Universidade Federal de Sergipe
Pró-Reitoria de Pós-Graduação e Pesquisa
Coordenação de Pós-Graduação
Programa de pós-graduação de Engenharia Elétrica
Miguel Angel Ahumedo Grimaldos
IMPLEMENTAÇÃO DE SISTEMAS DE CONTROLE
DIFUSO EM UMA PLANTA DIDÁTICA
São Cristóvão - SE 2016
Miguel Angel Ahumedo Grimaldos
IMPLEMENTAÇÃO DE SISTEMAS DE CONTROLE
DIFUSO EM UMA PLANTA DIDÁTICA
Dissertação de mestrado apresentada ao Programa de Pós-graduação em Engenharia Elétrica – PROEE da Universidade Federal de Sergipe como parte dos requisitos necessários à obtenção do título de Mestre em Engenharia Elétrica.
Orientador: Dr. Carlos Alberto Villacorta Cardoso
São Cristóvão - SE Agosto de 2016
IMPLEMENTAÇÃO DE SISTEMAS DE CONTROLE DIFUSO EM
UMA PLANTA DIDÁTICA
Miguel Angel Ahumedo Grimaldos
DISSERTAÇÃO SUBMETIDA AO CORPO DOCENTE DO PROGRAMA DE PÓS-GRADUAÇÃO EM ENGENHARIA ELÉTRICA PROEE DA UNIVERSIDADE FEDERAL DE SERGIPE COMO PARTE DOS REQUISITOS NECESSÁRIOS PARA A OBTENÇÃO DO GRAU DE MESTRE EM ENGENHARIA ELÉTRICA.
Examinada por:
________________________________________ Prof. Dr. Oscar Alberto Zanabria Sotomayor
______________________________________ Prof. Dr. Andrés Ortiz Salazar
_____________________________________ Prof. Dr. Lucas Molina
SÃO CRISTÓVÃO – SE AGOSTO DE 2016
FICHA CATALOGRÁFICA ELABORADA PELA BIBLIOTECA CENTRAL UNIVERSIDADE FEDERAL DE SERGIPE
G861i
Grimaldos, Miguel Angel Ahumedo
Implementação de sistemas de controle difuso em uma planta didática / Miguel Angel Ahumedo Grimaldos ; orientador Carlos Alberto Villacorta Cardoso. – São Cristóvão, 2016.
88 f. : il.
Dissertação (mestrado em Engenharia Elétrica)– Universidade Federal de Sergipe, 2016.
1. Engenharia elétrica. 2. Sistemas difusos. 3. Lógica difusa. 4. Controle de temperatura. I. Cardoso, Carlos Alberto Villacorta. III. Título.
iv
Agradecimentos
Pelo apoio incondicional, compreensão e incentivo agradeço e expresso minha gratidão a minha mãe e irmã, distantes geograficamente, a minha esposa Maya e minha filha Valeria pela paciência compreensão e amor fatores que ajudaram na realização desse trabalho.
Ao meu orientador, Prof. Dr. Carlos Alberto Villacorta, pela paciência, respeito, bom relacionamento baseado na honestidade, pela confiança e sempre mostrando o caminho na condução deste trabalho.
Ao acadêmico Klaus Cavalcante Barros, estudante de Engenharia Eletrônica na UFS e parceiro na fase final da pesquisa, pela competência, presteza, colaboração, celeridade e pela capacidade de realização de trabalhos em equipe. Sua contribuição foi de muita importância para o andamento das atividades.
A toda a equipe de técnicos do departamento e à secretaria do PROEE, pela colaboração, celeridade, boa vontade e disposição para resolver as dificuldades técnicas e rotineiras que se apresentam neste tipo de pesquisas.
À equipe de professores que diretamente e indiretamente colaboraram com seus conhecimentos e aconselhando o melhor caminho a seguir ou com seu apoio incondicional.
À ilustre Banca Examinadora conformada pelo o Prof. Dr. Andrés Ortiz Salazar, Prof. Dr. Oscar Alberto Zanabria Sotomayor e Prof. Dr. Lucas Molina, pelas valiosas, pertinentes e enriquecedoras sugestões e contribuições dadas para o enriquecimento deste trabalho de pesquisa.
v
Resumo da Dissertação apresentada ao PROEE/UFS como parte dos requisitos necessários para a obtenção do grau de Mestre (Me.)
Implementação de sistemas de controle difuso em uma planta didática Miguel Angel Ahumedo Grimaldos
Agosto/2016 Orientador: Prof. Dr. Carlos Alberto Villacorta Cardoso Programa: Engenharia Elétrica
O presente trabalho tem como objetivos ampliar as possibilidades de implementação de estratégias de controle da PD 3 e avaliar de forma prática diferentes estratégias de aplicação da lógica difusa no controle de processos de uma planta didática (PD 3). Isto foi realizado adicionando estratégias de controle difusas às estratégias convencionais de controle industrial, com as quais o sistema da PD 3 vem configurado de fábrica. As estratégias convencionais utilizam controladores do tipo PID e suas variações (P, PI e PD) cujos parâmetros são pré-ajustados e “implantados” nos instrumentos. Foram realizadas três estratégias de controle difuso com a temperatura como variável principal a controlar e a vazão como variável secundaria a controlar. A primeira estratégia foi o controle de temperatura difuso-PID, na qual foi utilizado o controlador PID local da PD 3 e foi desenvolvida uma estratégia em lógica difusa, em uma estação de trabalho externa, para a sintonia em tempo real dos parâmetros PID. O controlador da PD 3 atua diretamente sobre a potência das resistências de aquecimento, sendo esta a variável manipulada. Desta maneira se realizou o controle da temperatura no processo. A segunda estratégia, denominada temperatura difuso-PID + vazão, continuou usando o mesmo controlador de temperatura difuso-PID, mas foi adicionado um controle difuso para regular a variável vazão do processo. Este controle difuso foi desenvolvido na estação de trabalho e manipula diretamente o atuador da válvula de controle inteligente de entrada de agua ao tanque de aquecimento. Por último, foi desenvolvida uma estratégia totalmente difusa para controlar as variáveis temperatura e vazão do processo. Das três estratégias implementadas, a que apresentou melhor performance foi a do controlador totalmente difuso quando observadas as métricas e índices de desempenho.
Palavras-Chaves: Controle Difuso; controle Difuso-PID; OPC-HSE planta didática;
vi
Implementation of Fuzzy control systems in a didactic plant
Miguel Angel Ahumedo Grimaldos August /2016
Advisor: PhD. Carlos Alberto Villacorta Cardoso Department: Electrica lEngineering
The present work aims to expand the possibilities of PD 3 control strategies implementation and to evaluate, in a practical way, different strategies of fuzzy logic application in the control of processes of a didactic plant (PD 3). This was accomplished by adding fuzzy control strategies to the conventional industrial control strategies with which the PD 3 system is factory configured. The conventional strategies use PID controllers and its variations (P, PI and PD) which parameters are preset and "implanted" in the instruments. Three fuzzy control strategies were performed with temperature as the main process variable to be controlled and flow as the secondary variable to be controlled. The first strategy was the fuzzy-PID temperature control; it was used the local PID controller of PD 3 and a strategy was developed in fuzzy logic in an external workstation, for tuning of the PID parameters in real time. The PD 3 controller acts directly on the power of the heating resistances, which is the manipulated variable. This way, the temperature was controlled in the process. The second strategy, called temperature fuzzy-PID + flow, continued using the same fuzzy-fuzzy-PID temperature controller but was added a fuzzy control to regulate the process flow variable. This fuzzy control was developed at the work station and directly manipulates the actuator of the intelligent water inlet control valve to the heating tank. Finally, a completely fuzzy strategy was developed to control temperature and flow variables of the process. Of the three strategies implemented, completely fuzzy controller presented the best response when observed all metrics and performance indicators.
Key Words: Fuzzy control; Fuzzy-PID control; OPC-HSE; didactic plant; temperature control.
vii
Sumário
Lista de Figuras ... ix
Lista de Tabelas ... xi
Lista de Abreviaturas e Siglas ... xii
Lista de Símbolos ... xiii
Capítulo 1 ... 1 Apresentação ... 1 Introdução ... 1 Motivação ... 6 Objetivos ... 6 Justificativa ... 7 Estrutura do trabalho ... 7 Escopo do trabalho ... 8 Capítulo 2 ... 9 Lógica Difusa ... 9
2.1 Lógica difusa e sistemas de controle ... 9
2.2 Blocos funcionais de um controlador difuso ... 10
2.2.1 Bloco de fuzzificação (Codificação) ... 10
2.2.2 Bloco base de conhecimento ... 11
2.2.3 Bloco de lógica de tomada decisão (Raciocínio difuso) ... 11
2.2.4 Bloco de defuzzificação (Decodificação). ... 12
2.3.2 Processo de fuzzificação ... 15
2.3.3 Processo da base do conhecimento e tomada de decisão ... 16
2.3.4 Processo de defuzzificação ... 17
Capítulo 3 ... 20
Planta Didática PD 3 ... 20
3.1 Circuito de aquecimento da PD 3 ... 21
3.1.1 Controlador usado no circuito de aquecimento da PD 3 ... 23
3.1.2 Equipamentos presentes no circuito de aquecimento ... 24
Capítulo 4 ... 30
Estratégias de Controle ... 30
4.1 Controlador PID ... 30
viii
4.2.1 Controlador difuso-PID implementado ... 35
4.2.2 Variáveis linguísticas e funções de pertinência de entrada e saída ... 36
4.2.3 Algoritmo difuso proposto ... 39
4.2.4 Controlador difuso-PID + vazão implementado... 41
4.3 Controlador difuso ... 44
4.3.1 Variáveis linguísticas de entrada e saída e suas funções de pertinência ... 45
Capítulo 5 ... 49
Resultados ... 49
5.1 Respostas das estratégias utilizadas ... 50
5.1.1 Controle PID da PD 3 ... 50
5.1.2 Controle difuso-PID ... 51
5.1.3 Controle difuso-PID + Vazão ... 53
5.1.4 Controle totalmente difuso ... 54
5.2 Apresentação de todas as respostas obtidas ... 56
5.3 Analise das respostas PID teórica, real e difusa ... 61
Teste de rejeição a perturbações do controlador totalmente difuso ... 64
Capítulo 6 ... 66 Conclusões ... 66 Referências Bibliográficas ... 68 ANEXO A ... 72 ANEXO B ... 73 ANEXO C ... 74
ix
Lista de Figuras
Figura 1-1 Estrutura completa de um controlador difuso (Fonte: CAMPOS e SAITO,
2004, modificada) ... 4
Figura 2-1 Arquitetura básica de um controlador difuso (GOMIDE et al., 1995) e (CAMPOS e SAITO, 2004) ... 10
Figura 2-2 Exemplos de funções de pertinência a) gaussiana b) triangular c) trapezoidal d) fuzzy-tom ... 13
Figura 2-3 Funções de pertinência das variáveis linguísticas temperatura “fria”, “morna” e “quente” ... 14
Figura 2-4 Funções de pertinência da variável linguística “temperatura ... 15
Figura 2-5 Defuzzificação pelo método Centro-do-Máximo (C-o-M ) ... 19
Figura 3-1 Esquema geral da Planta PD 3 ... 21
Figura 3-2 Diagramas do circuito de aquecimento e vazão utilizados ... 22
Figura 3-3 Diagrama de blocos do controlador PID do tanque de aquecimento (TQ-01) da PD 3 ... 24
Figura 3-4 Imagem da bomba 01 do circuito de aquecimento da PD 3 ... 24
Figura 3-5 Imagem da válvula de controle do circuito de aquecimento da PD 3 ... 25
Figura 3-6 imagem do rotâmetro da PD 3 ... 25
Figura 3-7 Imagens do medidor de vazão da PD 3 ... 26
Figura 3-8 Imagem do sensor de temperatura tipo PT100 do tanque de aquecimento da PD 3 ... 26
Figura 3-9 Imagem do conversor estático da PD 3 ... 27
Figura 3-10 Imagem do tipo de resistências de aquecimento instaladas na PD 3 ... 27
Figura 3-11 Imagem do tipo de termostato instaladas na PD 3 ... 28
Figura 3-12 Imagem do tipo de chave de nível instaladas na PD 3 ... 28
Figura 3-13 Imagem do medidor de nível do tanque de aquecimento da PD 3 ... 29
Figura 4-1 Estimação de 1ª ordem para o sistema real do TQ-01 com potência (u) 90 % e vazão de 300 l/h ... 33
Figura 4-2 Modelo modificado do controlador Difuso-PID (WEI-JIE, Y.; YONG-XIN, L) ... 35
Figura 4-3 Diagrama do sistema de controle implementado ... 36
Figura 4-4 Variáveis linguísticas de entrada e de saída do sistema Difuso-PID desenvolvido. ... 36
x
Figura 4-5 Funções de pertinência de entrada do Erro (erro) e da Tendência (variação do
erro) ... 37
Figura 4-6 Funções de pertinência de saída dos ganhos PID representadas pelo ganho – P ... 38
Figura 4-7 Diagrama de blocos do controlador difuso-PID + vazão implementado ... 42
Figura 4-8 Variáveis linguísticas de entrada e de saída do sistema difuso desenvolvido ... 43
Figura 4-9 Funções de pertinência de entrada do erro ... 43
Figura 4-10 Diagrama de blocos do controlador totalmente difuso implementado ... 45
Figura 4-11 Variáveis linguísticas de entrada e de saída do sistema difuso desenvolvido ... 45
Figura 4-12 Funções de pertinência de entrada do erro do sistema ... 46
Figura 4-13 Funções de pertinência da entrada da tendência do erro do si ... 46
Figura 5-1 Resposta da temperatura aos degraus aplicados como controlador PID da PD 3 ... 51
Figura 5-2 Respostas da potência nas resistências aos degraus aplicados com o controlador PID ... 51
Figura 5-3 Resposta da temperatura com o controlador Difuso-PID ... 52
Figura 5-4 Potência nas resistências com o controlador Difuso-PID ... 52
Figura 5-5 Comportamento dos paramentos PID sintonizados em tempo real (On-Line) ... 52
Figura 5-6 Resposta da temperatura com o controlador Difuso-PID + vazão ... 53
Figura 5-7 Vazão e potência nas resistências com o controlador Difuso-PID + vazão .. 53
Figura 5-8 Comportamento dos paramentos PID sintonizados em tempo real (On-Line). ... 54
Figura 5-9 Resposta da temperatura com o controlador totalmente difuso ... 55
Figura 5-10 Vazão e potência nas resistências com o controlador difuso. ... 55
Figura 5-11 Sintonia do controlador Totalmente Difusa de 5 s para 2 s. ... 56
Figura 5-12 Comportamento das respostas de cada estratégia de controle testada ... 58
Figura 5-13 Comportamento das respostas PID teórico, real e totalmente difusa nos três degraus ... 63
Figura C-1Diagrama do sistema de controle difuso-PID+ vazão implementado ... 74
xi
Lista de Tabelas
Tabela 4-1 Efeitos das ações do controlador PID sobre o processo e a função do ganho
(ANDRADE, SOUSA, 2010) ... 31
Tabela 4-2 Parâmetros de aproximação de primeira ordem com tempo morto para as três vazões ... 33
Tabela 4-3 Fórmulas para o cálculo dos parâmetros PID, método de Ziegler e Nichols em malha aberta (CAMPOS; TEIXEIRA, 2006) ... 33
Tabela 4-4 Parâmetros iniciais de sintonia de controle do tanque de aquecimento ... 33
Tabela 4-5 Parâmetros das funções de pertinência das variáveis Difusas de entrada .... 38
Tabela 4-6 Parâmetros das funções de pertinência das variáveis Difusas de saída dos ganhos PID. ... 39
Tabela 4-7 Base de regras do controlador Difuso-PID ... 41
Tabela 4-8 Parâmetros das funções de pertinência das variáveis difusas de entrada ... 43
Tabela 4-9 Parâmetros das funções de pertinência das variáveis difusas de saída ... 44
Tabela 4-10 Base de regras do controlador Difuso de vazão ... 44
Tabela 5-1 Condições das variáveis para realizar os ensaios ... 50
Tabela 5-2 Métricas da resposta transitória para o 1º degrau 26,5° a 30° C ... 57
Tabela 5-3 Métricas da resposta transitória para o 2º degrau 30° a 35° C ... 57
Tabela 5-4 Métricas da resposta transitória para o 3º degrau 35° a 30° C ... 58
Tabela 5-5 Desempenho das estratégias no índice IAE nos 3º degraus aplicados ... 59
Tabela 5-6 Desempenho das estratégias no índice ITAE nos 3º degraus aplicados ... 59
Tabela 5-7 Dados totais de consumo de energia e água do processo ... 61
Tabela 5-8 Métricas do controlador PID teórico nos três degraus para 300 l/h de vazão ... 62
Tabela 5-9 Desempenho das estratégias PID teórico, real e totalmente difusa no índice IAE nos 3º degraus aplicados ... 63
Tabela 5-10 Desempenho das estratégias PID teórico, real e totalmente difusa no índice ITAE nos 3º degraus aplicados ... 64
Tabela 5-11 Dados totais de consumo de energia e água do processo ... 64
xii
Lista de Abreviaturas e Siglas
ANFIS Adaptive neuro fuzzy inference system
C-o-A Centro-da-Área
C-o-M Centro-do-Máximo
et al. Abreviação da locução latina et alii [= e outros]
ex: Exemplo
FF Fieldbus Foundation
HSE High Speed Ethernet
IAE Integral do valor Absoluto do Erro [em inglês,
Integral of Absolute Error]
ITAE Integral do produto do Tempo pelo valor Absoluto do
Erro[em inglês, Integral of Time multiplied by
Absolute Error]
MV Variável Manipulada
OPC OLE for ProcessControl
P Proporcional
PC Personal Computer
PD Proporcional e Derivativo
PD3 Planta Didática 3 da Smar
pH Potencial Hidrogeniônico
PI Proporcional e Integrativo
PID Proporcional, Integrativo e Derivativo
PT-100 Sensor de temperatura, Termorresistencia
PV Variável de Processo [em inglês, Process Variable]
SP Valor de referência [ em inglês Set-Point]
TQ-01 Tanque um
UFS Universidade Federal de Sergipe
xiii
Lista de Símbolos
°C Grau Celsius
e(t) Sinal de erro
ess Erro de regime permanente
K Ganho da planta
Kd Ganho derivativo
Ki Ganho integral
Kp Ganho proporcional
L Atraso do sistema
MP Sobressinal máximo percentual
t Tempo
td Tempo de atraso
tp Tempo do primeiro pico
tr Tempo de subida
ts Tempo de acomodação
T Constate de tempo
Ti Tempo integrativo
Td Tempo derivativo
μo,k(ui) Pontos em que ocorrem os máximos
1
Capítulo 1
Apresentação
Introdução
As plantas didáticas e plantas piloto, daqui em diante denominadas Pd e Pp, são uma representação em escala menor de uma planta industrial real e de seus processos. São desenvolvidas para realizar estudos mais detalhados de particularidades dos processos, também permitem a manipulação, uso e testes de instrumentos existentes ou novos com novas tecnologias, a implementação de controladores e estratégias de controle, o aumento do nível de automação de um processo e a familiarização com os softwares usados nos processos industriais para comunicação e supervisão. Tudo isto em um ambiente didático de laboratório que permite reproduzir problemas comuns, presentes nas plantas industriais e levar os desafios de solução para o campo acadêmico avaliar, implementar uma solução testada a rigor, padronizar e voltar ela para sua aplicação industrial.
Nos últimos anos vários trabalhos científicos têm usado Pd ou Pp, alguns têm utilizado estes equipamentos para testar metodologias nas áreas do controle de processos como modelagem, identificação e controle de sistemas (BALOCH et al., 2010, PEREIRA et al., 2014). Alguns outros trabalhos específicos usaram estratégias de controle difusas (SKRJANC e MATKO, 2000, MAZLAN e IBRAHIM, 2012, AL-QUTAMI e IBRAHIM 2015). Outros tem ido mais longe na realização de testes com estes equipamentos construindo-os também (GOSMANN, 2002, MICHEL et al., 2010), alguns outros autores têm buscado a integração e familiarização dos alunos com os ambientes de software de trabalho industrial através do uso de Pd ou PP (SANTOS et al., 2006, MENENDEZ et al., 2008). Encontramos também alguns trabalhos no âmbito do ensino de controle de processos, mas visando a integração destes recursos acadêmicos disponibilizando-os à comunidade através de acesso remoto on-line (ECKHARD et al., 2006) e adicionando
2
ambientes de realidade virtual integrados ao ambiente real, como realizado (PEREIRA et al., 2012)
A seguir será apresentado resumidamente o estado da arte mostrando alguns detalhes de trabalhos científicos realizados nos últimos anos, tendo alguns deles sido citados no parágrafo anterior, para desta forma identificar os aportes tendências do uso de Pd ou Pp no processo acadêmico educativo.
O trabalho da equipe de BALOCH (2010), usou dados reais de entrada e saída de um Pp de destilação binária e com o uso de uma técnica de ANFIS (Adaptive neuro fuzzy
inference system) realizou um modelo MISO da Pp, usando uma rede adaptativa de
inferências difusas que por etapas também no modelo MISO foi reduzindo e afunilando até chegar ao modelo MISO final da Planta. Este modelo foi testado apresentando ótimos resultados. Já PEREIRA (2014) trabalhou com uma Pd de tanques acoplados e implementou um sistema de controle preditivo multivariado controlando nível e pressão, o qual foi sintonizado usando um simulador baseado em algoritmo genético e este controlador foi comparado com um controle PID de ciclos múltiplos.
Agora falando um pouco de trabalhos em Pd ou Pp com aplicação de estratégias difusas, encontramos o trabalho de SKRJANC e MATKO (2000) que usou uma Pp de troca de calor manipulando a vazão de água através da abertura de uma válvula no sistema primário e medindo a temperatura no sistema secundário. O trabalho desenvolveu um algoritmo de predição baseado em regras que apresentaram melhores resultados que o controle convencional e melhorou a rejeição à perturbação do processo. Outro trabalho com aplicação difusa foi em uma Pp de neutralização de pH, onde Ibrahim e MURRAY (2007) implementaram uma estratégia difusa usando o conceito de um controle antecipativo e realimentado, no qual através do controle da vazão é realizada a neutralização mantendo o pH no valor ajustado. Outro trabalho foi a implementação em uma Pd de medição e controle de vazão que usa diferentes tipos de sensores, nesta planta foi desenvolvido por MAZLAN e IBRAHIM (2012) um controle PID difuso adaptativo, no qual são ajustados os parâmetros do controlador PID de vazão, com lógica difusa realizada em um PC e comunicada através de uma placa DAQ Card, mostrando que melhorou o desempenho da planta nas respostas de estado.
Também acima citamos o trabalho de GOSMANN (2002) que construiu uma Pd para avaliação de técnicas de controle multivariável de tanques acoplados onde ele controlou o nível de três tanques acoplados, manipulando a vazão de duas bombas e para isto usou uma técnica de linearização exata para permitir que se faça uma linearização em toda a faixa de operação de um processo não-linear. Um outro trabalho que construiu uma Pd, foi o de MICHEL et al., (2010) que também trabalhou com tanques acoplados, mas também era possível desacoplar eles. Esta planta foi desenvolvida para realizar estudos de modelagem e controle de nível. Para este último foi implementado um controle PID incremental com dois graus de liberdade.
Outros desenvolvimentos no campo da educação envolvendo Pd ou Pp é o trabalho de SANTOS et al., (2006), onde foi desenvolvido um sistema SCADA
3
educacional (EDUSCA) que consiste em um sistema de controle supervisório com aquisição de dados desenvolvido para ser usado em Pd e simuladores para facilitar o ensino do controle de processos. Com ele podem-se criar sinópticos, monitorar alarmes, criar perturbações com sinais rampa, degraus, ruído branco e ainda dar treinamentos de capacitação no uso de sistemas SCADA. Também no campo da educação foi desenvolvida por MENENDEZ et al., (2008) uma ferramenta de software para realizar aulas usando uma metodologia de integração de sistemas de software e equipamentos industriais via RS 232/485, alcançando bons resultados dos alunos, uma vez que estes adquiriram mais rápido e profundo entendimento sobre o controle de processos com a experiência prática e foi aproveitada a capacidade que as ferramentas de software de simulação oferecem para implementar várias estratégias de controle em tempo real.
E para finalizar esta revisão bibliográfica de trabalhos científicos envolvendo Pd e Pp, é interessante citar os trabalhos de ECKHARD et al., (2006), PEREIRA et al., (2012) e BARRIOS et al., (2013), os três autores desenvolveram trabalhos para acesso remoto a Pd. Eckhard e sua equipe criaram uma plataforma de experimentação que usa os protocolos de instrumentação industrial para controlar o nível de alguns tanques acoplados, manipulando a abertura das válvulas com controladores PID. Os alunos desenvolvem remotamente as práticas de controle em malha aberta e malha fechada, realizando a sintonia dos parâmetros dos controladores, estes parâmetros podem ser calculados e logo inseridos remotamente nos controladores locais da Pd. Já no trabalho de Pereira existe um laboratório remoto, em que os alunos têm que carregar seus programas de controle numa placa de micro controlador que serve de interface com uma usina térmica didática virtual onde são feitos os testes das estratégias, tudo remotamente disponível. E a pesquisa de Barrios é um projeto que se destina a compartilhar recursos de laboratórios entre universidades (Laboratório Acadêmico Remoto Multiusuário), bem como avaliar os níveis de aquisição de conhecimentos obtidos pelos alunos quando comparado ao processo de aprendizagem em laboratório convencional. As aulas de laboratório, são executados remotamente na Pd durante o tempo do teste os alunos realizam práticas de simulação da mesma experiência para posteriores comparações dos resultados. O sistema que busca a integração entre processos piloto e práticas reais de controle através da internet, permitindo testar algoritmos de controle remotamente, o laboratório é acompanhado visualmente via webcam. Este trabalho também avaliou os desempenhos das plataformas computacionais utilizadas. De modo geral a experiência foi boa para os alunos e para o sistema como um todo.
Todo este ciclo de aproximação acadêmica, experimental e industrial através da manipulação e uso das Pd e Pp, permite ao aluno assimilar mais o conhecimento acadêmico adquirido e cria mais confiança no aprendizado ao ver materializados os resultados de forma prática, o que ajuda a consolidar a transmissão do conhecimento para o aluno vendo convergir os conhecimentos teóricos, simulações e práticos. Também é gerado no aluno um aumento da confiança ao ingressar no mercado profissional para o qual está sendo formado, com conhecimentos dos equipamentos e softwares que o mercado utiliza, o que facilita o acoplamento profissional para ambas as partes.
4
Alternativamente ao controle regulatório convencional, baseado nos controladores clássicos como o PID (Proporcional Integral e Derivativo), nas últimas décadas têm surgido controladores inteligentes. Estes têm por objetivo resolver problemas de controle inspirados no raciocínio lógico humano, por meio do conhecimento do operador ou expert, e, através deste conhecimento heurístico do processo, é possível modelar o funcionamento do sistema de controle, relacionando as variáveis de entrada e saída da planta.
Dentre esses controladores inteligentes, podemos citar o controle neuronal, controle Difuso, controle neuro-difuso e ANFIS. Nesta pesquisa o foco será o controle Difuso, técnica que não trata de valores exatos, mas sim de informações qualitativas e descritas linguisticamente, o que permite a existência de valores imprecisos e aproximados (COELHO e ALMEIDA, 2003). Além disso, a teoria difusa possui uma fase de elaboração do projeto simplificada, desta forma não se faz necessária a utilização de equações matemáticas complexas ou tabelas, tarefas estas que consomem grande parte do tempo de projeto nas técnicas de controle que as utilizam (CARVALHO, et al. 2010).
A filosofia básica do controle Difuso constitui em representar o mundo real (valores discretos de entrada não difusos) por valores pertencentes a um intervalo como por exemplo: [0,1] ou [-1, 1], que podem estar associados a rótulos linguísticos, que são o domínio difuso. Após essa transformação um conjunto de inferências difusas é usado para as tomadas de decisões e, finalmente, é feita a transformação inversa do domínio difuso para o domínio do mundo real, ocorrendo assim o acoplamento entre a saída do algoritmo difuso e as variáveis de atuação de regras para realizar o controle (SIMÕES e SHAW, 2007). Esse processo é apresentado na figura 1.1
Figura 0-1 Estrutura completa de um controlador difuso (Fonte: CAMPOS e SAITO, 2004, modificada) Atualmente é entendível que didaticamente se dediquem muitos recursos para o ensino das estruturas convencionais de controle automático em processos industriais.
5
Quase 90% dos controladores ainda se baseiam no PID e suas variações (P, PI e PD) (SILVA et al., 2002; OGATA, 2002). Neste contexto a planta didática de controle, PD 3, tem como objetivo demonstrar de forma prática a operação e os tipos de malhas de controle mais comumente encontrados na indústria, utilizando os mesmos instrumentos e equipamentos de tecnologia disponíveis no mercado, junto com as ferramentas de configuração, em software, desenvolvidos para aplicação em controle industrial.
A característica fundamental da PD 3 é ser uma estrutura iterativa que possibilita recriar de forma didática as estratégias convencionais de controle encontradas na indústria como por exemplo: cascata, PID e feedforward. A planta didática PD 3, fabricada pela Smar, além de possuir estas características permite realizar o controle de variáveis como a temperatura, nível e vazão, que estão dentro das variáveis mais controladas nos ambientes industriais reais. Assim, este sistema cumpre bem seus objetivos no contexto do ensino técnico e para as matérias introdutórias de controle regulatório nos cursos de engenharia.
Embora as estratégias de controle convencionais sejam suficientes para os objetivos da planta, a sua estrutura física e fenomenológica oferece mais alternativas de implementação, sendo possível, por exemplo, aplicar técnicas de controle não linear que permitam ter um desempenho otimizado numa faixa de operação maior. A ideia do presente trabalho é tornar a PD 3, um caso de estudo para matérias mais avançadas e até uma ferramenta útil para a pesquisa. Neste contexto, um dos objetivos principais deste trabalho é justamente, proporcionar à PD 3 esta característica, sendo neste caso utilizado como experimento inicial a implementação de um controle utilizando a lógica Difusa.
É importante salientar que muitos trabalhos de pesquisa, dissertações ou até mesmo teses, são desenvolvidos apenas sobre simulações utilizando modelos matemáticos (SHAKYA et al., 2014; ONOFRE,2011). Assim, um sistema real capaz de implementar estratégias de controle inteligente ou avançado será de muito valor também nos cursos de pós-graduação.
Para tornar a PD 3 adequada para a realização de controles avançados utilizou-se o padrão OPC, com o qual é possível fazer a interface entre o Ambiente computacional, software de simulação matemática, com os transmissores inteligentes dos sensores e atuadores da PD 3. Na primeira abordagem, aplicando a lógica Difusa no controle da temperatura do tanque de aquecimento da planta PD 3, foi realizada a sintonia em tempo real dos parâmetros P, I e D do controlador PID da PD 3. A fuzzificação de variáveis como o sinal de erro, bem como a variação do erro seguidas das regras permitiram identificar dinamicamente os parâmetros com os quais se realiza a sintonia do PID de controle de temperatura da PD 3. Na segunda abordagem, foi adicionado à estratégia anterior o controle da válvula de água do tanque de aquecimento em função da temperatura do processo. Para finalizar a pesquisa, na estratégia final foi desenvolvido um controle totalmente difuso, dispensando o PID, sendo o controle totalmente processado no ambiente de simulação.
6
Desta forma foi iniciado o caminho de ampliação das estratégias de controle da planta didática com uma aplicação de controle Difuso que realiza os ajustes dos parâmetros PID do controlador e outra aplicação de um controlador Difuso para uma válvula de controle e o controle finalmente Totalmente Difuso. Posteriormente serão implementadas outras estratégias de controle avançado e inteligente.
Motivação
As Plantas didáticas possibilitam o acesso a conhecimento dos problemas inerentes aos sistemas reais, os quais muitas vezes são difíceis de recriar nos poderosos sistemas de simulação, e que são necessários incorporar no processo de aprendizagem para, desta forma, juntar os conceitos teóricos, simulados e sua aplicação em uma situação prática real, dentro de um ambiente acadêmico supervisionado e controlado, que permite analisar, testar e repetir as experiências para corroborar os resultados.
Observando o estado da arte de trabalhos científicos usando Pd e Pp, foram identificados trabalhos que levaram à implementação de estratégias de controle para fora dos controladores locais das plantas realizando as interfases de comunicação via RS 232/485 ou com o uso de placas como DAQ Card e até OPC. Mas, normalmente foi desenvolvido no PC e com ajuda de outras aplicações realizando algo similar a um sistema supervisório implementando telas de sinópticos, coleta de dados, criação de alarmes, intertravamentos e outras utilidades. Atividades todas que precisam de tempo e testes quando são feitas modificações para novas configurações de provas ou estratégias, o que desvia o foco da pesquisa ou dificulta novas implementações para dar continuidade à mesma. Na revisão bibliográfica não foram identificados trabalhos com perfil híbrido, ou seja, que juntem os potenciais das tecnologias proprietárias de supervisão existentes nas plantas didáticas configuradas com instrumentação industrial e os programas acadêmicos iterativos e de simulação. Também não foram identificados muitos trabalhos aplicando lógica difusa ao controle da variável temperatura, vendo que isto poderia ser implementado na PD 3 existente no laboratório de Automação da UFS foi desenvolvido este trabalho.
Objetivos
Implementar um sistema de controle inteligente em uma planta didática aplicando lógica difusa.
7
Ampliar o potencial acadêmico da planta didática PD 3, permitindo o desenvolvimento de estratégias de controle mais complexas que o tradicional PID, através da habilitação da comunicação da planta com uma estação de trabalho (PC) onde se pode recorrer às estratégias de controle desenvolvidas nos ambientes computacionais.
Desenvolver em ambiente computacional as estratégias de controle difuso utilizando regras de inferência do método clássico Mamdanie e Larsen e outras estratégias de controle desenvolvidas com o uso de regras de inferência do método de interpolação ou parametrização Takagi-Sugeno e Tsukamoto.
Observar o desempenho dos controles realizados em lógica difusa com o controle tradicional PID e entre eles, através das métricas das respostas transitória ao degrau e de estabilidade em regime permanente, junto com alguns índices de desempenho como Integral do valor Absoluto do Erro (IAE) e Integral do produto do Tempo pelo valor Absoluto do Erro (ITAE) e ver se existe uma tendência à melhora a cada estratégia de controle implementada, testada e avaliar seu custo benefício de implementação.
Justificativa
Como visto na introdução, as Pd e Pp têm proporcionado grandes aportes na área do conhecimento e na transmissão do mesmo. Elas permitem pesquisar novas tecnologias, técnicas de controle, permitem também testar tecnologias e técnicas de controle existentes, para ensinar as novas gerações e continuar mantendo o conhecimento, permitem aprimorar esse conhecimento e expandi-lo. Os esforços deste trabalham visam este último e aproveitando o potencial tecnológico da PD 3 existente no LAA da UFS se deu início à expansão da PD 3, que permite o desenvolvimento de novas estratégias de controle além das já implementadas nela. Para tal, foi testada a implementação de uma técnica de controle inteligente, do tipo difusa, que foi levando gradualmente o controle para fora do sistema proprietário. Ao fim, o mesmo processo foi realizado externamente à planta, em um programa acadêmico e de simulação. Desta forma se abre um novo caminho, talvez com uma linha de pesquisa institucional em controles inteligentes que beneficie aos futuros acadêmicos, permitindo testar de forma prática seus desenvolvimentos acadêmicos.
Estrutura do trabalho
A organização deste trabalho é apresentada da seguinte forma: o Capítulo 2 fundamenta o trabalho proposto com uma introdução sobre a lógica difusa e citando o
8
que será aplicado nesta pesquisa. O Capítulo 3 apresenta a planta didática 3 (PD 3), descreve o circuito de aquecimento usado neste trabalho, o tipo de controlador que a PD 3 usa para controlar o circuito e os equipamentos e instrumentos envolvidos nele. No Capítulo 4 encontra-se uma descrição das estratégias de controle que foram implementadas e utilizadas na planta. Os resultados dos testes experimentais são apresentados no capítulo 5. E concluindo com o Capítulo 6 onde expõem-se as conclusões deste trabalho e as perspectivas para continuação e pesquisas futuras.
Escopo do trabalho
O processo estudado consistiu em usar o circuito de aquecimento da PD 3, apresentado mais adiante na figura 3-2, a entrada principal do processo é a potência aplicada as resistências instaladas no tanque de aquecimento, e a saída principal do processo é a temperatura da água contida nesse tanque a qual deve ser mantida no valor de referência ajustado. Uma segunda entrada ao processo é a vazão da água no tanque de aquecimento, a qual pode ser aumentada ou diminuída até que o processo chegue próximo da temperatura de referência, e nesse momento a vazão deve ser mantida constante até uma nova mudança de referência da temperatura. O controle da vazão foi inserido como um aperfeiçoamento ao processo e é usado por algumas estratégias.
O desenvolvimento das estratégias foi sequencial, iniciando pelo uso de um controlador PID da própria PD 3, este controlador monovariavel foi sintonizado e usado para ter uma referência, posteriormente foi desenvolvido um algoritmo difuso para realizar a sintonia em tempo real dos parâmetros do controlador PID da PD 3 e chamado ele de difuso-PID, a seguinte implementação foi adicionar ao controlador difuso-PID um controlador difuso para controlar a vazão de entrada da agua e assim tentar agilizar o processo usando dois controladores independentes e por último foi desenvolvido um único controlador difuso multivariavel que através de regras controla o processo térmico e ajusta a vazão para agilizar o mesmo. Os resultados de todas as estratégias foram observados, mas não com o intuito de definir uma estratégia melhor e sim ver se foram obtidas melhoras ou deficiências a cada implementação, porém a ideia deste trabalho é mostrar a facilidade que a técnica de controle inteligente tem de resolver razoavelmente problemas de controle de forma fácil, rápida e sem envolve muitos recursos físicos e de tempo no desenvolvimento do modelo matemático para obter resultados aceitáveis.
Para utilizar o ambiente, o usuário implementa suas estratégias de controle nos softwares de simulação, identifica os instrumentos com os quais vai trabalhar, seleciona seus blocos e parâmetros, para realizar as configurações e realizar a comunicação via OPC, e pode usar o sistema proprietário configurando um hibrido aproveitando telas do supervisório, intertrabamentos, recursos de arquivamento.
9
Capítulo 2
Lógica Difusa
Como citado na introdução, os controladores inteligentes buscam resolver os problemas de controle simulando o raciocínio lógico humano. Este tipo de raciocínio usualmente é composto por definições ambíguas e imprecisas (SANCHEZ, 2009). Por exemplo, se uma pessoa diz “vai chover”, temos interesse em saber em que medida isto é verdade, em que momento isto vai se suceder e que intensidade poderá ter essa chuva. Como se pode ver, ao contrário da lógica clássica, que é bivalente, as afirmações humanas podem ser incertas e com pontos de vista diferentes dependendo de cada indivíduo. A isto chamamos lógica Difusa.
Também se observa que é uma lógica multivalores. Por exemplo, a chuva: ela pode ser [fraca até 5 mm/h, moderada de 5 a 25 mm/h, forte de 25 a 50 mm/h, muito forte igual ou superior a 50 mm/h]. É uma lógica que pode definir grandezas convencionais como fraco/forte através de valores intermediários como visto no exemplo anterior. Estas propriedades permitem que frases ou palavras normalmente expressadas pelas pessoas possam ser definidas matematicamente, associadas a valores de controle e processadas (HELLMAN, 2001).
2.1 Lógica difusa e sistemas de controle
A lógica é uma característica humana que trata o estudo do raciocínio verdadeiro e que usamos para resolver problemas. Explicando de forma simples, a Lógica difusa em sistemas de controle, trata de determinar, de maneira lógica, o que se deve fazer para alcançar os objetivos de controle de um sistema da melhor forma possível, usando como base o conhecimento e experiências adquiridas de um operador experiente.
Como citado na introdução por Simões e Shaw (2007) e apresentando aqui de maneira resumida: Uma estrutura de controle difuso, toma informações do mundo real, as transforma em informações do domínio difuso e a partir de inferências difusas são tomadas as decisões. Através de uma transformação inversa, essas decisões são levadas do domínio difuso para o mundo real, ocorrendo assim o acoplamento das entradas e a
10
saída do algoritmo difuso. Este processo é explicado na seção a seguir e apresentado na figura 2-1:
2.2 Blocos funcionais de um controlador difuso
Figura 2-1 Arquitetura básica de um controlador difuso (GOMIDE et al., 1995) e (CAMPOS e SAITO, 2004)
2.2.1 Bloco de fuzzificação (Codificação)
Depois de identificadas as variáveis controladas e manipuladas do sistema (ex.: temperatura, potência no resistor), se definem, para cada uma, seu equivalente no sistema Difuso, sendo chamado este equivalente de variável linguística, (ex.: temperatura, potência no resistor), cada uma delas com seu universo de referência ou universo de
discurso, (ex.: de 25°C a 100°C ou 0% a 100% de potência), este universo de discurso é
representado no eixo das abscissas (x), e cada variável linguística é composta por conjuntos Difuso (ex.: temperatura morna ou potência media) conjuntos estes definidos por funções de pertinência, que assumem valores, no eixo das ordenadas (y), em um intervalo que usualmente está entre [0,1]. Por exemplo: a variável linguística temperatura pode ir de 10ºC a 100ºC, este intervalo seria seu universo de discurso, apresentado no eixo das abscissas, e poderá assumir três valores linguísticos ou conjuntos Difusos, a saber: {fria, morna e quente}. Esses conjuntos Difusos são definidos, cada um deles, por uma função de pertinência e assim é possível associar o termo fria a valores de temperatura no intervalo entre 0 e 50°C; o termo morna a temperaturas na faixa entre 40 e 70°C, e, o termo quente a temperaturas de 60°C em diante. Podemos observar que existem alguns intervalos de temperaturas entre as classificações em que se sobrepõem, como os intervalos [40, 50] e [60, 70]. Nestes intervalos comuns, cada função de
11
pertinência muda seu grau de pertinência, no eixo das ordenadas, dentre as classificações
de “0” para “1” ou vice-versa, e fora desses intervalos a variável se mantém constante em “0” ou em “1”. Nos intervalos das mudanças a variável deve ser mantida na sua classificação de {fria, morna ou quente} e seu grau de pertinência está normalizado entre “0” e “1”. Para melhor entendimento este assunto será novamente abordado e ilustrado na secção 2.3
Caso a aplicação do exemplo acima, requeira um ajuste mais fino no controle, mais valores linguísticos ou conjuntos Difusos podem ser adicionados {como muito baixa e muito alta} e, por conseguinte podem ser redefinidas as funções de pertinência. Porém, isso acarretará consequências nas etapas posteriores, como, por exemplo a definição de um número maior de regras a executar, o que pode levar à sobrecarga do sistema. Usualmente a escolha do número de valores linguísticos é heurística, na prática, em controladores Difuso são usados entre 3 e 12 valores linguísticos (CAMPOS e SAITO, 2004).
2.2.2 Bloco base de conhecimento
O bloco base de conhecimento é a parte mais importante do sistema é onde está localizada a inteligência do mesmo. Aqui está a base do conhecimento que representa o modelo de sistema a ser controlado. (SIMÕES e SHAW, 2007)
Neste bloco encontra-se toda a base do conhecimento adquirido pelo operador, é um banco de dados com as informações linguísticas das funções de pertinência, as regras Difuso, seus equivalentes numéricos e todas as informações que definem os objetivos de controle a serem atingidos e a estratégia de controle a ser seguida.
2.2.3 Bloco de lógica de tomada decisão (Raciocínio difuso)
Com as informações em tempo real vindas das variáveis medidas do processo (antecedentes), são selecionadas as regras de inferência ou regras de controle da base do conhecimento, que atendem parcialmente o comportamento das variáveis recém-entradas e em seguida são feitas as operações lógicas difusas. Como existem vários antecedentes em uma regra, deve se usar um operador difuso para calcular o consequente desta regra que irá para o bloco seguinte.
Nota: O operador difuso usado define o consequente dessa regra ou a possível
saída do controlador.
Como todas as regras do controlador Difuso são avaliadas em paralelo e independentemente, para cada regra existirá um resultado diferente para a variável de controle. Por isso, deve existir um modo de ponderar todos estes resultados e escolher a saída do controlador e, isto é feito no bloco de defuzzificação. (CAMPOS e SAITO, 2004)
12
2.2.4 Bloco de defuzzificação (Decodificação).
A defuzzificação é um processo usado para converter um resultado Difuso em um número real. O resultado deste processo é representativo de todo o conjunto de regras de controle avaliadas no processo de raciocínio difuso.
O processo de defuzzificação pode ser dispensado, se a saída no formato Difuso puder ser interpretada de modo qualitativo, por exemplo: a qualidade de um café torrado, a qual depende de certos aspectos qualitativos gerados por experimentadores humanos, que usam o olfato e o paladar para avaliar a qualidade do café. Neste caso uma saída subjetivamente linguística seria aceitável. (SIMÕES e SHAW, 2007)
Depois de visto de forma geral como funciona um controlador Difuso, veremos o conceito de função de pertinência e o detalhamento de alguns blocos funcionais para entender melhor como é realizado o processo pelo bloco.
2.3 Função de pertinência e descrição dos blocos
funcionais
2.3.1 Funções de pertinência difusas
Um dos principais componentes de um sistema Difuso são as funções de
pertinência difusas. Como toda função, ela representa a posição de uma variável em seu
universo de discurso, recordando o exemplo da temperatura no item 2.2.1, vemos que o universo de discurso é o intervalo de temperatura entre 10 °C a 100 °C; agora, para representar algumas funções de pertinência vejamos as figuras 2-2. O eixo horizontal é o universo de discurso e o eixo vertical representa o intervalo [0,1] indicando o grau de pertinência da variável.
13
Figura 2-2 Exemplos de funções de pertinência a) gaussiana b) triangular c) trapezoidal d) fuzzy-tom Na figura 2-2 se observam quatro exemplos de funções de pertinência: gaussiana,
triangular, trapezoidal e fuzzy-tom ou singleton fuzzy. No entanto, existem mais formatos
e sua escolha depende de alguns fatores, como por exemplo, a natureza do processo a ser controlado. No caso onde um comportamento suave na saída é importante ou crítico, é recomendado usar funções de pertinência em formato curvilíneo, já que estas não possuem mudanças bruscas nos pontos de inflexão ou diferenciados formatos poligonais ou retilíneos, evitando assim alguns saltos no comportamento de saída. Exemplos de funções curvilíneas que podem ser usadas: gaussianas, cos2 (x), sigmoide (SIMÕES e
SHAW, 2007). Usualmente as funções triangulares e trapezoidais são as mais usadas, uma vez que elas são geradas com facilidade. Também deve-se observar que as funções
de pertinência não necessariamente devem ser espaçadas a intervalos iguais ou serem
simétricas, isto vai depender também da natureza do processo.
Nas figuras 2-3 e 2-4, observa-se a variável linguística “temperatura” apresentada em três valores linguísticos: “fria” “morna” e “quente”. Estes valores representam
subconjuntos difuso da “temperatura” e suas funções de pertinência estão representados
na figura 2-3 a), b) e c). Assim a variável linguística “temperatura” é igual: T = {fria, morna e quente} e apresentada na figura 2-4
14
15
Figura 2-4 Funções de pertinência da variável linguística “temperatura
Na figura 2-3 a) para o intervalo de temperatura entre 0 °C até 40 °C a variável será considerada “fria” com valores de pertinência de “1” para “0”, já na figura 2-3 b) para o intervalo de temperatura entre 30 °C até 80 °C a variável será considerada “morna” com valores de pertinência de “0” para “1” e de “1” para “0” e na figura 2-3 c) para o intervalo de temperatura entre 70 °C em diante a variável será considerada “quente” com valores de pertinência de “0” para“1”.
Na figura 2-4 são apresentadas simultaneamente as três funções de pertinência no mesmo gráfico. Para ilustrar melhor o que acontece nos intervalos que se sobrepõem, nesta mesma figura, foi adicionada uma linha vertical na cor magenta que corta as três funções e ela representa uma determinada temperatura em particular (32 °C). Cada função
de pertinência tem um valor de verdade nesse ponto e pode ser interpretado assim:
Função de pertinência “fria”= 0,8 então “relativamente frio”; Função de pertinência “morna”= 0,2 então “levemente morna”; Função de pertinência “quente”= 0,0 então “não quente”.
2.3.2 Processo de fuzzificação
Podemos dizer que o processo de fuzzificação é a redução do tamanho das variáveis de entrada do mundo real (variáveis discretas), para facilitar seu processamento e tornar mais rápido o processo computacional.
16
Explicaremos este processo, usando o exemplo visto nos parágrafos anteriores. No exemplo da temperatura no universo de discurso entre 10 °C e 100 °C, existem vários valores numéricos que foram reduzidos para alguns valores linguísticos através do uso de umas poucas funções de pertinência, as quais tiveram suas amplitudes normalizadas entre [0,1]. Um valor discreto pode ser fuzzificado como apresenta a figura 2-3 d) como observado a seguir:
Que esse valor discreto (32 °C) tem um grau de 0,8 da função de pertinência “fria”, 0,2 graus da função de pertinência “morna” e grau 0,0 da função de
pertinência “quente”;
Que o vetor Difuso equivalente ao número discreto +32 °C é {0,8;0,2;0};
Que a soma dos componentes não nulos é igual a 1 por causa da superposição das funções.
Ou seja, o processo facilita e agiliza o processamento computacional das variáveis, além de também diminuir o universo de discurso.
2.3.3 Processo da base do conhecimento e tomada de decisão
A seguir explicaremos o processo: A base do conhecimento são regras criadas usando um ou mais conjuntos difusos que estão associados às funções de pertinência anteriormente vistas.
Esses conjuntos de entrada são chamados de antecedentes ou premissas e, não são mais que condições associadas a um conjunto difuso de saída, chamado de consequente ou consequência, que é nada mais que uma conclusão. As ditas associações são afirmações do tipo “SE<condição>ENTÃO<conclusão>”, ou “SE<condição
1>E<condição 2>ENTÃO<conclusão>”. Os conjuntos antecedentes são associados
usando operadores lógicos difuso do tipo “E”, “OU” etc. Exemplos: 1. SE temperatura <fria>ENTÃO resistor <potência máxima>;
2. SE temperatura <morna>E nível <baixo>ENTÃO válvula de entrada <abrir um
pouco>
A base do conhecimento usualmente é apresentada em formato de tabelas de regras linguísticas, cada regra tem um peso ponderado entre [0,1] e isto é importante por que mostra quando uma regra tem menor força que outras da base de regras.
Com a base de regras linguísticas de controle pronta, uma variável de entrada é mapeada. Se for identificado que ela segue uma das regras linguísticas de controle existente na base de conhecimento, essa regra selecionada faz uma inferência, este processo é chamando de tomada de decisão. “Este processo involucra a utilização das
funções de pertinência e as regras geradas na base do conhecimento” (MAZA, 2009).
Maza (2009) afirma ainda que existem diferentes métodos de inferência sendo os mais comuns os métodos de Mamdani e Takagi-Sugeno-Kang.
17
O método Mamdani utiliza regras de inferência do tipo SE-ENTÃO. Este formato de regra tem duas partes, o antecedente e a conclusão. Como mostrado nos exemplos 1) e 2) deste item acima, as regras que fazem parte da base do conhecimento e seguem este formato, em que tanto o antecedente quanto o consequente são expressados de maneira linguística, o sistema difuso pode ser considerado do tipo Mamdani. (SILER e BUCKLEY, 2005)
Já as regras da base do conhecimento do sistema Difuso do tipo Sugeno são diferentes das do sistema Mamdani, pois o consequente já não é uma expressão linguística e sim uma função matemática da entrada do sistema no momento dado. Exemplo:
SE temperatura <fria>ENTÃO a saída igual <F>
Nos sistemas Difuso do tipo Sugeno, os valores que arrojam os consequentes das diferentes regras que são ativadas em determinado momento, já são valores numéricos por isso, não é preciso passar por uma etapa de defuzzificação. (SILER e BUCKLEY, 2005)
2.3.4 Processo de defuzzificação
Depois da tomada de decisão através de uma inferência linguística, temos uma conclusão difusa. Esta é uma variável linguística cujos valores são assinados por graus de pertinência, mesmo assim normalmente é necessário utilizar um escalar correspondente ao dito grau de pertinência; este processo é chamado de defuzzificação (MAZA, 2009).
Para a defuzzificação, são usados vários métodos matemáticos simples, como o método Centro-da-Área (C-o-A), o método Centro-do-Máximo (C-o-M) e o método
Média-do-Máximo (M-o-M) (PASSINO, YURKOVICH, 1998)
Segundo (SIMÕES E SHAW, 2007) aplicações de controle em malha fechada e saltos na saída do controlador podem gerar instabilidades e oscilações, por este motivo é recomendado usar métodos de defuzzificação que mantenham a propriedade de continuidade no sinal de saída como o método de defuzzificação C-o-M.
Como a aplicação desta pesquisa é o controle de um processo em malha fechada, será usado o método de defuzzificação Centro-do-Máximo. Neste método somente são considerados os valores não nulos da resposta de saída difusa e será explicada a
defuzzificação deste método através de um exemplo: observando uma saída difusa da
figura 2-4 a); nos centros das áreas de cada função de pertinência é inserida uma função
de pertinência singleton (setas brancas), figura 2-4 b) e na mesma figura, nas áreas não
nulas são identificados os picos ou picos das funções de pertinência que assumem o valor mais alto da área nesse ponto. Este será o grau de pertinência da nova função singleton
18
função de saída foi transformada por funções singleton com pesos equivalentes ao valor máximo da área que transformaram (Ver figura 2-4 c).
Para realizar o cálculo do valor defuzzificado é usada a equação (2.1), onde
μo,k(ui)indica os pontos em que ocorrem os máximos (alturas) das funções de pertinência
de saída. Este método também é conhecido como método de defuzzificação pelas alturas (SIMÕES e SHAW, 2007).
(2.1) 𝑢 =∑𝑁𝑖=1𝑢𝑖 ∑𝑁𝑘=1𝜇𝑂𝑈𝑇 (𝑢𝑖 )
∑𝑁𝑖=1∑𝑁𝑘=1𝜇𝑂𝑈𝑇 (𝑢𝑖 )
Exemplo:
Na figura 2-5 a) é apresentada uma variável de saída Difuso que representa a temperatura desejada para um ambiente, cujo vetor de possibilidade de saída Difuso {fria, morna, quente} é igual a {0,8; 0,2; 0} como mostrado nas figuras 2-5 b) e c) e os picos das funções de pertinência ocorrem nos valores discretos 15 (fria), 55 (morna) e 95 (quente) do universo de discurso da variável linguística “Temperatura” e o cálculo fica:
(0,8 . 1 . 15) + (0,2 . 1 . 55) + (0 . 1 . 95) 0,8 + 0,2
19
20
Capítulo 3
Planta Didática PD 3
A planta PD 3 é um sistema que representa um processo a ser controlado de forma didática, no qual é possível implementar subsistemas de controle (malhas) com variáveis como: temperatura, nível e vazão.
A PD 3 possui dois circuitos básicos de circulação d’água os quais, segundo a configuração das válvulas manuais, podem ser ou não alimentados por um único tanque reservatório, além disso, cada circuito d’água possui uma bomba, uma válvula de controle pneumática e um medidor de vazão. O primeiro circuito d’água, tem como objetivo alimentar o tanque de aquecimento (TQ-01), onde existem dois conjuntos de resistências responsáveis por aquecer a água. Neste circuito é possível controlar a temperatura, vazão e nível. Este circuito foi o utilizado nesta pesquisa e será detalhado no subitem 3.2.
O segundo circuito d’água consiste em um tanque de mistura (TQ-02), onde não existem resistências e sim uma conexão com o tanque de aquecimento (TQ-01) que fornece a água quente para o tanque de mistura (TQ-02). Assim, a temperatura deste tanque pode ser controlada através da alimentação de água fria proveniente do reservatório e bombeada pela bomba 02 como ilustra a figura 3-1.
É importante salientar que quando se tem os dois processos em andamento o
setpoint de temperatura do tanque de mistura (TQ-02) deverá sempre ser menor que o setpoint de temperatura do tanque de aquecimento (TQ-01).
A planta possui várias opções de configurações do processo, ela tem caminhos alternativos para a água através de tubulações e válvulas manuais instalados, que podem ser fixadas em posição aberta ou fechadas. Neste trabalho, as válvulas manuais foram etiquetadas para assim registrar suas posições e replicar a futuro as novas práticas de laboratório realizadas. Ver Anexos A e B com o formulário de experiências e TAG das válvulas manuais.
21
Figura 3-1 Esquema geral da Planta PD 3
Os instrumentos da planta estão interconectados via uma rede de comunicação
Foundation Fieldbus (FF). Esta é uma rede de chão de fábrica do tipo determinística,
adequada para aplicações de controle. O software 302, fornecido junto com a planta é um pacote que inclui o configurador dos instrumentos, software Syscon, bem como o software de supervisão, software ProcessView. As informações dos instrumentos de campo, sistema supervisório são digitais e mapeadas através de servidores no formato OPC. O
software de supervisão ProcessView é o cliente deste servidor e encarrega-se de
apresentar as telas de supervisão, através das quais é possível acompanhar a evolução das variáveis, mudar os setpoints e as constantes dos controladores, entre outros.
3.1 Circuito de aquecimento da PD 3
Este circuito d’água tem como objetivo esquentar a água no tanque de aquecimento (TQ-01). Dita água é bombeada do tanque reservatório pela bomba 01 e encaminhada, através de uma rede de tubulações e uma série de válvulas manuais, configuradas para que a água passe por medidores de vazão tipo rotâmetro e um medidor eletrônico por pressão diferencial. A água continua pela rede passando pela válvula de controle que se liga ao destino no tanque de aquecimento TQ-01 onde existem os dois conjuntos de resistências elétricas responsáveis por aquecer a água. Neste tanque existe
22
um sensor de temperatura PT-100, um sistema de segurança para limite de temperatura alta (termostato) e um sistema para baixo nível que evita que as resistências de aquecimento fiquem ligadas em vazio. Uma vez aquecida a água continua para o tanque de mistura TQ-02 e logo é descartada.
O circuito de aquecimento controla a temperatura, o nível e a vazão de entrada no tanque de aquecimento TQ-01. Na figura 3-2 é apresentado o diagrama do circuito.
23
3.1.1 Controlador usado no circuito de aquecimento da PD 3
Como a maioria das plantas industriais a PD 3 também usa o típico controlador PID e suas variações (P, PI, PD), isto graças a seu bom desempenho, baixo custo, facilidade de implementação e a sintonia que permite que seja feita com o processo em andamento.
O PID é um controlador temporal, no qual a sua saída depende do sinal instantâneo de entrada, e cuja função contínua de entrada e saída para controle é:
(3.1) 𝑢(𝑡) = 𝐾𝑝. 𝑒(𝑡)+ 𝐾𝑖. ∫ 𝑒(𝑡)𝑑𝑡 + 𝐾𝑑 𝑑𝑒(𝑡) 𝑑𝑡 Onde: u(t) = sinal de saída e(t) = erro Kp = ganho proporcional Ki= ganho integral Kd = ganho derivativo
O controlador PID é um controlador que trabalha bem se o processo for razoavelmente linear. Uma mudança no processo gera uma resposta do controlador equivalente na saída. Se a relação de entrada e saída do processo for levemente não-linear, ajustes periódicos dos parâmetros do controlador são necessários. Existem vários métodos de sintonia para controladores PID, dentre estes, os mais utilizados são os baseados na resposta ao degrau como: Ziegler-Nichols (ZIEGLER, NICHOLS, 1942), Cohen-Coon (COHEN, COON, 1953), López et al. (1967) apud (CAMPOS, TEIXEIRA, 2006). Mesmo que novos procedimentos tenham surgido e venha ganhando aceitação como, por exemplo: método da alocação de polos, método do modelo de controle interno e métodos usando algoritmo genético (AMARAL et al. 2010), os métodos tradicionais ainda são marcos de referência usados.
Embora a sintonia de seus parâmetros tenha sido adequada, geralmente ela é feita para um determinado ponto de operação ou valor de referência e normalmente apresenta um bom desempenho em condições operacionais semelhantes.
Nesta pesquisa foi usado o controlador PID responsável pelo controle da temperatura do tanque de aquecimento (TQ-01) da PD 3, ver figura 3-3, sendo necessária a realização de sua sintonia, atividade que será descrita no seguinte capítulo.
24
Figura 3-3 Diagrama de blocos do controlador PID do tanque de aquecimento (TQ-01) da PD 3
3.1.2 Equipamentos presentes no circuito de aquecimento
Bomba hidráulicaEquipamento responsável pela circulação de água através das tubulações e tanques do circuito. A seguir apresentada na figura 3-4 junto com alguns de seus dados operacionais.
Vazão: até 451 l/min; Elevação: até 70 m; Altura de sucção: 7 m; Temperatura: até 80° C.
Válvula de controle
Equipamento responsável pelo controle da vazão de água no circuito de aquecimento de aquecimento, consta de uma válvula linear ajustada por um posicionador microprocessado Smar FY302 e apresentada na figura 3-5.
Figura 3-4 Imagem da bomba 01 do circuito de aquecimento da PD 3
25
Figura 3-5 Imagem da válvula de controle do circuito de aquecimento da PD 3
Rotâmetro
Equipamento que tem a função de indicador do valor instantâneo da vazão de água no circuito. A seguir apresentada na figura 3-6 junto com algumas de suas caraterísticas operacionais:
Figura 3-6 imagem do rotâmetro da PD 3 Fluido: água; Densidade: 1 g/cm3; Viscosidade: 1 CP; Temperatura: 21 ºC; Pressão de operação: 2 kgf/cm2; Graduação da escala: 0 a 2000 l/h; Posição entrada e saída: vertical.
26
Medidor de vazão
É realizada por um instrumento inteligente da Smar, LD302, o qual realiza a medição da vazão através de o princípio de medição de pressão diferencial através de uma platina de orifício instalada como apresentado na figura 3-7.
Sensor de temperatura tipo termo resistência
Um sensor de temperatura tipo PT100 é um sensor que mede a temperatura da água no tanque de água quente ou de aquecimento e está apresentada na figura 3-8.
Figura 3-8 Imagem do sensor de temperatura tipo PT100 do tanque de aquecimento da PD 3 Figura 3-7 Imagens do medidor de vazão da PD 3
27
Conversor estático
Equipamento utilizado para controlar a potência entregue às resistências elétricas responsáveis por aquecer a água e pode ser visto na figura 3-9.
Figura 3-9 Imagem do conversor estático da PD 3
Resistências de imersão
São duas resistências que ficam imersas no tanque, como mostrado na figura 3-10, e são as responsáveis pelo aquecimento da água nesse reservatório.
28
Termostato
Este equipamento apresentado na figura 3-11, tem a função de enviar um sinal para inibir o conversor estático por meio de um contato quando a temperatura atingir um limite de temperatura alta.
Figura 3-11 Imagem do tipo de termostato instaladas na PD 3
Chave de nível
Equipamento responsável por detectar o nível baixo no tanque de água quente. Ao acusar nível baixo, a chave enviará um comando para que o conversor estático possa inibir a potência elétrica que pode estar sendo transferida para as resistências elétricas contidas dentro do tanque. Este procedimento permite que estas resistências de aquecimento somente recebam energia elétrica quando 100 % imersas na água, impedindo assim, a sua queima. Ver as chaves de nível na figura 3-12.
29
Medidor de nível
É realizada por meio de um instrumento inteligente da Smar, LD302, que realiza a medição da vazão através do princípio de medição de pressão diferencial entre a pressão no fundo do tanque e o topo do mesmo. Ver o instrumento na figura 3-13.
