Upload
duonglien
View
215
Download
0
Embed Size (px)
Citation preview
CURSO DE TECNOLOGIA EM AUTOMAÇÃO INDUSTRIAL
GILMAR VIANA BARBOSA
LEANDRO MONTEIRO PESSANHA
RITA DE CÁSSIA SILVA CORRÊA
CONTROLE DE NÍVEL
DA TORRE DE DESTILAÇÃO DIDÁTICA
UTILIZANDO CONTROLE FUZZY
Campos dos Goytacazes/RJ
2010
CURSO DE TECNOLOGIA EM AUTOMAÇÃO INDUSTRIAL
GILMAR VIANA BARBOSA
LEANDRO MONTEIRO PESSANHA
RITA DE CÁSSIA SILVA CORRÊA
CONTROLE DE NÍVEL
DA TORRE DE DESTILAÇÃO DIDÁTICA
UTILIZANDO CONTROLE FUZZY
Trabalho de Conclusão de Curso apresentado ao
Instituto Federal de Educação, Ciência e Tecnologia
Fluminense como parte das exigências para
conclusão do Curso Superior de Tecnologia em
Automação Industrial.
Orientador: Prof. Adelson Siqueira Carvalho
CAMPOS DOS GOYTACAZES – RJ
2010
GILMAR VIANA BARBOSA
LEANDRO MONTEIRO PESSANHA
RITA DE CÁSSIA SILVA CORRÊA
CONTROLE DE NÍVEL DA TORRE DE DESTILAÇÃO DIDÁTICA
UTILIZANDO CONTROLE FUZZY
Trabalho de Conclusão de Curso apresentado ao
Instituto Federal de Educação, Ciência e Tecnologia
Fluminense como parte das exigências para
conclusão do Curso Superior de Tecnologia em
Automação Industrial.
Aprovado em 29 de junho 2010
Examinadores:
______________________________________________
Prof. Adelson Siqueira Carvalho (orientador)
Mestre em Engenharia de Producão/UENF
Instituto Federal de Educação, Ciência e Tecnologia Fluminense/Campos
______________________________________________
Prof. Cleber de Medeiros Navarro.
Graduado em Tecnologia em Automação Industrial
Instituto Federal de Educação, Ciencia e Tecnologia Fluminense/Campos
______________________________________________
Prof. Carlos Henrique Frutuoso
Graduado em Tecnologia em Automação Industrial
Instituto Federal de Educação, Ciência e Tecnologia Fluminense/Campos
AGRADECIMENTOS
Aos familiares por estarem incentivando a continuar lutando. A Deus, por estar dando
força para a realização e conclusão deste trabalho e por sempre ter mostrado novos caminhos
quando as dificuldades apareciam.
Ao Professor Adelson Siqueira Carvalho, que se prontificou a nos orientar neste
trabalho e mostrou diretrizes para efetuarmos pesquisas e soluções aos problemas e sempre
esteve solícito a ajudar e a incentivar a execução deste trabalho.
A todos os colegas de curso que de alguma forma tenham colaborado para o êxito e
conclusão de todas as etapas.
RESUMO
O presente trabalho propõe uma estratégia de controle baseado em lógica fuzzy para o controle
de um sistema de nível multivariável. O sistema de nível em questão é a base da coluna de
destilação piloto instalada no laboratório Mini destilaria B-142 no IFFluminense campus
Campos-centro. Devido a disponibilidade de duas variáveis manipuladas: vazão de entrada e
vazão de descarte da coluna de destilação o nível da base pode ser enxergado como um
sistema multivariável. Para tanto o controlador fuzzy concebido, projetado e implementado é
testado em duas situações de controle: modo servo (rastreador de set-point) com diferentes
modificações no valor de referência e no modo partida (início da operação da planta). A
proposta do trabalho é tão somente verificar o desempenho do controlador fuzzy concebido
para essas situações de controle e não efetuar comparações com outras estratégias de controle
mais clássicas como o controle PID (Proporcional, Integral e Derivativo). Ao longo do
trabalho é apresentada uma breve explanação sobre o processo controlado (coluna de
destilação) e o contexto no qual está inserido. A fundamentação teórica é relativa a lógica
fuzzy fechando com a explicação do controlador fuzzy. Uma revisão bibliográfica é realizada
na forma de breve estado da arte da pesquisa, destacando pontos de contato entre este trabalho
e os demais trabalhos desenvolvidos nesta área do conhecimento. A metodologia é
apresentada de forma detalhada na forma de métodos e procedimentos aplicados para a
realização dos testes de controle. Os resultados são apresentados na forma de testes de
controle para diferentes situações com o desempenho do controlador sendo avaliado a partir
dos gráficos comparativos da variável controlada e o valor de referência.
Palavras-Chave: Controlador, Fuzzy, Nível, Mutivariável.
ABSTRACT
This paper proposes a control strategy based on fuzzy logic to control a multivariable system
level. The level system in question is the basis of pilot distillation column installed in the lab
distillery Mini B-142 in IFFluminense Campos-campus center. Because the availability of
two manipulated variables: inflow and outflow discharge of the distillation column at the base
can be looked upon as a multivariable system. For both the fuzzy controller designed,
engineered and implemented is tested in two situations of control: servo mode (crawler set-
point) with different modifications at the reference value and the starting mode (start of plant
operation). Our purpose is just to verify the performance of the fuzzy controller designed to
control these situations and not make comparisons with other more classical control strategies
such as PID control (Proportional, Integral and Derivative). Throughout the work, a brief
explanation about the controlled process (distillation column) and the context in which it
appears. The theoretical foundation of fuzzy logic is related to closing with the explanation of
the fuzzy controller. A literature review is conducted in the form of brief state of the art of
research, highlighting points of contact between this work and other work in this area of
knowledge. The methodology is presented in detail in the form of methods and procedures for
the testing of control. Results are presented as tests of control to different situations with the
controller performance is evaluated based on comparison charts of the controlled variable and
the reference value.
Keywords: Controller, Fuzzy, Level, Mutivariável.
LISTA DE ABREVIATURAS
ºC Grau Celsius
DFI Device Fieldbus Interface
FI Conversor de Sinal Digital Fieldbus Foundation para Corrente
FP Conversor de Sinal Digital Fieldbus Foundation para Pressão
FT Transmissor de Vazão
GLP Gás Liquefeito de Petróleo
H2O Fórmula Química da Àgua
HSE High Speed Ethernet
IF Conversor de Corrente para Sinal Digital Fieldbus Foundation
IFF Instituto Federal Fluminense
LCV Válvula Controladora de Nível
LT Transmissor de Nível
mA Mili Ampère
mm Milímetro
NPT National Pipe Thread
OPC OLE for Process Control
PID Proporcional, Integral e Derivativa
PSI Pound per Square Inch
SAD Sistemas de Apoio à Decisão
SP Set Point
STC Self Tunning Controller
TCC Trabalho de Conclusão de Curso
TCP/IP Transfer Control Protocol / Internet Protocol
TCV Válvula Controladora de Temperatura
LISTA DE FIGURAS
Figura 2.1-Visão Geral da Instrumentação Existente na Coluna de Destilação (BARROS,
2009) ......................................................................................................................................... 15
Figura 2.2-Coluna de Destilação (MOREIRA, 2006) .............................................................. 17
Figura 2.3-Fluxograma da Instrumentação Atual da Coluna de Destilação (MEDINA, 2000)18
Figura 2.4-Transmissor e Controlador de Nível (MEDINA, 2000) ......................................... 18
Figura 2.5-Conversor de Sinal Digital Fieldbus Foundation (X) para Pressão (Y) (MEDINA,
2000) ......................................................................................................................................... 19
Figura 2.6-Transmissor de Vazão de Entrada (MEDINA, 2000) ............................................. 19
Figura 2.7-Conversor de Sinal de Corrente (X) para Sinal Digital Fieldbus Foundation
(MEDINA, 2000) ..................................................................................................................... 20
Figura 2.8-Conversor de Sinal Digital Fieldbus Foundation (X) para Corrente (Y) (MEDINA,
2000) ......................................................................................................................................... 20
Figura 2.9-Válvula de Controle de Vazão de Entrada (MEDINA, 2000) ................................ 21
Figura 2.10-Válvula de Controle de Vazão (MEDINA, 2000) ................................................ 21
Figura 2.11 – Função Característica do Conjunto “Crisp” Adolescente (SANDRI E
CORRÊA, 1999) ....................................................................................................................... 25
Figura 2.12 - Função Trapezoidal Característica do Conjunto Nebuloso Adolescente (
SANDRI E CORRÊA, 1999) ................................................................................................... 25
Figura 2.13-Interseção dos Conjuntos A e B, Resultando no Conjunto C ............................... 26
Figura 2.14-União dos Conjuntos A e B, Resultando no Conjunto D ..................................... 27
Figura 2.15-Complemento dos Conjuntos A e B, Resultando no Conjunto E ......................... 28
Figura 2.16-Estrutura de um Controlador Nebuloso (SANDRI; CORRÊA, 1999) ................. 30
Figura 2.17-Exemplo de Fuzzificação (FERREIRA e PARANHOS, 2004) ........................... 33
Figura 2.18-Triangular (Adaptado de FERREIRA e PARANHOS, 2004) .............................. 33
Figura 2.19-Trapezoidal (Adaptado de FERREIRA e PARANHOS, 2004) ............................ 34
Figura 2.20-Trapezoidal (Adaptado de FERREIRA e PARANHOS, 2004) ............................ 34
Figura 2.21 - Sino (Adaptado de FERREIRA e PARANHOS, 2004) ..................................... 34
Figura 2.22- Sigmoidal (Adaptado de FERREIRA e PARANHOS, 2004) ............................. 35
Figura 2.23-Método de Defuzzificação pelo Centro-da-Área (SHAW e SIMÕES, 1999, p. 53)
.................................................................................................................................................. 36
Figura 2.24-Esquema das Estações de Metrô no Japão (RACHEL, 2006) .............................. 37
Figura 2.25-Diagrama de Blocos do Controlador Fuzzy de Trens do Metrô de Sendai ........... 38
Figura 2.26-Diagrama de Blocos do Controlador Fuzzy de Semáforos (GOMIDE e
PEDRYCZ, 1998) ..................................................................................................................... 38
Figura 4.1-Interface de Comunicação entre Syscon e DFI ....................................................... 47
Figura 4.2-Tela do Processo no InTouch .................................................................................. 48
Figura 4.3-Tela do MatLab ....................................................................................................... 49
Figura 4.4-Alteração de Números de Entradas ou Saídas ........................................................ 50
Figura 4.5-Tela do Bloco Fuzzy com duas Saídas .................................................................... 51
Figura 4.6-Tela de Criação das Regras ..................................................................................... 52
Figura 4.7-Tela para Exportar para o Workspace o Controlador ............................................. 53
Figura 4.8- Tela do Simulink .................................................................................................... 54
Figura 4.9-Bloco de Simulação ................................................................................................ 55
Figura 5.1 – Funções de Pertinência de Entrada (Erro) do Teste 1 .......................................... 56
Figura 5.2-Funções de Pertinência de Saída (Vazão_saída) do Teste 1 .................................. 57
Figura 5.3-Funções de Pertinência de Saída (Vazão_entrada) do Teste 1 ............................. 57
Figura 5.5 - Resultado do Teste 1 (Controle Módulo Partida) ................................................. 59
Figura 5.6-Funções de Pertinência Entrada(Erro) do Teste 2 ................................................. 60
Figura 5.7-Funções de Pertinências de Saída (Vazão_saída) do Teste 2 ................................. 61
Figura 5.8-Funções de Pertinências de Saída (Vazão_entrada) do Teste 2 .............................. 61
Figura 5.9-Criação de Regras Teste 2 ...................................................................................... 62
Figura 5.10-Resultado do Teste 2. (Controle Modulo Servo) .................................................. 63
Figura 5.11-Funções de Pertinência de Entrada (Erro) do Teste 3 ........................................... 64
Figura 5.12-Tela das Funções de Pertinência de Saída (Vazão_saída) do Teste 3 .................. 64
Figura 5.13-Tela das Funções de Pertinência de Saída (Vazão_entrada) do Teste 3 ............... 65
Figura 5.14-Tela para Criação das Regras do Teste 3 .............................................................. 65
Figura 5.15-Gráfico Resultado do Teste 3.(Controle Módulo Servo) ...................................... 66
SUMÁRIO
LISTA DE ABREVIATURAS ........................................................................................... 7
LISTA DE FIGURAS ........................................................................................................ 7
SUMÁRIO .......................................................................................................................... 9
CAPÍTULO I ............................................................................................................................ 10
INTRODUÇÃO .................................................................................................................... 10
1.1.APRESENTAÇÃO ..................................................................................................... 10
1.2.OBJETIVO ................................................................................................................. 11
MOTIVAÇÃO .................................................................................................................. 12
1.4.ORGANIZAÇÃO DA MONOGRAFIA .................................................................... 12
CAPÍTULO II ........................................................................................................................... 14
2.FUNDAMENTAÇÃO TEÓRICA .................................................................................... 14
A COLUNA DE DESTILAÇÃO ..................................................................................... 14
2.2.MALHA DE NÍVEL DA COLUNA DE DESTILAÇÃO ......................................... 17
2.3.CONTROLE DE NÍVEL DA COLUNA DE DESTILAÇÃO ................................... 22
2.4.LÓGICA FUZZY (LÓGICA NEBULOSA) .............................................................. 22
2.4.1.INTRODUÇÃO À LÓGICA “FUZZY” ................................................................. 23
2.4.2.CONJUNTOS FUZZY ........................................................................................... 24
2.5.CONTROLE FUZZY (CONTROLE NEBULOSO) .................................................. 28
CODIFICAÇÃO DO CONTROLADOR FUZZY ........................................................... 30
5.2.3.FUZZYFICAÇÃO .................................................................................................. 32
5.1.4.DEFUZZYFICAÇÃO ............................................................................................. 35
2.5.5.EXEMPLOS DE APLICAÇÕES DE LÓGICA FUZZY ........................................ 36
CONTROLE FUZZY DE SEMÁFOROS DE MAMDANI E PAPPIS ........................... 38
CAPÍTULO III ......................................................................................................................... 40
3.ESTADO DA ARTE ......................................................................................................... 40
4.1METODOLOGIA ............................................................................................................ 45
CAPÍTULO V .......................................................................................................................... 56
RESULTADOS .................................................................................................................... 56
CAPÍTULO VI ......................................................................................................................... 72
CONCLUSÃO ...................................................................................................................... 72
REFERÊNCIAS ............................................................................................................... 73
CAPÍTULO I
1. INTRODUÇÃO
1.1. APRESENTAÇÃO
Nosso trabalho tem como fonte de pesquisa e estudo a coluna de destilação didática do
IFF. O aproveitamento desta se deve aos vários trabalhos desenvolvidos no que diz respeito
ao controle de nível.
Inúmeras aplicações de lógica fuzzy em controle estão sendo utilizadas em escala
industrial. Uma das mais bem sucedidas vem sendo utilizada até hoje em plantas de produção
de cimento, onde controladores fuzzy são usados para fornecer sinais de referência para
controladores tipo PID, não atuando diretamente sobre a planta, mas em um nível hierárquico
superior. (TANSCHEIT, 2003)
Nos sistemas de inferência aplicados na área de controle, procura-se modelar por meio
de regras linguísticas o modo aproximado de raciocínio, tentar a habilidade humana de tomar
decisões racionais em um ambiente de incerteza e imprecisão.
Para desenvolvimento deste projeto há necessidade da realização de pesquisas nos
trabalhos anteriores realizados na coluna de destilação com intuito de adquirir uma estrutura
de estudo para aplicação de métodos diferentes.
Estes trabalhos são os de (CRESPO, 2000) Montagem, identificação e modelamento
de uma torre de destilação piloto, e (MEDINA, 2008) Modelagem e identificação dos
dispositivos da malha de nível de uma coluna de destilação didática.
Nestes constam detalhadamente a estrutura da instrumentação, comportamento
dinâmico da planta e atuadores, esquema de comunicação na coluna de destilação didática do
IFF. Além de esquemas de modelagem matemática desses dispositivos.
Assim após vários estudos e pesquisas, bem como vários testes efetuados na planta da
coluna de destilação didática foram iniciados a parte de montagem deste trabalho de
conclusão de curso.
12
1.2. OBJETIVO
O objetivo principal deste trabalho é implementar um controlador fuzzy capaz de
efetuar o controle de nível da coluna de destilação didática do IFF através da manipulação de
duas variáveis: vazão de entrada e vazão de saída de maneira satisfatória utilizando assim o
conhecimento adquirido no curso de automação industrial no que se refere á lógica e controle
fuzzy, e se obter como resultado uma variação entre o nível e o setpoint até 3%.
Cabe ressaltar que no campo da ciência as descobertas e alternativas novas sempre
aconteceram permitindo que se consigam resultados sempre mais eficientes.
1.3. MOTIVAÇÃO
Nas indústrias modernas cada vez mais se encontram áreas automatizadas com
utilização de malhas de controle de formas variadas, de maneira que venha se enquadrar no
objetivo das empresas.
A motivação para o desenvolvimento deste trabalho monográfico se deu pelo fato de
que o sistema fuzzy apesar de não ser tão recente tem uma aplicação eficaz, permitindo que se
façam simulações de implementos variados, utilizando diversas malhas de controle, com isso
nos dando condições, através de testes, de avaliar aquele implemento mais adequado ao
objetivo proposto, ao mesmo tempo em que é uma ferramenta muito utilizada na área de
Automação Industrial no que diz respeito à resultados. Através de testes e modelagens pode-
se conseguir e definir os resultados que mais se aproximam do ideal, permitindo que se
implantem em empresas as malhas de maneira mais econômica e lucrativa.
1.4. ORGANIZAÇÃO DA MONOGRAFIA
A monografia está organizada da seguinte forma:
Capítulo I – Introdução.
13
Esse capítulo descreve uma introdução a respeito dos assuntos que serão tratados ao
longo da monografia, aborda de forma sucinta os objetivos, a motivação que nos levou a
escolha deste trabalho, e como estão organizados os capítulos seguintes.
Capítulo II – Fundamentação Teórica.
O segundo capítulo está descrito da seguinte forma: inicialmente é feita uma
abordagem introdutória sobre a torre de destilação didática do IFF-CAMPOS, descrevendo
sua utilização, mostrando suas partes físicas e principais instrumentos utilizados. Em seguida
é feita uma descrição sobre o sistema fuzzy, principais fundamentos, aplicações, operações e
variáveis de controle no processo industrial.
Capítulo III – Estado da Arte.
No terceiro capítulo é descrito o estado da arte, onde são apresentados vários trabalhos
e pesquisas que utilizam a lógica fuzzy. Este capítulo nos mostra através de trabalhos
anteriores a importância e como podemos obter de uma forma eficientes resultados que nos
permita ter um controle final do processo próximo do desejado e como se pode utilizar o
controle fuzzy em projetos variados.
Capítulo IV – Metodologia.
Esse capítulo apresenta o método utilizado e os tipos de controle que foram aplicados.
Mostra através de figuras como é realizada a comunicação entre a coluna e o MatLab, a tela
do processo de destilação através do InTouch e descreve como é feita configuração do
controlador e como são criadas as regras.
Capítulo V – Resultado.
Neste capítulo são apresentados os testes, as alterações feitas em cada teste, mostrando
as funções de pertinências aplicadas e os resultados obtidos através de gráficos.
Capítulo VI – Conclusão.
O último capítulo apresenta as conclusões em relação ao trabalho desenvolvido, e
mostra que novos trabalhos poderão ser realizados, inclusive com a aplicação deste mesmo
método, porém com a inclusão de novas regras.
14
CAPÍTULO II
2. FUNDAMENTAÇÃO TEÓRICA
2.1. A COLUNA DE DESTILAÇÃO
Denominamos como destilação fracionada o processo de separação de substâncias
presentes em uma mistura homogênea, utilizando uma coluna de fracionamento. Baseando-se
na diferença de volatilidades, ou seja, processo de aquecimento, separação e resfriamento do
produto utilizando os diferentes pontos de ebulição.
O petróleo é um exemplo moderno de mistura que deve passar por várias etapas de
destilação antes de resultar em produtos realmente úteis ao homem: gases (um exemplo é o
gás liquefeito de petróleo ou GLP), gasolina, óleo diesel, querosene, asfalto e outros. O uso da
destilação como método de separação pode ser encontrado em quase todos os processos
químicos industriais em fase líquida, onde for necessária uma purificação.
Na destilação, os vapores produzidos são normalmente mais ricos nos componentes
mais voláteis do que o líquido, o que possibilita a separação de frações enriquecidas nos
componentes desejados, ou seja, uma fase vapor entra em contato com uma fase líquida,
havendo transferência de massa de forma biunívoca entre as duas (MEDINA, 2000).
Utilizada, por exemplo, na produção de álcool, a coluna de fracionamento
compreende uma torre, a qual é formada por pratos ou bandejas perfurados que permitem a
troca de calor entre as fases líquidas e gasosas, ilustrada na figura 2.1. Estas colunas
cilíndricas verticais possuem diâmetro variando de 65 cm a 6 metros, e altura variando de 6 a
60 metros ou mais. Possuem escoadouros de líquidos a intervalos na coluna com a finalidade
de armazenar diferentes frações ou produtos que possuem diferentes pontos de ebulição. Os
produtos mais leves, com ponto de ebulição mais baixo saem do topo da coluna enquanto os
produtos mais pesados, com ponto de ebulição mais elevado, saem da base da coluna.
Como fonte de pesquisa e teste para este trabalho, foi utilizada a coluna de destilação
didática do IFF-CAMPOS foi planejada para estudo e desenvolvimento de sistemas de
controle em fabricação de álcool.
15
Figura 2.1-Visão Geral da Instrumentação Existente na Coluna de Destilação (BARROS, 2009)
No processo de separação do álcool da água em uma mistura binária há a necessidade
de se conhecer os pontos de bolha e orvalho. Denomina-se o ponto de bolha como a
temperatura necessária para a criação da primeira bolha no início da vaporização da mistura, e
ponto de orvalho, a temperatura necessária para o início da condensação.
Internamente a coluna descreve dois fluxos: um descendente iniciado do ponto de
alimentação da coluna (prato 10), na fase líquida, onde o teor alcoólico da mistura vai
diminuindo com o consequente aumento do ponto de ebulição, até que este alcance a base da
coluna com uma pequena concentração alcoólica, e outro ascendente, sendo que neste o fluxo
parte do refervedor ou fervedor (base da coluna), no qual o teor alcoólico da mistura aumenta,
até que este alcance a temperatura de 78,2ºC, na fase gasosa, onde estará praticamente isenta
de água, retirando as impurezas da mesma.
Na coluna de destilação encontramos também um subsistema chamado condensador,
refluxo responsável pela condensação dos vapores que chegam ao topo da coluna, a fim de
armazenar o produto em um acumulador, gerando o refluxo líquido descendente, que é o
16
retorno de parte do produto para o topo da coluna, utilizado para o controle da temperatura de
topo.
Segundo (CRESPO, 2000), o processo de produção do álcool, segundo suas classes
pode ser dividido em até três etapas distintas:
a) Destilação: Para obtenção do álcool bruto, cuja finalidade é extrair do
vinho ou mosto delevedurado todo o álcool nele contido, junto com as
impurezas voláteis, com teor alcoólico entre 50 e 93°GL;
b) Retificação: para obtenção do álcool retificado, que tem a função de
eliminar do álcool bruto todas as impurezas e concentrar o álcool assim
purificado, chamado de retificado, com teor alcoólico entre 94 e 96°GL;
c) Desidratação: para obtenção do álcool absoluto, que por meio de um
terceiro agente chamado arrastador, visa eliminar a parcela de água
contida no álcool retificado, produzindo o álcool absoluto, com teor
alcoólico mínimo de 99,5°GL.
Na indústria, o processo pode ser monitorado a distância em uma sala de controle. Na
coluna de destilação do IFF-CAMPOS não é diferente. Um protocolo de comunicação digital
chamado rede Foundation Fieldbus interliga os instrumentos de atuação e medição das
variáveis do processo. Esta rede de instrumentos é agregada a uma rede ponto-a-ponto com
um computador através de uma DFI (Device Fieldbus Interface). No próprio computador são
disponibilizadas as informações oriundas do processo e estas podem ser monitoradas e
modificadas através do Syscon®(CARVALHO 2008).
17
Figura 2.2-Coluna de Destilação (MOREIRA, 2006)
2.2. MALHA DE NÍVEL DA COLUNA DE DESTILAÇÃO
Podemos observar através da figura 2.2. o esquema de instrumentação da coluna de
destilação com a presença da instrumentação eletrônica digital (Fieldbus Foundation),
eletrônica analógica (4mA a 20mA) e pneumática (3 PSI A 15 PSI). Destacamos em cinza a
malha de nível com os seguintes instrumentos: Transmissor nível (LT), Transmissor de vazão
(FT) e duas válvulas controladoras de vazão, localizada uma no reservatório, na saída da
coluna chamada de válvula de refugo (LCV) e a outra na entrada da coluna, localizada no
quinto prato (TCV).
Na figura 2.3 podemos ter uma visão geral da instrumentação existente na coluna de
destilação.
18
Figura 2.3-Fluxograma da Instrumentação Atual da Coluna de Destilação (MEDINA, 2000)
A seguir, algumas características técnicas de cada instrumento utilizado na malha de
nível (figuras 2.4 a 2.10).
— Figura 2.4: Transmissor inteligente de pressão diferencial (LT), tipo capacitivo, calibrado
na faixa de 0 mm de H2O a 131 mm de H2O. Trabalha com sinal de saída de 4mA a 20 mA e
sua finalidade, sendo utilizado como transmissor e controlador da malha de nível da coluna
Figura 2.4-Transmissor e Controlador de Nível (MEDINA, 2000)
— Figura 2.5: Conversor de sinal digital Fieldbus Foundation para pressão (FP). Trabalha
com entrada digital e saída de 3 PSI a 15 PSI, sendo utilizado como conversor de sinal de
saída do transmissor e controlador de nível para válvula de saída da coluna de destilação.
19
.
Figura 2.5-Conversor de Sinal Digital Fieldbus Foundation (X) para Pressão (Y) (MEDINA, 2000)
— Figura 2.6: Transmissor inteligente de vazão tipo magnético (FT), calibrado na faixa de 0
1/h a 20 1/h. Trabalha com sinal de saída de 4 mA a 20 mA, sendo utilizado como transmissor
e indicador de vazão de entrada de mistura na coluna de destilação.
Figura 2.6-Transmissor de Vazão de Entrada (MEDINA, 2000)
— Figura 2.7: Conversor de corrente para sinal digital Fieldbus Foundation (IF). Trabalha
com sinal de entrada de 4 mA a 20 mA de corrente e saída de sinal digital fieldbus, sendo
utilizado como conversor de sinal da saída do transmissor de vazão.
20
Figura 2.7-Conversor de Sinal de Corrente (X) para Sinal Digital Fieldbus Foundation (MEDINA, 2000)
— Figura 2.8: Conversor de sinal digital Fieldbus Foundation para corrente (FI). Trabalha
com sinal de entrada e saída de 4 mA a 20 mA, sendo utilizado como conversor de sinal para
entrada da válvula controladora de entrada de mistura de destilação (TCV).
Figura 2.8-Conversor de Sinal Digital Fieldbus Foundation (X) para Corrente (Y) (MEDINA, 2000)
— Figura 2.9: Válvula de controle com posicionador eletromecânico (TCV), capacidade de
vazão média com a válvula totalmente aberta de 14,2 1/h. Utilizado para o controle de
temperatura.
21
Figura 2.9-Válvula de Controle de Vazão de Entrada (MEDINA, 2000)
— Figura 2.10: Válvula de controle tipo globo (LCV), diâmetro de ¼ de polegada NPT (tipo
de rosca que possui um Ângulo de 60º entre os cortes), corpo em aço inoxidável 316, com
atuador diafragma.Utilizada para o controle de nível da base da coluna.
Figura 2.10-Válvula de Controle de Vazão (MEDINA, 2000)
22
2.3. CONTROLE DE NÍVEL DA COLUNA DE DESTILAÇÃO
Tomando como base a coluna de destilação estudada, podemos ter o controle do nível
da coluna de destilação através da implementação do controle Splint-Range ou range dividido,
que constitui duas válvulas (ou outros atuadores) de controle operadas por um mesmo
controlador. Controlamos o nível através das válvulas de saída ou entrada da coluna de
destilação. Por exemplo, se estipulássemos um determinado valor para o nível, caso a atuação
da válvula d,e entrada não fosse suficiente, a válvula de saída seria acionada.
Também é possível fazer o controle através de um sistema automatizado, com auxilio
do programa Syscon, instalado em um simples computador numa sala de controle. Este é
interligado aos instrumentos de atuação e medição das variáveis do processo, através da rede
Foundation Fieldbus (protocolo de comunicação digital).
2.4. LÓGICA FUZZY (LÓGICA NEBULOSA)
A teoria de subconjuntos “fuzzy” nasceu da constatação de que quando a
complexidade de um sistema aumenta, nossa habilidade para concluir fatos e tomar decisões
que sejam ao mesmo tempo preciosos e significativos, tende a diminuir até um limite a partir
do qual, precisão e relevância passam a ser características quase excludentes (ZADEH, 1973
apud, Sistemas Inteligentes e Automação de Processos, Campos et al).
Desta forma, esta teoria de subconjuntos “fuzzy” teve como objetivo criar um sistema
que permitisse representar conhecimentos complexos, incertos, contraditórios e incompletos
de uma maneira matemática e lógica. Os sistemas “fuzzy” aliam a flexibilidade do tipo de
representação simbólica dos conhecimentos, normais nos sistemas especialistas
convencionais, com o poder dos cálculos numéricos das técnicas que se inspiram nos sistemas
biológicos (redes de neurônios).
2.4.1. INTRODUÇÃO À LÓGICA “FUZZY”
Foi estruturada em 1965 pelo Dr. Lofti A. Zadeh da Universidade da Califórnia para
tratar e representar incertezas. Os modelos matemáticos de um processo real e complexo serão
sempre uma simples representação da realidade. Os conhecimentos que nós dispomos de um
23
sistema qualquer, serão sempre incompletos e com diversas fontes de incertezas. As origens
destas imperfeições são principalmente devidas a duas razões (COX, 1997, apud Sistemas
Inteligentes e Automação de Processos, Campos et al ).
A primeira decorre da maneira como estes conhecimentos são obtidos do mundo real.
Esta etapa envolve observações através de instrumentos ou do próprio ser humano. Desta
forma, estas observações estarão sempre sujeitas a erros e incertezas.
A outra origem das imperfeições decorre da maneira como estes conhecimentos do
sistema real são representados em um modelo através da própria linguagem natural, de uma
lógica formal ou de uma formulação matemática quaisquer. Este modelo sempre será
incompleto em função das simplificações necessárias à realização do mesmo. Portanto, a
observação, a aquisição e a representação dos conhecimentos irão conduzir inevitavelmente a
uma perda de informações em relação ao sistema real, que será tanto maior quanto mais
completo for este sistema.
Os modelos baseados na lógica “fuzzy” também são uma simplificação do processo
real. Entretanto, no caso da teoria de controle de processos, estes sistemas “fuzzy” permitiram
mudar o paradigma clássico desta teoria. Isto é, ao invés de se procurar obter um modelo para
o processo e a partir dele projetar um controlador com um desempenho razoável, os sistemas
“fuzzy” tentam modelar diretamente como o ser humano controla este processo.
A lógica fuzzy torna-se importante na medida em que o mundo no qual vivemos não é
constituído por fatos absolutamente verdadeiros ou falsos. É a lógica que permite representar
valores de pertinência (grau de verdade) intermediários entre os valores de verdadeiro ou falso
da lógica clássica (bivalente). Pode ser aplicada, por exemplo, na construção de sistemas
especialistas para descrever coisas imprecisas como: altura (alto, baixo), velocidade (rápido,
lento), tamanho (grande, médio, pequeno), quantidade (muito, razoável, pouco), idade (jovem,
velho), etc.
A Lógica Fuzzy, com base na teoria dos Conjuntos Nebulosos (Fuzzy Set), tem se
mostrado mais adequada para tratar imperfeições da informação do que a teoria das
probabilidades. De forma mais objetiva e preliminar, pode-se definir Lógica Fuzzy como
sendo uma ferramenta capaz de capturar informações vagas, em geral descritas em uma
Linguagem natural e convertê-las para um formato numérico, de fácil manipulação pelos
computadores de hoje em dia.
24
Ela também pode ser definida como a Lógica que suporta os modos de raciocínio que
são aproximados, ao invés de exatos, como estamos naturalmente acostumados a trabalhar.
(GSI, 2004).
2.4.2. CONJUNTOS FUZZY
Os conjuntos Fuzzy constituem uma "ponte” no caminho de aproximar o raciocínio
humano da lógica executada pela máquina.
Um conjunto nebuloso A do universo de discurso O é definido por uma função de
pertinência μA: O
o qual x pertence a A(1). A função de pertinência μA(x) indica o grau de compatibilidade
entre x e o conceito expresso por A:
1. μA(x) =1 indica que x é completamente compatível com A;
2. μA(x) =0 indica que x é completamente incompatível com A;
3. 0<μA(x)<1 indica que x é parcialmente compatível com A, com grau μA(x).
Um conjunto A da teoria clássica dos conjuntos, pode ser visto como um conjunto
nebuloso específico, denominado usualmente de “crisp”, para o qual μA: O (0,1), ou seja,
a pertinência é do tipo “tudo ou nada”, “sim ou não”, e não gradual como para os conjuntos
nebulosos.
A diferença entre estes conceitos em relação à variável idade é ilustrada na Fig. 2.11 e
na Fig. 2.12, que descrevem respectivamente a representação do conceito “adolescente”
através de um conjunto “crisp” e de um conjunto nebuloso.
O conjunto “crisp” A não exprime completamente o conceito de “adolescente”, pois
uma pessoa com 12 anos e 11 meses seria considerada completamente incompatível com este
conceito. Na verdade, qualquer intervalo “crisp” que se tome para representar este conceito é
arbitrário.
Já o conjunto nebuloso B permite exprimir que qualquer pessoa com idade entre 13 e
17 anos é um adolescente, acima de 19 ou abaixo de 11 não é considerado um adolescente, e
no intervalo [11, 13] (respectivamente, [17, 19]) é considerado tanto mais adolescente quanto
mais próxima de 13 (respectivamente de 17) é sua idade.
25
Figura 2.11 – Função Característica do Conjunto “Crisp” Adolescente (SANDRI E CORRÊA, 1999)
Figura 2.12 - Função Trapezoidal Característica do Conjunto Nebuloso Adolescente ( SANDRI E CORRÊA,
1999)
1.4.3. OPERAÇÕES COM CONJUNTOS FUZZY
Além das propriedades comuns aos conjuntos, há também as operações entre
conjuntos, que permitem realizar união, interseção, complemento, entre outras operações.
Neste artigo serão apresentadas quatro operações básicas: a) interseção, b) união, c)
complemento (KLIR e YUAN, 1995; O’HAGAN, 1993).
26
Interseção
A interseção de dois conjuntos A e B resultam no conjunto C que possui “todos os
elementos pertencentes a A e B simultaneamente” (RIBACIONKA, 1999), e equivale à
operação booleana, e representa a operação “MIN” (mínimo) sobre os valores de pertinência
do conjunto A e B (O’Hagan, 1993). Em símbolos:
AB min(A (x), B (x))
Assim como na união, é fácil mostrar que a interseção de A e B é o conjunto fuzzy
mais abrangente que é contido em ambos A e B.
Figura 2.13-Interseção dos Conjuntos A e B, Resultando no Conjunto C
União
A união de dois conjuntos A e B é o “conjunto que contém todos os elementos
pertencentes ao conjunto A ou ao conjunto B”.
AB C
Nos conjuntos fuzzy, a operação de união entre os conjuntos A e B, é o conjunto C,
com os “valores de pertinência que são o equivalente ao resultado de “MAX” (ou máximo)
dos valores componentes”
27
A B max( (x), (x)) A B
A operação de união dos conjuntos é equivalente à operação OU da lógica booleana
(O’HAGAN, 1993).
Segundo Zadeh (1965), a união dos dois conjuntos A e B, é “o menor conjunto fuzzy
contendo ambos A e B” ou então, “se D for um conjunto que contém ambos A e B, então ele
também contém a união de A e B”. A união traz o “melhor possível de todos os mundos”
(O’HAGAN, 1993).
Figura 2.14-União dos Conjuntos A e B, Resultando no Conjunto D
Complemento
RIBACIONKA (1999) mostra que o complemento de um conjunto A é “composto por
todos os elementos do conjunto universo X que não pertencem a A”, ou seja:
A' {x | xX e x A}.
Nos conjuntos fuzzy o complemento é definido por ' 1 A A f f(ZADEH, 1965).
Se o conjunto fuzzy A representasse a classe dos “homens altos”, o seu complemento
A’ seria o conjunto fuzzy dos homens baixos (O’HAGAN, 1993).
28
Figura 2.15-Complemento dos Conjuntos A e B, Resultando no Conjunto E
2.5. CONTROLE FUZZY (CONTROLE NEBULOSO)
As técnicas de controle nebuloso originaram-se com as pesquisas e projetos de E. H.
Mamdani e ganharam espaço como área de estudo em diversas instituições de ensino,
pesquisa e desenvolvimento do mundo, sendo até hoje uma importante aplicação da teoria dos
conjuntos nebulosos.
Ao contrário dos controladores convencionais em que o algoritmo de controle é
descrito analiticamente por equações algébricas ou diferenciais, através de um modelo
matemático, em controle nebuloso utiliza-se de regras lógicas no algoritmo de controle, com a
intenção de descrever numa rotina a experiência humana, intuição e heurística para controlar
um processo.
O controlador baseado na lógica fuzzy não necessita de um modelo analítico do
processo. Ele calcula as suas ações em função de uma base de conhecimento heurístico de
como se deve controlar este processo, que por sua vez pode ser complexo, mal conhecido
(modelos imprecisos) e incerto (BERENJI, 1993).
Este controle fuzzy é na realidade uma função não-linear entre as variáveis de entrada
e de saída, que reflete os conhecimentos que os operadores e/ou engenheiros possuem da
operação deste processo. Portanto, esta tecnologia pode tirar proveito e valorizar a experiência
de uma companhia na operação de um determinado processo, automatizando estas
informações.
29
Um sistema especialista clássico tem necessidade de uma regra para cada situação.
Entretanto, um sistema baseado na lógica fuzzy permite generalizar e inferir dentro do
universo de referência de cada variável controlada. O controle fuzzy pode ser escrito de uma
forma matemática ou mesmo lingüística.
Os objetivos de um controlador fuzzy podem ser os seguintes:
Controlar e operar automaticamente processos complexos, não-lineares e
multivariáveis, com desempenho pelo menos equivalente ao dos operadores;
Respeitar as especificações operacionais;
Ser simples, robusto e operar em tempo real.
Os controladores nebulosos são robustos e de grande adaptabilidade, incorporando
conhecimento que outros sistemas nem sempre conseguem acomodar. Também são versáteis,
principalmente quando o modelo físico é complexo e de difícil representação matemática.
Em geral, os controladores nebulosos encontram maior utilidade em sistemas não
lineares, sendo capazes de superar perturbações e plantas com níveis de ruídos.
Além disso, mesmo em sistemas onde a incerteza se faz presente de maneira
intrínseca, agregam uma robustez característica. No entanto, provar determinadas
propriedades de robustez é uma tarefa difícil neste tipo de abordagem.
A Figura 2.16 é a representação da estrutura básica de um controlador nebuloso.
Muitas variações são propostas na literatura de acordo com o objetivo do projeto, mas
esse é um modelo geral o suficiente para a identificação dos módulos que o compõem,
fornecendo uma idéia do fluxo da informação. (SANDRI; CORRÊA, 1999).
30
Figura 2.16-Estrutura de um Controlador Nebuloso (SANDRI; CORRÊA, 1999)
Observando a Figura acima, pode-se dizer que tanto as leituras de sensores quanto os
sinais esperados pelos atuadores do sistema de controle, não são nebulosos, são necessários
elementos adicionais entre o controlador nebuloso e o processo a ser controlado. Estes
elementos são denominados fuzzificador e defuzzificador, e estão posicionados na entrada e
saída do sistema de controle, respectivamente. Estes elementos são responsáveis por
transformar as medidas obtidas dos sensores em conjuntos nebulosos (fuzzificador), e em
transformar os conjuntos nebulosos obtidos na saída do controlador em valores não nebulosos
de controle para o processo (defuzzificador). (Texto traduzido e adaptado de ZADEH;
JAMSHIDI; TITLI, 1997).
2.5.1. CODIFICAÇÃO DO CONTROLADOR FUZZY
O primeiro passo para a elaboração de um controle fuzzy é definir as variáveis
controladas e manipuladas do sistema. Em seguida, para cada variável deve-se definir o seu
universo de referência e o número de valores linguísticos necessários. Por exemplo, para uma
determinada aplicação, a variável linguística “temperatura” poderá assumir três valores
31
linguísticos {baixa, média e alta}; entretanto, em outra aplicação ela poderá necessitar de
mais dois valores {muito baixa e muito alta}. Cada valor linguístico deve ser definido pela
sua função de pertinência.
A seleção do número de valores linguísticos é uma etapa importante no projeto do
controlador. Um número muito grande de valores linguísticos sobrecarrega o sistema, pois
implica em um número maior de regras a serem definidas e executadas. Por outro lado, um
número grande de valores linguísticos possibilita uma resposta e ajuste mais fino do controle.
Normalmente, esta escolha do número de valores linguísticos é feita de forma heurística. A
maioria dos controladores na prática utiliza entre 3 e 12 valores lingüísticos.
Em seguida, na fase de operação do controlador, as medições do processo, ou seja, as
variáveis de entrada do controle são transformadas em variáveis linguísticas, ou fuzzy através
de um operador de codificação (u = codi(u)). Este operador calcula o valor da função de
pertinência, entre 0 e 1, de todos os valores desta variável linguística. Por exemplo, em um
certo valor de pertinência igual a 0.7, e “normal” com pertinência igual a 0.3.
2.5.2. ELEMENTOS DE UM CONTROLADOR FUZZY
Segue uma breve explicação dos elementos constituintes de um Controlador Fuzzy:
Fuzzificador,
Regras, ou base de conhecimento,
Inferência, ou lógica de tomada de decisões,
Defuzzificador.
O “fuzzificador” é responsável pelo mapeamento das entradas numéricas em conjuntos
fuzzy, variáveis linguísticas.
A “inferência” é realizada mapeando-se valores linguísticos de entrada em valores
linguísticos de saída com o uso das regras. Esta usa implicações “Fuzzy” para simulação de
32
decisões humanas, gerando ações de controle, chamadas de consequentes, partindo-se de um
conjunto de condições de entrada chamado de antecedentes.
Esta base de conhecimento representa o modelo do sistema a ser controlado,
consistindo numa base de dados e uma base de regras fuzzy linguísticas. A base de dados
fornece definições numéricas e a base de regras caracteriza os objetivos do controlador e sua
estratégia usada, geralmente fornecida por pessoas especialistas no sistema.
O “defuzzificador” mapeia valores linguísticos em valores numéricos de saída. Esta
função é realizada por uma interface de defuzzificação, obtendo-se um valor discreto que
possa ser usado numa ação de controle no mundo real.
A base dos sistemas “Fuzzy” é a teoria dos conjuntos “Fuzzy”. Estes conjuntos são
uma extensão dos conjuntos convencionais, que permitem somente que elementos sejam
verdadeiros ou falsos (lógica booleana, bivalente). Conjuntos “Fuzzy” permitem que seus
elementos possuam certo “grau de pertinência” associado, sendo esta propriedade conhecida
como “multivalência”. Isto permite a aproximação com o mundo real que não é bivalente, é
na realidade multivalente com um vasto número de opções ao invés de somente duas. A
lógica Fuzzy, então, permite trabalhar com tais incertezas de fenômenos naturais de forma
rigorosa e sistemática.
A determinação do grau de pertinência, para conjuntos “Fuzzy” contínuos, se dá pela
análise de “funções de pertinência”. Estas funções possibilitam o cálculo do grau de
pertinência de acordo com o valor assumido pela variável. Elas representam os aspectos
fundamentais de todas as ações teóricas e práticas de sistemas “Fuzzy”. (BAUCHSPIESS;
LUNA FILHO; GOSMANN, (2002)).
2.5.3. FUZZYFICAÇÃO
A fuzzyficação é o mapeamento do domínio de valores numéricos (VN) reais (como
valores obtidos de um sensor) para valores fuzzy (VF), definidos pelas funções de pertinência.
Como pode ser visto na Fig. 2.17, o valor fuzzy para a variável X é dado por 0.3 para a função
M e por 0.7 para L (FERREIRA e PARANHOS, 2004).
33
Figura 2.17-Exemplo de Fuzzificação (FERREIRA e PARANHOS, 2004)
Fuzzificação também representa que há atribuição de valores linguísticos, descrições
vagas ou qualitativas, definidas por funções de pertinência às variáveis de entrada. A
Fuzzyficação é uma espécie de pré-processamento de categorias ou classes dos sinais de
entrada, reduzindo grandemente o número de valores a serem processados. Uma menor
quantidade de valores processados significa que há uma computação mais veloz.
A etapa de “fuzzificação” mapeia a entrada (ou característica) entre valores de 0 a 1,
através das funções de pertinência. As funções mais utilizadas são:
Triangular: é especificada por três parâmetros {a,b,c}, a qual determina a
coordenada x dos três cantos do triângulo (Fig. 2.18):
Figura 2.18-Triangular (Adaptado de FERREIRA e PARANHOS, 2004)
Triângulo (x; a, b, c) = max(0, min[(x-a)/(b-a),(c-x)/(c-b)])
Trapezoidal: é especificada por quatro parâmetros {a, b, c, d} (Fig. 2.19).
34
Figura 2.19-Trapezoidal (Adaptado de FERREIRA e PARANHOS, 2004)
Trapézio (x; a, b, c, d) = max(0, min[(x-a)/(b-a),1,(d-x)/(d-c)])
Gaussiana: é especificada por dois parâmetros {s, c} (Fig. 2.20).
Figura 2.20-Trapezoidal (Adaptado de FERREIRA e PARANHOS, 2004)
Gaussiana(x; s, c) = exp.{-(x-c)/s}2
Sino: é especificada por três parâmetros {a, b, c} (Fig. 2.21).
Figura 2.21 - Sino (Adaptado de FERREIRA e PARANHOS, 2004)
Sino(x; a, b, c) = 1/(1+[(x-c)/a]2b)
35
Sigmoidal: é especificada por dois parâmetros {a, c} (Fig. 2.22).
Figura 2.22- Sigmoidal (Adaptado de FERREIRA e PARANHOS, 2004)
Sig(x; a, c) = 1/(1 + exp.[-a(x-c)])
2.5.4. DEFUZZYFICAÇÃO
Na defuzzyficação, o valor da variável linguística de saída inferida pelas regras fuzzy
será traduzido num valor discreto. O Objetivo é obter-se um único valor numérico discreto
que melhor represente os valores fuzzy inferidos da variável linguística de saída, ou seja, a
distribuição de possibilidades. Assim, a defuzzyficação é uma transformação inversa que
traduz a saída do domínio fuzzy para o domínio discreto.
Para selecionar o método apropriado para defuzzyficação, pode-se utilizar um enfoque
baseado no centróide ou nos valores máximos que ocorrem da função de pertinência
resultante. Os seguintes métodos são muito utilizados: (1) Centro-da-área (Co-A), (2)
Centro-do-máximo (C-o-M), e (3) Média-do-máximo (M-o-M). (SHAW e SIMÕES, 1999).
Defuzzificação Centro-de-Área (C-o-A)
O método Centro-da-Área é frequentemente chamado de método do
Centro-de-Gravidade, pois ele calcula o centróide da área composta que
representa o termo de saída fuzzy (μOUT).
Esse termo de saída fuzzy é composto pela união de todas as contribuições de regras. O
centróide é um ponto que divide a área de μOUT em duas partes iguais.
36
O cálculo do centróide da área se dá da seguinte forma:
Onde μOUT (μi) é a área de uma função de pertinência modificada pelo resultado da
inferência Fuzzy e μi é a área do centróide da função de pertinência individual. (SHAW;
SIMÕES, 1999).
Figura 2.23-Método de Defuzzificação pelo Centro-da-Área (SHAW e SIMÕES, 1999, p. 53)
2.5.5. EXEMPLOS DE APLICAÇÕES DE LÓGICA FUZZY
Desde sua criação até os tempos atuais a lógica fuzzy vem sendo aplicada para diversos
fins como automóveis, fotografia, sistemas de controle, sistemas de apoio à decisão (SAD),
entre outros. Além das diferentes áreas de aplicação, a lógica fuzzy também vem sendo
combinada com outros conceitos, como redes neurais e algoritmos genéticos.
A seguir serão listadas duas aplicações da lógica fuzzy, o metrô de Sendai no Japão,
realizado pela Hitachi e um estudo de Mamdani e Pappis sobre um controlador fuzzy de
semáforos.
37
2.5.5.1.METRÔ DE SENDAI
A maior aplicação comercial utilizando lógica fuzzy é o metrô de Sendai, no Japão.
Desde 1987, início do funcionamento do metrô, a lógica fuzzy auxilia o metrô a continuar
funcionando corretamente, brecando, acelerando, parando precisamente nas estações, sem
perder nenhum passageiro (MCNEILL e THRO, 1994 apud RACHEL, 2006).
Figura 2.24-Esquema das Estações de Metrô no Japão (RACHEL, 2006)
A aplicação da lógica fuzzy resultou em uma performance superior à humana e aos
controladores convencionais permitindo uma viagem mais suave para os passageiros em todos
os tipos de terrenos e condições externas.
38
Figura 2.25-Diagrama de Blocos do Controlador Fuzzy de Trens do Metrô de Sendai
(RACHEL, 2006)
2.5.5.2.CONTROLE FUZZY DE SEMÁFOROS DE MAMDANI E PAPPIS
GOMIDE e PEDRYCZ (1998) enumeram diversos casos da utilização da lógica fuzzy
em aplicações. Um desses casos é o controle fuzzy de semáforos, desenvolvido por
MAMDANI e PAPIS em 1977.
Figura 2.26-Diagrama de Blocos do Controlador Fuzzy de Semáforos (GOMIDE e PEDRYCZ, 1998)
39
A lógica fuzzy é empregada para a otimização do tempo que o semáforo fica nos
estados verde ou vermelho, com base no número de carros (fila de veículos), distância do
próximo veículo e velocidade. Tais dados são recebidos de sensores adaptados ao semáforo.
O desenvolvimento de um sistema de controle de tráfico distribuído não pode levar em
conta apenas a fila de carros que está controlando, é necessário que ele considere como está o
semáforo da outra interseção (GOMIDE e PEDRYCZ, 1998).
O trabalho de pesquisa realizado pelo controlador mostra uma forma de otimizar
semáforos e, conseqüentemente, o tráfego de veículos, utilizando a lógica fuzzy para a
montagem de redes de semáforos.
40
CAPÍTULO III
3. ESTADO DA ARTE
Uma revisão bibliográfica é realizada na forma de breve estado da arte da pesquisa,
destacando pontos de contato entre este trabalho e os demais trabalhos desenvolvidos nesta
área do conhecimento.
CAMPOS GOMIDE, et al (1994). A Lógica Fuzzy (Nebulosa) é a lógica que suporta
os modos de raciocínio que são aproximados ao invés de exatos. Modelagem e controle fuzzy
de sistemas são técnicas para o tratamento de informações qualitativas de uma forma rigorosa.
Derivada do conceito de conjuntos fuzzy, a lógica fuzzy constitui a base para o
desenvolvimento de métodos e algoritmos de modelagem e controle de processos, permitindo
a redução da complexidade de projeto e implementação, tornando-se a solução para
problemas de controle até então intratáveis por técnicas clássicas. É apresentado neste
trabalho uma introdução aos princípios e às idéias que fundamentam a aplicação da lógica
fuzzy em sistemas inteligentes em geral, e controle de processos em particular. Hardware e
ferramentas de suporte ao desenvolvimento de aplicações são também descritos. Exemplos de
diferentes classes de problemas de controle são considerados a fim de ilustrar o potencial da
lógica fuzzy em aplicações práticas. Finalmente é apresentado um panorama do estado da arte
atual, incluindo os principais resultados práticos em uso por vários segmentos da indústria e
as tendências futuras.
É mostrada de forma abrangente a aplicação da lógica fuzzy desde a teoria simples à
modelagem com a utilização do controle fuzzy observando-se de uma forma geral a melhor
aplicabilidade, fazendo diferentes exemplificações sendo de suma importância para outros
trabalhos.
MACHADO, et al. (1996). Apresentaram um controlador (STC- Self Tunning
Controller) adaptado às características de um controlador PID. O objetivo era incorporar o
conhecimento para o ajuste do último sobre o primeiro. Aplicaram o controlador a um reator
do tipo batelada operando uma reação de polimerização do Estireno em suspensão, com bons
resultados.
41
O mesmo não contribui visto que o objetivo deste TCC é verificar tão somente o
desempenho do controle Fuzzy, não fazendo comparações com outros tipos de controle como
o controlador PID.
MEDEIROS, et al.(2001). Pesquisas recentes têm mostrado que sistemas
inteligentes híbridos (unindo técnicas como computação evolucionária e redes neurais)
fornecem métodos eficientes para aplicações práticas. Ao se compensar as deficiências de
uma técnica com os benefícios de outra, criam-se estruturas de enorme potencial (JAIN e
JAIN, 1999; RUAN, 1997). Sabe-se que nem sempre é possível definir facilmente alguns
parâmetros dos controladores nebulosos, devido à inexistência de alguma heurística
aproveitável, ou impossibilidade de modelar de forma razoável o conhecimento
preexistente sobre o sistema. Com o objetivo de minimizar esse problema, elaborou-se um
procedimento utilizando algoritmos genéticos para otimizar o conjunto das funções de
pertinência de um sistema nebuloso (fuzzy system), testado na simulação do controle da
pressão arterial de um paciente. Tal metodologia atribui um aspecto robusto e elegante à
função requerida, comparativamente a outros métodos aplicáveis a problemas dessa
natureza.
A utilização dos controladores nebulosos se tornou tão vasta e inovadora que está
presente em diferentes campos. Sua aplicação está presente, inclusive na área de saúde,
mostrando sua diversidade graças à possibilidade de se fazer simulações mostradas neste e
outros trabalhos.
LUNA FILHO, et al. (2002). Apresentam o estudo de sistemas não-lineares, tendo
como exemplo um tanque com escoamento turbulento em sua saída, será realizada uma
comparação entre técnicas de controle: Fuzzy e PI. O sistema construído para o controle de
nível de liquido possui os seguintes componentes: bomba hidráulica, atuador, sensor de nível,
tanques, computador e controlador implementado em software. Os resultados obtidos
experimentalmente e em simulação auxiliam a análise do sistema, fornecendo base qualitativa
e quantitativa para comparação entre as duas técnicas de controle utilizadas.
As técnicas apresentadas são exatamente para se verificar a diferença que se tem
quando se aplicam métodos diferentes. Proporcionando a possibilidade de se avaliar o mais
adequado para tal situação.
MAZZUCCO, et al. (2003). Apresenta um sistema difuso para o controle da
temperatura de sistemas de mistura em batelada, bem como analisar formas de ajuste lineares
42
e não-lineares para o controlador, contribuindo para a compreensão do comportamento deste
sobre sistemas desta natureza. A automatização de processos que operam em regime de
batelada é, em essência, comum a sistemas de mistura simples (sem reação química) e a
reatores químicos descontínuos. Esta classe de sistemas é representada por um tanque agitado
e encamisado onde, principalmente, pressão e temperatura são monitoradas e/ou controladas.
A automatização de processos desta natureza envolve um sistema difuso para o controle de
temperatura de unidades de processamento em batelada, basicamente, bombas, agitadores,
válvulas e sensores para medida de nível, vazão, temperatura e pressão.
Ambos utilizam controle de ajuste, sendo feitas pequenas modificações para se
alcançar os objetivos.
TANSCHEIT, et al.(2003). O objetivo aqui é introduzir os conceitos fundamentais da
Teoria de Conjuntos Fuzzy, da Lógica Fuzzy e de Sistemas de Inferências Fuzzy, de modo a
permitir um contato inicial com este campo extremamente vasto, com aplicações nas mais
diferentes áreas do conhecimento. As primeiras aplicações bem sucedidas situaram-se na área
de Controle, mas, desde então, tem-se verificado uma utilização crescente de sistemas fuzzy
em outros campos, como, por exemplo, classificação, previsão de séries, mineração de dados,
planejamento e otimização. O uso conjunto da lógica fuzzy e de outros sistemas classificados
como inteligentes – redes neurais e programação evolutiva, por exemplo – tem propiciado a
construção de sistemas híbridos, cuja capacidade de aprendizado tem ampliado o campo de
aplicações.
Obtêm-se neste, informações de maior importância para as várias aplicações deste
sistema na área de controle bem como para muitos outros trabalhos. Sejam em aplicações
práticas em áreas industriais ou em pesquisas.
LIMA, et al. (2004). Neste trabalho é implementado procedimentos de estratégias de
controle inteligente, baseado em escalonamento nebuloso de controladores PID, utilizando-se
apenas blocos funcionais, padrões dessa tecnologia. Foi desenvolvido um ambiente para
realização dos testes necessários. Este ambiente é hibrido, ou seja, possui uma parte real (a
rede industrial) e uma parte simulada (o processo), porém os sinais de controle e medição são
reais. Assim é possível desenvolver projetos de controladores. Foi desenvolvido um
supervisor Fuzzy para escalonar uma rede de controladores PID para uma determinada planta
não linear, sendo analisados seus resultados de desempenho, tanto para o problema de
controle quanto de regulação.
43
O mesmo também usa estratégia de controle inteligente, através da implementação da
Lógica Nebulosa (Fuzzy). Desenvolvendo testes e simulando resultados do processo em
ambiente híbrido.
AMENDOLA, et al (2005). Este manual é o produto de uma revisão do manual
disponibilizado em 2004, que além de apresentar com detalhes os comandos básicos para o
uso da teoria dos conjuntos fuzzy no ambiente de computação científica MATLAB 6.5, cita
referências bibliográficas onde o usuário pode complementar seus estudos teóricos para a
interpretação adequada dos resultados do uso desta ferramenta no processo de suporte à
decisão de sistemas que, aqui, são os agrícolas ou biológicos.
As referências bibliográficas são uma ferramenta essencial como fonte de pesquisa e
procura de informações para diferenciados assuntos. Nesta revisão encontram-se vários
detalhes sobre controle fuzzy com referência ao MatLab permitindo que se faça uso deste
programa com mais propriedade.
FERNANDES JÚNIOR, et al. (2005). Este trabalho tem por objetivo a implementação
de algoritmos de controle do tipo PID com sintonia de seus parâmetros para o controle de
nível. O projeto consiste na sintonia de um controle convencional PID para controlar o nível
de um sistema de tanques acoplados, no qual o nível a ser controlado é o nível do tanque 2. A
simulação da planta foi implementada no LabView (computador 1), já o PID foi
implementado num CLP e o supervisório implementado no InTouch (computador 2). Foi feita
uma comunicação entre os computadores e o CLP, e depois realizados os experimentos.
Um fator muito importante e que se torna grande vantagem na área de Automação é o
fato de se poderem efetuar vários testes e simulações em laboratórios e assim identificar o
mais adequado antes de aplicar na indústria, obtendo com isso elementos que trazem grandes
benefícios tanto para a parte empresarial como para a funcional.
ALBUQUERQUE, A. R. Lins, et al (2007).A tecnologia atual no processo de
destilação é capaz de apresentar uma eficiência de aproximadamente 100% na extração de
álcool, porém, outros fatores de desempenhos como gastos energéticos, produtividade e
qualidade no produto final poderiam apresentar melhores resultados. Este trabalho apresenta
uma visão crítica da tecnologia de automação e controle encontrada em usinas de álcool,
apresentando e sugerindo melhores técnicas e abordagem para otimizar o desempenho das
mesmas. Além disso, para contextualizar os argumentos apresentados no artigo, são
analisados e estudados alguns dados reais das variáveis de processo de um aparelho de
44
destilação. O controle de uma unidade de destilação deve manter o balanço de massa, atingir a
qualidade desejada e as restrições do processo. O principal propósito da destilação é separar
um dado volume em produto mais puro.
No trabalho apresentado por este resumo pode-se perceber a vantagem de se utilizar o
controle Fuzzy, pois mostra os ganhos que se obtêm, bem como uma maior qualidade no
produto final, muito significativo em relação ao TCC apresentado.
.JÚNIOR, et al (2007). Neste trabalho é aplicada técnica de inteligência artificial em
sistema simulado de destilação de petróleo, mais especificamente em uma coluna
debulizadora. Nesse, o processo, o produto que chega à coluna, conhecido como LGN, é
fracionado por meio de aquecimento. Os componentes mais leves são transformados em
vapor, que vão constituir o GLP (Gás Liquefeito de Petróleo), enquanto as frações mais
pesadas continuam líquidas, sendo chamadas de C5+. Na prática encontramos no GLP a
presença de “pentanos” (i-pentano e n-pentano), cuja finalidade deste trabalho é regular a
quantidade de pentano presente no GLP, por meio da determinação inteligente dos set points
de controladores presentes na instrumentação original da coluna, para isso é utilizado um
sistema fuzzy,que será responsável por ajustar os valores desse set points.
O processo se assemelha ao TCC já que neste é aplicado o controle de um sistema
simulado de destilação de álcool através do uso do controle fuzzy nos ajustes de SP.
45
CAPÍTULO IV
4. METODOLOGIA
O controlador fuzzy a ser projetado será utilizado para controlar a malha de nível da
coluna de destilação, tendo o nível como variável controlada e a vazão de entrada como
variável manipulada. O controle de nível da malha superior ficará em automático, na qual os
instrumentos da rede fieldbus possuem inteligência para desempenhar funções específicas,
onde, se encarregarão de manter a temperatura em aproximadamente 79% da temperatura
total da panela.
Antes de iniciarmos o controle no MatLab com o auxílio do InTouch, alimentamos a
válvula no controle de topo para 20 mA a fim de se obter nível na panela. Quando a mesma
atingir 45% de nível na panela, aplicamos 4 mA na válvula à espera da estabilização do nível
entre 50% a 60% .
Após obtermos um nível estabilizado passamos a utilizar os demais programas
necessários para implementação deste trabalho e que serão descritos nas etapas seguintes.
4.1. TIPOS DE CONTROLE
Podem ser utilizados três tipos de controle que deveriam ser executados para mostrar o
desempenho do controlador projetado, são eles: controle de módulo partida, módulo servo e
módulo regulatório.Porém neste trabalho somente serão utilizados os dois primeiros.
Módulo partida – é o controle feito para se acompanhar a evolução ou o
comportamento do controlador no momento inicial na planta.
Módulo servo – as saídas efetuadas no controlador devem acompanhar as
variações executadas no setpoint para esse tipo de controle.
Módulo regulatório – ao contrário do módulo servo, nesse controle se mantém o
setpoint fixo, mas introduz-se uma perturbação no sistema, onde o controlador
deve rejeitá-la e manter a saída de controle junta ao setpoint.
46
4.2. INTERFACES DE COMUNICAÇÃO ENTRE COLUNA – MATLAB
Para que as variáveis do sistema possam ser visualizadas e modificadas no MatLab, é
utilizada uma ferramenta chamada OPCTooL para comunicação com o Syscon, que é um
software de configuração dos instrumentos de tecnologia Foundation’ Fieldbus.
O Syscon se conecta aos dispositivos de campo através de uma rede de alta velocidade
denominada HSE, que trabalha de acordo com o modelo TCP/IP, a DFI (dispositivo que
comunica os instrumentos com o PC) possui uma interface de rede padrão e um endereço IP.
Basta que o IP da máquina onde o Syscon esteja instalado seja da mesma classe e rede que o
da DFI para que se comuniquem. Os parâmetros e valores dos instrumentos podem então ser
alterados on-line pelo Syscon através de um servidor OPC que se conecta a DFI para
aquisição dos dados da rede fieldbus.
O processo é supervisionado por um computador provido de um servidor OPC, que
mantém uma interface de comunicação virtual através do MatLab, entre esses servidores,
desta forma pode-se ter uma visualização e ao mesmo tempo fazer as devidas alterações das
variáveis do sistema que forem necessárias no MatLab.
47
Nas etapas seguintes serão apresentadas as telas de softwares utilizadas, e as
configurações necessárias para a realização deste trabalho.
Figura 4.1-Interface de Comunicação entre Syscon e DFI
Inicia-se o software Syscon e abre-se o arquivo “controle topo ok curso. ffp”. A figura
acima mostra como se faz a comunicação entre o Syscon no computador e a DFI, dando-se um
clic no botão run. (ícone verde ON).
A seguir abre-se o Opclink que tem como objetivo fazer a comunicação entre o Syscon
e o MatLab.
48
Com o auxilio do InTouch temos uma visão de todo processo na coluna de destilação,
permitindo acompanhar e alterar o nível até os valores estipulados para teste.
Figura 4.2-Tela do Processo no InTouch
Através desta tela do supervisório pode-se fazer a manipulação adequada com objetivo
de obter-se nível na panela, condição esta necessária para iniciar o controle no MatLab.
49
Figura 4.3-Tela do MatLab
No MatLab (figura 4.3) ao digitar a palavra fuzzy gera-se um bloco onde são
nomeadas as entradas e saídas, com um duplo clic sobre um dos blocos de entrada ou saída
determinam-se as funções de pertinência que serão utilizadas.
50
Através da barra de tarefas “Edit” existe a possibilidade de se alterar o número de
entradas ou saídas, clicando em “Add Variable’, e escolhendo “Input” ou “Output”, ilustrado
na figura 4.4.
Figura 4.4-Alteração de Números de Entradas ou Saídas
51
Figura 4.5-Tela do Bloco Fuzzy com duas Saídas
Nesta tela obtêm-se uma visão de como foi definida para este trabalho a composição
dos blocos, optando-se em usar duas saídas, ou seja, foi adicionado mais um bloco de saída.
Ao se clicar nos ícones referentes aos blocos de entrada ou de saída do controlador
pode –se definir as funções de pertinências, editar o range de trabalho e nomear as entradas e
saídas, adicionar ou remover as regras.
52
Através da barra de tarefas podem-se criar as regras das funções de pertinências,
clicando em “Edit” e a seguir em “Rules” (figura 4.6).Uma vez criadas as regras se faz uma
relação de entrada com saída..Criando assim uma relação determinada.
Figura 4.6-Tela de Criação das Regras
53
Figura 4.7-Tela para Exportar para o Workspace o Controlador
Depois de se fazer as alterações devidas das funções de pertinências exportam-se para
“workspace” e a seguir para “to disk”, clicando em “file”.
54
Figura 4.8- Tela do Simulink
Simulink é uma ferramenta de simulação integrada no software MatLab baseado em
diagramas de blocos que permite modelizar e analisar sistemas dinâmicos.Pode-se criar um
modelo, simular e analisar os resultados, gerados através de gráficos.
55
Figura 4.9-Bloco de Simulação
Na figura 4.9 observa-se o sistema de controle proposto já implementado no Simulink
interagindo com o Syscon através dos blocos de leitura e escrita OPC. Temos os blocos
LT_pa_AI.OUT.VALUE na entrada e os seguintes blocos na saída FI_AO.OUT.VALUE,
antes deste bloco tem-se uma derivação para um bloco de vazão de entrada,
FP_AO.OUT.VALUE, a derivação existente antes deste bloco é de uma vazão de saída.
Exportando a variável de processo, o setpoint, e o sinal de controle para o workspace do
MatLab para posterior geração dos gráficos de desempenho.
56
CAPÍTULO V
5. RESULTADOS
Foram executados três testes na coluna, todos eles utilizando o software MatLab para
implementação do controlador, verificação dos resultados através de gráficos, e analisados o
comportamento do nível de acordo com a simulação proposta.A seguir serão descritos os
resultados dos testes com suas respectivas funções de pertinência e regras.
Teste 1:
Para a configuração do controlador, foi intitulada sua entrada de ERRO com um range
de -100 a 100, e criadas três funções de pertinência triangulares, nomeadas de: N, Z e P
(figura 5.1). Existem duas saídas, vazão_entrada com um range de -12 a 12, e a vazão_saída
com um range de -16 a 16, com três funções de pertinência também triangulares e nomeadas
de: N, Z e P (figura 5.2 e figura 5.3).
Figura 5.1 – Funções de Pertinência de Entrada (Erro) do Teste 1
57
Figura 5.2-Funções de Pertinência de Saída (Vazão_saída) do Teste 1
Figura 5.3-Funções de Pertinência de Saída (Vazão_entrada) do Teste 1
58
Em seguida, são criadas as regras das funções de pertinência da seguinte forma.
Quando o setpoint for maior que o nível da base da coluna, tem-se um erro positivo na entrada
do controlador (setpoint maior que o nível), para que esse erro chegue a zero é necessário a
abertura da válvula de vazão_entrada e fechamento da válvula vazão_saída para que o nível
aumente. Do contrário, se o nível for maior que o setpoint, o erro da entrada do controlador
será negativo (setpoint menor que o nível), sendo feito a abertura da válvula vazão_saída e
fechamento da válvula de vazão_entrada para redução do nível. Caso o setpoint seja igual ao
nível o erro será nulo. Obtêm-se então as seguintes regras (figura 5.4):
Se (Erro é P), então (vazão_saída é N) e (vazão_entrada é P) Erro positivo
Se (Erro é N), então (vazão_saída é P) e (vazão_entrada é N) Erro negativo
Se (Erro é Z), então (vazão_saída é Z) e (vazão_entrada é Z) Erro nulo
Figura 5.4-Tela para Criação das Regras
59
Na figura 5.5 tem-se o resultado do teste 1, utilizou-se um controle módulo de partida,
implementação onde se estabeleceu um setpoint fixo, a espera de um melhor resultado, porém
o nível manteve-se insatisfatório, permanecendo distante do valor pré estabelecido.
Figura 5.5 - Resultado do Teste 1 (Controle Módulo Partida)
60
Teste 2
Para o teste 2 foi feito alterações no número de regras de pertinências, utilizou-se 7
regras e houve mudanças em relação ao setpoint, iniciou-se o implemento com o nível igual
ao valor de setpoint, onde se aplica um degrau, e observa-se que o nível não consegue
acompanhar o valor estabelecido para o setpoint, ficando muito distante e assim não
atendendo as condições esperadas.
Figura 5.6-Funções de Pertinência Entrada (Erro) do Teste 2
61
Figura 5.7-Funções de Pertinências de Saída (Vazão_saída) do Teste 2
Figura 5.8-Funções de Pertinências de Saída (Vazão_entrada) do Teste 2
62
Figura 5.9-Criação de Regras Teste 2
Para este teste têm-se as seguintes regras:
Se ( erro é NG) então ( vazão_saída é PG) e ( vazão_entrada é NG).
Se ( erro é NM) então ( vazão_saída é PM) e ( vazão_entrada é NM).
Se ( erro é NP) então ( vazão_saída é PP) e ( vazão_entrada é NP).
Se ( erro é Z) então ( vazão_saída é Z) e ( vazão_entrada é Z).
Se ( erro é PP) então ( vazão_saída é NP) e ( vazão_entrada é PP).
Se ( erro é PM) então ( vazão_saída é NM) e ( vazão_entrada é PM).
Se ( erro é PG) então ( vazão_saída é NG) e ( vazão_entrada é PG).
As regras mostram que quando se tem um erro negativo, o setpoint é menor que o
nível, a válvula de vazão_saída abre-se e a válvula vazão_entrada fecha-se.Sendo que as letras
P,M e G representam respectivamente pequeno, médio ou grande erro ou vazão.
63
Figura 5.10-Resultado do Teste 2. (Controle Modulo Servo)
De acordo com o gráfico gerado observa-se uma discrepância entre o setpoint e o
nível, invalidando assim esse teste.
Teste 3
No teste 3 foi utilizado 7 regras de pertinências, porém neste implemento houve uma
alteração, criando-se uma perturbação no sistema e aplicando um degrau no setpoint,
observou-se que mesmo com as devidas alterações aplicadas o controlador mostrou-se mais
eficiente em relação aos métodos aplicados anteriormente mantendo o nível próximo do
esperado.
64
Figura 5.11-Funções de Pertinência de Entrada (Erro) do Teste 3
Nas figuras 5.12 e 5.13 observar –se as perturbações criadas no sistema com a
aproximação das funções de pertinência.
Figura 5.12-Tela das Funções de Pertinência de Saída (Vazão_saída) do Teste 3
65
Figura 5.13-Tela das Funções de Pertinência de Saída (Vazão_entrada) do Teste 3
Figura 5.14-Tela para Criação das Regras do Teste 3
66
Para o teste 3 não houve alteração no número de regras sendo definidas as mesmas do
teste 2.
Figura 5.15-Gráfico Resultado do Teste 3 (Controle Módulo Servo)
Obs. Este foi considerado o melhor teste, pois mesmo depois de aplicados perturbação
no sistema e efetuado um degrau, o nível manteve-se próximo do setpoint, aproximadamente
2%, valor considerado bom.
67
CAPÍTULO VI
6. CONCLUSÃO
O trabalho foi concluído a contento devido, principalmente ao planejamento que foi
elaborado levando em consideração as possibilidades de desempenho do controlador fuzzy e a
documentação deste desempenho para diferentes situações de validação, resultados nos testes
apresentados como resultados.
O fato de o trabalho relacionar teoria e prática vem no intuito de montagem de um
aporte de conhecimento que viabilizam novos testes de controladores e a investigação
realizada serve como ponto de partida para trabalhos futuros.
A perspectiva de desdobramento do trabalho faz-se no sentido de implementação de
controle fuzzy em plantas de processo industriais, sobretudo em plantas de nível com mais de
uma variável manipulada.
Fica ainda como sugestão para trabalhos futuros a otimização do controlador fuzzy em
termos de sintonia, alterando os limites do universo de discurso das variáveis de entrada e
saída, além de testes com a incorporação de outras variáveis de entrada no sistema, com
conseqüente aumento do número de regras de controle, por exemplo, inserindo a variável
variação do erro além da variável de entrada erro.
Após a execução de alguns testes observou-se que foi possível chegar a um resultado
satisfatório, do ponto de vista de rastreamento do setpoint de nível para diferentes testes.
Deixando claro mais uma vez que o intuito do trabalho não era a comparação de diferentes
técnicas de controle no que tange desempenho, mas sim, a implementação e testes de um
controlador baseado em inteligência artificial para controle de um sistema de nível
multivariável.
A realização de testes comparativos entre diferentes estratégias de controle fica como
sugestão para trabalhos futuros, bem como a utilização de novos arranjos da lógica fuzzy para
o controle de processos industriais.
68
REFERÊNCIAS
ALBUQUERQUE, A.R. LINS; POLICASTRO, CLAUDIO A., Automação e controle em
aparelhos de destilação de álcool - Uma visão crítica, USP, 2007.
AMENDOLA, Mariângela; SOUZA, Anderson Luiz de; BARROS, Laércio Carvalho.
Manual do uso da teoria dos conjuntos Fuzzy no MATLAB 6.5. Feagri & Imecc/ Unicamp,
2005.
BARROS, A. C. S. ; ALBUQUERQUE, Victor Hugo Costa de ; ALEXANDRIA, Auzuir
Ricardo de., Biblioteca para implementação de controladores utilizando lógica fuzzy,
Revista Tecnologia (UNIFOR), v. 27 nº2, p. 141-149, 2006.
BARROS, Rodrigues Ramon; ALMEIDA, Sidimar Junio do Nascimento, Projeto e
Implementação de um Controlador Fuzzy para Temperatura de Topo de uma Coluna de
Destilação Didática, Monografia - Campos-RJ - Centro Federal de Educação Tecnológica
de Campos, 2008.
BAUCHSPIESS, Adolfo; LUNA FILHO, Fernando M.; GOSMANN, Hugo L. (2002)
Controle Fuzzy para Sistema de Nível de Líquidos. In: CBA2002 - Congresso Brasileiro
de Automática, 2002, Natal-RN. Anais do CBA2002 - Congresso Brasileiro de Automática.
Natal, 2002.
BERNARDELI, Victor Régis, Implementação de Controladores Fuzzy para Acionamentos
Elétricos, Monografia (Graduação em Engenharia em Telecomunicações) – Uberlândia-MG
– União Educacional Minas Gerais, 2005.
BILOBROVEC, Marcelo, Sistema Especialista em Lógica Fuzzy para o Controle,
Gerenciamento e Manutenção da Qualidade em Processo de Aeração de Grãos, Dissertação
(Mestrado em Engenharia de Produção) – Ponta Grossa-PR - Universidade Tecnológica
Federal do Paraná, 2005.
69
CAMPOS, Mário C. M. M., Aplicações de Controladores Fuzzy na Petrobras, In: VII
Congresso Brasileiro de Redes Neurais, Natal, 2005.
CAMPOS, M. M.; Saito K., Sistemas Inteligentes em Controle e Automação de Processos,
Editora: Ciência Moderna, 1º Edição, 2004.
CARVALHO, A. S., Modelagem de colunas de destilação através de modelos auto-
regressivos. Dissertação (Mestrado em Engenharia de Produção) - Campos-RJ -
Universidade Estadual do Norte Fluminense (UENF), 2008.
CRESPO, L. S. Montagem Identificação e Modelamento de uma Torre de Destilação Piloto.
2000. Dissertação (Mestrado em Automação) – Universidade Federal do Espírito Santo,
Vitória, 2000.
DITTZ, C. H.; TANSCHEIT, R.; VELLASCO, M. M. B. R. ; GONÇALVES, M. . Aplicação
de Lógica Fuzzy no Controle de Desobstrução de Tubulações Flexíveis. Workshop Latino
americano sobre Aplicações da Ciência e Engenharia do Petróleo, Iguazu- Instituto Argentino
de Petróleo e Gas, 2000.
FERNANDES JÚNIOR, Francisco Guerra; LOPES, José Soares Batista; MAITELLI, André
Laurindo; Araújo, FABIO Meneghetti U. ; OLIVEIRA, Luiz Affonso H. Guedes ;
Implementação De Controladores PID Utilizando Lógica Fuzzy E Instrumentação
Industrial. VII Simpósio Brasileiro de Automação Inteligente. São Luís-Maranhão, 2005
FERREIRA, A. L. G., PARANHOS, J. P. de S., “Controle em Tempo Real por Lógica
Fuzzy”, 2004, Projeto Final de Curso, Associação Educacional Dom Bosco, 18 out. 2009,
http://www.aedb.br/faculdades/eng/disciplinas/ano6/ProjetoFinal2004.pdf.
FONSECA, J. , AFONSO, J.; MARTINS, J.; COUTO, C., Avaliação da Aplicação de
Técnicas de Lógica Fuzzy no Controlo de Máquinas Eléctricas, Jornadas Hispano-Lusas
de Ingeniería Electrica , Salamanca, 1997.
GOMIDE, F. A. C., GUDWIN, R. R., Modelagem, Controle, Sistemas e Lógica Fuzzy,
Universidade Estadual de Campinas (UNICAMP) SBA Controle & Automação, 1994.
70
GOMIDE, F. A. C., PREDYCZ, W., Introdução à Lógica Fuzzy, Universidade Estadual de
Campinas (UNICAMP) SBA Controle & Automação, 1998.
GSI. Grupo de Sistemas Inteligentes. DIN-UEM, Controle Inteligente. Características da
Lógica Difusa, UEM. Universidade Estadual de Maringá. Paraná, 2004, 18 out. 2009,
http://www.din.uem.br/ia/controle/fuz_cara.htm.
JÚNIOR, José M. A., Técnicas de Inteligência Artificial para a Geração Dinâmica de Set
Points para uma Coluna de Destilação, Natal-RN, 2007.
KINOSHITA, B. P. NAKAYA, D. H., Conjunto Fuzzzy-Aplicações, 10/11/2009,
http://www.afonseca.eng.br/aulas/artigos/fuzzy/_-_-kinoshitanakaya conjuntos fuzzy e
aplicações.pdf
LAZO, J. G. L.; VARGAS, J. M. P.; TANSCHEIT, R. ; VELLASCO, Marley M. (1999)
Controle nebuloso de um manipulador robótico com ajuste heurístico da base de regras,
In: Encontro Nacional de Inteligência Artificial, Rio de Janeiro. Anais do XIX Congresso
Nacional da SBC. Rio de Janeiro, 1999.
LEITE, A. C., Algoritmo de Controle Baseado em Lógica Fuzzy e Redes Neurais Artificiais,
Monografia (Graduação em Tecnologia em Automação Industrial) – Campos-RJ – Centro
Federal de Educação Tecnológica de Campos, 2004.
LIMA, F. S., Estratégia de Escalonamento de Controladores PID Baseados em Regras
Fuzzy para Redes Industriais Foundation Fieldbus Usando Blocos Padrões, Universidade
Federal do Rio Grande do Norte, Natal-RN, 2004.
LIMA, M. P.; AMORIM, C. A., Proposta de um modelo fuzzy para apoio à tomada de
decisão no Controle de Tráfego Aéreo do Aeroporto Internacional de Salvador. [ REIC ]
- Revista Eletrônica de Iniciação Científica, Ano VII, Número I, 2007.
LUNA FILHO; GOSMANN H. L.; BAUCHSPIESS,ADOLFO. Controle Fzzy Para
Sistema De Líquidos. IV Congresso Brasileiro De Automática, Natal –RN, 2002.
71
MACHADO, R. A. F. Otimização e Controle de Reatores de Polimerização em Batelada,
Florianópolis - Brasil, Dissertação, Departamento de Engenharia Química e de Alimentos
- Universidade Federal de Santa Catarina, 1996.
MARTINS, W. F. Controle Fuzzy em Tempo Real, Aplicado ao Sistema Plataforma-Esfera.
Dissertação (Mestrado em Ciências em Engenharia Elétrica) – Rio de Janeiro-RJ – Instituto
Militar em Engenharia, 2007.
MAZZUCCO, M. M., Um sistema difuso para o controle de temperatura em unidades de
processamento em batelada, Doutorado em Engenharia de Produção-Programa de Pós-
graduação em Engenharia de Produção, UFSC, Florianópolis, 2003.
MEDEIROS, Anderson V. de; MAITELLI, André L; FILHO, Oscar G.; Otimização das
Funções de Pertinência de um Controlador Nebuloso Utilizando Algorítmos
Genéticos.Leca-CT-UFRN, Natal-RN, 2001.
MEDINA, Leonardo Ribeiro, 2000, Modelagem e Identificação dos Dispositivos da Malha de
Nível de uma Coluna de Destilação Didática. (Monografia)- Campos-RJ – Centro Federal
de Educação Tecnológica de Campos, 2008.
MORAIS, M. H. E.; MURALIKRISHNA, A.; BRAVO, R.; GUIMARAES, L. N. F. Um
Controlador Nebuloso Aplicado ao Problema do Pêndulo Invertido, Congresso Nacional
de Matemática Aplicada e Computacional, São Paulo, Sociedade Brasileira de Matemática
Aplicada e Computacional, 2005.
MOREIRA, I. M, Memorial Descritivo da Coluna de Destilação, Monografia, Campos dos
Goytacazes/RJ - Cefet-Campos – Universidade da Tecnologia e do Trabalho, 2006.
NASCIMENTO JR., Cairo Lúcio, YONEYAMA, Takashi, Inteligência Artificial em
Controle e Automação, Ed. São Paulo: Edgard Blücher, 218, 2000.
RACHEL, F. M. Proposta de um Controlador Automático de Trens Utilizando Lógica
Nebulosa Preditiva, (Mestrado em Engenharia), Universidade de São Paulo, Brasil, 2006.
72
SANDRI, S.; CORRÊA, C., Lógica Nebulosa. INPE, 1999, Acessado em: 11/10/2009,
http://www.ele.ita.br/cnrn/minicursos-5ern/log-neb.pdf.
SANTOS, R. J. ; BORGES, G. A.; MELO, G. A. F.; Bauchspiess, A. , Controle Fuzzy para
Racionalização de Energia em Protótipo de Processo Térmico Predial, In: VII SBAI -
Simpósio Brasileiro de Automação Inteligente, São Luís, Anais do VII SBAI, 2005.
SHAW, I. S.; SIMÕES, M. G., Controle e Modelagem Fuzzy, FAPESP, 1999.
SHHEIBIA, T. A. A., Controle de um Braço Robótico Utilizando uma Abordagem de Agente
Inteligente. Dissertação (Mestrado em Informática) – Campina Grande-PB – Universidade
Federal da Paraíba (UFPB), 2001.
TANSCHEIT, Ricardo. , Sistemas fuzzy, In: VI Simpósio Brasileiro de Automação
Inteligente, Bauru, SP. Anais de Minicursos do VI SBAI, 2003.
VIEIRA, R. S. , Protótipo de um Sistema de Monitoramento Remoto Inteligente. Dissertação
(Mestrado em Engenharia de produção), Florianópolis-SC – Universidade Federal de
Santa Catarina (UFSC), 1999.
ZADEH, L. A.; JAMSHIDI, Md., TITLI, A. , Applications of Fuzzy Logic: Towards High
Machine Intelligence Quotient Systems, Environmental and Intelligent Manufacturing
Series, Prentice Hall, 1997.