teste mostrado na Figura 15, onde é possível ver o
servomotor, o motor, e o tanque de combustível com o combustível. Na a parte inferior,
Figura 16, é possível visualizar todos os componentes eletrônicos conectados por uma
placa de ensaio.
Note que o atuador tem um bloco de saturação para não deixar que o ângulo
do servomotor varia fora dos limites desejados, visando manter a integridade do sistema.
Enquanto o sensor infravermelho gera interrupções que são contadas em um intervalo de
tempo fixo, o mesmo utilizado pelo Simulink para capturar o dados, chamado de tempo
de amostragem. O tempo de amostragem foi definido como 0,1 s ou 100 ms.
29
4 Resultados
Entrada
30
25
20
15
10
5
100 105 110 115 120 125 130
Tempo [s]
Saída
12000
10000
8000
6000
4000
0 50 100 150 200
Tempo [s]
Entrada
20
15
10
4400
4200
4000
3800
0 50 100 150 200 250 300
Tempo [s]
104
2.96
2.94
2.92
2.9
2.88
2.86
2.84
2.82
1 2 3 4 5 6 7 8 9 10
Número de parâmetros (n )
104
3.96
3.94
3.92
3.9
3.88
3.86
3.84
3.82
1 2 3 4 5 6 7 8 9 10
Número de parâmetros (n )
Figura 24 – Comparação dos dados com modelo estimado utilizando o mínimos quadrados
em batela - Teste I.
10000
9000
8000
7000
6000
5000
0 50 100 150 200 250
Figura 25 – Comparação dos dados com modelo estimado utilizando o mínimos quadrados
em batela - Teste II.
4600
4400
4200
4000
3800
Dados
Modelo
3600
0 50 100 150 200 250 300
Tempo [s]
4.3.1.1 Teste I
2 1
1.5 3
1 5
0.5
-0.5
-1
-1.5
0 50 100 150 200
Tempo [s]
A Figura 28 apresenta a comparação dos dados com a saída gerada pelo modelo
variante no tempo. Note que, o modelo variante no tempo ajusta melhor os dados quando
comparado ao modelo invariante obtido pelo mínimos quadrados em batelada. No entanto,
em torno do instante de tempo 175 s o sistema sofre uma variação mais abrupta e o
modelo mesmo sendo variante não consegue acompanhar. Isto se deve ao fato de que não
há esquecimento de dados antigos para estimação dos parâmetros, sendo assim, dados
iniciais ainda são levados em conta para estimação dos parâmetros nos dados finais.
4.3.1.2 Teste II
-5
-10
-15
6
7
-20 8
Figura 28 – Comparação dos dados com modelo estimado utilizando o mínimos quadrados
recursivo com λ = 1 - Teste I.
10000
9000
8000
7000
6000
5000
0 50 100 150 200
Tempo [s]
2 2
3
1.5 4
5
1
0.5
-0.5
-1
-1.5
6 6
8
4
9
-2
-4
este fator de esquecimento foi muito alto, uma grande variância nos parâmetros irá surgir.
Capítulo 4. Resultados 37
Figura 31 – Comparação dos dados com modelo estimado utilizando o mínimos quadrados
recursivo com λ = 1 - Teste II.
4400
4300
4200
4100
4000
3900
3800 Dados
Modelo
3700
0 50 100 150 200 250 300
Tempo [s]
4.3.2.1 Teste I
3
2
4
1.5 5
0.5
-0.5
-1
-1.5
0 50 100 150 200
Tempo [s]
-5
-10
-15
6
-20 8
Figura 34 – Comparação dos dados com modelo estimado utilizando o mínimos quadrados
recursivo com λ = 0,98 - Teste I.
10000
9000
8000
7000
6000
5000
0 50 100 150 200
Tempo [s]
3
2
4
1.5 5
0.5
-0.5
-1
-1.5
0 50 100 150 200
Tempo [s]
4.3.2.2 Teste II
15
10
-5
-10
-15 6
-20 8
Figura 37 – Comparação dos dados com modelo estimado utilizando o mínimos quadrados
recursivo com λ = 0,95 - Teste I.
10000
9000
8000
7000
6000
5000
0 50 100 150 200
Tempo [s]
mesmo efeito aparente no Teste I é evidenciado no Teste II, os parâmetros variam muito
mais comparados com os parâmetros obtidos para λ = 1, Figuras 29 e 30. Novamente, o
Capítulo 4. Resultados 41
ajuste da estimação do modelo comparado aos dados, Figura 40, é muito melhor, já que
dados muito antigos são “esquecidos” para a estimação dos parâmetros. Neste caso, como
a variância tempo não ocorre de forma brusca, a estimativa gerada pelo modelo variante
permanece muito boa durante todo o teste.
Figura 38 – Parâmetros relacionados aos regressores de saída com λ = 0,98 - Teste II.
1.5
0.5
-0.5
1
2
-1
3
-1.5 4
Figura 39 – Parâmetros relacionados aos regressores de entrada com λ = 0,98 - Teste II.
6 6
8
4
9
-2
-4
Figura 40 – Comparação dos dados com modelo estimado utilizando o mínimos quadrados
recursivo com λ = 0,98 - Teste II.
4400
4300
4200
4100
4000
3900
3800
3700
0 50 100 150 200 250 300
Tempo [s]
Figura 41 – Parâmetros relacionados aos regressores de saída com λ = 0,95 - Teste II.
3
2
4
1.5 5
0.5
-0.5
-1
-1.5
Figura 42 – Parâmetros relacionados aos regressores de entrada com λ = 0,95 - Teste II.
-5
Figura 43 – Comparação dos dados com modelo estimado utilizando o mínimos quadrados
recursivo com λ = 0,95 - Teste II.
4400
4300
4200
4100
4000
3900
3800
3700
0 50 100 150 200 250 300
Tempo [s]
5 Conclusão
frequência, no entanto, tais técnicas não lidam muito bem com sistemas variantes no
tempo.
Referências
HELENE, O. Método dos Mínimos Quadrados com Formalismo Matricial. 1. ed. [S.l.]:
Livraria da Física, 2006. Citado na página 16.
SOBRAL, A. C. N. Motor glow 423 magnum 61 xls r/c mag210770. Diamantina: Equipe
Motopropulsão Aerodesign UFVJM, 2015. Citado 2 vezes nas páginas 12 e 13.