Upload
tranngoc
View
220
Download
0
Embed Size (px)
Citation preview
CURSO DE BACHARELADO EM ENGENHARIA DE CONTROLE E AUTOMAÇÃO
EDUARDO ALMEIDA ALVES NETO
IGOR GOMES BARRETO TAVARES
ESCALONAMENTO DE GANHOS DE CONTROLADOR PI POR MEIO DE LÓGICA
FUZZY: UMA APLICAÇÃO NA PLANTA EXPERIMENTAL DE CONTROLE DE NÍVEL
Campos dos Goytacazes - RJ
2017
EDUARDO ALMEIDA ALVES NETO
IGOR GOMES BARRETO TAVARES
ESCALONAMENTO DE GANHOS DE CONTROLADOR PI POR MEIO DE LÓGICA
FUZZY: UMA APLICAÇÃO NA PLANTA EXPERIMENTAL DE CONTROLE DE NÍVEL
Trabalho de Conclusão de Curso apresentado como requisito parcial para obtenção do título de Bacharel em Engenharia de Controle e Automação pelo Instituto Federal de Educação, Ciência e Tecnologia Fluminense (IFF - Campos).
Orientador: Prof. Dr. Adelson Siqueira Carvalho.
Campos dos Goytacazes - RJ
2017
Biblioteca Anton DakitschCIP - Catalogação na Publicação
Elaborada pelo Sistema de Geração Automática de Ficha Catalográfica da Biblioteca Anton Dakitsch do IFF com os dados fornecidos pelo(a) autor(a).
A474eAlves Neto, Eduardo Almeida Escalonamento de ganhos de controlador PI por meio de lógica fuzzy:uma aplicação na planta experimental de controle de nível / EduardoAlmeida Alves Neto, Igor Gomes Barreto Tavares - 2017. 108 f.: il. color.
Orientador: Adelson Siqueira Carvalho
Trabalho de conclusão de curso (graduação) -- Instituto Federal deEducação, Ciência e Tecnologia Fluminense, Campus Campos Centro,Curso de Bacharelado em Engenharia de Controle e Automação, Campos dosGoytacazes, RJ, 2017. Referências: f. 90 a 93.
1. Controle de nível. 2. Escalonamento. 3. Controlador. 4. Lógica fuzzy.5. PI supervisionado. I. Tavares, Igor Gomes Barreto . II. Carvalho,Adelson Siqueira , orient. III. Título.
EDUARDO ALMEIDA ALVES NETO
IGOR GOMES BARRETO TAVARES
ESCALONAMENTO DE GANHOS DE CONTROLADOR PI POR MEIO DE LÓGICA
FUZZY: UMA APLICAÇÃO NA PLANTA EXPERIMENTAL DE CONTROLE DE NÍVEL
Trabalho de Conclusão de Curso apresentado como requisito parcial para obtenção do título de Bacharel em Engenharia de Controle e Automação pelo Instituto Federal de Educação, Ciência e Tecnologia Fluminense (IFF - Campos).
Aprovada em 28 de julho de 2017
______________________________________________________________
Prof. Dr. Adelson Siqueira Carvalho
Doutor em Informática na Educação/UFRGS
Instituto Federal de Educação, Ciência e Tecnologia Fluminense (IFF - Campos)
______________________________________________________________
Prof.ª Milena Bissonho Soares
Especialista em Engenharia de Produção/UCAM - Campos
Instituto Federal de Educação, Ciência e Tecnologia Fluminense (IFF - Campos)
______________________________________________________________
Prof. M.e Felipe Nunes Radtke
Mestre em Engenharia Elétrica/COPPE/UFRJ
Instituto Federal de Educação, Ciência e Tecnologia Fluminense (IFF - Campos)
Dedicamos esta obra aos nossos pais,
que não mediram esforços para torná-la possível.
AGRADECIMENTOS
Agradecemos, primeiramente, a Deus por ter nos dado saúde, oportunidade e
capacidade para concluir um curso tão desejado.
Aos nossos pais e familiares que tanto nos incentivaram e motivaram.
Ao Professor e orientador Adelson Carvalho pelo apoio e direcionamento na
elaboração deste trabalho bem como à Professora Milena Soares pela coorientação durante o
desenvolvimento da fase inicial do projeto.
À instituição com seu corpo docente que nos acolheu com excelência dando-nos
suporte e conhecimento técnico para elaboração da obra.
E a todos que fizeram parte direta ou indireta de nossa graduação, o nosso muito
obrigado.
RESUMO
O presente trabalho de conclusão de curso (TCC) tem como objetivo aplicar, na Planta
Experimental de Controle de Nível, o escalonamento de ganhos do controlador Proporcional e
Integral (PI) por meio da lógica fuzzy. O controlador foi do tipo virtual elaborado no software
Simulink®, dessa forma o Controlador Lógico Programável (CLP) de fabricação PHOENIX
CONTACT®, que se encontra equipado com módulos de expansão de entrada e saída
analógicas com rede INTERBUS®, serviu para a aquisição dos dados. Estes por sua vez, são
disponibilizados via protocolo OPC® e com isso foram necessários ajustes prévios abordados
nos Apêndices A, B e C que tratam da configuração da rede INTERBUS® e da estrutura
cliente-servidor do Padrão OPC® no Simulink®. Com as configurações prévias realizadas, foi
necessário descobrir valores ideais de kp e ki para cada faixa de operação já que os ganhos
devem ser escalonados. Dessa forma, foram elaborados testes impondo variações dos ganhos
de acordo com análise feita sobre o levantamento do comportamento do processo por meio da
curva de reação para a carga alta (75% do nível) e carga baixa (25% do nível). De posse dos
parâmetros definidos como ideais para cada faixa de operação, foi elaborada a lógica fuzzy
com o setpoint como entrada e os valores de kp e ki como saídas. Os resultados finais do
controlador PI supervisionado por fuzzy foram comparados com o controle puramente PID
também desenvolvido nesta obra, porém para o PID, foram usados os parâmetros de kp, ki e kd
considerados satisfatórios na obra de Alvarenga e Cruz (2011).
Palavras-chaves: Controle de nível. Escalonamento. Controlador. Proporcional e Integral.
Lógica fuzzy. PI supervisionado.
ABSTRACT
This study aims to apply, in the Experimental Level Control Plant, the gains
scheduling of proportional and integral controller through fuzzy logic. The controller was of
the virtual type developed in the Simulink® software, so the PHOENIX CONTACT®
manufacturing Programmable Logic Controller, which is equipped with analog input and
output expansion modules with INTERBUS® network, was used to acquire the data. Those
were available via the OPC® protocol and thus require prior adjustments addressed in
Appendices A, B and C dealing with the configuration of the INTERBUS® network and the
client-server structure of the OPC® Simulink® standard. Regarding the previous
configurations realized, it was necessary to discover ideal values of kp and ki for each range of
operation since the gains should be scheduled. Thus, tests were carried out imposing gains
variations according to the analysis performed on the behavior of the process by the reaction
curve for high load (75% of level) and low load (25% of level). According to the parameters
defined as ideal for each operating range, the fuzzy logic was elaborated with the setpoint as
input and the values of kp and ki as outputs. The final results of the fuzzy-supervised PI
controller were compared with the pure PID control also developed in this work. However,
for the PID, the parameters of kp, ki and kd were used considered as satisfactory for Alvarenga
and Cruz (2011).
keywords: Level control. Scheduling. Controller. Proportional and Integral. Fuzzy logic.
Supervised PI.
LISTA DE FIGURAS
Figura 01 – Ação Proporcional (P): Resposta do sistema para a Ação Proporcional .............. 22
Figura 02 – Ação Proporcional e Integral (PI) ......................................................................... 24
Figura 03 – Ação Proporcional, Integral e Derivativa (PID) ................................................... 26
Figura 04 – Variável Linguística .............................................................................................. 29
Figura 05 – Função de Pertinência Triangular (trimf) .............................................................. 31
Figura 06 – Função de Pertinência Triangular (trimf): Esquema explicativo de semelhanças de triângulos .............................................................................................................. 32
Figura 07 – Função de Pertinência Trapezoidal (trapmf) ......................................................... 33
Figura 08 – Função de Pertinência Gaussiana (gaussmf) ......................................................... 34
Figura 09 – Controle Fuzzy: Arquitetura geral ........................................................................ 35
Figura 10 – Defuzzificação: Método Centroide ....................................................................... 37
Figura 11 – Planta Experimental de Controle de Nível ............................................................ 40
Figura 12 – Fluxograma de Processo e Instrumentação da Planta Experimental de Controle de Nível ..................................................................................................................... 45
Figura 13 – Materiais e Métodos: Fluxograma ........................................................................ 46
Figura 14 – Normalização das Variáveis de Entrada e Saída: Estrutura no Simulink® ............ 47
Figura 15 – Normalização das Variáveis de Entrada e Saída: Function de Normalização da Variável de Entrada .............................................................................................. 51
Figura 16 – Normalização das Variáveis de Entrada e Saída: Function de Normalização da Variável de Saída .................................................................................................. 51
Figura 17 – Normalização das Variáveis de Entrada e Saída: Function de Desnormalização da Variável de Entrada .............................................................................................. 52
Figura 18 – Normalização das Variáveis de Entrada e Saída: Function de Desnormalização da Variável de Saída .................................................................................................. 53
Figura 19 – Levantamento do Comportamento do Processo: Estrutura no Simulink® ............. 54
Figura 20 – Diagramas de Blocos: PID .................................................................................... 57
Figura 21 – Diagramas de Blocos: PI supervisionado por fuzzy .............................................. 58
Figura 22 – Diagramas de Blocos: Under Mask do bloco PID Controller .............................. 59
Figura 23 – Diagramas de Blocos: Subsystem para o PID Controller...................................... 59
Figura 24 – Editor da Lógica Fuzzy ......................................................................................... 71
Figura 25 – Editor da Lógica Fuzzy: Variáveis criadas ............................................................ 72
Figura 26 – Editor da Lógica Fuzzy: Função de Pertinência da entrada fuzzy SP .................... 73
Figura 27 – Editor da Lógica Fuzzy: Funções de Pertinência da saída fuzzy pK ..................... 73
Figura 28 – Editor da Lógica Fuzzy: Funções de Pertinência da saída fuzzy iK ..................... 74
Figura 29 – Editor da Lógica Fuzzy: View Rules ..................................................................... 75
Figura 30 – Editor da Lógica Fuzzy: Regras de Inferência ...................................................... 76
Figura 31 – APÊNDICE A – Configuração da Rede INTERBUS®: Criação do novo projeto 94
Figura 32 – APÊNDICE A – Configuração da Rede INTERBUS®: Determinação do IP ....... 95
Figura 33 – APÊNDICE A – Configuração da Rede INTERBUS®: Seleção do CLP ............. 96
Figura 34 – APÊNDICE A – Configuração da Rede INTERBUS®: Importação das entradas e saídas ..................................................................................................................... 97
Figura 35 – APÊNDICE A – Configuração da Rede INTERBUS®: Seleção do módulo de entrada ................................................................................................................... 97
Figura 36 – APÊNDICE A – Configuração da Rede INTERBUS®: Seleção do módulo de saída ...................................................................................................................... 98
Figura 37 – APÊNDICE A – Configuração da Rede INTERBUS®: Módulos importados ..... 98
Figura 38 – APÊNDICE A – Configuração da Rede INTERBUS®: Criação da variável de entrada analógica .................................................................................................. 99
Figura 39 – APÊNDICE A – Configuração da Rede INTERBUS®: Criação da variável de saída analógica .................................................................................................... 100
Figura 40 – APÊNDICE A – Configuração da Rede INTERBUS®: Seleção da opção OPC®
............................................................................................................................ 100
Figura 41 – APÊNDICE B – Configuração do Padrão OPC®: New Resource ...................... 101
Figura 42 – APÊNDICE B – Configuração do Padrão OPC®: Escolha do CLP ................... 102
Figura 43 – APÊNDICE B – Configuração do Padrão OPC®: Determinação do IP ............. 102
Figura 44 – APÊNDICE C – Configuração dos Blocos OPC® no Simulink®: OPC Test Client
............................................................................................................................ 103
Figura 45 – APÊNDICE C – Configuração dos Blocos OPC® no Simulink®: Escolha do
servidor OPC® .................................................................................................... 104
Figura 46 – APÊNDICE C – Configuração dos Blocos OPC® no Simulink®: Principais blocos
OPC®................................................................................................................... 104
Figura 47 – APÊNDICE C – Configuração dos Blocos OPC® no Simulink®: Bloco OPC
Configuration ...................................................................................................... 105
Figura 48 – APÊNDICE C – Configuração dos Blocos OPC® no Simulink®: Bloco OPC
Configuration – Escolha do Cliente e Servidor .................................................. 106
Figura 49 – APÊNDICE C – Configuração dos Blocos OPC® no Simulink®: Bloco OPC
Configuration – Escolha do Servidor ................................................................. 106
Figura 50 – APÊNDICE C – Configuração dos Blocos OPC® no Simulink®: Bloco OPC Read
............................................................................................................................ 107
Figura 51 – APÊNDICE C – Configuração dos Blocos OPC® no Simulink®: Bloco OPC Read
– Criação dos Itens .............................................................................................. 108
LISTA DE QUADROS
Quadro 01 – Normalização das Variáveis de Entrada e Saída: Variável de Entrada ............... 48
Quadro 02 – Normalização das Variáveis de Entrada e Saída: Variável de Saída ................... 49
Quadro 03 – Regime em carga baixa (25% do nível): Relação dos ganhos analisados e Índices de Desempenho ..................................................................................................... 65
Quadro 04 - Regime em carga baixa (25% do nível): Atrasos não determinísticos de loop do sistema .................................................................................................................. 66
Quadro 05 – Regime em carga alta (75% do nível): Relação dos ganhos analisados e Índices de Desempenho ..................................................................................................... 70
Quadro 06 - Regime em carga alta (75% do nível): Atrasos não determinísticos de loop do sistema .................................................................................................................. 71
Quadro 07 - Resultados: Simulação da variação de setpoint de 25% para 75% com respectivos degraus - Relação dos Índices de Desempenho .................................................... 79
Quadro 08 - Resultados: Simulação da variação de setpoint de 75% para 25% com respectivos degraus .................................................................................................................. 82
Quadro 09 - Resultados: Simulação da variação de setpoint de 25% para 50% com respectivo degrau - Relação dos Índices de Desempenho ..................................................... 84
Quadro 10 - Resultados: Simulação da variação de setpoint de 75% para 50% com respectivo degrau- Relação dos Índices de Desempenho ...................................................... 87
Quadro 11 – Resultados: Atrasos não determinísticos de loop do sistema .............................. 88
LISTA DE GRÁFICOS
Gráfico 01 – Normalização das Variáveis de Entrada e Saída: Gráfico de Tendência Linear da Variável de Entrada .............................................................................................. 49
Gráfico 02 – Normalização das Variáveis de Entrada e Saída: Gráfico de Tendência Linear da Variável de Saída .................................................................................................. 50
Gráfico 03 – Levantamento do Comportamento do Processo: Resposta da VP em 75% para um degrau de -10% da VM ................................................................................... 55
Gráfico 04 – Levantamento do Comportamento do Processo: Resposta da VP em 25% para um degrau de -10% da VM ................................................................................... 56
Gráfico 05 – Regime em carga baixa (25% do nível): Teste 1 com 00,3pk e 09,0i
k ..... 61
Gráfico 06 – Regime em carga baixa (25% do nível): Teste 2 com 00,5pk e 09,0i
k ........ 62
Gráfico 07 – Regime em carga baixa (25% do nível): Teste 3 com 00,5pk e 50,0i
k ........ 63
Gráfico 08 – Regime em carga baixa (25% do nível): Teste 4 com 00,5pk e 12,0i
k ........ 63
Gráfico 09 – Regime em carga baixa (25% do nível): Teste 5 com 00,10pk e 12,0i
k ....... 64
Gráfico 10 – Regime em carga baixa (25% do nível): Teste 6 com 00,10pk e 35,0i
k ...... 65
Gráfico 11 – Regime em carga alta (75% do nível): Teste 1 com 00,3pk e 09,0i
k ........... 67
Gráfico 12 – Regime em carga alta (75% do nível): Teste 2 com 00,1pk e 09,0i
k ........... 68
Gráfico 13 – Regime em carga alta (75% do nível): Teste 3 com 00,5pk e 09,0i
k ........... 69
Gráfico 14 – Regime em carga alta (75% do nível): Teste 4 com 00,5pk e 05,0i
k ........... 69
Gráfico 15 – Regime em carga alta (75% do nível): Teste 5 com 00,5pk e 07,0i
k ........... 70
Gráfico 16 – Resultados: PID com 00,3pk e 09,0i
k - Variação de setpoint de 25% para
75% com respectivos degraus ............................................................................... 77
Gráfico 17 – Resultados: PI supervisionado por fuzzy – Variação de setpoint de 25% para 75% com respectivos degraus ............................................................................... 78
Gráfico 18 – Resultados: Escalonamento dos ganhos – Variação de setpoint de 25% para 75% com respectivos degraus ....................................................................................... 80
Gráfico 19 – Resultados: PID com 00,3pk e 09,0i
k - Variação de setpoint de 75% para
25% com respectivos degraus ............................................................................... 80
Gráfico 20 – Resultados: PI supervisionado por fuzzy – Variação de setpoint de 75% para 25% com respectivos degraus ............................................................................... 81
Gráfico 21 – Resultados: Escalonamento dos ganhos – Variação de setpoint de 75% para 25% com respectivos degraus ....................................................................................... 83
Gráfico 22 – Resultados: PID com 00,3pk e 09,0i
k - Variação de setpoint de 25% para
50% com respectivo degrau .................................................................................. 83
Gráfico 23 – Resultados: PI supervisionado por fuzzy – Variação de setpoint de 25% para 50% com respectivo degrau .................................................................................. 84
Gráfico 24 – Resultados: Escalonamento dos ganhos – Variação de setpoint de 25% para 50% com respectivo degrau .......................................................................................... 85
Gráfico 25 – Resultados: PID com 00,3pk e 09,0i
k - Variação de setpoint de 75% para
50% com respectivo degrau .................................................................................. 86
Gráfico 26 – Resultados: PI supervisionado por fuzzy – Variação de setpoint de 75% para 50% com respectivo degrau .................................................................................. 86
Gráfico 27 – Resultados: Escalonamento dos ganhos – Variação de setpoint de 75% para 50% com respectivo degrau .......................................................................................... 87
LISTA DE SÍMBOLOS
)(tu Saída do controlador no domínio do tempo
)(te Erro atuante no sistema no domínio do tempo
pk Ganho Proporcional
s Domínio da Frequência
)(sU Saída do controlador no domínio da Transformada de Laplace
)(sE Erro atuante no sistema no domínio da Transformada de Laplace
tr Tempo de subida
Mp Máximo sobressinal (overshoot)
sse Erro em regime permanente (Offset)
iK Ganho Integral ou Reset
iT Constante de Tempo Integral ou Reset Time
ts Tempo de acomodação
dT Constante de Tempo Derivativo
Ax Função característica de um conjunto clássico A, segundo Campos e Saito (2004)
X Universo de discurso do conjunto
Axf )( Função característica de um conjunto clássico A, segundo Almeida (2006)
A Função de Pertinência do conjunto fuzzy A
xAμ Grau de pertinência do elemento x pertencente ao conjunto fuzzy A
Z Saída da defuzzificação em valor numérico
td Tempo de descida
SUMÁRIO
1 INTRODUÇÃO ........................................................................................................ 15
2 REVISÃO BIBLIOGRÁFICA ................................................................................ 17
3 FERRAMENTAL TEÓRICO ................................................................................. 20
3.1 Controladores ........................................................................................................... 20
3.1.1 Ação On-Off ............................................................................................................... 20
3.1.2 Ação Proporcional (P) ................................................................................................ 21
3.1.3 Ação Integral (I) ......................................................................................................... 22
3.1.4 Ação Proporcional e Integral (PI) ............................................................................. 23
3.1.5 Ação Proporcional e Derivativa (PD) ....................................................................... 24
3.1.6 Ação Proporcional, Integral e Derivativa (PID) ........................................................ 25
3.2 Lógica Fuzzy .............................................................................................................. 26
3.2.1 Conjuntos Fuzzy ......................................................................................................... 27
3.2.1.1 Variável Linguística ................................................................................................... 28
3.2.2 Função de Pertinência ................................................................................................ 29
3.2.2.1 Função de Pertinência Triangular (trimf) .................................................................. 30
3.2.2.2 Função de Pertinência Trapezoidal (trapmf) ............................................................. 32
3.2.2.3 Função de Pertinência Gaussiana (gaussmf) ............................................................. 33
3.2.3 Controle Fuzzy ............................................................................................................ 34
3.2.3.1 Fuzzificação................................................................................................................ 35
3.2.3.2 Base de Conhecimento ............................................................................................... 35
3.2.3.3 Inferência .................................................................................................................... 36
3.2.3.4 Defuzzificação ............................................................................................................ 37
3.3 Padrão OPC® ............................................................................................................ 38
4 DESCRIÇÃO DO PROCESSO .............................................................................. 40
4.1 Planta Experimental de Controle de Nível............................................................. 40
4.2 Equipamentos ........................................................................................................... 41
4.2.1 Tanques e Tubulações ................................................................................................ 41
4.2.2 Visor de Nível ............................................................................................................ 42
4.2.3 Transmissor Indicador de Nível ................................................................................. 42
4.2.4 Controlador Lógico Programável (CLP) ................................................................... 42
4.2.5 Inversor de Frequência ............................................................................................... 43
4.2.6 Motobomba ................................................................................................................ 44
4.2.7 Componentes Elétricos ............................................................................................... 44
4.3 Funcionamento ......................................................................................................... 44
5 MATERIAIS E MÉTODOS .................................................................................... 46
5.1 Normalização das Variáveis de Entrada e Saída ................................................... 46
5.2 Levantamento do Comportamento do Processo .................................................... 53
5.3 Elaboração da Malha de Controle PI supervisionado por fuzzy .......................... 57
5.3.1 Diagramas de Blocos .................................................................................................. 57
5.3.2 Estudo dos Ganhos ..................................................................................................... 60
5.3.2.1 Regime em carga baixa (25% do Nível) ................................................................... 60
5.3.2.2 Regime em carga alta (75% do Nível) ...................................................................... 66
5.3.3 Editor da Lógica Fuzzy ............................................................................................... 71
6 RESULTADOS ......................................................................................................... 77
7 CONCLUSÃO .......................................................................................................... 89
REFERÊNCIAS ....................................................................................................... 90
APÊNDICE A – CONFIGURAÇÃO DA REDE INTERBUS® ........................... 94
APÊNDICE B – CONFIGURAÇÃO DO PADRÃO OPC® ............................... 101
APÊNDICE C – CONFIGURAÇÃO DOS BLOCOS OPC® NO SIMULINK® 103
15
1 INTRODUÇÃO
Ogata (2003) afirma que “Controlar um processo significa atuar sobre ele ou sobre as
condições a que o processo está sujeito, de modo a atingir algum objetivo.” Assim, atuar
sobre ou exercer controle sobre processos é uma necessidade antiga da humanidade e que, por
conseguinte, se estendeu para as indústrias.
Na antiguidade, estudos e experiências em diversas áreas buscavam respostas para
questões complexas bem como para questionamentos simples, como saber a hora do dia. Tais
repostas muitas vezes demandavam o desenvolvimento de mecanismos, o controle de nível de
líquidos foi usado para determinar as horas do dia, por exemplo. Atribui-se a invenção do
regulador de flutuação para um relógio d’água ao grego Ktesibios, essa melhoria para os já
existentes relógios d’água foi então o primeiro dispositivo de controle com retroalimentação.
Nele, uma bóia (sic) controla o nível de água em um recipiente em cuja base há um orifício. Mantido o nível de água deste recipiente constante, a vazão no orifício também é. Outro reservatório coleta a saída do orifício e assim seu nível cresce proporcionalmente ao tempo. Uma bóia (sic) com um cursor, neste reservatório, indica o tempo sobre uma escala linear. (FACCIN, 2004, p. 4)
A primeira forma de controle utilizada foi a manual, que ainda é muito utilizada em
processos simples. Atualmente existem diversos métodos mais avançados e sofisticados.
Tais métodos de controle estão largamente presentes no setor industrial, desde os
processos mais simples como um controle de posicionamento e enchimento de uma garrafa
de refrigerante a um controle sofisticado de temperatura e vazão de uma coluna de
destilação, por exemplo. Devido sua ampla aplicação, as características particulares de cada
processo são de fundamental importância para a escolha do controlador.
Com o desenvolvimento dos estudos em controle foram surgindo instrumentos que
pudessem medir, indicar e registrar o comportamento destas variáveis controladas e
manipuladas, assim o termo Instrumentação passa a ser utilizado naturalmente.
A variável controlada é também conhecida como variável do processo (VP) ou PV do
inglês process variable e definida por Ogata (2003, p. 2) como a grandeza ou condição que é
medida e controlada. Já a variável manipulada (VM) ou MV do inglês manipulated variable
tem como definição a grandeza ou condição variada pelo controlador de modo a alterar a
variável controlada (OGATA, 2003, p. 2).
A teoria de controle desenvolvida até o final dos anos 50 pode ser classificada como
teoria de controle clássico. Esta continua aplicável a muitos problemas de projeto em controle,
16
particularmente a sistemas com uma única entrada e uma única saída. A teoria de controle
desenvolvida a partir do final da década de 50, destinada ao projeto de sistemas mais
sofisticados e a sistemas multivariáveis (múltiplas entradas e/ou múltiplas saídas), é chamada
teoria de controle moderno.
Técnicas de controle clássico como PID são as mais utilizadas hoje por grande parte
dos processos industriais, em função da grande confiabilidade deste tipo de sistema, já que se
trata de uma técnica consolidada há muitos anos. Sua popularidade se deve ao fato de ser
simples de ajustar e ter, no mercado, uma grande variedade de ferramentas que possibilitam
sua aplicação de maneira fácil e prática. Porém, a utilização de controladores clássicos, na
maioria dos casos, não consegue atender as especificações de desempenho desejadas para um
sistema não linear, o que motivou o estudo de técnicas de controle mais sofisticadas chamadas
de inteligência artificial e que são capazes de atender aos requisitos destes sistemas.
O sistema de controle inteligente tem sido cada vez mais utilizado e dentre as técnicas
usadas está a lógica nebulosa fuzzy, que foi introduzido primeiramente pelo professor Zadeh
no ano de 1965 em seu trabalho Fuzzy Sets, onde diz que conjuntos, diferentemente dos
conjuntos clássicos, são caracterizados por funções de pertinência que podem assumir
qualquer valor entre zero e um. O Método fuzzy, possibilita a sintonia automática dos
parâmetros do controlador, através da incorporação do conhecimento de especialistas
humanos e especificação de regras de controle para uma satisfação de múltiplos objetivos na
estratégia de controle.
Embora alguns processos estejam cada vez mais complexos e multivariáveis, o
controle PID é uma boa opção para controle de processos devido a sua simplicidade, eficácia
e alta aplicabilidade, principalmente, em processos sem modelo matemático, o que
impossibilita a utilização de métodos analíticos de controle.
A aplicação do controle PID implica em um estudo de ajustes para melhorar o
desempenho do controlador através do procedimento de sintonia. Existem diversos métodos
de sintonia que são escolhidos conforme as particularidades do processo e a quantidade de
informação que se tem do mesmo Um fator decisivo para a escolha é a existência, ou não, de
um modelo que descreva o processo e se esse modelo é empírico ou matemático.
No presente trabalho será realizado o controle de nível PI de uma planta didática,
sintonizado pelo método de Ziegler-Nichols representando a teoria de controle clássico, e pelo
método da inteligência artificial conhecido como método Fuzzy representando a teoria de
controle moderno. Os resultados serão apresentados, comparados e evidenciados por gráficos
gerados pelo MATLAB®.
17
2 REVISÃO BIBLIOGRÁFICA
Esta seção discorre sobre o estado do tema proposto para o presente Trabalho de
Conclusão de Curso (TCC) no cenário de pesquisa e aplicação industrial. O material de
referência é apresentado de forma a mostrar uma linha de sequência do controle clássico até o
avançado e por esse motivo a ordem cronológica não foi empregada.
Faccin (2004) e Campestrini (2006) concordam que o controlador proporcional,
integral e derivativo (PID) é amplamente utilizado nos processos industriais devido ao
desempenho robusto em vastas condições de operação e à concepção e estrutura simples. O
projeto de tal controlador envolve a especificação de três parâmetros: ganho proporcional,
constante de tempo integral e constante de tempo derivativo, de acordo com Zhao, Tomizuka
e Isaka (1992).
Bhushan et al (2014) corroboram a ideia de simplicidade funcional, mas ressaltam que,
geralmente, os parâmetros do controlador PID são fixos durante a operação, tornando-o
ineficiente para controlar sistemas com distúrbios do ambiente externo e/ou fatores
desconhecidos.
Confrontando as características do controlador PID largamente utilizado nos processos
industriais com o avanço da tecnologia, que permitiu sistemas e processos ainda mais
complexos, percebe-se a ineficácia ou até mesmo a impossibilidade da utilização dos
controladores convencionais obtidos a partir da teoria clássica.
Portanto, a busca por novos métodos e estratégias de controle se fez necessária, tais
como: controle multivariável, controle adaptativo, controle preditivo, e sistemas de controle
inteligente. A utilização de sistemas inteligentes em controle tem despertado grande interesse
nos últimos anos. Dentre as técnicas mais utilizadas estão as Redes Neurais Artificiais (RNA)
e a Lógica Fuzzy. Esta última é uma técnica que incorpora a forma humana de pensar em um
sistema, de forma que o controle se assemelhe ao raciocínio humano (FERNANDES JÚNIOR
et al, 2005).
Mahmood e Taha (2013) apontam que controladores baseados na lógica fuzzy são
projetados regidos por regras linguísticas ‘se – então’, que podem ser elaboradas a partir do
conhecimento de especialistas em determinado campo de interesse.
Campos e Saito (2004) acrescentam que companhias podem se prevalecer da
experiência com o uso dessa técnica. Afirmam, ainda, que as informações que são conhecidas
de um sistema qualquer serão sempre incompletas e incertas, uma vez que são obtidas por
meio de instrumentos e observações, sendo esses suscetíveis a erros. Outro argumento baseia
18
a afirmação, a representação de um modelo pela linguagem natural, seja na lógica formal ou
matemática, será incompleta pela necessidade de simplificações.
Porém, deixam explícito que a lógica fuzzy é também uma simplificação do processo
real, mas que extingue a preocupação de levantar um modelo e sobre este projetar um
controlador, pois tenta modelar diretamente como seria o controle por uma mente humana. O
fato do controlador PID clássico ser simples e robusto e o controle baseado na lógica fuzzy
apresentar mais parâmetros a serem ajustados é mencionado, mas em defesa dos sistemas
fuzzy está a existência de uma lei de controle não linear.
Por se tratar de uma obra extensa, os autores fizeram uma abordagem bem detalhada
passando por uma introdução à lógica fuzzy, controle fuzzy, desenvolvimento de um
controlador PID-fuzzy bem como um controlador fuzzy aplicado a diferentes processos
industriais, tais como: partida de unidades, sistemas não lineares, unidade de água ácida,
balanceamento dos passes de um forno e otimização de injeção de vapor na unidade.
As literaturas de Bhushan et al (2014) e Liang (2011) são similares, pois abordam o
controle de nível de um sistema não linear de tanques por meio de um controlador híbrido
fuzzy PID e os resultados, favoráveis ao controlador híbrido, são comparados aos do controle
com PID clássico.
Porém, o trabalho de Bhushan et al (2014) apresenta diferenças significativas, pois
desenvolve uma estrutura híbrida diferente, por aplicar só a ação integral de forma clássica, o
que pode ser representado como fuzzy-PD+I. Trabalha ainda sobre um pêndulo invertido no
controle do ângulo da haste e da posição do carro. No estudo comparativo, apresenta todos os
resultados do controlador híbrido para quatro tipos de funções de pertinência: Bell, Pi,
Gaussian e Psigmoid.
Carvalho, Souza e Francisco (2010) desenvolvem o modelo autorregressivo de uma
planta de nível de tanques acoplados e o controle fuzzy na mesma. Mostra-se uma excelente
ferramenta de consulta visto que tem o mesmo objeto de estudo do presente TCC que é a
planta experimental de controle de nível do Instituto Federal de Educação, Ciência e
Tecnologia Fluminense (IF-Fluminense) e fornece ferramental teórico sobre o tema.
De forma similar, Mahmood e Taha (2013) apresentam o controle fuzzy para o nível de
líquido do segundo tanque do sistema de tanques acoplados, e apresentam a informação
adicional de análise de resultados entre fuzzy e PID clássico.
Os trabalhos de Ketzer et al (2012) e Santos, Rodrigues e Ferreira (2012) expandem o
tema para além do controle de nível. O primeiro trata do controle PID-fuzzy em um conversor
inserido em fontes ininterruptas de energia de forma a regular a tensão de saída conforme a
19
demanda das cargas. Diferente de Bhushan et al (2014), que trabalha com a ação integral
puramente clássica, Santos, Rodrigues e Ferreira (2012) destacam o uso do PI-fuzzy, que tem
o erro como entrada, junto com o PD-fuzzy, que possui também o erro e sua derivada como
entradas no bloco fuzzy, e dessa combinação tem-se o PID-fuzzy no controle de posição de um
servo motor.
O trabalho de Luna Filho, Gosmann e Bauchspiess (2002) confronta os resultados
obtidos pelo controlador PI e os obtidos pelo controle fuzzy, ambos aplicados ao sistema não
linear com escoamento turbulento de multitanques.
As obras que serão citadas em seguida se diferenciam dos trabalhos mencionados
anteriormente, principalmente, por usarem a lógica fuzzy como método de sintonia dos
parâmetros do controlador, o chamado escalonamento dos ganhos.
Ram e Lincoln (2012) aplicam o controle de nível por meio do PI clássico e PI com
método fuzzy chamado, na literatura, de PI adaptativo. O PI clássico foi sintonizado pelo
método de Ziegler-Nichols e os resultados dos dois controles PI foram apresentados para dois
pontos de setpoint, 20 e 35 cm, tendo o PI adaptativo apresentado melhor desempenho.
Fernandes Júnior et al (2005) apresentam um trabalho similar, no qual três
controladores são desenvolvidos, sendo dois deles PID clássicos sintonizados em dois pontos
de operação distintos, 5 e 25 cm, e um PID sintonizado pelo método fuzzy. Na média, o PID
com método fuzzy apresenta melhor desempenho, pois em cada ponto ele se comporta melhor
que pelo menos um dos dois controladores clássicos.
Zhao, Tomizuka e Isaka (1992) e Almeida e Coelho (2001) fazem um estudo de
análise de resultados, satisfatórios para o uso de escalonamento de ganhos, e fornecem como
informação dos sistemas somente as funções de transferência.
20
3 FERRAMENTAL TEÓRICO
Este capítulo visa fornecer informações conceituais de tópicos da base teórica
necessária para o desenvolvimento do trabalho. É apresentado de forma sucinta e clara com o
intuito de facilitar a compreensão e pesquisa acadêmica.
3.1 Controladores
São dispositivos automáticos que produzem como saída um sinal de controle atuante
sobre a variável manipulada (VM) ou MV do inglês manipulated variable, conforme o desvio
observado entre a grandeza de saída do processo, chamada de variável do processo (VP) ou
PV do inglês process variable, e a grandeza de referência SP do inglês setpoint. A maneira
pela qual os controladores automáticos produzem o sinal de controle é chamada de ação de
controle (OGATA, 2003, p. 52).
Segundo Cipriani (2007, p. 24), os controladores podem ser classificados conforme a
ação de controle:
a) controlador de duas posições (On-Off);
b) controlador Proporcional;
c) controlador Integral;
d) controlador Proporcional e Integral;
e) controlador Proporcional e Derivativo;
f) controlador Proporcional, Integral e Derivativo.
São fundamentais para o bom desempenho do processo em malha fechada a seleção
correta do controlador e a determinação de seus parâmetros, ou seja, valores ajustados para as
ações proporcional, integral e derivativa que melhor controlam o processo.
3.1.1 Ação On-Off
Na ação de controle On-Off, o elemento atuante apresenta apenas dois estados fixos,
ligado ou desligado, aberto ou fechado, com isso conclui-se que a saída do controlador ora
assume um valor máximo ora um valor mínimo. É evidente que a simplicidade e o baixo
custo são vantagens atrativas, mas o uso é restrito para sistemas que não requerem alta
precisão. A grande desvantagem é o desgaste imposto tanto ao controlador quanto ao atuador
21
do elemento final de controle devido ao excesso de partidas dadas pela contínua oscilação da
saída entre os limites máximo e mínimo de atuação do controlador.
3.1.2 Ação Proporcional (P)
A ação de controle proporcional se baseia na relação direta do sinal de saída do
controlador u(t) e o valor do erro e(t) atuante no processo, conforme a Equação 1:
)()( tektu p (1)
onde kp é o ganho proporcional.
“Neste caso, o controlador é apenas um amplificador com um ganho constante, quanto
maior o erro, maior a ação de controle gerada.” (FACCIN, 2004, p. 15).
As equações de controle geralmente são formuladas no domínio da frequência s por
meio da Transformada de Laplace, ferramenta matemática que simplifica a resolução de
cálculos mais complexos. Quando se trabalha no domínio de s, derivadas e integrais tornam-
se respectivamente multiplicações e divisões, dessa forma, equações diferenciais podem ser
solucionadas como equações polinomiais de fácil resolução. Portanto, a ação Proporcional
pode ser expressa também no domínio da Transformada s, segundo a Equação 2:
pk
sE
sU
)()(
(2)
O aumento do ganho proporcional interfere na velocidade de resposta do sistema com
o efeito na diminuição do tempo de subida (tr), que segundo Ogata (2003, p. 188) é o tempo
necessário para a resposta do sistema percorrer o intervalo de 10% a 90%, ou 5% a 95% ou
0% a 100% do seu valor final. Porém deve ser ponderado, visto que afeta diretamente o
overshoot também conhecido como máximo sobressinal (Mp) que é valor máximo de pico da
curva de resposta medido a partir de referência e comumente expresso em porcentagem do
valor final em regime permanente (OGATA, 2003, p. 188).
Na ação puramente proporcional tem-se ainda o surgimento do erro em regime
permanente (offset), que, segundo Guerra (2009), é o desvio remanescente após o sistema ter
estabilizado e em sistemas que não possuem polos na origem é dado pela Equação 3
22
p
ssk
e
1
1 (3)
“Portanto, o aumento do ganho proporcional diminuirá o erro em regime permanente
do sistema, porém jamais o tornará nulo.” (CAMPESTRINI, 2006, p. 18). As características
descritas para a ação proporcional podem ser observadas na Figura 1:
Figura 01 – Ação Proporcional (P): Resposta do sistema para a Ação Proporcional
Fonte: (GUERRA, 2009)
3.1.3 Ação Integral (I)
O sinal de saída do controlador u(t) varia conforme uma taxa proporcional ao valor do
erro existente e(t) como pode ser visto na Equação 4:
)()(
teKdt
tdui (4)
sendo:
23
i
iT
K1
(5)
onde iK é o ganho integral ou reset e iT é a constante de tempo integral ou reset time. Por
conseguinte, tem-se o efeito da ação integral dado pela Equação 6:
t
i
dtteT
tu0
)(1
)( (6)
ou pela Equação 7 apresentada no domínio da Transformada de Laplace:
s
K
sE
sU i (7)
Quanto maior o incremento da ação integral, ou seja, quanto maior for iK , o sistema
tende a se tornar mais oscilatório e apresentar overshoot também elevado. Contudo, devido à
inserção do polo na origem no sistema em malha fechada, o erro em regime permanente passa
a ser nulo. (CAMPESTRINI, 2006, p. 18).
3.1.4 Ação Proporcional e Integral (PI)
O controlador que se baseia nessa ação de controle tem a saída u(t) em função do erro
e da integral do erro. A principal característica é a eliminação do erro de offset por parte da
ação integral, mas como já apresentado na seção 3.1.3, esta aumenta a instabilidade do
sistema e com isso o tempo de acomodação (ts), que é o tempo necessário para que a curva de
resposta atinja valores numa faixa de tolerância especificada em porcentagem do valor
desejado (OGATA, 2003, p. 188).
Assim o efeito negativo pode ser contrabalanceado pela aplicação combinada com a
ação proporcional, conforme a Equação 8:
t
i
p
p dtteT
KteKtu
0)()()( (8)
ou no domínio de s, de acordo com a Equação 9:
24
sTK
sE
sU
i
p
11 (9)
A constante de tempo integral iT , expressa em segundos ou minutos por repetição,
ajusta a ação de controle integral e pode ser entendida como o tempo necessário para que a
contribuição da ação integral se iguale a da ação proporcional, ou seja, o tempo que a parcela
relativa à parte proporcional da ação de controle é duplicada (ver Figura 2). Enquanto uma
mudança no valor pK afeta tanto a parte proporcional quanto à parte integral do processo.
(COUTO, 2006, p. 16; FERNANDES JÚNIOR, 2006, p.13).
Figura 02 – Ação Proporcional e Integral (PI)
Fonte: Adaptada de Couto (2006, p. 17)
3.1.5 Ação Proporcional e Derivativa (PD)
Utiliza a combinação das ações proporcional e derivativa, pois esta última não pode
ser empregada isoladamente. A amplitude da correção da ação derivativa é proporcional à
taxa de variação da grandeza de entrada no decorrer do tempo, ou seja, a velocidade de
25
variação. Caso o erro seja constante, ou em outros termos, não apresente variação entre dois
instantes de tempo distintos, o efeito da ação derivativa será nulo, daí a existência de restrição
quanto ao emprego separadamente.
“Isto se assemelha à média entre os valores da grandeza entre dois instantes, se estes
instantes forem sucessivos (intervalo muito pequeno), esta média será a derivada da grandeza
no instante inicial.” (COUTO, 2006, p. 18).
Assim sendo, a ação de controle estima o aumento ou redução de um futuro erro sendo
capaz de aumentar a velocidade de correção. Em síntese, comporta-se de forma antecipatória
quando variações do erro são percebidas e pode ser expressa conforme a Equação 10:
dt
tdeTKteKtu dpp
)()()( (10)
onde dT é a constante de tempo derivativo. A Equação 11 representa a ação no domínio da
Transformada de Laplace:
sTKsE
sUdp 1 (11)
3.1.6 Ação Proporcional, Integral e Derivativa (PID)
“É sem dúvida o algoritmo de controle mais tradicional da indústria” (CAMPOS;
TEIXEIRA, 2006 apud FONSECA, D., 2010, p. 1). Tem como sinal de saída )(tu a
combinação das ações proporcionais, integrais e derivativas, valendo-se das vantagens
individuais das três ações de controle. A Equação 12 apresenta uma dentre as diversas
variações de topologia para este controlador:
dt
tdeTKdtte
T
KteKtu dp
t
i
p
p 0 )()()( (12)
ou no domínio da Transformada de Laplace, de acordo com Equação 13:
26
sT
sTK
sE
sUd
i
p
11 (13)
A Figura 3 representa a curva da variável controlada com atuação do controlador PID.
Apresenta boa estabilidade, erro de offset nulo e sem overshoot.
Figura 03 – Ação Proporcional, Integral e Derivativa (PID)
Fonte: (GUERRA, 2009)
3.2 Lógica Fuzzy
A lógica fuzzy é baseada na Teoria dos Conjuntos Fuzzy, que foi introduzida pelo
professor Lofti A. Zadeh da Universidade de Berkeley na Califórnia em seu artigo Fuzzy Sets
publicado no ano de 1965, sendo conhecida também como lógica nebulosa, lógica difusa, ou
ainda como teoria das possibilidades.
É uma técnica de Inteligência Artificial que permite uma máquina transcender ao
raciocínio binário e preciso, incorporando a forma humana de pensar na solução de problemas
diversos e com as Redes Neurais, Sistemas Especialistas e Algoritmos Genéticos integra uma
nova vertente conhecida por Sistemas Inteligentes, que são aqueles que fornecem respostas
apropriadas às situações específicas para solução de problemas, ainda que tais respostas sejam
27
novas ou inesperadas, fazendo com que o comportamento seja singular ou até mesmo
considerado criativo, segundo Almeida (2006, p. 12).
A lógica fuzzy mostra-se extremamente vantajosa em sistemas complexos por
possibilitar a manipulação de informações vagas e imprecisas, naturais da linguagem humana
como aquelas fornecidas pelos operadores dos processos estudados, e fornecer dados
numéricos como resposta. Dessa forma, permite o raciocínio dedutivo no tratamento
matemático adequado para certas condições linguísticas subjetivas como, por exemplo,
“aproximadamente”, “em torno de”, dentre outros.
Tratar informações imprecisas e subjetivas contrapõe a ideia de bivalência da lógica
clássica aristotélica, na qual uma proposição pode assumir somente as condições verdadeira
ou falsa. Sendo assim, sob a ótica de conjuntos, a pertinência de um elemento da lógica
clássica é dada pelo valor 1 e ao não pertencente dá-se o valor 0. Porém, o grau de pertinência
no conjunto fuzzy varia em um intervalo de 0 a 1, ignorando o Princípio do Meio Excluído da
lógica de Aristóteles, o que permite transitar gradativamente em valores intermediários.
3.2.1 Conjuntos Fuzzy
A teoria clássica de conjuntos adota valores extremos de pertinência (0 , 1) e por isso a
condição de um elemento x pertencer ou não ao conjunto A fica bem definida e, segundo
Campos e Saito (2004, p. 66), tal premissa pode ser representada pela função característica
Ax para o conjunto A, conforme a Equação 14:
AxseeAxsexondeXx AA 1,01,0: (14)
Outra forma de representação da função característica para o conjunto A, proposto até
o momento segundo a teoria clássica, é apresentada e denominada de Axf )( por Almeida
(2006, p. 17) como demonstra a Equação 15:
Axsesomenteese
Axsesomenteesexf A ,0
,1)( (15)
A teoria dos conjuntos fuzzy é a base da lógica fuzzy e representa a generalização da
função característica da teoria clássica, ou seja, assume a condição de multivalente por
28
permitir valores infinitos no intervalo de 0 a 1. Dessa forma, Campos e Saito (2004, p. 66)
apresentam a função característica , denominada de função de pertinência, para um
conjunto fuzzy A no universo de discurso X, de acordo com a Equação 16:
1,0: XA (16)
Segundo Simões e Shaw (2007, p. 23), todo conjunto fuzzy é na verdade um
subconjunto. Ou seja, um conjunto suporte, aquele que contém os elementos para os quais
0A dentro do seu universo de discurso, que é o conjunto finito que contém quaisquer
valores que podem estar contidos nos seus subconjuntos fuzzy.
Em síntese, a Equação 16 demonstra que para cada elemento x pertencente ao universo
de discurso X, a função de pertinência A referencia um número real )(xA presente no
intervalo [0 , 1] equivalente ao quanto o elemento x pertence ao conjunto A, ou seja, o grau de
pertinência de x em A. A Equação 17 permite afirmar que o conjunto fuzzy A pode ser
representado como um conjunto de pares ordenados, sendo o grau de pertinência e o próprio
elemento termos desses pares.
XxxxA A |),( (17)
3.2.1.1 Variável Linguística
Campos e Saito (2004, p. 66) afirmam que em geral as variáveis de um processo
assumem um valor único do seu universo de discurso. Porém, as condições de observação não
permitem conhecer perfeitamente esse valor, sendo assim, uma variável linguística permite
modelar os conhecimentos imprecisos e vagos sobre essa medição e mostra-se um conceito
importante na teoria de conjuntos fuzzy.
A variável linguística é definida como variável cujos valores são termos linguísticos e
não números, ou seja, aparecem na linguagem natural sendo representados por conjuntos
fuzzy. É geralmente escolhida a partir das grandezas físicas sobre as quais recaem as regras de
controle, por exemplo, a vazão, que pode assumir valores linguísticos dos tipos baixa, média,
alta, etc.
29
Baseado na informação dada por Campos e Saito (2004, p. 67) de que a variável
linguística é definida como um tripé, a notação (v, T(v), V) é considerada para caracterizá-la,
onde:
a) v: o nome da variável linguística;
b) T(v): o conjunto dos nomes dos valores linguísticos possíveis para v;
c) V: o universo de discurso no qual varia o conjunto fuzzy que representa cada valor
linguístico.
Para efeito de exemplificação, define-se a variável linguística nível no intervalo em
porcentagem [0 , 100] correspondente ao universo de discurso e para a mesma são associados
três termos linguísticos: “baixo”, “médio” e “alto”. Esses termos são representados por
conjuntos fuzzy os quais as funções de pertinência são apresentadas na Figura 4:
Figura 04 – Variável Linguística
Fonte: Elaborada pelos Autores
Com o nível maior que 80%, o mesmo é considerado “alto” com grau de pertinência
igual a 1 e “médio” com grau de pertinência igual a 0, isso permite afirmar que para qualquer
valor de nível será associado um valor linguístico com grau de pertinência no intervalo [0, 1].
3.2.2 Funções de Pertinência
As funções de pertinência também conhecidas pelo termo em inglês Membership
Functions têm como objetivo, segundo Simões e Shaw (2007, p. 46), representar os aspectos
30
fundamentais tanto de ações teóricas como de ações práticas de sistemas fuzzy e são ainda
funções numéricas gráficas ou tabuladas responsáveis pela atribuição de valores de
pertinência fuzzy, ou seja, graus de pertinência para os valores de uma variável em seu
universo de discurso.
O gráfico dessa função apresenta como eixo das abscissas valores para a variável que
se encontra sob análise e, como eixo das ordenadas, o respectivo grau de pertinência no
universo de discurso.
De acordo com Souza (1999 apud Garcia, 2009, p. 28) vários perfis de funções de
pertinência são encontrados nas implementações de sistemas fuzzy. Os mais comuns são o
triangular, trapezoidal e sino, sendo este último uma categoria que abrange algumas funções
cuja representação gráfica se assemelha ao contorno de um sino, sendo a Gaussiana a mais
difundida. As equações das seções quaternárias seguintes referentes aos perfis foram baseadas
nas obras de Almeida (2006), Garcia (2009) e Affonso e Santos (2012). O nome de cada perfil
de função de pertinência é seguido pela notação, entre parênteses, adotada pelo editor fuzzy do
software MATLAB®.
3.2.2.1 Função de Pertinência Triangular (trimf)
O perfil triangular apresentado na Figura 5 mostra-se vantajoso por ser simples e tem o
grau de pertinência da variável definido em função dos seguintes parâmetros:
a) x: o valor da variável;
b) a: o valor mínimo do conjunto suporte em que a variável tem pertinência;
c) b: o vértice do conjunto suporte em que a variável tem pertinência;
d) c: o valor máximo do conjunto suporte em que a variável tem pertinência.
31
Figura 05 – Função de Pertinência Triangular (trimf)
Fonte: Adaptada de Affonso e Santos (2012, p. 18)
Dessa forma, tem-se a função pertinência definida conforme a Equação 18 e, para
melhor entendimento das condições previstas na mesma, a Figura 6 apresenta as relações de
semelhanças de triângulo envolvidas:
cxse
cxbsebc
xc
bxaseab
ax
axse
x
,0
,
,
,0
)( (18)
32
Figura 06 – Função de Pertinência Triangular (trimf): Esquema explicativo de semelhanças de triângulos
Fonte: Elaborada pelos Autores
3.2.2.2 Função de Pertinência Trapezoidal (trapmf)
A Figura 7 apresenta o aspecto do perfil trapezoidal que se destaca também pela
simplicidade e depende dos quatro parâmetros seguintes para associar um grau de pertinência
à variável:
a) x: o valor da variável;
b) a: o valor mínimo do conjunto suporte em que a variável tem pertinência;
c) b: o primeiro vértice do conjunto suporte em que a variável tem pertinência;
d) c: o segundo vértice do conjunto suporte em que a variável tem pertinência;
e) d: o valor máximo do conjunto suporte em que a variável tem pertinência.
33
Figura 07 – Função de Pertinência Trapezoidal (trapmf)
Fonte: Adaptada de Affonso e Santos (2012, p. 19)
A função de pertinência trapezoidal é então definida conforme a Equação 19 e para a
mesma são válidas também as semelhanças de triângulos apresentadas na Figura 6 para o
perfil triangular.
dxse
dxcsecd
xd
cxbse
bxaseab
ax
axse
x
,0
,
,1
,
,0
)( (19)
3.2.2.3 Função de Pertinência Gaussiana (gaussmf)
A função de pertinência com perfil gaussiano obedece à curva de distribuição normal
que, segundo Bittencourt e Viali (2006, p. 3), foi introduzida pelo matemático francês
Abraham de Moivre (1667-1754) em um artigo reimpresso em 1738 na segunda edição do seu
livro The Doctrine of Chances, ou A Doutrina do Acaso na Língua Vernácula.
A Figura 8 permite afirmar que os parâmetros necessários para estabelecer um grau de
pertinência à variável são:
34
a) x: o valor da variável;
b) m: a média dos valores do conjunto suporte em que a variável tem pertinência;
c) s: o desvio padrão.
Figura 08 – Função de Pertinência Gaussiana (gaussmf)
Fonte: Elaborada pelos Autores
Com isso, a Equação 20 define a função de pertinência gaussiana em termos de média
e desvio padrão:
2
2
1
)(
s
mx
ex (20)
3.2.3 Controle Fuzzy
As principais etapas do controle fuzzy estão descritas nas seções quaternárias seguintes
e têm suas participações na arquitetura geral conforme a Figura 9:
35
Figura 09 – Controle Fuzzy: Arquitetura geral
Fonte: Adaptada de Campos e Saito (2004, p. 74)
3.2.3.1 Fuzzificação
A etapa de fuzzificação consiste na conversão de valores reais das variáveis de entrada
provenientes de sensores de grandezas físicas ou de dispositivos computadorizados em
valores referentes a graus de pertinência em um conjunto fuzzy. Além desse mapeamento das
entradas nesta etapa devem ser atribuídos o universo de discurso de cada variável, o número
de valores linguístico necessário e suas respectivas funções de pertinência, sendo que essas
informações serão alocadas na base de conhecimento.
3.2.3.2 Base de Conhecimento
“A base de conhecimentos representa o modelo do sistema a ser controlado.”
(ALMEIDA, 2006, p.28).
Ela é constituída por informações sobre o universo de discurso, valores linguísticos e
funções de pertinência determinadas na etapa de fuzzificação para todas as variáveis do
processo. Com essa base de dados está a base de regras que definem a estratégia de controle,
ou seja, como as entradas serão tratadas e associadas às variáveis de saída.
36
3.2.3.3 Inferência
A lógica de tomada de decisão ou Inferência é a etapa onde ocorrem as operações com
os conjuntos fuzzy. O uso de implicações fuzzy simula as tomadas de decisões humanas
gerando ações de controle denominadas consequentes inferidas a partir de um conjunto de
condições de entrada, que são chamadas de antecedentes. Essa nomenclatura justifica-se pelo
aspecto das regras: se antecedente então consequente. As regras obedecem a formatos
diferenciados de acordo com o modelo de inferência adotado.
De acordo com Garcia (2009, p. 31), dois métodos principais de inferência existem, o
Mamdani e o Takagi-Sugeno-Kang, e as nomenclaturas referem-se aos nomes dos seus
respectivos criadores. O autor ainda acrescenta que a principal diferença entre os mesmos
está no tipo de consequente e no processo de defuzzificação, ou seja, o tratamento da ação de
controle gerada como saída.
Para o desenvolvimento desta obra foi utilizado o modelo Mamdani, mas para efeito
de diferenciação entre o Takagi-Sugeno-Kang (TSK), consideram-se as proposições:
Se x é A e y é B então z é C (Mandani)
Se x é A e y é B então z = f(x, y) (TSK)
Dessa forma, para as variáveis linguísticas x e y relacionadas ao estado do processo o
modelo Mamdani, previsto na primeira proposição, tem que z é a variável linguística de saída
no conjunto fuzzy C, então o valor numérico de saída só é obtido após o processo de
defuzzificação.
O mesmo não ocorre no modelo Takagi-Sugeno-Kang definido pela segunda
proposição, onde o consequente de cada regra é uma função das variáveis linguísticas de
entrada, ou seja, uma combinação linear dos antecedentes. Santos, Rodrigues e Ferreira
(2012) concluem que o modelo de Takagi-Sugeno-Kang propõe que a parte consequente da
regra seja formada por variáveis reais ao invés de variáveis linguísticas, obtendo desta forma,
um valor real final na saída através de uma média ponderada dos valores reais da saída de
cada regra.
37
3.2.3.4 Defuzzificação
A defuzzificação consiste em obter um único valor numérico como saída, aplicável
nos dispositivos físicos da ação de controle no mundo real, a partir de valores de saída fuzzy
obtidos no processo de Inferência. Luna Filho, Gosmann e Bauchspiess (2002, p. 3018)
sintetizam o conceito na afirmativa que a presente etapa mapeia valores linguísticos em
valores numéricos de saída.
A determinação de tais valores numéricos depende do método de defuzzificação
adotado, e segundo Bioni Neto et al (2006, p.2512) os mais comuns são: o método dos
máximos, da média dos máximos e do centro de gravidade, sendo este último conhecido
também como centroide e definido pela Equação 21:
n
i
i
n
i
ii
z
Zz
Z
0
0
)(
*)(
(21)
Para melhor entendimento da Equação 21, tem-se a representação do método na
Figura 10:
Figura 10 – Defuzzificação: Método Centroide
Fonte: Adaptada de Bioni Neto et al (2006, p.2535)
38
Com o objetivo de atender a simbologia das variáveis já adotadas no presente trabalho,
a Equação 21 foi adaptada da obra de Garcia (2009, p. 34) onde:
a) Z: a saída em valor numérico;
b) n: o número de intervalos de quantização da saída;
c) Zi: o valor da variável de saída para o intervalo de quantização i;
d) )( iz : o grau de pertinência.
3.3 Padrão OPC®
Souza, Seixas Filho e Pena (1998) afirmam que o controle de processos na indústria
pode ser subdividido em três níveis distintos: o nível de campo, caracterizado pela presença
ampla de dispositivos inteligentes integrados por redes fieldbus; o nível de processo, onde
sistemas de supervisão disponibilizam grandes quantidades de dados e o nível gerencial, onde
utilizam sistemas de bancos de dados e planilhas.
A integração desses níveis é essencial para a indústria no que diz respeito ao
aproveitamento máximo das informações e para que a mesma se torne possível, o
desenvolvimento de drivers de comunicação entre os diversos sistemas faz-se necessário.
Porém, essa solução não é a ideal por demandar grande esforço na criação de drivers para
uma grande variedade de equipamentos e de softwares, sendo a evolução dos sistemas um
agravante.
Diante desse problema, um grupo de empresas do setor de automação decidiu criar
uma fundação sem fins lucrativos para desenvolver um padrão aberto de acesso a dados, o
padrão OPC®, minimizando a necessidade de diversos drivers proprietários, e assim surgiu a
OPC® Foundation.
O OPC® é um acrônimo para OLE for Process Control, onde OLE também é um
acrônimo para Object Linking and Embedding, e baseia-se na tecnologia OLE/DCOM que
permite ao OPC® estabelecer regras para acesso a dados em tempo real dentro do sistema
operacional Windows®.
Fonseca, M. (2002, p. 2) apresenta as definições para as tecnologias OLE e DCOM:
OLE A tecnologia OLE (Object Linking and Embedding) foi desenvolvida pela Microsoft em meados de 1990, para suprir a necessidade de se integrar diferentes aplicações dentro da plataforma Windows, de forma a solucionar os problemas de desempenho e confiabilidade do até então utilizado padrão DDE (Dynamic Data Exchange).
39
DCOM Como uma continuação da tecnologia OLE, o DCOM (Distribuited Component
Object Model) surgiu junto com o sistema operacional Windows NT e foi logo aceito pela indústria. Basicamente, o DCOM é um conjunto de definições para permitir a implementação de aplicações distribuídas em uma arquitetura clente-servidor (sic). Desta forma, um cliente pode acessar diferentes servidores ao mesmo tempo e um servidor pode disponibilizar suas funcionalidades para diferentes clientes ao mesmo tempo. Através da definição de interfaces, o DCOM permite que objetos sejam instanciados de forma distribuída e seus serviços e métodos (funções) sejam acessíveis por diferentes programas.
A arquitetura do padrão OPC® trabalha com a estrutura de cliente-servidor da
tecnologia DCOM e pelo ponto de vista do cliente, Souza, Seixas Filho e Pena (1998) a
dividem em três objetos básicos: servidor, grupo e item. Sendo o servidor, em essência, uma
estrutura de armazenamento para os grupos que, por sua vez, têm como função armazenar
itens. Estes últimos, elementos mais simples na arquitetura proposta, representam conexões de
pontos de entrada ou saída.
Ainda segundo os autores Souza, Seixas Filho e Pena (1998), o item OPC® não é um
valor, mas apenas uma via de acesso a um valor, ou seja, uma única variável de entrada ou
saída pode ser representada por itens diferentes, com propriedades distintas e compartilhada
por mais de um cliente.
Santos Neto et al (2012) fazem definições mais práticas, onde os servidores são
softwares disponibilizados pelo fabricante, sendo função dos computadores reconhecer os
drivers, que identificam os dados provenientes da rede de comunicação dos equipamentos da
planta industrial e os traduzem para o padrão OPC®. E os clientes são também softwares que
se conectam com um ou mais servidores para trabalhar com os itens disponibilizados.
40
4 DESCRIÇÃO DO PROCESSO
Esta seção apresenta a estrutura, o funcionamento e os equipamentos da planta
experimental de controle de nível que foi desenvolvida no TCC de Gomes, Soares e Teixeira
(2009) e encontra-se atualmente no Laboratório de Controle no Bloco B do IF-Fluminense.
4.1 Planta Experimental de Controle de Nível
A planta é montada em uma estrutura metálica composta por três bandejas conforme a
Figura 11. Para melhor entendimento da localização dos equipamentos, as mesmas servem
para determinar três repartições: superior, central e inferior.
Figura 11 – Planta Experimental de Controle de Nível
Fonte: Elaborada pelos Autores
A apresentação dos equipamentos encontra-se padronizada de acordo com a Norma
ANSI/ISA-5.1-2009, que trata da Identificação e Simbologia para Instrumentação, e
considerou-se ainda a existência de apenas uma malha de controle. Dessa forma, as
41
identificações LG-100, LIT-101, LIY-101, MB-102, HV-01, elaboradas inicialmente por
Gomes, Soares e Teixeira (2009) e adotadas pelos demais autores que trabalharam na planta
experimental de controle de nível, citados nas seções secundárias seguintes, não foram
empregadas. Sobre os disjuntores, cada trabalho identifica-os conforme a quantidade
utilizada. Nesta obra, são considerados apenas dois: DJ-01 e DJ-02.
Na repartição superior, estão presentes o transmissor indicador de nível LIT-100 do
inglês Level Indicator Transmitter, o visor de nível LG-100 do inglês Level Glass e o tanque
de processamento TQ-01.
A chave de partida da bomba composta pelo relé térmico e contato auxiliar, o disjuntor
trifásico de manobra DJ-02 (saída do inversor) e o disjuntor bifásico geral DJ-01 (entrada do
inversor) são os dispositivos de comando e proteção elétrica e localizam-se na repartição
central, assim como o inversor de frequência SY-100 e Controlador Lógico Programável
(CLP) ou do inglês Programmable Logic Controller (PLC), que são os equipamentos de
controle. A válvula HV-100-1 do inglês Hand Valve está instalada na tubulação entre os
tanques TQ-01 e TQ-02 e situa-se na altura da repartição central.
O conjunto motor/bomba MB-100 denominado motobomba, a válvula HV-100-2 e o
tanque de armazenamento TQ-02 ficam fixados na repartição inferior.
Existe uma bancada ao lado da estrutura da planta para apoio do computador, cuja
comunicação com o CLP dá-se através do cabo de rede ETHERNET.
4.2 Equipamentos
A presente seção descreve cada equipamento, enfatizando as principais características
e especificações relevantes para o processo, bem como o funcionamento e comportamento na
planta.
4.2.1 Tanques e Tubulações
O tanque de processamento TQ-01 é composto por uma seção de tubo de policloreto
de polivinila ou do inglês Polyvinyl Chloride (PVC) cujos diâmetros externo e interno são de
300 mm e 290 mm respectivamente, enquanto o tanque de armazenamento TQ-02 é uma
bombona plástica com capacidade de 50 Litros. “As tubulações, conexões e válvulas são de
tubos PVC nos diâmetros de ½”, ¾”, 1” e 1½”.” (GOMES; SOARES; TEIXEIRA, 2009,
p.23).
42
4.2.2 Visor de Nível
O visor de nível LG-100 é constituído por uma mangueira transparente que se estende,
verticalmente, na lateral do tanque de processamento TQ-01 e é fixada em dois pontos do
mesmo. Através de uma graduação em valores de porcentagem marcada no tanque é possível
fazer a leitura direta do nível.
4.2.3 Transmissor Indicador de Nível
O LIT-100 existente na planta fornece a medição do nível de forma indireta por
pressão diferencial. Conforme Gomes, Soares e Teixeira (2009, p. 20), a medição de nível
utilizando instrumentos por princípio de pressão diferencial considera a pressão hidrostática
no interior do reservatório e a atmosférica ou manométrica para o caso de vasos
pressurizados, sendo o diferencial entre as mesmas transformado em níveis de tensão/corrente
gerados pela variação da célula capacitiva existente no instrumento.
4.2.4 Controlador Lógico Programável (CLP)
A International Electrotechnical Commission (2003, tradução nossa) em sua norma
61131-1 define Controlador Lógico Programável como:
Sistema eletrônico operando digitalmente, projetado para uso em um ambiente industrial, que usa uma memória programável para a armazenagem interna de instruções orientadas ao usuário para implementar funções específicas, tais como lógica, sequencial, temporização, contagem e aritmética, para controlar, através de entradas e saídas digitais ou analógicas, vários tipos de máquinas ou processos. Tanto o controlador programável quanto seus periféricos associados são projetados para serem facilmente integráveis em um sistema de controle industrial e facilmente usados em todas suas funções previstas.
“Geralmente as famílias de Controladores Lógicos Programáveis são definidas pela
capacidade de processamento de um determinado número de pontos de Entradas e/ou Saídas
(E/S).” (COUTO, 2006, p. 57).
A planta é equipada com o minicontrolador ILC 150 ETH, CLP da família Inline do
fabricante PHOENIX CONTACT®.
Existe uma interface ETHERNET integrada o que possibilita parametrizar e programar
por meio do software PC WORX/PC WORX EXPRESS e também trocar dados com os
43
servidores OPC® e comunicar com os usuários aptos a TCP/IP. A presença da interface
INTERBUS® garante a adaptação de forma modular às necessidades, ou seja, permite
expansão dos módulos de entrada e saída. Estão presentes no equipamento um módulo com
duas entradas analógicas, uma em tensão e outra em corrente, e dois módulos com uma saída
analógica cada, sendo esta em tensão.
4.2.5 Inversor de Frequência
“Um inversor de frequência é um dispositivo destinado ao controle e variação da
velocidade de motores de indução trifásicos, para isso ele é capaz de gerar tensão e frequência
trifásicas ajustáveis.” (FERREIRA JÚNIOR, 2012, p. 22).
Segundo Capelli (2002, p. 9), os inversores de frequência foram desenvolvidos para
trabalharem com motores de corrente alternada (motores CA ou AC do inglês Alternating
Current) e a velocidade de rotação destes depende da frequência da rede de alimentação de
acordo com a Equação 22:
P
fN .120 (22)
Onde N é a rotação em rpm, f é a frequência da rede em Hz e P é o número de
polos do motor AC. Considerando que P seja fixo dado pela construção do motor AC, pode-
se afirmar que quanto maior f , maior N e vice-versa.
Em síntese, o equipamento tem seu funcionamento baseado em três etapas. A primeira
delas é a retificação da rede alternada cujo circuito é formado por uma ponte retificadora de
onda completa e dois capacitores de filtro. Essa parte do circuito forma um barramento de
corrente contínua (barramento CC ou DC do inglês Direct Current) e alimenta transistores
IGBT (Insulated Gate Bipolar Transistor) o que constitui a segunda etapa. A última delas é a
lógica de controle cujo objetivo é fazer os transistores funcionarem como chaves, dessa
forma, alternam-se entre ligados e desligados os transistores necessários para que seja
possível, a cada ciclo de tempo, alterar o sentido de circulação da corrente pelo motor.
A planta dispõe do inversor de frequência do tipo PWM vetorial, série CFW-07,
modelo CFW-07.4.1/1AC.220-230/H2 de fabricação WEG®. Esse modelo utiliza transistores
IGBT e um circuito eletrônico com processamento de 16 bits disponibilizando diversos
44
parâmetros de ajuste e controle, os quais podem ser ajustados e visualizados através da
Interface Homem-Máquina (IHM) (WEG Automação LTDA, 2001?, p.15).
4.2.6 Motobomba
A transferência do fluido do tanque de armazenamento TQ-02 para o tanque de
processamento TQ-01 é realizada pela motobomba MB-100 do fabricante DANCOR®, linha
CAM-W4, modelo 1BTOOCANXJ1/202E, 3460 rpm.
4.2.7 Componentes Elétricos
Os seguintes componentes elétricos constituem o sistema de comando e proteção da
planta:
a) chave de partida SIEMENS® 3TW4016-1EA40-1AN1 composta por:
– contator auxiliar 3TF40 10-0X;
– relé térmico 3UA50 40-1E;
b) disjuntor tripolar 220/380V C16 3000 PIAL legrand®;
c) disjuntor bipolar 220/380V C16 3000 PIAL legrand®.
4.3 Funcionamento
A planta experimental de controle de nível não possui fins produtivos, sendo apenas
uma ferramenta de caráter didático cujo objetivo é controlar e manter o nível de água do
tanque TQ-01 o mais próximo possível do setpoint.
O funcionamento consiste em um sistema fechado, onde o fluido armazenado no
tanque TQ-02 é transferido para o tanque TQ-01 através da motobomba MB-100 e retorna por
meio da válvula HV-100-1, assim o nível é mantido constante enquanto a vazão de bombeio
for igual à vazão de escoamento entre os tanques. É possível gerar um distúrbio na planta
através da manipulação da válvula HV-100-1. Ver Figura 12:
45
Figura 12 – Fluxograma de Processo e Instrumentação da Planta Experimental de Controle de Nível
Fonte: Elaborada pelos Autores
Sempre quando presente a diferença entre o nível real e o desejado, condição que gera
o erro, haverá uma ação de controle proveniente da malha de controle composta pelo
transmissor de nível, controlador, inversor de frequência e a motobomba que atua variando a
vazão de bombeio (ALVARENGA; CRUZ, 2011, p. 31).
O CLP é empregado como um dispositivo de aquisição de dados (DAQ), portanto não
infere ações de controle sobre os dados adquiridos. Sua entrada analógica recebe o sinal de 4 a
20 mA, oriundo do transmissor indicador de nível LIT-100, referente ao nível medido no
tanque de processamento TQ-01. O controle é realizado pelo Simulink®, ferramenta do
software MATLAB®, presente no computador que recebe, via ETHERNET, os dados
adquiridos pelo CLP.
O sinal de controle proveniente do Simulink® é escrito na saída analógica do CLP e
com isso, de acordo com Souza e Francisco (2010, p. 17), é enviado ao inversor de frequência
SY-100 que realiza uma variação no valor de tensão aplicada à motobomba o que possibilita a
adequação da vazão de bombeio para o TQ-01.
46
5 MATERIAIS E MÉTODOS
O capítulo descreve as etapas constituintes do desenvolvimento do tema proposto e a
sequência obedece à lógica explícita no fluxograma apresentado na Figura 13. Etapas de
configurações prévias como, por exemplo, a configuração da rede para a comunicação do
CLP com os seus módulos INTERBUS® de entrada e saída analógicas, são essenciais e
encontram-se documentadas nos apêndices.
Figura 13 – Materiais e Métodos: Fluxograma
Fonte: Elaborada pelos Autores
5.1 Normalização das Variáveis de Entrada e Saída
Após as configurações da rede INTERBUS® e do padrão OPC® os valores adquiridos
pelo CLP já estão acessíveis pelo Simulink®, porém esses valores, por meio dos cartões de
conversão dos equipamentos, são tratados de forma a terem uma notação que facilite o
processamento eletrônico.
Assim, são apresentados em forma de dados do tipo word que pode ter diferentes
larguras de acordo com a quantidade de bits com o qual tal valor pode ser representado. Um
47
dado word com largura de 16 bits pode apresentar 65536 valores discretos, dessa forma
permite um intervalo de valores de 0 a 65535. É o que ocorre exatamente para o SY-100,
porém para o LIT-100 o intervalo é metade da faixa por considerar valores negativos, ou seja,
varia de -32767,5 a 32767,5 em valores discretos.
Com isso, no que se refere ao acompanhamento das informações via Simulink®, é
importante alterar essas faixas para àquelas de fácil compreensão e rápida assimilação, por
exemplo, para os valores oriundos do LIT-100 fica mais claro e simples um intervalo de 0 a
100%. De forma similar, para o SY-100, a alteração para a faixa em Hertz mostra-se mais
conveniente. De acordo com a Weg Automação Ltda (2001?, p. 7) os valores mínimo e
máximo para a frequência são ajustados de fábrica em 3 e 66 Hz, respectivamente.
Com os blocos OPC® configurados, a primeira ação para a normalização foi elaborar a
estrutura no Simulink® mostrada na Figura 14, onde basicamente é feita a leitura da variável
de entrada e escrita da variável de saída:
Figura 14 – Normalização das Variáveis de Entrada e Saída: Estrutura no Simulink®
Fonte: Elaborada pelos Autores
Em seguida, de forma manual, o TQ-01 foi totalmente preenchido com água e a HV-
100-1, válvula existente entre TQ-01 e TQ-02, foi fechada. Assim, pela estrutura apresentada
na Figura 14, foi possível tomar nota pelo bloco display da indicação do nível em termos de
valores discretos para o TQ-01 em 100% de sua capacidade útil, entende-se por capacidade
48
útil aquela até onde é possível fazer a medição direta pelo LG-100. De forma sistemática, o
fluxo por HV-100-1 foi permitido até que o nível alcançasse valores intermediários
estabelecidos, a saber 75, 50, 25 e 0% por medição direta, e a válvula foi fechada em cada
ponto para que se tomasse nota da leitura. Os valores observados foram evidenciados junto
aos respectivos valores em porcentagem, conforme o Quadro 1:
Quadro 01 – Normalização das Variáveis de Entrada e Saída: Variável de Entrada Leitura do LIT-100
(Valor Discreto) Nível (%)
X Y
31000 100
25170 75
19420 50
13170 25
7131 0 Fonte: Elaborado pelos Autores
A normalização dos valores de saída analógica deu-se de forma similar, uma vez que
dentro do intervalo de trabalho previsto para o SY-100 (0 a 65535) foram calculados valores
intermediários referentes a 25, 50 e 75% da faixa. Porém, esses valores referentes aos pontos
intermediários tiveram que ser inseridos no bloco constante do Simulink® com objetivo de
forçar uma saída no inversor. Os valores documentados no Quadro 2 referem-se aos
observados no display da IHM do SY-100, que foi previamente ajustada por meio da própria
IHM através do parâmetro P005 para que apresentasse os valores em Hz para a frequência
aplicada ao motor, com base em Weg Automação Ltda (2001?, p. 6).
49
Quadro 02 – Normalização das Variáveis de Entrada e Saída: Variável de Saída Valor Escrito no SY-100
(Valor Discreto) Frequência
(Hz)
X Y
3000,00 3,00
16383,75 16,70
32767,50 32,80
49151,25 49,50
65535,00 66,00 Fonte: Elaborado pelos Autores
O processo de Normalização tem como finalidade encontrar uma equação de natureza
linear que correlacione uma faixa de valores em função de outra. Com os dados obtidos, foi
possível elaborar os gráficos das variáveis desejadas em função de valores discretos através
do software Excel®. Ainda com o recurso do Excel
®, foi possível estipular a tendência linear
para as duas situações, gerando as representações gráficas e as respectivas equações da reta.
O Gráfico 1 apresenta a normalização do sinal de entrada analógica oriundo do LIT-
100, correlacionando porcentagem e valores originais em caráter discreto:
Gráfico 01 – Normalização das Variáveis de Entrada e Saída: Gráfico de Tendência Linear da Variável de Entrada
13170; 25
19420; 50
25170; 75
31000; 100
7131; 0
y = 0,0042x - 30,24
0
10
20
30
40
50
60
70
80
90
100
0 5000 10000 15000 20000 25000 30000
Leitura original do LIT-100
Nív
el (%
de
mm
H2O
) .
Tendência Linear
Fonte: Elaborado pelos Autores
50
E a Equação 23 apresenta a função afim estimada pela ferramenta do software Excel®
para os dados obtidos para a variável de entrada:
24,300042,0 xy (23)
O Gráfico 2, por sua vez, correlaciona a frequência obtida para valores discretos
forçados no SY-100 e sua respectiva tendência linear dada pela Equação 24:
0309,0001,0 xy (24)
Gráfico 02 – Normalização das Variáveis de Entrada e Saída: Gráfico de Tendência Linear da Variável de Saída
65535; 66
49151,25; 49,5
32767,5; 32,8
16383,75; 16,7
3000; 3
y = 0,001x + 0,0309
0
10
20
30
40
50
60
0 10000 20000 30000 40000 50000 60000
Valor original do SY-100
Freq
uênc
ia (H
z) .
Tendência Linear
Fonte: Elaborado pelos Autores
Com as equações de tendência linear determinadas, foram elaboradas as functions,
estruturas que permitem adicionar novas funções ao vocabulário do software MATLAB® e
elaboradas a partir de arquivos de texto denominados M-files. Segundo a opção Library
Browser Help da aba Help presente no Simulink®, os M-files podem ser simplesmente
arquivos contendo uma sequência de comandos do MATLAB®, denominados scripts, ou
podem fazer uso de suas próprias variáveis locais e aceitar argumentos de entrada,
caracterizando as chamadas functions.
As Figuras 15 e 16 apresentam as functions editadas em M-file para a normalização
das variáveis de entrada e saída, respectivamente:
51
Figura 15 – Normalização das Variáveis de Entrada e Saída: Function de Normalização da Variável de Entrada
Fonte: Elaborada pelos Autores
Figura 16 – Normalização das Variáveis de Entrada e Saída: Function de Normalização da Variável de Saída
Fonte: Elaborada pelos Autores
A normalização facilita a visualização e manipulação dos valores envolvidos no
processo, porém o tratamento por parte da malha de controle no Simulink® ocorre sobre os
valores originais providos pelos equipamentos, ou seja, em valores discretos. Sendo assim,
para inserir um valor desejado, por exemplo, estipular que o setpoint deve ser de 50% do
nível, essa informação deve ser desnormalizada através de uma nova função afim, obtida a
partir da inversa ( )(1xf
) da função presente na Equação 23 que diz respeito à normalização
da entrada com base na tendência linear da mesma, como demonstra a Equação 25:
72000952,238 xy (25)
52
Conhecida a função de desnormalização da variável de entrada, foi possível elaborar a
respectiva function apresentada na Figura 17:
Figura 17 – Normalização das Variáveis de Entrada e Saída: Function de Desnormalização da Variável de Entrada
Fonte: Elaborada pelos Autores
Para a definição da equação de desnormalização da variável de saída, foi obedecido ao
procedimento realizado para a variável de entrada, sendo assim determinou-se )(1xf
da
Equação 24 para se obter a Equação 26:
9,301000 xy (26)
Com essa informação foi criada a function para desnormalizar o sinal do SY-100 como
mostra a Figura 18:
53
Figura 18 – Normalização das Variáveis de Entrada e Saída: Function de Desnormalização da Variável de Saída
Fonte: Elaborada pelos Autores
5.2 Levantamento do Comportamento do Processo
A seção secundária anterior da presente seção primária forneceu ações ditas como pré-
requisitos para o desenvolvimento do trabalho. Este capítulo inicia de fato a elaboração da
malha de controle a partir da realização de análise do comportamento da planta e suas
características relevantes para o processo, através do levantamento da curva de reação a um
distúrbio em malha aberta.
Com o objetivo de evidenciar a curva de reação em um gráfico, foi essencial
determinar os valores de frequência para os quais o nível permanecesse constante em dois
pontos de operação distintos, sendo 25 e 75% os escolhidos. A busca pela frequência ideal se
deu de forma totalmente empírica para cada ponto de operação, porém foi necessário elaborar
a estrutura no Simulink® representada pela Figura 19:
54
Figura 19 – Levantamento do Comportamento do Processo: Estrutura no Simulink®
Fonte: Elaborada pelos Autores
O valor da variável de entrada proveniente do LIT foi normalizado e observado no
display em valores de porcentagem, já a variável de saída foi informada em Hertz, porém o
bloco function de desnormalização garantiu que o sinal fosse enviado ao SY-100 em valor
discreto.
Durante o levantamento, fase de testes (seção 5.3.2) e simulações finais (seção 6), foi
adotada a mesma abertura de 75% usada por Alvarenga e Cruz (2011) para a HV-100-1, de
forma a possibilitar a comparação de desempenho entre as obras no que diz respeito aos
resultados apresentados.
O procedimento empírico constituiu-se de inserir um valor relativamente alto de
frequência, 50 Hz, por exemplo, com a finalidade de encher o TQ-01 até a altura de
aproximadamente 75% do nível, que neste caso foi o primeiro ponto a ser documentado.
Depois, reduzir a frequência gradativamente até que a vazão de bombeio se equiparasse com a
vazão de fluxo por HV-100-1, condição de nível constante.
Na primeira tentativa não foi possível achar a condição de equilíbrio exatamente no
ponto desejado de 75%, assim foi novamente forçada uma frequência de forma a preencher o
TQ-01 e reduções de frequência mais precisas foram efetuadas até a condição de nível
constante em 75%, situação observada com a frequência em 37,8 Hz. O distúrbio inserido ao
sistema foi sobre a própria frequência, que é a variável manipulada VM, com redução do
valor de 10% da faixa operacional, ou seja, um degrau de - 6,3 Hz. O comportamento da
planta é apresentado pelo Gráfico 3 gerado pelo comando plot(simout) na Workspace do
55
MATLAB®. O procedimento foi realizado durante 300s, porém os gráficos apresentam os
resultados sob a forma de amostras adquiridas a cada 0,5s, ou seja, são 600 amostras.
Gráfico 03 – Levantamento do Comportamento do Processo: Resposta da VP em 75% para um degrau de -10% da VM
Fonte: Elaborado pelos Autores
Para o levantamento da curva de reação em 25% do nível, deixou-se que o nível fosse
reduzido até próximo do ponto desejado e adotou-se a mesma metodologia para o
procedimento empírico empregado para 75%, obtendo como frequência ideal 33,8 Hz e o
comportamento descrito pelo Gráfico 4:
56
Gráfico 04 – Levantamento do Comportamento do Processo: Resposta da VP em 25% para um degrau de -10% da VM
Fonte: Elaborado pelos Autores
Pela análise das curvas descritas nos Gráficos 3 e 4, conclui-se que o sistema
comporta-se como integrador. Com o processo operando em carga alta (75%) houve uma
resposta lenta e sem estabilização dentro do período de coleta de dados, o que será
contrabalanceado no controle com um baixo valor para o Ganho Integral iK que corresponde
a um alto valor para o Tempo Integral iT visto que são parâmetros inversamente
proporcionais, porém a informação em iK é melhor aproveitada pelo fato do bloco PID do
MATLAB® trabalhar com esse parâmetro para ajuste da ação integral.
Para a operação em carga baixa (25%) será considerado um alto valor para o Ganho
Integral iK o que significa baixo valor para iT .
57
5.3 Elaboração da malha de controle PI supervisionado por fuzzy
Este capítulo divide-se em três outras seções que abordam as etapas necessárias para
desenvolver o controle da planta, sendo elas: a elaboração dos diagramas de blocos no
Simulink®, o estudo dos ganhos inferidos ao processo e o desenvolvimento da lógica fuzzy
como método de sintonia.
5.3.1 Diagramas de blocos
Duas estruturas foram desenvolvidas no Simulink® como malhas de controle sendo a
primeira delas baseada no controlador puramente PID (ver Figura 20), de forma a oferecer
base de resultados para a comparação de desempenho em relação ao controle PI
supervisionado por fuzzy, este último desenvolvido como proposta para este TCC.
Figura 20 – Diagramas de Blocos: PID
Fonte: Elaborada pelos Autores
A malha de controle foi desenvolvida de forma a permitir que o valor de setpoint seja
informado em valores de porcentagem e a function de desnormalização converte para valores
discretos que são comparados com os valores obtidos pelo OPC Read referentes à medição do
LIT-100. O valor do erro é o resultado dessa comparação e alimenta o bloco PID Controller
que fornece o sinal de controle enviado para o SY-100 por meio do bloco OPC Write. Através
das functions de normalização é possível acompanhar a frequência em Hertz e o nível em
porcentagem. Foram usados ainda blocos denominados Saturation capaz de estabelecer
58
limites mínimo e máximo para os sinais, obedecendo aos seguintes intervalos: 0 a 65535 para
o sinal de controle oriundo da ação PID, 0 a 100 % para o nível e 3 a 66 Hz para a frequência.
A estrutura é relativamente simples diferenciando-se por apresentar os blocos OPC® e as
functions para o tratamento de valores.
A Figura 21 apresenta a estrutura principal desenvolvida, visto que refere-se ao
objetivo desta obra, ou seja, permite o controle PI supervisionado por fuzzy da planta tendo o
setpoint como entrada fuzzy.
Figura 21 – Diagramas de Blocos: PI supervisionado por fuzzy
Fonte: Elaborada pelos Autores
Com a observação da malha de controle PI supervisionado por fuzzy apresentada na
Figura 21, é possível observar que a aquisição e o tratamento de sinais não se diferem do
controle puramente PID mostrado na Figura 20. A diferença dá-se nas alterações efetuadas
para introduzir a autossintonia por fuzzy.
Para isso, a primeira atitude foi criar um novo Subsystem para hospedar o controlador
PI e permitir a criação de mais entradas, visto que o bloco original PID Controller do
Simulink® possui somente uma entrada referente ao erro que, consequentemente, alimenta três
blocos Gain, conforme a Figura 22 obtida pela opção Look Under Mask ao clicar com o botão
direito do mouse sobre bloco:
59
Figura 22 – Diagramas de Blocos: Under Mask do bloco PID Controller
Fonte: Elaborada pelos Autores
Sobre esse diagrama, o Subsystem PID Controller foi criado (ver Figura 23) pela
substituição de cada bloco Gain por um Product de forma a receber a entrada já existente para
o erro e a nova entrada criada para cada saída fuzzy referente a cada parâmetro do PID. O
trecho equivalente à ação derivativa foi excluído por ser considerado um controle PI.
Figura 23 – Diagramas de Blocos: Subsystem para o PID Controller
Fonte: Elaborada pelos Autores
Por fim, foi adicionado o bloco Fuzzy Logic Controller que dá conta do escalonamento
dos ganhos fornecendo como saídas valores para os parâmetros do controlador PI, ou seja,
valores de pK e iK .
60
5.3.2 Estudo dos Ganhos
A fim de estabelecer o universo de discurso de cada uma das variáveis linguísticas de
saída fuzzy, sendo elas os ganhos proporcional e integral que serão inferidos ao processo, foi
realizada uma sequência de teste para descobrir então os valores de pK e iK que melhor
controlam o sistema em duas faixas de operação distintas, 25% e 75%, com isso, usou-se a
ideia de regimes em cargas baixa e alta.
Para análise de desempenho são evidenciados os seguintes índices: máximo
sobressinal ou overshoot (Mp) em porcentagem do valor final, tempo de subida (tr) para o
intervalo de 0% a 100% do valor final, tempo de descida (td) e tempo de acomodação (ts) com
faixa de tolerância de ±2,5% do valor final em regime permanente. É importante ressaltar que
os tempos de subida e descida para as curvas que não tocam ou cruzam o setpoint são
determinados quando a resposta atinge ±2,5% do valor final.
Para evidenciar os tempos dos índices de desempenho, os valores retirados dos
gráficos como amostras são convertidos para unidade de tempo em segundos com base na
taxa já informada na seção 5.2 de 2 amostras/s. São ainda considerados e descontados os
tempos de atraso não determinísticos decorrentes do loop de processamento no Simulink® e
que estão presentes no início e no momento das transições entre os regimes.
5.3.2.1 Regime em carga baixa (25% do nível)
Para facilitar a escala de valores a serem escolhidos e evitar testes excessivos, foram
considerados para o primeiro teste parâmetros sintonizados pelo Método de Ziegler-Nichols
ditos como ideais por Alvarenga e Cruz (2011) para um setpoint de 25%, a saber 00,3pk e
09,0ik .
Com esses valores preestabelecidos e tendo como base a análise do comportamento do
processo existente na seção 5.2, os testes foram realizados por tentativa e erro a fim de
melhorar o desempenho e foi usado o tempo de 600s, dessa forma, foram 1200 amostras
coletadas em cada teste.
O comportamento do teste 1 (ver Gráfico 5) apresenta tr = 126,5s, oscilações e
consequente alto tempo de acomodação de 205,5s no regime de 25% ocasionados pela ação
integral, o que permite afirmar que a relação entre os valores dos ganhos proporcional e
integral está com dosagem inadequada, ou seja, uma combinação não balanceada onde o
61
efeito negativo da ação integral se sobressaiu. No degrau para 15% não houve enquadramento
da resposta na faixa de tolerância escolhida de ±2,5%, dessa forma, considerou-se sem
acomodação para o tempo proposto do teste, porém o sistema tem tendência a estabilizar.
Gráfico 05 – Regime em carga baixa (25% do nível): Teste 1 com 00,3pk e 09,0i
k
Fonte: Elaborado pelos Autores
Em seguida, para o teste 2 aumentou-se o pk para 5,00 e manteve-se o ik em 0,09 de
forma a verificar se essa combinação tende a diminuir a oscilação da resposta. Conforme o
Gráfico 6, houve melhora significativa e sem overshoot, porém a resposta foi mais lenta com
tempos de subida e acomodação de 182s para o regime de 25%. No degrau para 15% agora
foi possível observar acomodação em 107s.
62
Gráfico 06 – Regime em carga baixa (25% do nível): Teste 2 com 00,5pk e 09,0i
k
Fonte: Elaborado pelos Autores
O teste 3 teve o objetivo de verificar o efeito da ação integral, e para isso aumentou-se
o ik para 0,50 mantendo-se pk em 5,00. O Gráfico 7 permite observar que há o retorno do
overshoot com pico de 31,20% do nível, ou seja, Mp = 24,80% e que apesar de diminuir o
tempo de subida para 28,5s o sistema respondeu com mais oscilações, embora amortecidas
com ts = 140s no regime de 25%. Houve aumento no tempo de acomodação para o regime de
15% com ts = 144s, ou seja, desvantagem de 37s quando comparado ao teste 2. De forma
semelhante ao teste 1, porém mais evidente, novamente teve-se a combinação dos parâmetros
com baixo valor proporcional em relação ao valor integral.
63
Gráfico 07 – Regime em carga baixa (25% do nível): Teste 3 com 00,5pk e 50,0i
k
Fonte: Elaborado pelos Autores
Dessa forma, o teste 4 manteve o 00,5pk e reduziu o ik para 0,12 de acordo com o
Gráfico 8:
Gráfico 08 – Regime em carga baixa (25% do nível): Teste 4 com 00,5pk e 12,0i
k
Fonte: Elaborado pelos Autores
Apesar do resultado satisfatório mostrado no Gráfico 8 sem overshoot, tempos de
subida e acomodação de 125,5s para o regime de 25% e estabilização em 15% com 101,5s,
foram realizados mais testes com o objetivo de diminuir os tempos de resposta do sistema,
pois a finalidade desta seção é levantar valores que apresentam melhor desempenho.
64
Para o teste 5, foi mantido o valor de ik em 0,12 e escolhido o valor de 00,10pk
com o intuito de verificar a atuação na diminuição do tempo de subida e efeito no overshoot.
Houve aumento nos tempos de subida e acomodação, onde tr = ts com 249,5s e sem overshoot
para o setpoint de 25%. É possível observar que a primeira metade da faixa é atingida de
forma rápida ocasionada pelo aumento de pk , porém a resposta se aproxima de forma lenta da
referência e a ação proporcional tende a prevalecer sobre o baixo valor de ik associado, assim
o erro em regime permanente (offset) é eliminado mais lentamente.
Na transição para o degrau de 15%, o tempo de acomodação foi de 83,5s e overshoot
de MP = - 5,47%, ou seja, a resposta do sistema chegou à 14,18% do nível, como pode ser
visto no Gráfico 9:
Gráfico 09 – Regime em carga baixa (25% do nível): Teste 5 com 00,10pk e 12,0i
k
Fonte: Elaborado pelos Autores
Dessa forma, decidiu-se aumentar o valor de ik para 0,35 mantendo o valor de 10,00
para pk , conforme o teste 6 evidenciado no Gráfico 10:
65
Gráfico 10 – Regime em carga baixa (25% do nível): Teste 6 com 00,10pk e 35,0i
k
Fonte: elaborado pelos Autores
É possível observar que o teste 6 apresenta uma leitura negativa de -2,146% do nível
gerando um range de operação maior onde o sistema necessitou de 5,5s para cruzar o valor de
0%, isso impacta nos tempos de subida e acomodação, porém mesmo com o desvio o teste
apresentou melhores resultados nos tempos de resposta bem como no overshoot. Com as
informações dos testes realizados foi elaborado o Quadro 3 onde estão evidenciados os
ganhos analisados e os respectivos índices de desempenho, Mp, tr, td e ts.
Quadro 03 – Regime em carga baixa (25% do nível): Relação dos ganhos analisados e Índices de Desempenho
Testes
Ganhos Índices de Desempenho
pk ik
MP (%) MP (%) degrau
tr (s) td (s) ts (s)
25% 15% 25% 15% 25% 15%
Teste 1 3,00 0,09 6,84 - 13,60 126,5 35,5 205,5 -
Teste 2 5,00 0,09 0,00 - 7,27 182,0 29,0 182,0 107,0
Teste 3 5,00 0,50 24,80 - 31,80 28,5 13,0 140,0 144,0
Teste 4 5,00 0,12 0,00 - 10,13 125,5 26,0 125,5 101,5
Teste 5 10,00 0,12 0,00 - 5,47 249,5 15,0 249,5 83,5
Teste 6 10,00 0,35 0,00 - 17,07 49,5 11,0 49,5 53,0 Fonte: Elaborado pelos Autores
66
Com base nos índices de desempenho expostos no Quadro 3, foram escolhidos os
ganhos do teste 6, ou seja, 00,10pk e 35,0i
k , como sendo os ideais para a faixa de
operação de 25% do nível (carga baixa).
Os tempos apresentados na análise dos índices de desempenho da presente seção já
consideram os atrasos de loop do sistema, porém os tempos de atraso estão evidenciados no
Quadro 4 para efeito de registro da informação.
Quadro 04 - Regime em carga baixa (25% do nível): Atrasos não determinísticos de loop do sistema Regime em carga baixa
(25% do nível) Atraso do sistema para as transições (s)
Testes 0% > 25% 25% > 15%
Teste 1 5,5 3,0
Teste 2 6,5 3,0
Teste 3 7,5 3,0
Teste 4 5,5 2,5
Teste 5 6,0 2,5
Teste 6 8,5 3,0 Fonte: Elaborado pelos Autores
5.3.2.2 Regime em carga alta (75% do nível)
Para o estudo nessa faixa de operação foi considerado inicialmente os ganhos que
melhor controlam em 25% determinados na seção anterior 5.3.2.1, ou seja, 00,10pk e
35,0ik . Porém, o teste não foi evidenciado, pois houve saturação da saída e o consequente
transbordo do TQ-01 mostrando-se com desempenho inadequado. Dessa forma, o primeiro
teste escolhido para documentar foi realizado a partir dos ganhos aplicados inicialmente em
25%, ou seja, 00,3pk e 09,0ik , pois esses foram ditos por Alvarenga e Cruz (2011)
como satisfatórios também para a faixa de 75%.
Os testes realizados para a carga alta apresentaram leitura negativa na partida do
sistema, ou seja, o LIT-100 marcou valores abaixo de 0%, porém os valores foram
semelhantes para cada teste com aproximadamente -1% do nível. Com isso, como não houve
alteração considerável de range de operação entre os testes, a análise dos tempos não sofreu
impacto.
67
O teste 1 é mostrado no Gráfico 11 e apresenta em 75% desempenho com overshoot
de 11,69%, tempo de subida de 60s e acomodação em 148,5s. No degrau para 65%, a resposta
apresentou Mp = - 3,54% e tempo de acomodação de 93s.
Gráfico 11 – Regime em carga alta (75% do nível): Teste 1 com 00,3pk e 09,0i
k
Fonte: Elaborado pelos Autores
Foi realizada no teste 2 a tentativa de eliminação do overshoot por meio da redução de
pk para 1 e manteve-se o ik em 0,09. Novamente houve o efeito contrário ao desejado com
alto overshoot de 34,53% o que saturou o nível. O processo apresentou tempo de subida 23s
mais lento que o teste anterior com tr = 83s e altas oscilações amortecidas, porém o tempo de
acomodação para 75% não foi alcançado antes do degrau. Para o regime em 65%, a
estabilização se deu ao final do teste em 259s, conforme o Gráfico 12:
68
Gráfico 12 – Regime em carga alta (75% do nível): Teste 2 com 00,1pk e 09,0i
k
Fonte: Elaborado pelos Autores
Poderia ser reduzido ik de forma a se associar melhor com o ganho proporcional
baixo igual a 1, porém o intuito é buscar o menor tempo de resposta, assim decidiu-se
trabalhar com o maior pk possível em cada faixa de operação. Dessa forma, o teste 3
priorizou 00,5pk mantendo 09,0ik . O tempo de subida de 60,5s é melhor quando
comparado ao teste 2 (tr = 83s), porém sem diferença significativa em relação ao tempo do
teste 1 (tr = 60s). As oscilações observadas no teste 2 já não estiveram presentes e houve
acomodação no regime de 75% com ts = 145s, o que mostra vantagem de apenas 3,5s em
relação ao teste 1. Para o degrau, a redução do tempo de acomodação para 19,5s é bem
expressiva frente aos valores dos testes anteriores. Ver Gráfico 13:
69
Gráfico 13 – Regime em carga alta (75% do nível): Teste 3 com 00,5pk e 09,0i
k
Fonte: Elaborado pelos Autores
No teste 4, foi reduzido ik para 0,05 e foi mantido 00,5pk com a finalidade de
realizar um ajuste fino no desempenho, porém a alteração provocou em 75% os demasiados
188s para o tempo de subida e também para o tempo de acomodação, ou seja, tr = ts. Para o
regime de 65%, a estabilização apresentou vantagem de apenas 2s em relação ao teste 3, ou
seja, o sistema necessitou de 17,5s para permanecer na faixa de ±2,5% do valor final (ver
Gráfico 14).
Gráfico 14 – Regime em carga alta (75% do nível): Teste 4 com 00,5pk e 05,0i
k
Fonte: Elaborado pelos Autores
70
Dessa forma, verificou-se a necessidade de estabelecer um valor de ik entre 0,05 e
0,09 que mantenha boa relação com 00,5pk , o teste 5 considerou o valor 0,07 (ver Gráfico
15).
Gráfico 15 – Regime em carga alta (75% do nível): Teste 5 com 00,5pk e 07,0i
k
Fonte: Elaborado pelos Autores
Com o mesmo objetivo explicado na seção 5.3.2.1, as informações levantadas pelos
testes foram consolidadas no Quadro 5, onde é possível avaliar que novamente foi o último
teste que apresentou os melhores índices de desempenho e com isso adotou-se os ganhos
00,5pk e 07,0i
k para o regime em carga alta (75% do nível).
Quadro 05 – Regime em carga alta (75% do nível): Relação dos ganhos analisados e Índices de Desempenho
Testes
Ganhos Índices de Desempenho
pk ik
MP (%) MP (%) degrau
tr (s) td (s) ts (s)
75% 65% 75% 65% 75% 65%
Teste 1 3,00 0,09 11,69 - 3,54 60,0 33,5 148,5 93,0
Teste 2 1,00 0,09 34,53 - 10,91 83,0 - - 259,0
Teste 3 5,00 0,09 7,35 - 1,95 60,5 26,0 145,0 19,5
Teste 4 5,00 0,05 0,00 - 1,52 188,0 29,0 188,0 17,5
Teste 5 5,00 0,07 0,59 - 1,66 93,0 29,0 71,0 20,0 Fonte: Elaborado pelos Autores
71
Novamente são apresentados os tempos de atraso do sistema, porém agora para os
testes realizados em 75% do nível, conforme Quadro 6:
Quadro 06 - Regime em carga alta (75% do nível): Atrasos não determinísticos de loop do sistema Regime em carga alta
(75% do nível) Atraso do sistema para as transições (s)
Testes 0% > 75% 75% > 65%
Teste 1 9,0 3,5
Teste 2 6,0 0,0
Teste 3 6,0 3,0
Teste 4 6,5 2,5
Teste 5 6,5 2,5 Fonte: Elaborado pelos Autores
5.3.3 Editor da Lógica Fuzzy
O desenvolvimento do controle fuzzy ocorreu pela interface apresentada na Figura 24
obtida a partir do comando fuzzy na Workspace do MATLAB®.
Figura 24 – Editor da Lógica Fuzzy
Fonte: Elaborada pelos Autores
Através dessa janela, é possível observar que existe uma variável de entrada (input1) e
uma de saída (output1), com isso foi necessária a criação de uma nova variável de saída
72
através da opção Add Variable... na aba Edit. O novo aspecto do editor fuzzy é apresentado na
Figura 25, onde a variável de entrada SP é o valor de setpoint e as duas variáveis de saída
nomeadas de pk e i
k referem-se então aos parâmetros proporcional e integral
respectivamente.
Figura 25 – Editor da Lógica Fuzzy: Variáveis criadas
Fonte: Elaborada pelos Autores
Para as funções de pertinência desenvolvidas, foi escolhido o perfil trapezoidal
(trapmf). A Figura 26 mostra as informações que caracterizam a variável linguística SP, tendo
baixo e alto como termos linguísticos no universo de discurso de 0 a 100 (%):
73
Figura 26 – Editor da Lógica Fuzzy: Função de Pertinência da entrada fuzzy SP
Fonte: Elaborada pelos Autores
As funções de pertinência das saídas pK e iK estão evidenciadas nas Figuras 27 e 28
e, assim como na entrada SP, são usados os termos linguísticos baixo e alto.
Figura 27 – Editor da Lógica Fuzzy: Funções de Pertinência da saída fuzzy pK
Fonte: Elaborada pelos Autores
74
Figura 28 – Editor da Lógica Fuzzy: Funções de Pertinência da saída fuzzy iK
Fonte: Elaborada pelos Autores
O intervalo do conjunto suporte de cada variável de saída foi determinado baseado na
simulação realizada pela ferramenta Rules na aba View. Através dessa interface foi possível
variar os valores de entrada, ou seja, os valores de SP e observar o comportamento dos
valores de saída. Dessa forma, os intervalos foram estabelecidos de forma que para cada
patamar de operação, ou seja, 25% e 75% da entrada, fossem obtidos valores de pK e iK
tidos como ideais de acordo com os testes realizados na seção 5.3.2, a saber, 10pK e
35,0iK para 25% e 00,5pK e 07,0iK para 75% . A Figura 29 exemplifica o
procedimento para o valor de 25% de SP.
É importante ressaltar que os formatos das funções de pertinência documentadas nas
Figuras 27 e 28 encontram-se na versão final, porém no primeiro momento a disposição dos
patamares é aleatória visto que para a simulação pela interface View Rules é necessário inserir
as regras da lógica fuzzy.
75
Figura 29 – Editor da Lógica Fuzzy: View Rules
Fonte: Elaborada pelos Autores
Para a elaboração das regras na máquina de inferência do tipo Mamdani, considerou-se
a conclusão acerca do comportamento do processo apresentada no fim da seção 5.2. Pelo fato
de haver apenas uma variável de entrada com dois termos linguísticos, foram elaboradas
apenas duas regras, apresentadas na Figura 30 e transcritas nas alíneas seguintes:
a) if (SP is baixo) then ( pK is alto)( iK is alto);
b) if (SP is alto) then ( pK is baixo)( iK is baixo).
76
Figura 30 – Editor da Lógica Fuzzy: Regras de Inferência
Fonte: Elaborada pelos Autores
Com essa sequência de ações foi concluída a elaboração da lógica fuzzy e criado um
arquivo com extensão .fis, no caso o arquivo foi salvo como SP.fis.
Para que o arquivo criado pelo editor fuzzy esteja acessível ao software de simulação
Simulink®, é necessário exportá-lo para Workspace do MATLAB® por meio da opção Export
To Workspace... presente na aba file e no próprio Simulink® deve-se efetuar duplo clique
sobre o bloco fuzzy logic controller e digitar o nome com o qual foi salvo o arquivo do editor
fuzzy.
77
6 RESULTADOS
Com a finalidade de apresentar e comparar os resultados do desempenho dos controles
PID e PI supervisionado por fuzzy, foram realizadas quatro simulações para cada malha de
controle. A disposição dos gráficos dos resultados está de forma a confrontar os dados de cada
malha.
Para as duas primeiras simulações, que possuem quatro patamares, as amostras foram
coletadas durante 1680s (28min) e a cada 420s (7min) efetuou-se o degrau. E para as duas
restantes, foi usado o tempo de 1260s (21min), visto que possui um patamar a menos, mas
manteve-se o intervalo de 420s (7min) para cada degrau. Novamente vale a taxa de uma
amostra para cada 0,5s e foram considerados os tempos não determinísticos de atraso de loop
do sistema.
A primeira simulação refere-se ao resultado quando o sistema operou inicialmente em
carga baixa (25% do nível) e foi dado o degrau para 15% e por último o sistema foi
direcionado a operar em carga alta (75% do nível) e nessa faixa também foi dado um degrau
de 10%, ou seja, o setpoint foi alterado para 65% (ver Gráficos 16 e 17).
Gráfico 16 – Resultados: PID com 00,3pk e 09,0i
k - Variação de setpoint de 25% para 75% com
respectivos degraus
Fonte: Elaborado pelos Autores
78
Gráfico 17 – Resultados: PI supervisionado por fuzzy – Variação de setpoint de 25% para 75% com respectivos degraus
Fonte: Elaborado pelos Autores
O PI supervisionado por fuzzy reduziu as oscilações em torno do setpoint e apresenta
overshoot menor nas duas faixas de operação, mas a redução considerável se deu no regime
de 75%, onde se tem pico de 91,52%, ou seja, Mp = 22,03% e o PID com pico de 99,15% do
nível (Mp = 32,20%).
Os tempos de subida e acomodação são menores para todos os regimes quando o
sistema foi supervisionado pela lógica fuzzy, porém há exceção na transição para a carga alta
(75% do nível) onde o tempo de subida foi de 48,0s para o PI supervisionado e 46,5s para o
PID. A diferença é sutil já que os valores dos ganhos ajustados pela lógica fuzzy para esse
regime foram próximos aos usados pelo controlador PID.
Para o tempo de acomodação, como já informado na seção 5.3.2, foi usada a faixa de
tolerância de ± 2,5% do valor final em regime, ou seja, porcentagem do setpoint. Assim, no
degrau para 15% existe acomodação em 67,0s no sistema controlado por PI supervisionado
por fuzzy e para o PID não há estabilização antes do sistema ser direcionado para o regime em
75%, porém é importante ressaltar que existe tendência de estabilização e a acomodação não
se deu para a faixa de tolerância adotada de ± 2,5% no tempo proposto para a dada simulação.
Para melhor comparativo de desempenho das simulações realizadas, as informações
dos índices referentes a cada malha de controle foram consolidadas no Quadro 7.
79
Quadro 07 - Resultados: Simulação da variação de setpoint de 25% para 75% com respectivos degraus - Relação dos Índices de Desempenho
25% > 75% Malha de Controle
Índices de Desempenho PID PI supervisionado por fuzzy
Mp (%) 25% 8,80 0,00
75% 32,20 22,03
Mp (%) degrau
15% - 15,80 - 27,13
65% - 4,06 - 2,48
tr (s) 25% 111,0 40,0
75% 46,5 48,0
td (s) 15% 30,0 10,0
65% 32,0 28,5
ts (s)
25% 194,5 40,0
15% - 67,0
75% 224,0 190,5
65% 91,5 20,0 Fonte: Elaborado pelos Autores
Para efeito de comprovação do real escalonamento dos ganhos pela lógica fuzzy na
malha do controle PI supervisionado, são demonstradas as variações em gráficos referentes a
cada simulação. Dessa forma, o Gráfico 18 apresenta os dados coletados dos ganhos para a
simulação de subida de carga baixa para alta com os respectivos degraus.
80
Gráfico 18 – Resultados: Escalonamento dos ganhos – Variação de setpoint de 25% para 75% com respectivos degraus
Fonte: Elaborado pelos Autores
Ainda sobre os resultados nas zonas de cargas baixa e alta, a segunda simulação
percorre o sentido de descida, ou seja, partindo o sistema em 75% até 25% preservando os
mesmos valores para os degraus, ou seja, 65% e 15%, conforme os Gráficos 19 e 20:
Gráfico 19 – Resultados: PID com 00,3pk e 09,0i
k - Variação de setpoint de 75% para 25% com
respectivos degraus
Fonte: Elaborado pelos Autores
81
Gráfico 20 – Resultados: PI supervisionado por fuzzy – Variação de setpoint de 75% para 25% com respectivos degraus
Fonte: Elaborado pelos Autores
Novamente o controle com ganhos escalonados pelo PI supervisionado por fuzzy
apresentou de forma geral melhor desempenho, porém um ponto importante é a queda brusca
na transição de carga alta (75% do nível) para a baixa (25% do nível) com pico de 1,67% do
nível, ou seja, Mp = - 93,32%.
Como foi visto na simulação anterior, o PID novamente não obteve acomodação na
faixa de tolerância de ± 2,5% durante o tempo proposto de simulação para o regime de 15%,
contudo deve-se ressaltar que tem tendência de estabilização em período superior ao da
simulação.
Houve menores oscilações em torno do setpoint e consequente diminuição dos tempos
de acomodação em todos os regimes, como pode ser verificado no Quadro 8 com as
informações comparativas dos índices de desempenho.
82
Quadro 08 - Resultados: Simulação da variação de setpoint de 75% para 25% com respectivos degraus - Relação dos Índices de Desempenho
75% > 25% Malha de Controle
Índices de Desempenho PID PI supervisionado por fuzzy
Mp (%) 75% 12,53 1,81
Mp (%) degrau
65% - 3,26 - 2,09
25% - 55,56 - 93,32
15% - 17,53 - 21,20
tr (s) 75% 82,5 79,0
td(s)
65% 31,5 27,5
25% 32,5 31,0
15% 30,5 9,5
ts (s)
75% 216,5 78,5
65% 85,5 18,5
25% 205,0 126,5
15% - 60,0 Fonte: Elaborado pelos Autores
O Gráfico 21 apresenta os ganhos ajustados pela lógica fuzzy para a simulação de
transição entre as cargas alta e baixa no sentido de descida:
83
Gráfico 21 – Resultados: Escalonamento dos ganhos – Variação de setpoint de 75% para 25% com respectivos degraus
Fonte: Elaborado pelos Autores
Por último, foram documentados os resultados da resposta do sistema para a faixa
intermediária, ou seja, 50% com degrau para 40%. Os Gráficos 22 e 23 evidenciam a subida
com o processo iniciado para operar em 25% e depois transitar para 50% onde foi dado o
degrau.
Gráfico 22 – Resultados: PID com 00,3pk e 09,0i
k - Variação de setpoint de 25% para 50% com
respectivo degrau
Fonte: Elaborado pelos Autores
84
Gráfico 23 – Resultados: PI supervisionado por fuzzy – Variação de setpoint de 25% para 50% com respectivo degrau
Fonte: Elaborado pelos Autores
Pela análise dos Gráficos 22 e 23 é possível afirmar que os ganhos escalonados por
meio da lógica fuzzy permitiram melhorar o desempenho ao logo de toda simulação e pelo
Quadro 9 é possível discorrer sobre os índices de desempenho para cada malha.
Quadro 09 - Resultados: Simulação da variação de setpoint de 25% para 50% com respectivo degrau - Relação dos Índices de Desempenho
25% > 50% Malha de Controle
Índices de Desempenho PID PI
supervisionado por fuzzy
Mp (%) 25% 7,72 0,00
50% 12,20 12,42
Mp (%) degrau
40% - 6,05 - 5,48
tr (s) 25% 109,5 34,5
50% 34,0 19,0
td (s) 40% 34,5 11,0
ts (s)
25% 200,0 34,5
50% 124,5 83,0
40% 116,5 45,0 Fonte: Elaborado pelos Autores
85
Observa-se que não houve diferença considerável do overshoot no regime de 50%,
onde o PI supervisionado apresentou MP = 12,42% e o PID obteve MP = 12,20%, porém, além
das oscilações, o PI supervisionado por fuzzy estabelece reduções consideráveis nos tempos de
subida, descida e acomodação para todos os regimes desta simulação quando comparado com
o PID.
O escalonamento dos ganhos para a faixa intermediária de operação é apresentado no
Gráfico 24:
Gráfico 24 – Resultados: Escalonamento dos ganhos – Variação de setpoint de 25% para 50% com respectivo degrau
Fonte: Elaborado pelos Autores
Os Gráficos 25 e 26 finalizam as simulações e referem-se ao levantamento de
resultados para a faixa intermediária, porém agora no sentido de descida com transição entre
75% e 50%.
86
Gráfico 25 – Resultados: PID com 00,3pk e 09,0i
k - Variação de setpoint de 75% para 50% com
respectivo degrau
Fonte: Elaborado pelos Autores
Gráfico 26 – Resultados: PI supervisionado por fuzzy – Variação de setpoint de 75% para 50% com respectivo degrau
Fonte: Elaborado pelos Autores
As reduções das oscilações e dos tempos de subida e acomodação foram verificadas
em cada regime quando o processo estava sob o controle do PI supervisionado por fuzzy,
como pode ser comprovado no Quadro 10:
87
Quadro 10 - Resultados: Simulação da variação de setpoint de 75% para 50% com respectivo degrau- Relação dos Índices de Desempenho
75% > 50% Malha de Controle
Índices de Desempenho PID PI
supervisionado por fuzzy
Mp (%) 75% 14,92 1,36
Mp (%) degrau
50% - 12,24 - 19,56
40% - 6,15 - 6,00
tr (s) 75% 74,0 70,5
td (s) 50% 29,5 20,0
40% 31,5 10,0
ts (s)
75% 212,5 70,5
50% 114,5 76,5
40% 98,0 41,5 Fonte: Elaborado pelos Autores
O Gráfico 27 apresenta os ganhos para a última simulação realizada:
Gráfico 27 – Resultados: Escalonamento dos ganhos – Variação de setpoint de 75% para 50% com respectivo degrau
Fonte: Elaborado pelos Autores
88
O Quadro 11 apresenta os tempos não determinísticos de atraso de loop do sistema de
controle no Simulink® para efeito de evidência e conhecimento, porém é importante ressaltar
que os tempos de subida, descida e acomodação apresentados anteriormente na análise dos
índices de desempenho já descontam tais atrasos:
Quadro 11 – Resultados: Atrasos não determinísticos de loop do sistema 1ª Simulação 25% > 75%
Atraso do sistema para as transições (s)
Malha de Controle 0% > 25% 25% > 15% 15% > 75% 75% > 65%
PID 5,5 5,0 4,0 5,5
PI supervisionado por fuzzy 12,5 7,5 5,0 2,5
2ª Simulação 75% > 25%
Atraso do sistema para as transições (s)
Malha de Controle 0% > 75% 75% > 65% 65% > 25% 25% > 15%
PID 6,0 5 3,5 4,5
PI supervisionado por fuzzy 11 4,5 4,0 5,0
3ª Simulação 25% > 50%
Atraso do sistema para as transições (s)
Malha de Controle 0% > 25% 25% > 50% 50% > 40%
PID 6,0 5,0 4,0
PI supervisionado por fuzzy 13 4,5 4,0
4ª Simulação 75% > 50%
Atraso do sistema para as transições (s)
Malha de Controle 0% > 75% 75% > 50% 50% > 40%
PID 6,0 7,5 4,5
PI supervisionado por fuzzy 12 4,5 4,5 Fonte: Elaborado pelos Autores
89
7 CONCLUSÃO
O presente Trabalho de Conclusão de Curso teve como proposta a abordagem da
Inteligência Artificial na Planta Experimental de Controle de Nível com a utilização do
escalonamento dos ganhos de controlador PI por meio da Lógica Fuzzy, ou seja, controlador
PI supervisionado por fuzzy.
De forma geral, os resultados do controle proposto neste TCC apresentam melhor
desempenho quando comparados com os levantados para o controlador puramente PID,
sintonizado com parâmetros abordados por Alvarenga e Cruz (2011). Conclui-se pela análise
dos índices de desempenho que a utilização da Inteligência Artificial melhorou o tempo de
subida, bem como o tempo de acomodação e as oscilações em torno do setpoint.
Apesar dos resultados satisfatórios, é importante ressaltar que, no momento dos
degraus de decaimento referentes a 10% da faixa de operação, o controle PI com supervisão
fuzzy apresenta quedas mais bruscas que as existentes no processo submetido ao PID.
Como sugestão dos autores, os trabalhos futuros podem expandir a utilização de
sistemas inteligentes na planta experimental de controle de nível e/ou a abordagem
diferenciada para a autossintonia por escalonamento por meio da lógica fuzzy, onde seriam
usados o erro e sua respectiva derivada como entradas fuzzy.
90
REFERÊNCIAS
AFFONSO, Camila Rodrigues; SANTOS, Rafael Augusto Duque Estrada. Aplicação de Lógica Fuzzy à localização de instalações. Rio de Janeiro: UFRJ, 2012.
ALMEIDA, Eduardo Herculano de. Estudo de controladores baseados em lógica fuzzy. Ouro Preto: UFOP, 2006.
ALMEIDA, Otacílio M.; COELHO, Antonio A. R. Controlador PID com escalonamento nebuloso dos ganhos: auto-sintonia, análise e implementação. In: Simpósio Brasileiro de Automação Inteligente, 5, 2001, Canela, RS. Anais... Canela, RS: SBA, 2001.
ALVARENGA, Alice; CRUZ, Pâmilla Barcelos da. Desenvolvimento e sintonia de controladores PID para uma planta experimental de nível – testes comparativos com controlador fuzzy. Campos dos Goytacazes: IFF- Campos, 2011.
AMERICAN NATIONAL STANDARD. ANSI/ISA-5.1: Instrumentation Symbols and Identification. North Carolina, 2009.
BHUSHAN, Bharat et al. Performance Analysis of PID and Fuzzy PD+I Controller on Nonlinear Systems. In: IEEE International Advance Computing Conference (IACC), 2014, Gurgaon, India. Anais... Delhi, India: IEEE, 2014. p. 1195-1200.
BIONI NETO, Luiz et al. Minicurso de sistema especialista nebuloso. In: Simpósio Brasileiro de Pesquisa Operacional, 38., 2006, Goiânia. Anais... Rio de Janeiro: [s. n.], 2006.
BITTENCOURT, Hélio Radke; VIALI, Lori. Contribuições para o ensino da distribuição normal ou curva de Gauss em cursos de graduação. In: Seminário Internacional de Pesquisa em Educação Matemática, 3., 2006, Águas de Lindoia. Anais... Rio Grande do Sul: [s. n.], 2006.
CAMPESTRINI, Lucíola. Sintonia de controladores PID descentralizados baseada no método do ponto crítico. Porto Alegre: UFRGS, 2006.
CAMPOS, Mario Massa de; SAITO, Kaku. Sistemas inteligentes em controle e automação de processos. Rio de Janeiro: Ciência Moderna, 2004.
CAPELLI, Alexandre. Inversores de Freqüência. Mecatrônica Atual. São Paulo, n. 2, p. 7-15, fev. 2002.
91
CARVALHO, Adelson Siqueira; SOUZA, Adriellen Lima de; FRANCISCO, Leonardo do Espírito Santo. Identificação e Controle Fuzzy de uma Planta Didática de Nível. In: Simpósio de Excelência em Gestão e Tecnologia, 7., 2010, [S. l.]. Anais... [S. l.: s. n.], 2010.
CIPRIANI, André Massa. Controle do nível do distribuidor feito pela válvula gaveta da panela do lingotamento contínuo. Ouro Preto: UFOP, 2007.
COUTO, Gustavo Rios. Modelagem e desenvolvimento de controles de sistema termo-hidráulico, e interfaces para a aquisição e controle de dados. Ouro Preto: UFOP, 2006.
FACCIN, Flávio. Abordagem Inovadora no Projeto de Controladores PID. Porto Alegre: UFRGS, 2004.
FERNANDES JÚNIOR, Francisco Guerra. Metodologia para re-sintonia de controladores PID industriais. Natal: UFRN, 2006.
FERNANDES JÚNIOR, Francisco Guerra et al. Implementação de controladores PID utilizando lógica fuzzy e instrumentação industrial. In: Simpósio Brasileiro de Automação Inteligente, 7., 2005, São Luís. Anais... Natal: [s. n.], 2005.
FERREIRA JÚNIOR, Milton Gontijo. Controle de um inversor de frequência via CLP. Ouro Preto: UFOP, 2012.
FONSECA, Daniel Guerra Vale da. Desenvolvimento de um Software para a Sintonia de Malhas de Controle em Processos Industriais. Natal: UFRN, 2010.
FONSECA, Marcos de Oliveira. Comunicação OPC – Uma abordagem prática. In: Seminário de Automação de Processos, Associação Brasileira de Metalurgia e Materiais, 6., 2002, Vitória. Anais... Belo Horizonte: [s. n.], 2002.
GARCIA, André Luís Jorge. Implementação eletrônica de sistemas Fuzzy. Rio de janeiro: UERJ, 2009.
GOMES, Jorge Maurício de Souza; SOARES, Márcio Abreu; TEIXEIRA, Samuel Ramalho. Aplicação do inversor de frequência no controle de nível. Campos dos Goytacazes: IF-FLUMINENSE, 2009.
GUERRA, Wladimir de Andrade. Implementação de Controle Proporcional, Integral e Derivativo Digital em Controladores Lógico Programáveis. Recife: UFPE, 2009.
92
INTERNATIONAL ELECTROTECHNICAL COMMISSION. IEC 61131-1: Programmable controllers – Part1: General information. Geneva, 2003.
KETZER, Marcos B. et al. Desenvolvimento de um controlador PID-fuzzy aplicado a um conversor forward para utilização em fontes ininterruptas de energia. In: Congresso Brasileiro de Automática, 19., 2012, Campina Grande. Anais... [S. l.: s. n.], 2012. p. 2706-2712.
LIANG, LI. The application of fuzzy PID controller in coupled-tank liquid-level control system. In: International Conference on Electronics, Communications and Control (ICECC), 2011, Ningbo, China. Anais… Baotou, China: IEEE,2011. p. 2894 – 2897.
LUNA FILHO, Fernando de Melo; GOSMANN, Hugo Leonardo; BAUCHSPIESS, Adolfo. Controle fuzzy para sistema de nível de líquidos. In: Congresso Brasileiro de Automática, 14., 2002, Natal. Anais... Brasília: [s. n.], 2002. p. 3017-3022.
MAHMOOD, Abdelelah Kidher; TAHA, Hussam Hamad. Design Fuzzy Logic Controller for Liquid Level Control. International Journal of Emerging Science and Engineering (IJESE), Mosul, Iraq v.1, n.11, p. 23-26, sept. 2013.
OGATA, Katsuhiko. Engenharia de Controle Moderno. 4. ed. São Paulo: Pearson Prentice Hall, 2003.
RAM, A. Ganesh; LINCOLN, S. Abraham. Fuzzy adaptive PI controller for single input single output non-linear system. Journal of Engineering and Applied Sciences, Tamil Nadu, India, v.7, n.10, p. 1273-1280, oct. 2012.
SANTOS, Ederson Costa dos; RODRIGUES, Leandro Barjonas da Cruz; FERREIRA, André Maurício Damasceno. Implementação de controlador PID fuzzy para otimização do controle de posição de um servomotor DC. In: Congresso Norte Nordeste de Pesquisa e Inovação, 7., 2012, Palmas. Anais... [S. l.: s. n.], 2012.
SANTOS NETO et al. Tornando a educação em controle de processos mais realista: A utilização do protocolo OPC. In: Congresso Brasileiro de Educação em Engenharia, 40., 2012, Belém. Anais... Juiz de Fora: [s. n.], 2012.
SIMÕES, Marcelo Godoy; SHAW, Ian S. Controle e Modelagem Fuzzy. 2. ed. São Paulo: Blucher: FAPESP, 2007.
93
SOUZA, Adriellen Lima de; FRANCISCO, Leonardo do Espírito Santo. Identificação e controle fuzzy de uma planta didática de nível. Campos dos Goytacazes: IFF-Campos, 2010.
SOUZA, Luiz Cláudio Andrade; SEIXAS FILHO, Constantino; PENA, Ronaldo Tadêu. Padrão de acesso a dados OPC e sua implementação em um driver OPC-MODBUS. In: Simpósio Regional de Instrumentação, 5, 1998, Belo Horizonte. Anais... Belo Horizonte: ISA / GRINST-IBP, 1998.
WEG Automação LTDA. Manual do Inversor de Frequência CFW-07. Jaraguá do Sul, [2001?].
ZHAO, Zhen-Yu; TOMIZUKA, Masayoshi; ISAKA, Satoru. Fuzzy gain scheduling of PID controllers. In: First IEEE Conference on Control Applications, 1., 1992, Dayton, USA. Anais… [S. l.]: IEEE, 1992. p. 698-703.
94
APÊNDICES
APÊNDICE A – CONFIGURAÇÃO DA REDE INTERBUS®
Conforme afirmado anteriormente na seção 4.2.4, o CLP possui módulos de entrada e
saída analógicas comunicados com o equipamento por meio da interface INTERBUS®. Dessa
forma, faz-se necessária a configuração prévia da rede INTERBUS® para que o CLP consiga
ler e escrever valores do transmissor e no inversor, respectivamente.
A primeira ação para a configuração abordada nesta seção foi abrir o PC WORX,
software de desenvolvimento contínuo para controladores do fabricante PHOENIX
CONTACT®, e depois criar um novo projeto através da opção New Project... na aba File,
existente na barra de menu, onde foi possível escolher o CLP e sua respectiva revisão, em
destaque na Figura 31 o CLP usado na presente obra:
Figura 31 – APÊNDICE A – Configuração da Rede INTERBUS®: Criação do novo projeto
Fonte: Elaborada pelos Autores
Uma vez criado o novo projeto, foi aberta a área de trabalho Bus Configuration
Workspace, obtida ao selecionar o seu respectivo ícone presente na toolbar do software, e na
aba Communication foi informado o Internet Protocol (IP) do CLP utilizado para o projeto,
cuja numeração é 192.168.0.230, como apresenta a Figura 32.
Em seguida, foi realizado o teste de comunicação e o software retornou uma
mensagem sobre uma faixa com cor de fundo verde para a resposta positiva, caso o teste fosse
95
negativo, uma mensagem em fundo de cor vermelha seria apresentada. É importante salientar
que para estabelecer a comunicação entre o CLP e o computador, foi necessário alterar o IP
deste último para 192.168.0.231 nas configurações de TCP/IP.
Figura 32 – APÊNDICE A – Configuração da Rede INTERBUS®: Determinação do IP
Fonte: Elaborada pelos Autores
Com as ações anteriores finalizadas, foi iniciada de fato a configuração da rede
INTERBUS® através da opção Connected Bus mostrada na aba View alocada na barra de
menu, e com isso obteve-se a janela onde foi possível escolher o CLP que fora comunicado
com o computador por meio das ações anteriores, de acordo com a Figura 33:
96
Figura 33 – APÊNDICE A – Configuração da Rede INTERBUS®: Seleção do CLP
Fonte: Elaborada pelos Autores
Como pode ser visto na Figura 34, após a seleção do CLP, os módulos INTERBUS®
existentes no mesmo foram listados e na barra inferior da janela foi sinalizada uma tarja verde
indicando que os módulos estão no modo RUN, ou seja, estão ativos. Foi clicado com o botão
direito do mouse sobre o item ILC 150 ETH com objetivo de importar para o software PC
WORX as entradas e saídas dos módulos através da opção With Device Description.
97
Figura 34 – APÊNDICE A – Configuração da Rede INTERBUS®: Importação das entradas e saídas
Fonte: Elaborada pelos Autores
Para a correta escolha dos módulos de entradas e saídas apresentados nas listas para
importação, foram consideradas as inscrições existentes no físico. Sendo assim, foi escolhido
como entrada o módulo AI 2/SF-ME, que possui duas entradas analógicas (Ver Figura 35).
Figura 35 – APÊNDICE A – Configuração da Rede INTERBUS®: Seleção do módulo de entrada
Fonte: Elaborada pelos Autores
98
A janela para importação do módulo de saída, mostrada na Figura 36, aparece
automaticamente assim que a janela anterior é fechada, ou seja, assim que é escolhido o
módulo de entrada. E para a saída, escolheu-se o módulo AO 1/U/SF, que possui uma saída
analógica.
Figura 36 – APÊNDICE A – Configuração da Rede INTERBUS®: Seleção do módulo de saída
Fonte: Elaborada pelos Autores
Através da Figura 37 é possível observar que, após a importação correta, os módulos
de entrada e saída foram listados na Árvore de Seleção para Configuração de Hardware, que
se encontra à esquerda na área de trabalho Bus Configuration Workspace, no software PC
WORX.
Figura 37 – APÊNDICE A – Configuração da Rede INTERBUS®: Módulos importados
Fonte: Elaborada pelos Autores
99
A última etapa da configuração da Rede INTERBUS® é a criação das variáveis
necessárias ao projeto.
Para o desenvolvimento da proposta do trabalho, foi escolhida a entrada analógica em
corrente ajustada na faixa de 4-20mA, que corresponde à primeira entrada em corrente AI 1 e
ao pino 1.2, segundo o Data Sheet do Módulo AI 2/SF-ME.
De posse dessa premissa, a variável de entrada analógica foi criada por meio da opção
Create Variable mostrada ao clicar com o botão direito do mouse sobre a variável desejada AI
1 Current dentre as disponíveis para o hardware selecionado, no caso o módulo AI 2/SF-ME
(Ver Figura 38).
Cabe ressaltar que a opção Create Variable só é habilitada se antes de selecionar o
módulo do qual se quer criar uma variável, for selecionada a opção STD_RES: ILC150_2 na
Tabela de Hardware Instalado, existente no canto superior esquerdo da área de trabalho
Process Data Workspace.
Figura 38 – APÊNDICE A – Configuração da Rede INTERBUS®: Criação da variável de entrada analógica
Fonte: Elaborada pelos Autores
Como saída analógica, o presente TCC trabalha com a variável tensão como sinal de
controle para o inversor de frequência, e a criação da mesma ocorreu de maneira similar à
criação da entrada analógica, com a preocupação apenas de selecionar o módulo AO 1/U/SF
contido na Tabela de Hardware, de acordo com a Figura 39:
100
Figura 39 – APÊNDICE A – Configuração da Rede INTERBUS®: Criação da variável de saída analógica
Fonte: Elaborada pelos Autores
Com essa sequência de passos concretizados, foram realizadas a configuração da Rede
INTERBUS® e a criação de variáveis associadas aos endereços dos módulos de expansão do
CLP.
Para a futura utilização das variáveis pelo software Simulink®, foi necessário clicar no
ícone Make para compilar o programa e obter o endereçamento das variáveis e então foi
marcada a opção OPC®. Essa última configuração é realizada na área de trabalho IEC
Programming Workspace selecionando a opção Global Variable, de acordo com a Figura 40:
Figura 40 – APÊNDICE A – Configuração da Rede INTERBUS®: Seleção da opção OPC®
Fonte: Elaborada pelos Autores
101
APÊNDICE B – CONFIGURAÇÃO DO PADRÃO OPC®
Após a configuração da rede INTERBUS®, o CLP está apto a obter o sinal proveniente
do LIT-100 e enviar o sinal de controle para o SY-100, assim como pronto para ser
programado, porém, como já informado na seção 4.3, o controle do processo é efetuado pelo
Simulink® e não pelo controlador físico, ou seja, o CLP nesta obra tem a função específica de
aquisição de dados não necessitando de qualquer programação no mesmo.
Dessa forma, para que esses dados adquiridos sejam acessíveis ao Simulink®, é
necessária a configuração do padrão OPC®.
O primeiro passo foi abrir o OPC Configurator, que é oferecido no pacote de
instalação do software PC WORX, e escolher a opção New Resource..., apresentada ao clicar
com o botão direito sobre OpcProject, com o objetivo de escolher o equipamento que
fornecerá as variáveis que serão disponibilizadas via OPC®, conforme a Figura 41:
Figura 41 – APÊNDICE B – Configuração do Padrão OPC®: New Resource
Fonte: Elaborada pelos Autores
O equipamento que contém as variáveis que precisam ser disponibilizadas via OPC®,
destacado na Figura 42, corresponde à opção ILC 1xx(FW>=V1.00) referente ao CLP e sua
respectiva revisão, a mesma selecionada na configuração INTERBUS®.
102
Figura 42 – APÊNDICE B – Configuração do Padrão OPC®: Escolha do CLP
Fonte: Elaborada pelos Autores
A configuração do padrão OPC®, da mesma forma que a configuração INTERBUS®,
requer que o número IP 192.168.0.230 seja informado, o que foi realizado ao ser selecionada
a opção Settings..., conforme a Figura 43:
Figura 43 – APÊNDICE B – Configuração do Padrão OPC®: Determinação do IP
Fonte: Elaborada pelos Autores
103
APÊNDICE C – CONFIGURAÇÃO DOS BLOCOS OPC® NO SIMULINK®
Este TCC propõe a elaboração da malha de controle no Simulink® e para isso foram
realizados os passos previstos nos APÊNDICES A e B com o objetivo de tornar acessíveis,
via OPC®, os dados adquiridos pelo CLP. Porém, é necessário realizar também a configuração
dos blocos OPC® existentes no Simulink®, e nesta etapa trabalha-se diretamente na estrutura
cliente-servidor.
Primeiramente, como apresentado na Figura 44, abriu-se o OPC Test Client,
disponível no pacote de instalação do software PC WORX, e clicou-se na opção browse a fim
de escolher o servidor OPC®:
Figura 44 – APÊNDICE C – Configuração dos Blocos OPC® no Simulink®: OPC Test Client
Fonte: Elaborada pelos Autores
Ao ser efetuado o passo anterior, foi mostrada uma janela com o servidor a ser
selecionado, sendo escolhido o PhoenixContact.AX-Server.21, servidor disponibilizado pelo
fabricante PHOENIX CONTACT®, em destaque na Figura 45:
104
Figura 45 – APÊNDICE C – Configuração dos Blocos OPC® no Simulink®: Escolha do servidor OPC®
Fonte: Elaborada pelos Autores
Até esse passo, obteve-se a comunicação entre a máquina, sendo os verdadeiros
clientes as aplicações hospedadas na mesma, e o servidor OPC® disponibilizado pelo
fabricante do CLP. Assim, iniciou-se a configuração dos itens da estrutura cliente-servidor
através dos três principais blocos OPC® usados para o desenvolvimento desta obra existentes
na aplicação cliente Simulink® e representados na Figura 46:
Figura 46 – APÊNDICE C – Configuração dos Blocos OPC® no Simulink®: Principais blocos OPC®
Fonte: Elaborada pelos Autores
105
O primeiro bloco que aparece na Figura 46, o OPC Configuration, define os clientes a
serem comunicados, permite o acompanhamento em tempo real das variáveis OPC® e ainda
possibilita estabelecer o comportamento da aplicação em resposta a possíveis erros e falhas
dessas variáveis. Através de um duplo clique no próprio bloco foi aberta a janela que permite
os ajustes possíveis, como mostra a Figura 47:
Figura 47 – APÊNDICE C – Configuração dos Blocos OPC® no Simulink®: Bloco OPC Configuration
Fonte: Elaborada pelos Autores
Ainda sobre a Figura 47, ao se clicar na opção Configure OPC Clients..., obteve-se
uma interface onde foi possível, através da opção add, obter outra janela para a escolha do
cliente e servidor, conforme a Figura 48:
106
Figura 48 – APÊNDICE C – Configuração dos Blocos OPC® no Simulink®: Bloco OPC Configuration – Escolha
do Cliente e Servidor
Fonte: Elaborada pelos Autores
Dessa forma, confirmou-se o Simulink® como cliente e, ao clicar em Select..., apareceu
uma nova interface onde foi escolhido o servidor PhoenixContact.AX-Server.21, como pode
ser visto na Figura 49:
Figura 49 – APÊNDICE C – Configuração dos Blocos OPC® no Simulink®: Bloco OPC Configuration – Escolha
do Servidor
Fonte: Elaborada pelos Autores
Cabe ressaltar que nessa janela estariam todos os servidores existentes caso houvesse
outros disponíveis.
Para a completa configuração da estrutura cliente-servidor, foi essencial determinar os
itens OPC® por meio dos blocos OPC Read e OPC Write. A configuração dos mesmos
107
acontece de forma análoga e para efeito de apresentação da sequência necessária, considerou-
se apenas a configuração do bloco OPC Read.
Foi dado um duplo clique sobre o bloco com o intuito de se obter a janela de
propriedades, de acordo com a Figura 50:
Figura 50 – APÊNDICE C – Configuração dos Blocos OPC® no Simulink®: Bloco OPC Read
Fonte: Elaborada pelos Autores
Por meio da opção Configure OPC Clients..., foi apresentada a janela para escolha da
variável que se deseja associar o item dentre as disponíveis (Ver Figura 51). É de extrema
importância salientar que as variáveis só foram disponibilizadas nesta etapa, pois foi marcada
a opção OPC® na ação prevista no APÊNDICE A.
108
Figura 51 – APÊNDICE C – Configuração dos Blocos OPC® no Simulink®: Bloco OPC Read – Criação dos
Itens
Fonte: Elaborada pelos Autores
Como já afirmado (ver seção 3.3), o item OPC® é apenas uma via de acesso e não um
valor, e como comprovação dessa ideia, a variável de saída analógica foi configurada como
item ora no OPC Read ora no OPC Write, de acordo com a demanda ao longo da obra. Dessa
forma, para exemplificar, foi selecionada a variável e através do ícone que apresenta a
indicação (>>) a mesma foi listada na área dos itens a serem criados e a configuração foi
finalizada com a opção OK.