ANÁLISE DE DESEMPENHO DE UM NEUROCONTROLADOR PARA O CONTROLE DE NÍVEL DE UM SISTEMA DE DOIS TANQUES ACOPLADOS
|
|
- Brenda Porto
- 5 Há anos
- Visualizações:
Transcrição
1 ANÁLISE DE DESEMPENHO DE UM NEUROCONTROLADOR PARA O CONTROLE DE NÍVEL DE UM SISTEMA DE DOIS TANQUES ACOPLADOS RAFAEL P. DE BRITO 1, AGNALDO J. ROCHA REIS 2, JOSÉ A. N. COCOTA JR. 2, BRUNO C. TOLEDO, DIEGO DINIZ Programa de Pós-Graduação em Engenharia Elétrica, Universidade Federal de Minas Gerais Av. Antônio Carlos 6627, Belo Horizonte, MG , Brasil. 2. Departamento de Engenharia de Controle e Automação e Técnicas Fundamentais, Escola de Minas, Universidade Federal de Ouro Preto. Campus Morro do Cruzeiro, Ouro Preto, MG , Brasil 3. Vale S/A. Mina de Alegria, S/N. Zona Rural. Mariana-MG, Brasil. s: rafaelpalma@ufmg.br, agnreis@gmail.com, cocotajr@yahoo.com.br, brunocargas@yahoo.com.br, diegormd@gmail.com Abstract The usage of artificial intelligence techniques (fuzzy logic, expert systems and/or artificial neural networks) in order to deal with the difficulties found in most problems of processes control, can be considered an alternative with potential to be analyzed. In this context, one presents here the usage of an adaptive neurocontroller, using reference model, to perform the level control of two coupled tanks in a real plant found at Escola de Minas UFOP. The performance of this neurocontroller is compared with the performance of PI controllers tuned by Ziegler-Nichols reaction curve method and Root Locus. All obtained results are presented and fully discussed. Keywords Level control, Coupled Tanks, Neural networks, Ziegler-Nichols. Resumo A utilização de técnicas de inteligência artificial (lógica nebulosa, sistemas especialistas e/ou redes neurais artificiais) para lidar com as dificuldades presentes na maioria dos problemas de controle de processos se mostra como uma alternativa a ser analisada. Neste contexto, é proposto aqui a utilização de um neurocontrolador adaptativo por modelo de referência para o controle de nível de dois tanques acoplados em uma planta real encontrada na Escola de Minas - UFOP. O desempenho desse neurocontrolador é comparado com o desempenho de controladores PI sintonizados a partir dos métodos de curva de reação por Ziegler-Nichols e do Lugar das raízes. Todos os resultados obtidos são apresentados e discutidos em detalhes. Palavras-chave Controle de nível, Tanques Acoplados, Redes neurais, Ziegler-Nichols. 1 Introdução O controle de nível em tanques vem se destacando a cada dia tanto no âmbito acadêmico quanto no setor industrial. Embora tenha uma conceituação relativamente simples, esse controle requer a utilização de técnicas apuradas para que seja realizado. Por outro lado, grande parte dos processos industriais é ou está sendo automatizada, possuindo assim várias malhas de controle instaladas nesses ambientes. Os chamados Controladores Clássicos (i.e. Controladores PID) são largamente utilizados. Porém, eles nem sempre são capazes de compreender a dinâmica do processo ou de lidar adequadamente com não-linearidades (SOARES, 2009). Uma das alternativas plausíveis para alguns sistemas não-lineares é a utilização de modelos linearizados dentro de certos limites (OGATA, 2003). Já uma outra alternativa à classe de controladores do tipo PID é a utilização de controladores baseados em técnicas de Inteligência Artificial (e.g. lógica nebulosa, sistemas especialistas, Redes Neurais Artificiais (RNA) etc.) (DINIZ, 2011). Dois exemplos de tais dispositivos são os controladores baseados em RNA (ou neurocontroladores) e os controladores baseados na lógica Fuzzy. Essas técnicas são aplicáveis em processos onde pouco ou nada se conhece sobre o modelo matemático representativo do sistema a ser controlado ou quando a sua obtenção é extremamente complexa. Neste contexto, torna-se relevante realizar um estudo comparativo entre alguns métodos de projeto de controladores. Dessa forma, é apresentada aqui a análise do desempenho de um neurocontrolador adaptativo por modelo de referência comparado com controladores PI sintonizados pelos métodos do Lugar das Raízes e da curva de reação por Ziegler- Nichols para um mesmo ponto de operação do processo de dois tanques acoplados em uma planta real encontrada na Escola de Minas - UFOP. O artigo está organizado da seguinte forma: na Seção 2 é apresentado o processo de dois tanques acoplados; na Seção 3 é feita a revisão necessária para tratar o projeto do neurocontrolador; na Seção 4 são apresentados os projetos dos controladores aplicados; na Seção 5 apresentam-se os resultados práticos realizados com o sistema de dois tanques acoplados; por fim, conclui-se o artigo na Seção 6. 2 Processo de dois tanques acoplados 2.1 Descrição da planta A bancada experimental utilizada foi inspirada no kit Coupled Tanks fabricado pela empresa Quanser (QUANSER, 2009). O diagrama esquemático do
2 experimento é mostrado na Figura 1. Utiliza-se nessa planta, o CLP GE Fanuc VersaMax, com comunicação Ethernet, que possibilita a aquisição de dados pelo software MATLAB por meio do programa KEPServer. Maiores informações sobre a planta podem ser encontradas em Cocota et al. (2014). Tabela 1: Parâmetros Gerais. Símbolo Valor [unid.] Descrição, 1779,50 [ ] área da seção transversal dos tanques 17,65 [ ] área da seção transversal do dreno do tanque 1 7,75 [ ] área da seção transversal do dreno do tanque 2 diâmetro de estrangulamento 2,8 [ ] do fluxo da bomba na entrada do tanque 1 2,0 [ ] diâmetro de estrangulamento do fluxo da bomba na entrada do tanque ,9 [ ] aceleração da gravidade 1,2 ganho do módulo de potência [ ganho do sensor para a amostragem do nível na faixa de 0 a 230 [mm] Tabela 2: Parâmetros Identificados. Figura 1: Diagrama esquemático do experimento. 2.2 Parâmetros Para o sistema de dois tanques acoplados, foram identificados alguns parâmetros por meio de experimentos em malha aberta, como é o caso do parâmetro relacionado à parcela de fluxo direto ( ) da bomba para o tanque inferior (tanque 1), resultante dos estrangulamentos localizados no divisor de fluxo (conexão T), do ganho da bomba ( ) que foram obtidos a partir de experimentos de carga de água dos tanques, e dos coeficientes de perda de carga nos drenos ( ), que foram estimados por comparação dos resultados experimentais com a simulação do sistema em regime permanente no ponto de operação. Símbolo Valor [unid.] Descrição 95,4 [ ] nível do tanque 1 no ponto de operação 32,18 [ nível do tanque 2 no ponto de operação 6,56 [ ] tensão média aplicada na entrada do módulo de potência para o ponto de operação 7,88 [ ] tensão média aplicada no motor da bomba para o ponto de operação 3512 [ ] ganho da bomba 0,583 parcela do fluxo de água da bomba para o tanque 1 0,728 constante de perda de carga do dreno do tanque 1 0,805 constante de perda de carga do dreno do tanque 2 As funções de transferência dos tanques 1 e 2 são dadas respectivamente por (COCOTA et al., 2014): Parâmetros gerais Neste conjunto encontram-se os parâmetros relacionados às grandezas físicas ou aos ganhos do sistema que não dependem de experimentos para identificação (tabela 1) Parâmetros identificados Na tabela 2 encontram-se os parâmetros identificados para o ponto de operação que foi escolhido para o processo de dois tanques acoplados. 2.3 Modelagem do processo A modelagem do processo baseia-se na modelagem caixa cinza, já que se incorporaram no modelo fenomenológico alguns parâmetros do processo que foram identificados. (1) (2) Em que,, k c é o ganho do transmissor de nível, e e são as constantes de perda de carga nos drenos 1 e 2, respectivamente. Já a função de transferência em malha aberta do sistema pode ser obtida por meio das equações (3) e (4) (COCOTA et al., 2014). (3) (4)
3 3.1 Identificador neural 3 Neurocontroladores Identificadores neurais são arquiteturas de redes neurais artificiais desenvolvidas com o objetivo de realizar a identificação de um sistema. A identificação de sistemas é tratada como um problema de otimização que envolve algumas medidas para adequação do modelo para representar o processo real, como por exemplo, o conhecimento das não linearidades intrínsecas no processo, os atrasos de transportes, a complexidade do sistema, a seleção da medida do erro a ser minimizado e a presença de ruídos. Devido a esses fatores, o uso das redes se torna uma ferramenta robusta para tais fins (CARGAS, 2013). O identificador neural deve ser treinado para a- justar os pesos sinápticos de tal forma que ele seja capaz de minimizar o erro relativo entre a saída estimada do sistema e a saída real. Com a utilização do algoritmo de treinamento backpropagation, é possível se obter um erro relativo (ou de modelo) mínimo. 3.2 Neurocontrolador adaptativo por modelo de referência O neurocontrolador adaptativo por modelo de referência é uma estrutura composta por duas redes neurais, sendo que uma delas realiza a identificação do sistema e outra controla o processo de forma a seguir um modelo de referência, tendo como índice de desempenho a minimização do erro de controle relativo à saída do modelo de referência e do modelo identificado (DEMUTH et al., 2009). Esse neurocontrolador deve atender as mudanças de setpoint de forma eficiente e robusta (DINIZ, 2011; CARGAS, 2013). Na Figura 2 é mostrada a estrutura do neurocontrolador adaptativo. Figura 2: Diagrama de blocos de um neurocontrolador adaptativo Fonte: DEMUTH et al.(2009) O controlador neural fornece o sinal de controle para o processo a fim de manter a sua saída o mais próximo possível da saída desejada especificada pelo modelo de referência. O erro entre o modelo de referência e a saída do processo é usado pelo adaptador para ajustar os parâmetros do controlador. O controle do modelo de referência pode apresentar tanto o comportamento linear quanto o nãolinear, sendo isto, representado por um conjunto de parâmetros ajustados, devendo ser escolhido a sua estrutura, para permitir uma identificação a mais fidedigna possível (DOURATSOS & GOMM, 2007; OLIVEIRA, 2009). 4 Projeto dos controladores Para o projeto dos controladores, será utilizada a função de transferência descrita pela equação (4). O neurocontrolador e os métodos do lugar das raízes e da curva de reação de Ziegler-Nichols são apresentados nesta seção. Os dois últimos métodos são apenas citados, podendo ser aprofundados em Cocota et al. (2014) e Brito (2014). 4.1 Projeto de controle do neurocontrolador Neste trabalho, o objetivo fundamental do neurocontrolador é manter o nível do tanque 1 em torno do ponto de operação apresentado na tabela 2 e analisar a resposta transitória deste controlador ao ser aplicado um degrau, verificando o sobressinal máximo e o tempo de resposta da saída. O resultado alcançado é decorrente de diversos testes no que se diz respeito à coleta de dados, preparação dos dados e ajustes de parâmetros do neurocontrolador. Neste contexto, são apresentados os conceitos gerais sobre os procedimentos tomados, bem como os principais testes realizados a fim de se encontrar o neurocontrolador que melhor se ajustasse ao processo proposto Base de dados e identificação paramétrica do sistema A base de dados utilizada para a identificação da planta foi adquirida por meio de um ensaio em modo normal, ou seja, sem qualquer tipo de controle ou intervenção humana, no qual se excitou a planta com sinais de tensão com amplitudes diferentes e de mesma frequência. A equação (5) mostra a função de transferência encontrada a partir dos dados devidamente preparados provenientes do ensaio. O grau de semelhança entre os dados estimados pelo modelo da planta e os dados reais são de 98,8%, conforme a Figura 3. Mais detalhes sobre a obtenção da equação (5) pode ser encontrada em Brito (2014) Modelo de referência (5) A seguir é apresentado o modelo de referência que proporcionou um melhor desempenho ao neurocontrolador. Esse modelo foi estimado a partir de parâmetros-alvo provenientes de testes realizados na planta e a partir de sugestões da literatura (OGATA 2003; DINIZ, 2011).
4 camada oculta de 10 neurônios que são ativadas através de funções do tipo tangente hiperbólica. Figura 3: Grau de semelhança entre os dados estimados e a base de dados filtrada. Os dois sinais estão praticamente sobrepostos. O modelo de referência utilizado para a aquisição dos dados de treinamento do neurocontrolador é um sistema tipo caixa branca de 1ª ordem com parâmetros constantes, considerando o regime de fluxo laminar (linear) (OGATA, 2003). Esse modelo possui um comportamento rápido e estável, sendo estes, parâmetros desejáveis em uma planta real. A função de transferência do modelo supracitado foi proposta por Diniz (2011) em seu trabalho referente ao controle de nível de um sistema reservatório simples. Nesse trabalho é proposto atender alguns requisitos do processo estudado, como variabilidade da variável de processo e rápida resposta. A equação (6) representa a função de transferência do modelo de referência utilizado nos testes do neurocontrolador e a Figura 4 ilustra o comportamento dinâmico do modelo. (6) Figura 4: Comportamento dinâmico do modelo de referência Na camada de saída utilizou-se um único neurônio, sendo o valor estimado de saída da rede ativado por meio de uma função do tipo linear. Utiliza-se ainda no identificador neural, um atraso em relação aos valores de saída do neurocontrolador em relação aos valores de saída da planta. Na tentativa de minimizar o erro relativo médio quadrático entre a saída real da planta e a saída estimada pelo identificador neural, foi estabelecido um treinamento com até 500 épocas. Utilizou-se para o treinamento da rede, uma variação do algoritmo backpropagation definida por Levenberg-Marquadt, de modo a otimizar a sintonia dos pesos sinápticos da rede. O resultado do treinamento do identificador neural se mostrou satisfatório conforme mostrado nos gráficos de validação apresentados na Figura Estrutura do neurocontrolador A criação do neurocontrolador foi feita com o auxílio do Neural Network ToolboxTM 6, desenvolvido por Howard Demuth, Mark Beale e Martin Hagan [DEMUTH et al. 2009] e com o auxílio do System Identification ToolboxTM, desenvolvido por Lennart Ljung [LJUNG, 2009]. Para realizar a comunicação do Matlab/Simulink com o servidor OPC, utilizou-se o bloco OPC Config Real-Time Treinamento do identificador neural Para o treinamento do identificador neural foi u- tilizado uma massa de dados de pares de entrada (tensão da bomba) e saída (nível do tanque), gerados a partir da função de transferência mostrada na equação (6). Os dados de entrada variam em torno de 20% do ponto de operação da bomba escolhido para este trabalho, realizando assim, uma tentativa de uma melhor generalização do neurocontrolador em torno desse ponto, que é onde de fato ocorrerá o controle. Os dados de entrada do modelo estimado variam em um intervalo de 70 segundos com uma taxa de amostragem de 1 segundo. Utilizou-se como arquitetura do identificador neural, uma rede neural do tipo feedforward multicamadas, contendo uma Figura 5: Validação do treinamento do identificador neural Treinamento do neurocontrolador adaptativo A Figura 6 apresenta os dados utilizados no modelo de referência, sendo a massa de dados obtida de forma análoga a do identificador neural, um sinal de entrada que varia a cada 35 segundos e uma taxa de amostragem de 1 segundo. Para a arquitetura do neurocontrolador, utilizouse uma rede do tipo feedback multicamadas com uma camada oculta de 8 neurônios que são ativados por funções do tipo tangente hiperbólica. Na camada de saída, utilizou-se um único neurônio no qual o valor estimado de saída da rede é ativado por meio de uma função do tipo linear.
5 resposta do sistema, dada uma referência em degrau. Neste caso, os parâmetros do controlador PI encontrados por esse método foram = 1,219 e = 13,79s. Figura 6: Dados do modelo de referência O treinamento do neurocontrolador foi dividido em 60 segmentos para contornar o elevado custo computacional referente à utilização do algoritmo bakpropagation, sendo que para cada segmento, estabeleceu-se um limite de 5 épocas de treino. A Figura 7 mostra o comportamento do neurocontrolador frente a variações de sua referência para o modelo de referência da equação (6) após a sintonia e ajuste dos seus pesos. 4.3 Método do Lugar das raízes para o projeto de Controle A equação (1) foi utilizada para esboçar o lugar das raízes do sistema sem compensação.verificou-se que o sistema resultante é estável, possuindo o lugar das raízes no semi-plano esquerdo. Com base no lugar de raízes encontrado, foram alocados um polo e um zero de um compensador para obter uma rápida resposta com um sobressinal máximo de 2%. Para que o sistema atendesse o requisito de projeto, o ganho proporcional ( ) escolhido foi igual a 2,79. A partir da comparação entre as funções de transferências do compensador e do controlador PI mostradas na equação (7), encontra-se a constante do tempo de integração ( = 12,27s) (COCOTA et al., 2014; BRITO, 2014) (7) em que e. 5 Resultados Figura 7: Validação de treinamento do neurocontrolador A partir da Figura 7, pode-se perceber que o neurocontrolador é consistente em seu controle apesar de variações inesperadas em algumas respostas, que são aceitáveis devido à grande oscilação do sinal de saída do controlador em relação ao sinal proveniente do modelo de referência. 4.2 Método de Ziegler-Nichols para o projeto de Controle Neste trabalho optou-se pela implementação do método experimental da curva de reação de Ziegler- Nichols. Mais informações sobre a metodologia utilizada podem ser encontradas em Cocota et al. (2014) e Brito (2014). Com base na curva de reação obtida após a filtragem dos dados experimentais, determinou-se o atraso de 4,59 segundos, e a constante de tempo de 15,48 segundos. O ganho direto ( ) do processo encontrado para esse ensaio foi de 2,48. A partir das constantes, e, pode-se determinar os parâmetros do controlador para alcançar um amortecimento particular na resposta em malha fechada do sistema. O objetivo desse método é obter uma razão de 4:1 do primeiro para o segundo pico na A seguir são apresentados os principais resultados obtidos na utilização dos controladores supracitados. Nas Figuras 8, 9 e 10 são mostrados os gráficos das respostas de controle e de saída do sistema quando sujeito a um degrau de 35% do valor de referência. Os resultados experimentais acompanharam a dinâmica da simulação do sistema não-linear. Para simplificar a análise de desempenho do sistema foram considerados os resultados de simulação. A tabela 3 mostra os valores encontrados de sobressinal e tempo de acomodação para cada tipo de controlador em resposta ao degrau supracitado. Tabela 3: Valores de sobressinal e tempo de acomodação da simulação para os controladores propostos. Método Sobressinal Tempo de acomodação Neurocontrolador 5,3% 16 [s] Ziegler-Nichols 1,00% 18 [s] Lugar das Raízes 1,47% 12 [s] Os valores dos tempos de acomodação são calculados levando em conta o tempo que o sistema leva para entrar em regime no intervalo de 2% do sinal de referência. A partir da análise das respostas de controle da simulação é possível notar que o neurocontrolador obteve o maior valor de sobressinal e o segundo menor de tempo de acomodação. Considerando um
6 cenário em que o valor de sobressinal é o requisito mais importante, o controlador Ziegler-Nichols seria o controlador de melhor eficiência. Vale ressaltar que o controlador projetado pelo método do lugar das raízes foi o que atendeu o requisito de projeto com o menor tempo de acomodação. complexas, o que torna esse controlador uma ferramenta muito poderosa. Vale ressaltar ainda que vários pontos devem ainda ser explorados para que a resposta do neurocontrolador possa se tornar mais adequada para o problema, como por exemplo a alteração da quantidade de regressores e/ou pares de treinamento utilizados para capturar o comportamento dinâmico da planta. Por fim, como trabalho futuro sugere-se a aplicação da metodologia aqui descrita no controle de nível de uma planta com quatro tanques acoplados. Com o aumento do grau de dificuldade do problema, avaliar-se-á de maneira mais adequada o desempenho do neurocontrolador. Agradecimentos Figura 8:Neurocontrolador. Este trabalho tem sido apoiado pelas agências brasileiras CAPES e FAPEMIG. Referências Bibliográficas Figura 9: Ziegler-Nichols. Figura 10: Lugar das raízes. 6 Conclusão A partir da análise dos resultados apresentados (tabela 3), pode-se verificar que o projeto do controlador pelo lugar das raízes obteve nesse caso o melhor desempenho para o controle do nível do tanque inferior do sistema apresentado. Ele foi capaz de compensar o erro do sistema, com baixo sobressinal, mesmo quando o ponto de operação foi alterado em 35% do seu valor de projeto. Por outro lado, o neurocontrolador adaptativo por modelo de referência é capaz de controlar um sistema tendo como referência um modelo que possui um comportamento desejável. Neste ponto de vista, ele pode ser aplicado no controle de sistemas dinâmicos não-lineares ou processos nos quais existem necessidades operacionais mais Brito, R. P. (2014). Análise de desempenho de um neurocontrolador para o controle de nível de um sistema de dois tanques acoplados. Monografia, Escola de Minas (EM), Universidade Federal de Ouro Preto (UFOP), Ouro Preto. Cargas, B. M. T. (2013). Controle de nível de um sistema de tanques acoplados utilizando redes neurais artificiais. Monografia. EM/UFOP. Cocota, J. A. N. J., Monteiro, P. M. B., Sanchez, M. S., Cuz, E. B., D'Angelo, T., Brito, R. P.,Ireno, T. (2014). Análise de diferentes controladores para o processo de dois tanques acoplados. CO- BENGE 2014, Juiz de Fora. Demuth, H. B., Beale, B. H. and Hagan, M. T. (2009). Neural Network Toolbox 6, User's Guide. The MathWorks Inc. Diniz, D. R. M. (2011). Análise da aplicabilidade de um neurocontrolador adaptativo por modelo de referência: um estudo de caso. Monografia, EM/UFOP. Douratsos, I., & Gomm, J. B. (2007). Neural Network-Based Model Reference Adaptive Control for Process with time Delay. International Journal of Information and Systems. Goodwin, G. C., Graebe, S. F. & Salgado, M. E. (2001), Control System Design, 1 ed., Prentice Hall: New Jersey. Ljung, L. (2009). System Identification Toolbox TM, User s guide. The MathWorks Inc. Ogata, K. (2003). Engenharia de Controle Moderno, 4ª Edição. São Paulo: Prentice Hall. Oliveira, J. C. P. (2009). Avaliação de controle neural a um processo de quatro tanques acoplados. Tese de Doutorado. UNB. Brasília. Quanser (2004). Coupled Water Tank Experiments, Quanser, EUA. Soares, L. H. G. (2009). Neurocontrolador Preditivo Aplicado a um Sistema Mecânico Massa-Mola Não Linear. Monografia, Escola de Minas, Universidade Federal de Ouro Preto, Ouro Preto.
ANÁLISE DE DIFERENTES CONTROLADORES PARA O PROCESSO DE DOIS TANQUES ACOPLADOS
ANÁLISE DE DIFERENTES CONTROLADORES PARA O PROCESSO DE DOIS TANQUES ACOPLADOS José Alberto Naves Cocota Júnior cocota@em.ufop.br Paulo Marcos de Barros Monteiro paulo@em.ufop.br Mariana de Souza Sanchez
Leia maisUNIVERSIDADE FEDERAL DE OURO PRETO ESCOLA DE MINAS COLEGIADO DO CURSO DE ENGENHARIA DE CONTROLE E AUTOMAÇÃO - CECAU RAFAEL PALMA DE BRITO
UNIVERSIDADE FEDERAL DE OURO PRETO ESCOLA DE MINAS COLEGIADO DO CURSO DE ENGENHARIA DE CONTROLE E AUTOMAÇÃO - CECAU RAFAEL PALMA DE BRITO ANÁLISE DE DESEMPENHO DE UM NEUROCONTROLADOR PARA O CONTROLE DE
Leia maisImplementação de controlador PID fuzzy para otimização do controle de posição de um servomotor DC
Implementação de controlador PID fuzzy para otimização do controle de posição de um servomotor DC Ederson Costa dos Santos 1, Leandro Barjonas da Cruz Rodrigues 1, André Maurício Damasceno Ferreira 2 1
Leia maisUtilização do solidthinking Embed em projetos de controle para sistemas embarcados utilizando técnica de controle adaptativo por modelo de referência.
Utilização do solidthinking Embed em projetos de controle para sistemas embarcados utilizando técnica de controle adaptativo por modelo de referência. Rodrigo de J. Macedo Resumo Apresenta-se, neste artigo,
Leia maisProjeto de Compensadores/Controladores pelo Diagrama de Lugar das Raízes
Projeto de Compensadores/Controladores pelo Diagrama de Lugar das Raízes Carlos Eduardo de Brito Novaes carlos.novaes@aedu.com http://professorcarlosnovaes.wordpress.com 2 de novembro de 202 Introdução
Leia maisCOMPARAÇÃO ENTRE CONTROLADORES PID CLÁSSICO E PID FUZZY COM GANHO PROGRAMADO NO SISTEMA DE AZIMUTE
COMPARAÇÃO ENTRE CONTROLADORES PID CLÁSSICO E PID FUZZY COM GANHO PROGRAMADO NO SISTEMA DE AZIMUTE Brehme D. R. de MESQUITA (1); Jefferson A. L. e SILVA (2); André M. D. FERREIRA (3) (1) Instituto Federal
Leia maisMODELAGEM E CONTROLE DE UM TROCADOR DE CALOR FEIXE TUBULAR
PAULO ALEXANDRE MARTIN MODELAGEM E CONTROLE DE UM TROCADOR DE CALOR FEIXE TUBULAR Dissertação apresentada à Escola Politécnica da Universidade de São Paulo para obtenção do título de Mestre em Engenharia.
Leia mais1 RESUMO. Palavras-chave: Controle, encoders, motor CC. 2 INTRODUÇÃO
1 RESUMO Na sociedade moderna se tornou cada vez mais presente e necessário meios de controlar dispositivos levando em consideração precisões maiores e perdas menores. Em diversos cenários o controle de
Leia maisProjeto e Implementação de um Módulo Didático para Controle PID de Processos Industriais: Estudo de Caso Aplicado a um Sistema de Nível de Líquido
Projeto e Implementação de um Módulo Didático para Controle PID de Processos Industriais: Estudo de Caso Aplicado a um Sistema de Nível de Líquido Allan Martins¹, Jéssica Aguiar¹, Paulo Henrique Melo¹,
Leia maisRECONHECIMENTO DE GÊNERO ATRAVÉS DA VOZ
RECONHECIMENTO DE GÊNERO ATRAVÉS DA VOZ Marcela Ribeiro Carvalho marcela@enecar.com.br IFG/Câmpus Goiânia Hipólito Barbosa Machado Filho hipolito.barbosa@ifg.edu.br IFG/Câmpus Goiânia Programa Institucional
Leia maisImplementação de um Controlador Fuzzy para um Sistema de Controle de Nível
Implementação de um Controlador Fuzzy para um Sistema de Controle de Nível 1 IFPB. e-mail: josue.souza@cear.ufpb.br 2 IFRN. e-mail: jlopes0@gmail.com Josué da Silva Souza 1, José Soares Batista Lopes 2
Leia maisEstudo Comparativo de Técnicas de Controle em um Processo de Nível
1 Estudo Comparativo de Técnicas de Controle em um Processo de Nível RESUMO O controle do nível de tanques é um problema clássico e é considerado um assunto de grande importância e aplicabilidade industrial,
Leia maisResultados 6.1. Teste de Deformação
6 Resultados 6.1 Teste de Deformação O teste foi realizado com a montagem mostrada na Figura 41. No centro da circunferência branca (moldura de nylon) encontra-se a região ativa com duas linhas pretas
Leia maisIntrodução ao controle de conversores
Unidade VI Introdução ao controle de conversores 1. Controle por Histerese 2. Controle Linear 3. Utilização da ferramenta SmartCtrl (PSIM) Eletrônica de Potência 1 Introdução Conversores estáticos devem
Leia maisDESENVOLVIMENTO DE UM SISTEMA DE CONTROLE DE TEMPERATURA PID, ATRAVÉS DE ARDUINO E LABVIEW
DESENVOLVIMENTO DE UM SISTEMA DE CONTROLE DE TEMPERATURA PID, ATRAVÉS DE ARDUINO E LABVIEW Lair Santos de Oliveira (1); Josué da Silva Sousa (2); Antônio Almeida da Silva (3); Moisés Hamsses Sales de Souza
Leia mais3 Redes Neurais Artificiais
3 Redes Neurais Artificiais 3.1. Introdução A capacidade de implementar computacionalmente versões simplificadas de neurônios biológicos deu origem a uma subespecialidade da inteligência artificial, conhecida
Leia maisIDENTIFICAÇÃO DE PARÂMETROS DE CONTROLE PID EM PROCESSO COM CSTR NÃO ISOTÉRMICO
IDENTIFICAÇÃO DE PARÂMETROS DE CONTROLE PID EM PROCESSO COM CSTR NÃO ISOTÉRMICO Polyana Gomes de Aguiar 1 *, Daiane Ribeiro Dias 1, Annanda Alkmim Alves 1, Mariana Oliveira Marques 1, Saulo Vidal 1 1 Instituto
Leia mais5.1 INTRODUÇÃO AO SISTEMA DE CONTROLE GAIN SCHEDULING
54 5. SISTEMA DE CONTROLE GAIN SCHEDULING 5.1 INTRODUÇÃO AO SISTEMA DE CONTROLE GAIN SCHEDULING O sistema de controle tipo gain scheduling [14] é um sistema adaptativo [15], onde os parâmetros do controlador
Leia maisCapitulo 5 Projeto dos Controladores
Capitulo 5 Projeto dos Controladores Esse Capítulo tem com objetivo apresentar o projeto e a simulação em Matlab/Simulink dos controladores desenvolvidos na tese. Primeiramente será apresentado o projeto
Leia maisIF-705 Automação Inteligente Sistemas de Controle - Fundamentos
IF-705 Automação Inteligente Sistemas de Controle - Fundamentos Aluizio Fausto Ribeiro Araújo Universidade Federal de Pernambuco Centro de Informática - CIn Departamento de Sistemas da Computação aluizioa@cin.ufpe.br
Leia maisCongresso de Inovação, Ciência e Tecnologia do IFSP
Congresso de Inovação, Ciência e Tecnologia do IFSP - 2016 CONTROLADOR PID APLICADO A PROGRAMAÇÃO DE ROBÔ MÓVEL THAIS JULIA BORGES RIBEIRO 1, MASAMORI KASHIWAGI 2 1 Técnico em Automação Industrial, Bolsista
Leia maisCARACTERIZAÇÃO DEPROCESSOS
CARACTERIZAÇÃO DEPROCESSOS ESINTONIA DECONTROLADORES PORMÉTODOSEMPÍRICOS Profa. Cristiane Paim Semestre 2014-2 Caracterização de Processos Considere a configuração série de um sistema de controle: Dado
Leia mais1. IDENTIFICAÇÃO DA DISCIPLINA
1. IDENTIFICAÇÃO DA DISCIPLINA CURSO: FT02-T PERÍODO LETIVO: 2017/2 TURMA: 01 DISCIPLINA: Sistema de Controle SIGLA: FTE029 CARGA HORÁRIA TOTAL: 90 CRÉDITOS: 6 TEÓRICA: 90 PRÁTICA: 0 PRÉ-REQUISITO: FTE008
Leia maisSISTEMAS DE CONTROLE SIC
SISTEMAS DE CONTROLE SIC Parte 0 Introdução Professor Dr. Michael Klug 1 Definição CONTROLE é o ato de comandar, dirigir, ordenar ou manipular Controle clássico (convencional); Controle moderno; Controle
Leia maisCCL: CONTROLE CLÁSSICO. Profa. Mariana Cavalca
CCL: CONTROLE CLÁSSICO Profa. Mariana Cavalca Currículo Resumido Curso Técnico em Eletro-Eletrônica ETEP (São José dos Campos - SP) Iniciação científica (estatística) Estágio Empresa ITA júnior: microcontroladores.
Leia maisControladores PID - Efeitos e sintonia
- Efeitos e sintonia Guilherme Luiz Moritz 1 1 DAELT - Universidade Tecnológica Federal do Paraná 03 de 2013 Guilherme Luiz Moritz Avaliação UTFPR - Engenharia industrial elétrica - ênfase em eletrônica/telecomunicações
Leia maisESTIMAÇÃO DA VELOCIDADE DE DESLOCAMENTO DE UMA ESTEIRA TRANSPORTADORA UTILIZANDO REDES NEURAIS ARTIFICIAIS
ESTIMAÇÃO DA VELOCIDADE DE DESLOCAMENTO DE UMA ESTEIRA TRANSPORTADORA UTILIZANDO REDES NEURAIS ARTIFICIAIS Samuel Vieira DIAS (1); Geraldo Luis Bezerra RAMALHO (2); (1) Instituto Federal de Educação, Ciência
Leia maisGERENCIAMENTO DE PROJETOS - 20h - EaD
GERENCIAMENTO DE PROJETOS - 20h - EaD Apresentação de gerência de projetos; metodologia de gerência de projetos - ciclo da vida da gestão de projetos; análise de riscos e medidas gerenciais derivadas;
Leia maisPrevisão de Vazões utilizando Redes Neurais Artificiais MLP e NSRBN
Previsão de Vazões utilizando Redes Neurais Artificiais MLP e NSRBN Alan Caio Rodrigues MARQUES 1, Gelson da Cruz JUNIOR 2, Cassio Dener Noronha VINHAL 3 Escola de Engenharia Elétrica e de Computação 1
Leia maisSintonia de um sistema PID via Algoritmos Genéticos aplicado ao controle de um manipulador robótico em forma de paralelogramo
Sintonia de um sistema PID via Algoritmos Genéticos aplicado ao controle de um manipulador robótico em forma de paralelogramo Filipe Sacchi ICA: Applied Computational Intelligence Department of Electrical
Leia maisLaboratório 08: Prática de Identificação de Sistemas e Projeto de Controlador
UNIVERSIDADE DO ESTADO DE SANTA CATARINA UDESC CURSO DE ENGENHARIA ELÉTRICA INTRODUÇÃO AOS SISTEMAS DE CONTROLE EXPERIMENTAL PROFESSOR: ANTONIO SILVEIRA Laboratório 08: Prática de Identificação de Sistemas
Leia mais3. MODELOS MATEMÁTICOS
13 3. MODELOS MATEMÁTICOS 3.1 ENSAIOS EXPERIMENTAIS COM O TROCADOR DE CALOR Todos os ensaios realizados com o trocador de calor para a obtenção de seu modelo consistiram em se aplicar um degrau de vazão
Leia maisUNIVERSIDADE ESTADUAL PAULISTA Júlio de Mesquita Filho Campus Experimental de Sorocaba
PLANO DE ENSINO UNIDADE: CURSO: Engenharia de Controle e Automação HABILITAÇÃO: Controle e Automação OPÇÃO: - DEPARTAMENTO: - IDENTIFICAÇÃO: CÓDIGO: ITC DISCIPLINA: INTRODUÇÃO À TEORIA DE CONTROLE SERIAÇÃO
Leia maisMODELO NEURAL COM ATRASO DE TEMPO PARA A PREVISÃO DO INCC
MODELO NEURAL COM ATRASO DE TEMPO PARA A PREVISÃO DO INCC Paulo Roberto Barbosa 1 Elaine Inacio Bueno 2 Nas Ciências Econômicas ocorrem fenômenos temporais que dependem da observação de dados em um período
Leia maisSintonia de Controladores PID
Sintonia de Controladores PID Objetivo: Determinar K p, K i e K d de modo a satisfazer especificações de projeto. Os efeitos independentes dos ganhos K p, K i e K d na resposta de malha fechada do sistema
Leia maisIntrodução à Redes Neurais. Prof. Matheus Giovanni Pires EXA 868 Inteligência Artificial Não-Simbólica B Universidade Estadual de Feira de Santana
Introdução à Redes Neurais Artificiais Prof. Matheus Giovanni Pires EXA 868 Inteligência Artificial Não-Simbólica B Universidade Estadual de Feira de Santana 2 Introdução Redes Neurais Artificiais (RNAs)
Leia mais6 Controlador de Estado
6 Controlador de Estado Apresenta-se a seguir o método para implementação do sistema de controle por estados (Ogata, 1990). Considera-se agora o sistema representado em sua forma de estado: (25) cujo o
Leia maisO uso de uma Rede Neural Artificial Supervisionada para obtenção do fator de carga de um alimentador.
O uso de uma Rede Neural Artificial Supervisionada para obtenção do fator de carga de um alimentador. Resumo: Lucas da Silva Assis Universidade Federal de Goiás lucasilvassis@gmail.com Esse trabalho apresenta
Leia mais3.1 INTRODUÇÃO AOS MODELOS LINEARIZADOS DA COLUNA DE DESTILAÇÃO
Modelagem da coluna de destilação 38 3 MODELAGEM DA COLUNA DE DESTILAÇÃO 3.1 INTRODUÇÃO AOS MODELOS LINEARIZADOS DA COLUNA DE DESTILAÇÃO A coluna de destilação utilizada neste trabalho apresenta uma dinâmica
Leia maisPROJETO DA MALHA DE CONTROLE DE UM PROCESSO DE HIDRÓLISE DE ANIDRIDO ACÉTICO EM CSTR
PROJETO DA MALHA DE CONTROLE DE UM PROCESSO DE HIDRÓLISE DE ANIDRIDO ACÉTICO EM CSTR A. C. S. R. DIAS, B. R. BOTINHA, J. R. COSTA, C. S. O. TENIS e J. C. S. DUTRA LAMCES Laboratório de Métodos Computacionais,
Leia maisDESENVOLVIMENTO DE UM CONTROLADOR FUZZY APLICADO EM UM PROCESSO NÃO LINEAR DE TANQUES COMUNICANTES
DESENVOLVIMENTO DE UM CONTROLADOR FUZZY APLICADO EM UM PROCESSO NÃO LINEAR DE TANQUES COMUNICANTES M. C. de FREITAS 1, F. V. da SILVA 2 1 Universidade Estadual de Campinas, Faculdade de Engenharia Química
Leia maisCÁLCULO DO EQUILIBRIO DE TROCA-IÔNICA DO SISTEMA Na + -Pb 2+ -Cu 2+ USANDO REDES NEURAIS ARTIFICIAIS.
CÁLCULO DO EQUILIBRIO DE TROCA-IÔNICA DO SISTEMA Na + -Pb 2+ -Cu 2+ USANDO REDES NEURAIS ARTIFICIAIS. A. B. B. GIOPATTO 1, E. A. SILVA 2, T. D. MARTINS 1 1 Universidade Federal de São Paulo, Departamento
Leia maisRoteiro de Laboratório - Experiência 2 Controle de Sistemas e Servomecanismos II
Roteiro de Laboratório - Experiência 2 Controle de Sistemas e Servomecanismos II Carlos Eduardo de Brito Novaes carlos.novaes@aedu.com http://professorcarlosnovaes.wordpress.com 3 de novembro de 2012 1
Leia maisFigura 1. Modelo de 1/4 de
ESTUDO E SIMULAÇÃO DE CONTROLE DE SUSPENSÃO ATIVA PARA MODELOS DE UM QUARTO DE CARRO E CARRO INTEIRO STUDY AND SIMULATION OF ACTIVE SUSPENSION CONTROLLERS FOR QUARTER-CAR MODELS AND FULL-CAR MODELS Rafael
Leia maisXIII Simpósio Brasileiro de Automação Inteligente Porto Alegre RS, 1 o 4 de Outubro de 2017
DESENVOLVIMENTO DE UM SOFTWARE PARA IDENTIFICAÇÃO DE SISTEMAS DINÂMICOS NÃO-LINEARES UTILIZANDO UMA FUZZY WAVELET NEURAL NETWORK MODIFICADA Fábio Ricardo de Lima Souza, José Kleiton Ewerton da Costa Martins,
Leia maisModelagem, Simulação e Controle de uma Planta de Nível Didática.
Modelagem, Simulação e Controle de uma Planta de Nível Didática. Felipe José de Sousa Vasconcelos 1, Cláudio Marques de Sá Medeiros 2 1 Graduando em Engenharia Mecatrônica IFCE. e-mail:vasconcelos_sf@hotmail.com
Leia maisAPLICAÇÃO DE MODELOS ARX E ARMAX DA TEORIA DE IDENTIFICAÇÃO DE SISTEMAS PARA PREDIÇÃO DO TEMPO DE VIDA DE BATERIAS QUE ALIMENTAM DISPOSITIVOS MÓVEIS 1
APLICAÇÃO DE MODELOS ARX E ARMAX DA TEORIA DE IDENTIFICAÇÃO DE SISTEMAS PARA PREDIÇÃO DO TEMPO DE VIDA DE BATERIAS QUE ALIMENTAM DISPOSITIVOS MÓVEIS 1 Joelson Lopes Da Paixão 2, Airam Teresa Zago Romcy
Leia maisIMPLEMENTAÇÃO DE CONTROLADORES CONVENCIONAIS E FUZZY PARA CONTROLE DE VELOCIDADE DE UM MOTOR CC
IMPLEMENTAÇÃO DE CONTROLADORES CONVENCIONAIS E FUZZY PARA CONTROLE DE VELOCIDADE DE UM MOTOR CC Ricardo V. C. S. ANDRADE (1); Brehme D. R. MESQUITA (2); André M. D. FERREIRA (3) (1) Instituto Federal de
Leia maisControlador PID: algoritmo, estrutura e sintonia
Controlador PID: algoritmo, estrutura e sintonia Prof. Marcus V. Americano da Costa F o Departamento de Engenharia Química Universidade Federal da Bahia Salvador-BA, 05 de setembro de 2018. Sumário 1 Introdução
Leia maisDETERMINAÇÃO EXPERIMENTAL DOS PARÂMETROS DE UM MODELO PARA UM PROCESSO MULTIVARIÁVEL DE QUATRO TANQUES ACOPLADOS.
DETERMINAÇÃO EXPERIMENTAL DOS PARÂMETROS DE UM MODELO PARA UM PROCESSO MULTIVARIÁVEL DE QUATRO TANQUES ACOPLADOS. M.C. de Freitas, F.V. da Silva. Universidade Estadual de Campinas, Faculdade de Engenharia
Leia maisCA2COD1: COD CONTROLE DIGITAL. Profa. Mariana Cavalca
CA2COD1: COD CONTROLE DIGITAL Profa. Mariana Cavalca Currículo Resumido Curso Técnico em Eletro-Eletrônica ETEP (São José dos Campos - SP) Iniciação científica (estatística) Estágio Empresa ITA júnior:
Leia maisPID e Lugar das Raízes
PID e Lugar das Raízes 1. Controlador PID 2. Minorsky (1922), Directional stability of automatically steered bodies, Journal of the American Society of Naval Engineers, Vol. 34, pp. 284 Pilotagem de navios
Leia maisUM MODELO NEURAL PARA A PREVISÃO DA DEMANDA DE ENERGIA ELÉTRICA NA CIDADE DE FRANCA
UM MODELO NEURAL PARA A PREVISÃO DA DEMANDA DE ENERGIA ELÉTRICA NA CIDADE DE FRANCA SOUZA, REGIANE MÁXIMO YOSHINO, RUI TADASHI HANISC,H, WERNER SIEGFRIED ETO, REGINA FUMIE Palavras-chaves: Artificial Neural
Leia mais4 Cálculo de Equivalentes Dinâmicos
4 Cálculo de Equivalentes Dinâmicos 4.1. Introdução Os sistemas de potência interligados vêm adquirindo maior tamanho e complexidade, aumentando a dependência de sistemas de controle tanto em operação
Leia maisUFBA PLANO DE ENSINO ENGC54 - LABORATÓRIO INTEGRADO VI Prof. Aurino Almeida Filho Prof. Tito Luís Maia Santos
UFBA PLANO DE ENSINO ENGC54 - LABORATÓRIO INTEGRADO VI Prof. Aurino Almeida Filho Prof. Tito Luís Maia Santos 2016.2 UNIDADE: ESCOLA POLITÉCNICA DEPARTAMENTO: ENGENHARIA ELÉTRICA CÓDIGO: ENGC54 MODALIDADE:
Leia maisNovos métodos de Sintonia de Controladores PID
Novos métodos de Sintonia de Controladores PID. Introdução Existem diversas questões que devem ser consideradas no projeto de controladores PID, como por exemplo: Resposta a distúrbios de carga; Resposta
Leia maisMario Campos, Dr.ECP PETROBRÁS/CENPES. Engenharia Básica em Automação e Otimização de Processos (EB/AOT)
Controle Regulatório Avançado e Sintonia de Controladores PID Mario Campos, Dr.ECP PETROBRÁS/CENPES Engenharia Básica em Automação e Otimização de Processos (EB/AOT) e-mail: mariocampos@petrobras petrobras.com..com.br
Leia maisCURSO DE PÓS-GRADUAÇÃO LATO SENSU AUTOMAÇÃO INDUSTRIAL E SISTEMAS DE CONTROLE - MECATRÔNICA
CURSO DE PÓS-GRADUAÇÃO LATO SENSU AUTOMAÇÃO INDUSTRIAL E SISTEMAS DE CONTROLE - MECATRÔNICA Motivação O setor industrial experimentou nas últimas duas décadas um extraordinário avanço devido ao aumento
Leia maisCONTROLE DE NÍVEL ATRAVÉS DE UMA VÁLVULA ESFÉRICA
CONTROLE DE NÍVEL ATRAVÉS DE UMA VÁLVULA ESFÉRICA Marco Aurélio Lage Duarte 1 Brenda Mendes Lopes 2 Accacio Ferreira dos Santos 3 PALAVRAS-CHAVE: válvula esférica; controle de nível; sintonia PI; Arduino.
Leia maisAlvaro Talavera López
CONTROLE ADAPTATIVO GENETICO INDIRETO PARA SISTEMAS NÃO LINEARES E OTIMIZAÇÃO DE CONTROLADORES PID UTILIZANDO ALGORTIMOS GENÉTICOS Alvaro Talavera López alvaro@ele.puc-rio.com Departamento de Engenharia
Leia maisControl Design and Simulation
Control Design and Simulation Controller Plant Setpoint + _ Error G(s) H(s) Output Rodrigo Schneiater Engenheiro de Vendas Osvaldo Santos Engenheiro de Sistemas LabVIEW Control Design and Simulation: LabVIEW
Leia maisAlgoritmo de um controlador PID para microprocessadores utilizando método Ziegler-Nichols
Algoritmo de um controlador PID para microprocessadores utilizando método Ziegler-Nichols Jonas Rodrigues Vieira dos Santos 1, Rômulo Lopes Frutuoso 2, Luiz Daniel Santos Bezerra 3 1 Bacharelando em Ciência
Leia maisControladores: Proporcional (P) Proporcional e Integral (PI) Proporcional, Integral e Derivativo (PID)
Sistemas Realimentados Regulação e Tipo de sistema: Entrada de referência Entrada de distúrbio Controladores: Proporcional (P) Proporcional e Integral (PI) Proporcional, Integral e Derivativo (PID) Fernando
Leia maisProva 2 (Parte Computacional)
Universidade de Brasília Faculdade de Tecnologia Departamento de Engenharia Elétrica 169536 - Tópicos em Controle e Automação: Controle de Processos 2S / 2012 Prof. Eduardo Stockler Tognetti Prova 2 (Parte
Leia maisDETERMINAÇÃO DE FUNÇÕES DE TRANSFERÊNCIA DE PROCESSOS QUÍMICOS ATRAVÉS DO MÉTODO DE EVOLUÇÃO DIFERENCIAL UTILIZANDO O SCILAB
DETERMINAÇÃO DE FUNÇÕES DE TRANSFERÊNCIA DE PROCESSOS QUÍMICOS ATRAVÉS DO MÉTODO DE EVOLUÇÃO DIFERENCIAL UTILIZANDO O SCILAB A. H. R. REZENDE 1, D. L. SOUZA 1 1 Universidade Federal do Triângulo Mineiro,
Leia maisRedes Neurais Artificial. Prática. Inteligência Artificial
Redes Neurais Artificial Prática Inteligência Artificial Professor: Rosalvo Ferreira de Oliveira Neto Estrutura 1. Introdução a MLP 2. Base de dados e Pré-Processamento 3. Prática MLP - Introdução Redes
Leia maisTÓPICOS EM INTELIGÊNCIA ARTIFICIAL Redes Neurais Artificiais
TÓPICOS EM INTELIGÊNCIA ARTIFICIAL Redes Neurais Artificiais ricardo.kerschbaumer@ifc.edu.br http://professor.luzerna.ifc.edu.br/ricardo-kerschbaumer/ Introdução O Cérebro humano Mais fascinante processador
Leia maisA Exsto Tecnologia atua no mercado educacional, desenvolvendo kits didáticos para o ensino tecnológico.
A Exsto Tecnologia atua no mercado educacional, desenvolvendo kits didáticos para o ensino tecnológico. Em um mundo digital, a tecnologia evolui de forma rápida e constante. A cada dia novos equipamentos,
Leia maisAnais do IX Congresso Brasileiro de Redes Neurais / Inteligência Computacional (IX CBRN)
EFICIÊNCIA ENERGÉTICA EM SISTEMAS DE VENTILAÇÃO AXIAL UTILIZANDO REDES NEU- RAIS ARTIFICIAIS MOREIRA, ADSON B., TEIXEIRA, VANESSA S. C.. Curso de Engenharia Elétrica, Universidade Federal do Ceará Campus
Leia maisModelação, Identificação e Controlo Digital
Modelação, Identificação e Controlo Digital Apresentação 2006/2007 1 Modelação, Identificação e Controlo Digital Semestre de Inverno 2006/2007 Área Científica de Sistemas de Decisão e Controlo Modelação,
Leia maisProjeto de pesquisa realizado no curso de Engenharia Elétrica da Unijuí, junto ao GAIC (Grupo de Automação Industrial e Controle) 2
MODELAGEM MATEMÁTICA DE PLATAFORMA EXPERIMENTAL PARA SIMULAÇÃO DE AERONAVE MULTIRROTORA 1 MATHEMATICAL MODELLING OF EXPERIMENTAL PLATFORM FOR SIMULATION OF MULTIROTOR AIRCRAFT Christopher Sauer 2, Manuel
Leia maisAula 7: Sintonia de controladores PID
Aula 7: Sintonia de controladores PID prof. Dr. Eduardo Bento Pereira Universidade Federal de São João del-rei ebento@ufsj.edu.br 5 de setembro de 2017. prof. Dr. Eduardo Bento Pereira (UFSJ) Controle
Leia maisFERRAMENTA PARA CONFIGURAÇÃO DE SISTEMAS DE CONTROLE EMBARCADOS (IoTControl) 1
FERRAMENTA PARA CONFIGURAÇÃO DE SISTEMAS DE CONTROLE EMBARCADOS (IoTControl) 1 Danilo Oliveira MARTINS 2 Discente do Mestrado em Automação e Controle de Processos IFSP/Campus São Paulo Alexandre Brincalepe
Leia maisANÁLISE QUANTITATIVA DE UM PÊNDULO INVERTIDO CONTROLADO POR PID E LÓGICA FUZZY
ANÁLISE QUANTITATIVA DE UM PÊNDULO INVERTIDO CONTROLADO POR PID E LÓGICA FUZZY Adryano Fernandes Resende 1, Jackson Gonçalves Ernesto 2, Fábio Augusto Gentilin³ 1,2 Acadêmicos do Curso de Engenharia de
Leia maisModelagem para previsão/estimação: uma aplicação Neuro-Fuzzy
Proceeding Series of the Brazilian Society of pplied and Computational Mathematics, Vol., N., 0. Trabalho apresentado no XXXV CNMC, Natal-RN, 0. Modelagem para previsão/estimação: uma aplicação Neuro-Fuzzy
Leia maisProjeto e implementação de controlador LQR com servomecanismo aplicado a um pêndulo invertido
Projeto e implementação de controlador LQR com servomecanismo aplicado a um pêndulo invertido Lucas Vizzotto Bellinaso Engenharia Elétrica Universidade Federal de Santa Maria Santa Maria, Rio Grande do
Leia maisRedes Neurais Articiais para Controle de uma Planta de Nível
1 Redes Neurais Articiais para Controle de uma Planta de Nível Isabele Morais Costa, Luana Lyra de Almeida, Stella Neves Duarte Lisboa e Fábio Meneghetti Ugulino de Araújo ResumoEste trabalho pretende
Leia mais-GNE219 - Controle em Espaço de Estados
Universidade Federal de Lavras Departamento de Engenharia -GNE219 - Controle em Espaço de Estados Prof. Daniel Leite E-mail: daniel.leite@deg.ufla.br 2/2017 1/27 Considerações Eng. de Controle e Automação
Leia maisRevista Intellectus N 26 Vol 01. SINTONIA DE UM CONTROLADOR PID UTILIZANDO O LABVIEW Tuning a PID controller using LABVIEW
SINTONIA DE UM CONTROLADOR PID UTILIZANDO O LABVIEW Tuning a PID controller using LABVIEW REIS, John Antonio dos Faculdade de Jaguariúna Resumo: O trabalho a seguir documenta o projeto de sintonização
Leia maisCONTROLE DE SISTEMAS NÃO LINEARES: UM ESTUDO DE CASO NA GRADUAÇÃO
CONTROLE DE SISTEMAS NÃO LINEARES: UM ESTUDO DE CASO NA GRADUAÇÃO Kamila P. Rocha kamila.rocha@member.isa.org Nathalie M. Panoeiro nathalie.panoeiro@member.isa.org Lindolpho O. de Araujo Júnior lindolpho@leopoldina.cefetmg.br
Leia maisCAPÍTULO 7 Projeto usando o Lugar Geométrico das Raízes
CAPÍTULO 7 Projeto usando o Lugar Geométrico das Raízes 7.1 Introdução Os objetivos do projeto de sistemas de controle foram discutidos no Capítulo 5. No Capítulo 6 foram apresentados métodos rápidos de
Leia maisCONTROLADOR PID SINTONIZADO POR REDES NEURAIS ARTIFICIAIS
UNIVERSIDADE FEDERAL DO PARANÁ SETOR DE TECNOLOGIA DEPARTAMENTO DE ENGENHARIA ELÉTRICA CONTROLADOR PID SINTONIZADO POR REDES NEURAIS ARTIFICIAIS CURITIBA 2011 ALLAN CHRISTIAN KRAINSKI FERRARI CONTROLADOR
Leia maisFigura 5.11 Densidade espectral do erro para o ensaio FXLMS Híbrido.
71 Figura 5.11 Densidade espectral do erro para o ensaio FXLMS Híbrido. As freqüências de excitação utilizadas neste ensaio foram as mesmas dos ensaios anteriores. Na figura 5.11 é observada uma atenuação
Leia maisPREDIÇÃO DO TEMPO DE VIDA DE BATERIAS DE LITHIUM-ION POLYMER UTILIZANDO INTERPOLAÇÃO POLINOMIAL 1
PREDIÇÃO DO TEMPO DE VIDA DE BATERIAS DE LITHIUM-ION POLYMER UTILIZANDO INTERPOLAÇÃO POLINOMIAL 1 Rita Salete Kusiak 2, Douglas Joziel Bitencourt Freitas 3, Airam Tereza Zago Romcy Sausen 4, Paulo Sérgio
Leia maisLABORATÓRIO DE CONTROLE I SINTONIA DE CONTROLADOR PID
UNIVERSIDADE FEDERAL DO VALE DO SÃO FRANCISCO COLEGIADO DE ENGENHARIA ELÉTRICA LABORATÓRIO DE CONTROLE I Experimento 6: SINTONIA DE CONTROLADOR PID COLEGIADO DE ENGENHARIA ELÉTRICA DISCENTES: Lucas Pires
Leia maisControle Preditivo com Múltiplos Modelos para a Acomodação de Falhas
Instituto Tecnológico de Aeronáutica Divisão de Engenharia Eletrônica Departamento de Sistemas e Controle Tese de Mestrado Controle Preditivo com Múltiplos Modelos para a Acomodação de Falhas Mariana Santos
Leia maisAula 12. Cristiano Quevedo Andrea 1. Curitiba, Outubro de DAELT - Departamento Acadêmico de Eletrotécnica
Aula 12 Cristiano Quevedo Andrea 1 1 UTFPR - Universidade Tecnológica Federal do Paraná DAELT - Departamento Acadêmico de Eletrotécnica Curitiba, Outubro de 2011. Resumo 1 Introdução 2 3 4 5 Podemos melhorar
Leia maisAULA 8 COMPENSAÇÃO POR ATRASO DE FASE. Universidade Federal do ABC UFABC ESTA003-17: SISTEMAS DE CONTROLE I PROF. DR. ALFREDO DEL SOLE LORDELO
Universidade Federal do ABC UFABC ESTA003-17: SISTEMAS DE CONTROLE I AULA 8 COMPENSAÇÃO POR ATRASO DE FASE PROF. DR. ALFREDO DEL SOLE LORDELO TELA CHEIA A configuração do compensador eletrônico por atraso
Leia maisRedes Neurais Artificiais. Professor: Juan Moises Villanueva
Redes Neurais Artificiais Mestrando: Lucas Nicolau Email: lucasfnicolau@gmail.com Professor: Juan Moises Villanueva Rede Neural Direta Arquitetura com múltiplas camadas com fluxo de informação apenas em
Leia maisAlexandre Bernardino, Margarida Silveira, J. Miranda Lemos
Mestrado Integrado em Engenharia Aeroespacial 2009/2010 - Semestre de Inverno Controlo Óptimo e Adaptativo TRABALHO DE LABORATÓRIO Identificação e Controlo Digital do Sistema de Posicionamento de uma Barra
Leia maisControle de Sistemas Dinâmicos. Informações básicas
Controle de Sistemas Dinâmicos Informações básicas Endereço com material http://sites.google.com/site/disciplinasrgvm/ Ementa Modelagem de Sistemas de Controle; Sistemas em Malha Aberta e em Malha Fechada;
Leia maisAnálise Quantitativa de Tecidos em Úlceras de Perna
49 5 Análise Quantitativa de Tecidos em Úlceras de Perna A avaliação das áreas proporcionais de cada tecido interno das úlceras fornece informações importantes sobre seu estado patológico [BERRISS, 2000],
Leia mais2. TROCADOR DE CALOR FEIXE TUBULAR
3 2. TROCADOR DE CALOR FEIXE TUBULAR 2.1 DESCRIÇÃO DO TROCADOR DE CALOR FEIXE TUBULAR O trocador de calor feixe tubular [5] instalado na planta piloto da Engenharia de Alimentos da Escola de Engenharia
Leia maisMinistério da Educação UNIVERSIDADE TECNOLÓGICA FEDERAL DO PARANÁ Câmpus Medianeira PLANO DE ENSINO. CURSO Engenharia Elétrica MATRIZ 548
Ministério da Educação UNIVERSIDADE TECNOLÓGICA FEDERAL DO PARANÁ Câmpus Medianeira PLANO DE ENSINO CURSO Engenharia Elétrica MATRIZ 548 FUNDAMENTAÇÃO LEGAL Processo N 003/11, aprovado pela Resolução n.
Leia maisGUIDELINES DE CONTROLADORES PID PARA CICLO DE REFRIGERAÇÃO INDUSTRIAL
GUIDELINES DE CONTROLADORES PID PARA CICLO DE REFRIGERAÇÃO INDUSTRIAL S. B. B. L. VILLAR 1, T. G. NEVES 1, J. I. H. T. NETO 2 e A. C. B. ARAÚJO 1 1 Universidade Federal de Campina Grande, Unidade Acadêmica
Leia maisSintonia do compensador PID
Sintonia do compensador PID 0.1 Introdução DAELN - UTFPR - Controle I Paulo Roberto Brero de Campos Neste capítulo será estudado um problema muito comum na indústria que consiste em fazer o ajuste dos
Leia maisCONTROLADOR PROPORCIONAL, INTEGRAL E DERIVATIVO (PID)
CONTROLADOR PROPORCIONAL, INTEGRAL E DERIVATIVO (PID) AÇÕES DE CONTROLE O controlador PID é um controlador composto por três ações de controle Ação proporcional: u t = k e t Ação integral: u t = k 0 t
Leia mais