4o.

SBAI – Simpósio Brasileiro de Automação Inteligente, São Paulo, SP, 08-10 de Setembro de 1999

CONTROLE DE UM MISTURADOR DE FLUIDOS ATRAVÉS DE ESTRUTURAS

NEURO-FUZZY

A. Iriarte Lanas1, M.M. Vellasco1,2, M.A. Pacheco1,2 e R. Tanscheit1

1
DEE/PUC-Rio, CP 38.063, 22452-970 Rio de Janeiro, RJ
e-mail: 1[airiarte,marley,marco,ricardo]@ele.puc-rio.br
2
DESC/UERJ Rio de Janeiro, RJ

Resumo Este artigo apresenta a utilização de uma estrutura Híbrido Incorporado:

neuro-fuzzy no controle de um misturador de fluidos, que é um
processo multivariável e intrinsicamente não-linear. O
misturador tem como entradas dois fluidos de colorações
distintas e, como saída, a coloração da mistura resultante. O
sistema de controle consiste de dois controladores fuzzy
independentes, responsáveis por manter o nível de líquido no
misturador em um valor pré-determinado, assim como pelo
ajuste da coloração do fluido no misturador. Uma das
dificuldades encontradas no projeto de sistemas de controle
fuzzy, especialmente quando a planta tem um certo grau de
complexidade, é a definição de uma base de regras ótima ou
quase ótima. O controlador neuro-fuzzy oferece a possibilidade
de se criar tal base de regras automaticamente, através de uma
avaliação permanente do erro do sistema durante uma fase de
aprendizado. Resultados obtidos através de simulações indicam
que o uso de controladores neuro-fuzzy pode proporcionar uma
melhora nas respostas obtidas através de controladores fuzzy
projetados de maneira convencional.
Representa o grau de integração mais elevado, não havendo
separação visível entre os subsistemas (Figura 1c). Pode-se
dizer que o primeiro sistema contém o segundo ou vice-versa.
Um exemplo seria um sistema neuro-fuzzy onde um sistema de
inferência fuzzy é implementado segundo a estrutura de uma
rede neural. Entre os modelos híbridos mais populares
podemos encontrar os sistemas neuro-fuzzy, neuro-genéticos,
neural-estatísticos e fuzzy-genéticos.
Os sistemas neuro-fuzzy, objeto deste trabalho, combinam a
capacidade de aprendizado das redes neurais artificiais com o
poder de interpretação lingüística dos sistemas de inferência
fuzzy. A idéia básica de um sistema neuro-fuzzy é implementar
um sistema fuzzy numa arquitetura paralela distribuída de
forma que as possibilidades de aprendizado das redes neurais
possam ser aproveitadas. Ao mesmo tempo busca-se no
sistema híbrido a maximização das vantagens e a minimização
das suas limitações.

Palavras Chaves: Controle Fuzzy, Redes Neurais, Sistemas Entrada Saída

subsistema 1 subsistema 1
Neuro-Fuzzy, Base de Regras
(a)
1 INTRODUÇÃO
Entrada Saída
subsistema 1
Há várias formas de se definir sistemas híbridos. De uma forma
simples, sistemas híbridos são aqueles que utilizam mais de
uma técnica inteligente, beneficiando-se, em consequência, da
combinação das vantagens de cada uma delas. Dois ou mais subsistema 2
sistemas híbridos podem ser combinados de diferentes formas;
as mais comuns são: (b)
Híbrido seqüencial:
Este modelo representa o grau mais fraco de integração Entrada subsistema 1 Saída
possível e consiste de dois subsistemas ligados em série +
subsistema 2
(Figura 1a). Um exemplo seria um pré-processador fuzzy
acionando uma rede neural.
(c)
Híbrido auxiliar:
Figura 1 - Sistemas Híbridos
Neste modelo um subsistema é auxiliado por outro subsistema
inteligente (Figura 1b). O grau de integração é maior que no
Neste trabalho uma estrutura neuro-fuzzy é utilizada em uma
caso anterior. Um exemplo seria uma rede neural que invoca
tarefa complexa de controle; os resultados são então
um algoritmo genético para a otimização de seus pesos ou de
comparados com os obtidos através do emprego de um
sua estrutura.
 4o. SBAI – Simpósio Brasileiro de Automação Inteligente, São Paulo, SP, 08-10 de Setembro de 1999
controlador fuzzy convencional onde a estratégia de controle, De maneira a simplificar a simulação, considera-se que os
ou base de regras, é definida por um especialista. tanques auxiliares sempre contém uma quantidade suficiente de
líquido para que o processo se mantenha em funcionamento. A
No caso de um processo multivariável, o procedimento natural dimensão do tanque misturador é 20x10x80 cm e a secção ab
de projeto de um controlador fuzzy seria considerar como assume valores entre 0 e 0.4 cm2. A vazão de saída q0 situa-se
antecedentes das regras todas as entradas do controlador, cujo entre 0 e 60 cm3/sec. As colorações c1 e c2 são fixadas em 1 e
número cresce de forma diretamente proporcional ao número 0, respectivamente.
de saídas desejadas, ou entradas de referência (setpoints). Este
procedimento certamente torna mais complexa a definição da Na obtenção de um modelo matemático da planta, de modo a
estratégia de controle. Por outro lado, se controladores permitir uma simulação do processo, são desprezados o tempo
independentes forem usados para cada entrada de referência, necessário para se obter uma mistura uniforme, atrasos
conforme feito neste trabalho, a construção da base de regras relacionados às vazões nos canos e a dinâmica das válvulas de
torna-se mais simples e a estratégia de controle é entrada e saída [2].
potencialmente mais confiável.
As seguintes equações modelam a dinâmica da planta:
A planta, descrita na seção seguinte, é um misturador de dV dh
fluidos, que, por apresentar características não-lineares, fornece q - q0 = = S. (1)
uma complexidade adicional e se constitui em um bom teste de dt dt
desempenho para os controladores implementados. Estes são q = q1 − q 2 (2)
empregados no controle de coloração da mistura de dois
líquidos diferentes, evitando, ao mesmo tempo, que o tanque q 0 = Cd.ab. 2gh (3)
misturador transborde. A introdução de uma nova variável onde g é a aceleração da gravidade, V é o volume de líquido e
permite que o processo de inferência ocorra de modo S é a área da superfície do líquido no tanque misturador.
desacoplado, permitindo, assim, o uso de dois controladores Usando (3) em (1):
independentes.
dh Cd.ab. 2gh q
=− + (4)
Uma estratégia similar já' foi empregada [1] no projeto de um dt S S
controlador fuzzy convencional e, agora, o objetivo é melhorar O processo de mistura é modelado por:
as respostas através de ajustes nas bases de regras. Em
dh 1
contraste com controladores fuzzy convencionais, onde a = (q1 + q 2 − q0 ) (5)
estratégia de controle é fixada por um especialista, os dt S
d(c0 .S.h) dh dc
controladores neuro-fuzzy são capazes de criar bases de regras c1.q1 − c0 .q 0 = = S.(c0 . + h. 0 ) (6)
automaticamente, através de uma fase de treinamento. É dt dt dt
esperado que a substituição dos controladores convencionais Combinando (5) e (6):
pelas estruturas neuro-fuzzy produza melhores respostas. O dc 0 1
tamanho e estrutura dos conjuntos fuzzy são mantidos os = .(c1.q1 − c 0 (q1 + q 2 )) (7)
dt Sh
mesmos, de tal modo que os resultados obtidos em um caso e
outro possam ser comparados. As equações (4) e (7) descrevem a dinâmica do sistema; h e c0
são as variáveis manipuladas pelo sistema de controle.
2 DESCRIÇÃO DA PLANTA
A planta, mostrada na Figura 2, consiste de um tanque
misturador e dois tanques auxiliares. O primeiro contém água 3 ESTRATÉGIA DE CONTROLE FUZZY
colorida c1, e o segundo, água clara c2. A entrada de líquido q A estratégia de controle consiste de um conjunto de frases
do tanque misturador é controlada por duas válvulas, que lingüísticas, ou regras. Considere-se, por exemplo, o caso em
regulam as saídas de líquido q1 e q2 dos tanques auxiliares. A que cada regra de controle relaciona duas variáveis de entrada e
vazão de saída q0, tomada como uma perturbação, tem a e ce à saída do controlador u, e um algoritmo de controle
coloração c da mistura resultante e é função da secção ab do consistindo de um conjunto de regras R1, R2,..., Rn, da forma
cano de saída, do nível de líquido h no tanque misturador e de SE (E é Ej) E (CE é CEj) ENTÃO (U é Uj), conectadas através
uma constante Cd relacionada à forma e ao material do cano. de um conectivo OU [3]. A combinação dessas regras pode ser
expressa matematicamente (por sua função de pertinência) por:
µRN (e,ce,u) = f1[µR1 (e,ce,u), ...., µRn (e,ce,u)] (8)
onde f1 expressa o conectivo OU. Em (8), cada regra de
controle j pode ser expressa como:
µRj (e,ce,u) = f2 [f3 (µEj (e), µCEj (ce)), µUj (u)] (9)
Em (9), E = {e}, CE = {ce}, U = {u} são universos finitos e Ej,
CEj e Uj subconjuntos nebulosos desses universos. O operador
f2 representa a implicação, e f3 é a interpretação do conectivo
E, usualmente min (∧ ). O controlador decide que ação tomar
através de uma regra de inferência composicional, inspirada no
Modus Ponens da lógica proposicional. Geralmente, as
entradas do controlador são valores reais medidos dados por
"singletons", e denominados aqui es e ces. O conjunto nebuloso
Figura 2 - Misturador de Fluidos da saída do controlador Us será, então, dado por:
 4o. SBAI – Simpósio Brasileiro de Automação Inteligente, São Paulo, SP, 08-10 de Setembro de 1999

µUs(u) = f1[f2 (µE1(es) ∧ µCE1(ces), µU1(u)), ..... as mesmas em ambas as situações, prescindindo-se, assim, do
..., f2 (µEn(es) ∧ µCEn(ces), µUn(u))] (10) estágio de otimização proporcionado pelo algoritmo.
Como o processo requer, em sua entrada, valores não- No caso do misturador de fluidos, onde as variáveis podem ser
nebulosos, o conjunto nebuloso da saída do controlador deve desacopladas, duas estruturas neuro-fuzzy independentes são
ser defuzzificado, gerando-se, com isto um valor us. utilizadas para o controle de coloração e da altura de líquido no
tanque misturador. O processo de decisão requer informações
4 SISTEMA NEURO-FUZZY sobre erros de altura e de coloração, bem como sobre a vazão
de saída. Os conjuntos fuzzy e os universos usados para a
Os controladores neuro-fuzzy são implementados através do definição do erro necessária para a fase de aprendizado são
sistema NEFCON [4], que é capaz de aprender e otimizar de mostrados nas Figuras 4 e 5, enquanto que algumas regras
modo on-line a base de regras de um controlador fuzzy do tipo típicas, dentre 25 possíveis, para a descrição linguística do erro
Mamdani. Para isto, o algoritmo de aprendizado faz uso de para o controle de nível são:
uma medida fuzzy do erro. O modelo NEFCON é baseado Se o erro de nível é nb e a vazão de saída é z
numa rede de retropropagação, com uma camada escondida. então o erro é n
Um exemplo de uma estrutura neuro-fuzzy com 6 regras, 2 Se o erro de nível é nm e a vazão de saída é z
entradas e uma saída é mostrada na Figura 3. Os nós então o erro é n
escondidos representam as regras R1, R2, R3,...R6; os nós da Se o erro de nível é z e a vazão de saída é z
camada de entrada (ξ1, ξ2) representam os valores de entrada; o então o erro é nz
nó de saída (η) corresponde à saída de um controlador, por Se o erro de nível é pm e a vazão de saída é s
exemplo. Os pesos µr(i) representam os antecedentes Ar e os então o erro é pz
pesos vr(i) , o consequente Br. A regra 1 (R1), por exemplo, Se o erro de nível é pb e a vazão de saída é z
pode ser traduzida da seguinte forma: então o erro é pz
R1⇒ SE ξ1 é A1 e ξ2 é A2 ENTÃO η é B1 As regras para o aprendizado no caso do controle de coloração
Regras com os mesmos antecedentes (Ar) têm os mesmos são similares, com a adaptação óbvia das variáveis nebulosas.
pesos, assegurando a integridade da base de regras. Os consequentes das regras fornecem a informação de erro que
sistema neuro-fuzzy necessita para o aprendizado das regras de
controle.
µ1(1)
ξ1 R1
µ2(1)
v 1(1)
µ3(1)
.
. R2
v 2(1)
.
. .
. R3 . η
.
µ1(2) .
R4 .
µ2(2)
v 6(1)
µ3(2)
. R5
.
Figura 4 -Funções de pertinência para erro de nível no
. aprendizado de regras
ξ2 R6

Figura 3 - Sistema Neuro-Fuzzy

O processo de aprendizado do sistema neuro-fuzzy é efetuado

em duas etapas: (i) inicialização dos pesos e aprendizado
supervisionado e (ii) otimização da base de regras. Como o
processo de aprendizado é supervisionado, a geração de um
conjunto adequado de regras está fortemente associado à
informação de erro fornecida ao sistema neuro-fuzzy durante a
fase de aprendizado. O sistema NEFCON apresenta diversas
opções para a definição desse erro e, neste trabalho, uma
descrição linguística (do erro) com regras fuzzy é empregada.
Essas regras descrevem, de maneira intuitiva, como o sistema
deve se comportar quando está se dirigindo para seu estado
ótimo. Inicialmente a base de regras está vazia e são fornecidas
ao sistema neuro-fuzzy informações relativas às partições dos
universos de entrada e saída. O sistema, então, passa a gerar
regras a partir da informação fuzzy do erro a ele fornecida. A
otimização do conjunto de regras é efetuada através do
deslocamento dos consequentes e da alteração dos conjuntos
suporte dos antecedentes. Como um dos objetivos deste
trabalho é comparar os resultados obtidos a partir de bases de
regras construídas de modo automático com aqueles
proporcionados por bases de regras geradas por especialistas,
as definições dos conjuntos fuzzy e suas posições são mantidas
Figura 5 -Funções de pertinência para vazão de saída e erro
no aprendizado de regras
5 SISTEMA DE CONTROLE
No misturador de fluidos sob consideração, o sistema de
controle deve ser projetado de modo a manter a coloração c0 e
o nível de líquido h no tanque misturador nos setpoints
desejados. A informação de caráter quantitativo necessária para
atender estes objetivos é fornecida pelo erro de coloração ec e
variação deste erro ∆ec, pelo erro de nível eh, e pela vazão de
saída q0. Como a estratégia escolhida faz uso de dois
controladores independentes, um para controle de nível e outro
para controle de coloração, é mais conveniente adotar como
variáveis de saída a vazão total q (equação 2) e a proporção qr
de água colorida na vazão total, definida por:
 4o. SBAI – Simpósio Brasileiro de Automação Inteligente, São Paulo, SP, 08-10 de Setembro de 1999

q1 dadas por q1=qr × q e q2=qr - q1. Neste controlador, f1 é

qr = (11)
q1 + q 2 implementada por max, e f2 por produto [6]; para
defuzzificação utiliza-se o Centro de Gravidade (COG).
O controlador de nível possui duas entradas quantitativas, eh e
q0, e uma saída, q. O controlador de coloração tem como
entradas ec e ∆ec, e, como saída, o incremento ∆qr na Q Z S M B VB
proporção de água colorida. Há uma diferença entre os dois M B VB VB VB
controladores: enquanto que, no de nível, a precisão não é PB
M VB VB VB VB
fundamental, no de coloração o objetivo é ter um controle fino, S M B VB VB
com erro em regime permanente nulo, se possível. Por isso a PM
utilização de uma estrutura do tipo PI neste caso. M M M M VB
Z S M B VB
Z
Z M M M VB
5.1 Controle de Nível
Z Z S M B
No projeto do controlador de nível, conjuntos fuzzy NB, NM, NM
M Z Z M M
Z, M, B, PB são atribuídos a Eh={eh}, e Z, S, M, B, VB, a Q =
{q} e Q0 = {q0}, conforme mostrado pelas funções de Eh Z Z Z M B
NB
pertinência das Figuras 6 e 7. Os universos para cada variável M M Z Z Z
também são mostrados nessas figuras. Os valores medidos das
variáveis de entrada são mapeados para os universos através de Q0
fatores de escala GEh e GQ0, que estão incluídos nos blocos S0 Tabela 1 -Bases de regras fuzzy (itálico) e neuro-fuzzy para
e S1 no diagrama da Figura 10. Os valores resultantes são controle de nível
denominados ehs and q0s. A saída defuzzificada do controlador,
qs, é mapeada para valores reais da entrada da planta através de
um fator de escala GQ, tal que q = qs x GQ. Neste controlador,
f1 é implementado por max e f2 por min [5]; a Média dos
Máximos (MOM) é usada para defuzzificação.

Figura 8 - Funções de pertinência para Ec e ∆Ec

Figura 6 - Funções de pertinência para Eh

Figura 9 - Funções de pertinência para ∆Qr

O maior número de conjuntos fuzzy utilizado para a saída do

Figura 7 - Funções de pertinência para Q e Q0
A base de regras para o controlador fuzzy convencional (em
itálico) e a resultante para o controlador neuro-fuzzy (após
aprendizado) são mostradas nas Tabela 1, que relaciona Q a Eh
e Q0.
controlador de coloração, em comparação com o de nível,
deve-se à exigência de uma alta precisão na coloração da
mistura resultante. A principal razão para manter h em um
nível especificado é para evitar um transbordamento
indesejável naquele tanque. São mostradas na Tabela 2 as bases
de regras para controle de coloração, tanto para o controlador
fuzzy convencional (itálico) como para o neuro-fuzzy (∆Qr em
função de Ec e ∆Ec)

5.2 Controle de Coloração 6 RESULTADOS EXPERIMENTAIS

No controlador de coloração, conjuntos fuzzy NB, NB, Z, PM,
PB são usados para Ec={ec} e ∆Ec={∆ec}, e NVB, NB, NM,
NS, Z, PS, PM, PB, PVB, para a saída ∆Qr={∆qr}, conforme
mostrado pelas funções de pertinência das Figuras 8 e 9. Os
valores reais medidos das entradas do controlador são
mapeados para os universos mostrados nas figuras através dos
fatores de escala GEc e G∆Ec (contidos nos blocos S2 e S3 do
diagrama da Figura 10), resultando nas variáveis ecs e ∆ecs. A
saída do controlador pós-defuzzificação, ∆qrs é mapeada para
os valores reais de entrada da planta por meio de um fator de
escala G∆Qr. As vazões reais de entrada do misturador são
A resposta do processo dependerá dos fatores de escala, que
podem ser ajustados empiricamente, de antemão, e então
sintonizados de modo a melhorar a o desempenho do
controlador. No caso do misturador de fluidos a faixa de
valores estabelecida para q e q0 é de 0 a 60 cm3; como os
universos correspondentes são [0,4], GQ and GQ0 são
inicialmente estabelecidos como 15. No caso do controlador
convencional este valor resulta em respostas satisfatórias,
prescindindo-se de um sintonia posterior. O máximo erro de
nível possível eh é considerando como sendo ± 7 cm, o que,
considerando o universo correspondente como [-2,2], fornece
 4o. SBAI – Simpósio Brasileiro de Automação Inteligente, São Paulo, SP, 08-10 de Setembro de 1999

GEh=0.3. Para se obter boa precisão na coloração e Na simulação foram utilizados o MATLAB e suas
considerando que o universos é [-2,2] para essa variável, o ferramentas SIMULINK e FuzzyToolbox. O diagrama de
fator de escala GEc é ajustado em 200; G∆Ec, em 1500 e simulação é mostrado na Figura 10.
G∆Qr , em 1/15.
Experimento 1: O comportamento da coloração da mistura
resultante é mostrado na Figura 11 para um degrau de
amplitude 0,3 como setpoint; o nível de líquido no tanque
misturador deve permanecer constante em 30 cm. A resposta
∆Qr NB NM Z PM PB obtida com o controlador neuro-fuzzy (NF) atinge o setpoint
mais rapidamente do que aquela obtida com o controlador
NVB NB NM NS Z
PB fuzzy convencional (F).
NVB NVB NVB NVB NVB
NB NM NS Z PS Experimento 2: O nível de líquido no tanque misturador é
PM
NVB NVB Z Z NVB mostrado na Figura 12, para degraus de 0 a 40 cm. e, então, de
NM NS Z PS PM 40 a 25 cm como setpoints. A coloração final deve ser mantida
Z invariante em 0,5. Nos dois casos o setpoint é atingido, mas a
NVB Z Z Z NVB
resposta obtida com o controlador neuro-fuzzy (NF) é
NS Z PS PM PB novamente mais rápida do que aquela obtida com o controlador
NM
PVB Z Z Z Z fuzzy simples (F).
Ec Z PS PM PB PVB
NB Experimento 3: As variações de coloração e nível são
PVB PVB PVB PVB PVB
mostradas na Figura 13 quando são simultaneamente aplicados
∆Ec à planta degraus de 0 a 0,3 e, então, de 0,3 a 0,15 como
setpoint para a coloração, e degraus de 0 a 40 cm. e, então, de
Tabela 2 -Bases de regras fuzzy (itálico) e neuro-fuzzy para 40 a 25 cm. como setpoint para o nível de líquido no tanque.
controle de coloração Como pode ser observado, a resposta fornecida pela estrutura
neuro-fuzzy para a coloração é mais rápida que no experimento
1. Isto se deve a uma vazão grande de entrada; o controlador de
nível tenta levar o sistema para o setpoint e a vazão de entrada
é a máxima ao mesmo tempo.

Figura 10 - Diagrama de Simulação

NF NF
F
F

Figura 11 - Experimento 1: controle de coloração Figura 12 - Experimento 2: controle de nível

 4o. SBAI – Simpósio Brasileiro de Automação Inteligente, São Paulo, SP, 08-10 de Setembro de 1999

Figura 13 - Experimento 3: Controle simultâneo de

coloração (a) e nível (b) (neuro-fuzzy)

7 CONCLUSÕES
Os experimentos realizados demonstram que a utilização de
dois controladores neuro-fuzzy independentes no controle de
uma planta mutivariável é capaz de produzir bons resultados. A
base de regras gerada através do processo de aprendizado,
embora diferente daquela definida por um especialista, opera
de forma adequada e permite que seja cumprido com boa
precisão o principal objetivo de se atingir uma determinada
coloração para o líquido no tanque misturador. O sistema
neuro-fuzzy é capaz de criar um conjunto de regras apropriado,
eliminando, assim, a eventual dificuldade de definição da base
de regras. As bases de regras para os controladores fuzzy e
neuro-fuzzy são similares em certos casos e em geral não
apresentam conflito em regiões próximas ao setpoint,
apresentando somente diferenças de "intensidade" das variáveis
nebulosas (ex: NVB ⇔ NM).
A definição do erro a ser fornecido ao sistema neuro-fuzzy
durante o aprendizado de regras deve ser efetuada com
cuidado, pois esta informação é crucial para se obter uma base
de regras coerente.

8 REFERÊNCIAS
[1] A. Iriarte Lanas, G.L. Mota, R. Tanscheit, M. Vellasco,
J.M. Barreto, Fuzzy control of a multivariable nonlinear
process, VIII IFSA World Congress (aceito), Taiwan, 1999.
[2] J.M. Barreto, Controle Hierárquico de um misturador de
fluidos, Ciência e Técnica, V.13, 1976, pp. 35-39.
[3] E. Lembessis, R. Tanscheit, The influence of implication
operators and defuzzification methods on the deterministic
output of a fuzzy rule-based controller, Proc. 4th IFSA
Congress, Brussels, 1991, pp. 109-114.
[4] A. Nürnberger, Neuro-fuzzy control based on the
NEFCON Model”, 2nd On-line World Conference on Soft
Computing in Engineering Design and Manufacturing ,
1997.
[5] J.M. Mendel, Fuzzy logic systems for engineering: a
tutorial”, Proc. IEEE, V. 3, pp. 345-376.
[6] D. Driankov, H. Hellendorn, M. Reinfrank, An
Introduction to Fuzzy Control, Springer, 1993.