Pid

UNIVERSIDADE FEDERAL DO RIO GRANDE DO SUL
ESCOLA DE ENGENHARIA
DEPARTAMENTO DE ENGENHARIA ELTRICA
PROGRAMA DE PS-GRADUAO EM ENGENHARIA ELTRICA
MARCUS EDUARDO BERGEL
ESTUDO DE ALTERNATIVAS PARA O AJUSTE

DE CONTROLADORES PID UTILIZANDO
MTODOS BASEADOS EM DADOS
Porto Alegre
2009
ESTUDO DE ALTERNATIVAS PARA O AJUSTE

Dissertao de mestrado apresentada ao

Programa de Ps-Graduao em Engenharia
Eltrica, da Universidade Federal do Rio Grande
do Sul, como parte dos requisitos para a
obteno do ttulo de Mestre em Engenharia
Eltrica.
rea de concentrao: Controle e
Automao
ORIENTADOR: Alexandre Sanfelice Bazanella
Porto Alegre
2009
ESTUDO DE ALTERNATIVAS PAR AO AJUSTE

Esta dissertao foi julgada adequada para a

obteno do ttulo de Mestre em Engenharia
Eltrica e aprovada em sua forma final pelo
Orientador e pela Banca Examinadora.
Orientador: ____________________________________
Prof. Dr. Alexandre Sanfelice Bazanella, UFRGS
Doutor pela UFSC Florianpolis, Brasil
Banca Examinadora:
Prof. Dr. Julio Elias Normey Rico, UFSC

Doutor pela Universidad de Sevilla Sevilla, Espanha
Prof. Dr. Walter Fetter Lages, UFRGS
Doutor pelo Instituto Tecnolgico de Aeronutica So Jos dos
Campos, Brasil
Prof. Dr. Lus Fernando Alves Pereira, UFRGS
Doutor pelo Instituto Tecnolgico de Aeronutica So Jos dos
Campos, Brasil
Coordenador do PPGEE:__________________________
Prof. Dr. Arturo Suman Bretas
Porto Alegre, Dezembro de 2009.
DEDICATRIA
Dedico este trabalho aos meus pais, irmos, amigos, colegas de trabalho e em
especial Patrcia, pela dedicao e apoio em todos os momentos difceis.
AGRADECIMENTOS
Ao Programa de Ps-Graduao em Engenharia Eltrica, PPGEE, pela

oportunidade de realizao de trabalhos em minha rea de pesquisa.
Aos colegas do PPGEE pelo seu auxlio nas tarefas desenvolvidas durante o
curso e apoio na reviso deste trabalho.
empresa Novus Produtos Eletrnicos pelo apoio e motivao.
RESUMO
Controladores PID so amplamente utilizados no controle de processos industriais.

Estes controladores precisam necessariamente ser ajustados adequadamente a fim de
garantir a correta operao do processo controlado. A fim de suprir esta necessidade
surgiram os chamados mtodos de ajuste para controladores PID, inicialmente propostos
por John Ziegler e Nathaniel B. Nichols em 1942. Desde ento muitos outros mtodos de
ajuste baseados nas idias de Ziegler e Nichols foram propostos, surgindo assim uma
famlia de mtodos afins. Em vista da simplicidade de implementao e do consequente
baixo custo computacional envolvido, estes mtodos mostraram-se adequados para serem
incorporados ao firmware de controladores PID industriais de baixo custo. Estes mtodos
acabaram por gerar um legado tal que sua utilizao persiste intensamente at os dias de
hoje. No entanto, frente crescente oferta de microcontroladores de baixo custo e alto
desempenho, o custo computacional de um mtodo de ajuste vem perdendo relevncia. Isso
abre margem para explorar outros mtodos que proporcionem melhor desempenho e
robustez, mas, por ventura, demandem mais recursos computacionais. Dessa forma, este
trabalho prope-se a avaliar mtodos alternativos que sejam compatveis com os recursos
computacionais atuais. Mtodos com maior custo computacional, como o Virtual Reference
Feedback Tuning (VRFT), Iterative Feedback Tuning (IFT) e Iterative Correlation-based
Tuning (ICbT), so apresentados como candidatos para serem incorporados ao firmware de
controladores PID industriais. Tratam-se de mtodos diretos de ajuste baseado em dados
onde os parmetros do controlador so determinados de forma que o comportamento do
sistema em malha fechada seja tal que minimize um critrio de desempenho definido a
priori. Atravs deste critrio de desempenho pode-se definir o comportamento desejado para
o sistema em malha fechada. Neste trabalho so analisadas as principais caractersticas
destes mtodos, resultados obtidos e custo computacional. Com base nos resultados desta
anlise mostrado que os mtodos VRFT, IFT e ICbT podem ser utilizados como alternativa
para o ajuste (incorporado ao firmware) de controladores PID industriais.
Palavras-chaves: Engenharia Eltrica. Controle. Controlador PID. Mtodos de ajuste

baseado em dados.
ABSTRACT
PID controllers are widely used in industrial process control. These controllers must
necessarily be properly tuned to ensure the correct operation of the controlled process. In
order to meet this need, the so-called tuning methods for PID controllers have emerged,
initially proposed by John Ziegler and Nathaniel B. Nichols in 1942. Since then many other
controller design methods based on the ideas of Ziegler and Nichols have been proposed,
giving rise to a family of related methods. Given the simplicity of implementation and the low
computational effort involved, these methods are suitable to be incorporated into the
firmware of low cost industrial PID controllers. These methods have generated such a legacy
that its use remains intense until the present day. However, with the growing offer of low cost
and high performance microcontrollers, the computational effort of a tuning method is
becoming less important. This opens up scope for exploring other methods that provide
better performance and robustness, possibly at the cost of demanding more computational
resources. This study aims to evaluate alternative methods that are compatible with current
computational resources. Methods with higher computational effort, such as Virtual
Reference Feedback Tuning (VRFT), Iterative Feedback Tuning (IFT) and Iterative
Correlation based Tuning (ICbT) are presented as candidates to be incorporated into the
firmware of industrial PID controllers. These are direct data-based methods for the
adjustment of controllers where the parameters are determined such that the behavior of the
closed-loop system is such as to minimize a performance criterion defined a priori. Through
this performance criterion one can specify the desired behavior for the closed-loop system.
This work analyzes the main characteristics of these methods, results and computational
effort. Based on the results of this analysis it is shown that the methods VRFT, IFT and ICbT
can be used as an alternative to the adjustment (build into the firmware) of industrial PID
controllers.
Keywords: Electrical Engineering. Control. PID Controller. Data-based control design
SUMRIO
INTRODUO......................................................................................................................................13
REFERENCIALTERICO........................................................................................................................16
2.1DEFINIESGERAIS..........................................................................................................................................16
2.2CRITRIODEDESEMPENHO................................................................................................................................17
2.3CLASSEDODISTRBIO.......................................................................................................................................18
2.4CLASSEDECONTROLADORESEPARMETROS.........................................................................................................18
2.4.1ControladorIdeal.................................................................................................................................20
2.5CLASSEDEPROCESSOS.......................................................................................................................................22
2.6CLASSEDOMODELODEREFERNCIA....................................................................................................................22
2.7DESCRIODOSMTODOSDEAJUSTE...................................................................................................................24
2.7.1VirtualReferenceFeedbackTuning(VRFT)..........................................................................................24
2.7.2IterativeFeedbackTuning(IFT)............................................................................................................26
2.7.3IterativeCorrelationbasedTuning(ICbT)............................................................................................28
2.8PASSODEEVOLUODE .................................................................................................................................29
2.9PERODODEAMOSTRAGEM................................................................................................................................30
2.10IDENTIFICAODOPROCESSO...........................................................................................................................32
IMPLEMENTAODOSMTODOSDEAJUSTE......................................................................................34
3.1VIRTUALREFERENCEFEEDBACKTUNING(VRFT)....................................................................................................34
3.2ITERATIVEFEEDBACKTUNING(IFT).....................................................................................................................35
3.3ITERATIVECORRELATIONBASEDTUNING(ICBT).....................................................................................................36
3.4SINAISDEEXCITAO........................................................................................................................................38
RESULTADOSOBTIDOSEMSIMULAES.............................................................................................40
4.1DEFINIODOPROCESSO..................................................................................................................................40
4.2SIMULAESUTILIZANDOVRFT..........................................................................................................................42
4.2.1SimulaoVRFTI..................................................................................................................................42
4.2.2SimulaoVRFTII.................................................................................................................................43
4.3SIMULAESUTILIZANDOIFT.............................................................................................................................45
4.3.1SimulaoIFTI.....................................................................................................................................46
4.3.2SimulaoIFTII....................................................................................................................................47
4.4SIMULAESUTILIZANDOICBT...........................................................................................................................48
4.4.1SimulaoICbTI...................................................................................................................................49
4.4.2SimulaoICbTII..................................................................................................................................50
4.4.3SimulaoICbTIII.................................................................................................................................51
4.4.4SimulaoICbTIV................................................................................................................................53
4.5AVALIAODOSRESULTADOS.............................................................................................................................54
4.5.1ResultadosobtidoscomVRFT..............................................................................................................55
4.5.2ResultadosobtidoscomIFT.................................................................................................................56
4.5.3ResultadosobtidoscomICbT...............................................................................................................56
8
5
RESULTADOSEXPERIMENTAIS.............................................................................................................58
5.1PROCESSO.......................................................................................................................................................58
5.1.1Determinaodoperododeamostragem..........................................................................................59
5.1.2Validaodaidentificaodoprocesso...............................................................................................60
5.2ENSAIOSCOMVRFT.........................................................................................................................................61
5.2.1EnsaioVRFTI........................................................................................................................................61
5.2.2EnsaioVRFTII.......................................................................................................................................63
5.2.3EnsaioVRFTIII......................................................................................................................................64
5.3ENSAIOSCOMIFT............................................................................................................................................66
5.3.1EnsaioIFTI...........................................................................................................................................67
5.3.2EnsaioIFTII..........................................................................................................................................69
5.4ENSAIOSCOMICBT..........................................................................................................................................70
5.4.1EnsaioICbTI.........................................................................................................................................71
5.4.2EnsaioICbTII........................................................................................................................................72
5.4.3EnsaioICbTIII.......................................................................................................................................74
5.4.4EnsaioICbTIV......................................................................................................................................76
5.5EXEMPLODECONTROLEBASEADOEMMODELODOPROCESSO...................................................................................78
5.6AVALIAODOSRESULTADOS.............................................................................................................................79
CUSTOCOMPUTACIONAL....................................................................................................................82
6.1DETERMINAODAMEMRIADEDADOSEQUANTIDADEDEOPERAESMATEMTICAS................................................82
6.2DETERMINAODAMEMRIADEPROGRAMAEESTIMATIVADOTEMPODEEXECUO...................................................86
CONCLUSES......................................................................................................................................89
REFERNCIAS..............................................................................................................................................91
LISTA DE ILUSTRAES
Figura 1 Processo discreto, linear e invariante no tempo................................................... 17

Figura 2 Representao grfica do controlador PID paralelo............................................. 19
Figura 3 Representao grfica do controlador PID na forma srie. ................................. 19
Figura 4 Frequncia aproximada do processo. .................................................................. 31
Figura 5 Resposta ao degrau dos processos (39) e (38) com diferentes constantes de
tempo. .................................................................................................................................... 32
Figura 6 Resposta ao degrau de
,
; Diagrama de Bode de
,
; Mapa de
plos e zeros de
,
. .............................................................................................. 41
Figura 7 Simulao VRFT I. ............................................................................................... 42
,
(slida) e de
,
(pontilhada); Diagrama de
Bode de
,
(slida) e de
,
(pontilhada); Mapa de plos e zeros de
,
- Simulao VRFT I......................................................................................... 43
Figura 9 Simulao VRFT II. .............................................................................................. 44
,
(slida) e de
,
(pontilhada); Diagrama
de Bode de
,
(slida) e de
,
,
- Simulao VRFT II....................................................................................... 44
Figura 11 Resposta ao degrau utilizando o controlador inicial. .......................................... 45
Figura 12 Evoluo do custo na Simulao IFT I. .............................................................. 46
,
(slida) e de
,
de Bode de
,
(slida) e de
,
,
- Simulao IFT I. ........................................................................................... 47
Figura 14 Evoluo do custo na Simulao IFT II. ............................................................. 48
,
(slida) e de
,
de Bode de
,
(slida) e de
,
,
- Simulao IFT II. .......................................................................................... 48
Figura 16 Evoluo do custo na Simulao ICbT I............................................................. 49
,
(slida) e de
,
de Bode de
,
(slida) e de
,
- Simulao ICbT I. ......................................................................................... 50
,
Figura 18 Evoluo do custo na Simulao ICbT II............................................................ 51
,
(slida) e de
,
de Bode de
,
(slida) e de
,
,
- Simulao ICbT II. ........................................................................................ 51
Figura 20 Evoluo do custo na Simulao ICbT III........................................................... 52
,
(slida) e de
,
de Bode de
,
(slida) e de
,
,
- Simulao ICbT III. ....................................................................................... 52
Figura 22 Tendncia da evoluo do custo na Simulao ICbT III. ................................... 53
10
Figura 23 Evoluo do custo na Simulao ICbT IV. ......................................................... 54
,
(slida) e de
,
de Bode de
,
(slida) e de
,
,
- Simulao ICbT IV. ...................................................................................... 54
Figura 25 Processo trmico utilizado nos ensaios. ............................................................ 58
Figura 26 Conjunto controlador e processo........................................................................ 59
Figura 27 Determinao do perodo de amostragem atravs da resposta ao degrau. ...... 60
Figura 28 Comparao da sada do processo com a sada simulada................................ 61
Figura 29 Experimento utilizando degrau como sinal de excitao.................................... 62
Figura 30 Ensaio com o controlador obtido no Ensaio VRFT I. .......................................... 63
Figura 31 Experimento utilizando onda quadrada como sinal de excitao. ...................... 64
Figura 32 Ensaio com o controlador obtido no Ensaio VRFT II. ......................................... 64
Figura 33 Experimento em malha fechada com degrau na referncia. .............................. 65
Figura 34 Ensaio com o controlador obtido no Ensaio VRFT III. ........................................ 66
Figura 35 Ensaio com o controlador inicial
. .................................................................. 67
Figura 36 Evoluo custo no Ensaio IFT I. ......................................................................... 68
Figura 37 Ensaio com o controlador obtido no Ensaio IFT I. .............................................. 69
Figura 38 Evoluo custo no Ensaio IFT II. ........................................................................ 70
Figura 39 Ensaio com o controlador obtido no Ensaio IFT II. ............................................. 70
Figura 40 Evoluo custo no Ensaio ICbT I. ...................................................................... 71
Figura 41 Ensaio com o controlador obtido no Ensaio ICbT I. ........................................... 72
Figura 42 Evoluo custo no Ensaio ICbT II. ..................................................................... 73
Figura 43 Ensaio com o controlador obtido no Ensaio ICbT II. .......................................... 73
Figura 44 Evoluo custo no Ensaio ICbT III. .................................................................... 74
Figura 45 Evoluo da constante no Ensaio ICbT III. ..................................................... 75
Figura 46 Ensaio com o controlador obtido no Ensaio ICbT III. ......................................... 76
Figura 47 Evoluo custo no Ensaio ICbT IV. .................................................................... 76
Figura 48 Evoluo da constante no Ensaio ICbT IV. ..................................................... 77
Figura 49 Ensaio com o controlador obtido no Ensaio ICbT IV. ......................................... 78
Figura 50 Ensaio com o controlador obtido atravs do controlador baseado em modelo do
processo. ............................................................................................................................... 79
11
LISTA DE TABELAS
Tabela 1 Resumos dos Resultados Obtidos nos Experimentos Prticos. .......................... 80

Tabela 2 Custo computacional da Identificao do processo. ........................................... 83
Tabela 3 Custo computacional do Algoritmo do VRFT. ...................................................... 83
Tabela 4 Custo computacional do Algoritmo do IFT........................................................... 84
Tabela 5 Custo computacional do Algoritmo do ICbT-DO. ................................................. 85
Tabela 6 Custo computacional do Algoritmo do ICbT simples. .......................................... 85
Tabela 7 Memria de dados e operaes matemticas (N=80; 33 iteraes). .................. 86
Tabela 8 Nmero de ciclos necessrios para executar operaes matemticas em ponto
flutuante nos processadores da famlia PIC24H. .................................................................. 87
Tabela 9 Nmero de operaes matemticas discriminadas em tipo de operao. .......... 87
Tabela 10 Nmero de ciclos e tempo de execuo e memria de programa dos algoritmos
utilizados. ............................................................................................................................... 88
12
LISTA DE ABREVIATURAS
ICbT: Iterative Correlation based Tuning

IFT: Iterative Feedback Tuning
MIPS: Million instructions per second
PC: Personal Computer
PID: (Controlador) Proporcional Integral e Derivativo
PPGEE: Programa de Ps-Graduao em Engenharia Eltrica
VRFT: Virtual Reference Feedback Tuning
RTU: Remote Terminal Unit
13
1 INTRODUO
Logo aps o advento dos controladores PID para fins industriais surgiu o problema de
como ajustar seus parmetros. A maioria dos processos industriais aos quais os
controladores eram submetidos no dispunha do modelo matemtico do processo ao
mesmo tempo em que a indstria no dispunha de pessoal qualificado para o ajuste de seus
parmetros. Surgia assim uma forte demanda por mtodos de ajuste que utilizassem
somente as informaes de entrada e sada do processo, ou seja, mtodos de ajuste
baseado em dados.
No final dos anos 30, a empresa Taylor Instruments, um dos primeiros fabricantes de
controladores PID mecnicos da poca, contratou John Ziegler e Nathaniel B. Nichols a fim
de criar mtodos que simplificassem a forma como eram determinados os parmetros dos
seus controladores PID. Mais tarde, em 1942, Ziegler e Nichols publicaram o artigo Optimum
settings for automatic controllers (ZIEGLER; NICHOLS, 1942), onde descreveram mtodos
empricos determinados atravs de ensaios realizados em uma grande quantidade de
processos. Desde ento muitas outras propostas baseadas no trabalho de Ziegler e Nichols
surgiram como, por exemplo, Chien, Hrones & Reswick (1952); Dahlin (1968); Haalman
(1965); McMillan (1983); Astrm & Hgglund (1995). Estes mtodos tm em comum a
aplicao de perturbao ao processo e a utilizao dos dados obtidos (frequncia crtica,
ganho crtico, etc.) para a identificao dos parmetros do controlador a partir de frmulas
matemticas.
Aps o advento do microprocessador comearam a surgir controladores PID
implementados em dispositivos microcontrolados. Inicialmente, devido s restries
computacionais, tratavam-se de implementaes modestas do algoritmo do controlador PID.
J no final da dcada de 80, a memria e a capacidade de processamento dos
processadores aumentaram ao mesmo tempo em que o custo caiu, fato que possibilitou a
implementao de mtodos de ajuste dos parmetros no firmware do controlador.
Ainda no final da dcada de 80, o quesito fundamental para a utilizao de algum
mtodo de ajuste dos parmetros do controlador era o seu custo computacional. Mesmo
tendo aumentado, os recursos computacionais ainda eram limitados, portanto um bom
mtodo de ajuste deveria ocupar pouca memria de programa e pouca memria de dados.
O que se encaixava perfeitamente nos mtodos propostos por Ziegler e Nichols que
acabaram por conquistar a preferncia dos fabricantes de controladores PID.
Hoje comum encontrar controladores industriais que disponibilizam algum mtodo de
ajuste, geralmente baseado nas tcnicas propostas por Ziegler e Nichols e afins. Ao mesmo
tempo observa-se que os recursos computacionais disponveis nos microcontroladores so
muito maiores e mais baratos do que aqueles do final da dcada de 80. Isso abre margem
para explorar alternativas que gerem melhores resultados e que, por ventura, demandem
mais recursos computacionais.
desejvel que um mtodo de ajuste obtenha as informaes do processo,
necessrias para a determinao do controlador, da forma mais sutil possvel. Dessa forma
o processo poderia manter-se dentro de sua regio de operao. Alm disso, desejvel
que estes mtodos sejam capazes de ajustar o controlador s variaes do processo sem a
14
necessidade de novos experimentos forados. Este desejo motivou mais pesquisadores a
aperfeioar os mtodos de ajuste baseado em dados. Um mtodo como o Virtual Reference
Feedback Tuning (VRFT) (CAMPI; LECCHINI; SAVARESI, 2002) pode determinar os
parmetros do controlador a partir de um nico experimento que pode ser resultante da
prpria operao do processo. Outros mtodos, como o Iterative Feedback Tuning (IFT)
(HJALMARSSON et al., 1998) e Iterative Correlation based Tuning (ICbT) (KARIMI;
MISKOVIC; BONVIN, 2003) podem utilizar a informao de entrada e sada do processo
geradas durante a operao em lao fechado para aperfeioar o controlador existente.
Todos estes mtodos determinam o vetor de parmetros de forma que o comportamento do
sistema em malha fechada seja tal que minimize um determinado critrio de desempenho.
Atravs deste critrio de desempenho pode-se determinar o comportamento desejado para
o sistema em malha fechada.
H, portanto, um cenrio onde existem mtodos alternativos e os recursos
computacionais para sua implementao no firmware de um controlador PID industrial.
Contudo, as condies para a aplicao destes mtodos devero ser tangveis, seus
resultados satisfatrios e seu custo computacional compatvel com o microcontrolador
utilizado. Se atendidos estes quesitos ento estes mtodos podero ser utilizados como
alternativas para o ajuste de controladores PID.
O objetivo deste trabalho , portanto, estudar os mtodos VRFT, IFT e ICbT e avaliar se
estes podem ser utilizados como alternativas para o ajuste de controladores PID industriais.
Sendo assim, o captulo 2 apresenta o referencial terico onde so apresentadas as
definies preliminares e a teoria necessria para o entendimento dos mtodos e suas
limitaes. Neste captulo definido o critrio de desempenho utilizado; as classes de
distrbio, processo, controladores e de modelo de referncia; a descrio dos mtodos de
ajuste baseado em dados VRFT, IFT e ICbT; e a teoria necessria para sua implementao.
A teoria apresentada no captulo 2 utilizada para determinar os algoritmos para a
implementao de cada um dos mtodos no captulo 3. Neste captulo a forma como os
mtodos so aplicados representada atravs de uma sequncia de passos.
Os algoritmos definidos no captulo 3 so aplicados sobre processos simulados no
captulo 4, onde so avaliados os resultados obtidos em condies ideais. Neste captulo
so explorados sinais de excitao simples, como degrau e um perodo de onda quadrada a
fim de avaliar os resultados obtidos atravs deste tipo de excitao. Um degrau equivale a
uma mudana de patamar muito comum na prpria operao de um processo industrial. J
o perodo de onda quadrada, se interpretado como uma sequncia de dois degraus,
equivale aplicao de uma perturbao (primeiro degrau) e o retorno para a regio de
operao (segundo degrau).
No captulo 5 os algoritmos definidos no captulo 3 so aplicados sobre um processo
real onde so avaliados os resultados obtidos em condies prximas das ideais. Neste
captulo foram utilizados os mesmos sinais de excitao utilizados no captulo 4. Os
resultados obtidos nesta implementao prtica so avaliados conforme o atendimento ao
critrio de desempenho e a quantidade de dados utilizada.
15
O custo computacional determinado no captulo 6. Neste captulo o custo
computacional medido de duas formas distintas. Inicialmente medido em nmero de
operaes matemticas e quantidade de memria de dados necessria, que so
independentes do processador utilizado. A segunda forma determina a quantidade de
memria de programa e o tempo de execuo. Neste caso h dependncia do processador,
portanto estes dados so determinados atravs de um estudo de caso utilizando um
microcontrolador de baixo custo.
Finalmente, as concluses obtidas atravs deste estudo so apresentadas no captulo
7.
16
2 REFERENCIAL TERICO
2.1 DEFINIES GERAIS

Considere o processo discreto, linear e invariante no tempo descrito por:
,
(1)
onde z representa o operador de avano no tempo tal que

1 ; o vetor de
parmetros do controlador cuja sada
, ;
a funo de transferncia do processo
cuja entrada e sada so
,
e
, , respectivamente;
uma funo racional
prpria e
representa rudo branco com mdia zero e varincia .
A entrada do processo definida por:
,
onde
,
referncia
,
,
(2)
representa o controlador utilizado e

, conforme descrito por:
O controlador
o erro em relao ao sinal de
(3)
descrito a seguir por:

,
um vetor de funes racionais fixas, conforme descrito por:
onde
(4)
um vetor de parmetros definido por:
Considerando (1), (2) e (3), pode-se determinar a sada do sistema como:

,
onde
a funo de transferncia em malha fechada descrita por:

,
eS ,
S ,
,
1
a funo sensibilidade descrita por:
(5)
17
1
,
A representao grfica deste processo dada a seguir pela Figura 1.
Figura 1 Processo discreto, linear e invariante no tempo.
2.2 CRITRIO DE DESEMPENHO

A determinao dos parmetros do controlador se dar atravs da minimizao de um
critrio de desempenho dado por:
arg min
onde
representa o vetor de parmetros do controlador que minimiza a funo custo
que, por sua vez, descrita por:
1
2
onde
como:
representa o nmero de amostras e
(6)
a sada desejada, definida a seguir
,
onde
descreve a funo de transferncia do modelo de referncia.
Assumindo que a referncia e o rudo so descorrelacionados, a funo custo

representada por (6) pode ser dividida em dois componentes:
,
onde
o custo relativo ao erro em relao ao modelo de referncia, definido por
(7)
18
1
(8)
o custo relativo rejeio do rudo, definido por

1
N
(9)
2.3 CLASSE DO DISTRBIO

O distrbio caracterstico encontrado nos sinais de controle em um ambiente industrial
composto basicamente pelo rudo de chaveamento de contatoras, fontes chaveadas e a
induo da frequncia da rede eltrica e suas harmnicas. Controladores industriais,
entretanto, condicionam o sinal lido do processo a fim de minimizar estes componentes do
distrbio.
Este condicionamento, no entanto, no garante que todo e qualquer distrbio
eliminado. Sendo assim, a funo racional que caracteriza o distrbio ser definida como
1. Dessa forma o distrbio sobre a varivel do processo ser determinado somente
por
, que possui mdia zero e varincia . Ou seja, o distrbio ser caracterizado como
rudo branco e sua intensidade ser determinada por .
Esta definio de distrbio uma boa aproximao para o caso prtico. Todavia,
considerar outra hiptese para a definio do distrbio (
1) no invalidaria a
metodologia utilizada neste trabalho.
2.4 CLASSE DE CONTROLADORES E PARMETROS

O controlador escolhido para este trabalho foi um controlador PID. Entretanto, ser um
controlador PID no basta para determinar uma classe de controladores ou uma classe de
parmetros. A forma como este controlador implementado que determinar sua estrutura
e parametrizao.
Apesar de existirem muitas formas de implementao, duas delas so mais difundidas
e, assim, merecem ateno especial: a forma paralela, ou no-interativa; e a forma srie, ou
interativa.
A implementao utilizada do controlador PID na forma paralela dada, no domnio
discreto, por:
1
1
1
(10)
19
onde
o perodo de amostragem e ,
e
so os parmetros do controlador que
representam respectivamente o ganho do controlador, o tempo integral e o tempo derivativo.
Este controlador conta ainda com um plo em
:0
1. Este plo utilizado para
implementar um filtro de primeira ordem na ao derivativa com o propsito de minimizar a
sensibilidade do controlador a distrbios de alta frequncia.
J na forma srie, a implementao do controlador dada por:
(11)
onde os parmetros equivalentes aos parmetros do controlador PID paralelo so

representados por , e . As demais definies so idnticas s do controlador PID na
forma paralela.
, integral ( ) e derivativa (
Na forma paralela as aes proporcional
calculadas independentemente, conforme pode ser observado na Figura 2.
) so
Figura 2 Representao grfica do controlador PID paralelo.
J na forma srie, h interdependncia entre as aes proporcional

derivativa ( ), como pode ser observado em (11) e a seguir na Figura 3.
, integral ( ) e
Figura 3 Representao grfica do controlador PID na forma srie.
As diferenas entre as duas formas de implementao ficaro claras ao reescrever (10)

e (11) como
1
(12)
20
(13)
Em (12) e (13) os controladores esto representados pelo produto vetorial de um vetor

linha por um vetor coluna. Neste formato o vetor linha representa a estrutura do controlador
enquanto que o vetor coluna representa o vetor de parmetros. Verifica-se que tanto a forma
srie como a forma paralela compartilham a mesma estrutura linear nos parmetros como
definido em (4).
No que diz respeito ao vetor de parmetros, optou-se por escolher aquele cujas
componentes tenham sentido fsico, como o vetor de parmetros do PID na forma paralela.
Este vetor pode, inclusive, ser reescrito como:
,
onde o sentido fsico dos parmetros fica ainda mais evidente pois abstrai-se a informao
do perodo de amostragem. Dessa forma, a referncia aos parmetros
,
e
pode ser
feita simplesmente por ganho proporcional, ganho integral e ganho derivativo.
A ttulo de simplicidade, o valor de ser igual a zero, ou seja, no haver filtro de
primeira ordem na ao derivativa. A classe de controlador utilizada ser, portanto,
composta de todos os controladores PID cuja funo de transferncia dada por:
,
onde
1
1
(14)
o vetor de parmetros do controlador, definido por:

.
Este controlador possui dois plos fixos e seus zeros e ganho podem ser manipulados
atravs do vetor de parmetros .
2.4.1 Controlador Ideal

O controlador ideal
cuja relao dada por:
definido em funo do processo e do modelo de referncia,
(15)
Quando a complexidade da classe de controladores pode ser arbitrada livremente o

controlador ideal sempre existir, independente das funes de transferncia de
e de
. No entanto, a classe de controladores definida por
, em (14) de complexidade
21
restrita. Neste caso, o controlador
pertencer classe de controladores definida por
, sempre que a Hiptese I, a seguir definida, for satisfeita.
Hiptese I
,
Quando
conhecida cabe a
dever ento ser feita em funo de
se na seo 2.6.
, . A determinao de
garantir que
e
, cuja descrio detalhada encontra-
No caso de um mtodo de ajuste que minimize a funo custo

, descrita por (7),
no vetor de parmetros identificado. O
haver influncia da minimizao de
controlador que minimiza somente
dado a seguir por (BAZANELLA, 2008):
1
(16)
Dessa forma, o controlador resultante da minimizao do custo

resultar em um
controlador diferente de
quando
0. Como este estudo considera que
1,
0, portanto
sempre pertencer classe de controladores definida em (14).
A implementao prtica de um mtodo de ajuste baseado em dados pode implicar em
violaes na Hiptese I. O simples fato de assumir que um determinado processo real
aproximvel por uma determinada funo de transferncia j viola esta hiptese. Em (15)
definido considerando-se uma determinada classe de processos
. Este
controlador somente pertencer classe de controladores definida por
,
quando o
processo real pertencer classe de processos
. Em caso contrrio
poder no
pertencer mais classe de controladores definida por
, . Haver, portanto, uma
diferena entre o controlador identificado e o controlador ideal, conforme definido a seguir
por:
,
No entanto, o modelo de referncia pode ser escolhido de forma a tornar

o mais
prximo de zero possvel. Quando a diferena
for suficientemente pequena a ponto de
ser desprezvel, considera-se que a Hiptese I foi violada moderadamente. Sob estas
condies, a funo de transferncia em malha fechada
,
poder ser prxima, mas
nunca igual ao modelo de referncia
. Neste caso resultados prximos dos ideais
podem ser obtidos, como aqueles mostrados no captulo 5.
22
2.5 CLASSE DE PROCESSOS

A classe de processos estudada neste trabalho definida por uma funo de
transferncia discreta de ordem dois e grau relativo um, a seguir definida por:
,
onde
(17)
0,1 representam os plos do processo e
uma constante.
Atravs desta classe de processos pode-se inclusive representar processos trmicos

onde o atraso de transporte no relevante frente dinmica do processo.
Estudos revelam que grande parte de processos industriais podem ser aproximados por
modelos de primeira e segunda ordem, com ou sem atraso de transporte (AGUIRRE, 2004).
Destes, o modelo de primeira ordem com atraso de transporte e o modelo de segunda
ordem sem atraso de transporte, ambos no domnio discreto, podem ser representados (17).
No caso do processo de primeira ordem com atraso, esta classe de processos restringe este
atraso ao tempo do perodo de amostragem.
No captulo 4 os ensaios simulados utilizam esta classe de processo para a simulao
de um processo de temperatura. J nos ensaios prticos, apresentados no captulo 5, est
sendo considerado que o processo trmico utilizado aproximvel pela classe descrita por
(17). Ou seja, que o comportamento do processo utilizado pode ser determinado atravs
desta classe de processos com apenas pequenas diferenas. Mais detalhes sobre as
diferenas entre o processo trmico real e seu equivalente representado por (17) so
apresentados na subseo 5.1.2.
2.6 CLASSE DO MODELO DE REFERNCIA

Visto que as classes de controladores e a classe de processos j esto definidas, cabe
classe do modelo de referncia garantir que a Hiptese I seja atendida. Esta classe ser,
portanto, definida analiticamente em funo da classe de controladores e da classe de
processos.
Considere o controlador PID definido em (14) reescrito como:
1
cujo vetor de parmetros
1
1
(18)
definido por:
1
O controlador definido por (18) pode ser mais uma vez reescrito como:
23
1 z
onde as constantes
(19)
so dadas por:
,
onde observa-se que os zeros do controlador dependem unicamente das constantes
.
Se o controlador definido por (19) for aplicado sobre o processo definido em (17) temse:
1 z
Uma estratgia de controle conveniente cancelar os plos do processo atravs dos

zeros do controlador. Se as constantes
forem tais que os zeros do controlador
e
cancelem os plos do processo ter-se-, aps o cancelamento de plos e zeros, a seguinte
funo de transferncia:
(20)
Como pode ser observado em (20), a ao do controlador sobre o processo resultou em

uma funo de transferncia de primeira ordem com grau relativo um e com um plo em 1.
Em malha fechada este plo pode, teoricamente, ser posicionado livremente sobre o eixo
real dentro do intervalo [0,1]. Sua posio em malha fechada depender unicamente do
ganho proporcional definido por
.
Ao definir um modelo de referncia atingvel atravs da aplicao do controlador sobre

,
e, consequentemente, atende-se a Hiptese I.
o processo garante-se que
Portanto, ao definir a classe do modelo de referncia como uma funo de transferncia de
ordem um e grau relativo um, estar-se- garantindo que a Hiptese I ser atendida. Sendo
assim, a classe do modelo de referncia ser definida como:
1
onde
:0
(21)
1.
Este um modelo de referncia conveniente visto que requer somente a determinao

da posio do plo. Ou seja, somente necessrio definir qual a constante de tempo da
curva de resposta desejada.
24
Outras classes de modelo de referncia no invalidam a metodologia utilizada neste
trabalho. Implicariam somente na reavaliao da classe de controladores.
2.7 DESCRIO DOS MTODOS DE AJUSTE

A seguir so apresentados os trs mtodos de ajuste utilizados neste estudo. Estes
mtodos tm em comum o fato de serem mtodos diretos baseados em dados. Um mtodo
direto identifica os parmetros do controlador diretamente, enquanto que um mtodo indireto
primeiro identifica o processo para ento definir os parmetros do controlador. J o mtodo
baseado em dados aquele que utiliza somente a informao de entrada e sada do
processo para a identificao dos parmetros do controlador.
2.7.1 Virtual Reference Feedback Tuning (VRFT)

O mtodo VRFT descrito a seguir foi proposto por M. C. Campi, A. Lecchini e S. M.
Savaresi (CAMPI; LECCHINI; SAVARESI, 2002).
Trata-se de um mtodo de ajuste direto, no iterativo e baseado em dados. Minimiza
somente o erro em relao ao modelo de referncia representado pela funo custo
definida em (8). Ou seja, capaz de determinar, com apenas uma batelada de dados de
entrada e sada do processo, um tal que
, minimize
.
A funo custo
depende da funo de transferncia do processo que
desconhecida, fato que impossibilita sua minimizao de forma direta. No entanto,
proposto um critrio alternativo onde se minimiza uma funo custo quadrtica
independente de
. Esta funo custo composta pela diferena entre a sada real e a
sada desejada do controlador, conforme descrito por (CAMPI; LECCHINI; SAVARESI,
2002):
1
onde
o erro virtual, descrito a seguir.
Considere um experimento qualquer realizado sobre o processo

atravs do qual
so obtidos os sinais de entrada e sada, representados respectivamente por
e
.A
realizao do rudo utilizado neste experimento representada por
.
O nome do mtodo devido referncia virtual
, que gerada aplicando-se
na inversa do modelo de referncia definido em (21), conforme segue:
,
O erro virtual
descrita por:
a diferena entre a referncia virtual e a sada
, a seguir
25
.
,
Se atendida a Hiptese I, ento o controlador

alimentado por
, ou seja:
,
ter como sada
quando
em relao
o fato de a primeira ser uma funo
A vantagem de
quadrtica, podendo ser minimizada analiticamente atravs de mnimos quadrados.
Se atendida a Hiptese I,
de rudo, ou seja:
compartilharo o mesmo mnimo na ausncia
0.
estar diretamente
No caso em que h rudo presente, o custo mnimo

relacionado varincia do rudo e suscetibilidade a rudo de
ter outro mnimo e nada se pode afirmar

Quando a Hiptese I no atendida
sobre o vetor de parmetros obtido atravs da sua minimizao. Atravs da aplicao de um
filtro nos dados de entrada e sada do processo pode-se fazer com que os mnimos de
e
fiquem prximos um do outro (CAMPI; LECCHINI; SAVARESI, 2002). No
e
no compartilharo o
entanto, mesmo utilizando estes filtros, as funes custo
mesmo mnimo quando a Hiptese I no atendida. Neste caso h apenas a reduo da
distncia entre estes dois mnimos. Esta alternativa no tratada neste trabalho.
O vetor de parmetros calculado atravs de um conjunto finito de dados amostrados
do processo, sendo, portanto uma estimativa do vetor de parmetros que minimiza a funo
custo. Tratando-se de uma estimativa, este vetor de parmetros ser representado por . O
determinado atravs de mnimos quadrados da
que minimiza a funo custo
seguinte forma (CAMPI; LECCHINI; SAVARESI, 2002):
onde
um vetor linha a seguir descrito por:
(22)
Quando houver rudo presente no experimento utilizado para compor , comum

ocorrer uma polarizao em . O porqu desta polarizao explicado a seguir. Considere
a matriz A dada a seguir por:
A
T ,
26
onde uma matriz composta pelos
elementos de
, ou seja:
T
Sempre que a matriz A e o rudo forem correlacionados haver polarizao no vetor de

parmetros estimado atravs de mnimos quadrados (AGUIRRE, 2004). Como o rudo est
presente nas realizaes de
, a estimativa do vetor ser polarizada.
A atenuao desta polarizao pode ser feita atravs da utilizao de varivel
instrumental (CAMPI; LECCHINI; SAVARESI, 2002). Neste caso, o vetor de parmetros
, cuja expresso dada por:
estimado passar a ser representado por
(23)
onde
a varivel instrumental quedeve ser o mais prxima possvel de
e, ao
mesmo tempo, deve estar descorrelacionada do rudo do experimento a partir do qual
foi determinado, ou seja:
0.
(24)
Alternativas para a determinao da varivel instrumental so descritas na seo 3.1.

Desde que a Hiptese I seja atendida,
tenha somente um mnimo,
persistentemente excitante de ordem maior ou igual a
(BAZANELLA, 2008) e
seja
,
como a minimizao de
ter como resultado
(CAMPI;
tanto a minimizao de
LECCHINI; SAVARESI, 2002). O relaxamento destas condies far com que o resultado
obtido afaste-se do resultado ideal.
2.7.2 Iterative Feedback Tuning (IFT)

O esquema a seguir foi proposto por H. Hjalmarsson, M. Gevers, S. Gunnarsson, e O.
Lequin (HJALMARSSON et al., 1998).
Trata-se de um mtodo de ajuste direto, iterativo e baseado em dados capaz de
minimizar a funo custo
definida em (7). O ajuste se d atravs de um refinamento
dos parmetros do controlador, que realizado a cada iterao.
, que
Se o gradiente
pudesse ser determinado, o vetor de parmetros
minimiza
, poderia ser alcanado iterativamente atravs do algoritmo de aproximao
estocstica a seguir descrito por:
1
a dimenso do vetor de parmetros. Um sinal persistentemente excitante de ordem

sinal cujo espectro de frequncia contm componentes diferentes de zero.
um
27
(25)
onde - descrito em detalhe na seo 2.8 - um escalar que atuar como um ganho para
a determinao do passo de evoluo de em direo ao vetor de parmetros timo; e
uma sequncia de matrizes positivas definidas apropriadas como, por exemplo, aquela
definida na seo 3.2.
Existe uma alternativa para a obteno do gradiente

Inicialmente, considere que:
1
onde
que descrita a seguir.
(26)
representa o erro em relao ao modelo de referncia, a seguir descrito por:

,
(27)
A soluo de (26) implica em determinar o gradiente de

, em relao a que, por
sua vez, implica no conhecimento prvio de
que desconhecida. No entanto, este
gradiente pode ser estimado atravs dos dados de entrada e sada do processo
(HJALMARSSON et al., 1998). Estes dados so coletados em malha fechada atravs de
dois experimentos especiais aplicados sobre o sistema.
Considerando que
,
pode ser determinado por:
ento o gradiente de
,
1
Considerando que
,
,
em relao a
,
,
(28)
,
1
pode ser descrito por (5), pode-se reescrever (28) como (29).
1
,
(29)
Em (29) a funo
, conhecida, portanto sua inversa e seu gradiente em relao
a podem ser determinados analiticamente. No entanto, a parcela
,
,
desconhecida, o que a princpio impossibilita a determinao de (29). Pode-se, contudo,

estimar o valor de
,
,
atravs de dois experimentos realizados sobre o
processo em malha fechada (HJALMARSSON et al., 1998).
Primeiramente realiza-se um experimento sobre o processo com sinal de referncia
, cuja sada
, e cujo rudo
28
,
S ,
(30)
, , realiza-se um segundo experimento utilizando a

Uma vez determinado
diferena entre
e
,
como sinal de referncia. A sada deste experimento ser
, e o rudo
,
S ,
,
uma verso perturbada de
onde observa-se que
forma, pode-se estimar (29) como:
,
onde
1
,
(31)
. Desta
(32)
. representa estimativa.
A estimativa do gradiente obtida em (32) uma verso perturbada daquele descrito por
(29) devido presena do rudo do segundo experimento. Tratando-se de um rudo branco
sua mdia tender a zero medida que aumenta o nmero de amostras, garantindo assim
uma estimativa no polarizada. Mesmo assim importante garantir que esta perturbao
seja a menor possvel, o que pode ser alcanado garantindo que a relao sinal-rudo seja
tal que o rudo seja pouco relevante frente ao sinal.
2.7.3 Iterative Correlation based Tuning (ICbT)

O esquema a seguir foi proposto por A. Karimi, L. Miskovic e D. Bonvin (KARIMI;
MISKOVIC; BONVIN, 2003).
Trata-se de um mtodo de ajuste direto, iterativo e baseado em dados que minimiza
somente o erro em relao ao modelo de referncia representado pela funo custo
definida em (8).
Se atendida a Hiptese I, ento o vetor de parmetros que minimiza
igual ao
vetor de parmetros timo , que pode ser alcanado iterativamente atravs deste mtodo,
conforme descrito a seguir.
Considere o erro em relao ao modelo de referncia a seguir representado por:
,
(33)
Sabe-se que, se atendida a Hiptese I, quando

o erro
,
ser composto
somente pelo rudo
que descorrelacionado da referncia do sistema. No entanto,
se
ento
,
conter tambm o erro de modelagem do controlador que, por sua
vez, correlacionado com a referncia.
29
A idia bsica descorrelacionar o erro
,
da referncia do sistema
. Portanto,
pode-se ajustar os parmetros do controlador encontrando a soluo da funo de
correlao descrita por:
0,
(34)
onde
,
uma matriz de variveis instrumentais correlacionada com o sinal de
referncia do controlador e descorrelacionada com o rudo.
A equao (34) geralmente no linear e sua soluo nem sempre pode ser
determinada de forma analtica (KARIMI; MISKOVIC; BONVIN, 2003). No entanto pode-se
utilizar a soluo numrica iterativa descrita por:
,
(35)
onde - descrito em detalhe na seo 2.8 - um escalar que atuar como um ganho para a
determinao do passo de evoluo de em direo ao vetor de parmetros timo; e
for no
. Se
for adequado e a matriz
uma matriz quadrada de dimenso
singular, ento (35) tipicamente convergir em direo a .
for a matriz identidade no haver problemas de singularidade, no entanto
Se
uma convergncia mais rpida pode ser obtida utilizando-se o mtodo Newton-Raphson,
definida como a matriz Jacobiana de
, , representada a seguir
onde a matriz
por:
,
(36)
No entanto, (36) exige o conhecimento do valor do gradiente de

, em relao a ,
que desconhecido. Tornando-se assim necessria a estimao deste gradiente que pode
ser aproximada por (KARIMI; MISKOVIC; BONVIN, 2003):
1
N
(37)
,
definido na seo 3.3. Este gradiente afeta somente a velocidade de
onde
convergncia, erros em sua aproximao no afetam a convergncia em si.
2.8 PASSO DE EVOLUO DE

Os ganhos para a determinao dos passos de evoluo do vetor de parmetros ,
tratados neste estudo por , devem ser pequenos o suficiente para garantir a convergncia
de
para
(HJALMARSSON, 1998; KARIMI; MISKOVIC; BONVIN, 2003). No entanto,
pequeno algo muito subjetivo e suficientemente pequeno para um processo pode no ser
30
suficientemente pequeno para os demais. Alm disso, quando os passos so muito
torna-se muito lenta.
pequenos, a convergncia de para
No caso do mtodo IFT,
a seguir definido por:
evoluir conforme definido em (25) no sentido oposto quele
O mtodo utilizado nesse trabalho consiste em determinar

de forma proporcional a
e inversamente proporcional a , conforme a expresso a seguir:
onde
Se o valor de for constante, o vetor poder oscilar em torno do vetor de parmetros

com um raio que depende do valor de . Para evitar esta falta de convergncia
timo
deve-se garantir que o valor de tender assintoticamente a zero medida que o vetor
evolui em direo a .
A reduo do valor de pode ser garantida utilizando-se como referncia o custo do
experimento. Ou seja, sempre que o custo do experimento atual for maior do que o custo do
experimento anterior, a constante ter seu valor reduzido pela metade, garantindo assim
que seu valor tender assintoticamente a zero.
No caso do ICbT valem as mesmas regras, mudando somente a definio da direo, a
seguir definido por:
Este mtodo no garante a exatido do tamanho do passo com que o vetor evolui em
direo a . No entanto, garante que a ordem de grandeza de
ser prxima
da ordem de grandeza de
.
2.9 PERODO DE AMOSTRAGEM

Existem dois problemas principais ao se determinar o perodo de amostragem
eles a superamostragem e a subamostragem.
, so
assume valores pequenos o suficiente para

Quando um processo superamostrado
fazer com que duas ou mais amostras consecutivas tenham valores muito prximos, mesmo
quando a entrada do processo est variando persistentemente. Os plos no domnio
discreto de um processo superamostrado ficam muito prximos entre si e de 1 gerando,
neste caso, uma forte dependncia da resoluo numrica utilizada.
31
Para entender o problema da subamostragem basta ter em mente que um perodo de
amostragem adequado deve ser suficientemente curto de forma que o sinal amostrado
detenha as caractersticas fundamentais do sinal original. Analogamente ao problema da
superamostragem, se o sinal amostrado no contiver tais caractersticas os plos deste
processo ficaro muito prximos entre si e de 0 no domnio discreto, tambm gerando forte
dependncia da resoluo matemtica.
Considere um processo contnuo representado pela funo de transferncia descrita
por:
e sua resposta ao degrau na Figura 4, quando
(38)
50, 100 segundos.
Resposta ao degrau
1
0.9
Amplitude
0.8
Tempo (s): 142
Amplitude: 0.632
0.7
0.6
0.5
0.4
0.3
0.2
0.1
0
100
200
300
400
500
600
700
Tempo (s)
Figura 4 Frequncia aproximada do processo.
Considerando que
menor que
, o perodo de amostragem ideal para este
processo deveria ser curto o suficiente para identificar a dinmica do plo em 1 e longo
o suficiente para no superamostrar a dinmica do plo em 1 .
Conforme (STRM; WITTENMARK, 1997) razovel utilizar um perodo de
amostragem de 4 a 10 vezes menor que a constante de tempo aproximada do processo, ,
que obtida ao aproximar o processo por um de primeira ordem. No caso da classe de
,
aparece na resposta ao degrau quando a curva atinge
processos definida por
63,212% do valor final, conforme ilustrado na Figura 4. Neste trabalho ser utilizado
10 que garante que o sinal amostrado conter as informaes da dinmica
principal do sinal original. No entanto, no caso de processos de segunda ordem como o
descrito por (38) este perodo de amostragem ainda pode ser muito lento para que o sinal
.
amostrado detenha todas as caractersticas fundamentais do sinal original quando
32
verdade, entretanto, que quanto maior esta diferena menor a relevncia da dinmica do
plo em 1 . Neste caso a subamostragem desta dinmica ser considerada como
aceitvel, pois pouco comprometer o sinal amostrado.
Uma classe de processos de primeira ordem ser utilizada a seguir para descrever a
relevncia do plo dominante em um processo de segunda ordem. Esta classe a seguir
definida por:
1
(39)
A relao entre a relevncia da dinmica do plo e sua constante de tempo pode ser
melhor entendida atravs da Figura 5.
Resposta ao degrau
1
0.9
0.8
Amplitude
0.7
0.6
0.5
0.4
0.3
0.2
0.1
0
100
200
300
400
500
600
700
800
900
1000
Tempo (s)
Figura 5 Resposta ao degrau dos processos (39) e (38) com diferentes constantes de tempo.
Na Figura 5, da curva mais rpida para a mais lenta, observa-se a curva de resposta de
quando
quando
100 e as curvas de respostas de
,
100s, 10s ,
,
,
100s, 20s e
100s, 50s , respectivamente. Observa-se claramente
que, quanto maior
e menor , menos significativa a dinmica do plo em 1 . Isso
fica claro na resposta de
quando
,
100s, 10s , que demonstra
predominantemente a dinmica do plo em 1 .
10 gerou
No caso dos mtodos descritos na seo 2.7, determinar
como
resultados satisfatrios. Esta regra foi utilizada para os experimentos prticos do captulo 5.
2.10 IDENTIFICAO DO PROCESSO

Considere o modelo discreto de ordem 2 e grau relativo 1 descrito por:
33
2 ,
(40)
onde representa a sada,

representa a entrada,
representa o ndice da amostra e
, ,
so os parmetros do processo. Identificar um processo utilizando este modelo
consiste em determinar seus parmetros a partir dos dados de entrada e sada.
O processo discreto definido por (40) pode ser reescrito conforme descrito por:
,
onde
so definidos por (41) e (42), respectivamente.

1
(41)
(42)
A identificao do processo consiste em estimar o vetor

em funo dos dados de
entrada e sada obtidos a partir de um processo real. O vetor ser estimado pelo mtodo
dos mnimos quadrados utilizando um modelo ARX, conforme definido por (AGUIRRE,
2004):
,
onde X e Y so vetores definidos por (43) e (44), respectivamente.
0
(43)
(44)
34
3 IMPLEMENTAO DOS MTODOS DE AJUSTE

A seguir descrita a forma como cada um dos mtodos estudados foram
implementados.
3.1 VIRTUAL REFERENCE FEEDBACK TUNING (VRFT)

O mtodo ser implementado considerando-se a presena de rudo. Portanto faz-se
necessria a utilizao da varivel instrumental .
O vetor
pode ser determinado da mesma forma que , definido em (22),
utilizando dados provenientes de um segundo experimento que compartilha o mesmo sinal
de entrada. Tambm pode ser determinado atravs de identificao do processo e
simulao de um novo experimento (CAMPI; LECCHINI; SAVARESI, 2002).
Se a varivel instrumental
for determinada utilizando o segundo experimento, o
rudo presente nos dois experimentos descorrelacionado, portanto (24) procede. Neste
caso o vetor de parmetros resultante tende a ser o mesmo que aquele obtido no caso livre
de rudo. J no caso em que a varivel instrumental
determinada a partir de um
experimento simulado, a sada est naturalmente livre de rudo, garantindo-se assim que
(24) procede. No entanto o vetor de parmetros resultante depender tambm da qualidade
da identificao do processo.
O ambiente ideal para a aplicao do mtodo caracteriza um cenrio intrusivo. Ou seja,
um sinal de entrada suficientemente rico pode implicar em excitar o processo com diferentes
frequncias e amplitudes, o que pode ser proibitivo no ambiente industrial. Ao mesmo
tempo, garantir um nmero de amostras suficientemente grande
implicaria em
garantir tambm o recurso computacional e o tempo necessrio para processar todos os
dados coletados. Alm disso, gerar dois experimentos sob estas condies implicaria em
aumentar ainda mais o tempo de exposio do processo ao mtodo de ajuste e dobrar o
recurso computacional necessrio.
Qualquer relaxamento destas condies far com que o resultado obtido atravs do
mtodo afaste-se do resultado ideal. Sendo assim, o caminho natural para viabilizar a sua
utilizao buscar um compromisso entre a qualidade do controlador obtido e as condies
sob as quais o mtodo aplicado. Uma alternativa pouco intrusiva seria limitar o sinal de
entrada a sinais comuns da operao do processo como, por exemplo, rampas e degraus,
muito comuns em processos trmicos. Paralelamente pode-se ainda poupar o processo de
um segundo experimento ao utilizar varivel instrumental proveniente da simulao do
processo, que pode ser estimado j no primeiro experimento. Dessa forma atravs de um
nico experimento pode-se gerar
e identificar o processo para ento gerar .
A sequncia a seguir descreve como o mtodo ser implementado neste trabalho.
1. Realizar um experimento no processo utilizando o sinal de entrada
sada
;
obtendo a
35
2. Definir a referncia virtual
descrita por:
.
e
entre
3. Definir o erro
dado por:
.
4. Utilizar a informao de entrada e sada do processo,

e
identificao do processo atravs de um modelo ARX, obtendo-se assim
5. Simular o segundo experimento
, para a
;
:
.
6. Definir a referncia virtual relativa ao experimento simulado
entre
7. Definir o erro
8. Calcular
conforme segue:
.
9. Determinar
conforme (23).
No caso da aplicao do VRFT em malhar fechada, deve-se substituir a identificao de

da etapa 4 pela identificao da funo de transferncia em malha fechada
. Devese tambm alterar a simulao do segundo experimento na etapa 5 para:
.
3.2 ITERATIVE FEEDBACK TUNING (IFT)

A implementao deste mtodo se d atravs de dois experimentos, conforme descrito
por (30) e (31). A sequncia a seguir descreve como o mtodo implementado.
1. Gerar o primeiro experimento conforme (30);
36
2. Gerar o segundo experimento conforme (31);
3. Calcular
conforme descrito por (27) com os dados do item 1.
4. Estimar o gradiente de
5. Estimar o gradiente de
em relao a
em relao a
utilizando (32);
utilizando (26);
6. Determinar a matriz
utilizando o gradiente estimado no item 4 atravs de
(HJALMARSSON et al., 1998):
1
7. Utilizar (25) para definir o novo vetor de parmetros do controlador

passo de evoluo de conforme definido na seo 2.8.
utilizando o
3.3 ITERATIVE CORRELATION BASED TUNING (ICBT)

Este mtodo pode ser implementado a partir de somente um experimento por iterao
atravs do qual se identifica
, , descrito por (33), e determina-se a varivel instrumental
, necessria para compor
,
definido em (34). Pode-se utilizar qualquer varivel
para compor
,
desde que esta seja correlacionada com o sinal de referncia do
controlador e descorrelacionada com o rudo.
Uma escolha simples de varivel instrumental uma matriz com
sada desejada atrasada em uma amostra, ou seja:
vetores linha com a
(45)
. Esta
Paralelamente pode-se utilizar a matriz identidade para compor a matriz
escolha de varivel instrumental e de matriz
implica em um baixo custo
computacional. No entanto, a convergncia para o mnimo da funo custo pode ser muito
lenta (KARIMI; MISKOVIC; BONVIN, 2003).
Como alternativa pode-se utilizar dois modos de gerar a varivel instrumental, so eles
o ICbT-IM (Iterative Correlation based Tuning Identified Model) e o ICbT-DO (Iterative
Correlation based Tuning Desired Output) (KARIMI; MISKOVIC; BONVIN, 2003). Somente
o ICbT-DO ser tratado neste estudo.
A varivel instrumental obtida atravs do ICbT-DO descrita por:
(46)
37
Para descrever
necessrio primeiramente reescrever (2) como:

,
A partir da qual se pode determinar:

,
definido por:
Onde
1
1
2
onde
(47)
o erro utilizado pelo mtodo ICbT-DO, definido a seguir por:

.
J o filtro
definido em funo do controlador e do processo, demandando
assim a identificao do processo. O
depende unicamente da funo de transferncia
do processo, como pode ser observado a seguir em:
.
Enquanto que
depende tambm do controlador como observado em:

,
Onde
so dados por:
,
,
A sequncia a seguir descreve como o mtodo implementado.

1. Gerar um experimento no processo de onde se obtm os dados de entrada e sada
, e
,
;
2. Calcular
conforme descrito por (33);
3. Utilizar a informao de entrada e sada do processo,

,
e
,
identificao do processo atravs de um modelo ARX, obtendo-se assim
4. Compor
conforme (47);
, para a
;
38
,
5. Calcular
,
6. Calcular
7. Calcular
definido por:
conforme (46);
conforme (34);
onde
conforme descrito por (37) utilizando
determinado conforme
descrito por:
,
,
,
de forma similar a
item 1;
1,
1,
1,
, utilizando-se o erro
,
2,
,
do experimento realizado no
8. Utilizar (35) para definir o novo vetor de parmetros do controlador

passo de evoluo de conforme definido na seo 2.8.
utilizando o
3.4 SINAIS DE EXCITAO

Todos os mtodos de ajuste apresentados neste trabalho demandam um sinal de
referncia que seja suficientemente excitante a fim de identificar os parmetros do
controlador. O nmero de componentes de frequncia e a amplitude do sinal de excitao
esto diretamente relacionados com a qualidade dos resultados. No entanto, deve haver um
compromisso entre sinal de excitao e qualidade do resultado a fim de viabilizar a
aplicao prtica do mtodo de ajuste.
Quando em operao na indstria, os controladores PID so responsveis pelo correto
condicionamento de determinados processos. Dificilmente haver margem para ensaios fora
da regio de operao destes processos sem que seja gerado refugo ou comprometimento
na qualidade do produto final. Ao mesmo tempo o agendamento de paradas provoca uma
srie de inconvenientes como a realocao de recursos ou mesmo a parada total da planta,
dependendo de quo crtico o processo que est sendo interrompido.
A condio ideal para aplicar um experimento durante uma variao caracterstica do
prprio processo. Em processos trmicos, por exemplo, muito comum a programao da
referncia do processo atravs de rampas e degraus. Nestes casos aproveitar estas
variaes implicaria em realizar um experimento sem perturbar o processo. Na ausncia
desta oportunidade, um perodo de onda quadrada uma alternativa interessante visto que
perturbaria o processo somente no primeiro semi-ciclo, j que o segundo serviria para
retornar para a condio de operao.
39
, onde
a
O sinal de excitao deve ser persistentemente excitante de ordem
dimenso do vetor de parmetros (BAZANELLA, 2008). Condio esta que satisfeita por
um degrau ou um perodo de onda quadrada, que sero os sinais utilizados nos
experimentos realizados no captulo 4 e no captulo 5.
40
4 RESULTADOS OBTIDOS EM SIMULAES

A seguir so apresentados os resultados obtidos da simulao de um processo trmico.
Todos os mtodos descritos neste trabalho so aplicados sobre este processo utilizando os
sinais de excitao definidos na seo 3.4.
O objetivo destas simulaes mostrar que resultados satisfatrios podem ser obtidos
atravs de um nmero modesto de amostras e frente a sinais de excitao compostos por
um degrau ou um perodo de onda quadrada.
Todos os experimentos compartilham o modelo de referncia e a varincia do rudo. O
modelo de referncia utilizado est descrito na seo 2.6 por (21) e nestas simulaes a
constante assumir o valor 0,816, portanto:
0,184
.
0,816
(48)
As simulaes utilizaro um nmero finito de amostras dentro do qual se garante que a

varincia amostral do rudo ser igual a 1C nas simulaes com VRFT e que estar dentro
do intervalo [0,95;1,05]C para os mtodos iterativos.
4.1 DEFINIO DO PROCESSO

Considere um processo trmico cuja funo de transferncia descrita na seo 2.9
100 e
20 . Neste caso
ser igual a 12,2 conforme definido na
por (38), onde
seo 2.9. No domnio discreto e com este perodo de amostragem, o plo dominante do
0,8851e o plo rpido em
0,5434. A funo de transferncia no
processo ficar em
domnio discreto dada por:
1
0,8851e 1
0,8851e
0,5434
.
0,5434
(49)
Considerando que
depende das constantes de tempo
e , quaisquer processos
contnuos descritos por (38) com a mesma relao
/
tero a mesma funo de
transferncia. Sendo assim, os resultados obtidos para este processo no se referem
5 .
somente a este caso especfico, mas a todo o universo de processos onde
Considerando a classe de controladores descrita por (14), o modelo descrito por (48) e
o processo descrito por (49), o controlador ideal deve ser tal que seu vetor de parmetros
seja igual a , dado por:
1,6369
0,1840 .
1,6872
(50)
41
Os mtodos de ajuste abordados neste estudo sero aplicados sobre a simulao deste
processo e tero como resultado um vetor de parmetros que dever ser comparado com
. Esta comparao no pode ser feita simplesmente comparando os valores dos vetores,
pois dessa forma no se estaria levando em considerao os resultados da operao de
, . Uma alternativa seria avaliar o controlador obtido graficamente atravs da resposta
de
, frente a um determinado estmulo. No entanto, esta anlise serviria apenas como
uma avaliao qualitativa.
Uma forma simples e prtica de estabelecer comparaes entre controladores
confrontar o custo
gerado por cada
, quando estimulados por um mesmo sinal de
0, no entanto
contem tambm a componente
.
referncia. Sabe-se que
Sendo assim, a referncia de desempenho ser determinada atravs de um experimento
. A raiz quadrada do custo obtido neste experimento ser utilizada
especfico com
,
como referncia de desempenho para anlise quantitativa dos vetores de parmetros
obtidos atravs de cada um dos mtodos de ajuste. O ensaio utilizado para a gerao desta
referncia foi a resposta a um degrau de 0 a 100C. A varincia amostral do rudo presente
neste ensaio foi de 1C . A raiz quadrada do custo obtido neste ensaio dada a seguir por:
1,0016 .
(51)
As caractersticas do controlador ideal aplicado sobre este processo podem ser

(sem rudo), o
observadas na Figura 6, onde mostrada a resposta ao degrau de
,
diagrama de Bode de
,
e o mapa de plos e zeros de
,
. As margens
de fase e de ganho esto marcadas no diagrama de Bode a fim de facilitar a comparao
com os resultados obtidos nas simulaes a seguir.
; Diagrama de Bode de
.
,
; Mapa de plos e zeros de
Os resultados obtidos atravs da aplicao dos mtodos descritos na seo 2.7 sobre a
simulao do processo so mostrados a seguir. Todas as simulaes tero como resultados
. Tambm
o vetor de parmetros do controlador resultante e a raiz quadrada de
sero geradas figuras contendo a resposta ao degrau, o diagrama de Bode e o mapa de
plos e zeros, equivalentes Figura 6. Podendo-se assim confrontar qualitativa e
42
quantitativamente os resultados obtidos em cada simulao com aqueles obtidos atravs do
controlador ideal.
4.2 SIMULAES UTILIZANDO VRFT

Nesta seo so apresentadas duas simulaes distintas apenas pelo tipo de sinal de
excitao.
4.2.1 Simulao VRFT I

Esta simulao utiliza
160 amostras e um degrau que varia de 0 a 100C como
sinal de excitao. Os dados de entrada e sada do experimento so apresentados a seguir
pela Figura 7.
Simulao VRFT I
120
u(t)
y(t)
100
80
60
40
20
20
40
60
80
100
120
140
160
Amostras
Figura 7 Simulao VRFT I.
so dados por:
encontrado e a raiz quadrada de

1,6072
0,1826 e
1,4256
1,1448 .
com a de
Ao confrontar a raiz quadrada de
resultado obtido est ligeiramente diferente do valor ideal.
, observa-se que o
Os resultados dos controladores obtidos tambm so avaliados atravs da resposta ao

, do diagrama de Bode de
,
e do mapa de plos e zeros de
degrau de
,
43
. Todos estes grficos e diagramas so mostrados a seguir na Figura 8. As
,
linhas tracejadas na resposta ao degrau e no diagrama de Bode so referentes aos
resultados obtidos com o controlador ideal e esto presentes a fim de facilitar o confronto
com os resultados obtidos.

,
(slida) e de
,
,
(slida) e de
,
(pontilhada); Diagrama de Bode de
,
- Simulao
VRFT I.
Existem diferenas sutis nos trs grficos da Figura 8 em relao aos da Figura 6. As
diferenas concentram-se no transitrio da resposta ao degrau e numa faixa de frequncia
entre 0,01 e 0,1 rad/s. Observa-se tambm que o plo dominante foi praticamente
cancelado pelo controlador, diferentemente do plo rpido. Este resultado devido ao sinal
de excitao, cujo espectro est mais concentrado em frequncias baixas, potencializando
assim a identificao de dinmicas mais lentas, como a do plo dominante. A relao entre
o sinal de excitao e os resultados obtidos atravs do VRFT tratada em detalhe na
subseo 4.5.1.
4.2.2 Simulao VRFT II

Nesta simulao foram utilizadas
160 amostras e um sinal de excitao composto
por um ciclo de onda quadrada com excurso de 0 a 100C. Os dados de entrada e sada
so apresentados a seguir pela Figura 9.
O
so dados por:
encontrado e a raiz quadrada de

1,6319
0,1821 e
1,8055
1,0434 .
Ao confrontar a raiz quadrada de

resultado obtido foi bastante prximo do ideal.
com a de
, observa-se que o
44
Simulao VRFT II
120
u(t)
y(t)
100
80
60
40
20
20
40
60
80
100
120
140
160
Amostras
Figura 9 Simulao VRFT II.
, o diagrama de Bode de
,
A resposta ao degrau de
,
plos e zeros de
,
so mostrados a seguir na Figura 10.
e o mapa de

,
(slida) e de
,
,
(slida) e de
,
,
- Simulao
VRFT II.
Os resultados so praticamente os mesmos da Simulao VRFT I. Observa-se,

entretanto, que o zero prximo ao plo rpido encontra-se mais prximo do que na
Simulao VRFT I. Se comparado com os resultados da Figura 8, os diagramas da Figura
10 deixam claro o efeito do quase cancelamento do plo rpido. Tanto o erro no transitrio
da resposta ao degrau como a fase entre 0,01 e 0,1 rad/s esto mais prximas do ideal.
A relao entre o sinal de excitao e os resultados obtidos atravs do VRFT tratada
em detalhe na subseo 4.5.1.
45
4.3 SIMULAES UTILIZANDO IFT

Os resultados do IFT so demonstrados a seguir atravs de duas simulaes que
diferem entre si pelo sinal de referncia
.
Em se tratando de um mtodo iterativo necessrio um controlador inicial. Este
controlador deve ser suficientemente prximo de , a fim de garantir que esteja dentro do
domnio de atrao de
(BAZANELLA, 2008). No caso das simulaes a seguir o
controlador inicial dado a seguir por:
0,8185
0,0920
0,8436
A resposta ao degrau deste controlador em malha fechada com o processo
representado por (49) pode ser observada na Figura 11, onde tambm est representada a
resposta ao degrau do modelo de referncia (tracejado).
Resposta com controlador inicial
120
y(t)
yd(t)
100
80
60
40
20
10
20
30
40
50
60
Amostras
Figura 11 Resposta ao degrau utilizando o controlador inicial.
Cada experimento ser composto por 20 iteraes do mtodo, que ser aplicado
conforme descrito na seo 3.2. O resultado do experimento mostrado atravs da
evoluo do custo
a cada iterao e o controlador obtido analisado em funo do
custo
, da resposta ao degrau de
,
,
e do mapa de plos e zeros de
,
.
O rudo utilizado em cada iterao diferente e gerado aleatoriamente atravs da
ferramenta de simulao.
46
4.3.1 Simulao IFT I
Esta simulao foi gerada a partir de um sinal de referncia composto por um degrau de
0 a 100C. Foram utilizadas 160 amostras por iterao, sendo 80 em cada um dos dois
experimentos requeridos pelo mtodo. O vetor de parmetros
e a raiz quadrada de
so dados por:
1,6653
0,1831 e
1,7228
1,0465 .
, ilustrada a seguir pela Figura 12, refere-se ao custo obtido no
A evoluo do custo
primeiro experimento de cada iterao.
Evoluo do custo
140
120
100
J()
80
60
40
20
10
12
14
16
18
20
Iterao
Figura 12 Evoluo do custo na Simulao IFT I.
,
e o mapa de
,
plos e zeros de
,
podem ser conferidos a seguir na Figura 13. Tanto os
resultados da Figura 13 como a evoluo do custo
e o custo
contribuem
para concluir que o vetor de parmetros convergiu estocasticamente para . No caso do
IFT no esperada uma convergncia para
visto que este o vetor de parmetros tal
igual a zero. Neste caso o critrio de desempenho tambm considera o
que o custo
que influencia o resultado final.
custo
47

,
(slida) e de
,
(slida) e de
,
,
- Simulao IFT
,
I.
4.3.2 Simulao IFT II

Esta simulao foi gerada a partir de um sinal de referncia composto por um perodo
de onda quadrada com excurso de 0 a 100C. Foram utilizadas 160 amostras por iterao,
sendo 80 em cada um dos dois experimentos requeridos pelo mtodo. O vetor de
so dados por:
parmetros
1,6372
0,1845 e
1,6677
1,0024 .
, ilustrada a seguir pela Figura 14, refere-se ao custo obtido no
A evoluo do custo
primeiro experimento de cada iterao.
,
,
podem ser conferidos a seguir na Figura 15.
plos e zeros de
,
Valem as mesmas observaes feitas na Simulao IFT I.
e o mapa de
48
Evoluo do custo
250
200
J()
150
100
50
10
12
14
16
18
20
Iterao
Figura 14 Evoluo do custo na Simulao IFT II.

,
(slida) e de
,
(slida) e de
,
,
- Simulao IFT
,
II.
4.4 SIMULAES UTILIZANDO ICBT

Os resultados do ICbT so demonstrados a seguir atravs de quatro simulaes. Os
sinais de referncia, o rudo utilizado e o controlador inicial so os mesmos descritos na
seo 4.3.
Cada experimento ser composto por 20 iteraes do mtodo que ser aplicado
conforme descrito na seo 3.3. O resultado do experimento mostrado atravs da
e o controlador obtido analisado em funo do custo
, da
evoluo de
resposta ao degrau de
,
,
e do mapa de plos
e zeros de
,
.
49
4.4.1 Simulao ICbT I
Este ensaio simulado foi gerado a partir de um sinal de referncia composto por um
degrau de 0 a 100C e 160 amostras por iterao. A varivel instrumental foi definida
conforme (46) e a matriz
conforme descrito por (37). O vetor de parmetros
ea
raiz quadrada de
so dados por:
1,6243
0,1844 e
1,6745
0,9989 .
a cada iterao ilustrada a seguir pela Figura 16.
A evoluo do custo
Diferentemente das simulaes envolvendo o IFT, no ICbT o custo
calculado com
todas as amostras de cada iterao. Justificando assim as diferenas nos valores iniciais de
.
Evoluo do custo
70
60
50
J()
40
30
20
10
10
12
14
16
18
20
Iterao
Figura 16 Evoluo do custo na Simulao ICbT I.
,
esto a seguir na Figura 17.
plos e zeros de
,
e o mapa de
Tanto os resultados da Figura 17 como a evoluo do custo

e o custo
contribuem para concluir que o vetor de parmetros convergiu estocasticamente para
50

,
(slida) e de
,
(slida) e de
,
,
- Simulao
,
ICbT I.
4.4.2 Simulao ICbT II

perodo de onda quadrada com excurso de 0 a 100C e 160 amostras por iterao. A
varivel instrumental foi definida conforme (46) e a matriz
conforme descrito por (37).
O vetor de parmetros
so dados por:
1,6414
0,1832 e
1,6088
1,0251 .
A evoluo do custo
,
,
plos e zeros de
,
e o mapa de
Tanto a evoluo do custo

, como o custo
e todos os diagramas Figura
19 contribuem para concluir que houve convergncia estocstica para uma vizinhana muito
prxima do controlador ideal. Diferenas sutis so visveis no diagrama de Bode e na
resposta ao degrau. Estas diferenas so devidas ao no cancelamento do plo rpido, que
pode ser observado no mapa de plos e zeros.
51
Evoluo do custo
140
120
100
J()
80
60
40
20
10
12
14
16
18
20
Iterao
Figura 18 Evoluo do custo na Simulao ICbT II.

,
(slida) e de
,
(slida) e de
,
,
- Simulao
,
ICbT II.
4.4.3 Simulao ICbT III

degrau de amplitude 100C e 160 amostras por iterao. A varivel instrumental foi
determinada conforme (45) e a matriz
foi definida como a matriz identidade. O vetor de
parmetros
so dados por:
1,0258
0,1664 e
0,7755
6,2830 .
52
A evoluo do custo

Evoluo do custo
70
60
50
J()
40
30
20
10
10
12
14
16
18
20
Iterao
Figura 20 Evoluo do custo na Simulao ICbT III.
Conforme (KARIMI; MISKOVIC; BONVIN, 2003), a varivel instrumental utilizada nesta

simulao pode implicar em uma convergncia muito lenta para o mnimo da funo.
Paralelamente, o passo de evoluo de descrito na seo 2.8 tende rapidamente a zero
quando h rudo e a convergncia muito lenta, pois este cenrio contribui para que
ocorram oscilaes nos valores dos custos obtidos ao longo das iteraes. Justifica-se
assim a evoluo do custo mostrada na Figura 20.
,
,
plos e zeros de
,
e o mapa de

,
(slida) e de
,
(slida) e de
,
,
- Simulao
,
ICbT III.
notria a diferena entre o controlador obtido e o controlador ideal. Contudo este um

mtodo de baixssimo custo computacional e, aps 20 iteraes, conseguiu reduzir o custo
do experimento 6 vezes, como pode ser observado na Figura 20.
53
Mais iteraes seriam necessrias para uma convergncia estocstica para
.
Contudo a varivel , utilizada para a determinao do passo de evoluo de
tende
rapidamente a zero neste cenrio. Para demonstrar a tendncia da evoluo do custo esta
mesma simulao foi refeita com 500 iteraes e com a varivel saturando em um limite
inferior igual a 0,001. A evoluo do custo nesta simulao mostrada a seguir pela Figura
.
22. Observa-se claramente que h uma tendncia na direo de
Tendncia da evoluo do custo
70
60
50
J()
40
30
20
10
50
100
150
200
250
300
350
400
450
500
Iterao
Figura 22 Tendncia da evoluo do custo na Simulao ICbT III.
4.4.4 Simulao ICbT IV

perodo de onda quadrada de excurso de 0 a 100C e 40 amostras por iterao. A varivel
foi definida como a matriz
instrumental foi determinada conforme (45) e a matriz
so dados por:
identidade. O vetor de parmetros
1,0427
0,1493 e
0,7210
6,7932 .
A evoluo do custo
54
Evoluo do custo
140
120
100
J()
80
60
40
20
10
12
14
16
18
20
Iterao
Figura 23 Evoluo do custo na Simulao ICbT IV.
,
,
plos e zeros de
,
e o mapa de
Valem os mesmos comentrios da Simulao ICbT III.

,
(slida) e de
,
,
(slida) e de
,
,
- Simulao
ICbT IV.
4.5 AVALIAO DOS RESULTADOS

A Hiptese I foi atendida em todas as simulaes realizadas. Portanto a identificao do
possvel. Sua identificao depende unicamente do tipo de sinal de
vetor de parmetros
excitao e, no caso dos mtodos iterativos, tambm do controlador inicial , do nmero de
iteraes e do passo de evoluo de . Com base nos resultados obtidos atravs do VRFT
verificou-se que as condies em que as simulaes foram realizadas foram suficientes para
a identificao de um controlador prximo de . No caso do IFT as condies em que as
simulaes foram realizadas foram suficientes para que houvesse uma convergncia
55
estocstica para . No caso do ICbT, a Simulao ICbT I e a Simulao ICbT II foram tais
que houve convergncia estocstica para . Enquanto que no caso da Simulao ICbT III e
da Simulao ICbT IV as condies sob as quais os ensaios foram simulados no foram
suficientes para a mesma convergncia pois o algoritmo utilizado foi tal que tornou a
convergncia muito lenta, como pode ser observado na Figura 22.
Como todas as simulaes com VRFT, com IFT, a Simulao ICbT I e a Simulao
foi muito
ICbT II resultaram em um vetor de parmetros tal o custo obtido em
prximo de
. Portanto faria pouco sentido enumer-los de acordo com o
resultado obtido. Uma comparao criteriosa dos trs mtodos apresentada a seguir no
captulo 5.
A seguir os resultados obtidos atravs das simulaes so avaliados de forma
individual.
4.5.1 Resultados obtidos com VRFT

Os dois controladores obtidos atravs do VRFT geraram resposta ao degrau de
, ,
diagrama de Bode de
,
e mapa de plos e zeros de
,
prximos queles
obtidos com os respectivos controladores ideais.
No que tange ao tipo de sinal de excitao utilizado, a simulao excitada por um
ligeiramente maior do que o custo obtido na simulao
degrau gerou um custo
que utilizou um perodo de onda quadrada. Obter resultados satisfatrios atravs de ensaios
cujo sinal de excitao um simples degrau de interesse, conforme justificado na seo
3.4. Embora um resultado satisfatrio obtido atravs da aplicao de um degrau seja
aparentemente controverso, este resultado plausvel e justificvel conforme segue.
Considere o controlador PID descrito por (19). Neste contexto o processo de
identificao do controlador ideal consiste em determinar os zeros e do controlador a fim
de cancelar os plos do processo e determinar o valor de
tal que a funo de
transferncia em lao fechado fique igual ao modelo de referncia. Neste caso, identificar os
zeros e equivale a identificar os plos do processo.
No que diz respeito identificao de sistemas, caractersticas dinmicas e estticas
que no forem excitadas no aparecero nos dados. O que no estiver nos dados no pode
ser identificado (Aguirre, 2004).
O processo trmico simulado possui dois plos, onde o plo dominante cinco vezes
mais lento que o plo rpido. A simulao que utilizou um degrau como sinal de excitao
resultou em um controlador capaz de colocar um zero muito prximo do plo dominante,
praticamente cancelando seu efeito. Isso significa que este sinal de excitao gerou
condies suficientes para a identificao da dinmica do plo dominante. O outro zero do
controlador ficou prximo do plo rpido, no entanto o cancelamento no se deu da mesma
forma como no caso do plo dominante.
No caso da simulao que utilizou um perodo de onda quadrada como sinal de
excitao, o aumento da potncia nas componentes de frequncia mais alta potencializou a
56
identificao da dinmica do plo rpido. Neste caso o controlador resultante foi capaz de
colocar um zero mais prximo do plo rpido do que no caso onde o sinal de excitao foi
um degrau.
A relao entre o sinal de excitao e a identificao dos plos pode ser observada
graficamente na Simulao VRFT I e na Simulao VRFT II.
da Simulao VRFT I fosse
Outro fator que contribuiu para que o custo
prximo do custo
da Simulao VRFT II que o este custo foi determinado a
partir da resposta de
,
a um degrau, onde as frequncias mais altas foram menos
exploradas. Neste contexto, imperfeies no cancelamento do plo dominante contribuem
para o aumento de
de forma mais intensa do que imperfeies no cancelamento
do plo rpido.
Alm disso, a forma como o VRFT foi implementado utiliza varivel instrumental gerada
a partir da simulao do processo. Neste caso o sinal de excitao que melhor servir para
em dois momentos: na
identificar o processo contribuir para a reduo de
determinao da varivel instrumental e na identificao dos zeros do controlador.
4.5.2 Resultados obtidos com IFT

Todas as simulaes geraram condies suficientes para que o custo convergisse para
um valor prximo da varincia do rudo
. O melhor resultado alcanvel seria
(BAZANELLA, 2008):
0e
,
onde
o vetor de parmetros que minimiza o custo
. Como
ento
ser sempre maior ou igual a . Portanto quando
converge para um valor
tem-se um indicador de que houve convergncia estocstica para o mnimo
prximo de
global. Exatamente como ocorreu na Simulao IFT I e na Simulao IFT II.
4.5.3 Resultados obtidos com ICbT

. Embora
Na Simulao ICbT I houve uma convergncia para um custo inferior a
aparentemente controverso, este resultado justificvel. Conforme descrito na subseo
2.7.3, o ICbT minimiza somente o custo
. No entanto est se considerando para fins de
comparao o custo
, que composto pela soma de
e
. Como a convergncia
ocorre para a vizinhana de , nesta vizinhana pode haver um que tambm minimize
, justificando assim um custo menor que
.
No caso da Simulao ICbT II, as 20 iteraes foram suficientes para que o custo
convergisse para a vizinhana do mnimo global.
57
A Simulao ICbT III e a Simulao ICbT IV foram geradas a fim de demonstrar uma
alternativa de implementao de baixo custo computacional. Esta alternativa pode gerar
uma convergncia muito lenta (KARIMI; MISKOVIC; BONVIN, 2003), que foi confirmada
nestas simulaes.
58
5 RESULTADOS EXPERIMENTAIS
O objetivo deste captulo o de verificar a qualidade dos resultados obtidos atravs da
aplicao dos mtodos em um processo prtico, onde a Hiptese I violada
moderadamente. Esta violao ocorre pelo simples fato do processo ser amostrado, devido
ao erro de quantizao do conversor A/D utilizado. Alm disso, a funo de transferncia do
processo utilizado pode ser aproximada pela classe de processos representada por (17).
Esta aproximao tambm pode contribuir para a violao moderada da Hiptese I.
5.1 PROCESSO
Os resultados prticos foram obtidos em um processo trmico construdo para fins
didticos. Este processo trmico composto basicamente por um resistor, atravs do qual o
calor inserido no processo, e um ventilador que potencializa a perda de calor para o
ambiente. Seu arranjo pode ser observado a seguir na Figura 25.
Figura 25 Processo trmico utilizado nos ensaios.
Este processo est sendo controlado por um controlador PID universal modelo N1200
(NOVUS PRODUTOS ELETRNICOS, 2009) que amostra a temperatura atravs de um
sensor tipo pt100. O resistor ligado atravs de um rel de estado slido acionado por um
PWM cujo perodo de 0,5 segundos. A Figura 26 mostra o controlador juntamente com o
processo.
59
Figura 26 Conjunto controlador e processo.
A temperatura indicada em C na escada do sensor utilizado que, neste controlador,

de -200 a 850C, enquanto que a sada do controlador indicada em porcentagem da
potncia do atuador, ou seja, de 0 a 100%. Este controlador possui um filtro rejeita faixa
para 60 Hz e um filtro passa baixa parametrizvel que foi ajustado de forma a atenuar
somente o rudo sobre a sada do processo
.
Os parmetros deste PID esto no formato de banda proporcional (%), taxa integral
(repeties/min) e tempo derivativo (s), respectivamente, Pb, Ir e Td. As converses do
domnio
,
e
para Pb, Ir e Td so dadas por:
100
60
(52)
onde
onde e so, respectivamente, o intervalo de entrada e sada do processo.

O controle PID realizado pelo controlador N1200. J os algoritmos dos mtodos de
ajuste foram implementados em um PC em linguagem C. Os dados de entrada e sada do
processo necessrios para a aplicao dos algoritmos de ajuste so lidos do controlador
N1200 atravs de sua interface serial, utilizando o protocolo Modbus RTU escravo.
5.1.1 Determinao do perodo de amostragem

Aplicando o critrio proposto na seo 2.9 obteve-se uma constante de tempo
aproximada de 150 segundos, como pode ser observado na Figura 27. O perodo de
60
amostragem ser definido como 1/10 desta constante de tempo aproximada, ou seja, 15
segundos.
Determinaodoperododeamostragem
140
120
63,212%
100
80
60
40
y(t)(C)
u(t)(%)
150s
20
0
00:00
04:00
08:00
12:00
16:00
Tempo(mm:ss)
Figura 27 Determinao do perodo de amostragem atravs da resposta ao degrau.
A Figura 27 deixa claro que o atraso de transporte neste processo desprezvel em

relao constante de tempo do processo. Sendo assim o perodo de amostragem pode ser
determinado conforme proposto na seo 2.9.
Este perodo de amostragem adequado somente para amostrar este processo em
malha aberta. Em malha fechada somente ser adequado enquanto a dinmica do sistema
em malha fechada for suficientemente prxima da dinmica em malha aberta.
5.1.2 Validao da identificao do processo

Um ensaio foi realizado com o objetivo de validar a identificao do processo como
proposto na seo 2.10. O sinal de referncia utilizado foi um degrau com excurso de 5 a
50% da potncia do atuador cuja durao foi de 20 minutos. O perodo de amostragem foi
de 15 segundos conforme determinado na subseo 5.1.1.
Atravs desta identificao obteve-se a seguinte estimativa para a funo de
transferncia do processo.
0,3548
.
0,8165
0,0657
(53)
A Figura 28 mostra a curva real do processo (contnuo) e a curva obtida atravs de (53)
(tracejado). Observa-se claramente que
detm as principais caractersticas do
processo.
61
SadadoProcessoXSadaSimulada
160
120
y(t)(C)
u(t)(%)
80
(t)(C)
40
0
0:00
0:05
0:10
0:15
0:20
Tempo(hh:mm)
Figura 28 Comparao da sada do processo com a sada simulada.
5.2 ENSAIOS COM VRFT

A seguir so apresentados trs experimentos para demonstrar uma aplicao prtica do
mtodo VRFT sobre o processo descrito na seo 5.1.
O modelo de referncia ser um processo como aquele descrito por (21) tal que sua
constante de tempo seja 90 segundos. Com um perodo de amostragem de 15 segundos o
modelo de referncia ser dado por:
0,1535
.
0,8465
(54)
5.2.1 Ensaio VRFT I

A seguir so apresentados os resultados obtidos atravs de um experimento composto
unicamente pela aplicao de um degrau em
. Este sinal de excitao teve excurso de
5 a 50% da potncia do atuador, durao de 20 minutos e perodo de amostragem de 15
segundos. O sinal de excitao e a curva de reao do processo esto abaixo
representados pela Figura 29.
Neste experimento foram utilizadas 80 amostras da entrada
sada
do processo, totalizando 160 amostras.
e 80 amostras da
62
EnsaioVRFT I
160
120
y(t)(C)
u(t)(%)
80
40
0
0:00
0:05
0:10
0:15
0:20
Tempo(hh:mm)
Figura 29 Experimento utilizando degrau como sinal de excitao.
Ao aplicar o algoritmo do VRFT com os pontos da Figura 29 foi obtido o vetor de

parmetros descrito por:
0,715
0,086 ,
0,280
que, utilizando as relaes definidas em (52), pode ser reescrito como:
13,325 %
0,483 rep./min .
5,883 s
(55)
Estes parmetros so validados atravs de um ensaio padro, composto pela resposta

a dois perodos de onda quadrada em malha fechada. Neste ensaio a resposta do
controlador identificado confrontada com a resposta do modelo de referncia. O custo
gerado neste ensaio determinado para fins de comparao quantitativa.
O ensaio padro utilizando o vetor de parmetros definido em (55) e a sada
modelo de referncia definido por (54) podem ser observados a seguir na Figura 30.
O custo obtido no ensaio da Figura 30 dado a seguir por:
0,2857
do
63
Ensaiocomocontroladoridentificado
100
80
r(t)(C)
60
y(t)(C)
u(t)(%)
40
yd(t)(C)
20
0
0:00
0:20
0:40
1:00
1:20
Tempo(hh:mm)
Figura 30 Ensaio com o controlador obtido no Ensaio VRFT I.
5.2.2 Ensaio VRFT II

A seguir so apresentados os resultados obtidos atravs de um experimento composto
unicamente pela aplicao de um perodo de onda quadrada na entrada do processo. Este
sinal de excitao tem o perodo de 20 minutos, excurso de 5 a 50% da potncia do
atuador e perodo de amostragem de 15 segundos. O sinal de excitao e a curva de reao
do processo esto a seguir representados pela Figura 31.
sada
e 80 amostras da
Ao aplicar o VRFT sobre os pontos da Figura 31 utilizando o modelo de referncia

definido em (54) foi obtido o vetor de parmetros dado por:
0,6293
0,814 ,
0,4375
15,1 %
0,52 rep./min .
10,4 s
(56)
64
EnsaioVRFT II
160
120
y(t)(C)
u(t)(%)
80
40
0
0:00
0:05
0:10
0:15
0:20
Tempo(hh:mm)
Figura 31 Experimento utilizando onda quadrada como sinal de excitao.
O ensaio padro utilizando o vetor de parmetros definido em (56) mostrado a seguir

, cujo
na Figura 32, onde tambm observada a sada desejada representada por
comportamento definido por (54).
Ensaiocomcontroladoridentificado
100
80
r(t)(C)
60
y(t)(C)
u(t)(%)
40
yd(t)(C)
20
0
0:00
0:20
0:40
1:00
1:20
Tempo(hh:mm)
Figura 32 Ensaio com o controlador obtido no Ensaio VRFT II.

0,1821
5.2.3 Ensaio VRFT III

O experimento a seguir foi realizado em malha fechada. O controlador foi inicialmente
parametrizado com o seguinte vetor de parmetros:
65
1,000 %
0,000 rep./min ,
0,000 s
(57)
que caracteriza o controlador como puramente proporcional.

Este experimento utiliza a informao do transitrio da resposta a um degrau em malha
fechada. A fim de concentrar as amostras no transitrio da resposta ao degrau, o perodo de
amostragem foi reduzido para 1 segundo. A mudana do perodo de amostragem reflete no
modelo de referncia, que passa a ser dado por:
0,01105
.
0,98895
(58)
Dado o controlador inicial e o perodo de amostragem, o experimento a seguir consiste

na resposta a um degrau de 50C para 140C na referncia do sistema com durao de 2
minutos. O sinal de excitao e a curva de reao do processo esto a seguir representados
pela Figura 33.
EnsaioVRFT III
140
120
100
80
r(t)(C)
60
y(t)(C)
40
u(t)(%)
20
0
00:00
00:30
01:00
01:30
02:00
Tempo(mm:ss)
Figura 33 Experimento em malha fechada com degrau na referncia.

sada
e 120 amostras da
Ao aplicar o VRFT sobre os pontos da Figura 33 utilizando o modelo de referncia

definido em (58) foi obtido o vetor de parmetros dado por:
0,8744
0,0058 ,
3,5102
66
10,9 %
0,40 rep./min .
4,0 s
(59)
O ensaio padro utilizando o vetor de parmetros definido em (59) pode ser observado
, cujo
100
80
r(t)(C)
60
y(t)(C)
u(t)(%)
40
yd(t)(C)
20
0
0:00
0:20
0:40
1:00
1:20
Tempo(hh:mm)
Figura 34 Ensaio com o controlador obtido no Ensaio VRFT III.

0,3158
5.3 ENSAIOS COM IFT

Alguns processos podem no ser adequados para a utilizao do IFT visto que o
segundo experimento requer que a referncia do sistema seja igual referncia do primeiro
experimento menos a sada do primeiro experimento. Isso pode levar o processo a valores
de referncia prximos de zero ou mesmo negativos, quando o primeiro experimento gera
sobressalto. No caso de processos trmicos que operam somente com aquecimento, como
o da Figura 26, temperaturas prximas de zero ou mesmo negativas nem sempre so
praticveis. Neste caso um pequeno ajuste no mtodo torna-se necessrio. Como o sistema
em malha fechada possui um integrador, pode-se considerar que o sistema est operando
em zero acrescido de um offset. Neste caso pode-se somar este offset referncia do
segundo experimento e subtra-lo no momento de utilizar estes dados.
Tratando-se de um mtodo iterativo necessrio um vetor de parmetros inicial, que
ser dado por:
67
0,3763
0,2792 .
0,1308
(60)
O comportamento em malha fechada obtido aps configurar o controlador com

pode
ser observado na Figura 35, onde tambm observada a sada desejada representada por
, cujo comportamento definido por (54).
Ensaiocomocontroladorinicial
100
80
r(t)(C)
60
y(t)(C)
u(t)(%)
40
yd(t)(C)
20
0
0:00
0:20
0:40
1:00
1:20
Tempo(hh:mm)
Figura 35 Ensaio com o controlador inicial

3,7708
Conforme (STRM; WITTENMARK, 1997) o perodo de amostragem deve ser tal que
garanta entre 4 e 10 amostras dentro de uma constante de tempo aproximada. O perodo
definido na subseo 5.1.1 de 15 segundos, o que garante 4 amostras por constante de
tempo aproximada quando o sistema em malha fechada for igual ao modelo de referncia.
J que o sistema em malha fechada com o controlador inicial tem constante de tempo
aproximada maior do que o modelo de referncia, utilizar 15 segundos como perodo de
amostragem suficiente.
O passo de evoluo de determinado conforme descrito na seo 2.8 com valor
inicial de
0,1. Este valor foi determinado empiricamente por mostrar-se conveniente
tanto nos ensaios simulados como nos ensaios prticos, pois garante que a ordem de
ser prxima de 10% de
.
grandeza de
5.3.1 Ensaio IFT I

Este experimento foi realizado utilizando-se um degrau de 50 a 100C como sinal de
referncia com durao de 20 minutos e perodo de amostragem de 15 segundos.
68
A implementao se deu conforme descrito na seo 3.2, onde so utilizadas as sadas
do primeiro e do segundo experimento. A sada do primeiro experimento necessria para
calcular o erro em relao ao modelo de referncia. Este procedimento feito durante a
aquisio do primeiro experimento, portanto no h necessidade de se guardar a sada do
modelo de referncia. Sendo assim, so necessrias somente 40 amostras do erro em
relao ao modelo de referncia e 40 amostras com a sada do segundo experimento,
totalizando 80 amostras por iterao.
A evoluo do custo do primeiro experimento de cada iterao apresentada a seguir
pela Figura 36, onde se observa que houve convergncia estocstica para um custo
mnimo.
Evoluo do custo
8
7
6
J(
5
4
3
2
1
0
10
15
20
25
30
35
Iterao
Figura 36 Evoluo custo no Ensaio IFT I.
O menor custo foi obtido na iterao de nmero 29. O vetor de parmetros que gerou
este custo dado por:
0,752
0,080 ,
0,008
12,7 %
0,43 rep./min .
0,16 s
(61)
, cujo
69
100
80
r(t)(C)
60
y(t)(C)
u(t)(%)
40
yd(t)(C)
20
0
0:00
0:20
0:40
1:00
1:20
Tempo(hh:mm)
Figura 37 Ensaio com o controlador obtido no Ensaio IFT I.

0,2351
5.3.2 Ensaio IFT II

Este experimento foi realizado utilizando-se um perodo de onda quadrada de 50 a
100C como sinal de referncia com durao de 20 minutos e perodo de amostragem de 15
segundos. O nmero de amostras necessrias o mesmo do Ensaio IFT I.
A evoluo do custo do primeiro experimento de cada iterao mostrada a seguir na
Figura 38, onde se observa convergncia estocstica para um custo mnimo.
0,801
0,074 ,
0,262
11,9 %
0,37 rep./min .
4,90 s
(62)
, cujo
70
Evoluo do custo
25
20
J(
15
10
10
15
20
25
30
35
Iterao
Figura 38 Evoluo custo no Ensaio IFT II.
100
80
r(t)(C)
60
y(t)(C)
u(t)(%)
40
yd(t)(C)
20
0
0:00
0:20
0:40
1:00
1:20
Tempo(hh:mm)
Figura 39 Ensaio com o controlador obtido no Ensaio IFT II.

0,2368
5.4 ENSAIOS COM ICBT

O vetor de parmetros inicial e o passo de evoluo de
ensaios com IFT.
so os mesmos utilizados nos
71
5.4.1 Ensaio ICbT I
Este experimento determina a varivel instrumental conforme (46) e a matriz
conforme descrito por (37), o que implica na utilizao do processo identificado descrito por
(53).
Cada iterao composta pela resposta a um degrau de 50 a 100C com durao de
20 minutos e perodo de amostragem de 15 segundos. Esta implementao demandar
somente a amostragem da sada do processo, totalizando 80 amostras por iterao.
A evoluo do custo ao longo das iteraes mostrada a seguir na Figura 40.
Evoluo do custo
6
J()
10
15
20
25
30
35
Iterao
Figura 40 Evoluo custo no Ensaio ICbT I.
Observa-se na Figura 40 que houve convergncia estocstica para um mnimo, em

torno do qual o custo oscilou nas ltimas 20 iteraes.
0,688
0,078 ,
0,127
13,8 %
0,46 rep./min .
2,8 s
(63)
72
, cujo
100
80
r(t)(C)
60
y(t)(C)
u(t)(%)
40
yd(t)(C)
20
0
0:00
0:20
0:40
1:00
1:20
Tempo(hh:mm)
Figura 41 Ensaio com o controlador obtido no Ensaio ICbT I.

0,0965
5.4.2 Ensaio ICbT II

Este experimento foi realizado nos mesmos moldes do Ensaio ICbT I diferindo-se
somente pelo sinal de referncia que neste caso um perodo de onda quadrada com
durao de 20 minutos e excurso de 50 a 100C.
Esta implementao demandar somente a amostragem da sada do processo,
totalizando 80 amostras por iterao.
A evoluo do custo ao longo das iteraes mostrada a seguir na Figura 42 onde
observa-se que houve convergncia estocstica para um mnimo.
O menor custo foi obtido na sexta iterao. O vetor de parmetros que gerou este custo
dado por:
0,7381
0,0774 ,
0,6219
73
12,9 %
0,42 rep./min .
12,6 s
(64)
Evoluo do custo
18
16
14
12
J()
10
8
6
4
2
0
10
15
20
25
30
35
Iterao
Figura 42 Evoluo custo no Ensaio ICbT II.
, cujo
100
80
r(t)(C)
60
y(t)(C)
u(t)(%)
40
yd(t)(C)
20
0
0:00
0:20
0:40
1:00
1:20
Tempo(hh:mm)
Figura 43 Ensaio com o controlador obtido no Ensaio ICbT II.

0,1297
74
5.4.3 Ensaio ICbT III
A varivel instrumental utilizada neste experimento foi determinada conforme (45) e a
foi definida como a matriz identidade. Dessa forma no necessria a
matriz
utilizao do processo identificado descrito por (53).
Cada iterao composta pela resposta a um degrau de 50 a 100C com durao de
20 minutos e perodo de amostragem de 15 segundos. Esta implementao demandar
somente a amostragem da sada do processo, totalizando 80 amostras por iterao.
A evoluo do custo ao longo das iteraes mostrada a seguir na Figura 44 onde se
observa que no houve a mesma monotonicidade dos experimentos anteriores no que diz
respeito convergncia para o mnimo da funo custo. Este cenrio contribui para uma
reduo rpida do passo de evoluo do vetor de parmetros, descrito na seo 2.8. A partir
da iterao de nmero 20 a constante do passo de evoluo de
estava com o valor
0,0000977. Portanto, a partir da iterao 21 a constante teve seu valor reiniciado para
o valor inicial, ou seja,
0,1. Mesmo assim, na iterao de nmero 40 a constante j
estava com o valor
0,000781. O comportamento da constante ao longo das iteraes
mostrado a seguir na Figura 45.
Evoluo do custo
9
8
7
6
J()
5
4
3
2
1
0
10
15
20
25
30
35
40
Iterao
Figura 44 Evoluo custo no Ensaio ICbT III.
Observa-se na Figura 44 que a convergncia em direo ao mnimo foi muito lenta e

no foi observada convergncia estocstica para o mnimo da funo custo mesmo depois
de 40 iteraes. Para fins de comparao o vetor de parmetros que resultou no menor
custo obtido nas iteraes ser utilizado para a gerao do experimento padro.
75
Evoluo da constante para a determinao do passo de evoluo de
0.1
0.09
0.08
0.07
0.06
0.05
0.04
0.03
0.02
0.01
0
10
15
20
25
30
35
40
Iterao
Figura 45 Evoluo da constante
no Ensaio ICbT III.
0,4371
0,0726 ,
0,4583
21,8 %
0,66 rep./min .
15,7 s
(65)
, cujo
1,8515
76
100
80
r(t)(C)
60
y(t)(C)
u(t)(%)
40
yd(t)(C)
20
0
0:00
0:20
0:40
1:00
1:20
Tempo(hh:mm)
Figura 46 Ensaio com o controlador obtido no Ensaio ICbT III.
5.4.4 Ensaio ICbT IV

Este experimento foi realizado nos mesmos moldes do Ensaio ICbT III diferenciando-se
somente pelo sinal de referncia que neste caso um perodo de onda quadrada com
durao de 20 minutos e excurso de 50 a 100C.
A evoluo do custo ao longo das iteraes mostrada a seguir na Figura 47.
Evoluo do custo
50
45
40
35
J()
30
25
20
15
10
5
0
10
15
20
25
30
35
40
Iterao
Figura 47 Evoluo custo no Ensaio ICbT IV.
Observa-se na Figura 47 que nas primeiras iteraes houve oscilao no custo. Estas
oscilaes contriburam para uma reduo rpida do passo de evoluo do vetor de
parmetros, descrito na seo 2.8. O valor da constante
teve seu valor praticamente
77
anulado a partir da iterao de nmero 16. A partir da iterao 21 a constante teve seu
valor reiniciado para o valor
0,1. Mesmo assim, na iterao de nmero 40 a constante j
estava com o valor
0,000781. O comportamento da constante mostrado a seguir na
Figura 48.
0,4889
0,0676 ,
0,3966
que, utilizando as relaes definidas em (52) e saturando em zero o termo negativo, pode
ser reescrito como:
19,5 %
0,55 rep./min .
12,2 s
(66)
, cujo
Evoluo da constante para a determinao do passo de evoluo de
0.1
0.09
0.08
0.07
0.06
0.05
0.04
0.03
0.02
0.01
0
10
15
20
25
30
35
Iterao
Figura 48 Evoluo da constante
no Ensaio ICbT IV.

1,7831
40
78
100
80
r(t)(C)
60
y(t)(C)
40
u(t)(%)
yd(t)(C)
20
0
0:00
0:20
0:40
1:00
1:20
Tempo(hh:mm)
Figura 49 Ensaio com o controlador obtido no Ensaio ICbT IV.
5.5 EXEMPLO DE CONTROLE BASEADO EM MODELO DO PROCESSO

A seguir ser determinado analiticamente um controlador com base no processo
identificado descrito por (53). O vetor de parmetros obtido dado a seguir por:
0,855
0,500 ,
0,258
que, utilizando as relaes definidas em (52) pode ser reescrito como:
11,1 %
0,58 rep./min .
18,1 s
(67)
, cujo
1,9215
Este estudo no tem o objetivo de traar comparativos entre os resultados de mtodos

de ajuste baseado em dados e mtodos de ajuste baseado em modelo. Este exemplo foi
gerado a fim de justificar que os mtodo como o VRFT e ICbT, que utilizam a identificao
do processo para a gerao de varivel instrumental, possuem menor dependncia da
qualidade do modelo utilizado e da identificao do processo propriamente dita. Uma
evidncia disso so os resultados obtidos atravs destes mtodos.
79
Ensaiocomocontroladorbaseadoemmodelo
100
80
r(t)(C)
60
y(t)(C)
u(t)(%)
40
yd(t)(C)
20
0
0:00
0:20
0:40
1:00
1:20
Tempo(hh:mm)
Figura 50 Ensaio com o controlador obtido atravs do controlador baseado em modelo do processo.
5.6 AVALIAO DOS RESULTADOS

O objetivo desta seo estabelecer uma comparao entre os mtodos e definir uma
relao custo benefcio. Contudo, as comparaes entre estes mtodos no podem ser
feitas de forma direta. Isto porque tratam-se de mtodos com propsitos e implementaes
diferentes. Em alguns experimentos nem mesmo o nmero de amostras utilizado pde ser
mantido dentro de um padro vide subseo 5.2.3 para mais detalhes.
No entanto, ainda possvel traar alguns comparativos em funo do custo
obtido
no ensaio padro descrito na subseo 5.2.1 e o nmero de amostras utilizado, cujos
valores so mostrados a seguir na Tabela 1. Nesta tabela h uma sntese dos resultados
obtidos em cada experimento, onde aparece o custo obtido no experimento padro, o
nmero de amostras, a quantidade de iteraes em cada experimento e o tamanho de cada
amostra. Este ltimo refere-se a quantas variveis so adquiridas a cada perodo de
amostragem. Na ltima coluna da Tabela 1 est o produto do nmero total de amostras pelo
custo obtido no ensaio padro.
Visto que a relao sinal de excitao/rudo grande, ento a influncia que a
ter sobre o vetor de parmetros final ser pequena. Sendo assim,
minimizao de
ser considerado que neste caso o critrio de desempenho minimizado pelo IFT aproximase de
o suficiente para que os resultados obtidos atravs deste mtodo possam ser
comparados com aqueles obtidos atravs do VRFT e ICbT.
atingiu o menor custo
O Ensaio ICbT I resultou em um controlador tal que o custo
entre os experimentos. Este mtodo nunca resultar em um custo menor do que a varincia
do rudo (BAZANELLA, 2008). Sendo assim pode-se concluir que o rudo presente neste
processo tem varincia menor ou igual ao custo obtido no Ensaio ICbT I.
80
Se o custo do ensaio padro for utilizado como critrio de avaliao entre os resultados
pode-se dizer que o ICbT gerou o melhor resultado atravs do Ensaio ICbT I.
Tabela 1 Resumos dos Resultados Obtidos nos Experimentos Prticos.
Experimento
Custo obtido no
ensaio padro
Amostras
(N)
Iteraes
(i)
Tamanho da
amostra (n)
VRFT I
0,2857
80
45,71
VRFT II
0,1821
80
29,14
VRFT III
0,3158
120
75,79
IFT I
0,2351
80
33
620,66
IFT II
0,2368
80
33
625,15
ICbT I
0,0965
80
33
254,76
ICbT II
0,1297
80
33
342,41
ICbT III
1,8515
80
40
5924,8
ICbT IV
1,7831
80
40
5705,92
Contudo, se forem somadas todas as amostras de todas as iteraes do Ensaio ICbT I,

verifica-se que o nmero de amostras foi consideravelmente maior do que aqueles utilizados
nos experimentos com VRFT. Outro critrio de avaliao pode considerar que a eficincia
do resultado deve estar vinculada ao custo obtido e ao nmero de amostras necessrias.
Neste caso o mtodo mais eficiente dever gerar o menor custo com o menor nmero de
amostras. Observa-se que este critrio inversamente proporcional ao custo e ao nmero
de amostras. Pode-se, portanto, determinar um indicador composto pelo produto do custo
pelo nmero total de amostras onde o menor resultado aponta para a melhor eficincia. Sob
este critrio o VRFT gerou o melhor resultado atravs do Ensaio VRFT II, como pode ser
observado na ltima coluna da Tabela 1. Pode parecer que a comparao no justa por
estar-se utilizando todas as iteraes dos ensaios com os mtodos iterativos. Entretanto
est claro que os mtodos iterativos somente gerariam indicadores (ltima coluna da Tabela
1) da mesma ordem de grandeza daqueles obtidos com o VRFT se a convergncia
estocstica fosse observada na iterao de nmero 4.
Outro critrio de interesse para avaliar um mtodo de ajuste a quantidade de distrbio
que este insere no processo. Neste quesito tanto o VRFT como o ICbT tm vantagem, visto
que podem utilizar a prpria operao do processo como experimento para a aplicao de
seus algoritmos. J o IFT, que embora possa utilizar sinais caractersticos da operao do
processo no primeiro experimento, impe ao processo uma perturbao no segundo
experimento que dificilmente poder ser enquadrada como sinal de operao. Seguindo
81
este critrio o VRFT gerou o melhor resultado com menos amostras atravs do Ensaio
VRFT II.
82
6 CUSTO COMPUTACIONAL
O objetivo deste captulo o de estimar a quantidade de recursos computacionais
necessrios para a implementao e execuo dos algoritmos dos mtodos de ajuste
estudados neste trabalho. Alm dos recursos computacionais pretende-se tambm estimar o
tempo necessrio para a execuo destes algoritmos.
A quantidade de memria de dados necessria exclusivamente para a alocao dos
dados do algoritmo sempre ser a mesma, independente do tipo de processador utilizado.
J no caso da quantidade de memria de programa e do tempo de execuo, esta
dependncia forte. Vrios fatores implicam na quantidade de memria de programa
necessria como, por exemplo, o compilador utilizado e o nvel de otimizao selecionado.
J o tempo de execuo, embora dependa fortemente do processador utilizado, pode ser
estimado em funo da quantidade de operaes matemticas envolvidas. Como a parcela
mais significativa do processamento destes algoritmos devida a operaes matemticas,
seu tempo de execuo pode ser avaliado pelo tempo necessrio para executar todas as
respectivas operaes matemticas.
A seguir o custo computacional de cada um dos algoritmos ser determinado em funo
da quantidade de memria de dados e nmero de operaes matemticas. Em seguida, a
quantidade de memria de programa e o tempo de execuo sero determinados atravs de
um estudo de caso utilizando um processador de baixo custo.
6.1 DETERMINAO DA MEMRIA DE DADOS E QUANTIDADE DE OPERAES MATEMTICAS

Este trabalho no tem a pretenso de afirmar que as implementaes dos mtodos
foram feitas da forma mais otimizada possvel. Portanto os valores a seguir apresentados
so somente uma estimativa da quantidade de operaes matemticas demandada pelos
mtodos de ajuste estudados.
Os algoritmos utilizados nos ensaios foram implementados em linguagem C e o seu
custo computacional foi medido em nmero de operaes matemticas e quantidade de
memria de dados necessria. Por enquanto est-se abstraindo o formato numrico, que
ser explorado mais adiante atravs de um estudo de caso.
Alguns mtodos necessitam identificar o processo a fim de determinar variveis
instrumentais. Esta identificao no necessita ser feita a cada iterao sendo, portanto,
tratada isoladamente. Seu custo computacional descrito a seguir na Tabela 2. Na Tabela 3
apresentado o custo do mtodo VRFT. Tanto no caso da Tabela 2 como no da Tabela 3
est sendo considerado que o algoritmo aplicado aps a aquisio de todos os dados
necessrios. Alternativamente, a aplicao do algoritmo pode ser feita medida que os
dados so coletados. Neste caso bastaria manter um histrico de 2 amostras para a entrada
e de 3 para a sada. Seriam necessrias somente 22 posies de memria para a
identificao e 37 para o VRFT. O nmero de operaes matemticas por aquisio seria
determinado pelas parcelas do algoritmo cujo nmero de operaes matemticas est
multiplicando N, considerando N=1. As parcelas independentes do nmero de amostras so
83
sempre executadas aps processar todos os dados amostrados, independente do algoritmo
ter sido executado medida que os dados so coletados ou no.
Tabela 2 Custo computacional da Identificao do processo.
Identificao do
processo
Algoritmo
17
Memria
71
6
Operaes matemticas
12
18
89
Total
18
Tabela 3 Custo computacional do Algoritmo do VRFT.
Algoritmo
VRFT
32
Memria
12
18
71
Operaes matemticas
18
Total
89
43
84
O custo computacional de uma iterao do mtodo IFT mostrado a seguir na Tabela
4. Observa-se que nesta implementao o nmero total de amostras dividido entre os dois
experimentos requeridos pelo mtodo. Trabalha-se, portanto, com vetores do tamanho /2.
Tabela 4 Custo computacional do Algoritmo do IFT.
Algoritmo
IFT
34
Memria requerida
6 /2
23 /2
6 /2
77
12 /2
15
2 /2
,
Operaes matemticas por iterao
/2
21
Total
122
49 2
O Ensaio ICbT I e o Ensaio ICbT II utilizaram a implementao do ICbT conforme (46) e

conforme descrito por (37). O custo computacional de uma iterao desta
a matriz
implementao apresentado a seguir na Tabela 5.
J o Ensaio ICbT III e o Ensaio ICbT IV utilizaram uma verso simplificada do algoritmo,
definida como a matriz identidade. Esta verso
determinada conforme (45) com matriz
do ICbT ser referida apenas por ICbT simples, cujo custo computacional de uma iterao
mostrado a seguir na Tabela 6.
No caso da Tabela 5 e da Tabela 6 est sendo considerado que o algoritmo aplicado
aps a aquisio de todos os dados necessrios. Alternativamente, a aplicao do algoritmo
pode ser feita medida que os dados so coletados. Neste caso seriam necessrias
somente 72 posies de memria para o algoritmo da Tabela 5 e 11 posies de memria
para o da Tabela 6. O nmero de operaes matemticas por aquisio seria determinado
pelas parcelas do algoritmo cujo nmero de operaes matemticas est multiplicando N,
considerando N=1. As parcelas independentes do nmero de amostras so sempre
executadas aps processar todos os dados amostrados, independente do algoritmo ter sido
executado medida que os dados so coletados ou no.
85
Tabela 5 Custo computacional do Algoritmo do ICbT-DO.
Algoritmo
ICbT-DO
72
Memria requerida
31
88
44
15
,
,
21
135
Total
84
Tabela 6 Custo computacional do Algoritmo do ICbT simples.
ICbT
Algoritmo
(simples)
11
Memria requerida
15
6
Total
24
14
86
6.2 DETERMINAO DA MEMRIA DE PROGRAMA E ESTIMATIVA DO TEMPO DE EXECUO

Tanto o tempo de execuo como a quantidade de memria de programa necessria
para a implementao de qualquer um dos algoritmos descritos na seo 6.1 depender do
tipo de microcontrolador utilizado. Sendo assim, sua estimativa se dar atravs de um
estudo de caso.
Uma vez escolhido um microcontrolador, a quantidade de memria de programa
determinada compilando os algoritmos utilizados para este microcontrolador.
Considere que as operaes matemticas utilizadas na implementao dos mtodos de
ajuste so todas realizadas utilizando ponto flutuante de preciso simples. Neste caso o
tempo de execuo dos algoritmos composto principalmente pela execuo das
operaes matemticas. Sendo assim, uma aproximao razovel pode ser obtida atravs
do tempo que este microcontrolador leva para executar somente as operaes matemticas
envolvidas. Neste caso basta especificar quantas operaes matemticas sero executadas
em cada algoritmo. Informao que pode ser obtida na seo 6.1 especificando-se apenas o
nmero de amostras e, no caso dos mtodos iterativos, tambm o nmero de iteraes.
Para este estudo de caso foi escolhida a famlia de microcontroladores de baixo custo e
alto desempenho PIC24H (MICROCHIP, 2005). Todos os microcontroladores desta famlia
podem operar na mesma velocidade, portanto no ser elegido um microcontrolador
especfico.
Considere uma aplicao dos mtodos sobre um processo qualquer onde N = 80 e os
mtodos iterativos utilizam 33 iteraes. A quantidade de memria de dados e o nmero de
operaes matemticas necessrias esto a seguir na Tabela 7.
Tabela 7 Memria de dados e operaes matemticas (N=80; 33 iteraes).
Identificao
VRFT
IFT
ICbT-DO
ICbT
(simples)
Algoritmo do mtodo
(por iterao)
Identificao e todas as
iteraes
Memria
Operaes
matemticas
Memria
Operaes
matemticas
Memria
Operaes
matemticas
22
1529
37
3529
59
117986
54
2082
54
68706
22
1529
72
6855
94
227744
11
1144
11
37752
O tempo de execuo de cada uma das operaes matemticas em um

microcontrolador da famlia PIC24H, quando utilizada a respectiva biblioteca matemtica,
medido em nmero de ciclos (gerando dependncia da velocidade de operao) conforme a
87
Tabela 8 (MICROCHIP, 2005). Observa-se, contudo, que o nmero de ciclos diferente
para cada uma das operaes matemticas apresentadas. Isso implica em determinar a
quantidade de operaes matemticas para cada um dos algoritmos discriminando o tipo de
operao matemtica. Estas quantidades esto listadas a seguir na Tabela 9, onde o
nmero de operaes refere-se a uma iterao do mtodo.
Tabela 8 Nmero de ciclos necessrios para executar operaes matemticas em ponto flutuante nos
processadores da famlia PIC24H.
Operao
Ciclos
Adio
122
Subtrao
124
Multiplicao
109
Diviso
361
Raiz quadrada
492
Tabela 9 Nmero de operaes matemticas discriminadas em tipo de operao.
Identificao
VRFT
IFT
ICbT-DO
ICbT
(simples)
Adies
17
17
14
20
12 /2
24
15
Subtraes
11
11
10
17
13 /2
17
27
Multiplicaes
60
60
17
71
21 /2
77
42
10
13
3 /2
16
Divises
Raiz quadrada
Combinando as informaes da Tabela 8 e da Tabela 9 pode-se determinar o nmero

total de ciclos necessrios para executar todas as operaes matemticas dos algoritmos.
Seus valores so apresentados a seguir na Tabela 10.
A velocidade de processamento de um microcontrolador medida em milhes de
instrues por segundo (MIPS). Ser considerado neste exemplo que o processador estar
configurado para operar a 20 MIPS2. A ltima coluna da Tabela 10 apresenta o tempo
2
Nesta famlia de microcontroladores praticamente todas as instrues so executadas em um nico

ciclo, portanto a informao MIPS equivale a milhes de ciclos por segundo.
88
necessrio para a execuo das operaes matemticas necessrias ao tratamento de cada
uma das amostras medida que estas so adquiridas. A coluna Tempo de execuo total
refere-se estimativa do tempo de execuo de todas as operaes matemticas do
algoritmo durante uma iterao. Este tempo composto pelo somatrio da estimativa do
tempo necessrio para o tratamento de cada amostra acrescido da estimativa do tempo
necessrio para as demais etapas do algoritmo.
A quantidade de memria de programa necessria para a implementao de cada um
dos algoritmos tambm apresentada na Tabela 10. Estas quantidades foram determinadas
atravs da compilao individual dos cdigos em linguagem C de cada um dos algoritmos.
O ambiente utilizado foi o MPLAB verso 8.30 (MICROCHIP, 2009a) e o compilador MPLAB
C30 (MICROCHIP, 2009b) sem nenhum tipo de otimizao habilitada.
Tabela 10 Nmero de ciclos e tempo de execuo e memria de programa dos algoritmos utilizados.
Memria de
programa3
Ciclos
Tempo de
execuo total
@ 20 MIPS (ms)
Tempo de
execuo/amostra
@ 20 MIPS (s)
Identificao
4917
177299
8,86
104,4
VRFT
6093
452179
22,61
276,2
IFT
7911
146432
7,32
161,2
ICbT-DO
10395
800177
40,01
487,8
4539
134448
6,72
81,15
ICbT
(simples)
Atravs dos dados da Tabela 7 e da Tabela 10 observa-se que a quantidade de

memria de dados e o tempo de execuo dos algoritmos so compatveis com o mais
simples microcontrolador da famlia PIC24H. Entretanto, no quesito memria de programa, o
espao de cdigo requerido pelos mtodos somente seria compatvel com o
microcontrolador mais simples da famlia PIC24H se o microcontrolador fosse utilizado
exclusivamente para a execuo dos algoritmos. Fato que no acontece quando se trata de
um controlador PID industrial.
Ainda de acordo com os dados da Tabela 10, o tempo de execuo estimado para os
algoritmos utilizados neste estudo de caso da ordem de poucos milissegundos.
Considerando processos industriais cujas constantes de tempo so da ordem de segundos,
minutos ou at mesmo horas, este tempo de execuo insignificante.
Alm da memria de programa necessria para o respectivo algoritmo, neste espao tambm
constam os recursos da biblioteca de funes matemticas necessrios para a execuo das
operaes matemticas requeridas pelos algoritmos. Todas as funes desta biblioteca ocupariam
5250 bytes (MICROCHIP, 2005).
89
7 CONCLUSES
Se houver conhecimento suficiente sobre o processo, sob a forma de uma classe de
funes de transferncia qual o processo pertence, ento o modelo de referncia poder
ser escolhido adequadamente, de forma a minimizar a violao da Hiptese I. Neste caso os
mtodos VRFT, IFT e ICbT esto aptos a serem utilizados como alternativa para o ajuste de
controladores PID. Isso pode ser constatado nos resultados prticos do captulo 5, onde
todos os mtodos mostraram-se robustos a uma violao moderada da Hiptese I.
Os trs mtodos estudados neste trabalho possuem propsitos diferentes. O VRFT
com apenas um conjunto de dados de entrada e sada do processo. Este
minimiza
mesmo custo tambm minimizado pelo ICbT, que o faz de forma iterativa. J o IFT, alm
de ser iterativo, minimiza o critrio
.
O VRFT tem vantagem sobre os mtodos tradicionais de ajuste de controladores, como
aqueles propostos por Ziegler e Nichols e afins. Todos so mtodos de ajuste baseado em
dados, mas o VRFT pode ser aplicado utilizando dados provenientes da prpria operao do
processo. Alm disso, o vetor de parmetros determinado atravs do VRFT de forma a
definir o comportamento do processo controlado em malha fechada de acordo com um
modelo de referncia. Isso torna possvel um ajuste como aquele feito no Ensaio VRFT III,
onde dados do transitrio so utilizados para determinar o vetor de parmetros do
controlador. Uma vez parametrizado com o novo controlador o comportamento em malha
fechada igual, ou pelo menos semelhante, quele definido pelo modelo de referncia.
Como resultado tem-se um ajuste realizado sem nenhum tipo de perturbao sobre a sada
do processo. A nica ressalva que deve ser feita a este mtodo de ajuste que a violao
da Hiptese I deve ser necessariamente pequena, pois, em caso contrrio, corre-se o risco
.
de minimizar uma funo custo cujo mnimo pode se afastar significativamente de
A principal aplicao vislumbrada para mtodos iterativos de ajuste baseado em dados
a melhoria de performance de controladores que operam de forma estvel, mas no tima.
A condio de estvel, mas no tima pode ser obtida atravs do VRFT.
, o que o
Entre os mtodos iterativos, o IFT tem a vantagem de tambm minimizar
torna extremamente til quando o objetivo aumentar a rejeio a rudo. No entanto este
mtodo, que embora possa utilizar dados provenientes da operao do processo para o seu
primeiro experimento, necessita de um segundo experimento onde a referncia dificilmente
poder ser enquadrada como operao do processo. O segundo experimento requerido pelo
IFT deve ser considerado quando for utilizado como alternativa para o ajuste de
controladores PID industriais.
J o ICbT tem a vantagem de utilizar somente um experimento por iterao que pode
ser resultante da operao do processo. Neste caso a otimizao pode utilizar todas as
variaes da referncia durante a operao do processo, otimizando-o constantemente e
sem injetar nenhum tipo de distrbio no processo.
A implementao destes mtodos como alternativa para o ajuste de controladores PID
em controladores industriais de baixo custo depende de seu custo computacional. Est claro
que estes mtodos dificilmente poderiam ser implementados em um controlador industrial
90
que utiliza um microcontrolador como, por exemplo, o P89LPC9402 (NXP, 2009) (256 bytes
de memria de dados e 8 Kbytes de memria de programa) por limitaes de espao
principalmente na memria de programa. No entanto os padres atuais de
microcontroladores utilizados para este fim esto mais prximos do microcontrolador
utilizado na seo 6.2 onde os recursos computacionais so compatveis com estes
algoritmos. Neste contexto o custo computacional demandado pelos mtodos no
preocupante tendo em vista a pouca quantidade de memria de dados e os tempos de
execuo estimados para o algoritmo. Atravs do estudo de caso da seo 6.2 verificou-se
que o tempo estimado de execuo do algoritmo no crtico. Mesmo se estes tempos
fossem 10 vezes mais lentos do que aqueles estimados na seo 6.2, ainda assim a
utilizao destes mtodos de ajuste seria vivel. No caso dos mtodos iterativos, uma vez
coletados os dados e iniciada a execuo do algoritmo, o processo permaneceria sob ao
do controlador anterior e o tempo de execuo do algoritmo no seria crtico. Mesmo no
caso de um mtodo no iterativo como o VRFT, o ensaio para a coleta dos dados pode ser
realizado sob a ao de um controlador PID, on-off ou bang-bang. Dessa forma o processo
tambm permaneceria controlado enquanto o algoritmo executado. Isso abre margem
para a utilizao de microcontroladores ainda mais simples e consequentemente com custo
inferior queles da famlia PIC24H (MICROCHIP, 2005). Deve-se observar somente a
quantidade de memria de dados e memria de programa demandada pelos mtodos.
Se um modelo de referncia escolhido de tal forma que a Hiptese I atendida (ou
que sua violao moderada) e se os recursos computacionais forem suficientes, ento os
mtodos VRFT, IFT e ICbT esto aptos para servirem como alternativa para o ajuste de
controladores PID. Estes mtodos podem, portanto, ser incorporados ao firmware de um
controlador PID industrial.
91
REFERNCIAS
AGUIRRE, L. A. Introduo Identificao de sistemas: tcnicas lineares e no-lineares
aplicadas a sistemas reais. Belo Horizonte: Editora UFMG, 2004. 659 p. ISBN: 85-7041-4005.
STRM, K.; HAGGLUND, T. Automatic tuning of simple regulators with specifications on
phase and amplitude margins. Automatica, Oxford, UK, v.20, n.5, p. 645-651, 1984.
STRM, K. J.; WITTENMARK, B. Computer-Controlled Systems: Theory and Design.
New Jersey: Prentice-Hall, 1997. 557 p. ISBN: 0-13-314899-8.
BAZANELLA, A. L.; GOMES DA SILVA, J. M. Sistemas de Controle: princpios e mtodos
de projetos. Porto Alegre: Editora UFRGS, 2005. 299 p.
BAZANELLA, A. S.; GEVERS, M.; MISKOVIC, L.; ANDERSON, B. On the shape of
performance criteria. In: IFAC SYMPOSIUM ON SYSTEM, STRUCTURE AND CONTROL,
3, 2007, Foz do Iguau, Brazil. Proceedings. . . Porto Alegre: IFAC, 2007.
BAZANELLA, A. S.; GEVERS, M.; MISKOVIC, L.; ANDERSON, B. Iterative minimization of
H2 control performance criteria. Automatica, Oxford, UK, v.44, n.10, p. 2549-2559, Oct.
2008.
CAMPI, M. C.; LECCHINI, A.; SAVARESI, S. M. Virtual reference feedback tuning: a direct
method for the design of feedback controllers. Automatica, Oxford, UK, v.38, n.8, p. 13371346, Aug. 2002.
CAMPI, M. C.; LECCHINI, A.; SAVARESI, S. M. An application of the virtual reference
feedback tuning method to a benchmark problem. European Journal of Control, Milano,
Italy, v.9, n.1, p. 66-76, Jan. 2003.
CAMPI, M. C.; SAVARESI, S. M. Direct Nonlinear Control Design: the virtual reference
feedback tuning (VRFT) Approach. IEEE Transactions on Automatic Control, Brookline,
USA, v.51, n.1, Jan. 2006.
CHEN, C. T. Analog and digital control system design: transfer-function, state-space, and
algebraic methods. Editora Saunders College Publishers, 1993. 600 p. ISBN: 0-03-094070-2.
HJALMARSSON, H.; GEVERS, M.; GUNNARSSON, S.; LEQUIN, O. Iterative feedback
tuning: Theory and applications. IEEE Control Systems Magazine, Piscataway, USA, v.18,
n.4, p. 26-41, Aug. 1998.
HJALMARSSON, H. Iterative feedback tuning an overview. International journal of
adaptive control and signal processing. Glasgow, UK, v.16, n.5, p. 373-395, May. 2002.
HJALMARSSON, H. From experiment design to closed-loop control. Automatica, Oxford,
UK, v.41, n.3, p. 393-438, Jan. 2005.
KARIMI, A.; MISKOVIC, L.; BONVIN, D. Convergence analysis of an iterative correlationbased controller tuning method. In: Triennial World Congress of the International Federation
of Automatic Control, 15, 2002, Barcelona, Spain. Proceeding. . . New York: IFAC, 2002, p.
1546.
92
KARIMI, A.; MISKOVIC, L.; BONVIN, D. Iterative correlation-based controller tuning with
application to a magnetic suspension system. Control Engineering Practice, London, UK,
v.11, n.9, p. 1069-1078, Sep. 2003.
KARIMI, A.; MISKOVIC, L.; BONVIN, D. Accuracy aspects of iterative correlation-based
controller tuning. In: American Control Conference, 11, 2004. Proceeding. . . Boston, USA,
2004, p. 1069-1078.
KARIMI, A.; MISKOVIC, L.; BONVIN, D. Iterative correlation-based controller tuning.
International journal of adaptive control and signal processing. Glasgow, UK, v. 18, n.8,
p.645-664, 2004.
KUO, B. C. Digital Control Systems. Illinois: Harcourt Brace Jovanovich College
Publishers, 1980. p. 75-89. ISBN: 0-03-012884-6.
LATHI, B. P. Sinais e Sistemas Lineares. 2. ed. Porto Alegre: Bookman, 2007. 856 p.
ISBN: 978-85-60031-13-9.
LEQUIN, O.; GEVERS, M.; MOSSBERG, M.; BOSMANS, E.; TRIEST,L. Iterative feedback
tuning of PID parameters: comparison with classical tuning rules. Control Engineering
Practice, London, UK, v.11, n.9, p. 1069-1078, Sep. 2003.
LJUNG, L.; SDERSTRM, T. Theory and practice of recursive identification.
Cambridge, Massachusetts: MIT Press, 1983. 551 p. ISBN: 978-0-262-12095-1.
MISKOVIC, L.; KARIMI, A.; BONVIN, D. Correlation-based tuning of a restricted-complexity
controller for an active suspension system. European Journal of Control, Milano, Italy, v.9,
n.1, p. 77-83, Jan. 2003.
MICROCHIP. PIC24H Family Overview: High-Performance 16-Bit Microcontrollers. 2005.
58 p. Disponvel em <http://ww1.microchip.com/downloads/en/DeviceDoc/70166A.pdf>.
Acesso em 6 nov. 2009.
MICROCHIP. MPLAB IDE, version 5.30.00.00 [S. l.]: Microchip Technology Inc., 2009a.
MICROCHIP. MPLAB C30, version 3.20 [S. l.]: Microchip Technology Inc., 2009b.
NOVUS PRODUTOS ELETRNICOS, Controlador N1200: controlador universal - manual
de instrues V1.1x. 2009. 13 p. Disponvel em <http://www.novus.com.br/downloads/
?ID=635350>, Acesso em 27 nov. 2009.
NXP. P89LPC9402: Product data sheet. 2009. 60 p. Disponvel em <http://www.nxp.com/
documents/data_sheet/P89LPC9402.pdf>. Acesso em 19 nov. 2009.
OGATA, K. Engenharia de Controle Moderno. 3. ed. Rio de Janeiro, Prentice-Hall do
Brasil, 1998. 813 p. ISBN: 978-85-70540-74-4.
ROBBINS, H.; MONRO, S. A stochastic approximation method. The annals of
mathematical statistics, [S.l.], v.22, n.3, p.400-407, 1951.
ZIEGLER, J.; NICHOLS, N. Optimum settings for automatic controllers. Transactions of the
ASME, New York, NY, USA, v.64, p. 759-768, 1942.

Pid

Transféré par

Informations du document

Copyright

Formats disponibles

Partager ce document

Partager ou intégrer le document

Options de partage

Avez-vous trouvé ce document utile ?

Ce contenu est-il inapproprié ?

Droits d'auteur :

Formats disponibles

Pid

Transféré par

Droits d'auteur :

Formats disponibles

UNIVERSIDADE FEDERAL DO RIO GRANDE DO SUL

MARCUS EDUARDO BERGEL

ESTUDO DE ALTERNATIVAS PARA O AJUSTE

MARCUS EDUARDO BERGEL

ESTUDO DE ALTERNATIVAS PARA O AJUSTE

Dissertao de mestrado apresentada ao

ORIENTADOR: Alexandre Sanfelice Bazanella

MARCUS EDUARDO BERGEL

ESTUDO DE ALTERNATIVAS PAR AO AJUSTE

Esta dissertao foi julgada adequada para a

Prof. Dr. Julio Elias Normey Rico, UFSC

Porto Alegre, Dezembro de 2009.

Ao Programa de Ps-Graduao em Engenharia Eltrica, PPGEE, pela

Controladores PID so amplamente utilizados no controle de processos industriais.

Palavras-chaves: Engenharia Eltrica. Controle. Controlador PID. Mtodos de ajuste

Keywords: Electrical Engineering. Control. PID Controller. Data-based control design

Figura 1 Processo discreto, linear e invariante no tempo................................................... 17

Tabela 1 Resumos dos Resultados Obtidos nos Experimentos Prticos. .......................... 80

ICbT: Iterative Correlation based Tuning

2.1 DEFINIES GERAIS

onde z representa o operador de avano no tempo tal que

representa o controlador utilizado e

o erro em relao ao sinal de

descrito a seguir por:

um vetor de funes racionais fixas, conforme descrito por:

um vetor de parmetros definido por:

Considerando (1), (2) e (3), pode-se determinar a sada do sistema como:

a funo de transferncia em malha fechada descrita por:

a funo sensibilidade descrita por:

A representao grfica deste processo dada a seguir pela Figura 1.

Figura 1 Processo discreto, linear e invariante no tempo.

2.2 CRITRIO DE DESEMPENHO

representa o nmero de amostras e

a sada desejada, definida a seguir

descreve a funo de transferncia do modelo de referncia.

Assumindo que a referncia e o rudo so descorrelacionados, a funo custo

o custo relativo ao erro em relao ao modelo de referncia, definido por

o custo relativo rejeio do rudo, definido por

2.3 CLASSE DO DISTRBIO

2.4 CLASSE DE CONTROLADORES E PARMETROS

onde os parmetros equivalentes aos parmetros do controlador PID paralelo so

Figura 2 Representao grfica do controlador PID paralelo.

J na forma srie, h interdependncia entre as aes proporcional

Figura 3 Representao grfica do controlador PID na forma srie.

As diferenas entre as duas formas de implementao ficaro claras ao reescrever (10)

Em (12) e (13) os controladores esto representados pelo produto vetorial de um vetor

o vetor de parmetros do controlador, definido por:

2.4.1 Controlador Ideal

definido em funo do processo e do modelo de referncia,

Quando a complexidade da classe de controladores pode ser arbitrada livremente o

No caso de um mtodo de ajuste que minimize a funo custo

Dessa forma, o controlador resultante da minimizao do custo

No entanto, o modelo de referncia pode ser escolhido de forma a tornar

2.5 CLASSE DE PROCESSOS

0,1 representam os plos do processo e

Atravs desta classe de processos pode-se inclusive representar processos trmicos

2.6 CLASSE DO MODELO DE REFERNCIA

Uma estratgia de controle conveniente cancelar os plos do processo atravs dos

Como pode ser observado em (20), a ao do controlador sobre o processo resultou em

Este um modelo de referncia conveniente visto que requer somente a determinao

2.7 DESCRIO DOS MTODOS DE AJUSTE

2.7.1 Virtual Reference Feedback Tuning (VRFT)

o erro virtual, descrito a seguir.

Considere um experimento qualquer realizado sobre o processo