Académique Documents
Professionnel Documents
Culture Documents
ESCOLA DE ENGENHARIA
DEPARTAMENTO DE ENGENHARIA ELTRICA
PROGRAMA DE PS-GRADUAO EM ENGENHARIA ELTRICA
Porto Alegre
2009
Porto Alegre
2009
Orientador: ____________________________________
Prof. Dr. Alexandre Sanfelice Bazanella, UFRGS
Doutor pela UFSC Florianpolis, Brasil
Banca Examinadora:
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
RESUMO
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.
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
10
Figura 23 Evoluo do custo na Simulao ICbT IV. ......................................................... 54
Figura 24 Resposta ao degrau de
,
(slida) e de
,
(pontilhada); Diagrama
de Bode de
,
(slida) e de
,
(pontilhada); Mapa de plos e zeros 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
12
LISTA DE ABREVIATURAS
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
(1)
,
,
(2)
O controlador
(3)
onde
(4)
eS ,
S ,
,
1
(5)
17
1
,
onde
representa o vetor de parmetros do controlador que minimiza a funo custo
que, por sua vez, descrita por:
1
2
onde
como:
(6)
,
onde
(7)
18
1
(8)
(9)
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)
) so
, integral ( ) e
(12)
20
(13)
,
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)
Este controlador possui dois plos fixos e seus zeros e ganho podem ser manipulados
atravs do vetor de parmetros .
(15)
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-
(16)
22
(17)
uma constante.
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
(20)
onde
:0
(21)
1.
24
Outras classes de modelo de referncia no invalidam a metodologia utilizada neste
trabalho. Implicariam somente na reavaliao da classe de controladores.
onde
, a seguir
25
.
,
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:
0.
estar diretamente
onde
(22)
T ,
26
onde uma matriz composta pelos
elementos de
, ou seja:
T
(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)
(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.
, 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
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.
onde
(26)
(27)
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
,
,
28
,
S ,
(30)
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.
(33)
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)
(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.
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:
onde
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
.
, so
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:
(38)
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)
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.
33
2 ,
(40)
(41)
(42)
(43)
(44)
34
obtendo a
35
2. Definir a referncia virtual
descrita por:
.
e
entre
3. Definir o erro
dado por:
.
, para a
;
:
.
entre
7. Definir o erro
8. Calcular
conforme segue:
.
9. Determinar
conforme (23).
36
2. Gerar o segundo experimento conforme (31);
3. Calcular
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
utilizando o
(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
definido por:
Onde
1
1
2
onde
(47)
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
Onde
so dados por:
,
,
conforme (47);
, para a
;
38
,
5. Calcular
,
6. Calcular
7. Calcular
definido por:
conforme (46);
conforme (34);
onde
determinado conforme
descrito por:
,
,
,
de forma similar a
item 1;
1,
1,
1,
, utilizando-se o erro
,
2,
,
do experimento realizado no
utilizando o
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
(48)
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)
; Diagrama de Bode 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.
120
u(t)
y(t)
100
80
60
40
20
20
40
60
80
100
120
140
160
Amostras
so dados por:
1,1448 .
com a de
Ao confrontar a raiz quadrada de
resultado obtido est ligeiramente diferente do valor ideal.
, observa-se que o
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
,
(pontilhada); Diagrama de Bode de
(pontilhada); Mapa de plos e zeros 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.
so dados por:
1,0434 .
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
, 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
45
80
60
40
20
10
20
30
40
50
60
Amostras
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
,
, do diagrama de Bode 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
, o diagrama de Bode de
,
e o mapa de
A resposta ao degrau 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
e o mapa de
48
Evoluo do custo
250
200
J()
150
100
50
10
12
14
16
18
20
Iterao
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
, o diagrama de Bode de
A resposta ao degrau de
,
esto a seguir na Figura 17.
plos e zeros de
,
e o mapa de
50
A resposta ao degrau de
,
, o diagrama de Bode de
,
plos e zeros de
,
podem ser conferidos a seguir na Figura 19.
e o mapa de
51
Evoluo do custo
140
120
100
J()
80
60
40
20
10
12
14
16
18
20
Iterao
52
A evoluo do custo
70
60
50
J()
40
30
20
10
10
12
14
16
18
20
Iterao
e o mapa de
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
54
Evoluo do custo
140
120
100
J()
80
60
40
20
10
12
14
16
18
20
Iterao
, o diagrama de Bode de
,
A resposta ao degrau de
,
plos e zeros de
,
podem ser conferidos a seguir na Figura 24.
e o mapa de
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.
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.
. 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.
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.
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
60
(52)
onde
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)
(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)
(54)
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)
(55)
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)
e 80 amostras da
(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)
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)
65
1,000 %
0,000 rep./min ,
0,000 s
(57)
(58)
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)
e 120 amostras da
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
na Figura 34, onde tambm observada a sada desejada representada por
comportamento definido por (58).
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)
67
0,3763
0,2792 .
0,1308
(60)
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)
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
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
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
que, utilizando as relaes definidas em (52), pode ser reescrito como:
12,7 %
0,43 rep./min .
0,16 s
(61)
O ensaio padro utilizando o vetor de parmetros definido em (61) pode ser observado
, cujo
na Figura 37, onde tambm observada a sada desejada representada por
comportamento definido por (54).
69
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)
(62)
O ensaio padro utilizando o vetor de parmetros definido em (62) pode ser observado
, cujo
na Figura 39, onde tambm observada a sada desejada representada por
comportamento definido por (54).
70
Evoluo do custo
25
20
J(
15
10
10
15
20
25
30
35
Iterao
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)
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
(63)
72
O ensaio padro utilizando o vetor de parmetros definido em (63) pode ser observado
, cujo
na Figura 41, onde tambm observada a sada desejada representada por
comportamento definido por (54).
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)
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
O ensaio padro utilizando o vetor de parmetros definido em (64) pode ser observado
na Figura 43, onde tambm observada a sada desejada representada por
, cujo
comportamento definido por (54).
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)
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
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
O menor custo foi obtido na iterao de nmero 34. O vetor de parmetros que gerou
este custo dado por:
0,4371
0,0726 ,
0,4583
que, utilizando as relaes definidas em (52), pode ser reescrito como:
21,8 %
0,66 rep./min .
15,7 s
(65)
O ensaio padro utilizando o vetor de parmetros definido em (65) pode ser observado
na Figura 46, onde tambm observada a sada desejada representada por
, cujo
comportamento definido por (54).
O custo obtido no ensaio da Figura 46 dado a seguir por:
1,8515
76
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)
J()
30
25
20
15
10
5
0
10
15
20
25
30
35
40
Iterao
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.
O menor custo foi obtido na iterao de nmero 40. O vetor de parmetros que gerou
este custo dado por:
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)
O ensaio padro utilizando o vetor de parmetros definido em (66) pode ser observado
na Figura 49, onde tambm observada a sada desejada representada por
, cujo
comportamento definido por (54).
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
40
78
Ensaiocomocontroladoridentificado
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)
(67)
O ensaio padro utilizando o vetor de parmetros definido em (67) pode ser observado
, cujo
na Figura 50, onde tambm observada a sada desejada representada por
comportamento definido por (54).
O custo obtido no ensaio da Figura 50 dado a seguir por:
1,9215
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.
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
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.
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
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
85
Tabela 5 Custo computacional do Algoritmo do ICbT-DO.
Algoritmo
ICbT-DO
72
Memria requerida
31
88
44
15
,
,
21
135
Total
84
ICbT
Algoritmo
(simples)
11
Memria requerida
15
6
Total
24
14
86
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
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
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
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)
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.