CONTROLADOR HÍBRIDO NEURAL NO CONTROLE DE NÍVEL DE UMA PLANTA INDUSTRIAL

Transcrição

1 CONTROLADOR HÍBRIDO NEURAL NO CONTROLE DE NÍVEL DE UMA PLANTA INDUSTRIAL OSCAR G. FILHO, ADRIÃO D. D. NETO, JOILSON B.A. REGO, NIELSEN C. DAMASCENO Dca Deartamento de Engenharia de Comutação e Automação UFRN Laboratório de Automação, Engenharia da Comutação, UnP Universidade Potiguar. s: oscargf@un.br, adriao@dca.ufrn.br,jotarego@gmail.com, nielsen.tekla@gmail.com UFRN - Universidade Federal do Rio G. Norte Caixa Postal Camus Universitário Lagoa Nova UnP Universidade Potiguar. Av. Nascimento de Castro, 1597 Dix-Set Rosado, RN, NATAL. Abstract The roblem of the system controls, in general terms, it is of obtaining a strategy of erformance on a system, so that he behaves in a convenient way, making ossible the accomlishment of the comlex functions of control and of treatment of signs. In fact, techniques of Artificial Inteligence can be included in those control functions and treatment of signs. The resent work roosed here is to analyze and to synthesize devices hybrid neurocomuters using net neural, that are alied in control of a dynamic system. All these roerties are exlored then in the solution of advanced roblems of control of dynamic systems, that it consists of an indirect hybrid controller's develoment based on neural networks, using the model Neural Network Autoregressive with Exogeneous inuts for the control of level of an existent industrial lant in the Universidade Potiguar - UnP. The controller's imlementation is made on using rogramming language guided to object Java. eywords Indirect Hybrid controller, Neural Networks, System of Control. Resumo O roblema de controlar um sistema, em termos gerais, é obter uma estratégia de atuação sobre o mesmo, de modo que se comorte de forma conveniente, ossibilitando a realização das funções comlexas de controle e de tratamento de sinais. Atualmente, técnicas de Inteligência Artificial odem ser incluídas nestas funções de controle e tratamento de sinais. O resente trabalho tem o objetivo de analisar e imlementar disositivos neurocomutacionais híbridos, a serem alicados em controle de um sistema dinâmico. As roriedades das redes neurais artificiais são exloradas na solução de roblemas avançados de controle de sistemas dinâmicos, que consiste no desenvolvimento de um controlador híbrido indireto neural, usando o modelo de Rede Neural Autoregressiva com Entradas Exógenas ara o controle de nível de uma lanta industrial existente na Universidade Potiguar UnP. A imlementação do controlador é feita usando linguagem de rogramação orientada a objeto Java. Palavras-chave Controlador Híbrido Indireto, Redes Neurais, Sistema de Controle. 1 Introdução Nas últimas décadas, com o desenvolvimento tecnológico, uma das áreas que mais vem se difundindo no Controle e Automação é a Inteligência Artificial. Existem duas técnicas de controle, que são: Controle Convencional e Controle Avançado. Podemos dividir Controle Convencional em: Clássico (Função de Transferência - FT) e Moderno (Esaço de Estado EE). Atualmente, a técnica de Controle Avançado tem as seguintes abordagens: adatativo, reditivo, inteligente. O foco deste trabalho é o Controle Inteligente. O rincial objetivo deste trabalho é identificar e controlar um sistema físico real utilizando Redes Neurais Artificiais (RNA s) no controle de nível do mesmo. O controle e a identificação será executado em temo real ( on-line ). Para o treinamento da rede neural será usado o método Proagação Retroativa do Erro ( Error Back Proagation ). Muito já se foi estudado e simulado comutacionalmente a reseito do controle inteligente em sistemas reais, este trabalho vem a contribuir demonstrando de forma rática que é ossível o uso dessa técnica rincialmente quando o modelo da lanta é determinístico. Foi desenvolvido um alicativo utilizando a linguagem de rogramação Java. Com esse alicativo o sistema deverá atuar no controlador clássico, um Controlador Lógico Programável (CLP) do tio SLC 5/03, da Allen Brandley, localizado na lanta industrial. Assim, será realizado um estudo comarativo entre o controlador clássico do tio PID e o controlador híbrido indireto, bom como analisar o comortamento dinâmico de cada um desses sistemas de controle, criando a ossibilidade do oerador da resectiva lanta escolher entre a técnica Clássica ou Neural. O resente trabalho está organizado da seguinte forma: na seção 2, será exosto de forma resumida os controladores industriais; na seção 3, será abordado alguns conceitos de controle inteligente; na seção 4, será descrito algumas definições da biblioteca dinâmica que usa o rotocolo de comunicação DDE; na seção 5, escreve-se sobre o rotótio da lanta industrial; na seção 6 descreve-se, o Controlador Híbrido Neural, o controlador clássico PID(Proorcional, Integrativo e Derivativo), os testes feitos na lanta, as análises e os resultados; finalmente, a seção 7 será sobre as considerações finais. 2 Controle Industrial Pode-se definir ação de controle como sendo a maneira ela qual o controlador automático roduz o sinal de controle (OGATA, 2000). Este controlador comara o valor da grandeza de saída do rocesso (PV Process Variable) com a grandeza de referência (SP Set Poin, determina a taxa de variação do erro (e = PV SP) e roduz um sinal de controle (u) que tende a minimizar o erro dentro de uma tolerância definida.

2 2.1 Classificação dos controladores: Controlador on-off Controlador do tio roorcional Controlador do tio integral Controlador do tio Proorcional e integral (PI) Controlador do tio Proorcional e Derivativo (PD) Controlador do tio Proorcional, Integral e Derivativo (PID) O controlador PID é certamente o controlador mais utilizado na indústria. Em uma esquisa observou-se que a maioria das malhas de controle mundial, ou seja, cerca de 90% eram controladas or PID (OGATA, 2000). A equação de um controlador com essas ações combinadas é dada or: u( =. e( + i t e( dt + e a função de transferência é dada or: U ( s) = E( s) em que constante integrativa e (OGATA, 2000). 0 1 (1 +. s + i d. s). é o ganho roorcional, d de( dt i é a d é a constante derivativa 3 REDES NEURAIS EM SISTEMAS DE CONTROLE Um sistema de controle neural utiliza uma rede neural como arte do controlador. Esse assunto tem sido esquisado, sobretudo no caso em que o modelo matemático do rocesso a controlar não está disonível e deseja-se usar as caacidades de arendizado da RNA ara a solução de roblemas. 3.1 Identificação de Sistemas. (1) (2) Entende-se or modelagem matemática a área do conhecimento que roicia a obtenção de modelos matemáticos que reresentam sistemas dinâmicos (AGUIRRE, 2000). Neste trabalho será emregado o modelo caixa reta ara identificação do sistema a artir de medições realizadas na entrada e na saída da lanta utilizando técnicas de redes neurais artificiais. O sistema físico a ser modelado é causal, ou seja, a ordem da saída é maior ou no mínimo igual a da entrada da lanta. Há também a necessidade de conhecer a ordem e o atraso da lanta, antes de se executar o rocesso de identificação do sistema. 3.2 Identificador Neural. Um Identificador Neural (IN) é uma rede neural aroriada ara identificação de sistemas nãolineares, obtida a artir de modelo linear. As estruturas de modelo linear são: FIR (Finite Imulse Resonse) ARX (Autoregressive, external inu ARMAX (AutoRegressive, Moving Average, external inu OE(Outut Error) SSIF (State Sace Innovations Form). Deendendo da escolha do vetor que contem as variáveis usadas ara se estimar a saída do sistema, tem-se: NNARX (Neural Network AutoRegressive with exogeneous Inuts ), NNFIR (Neural Network with Finite Inulse Resonse), NNARMAX (Neural Network AutoRegressive with Moving Average and exogeneous Inu, NNOE ( Neural Network with Outut Error) e NNSSIF (Neural Network State Sace Innovations Form) (N RGAARD, 2001) Rede Neural com resosta ao imulso finita (NNFIR) O modelo NNFIR ( Neural Network With Finite Imulse Resonse ) é dado ela seguinte exressão matemática: T y( k + d ) = ϕ ( k, d, n). θ Rede Neural Autoregressiva com Entradas Exógenas (NNARX) O modelo AutoRegressive with exogeneous inuts (ARX) é dado ela exressão: 3.3 Controle Adatativo T y( k + d ) = ϕ ( k, d, n). θ Existem duas categorias de controle adatativo: direto e indireto (N RGAARD, 2001). No controle adatativo direto, o modelo da lanta é arametrizado de acordo com os arâmetros do rório controlador que são estimados sem cálculos intermediários. Esse tio de controle é baseado na estimação de um modelo imlícito da lanta. No controle adatativo indireto, os arâmetros da resectiva lanta são estimados em temo real e usados ara calcular os novos arâmetros do controlador e é baseado no modelo exlícito da lanta (LUCENA, 2005). Os controles adatativos usando redes neurais, também são divididos em dois tios, que são: híbridos e não-híbridos (NG, 1997). Os esquemas de controle neural híbridos utilizam redes neurais traba- (3) (4)

3 lhando com outros controladores, e os são controlados elas redes neurais. 3.4 CONTROLE NÃO-HÍBRIDO DIRETO não-híbridos Neste tio de esquema reresentado na figura 1, o controlador neural tem o objetivo de mi- ara a nimizar a diferença entre o valor desejado saída de referência e a saída da lanta, ou seja, esse valor não é a diferença entre um valor desejado ara a saída da rede neural. Isso imlica em retro- roagar o erro através da lanta. Observando esse esquema de uma forma mais crítica verifica-se que só é ossível fazer o ajuste nos esos da rede neural uma vez a cada eríos valores na odo de amostragem, ois só ode-se ler saída da lanta a cada eríodo de amostragem. Tem-se agora alguns conceitos que regem o funcionamento das RNA s e dos esquemas de contro- le ara identificar a lanta. Neste tóico utiliza-se o esquema de controle indireto com o objetivo de de- o senvolver um algoritmo caaz de imlementar esquema de controle que será utilizado neste traba- lho. Vimos também que no controle não-hibrido indireto há a necessidade de duas redes neurais, de forma a deixar o sistema de controle com uma RNA. Substituí-se o controlador neural or uma lei de controle, reduzindo, assim, o temo gasto de rocessa- De acordo com N rgaard (2001), o modelo mento durante um eríodo de amostragem. NNARX é a estrutura referida quando o sistema a ser modelado é determinístico, ou seja, não tem ro- deste motivo a blemas com estabilidade. Em virtude estrutura escolhida ara identificar a lanta no re- sente trabalho foi o NNARX. Figura 3 Controle híbrido indireto 4 COMDDE Figura 1 Controle não híbrido direto 3.5 CONTROLE NÃO-HÍBRIDO INDIRETO No esquema anterior viu-se que o controla- ara calcu- dor recisa ter o valor da saída da lanta lar o erro e ajustar os esos. Entretanto, no esquema de controle não-híbrido indireto isso não é mais ne- cessário, em razão da existência de um modelo da lanta identificado or uma rede neural que ode ser usado ara se ter uma saída estimada da lanta. O rocesso de arendizagem desse controidentificador lador neural seria fixando os esos do neural já treinado mais o controlador neural, esse esquema é observado na figura 2. Utiliza-se a linguagem de rogramação Java e C++ ara a imlementação de um Drive de roto- desenvolvido colo ara comunicar o alicativo (CHN) com o CLP existente na lanta. O mecanismo DDE é um rotocolo que ermite a troca de informa- Windows ções entre alicações cliente-servidor (DDE, 2007). Usam-se a linguagem de rogramação C++ e uma IDE chamada DevC ara criar a ComDDE. 5 PROTÓTIPO DA PLANTA INDUSTRIAL A lanta existente no laboratório de auto- (modelo : mação da UnP Universidade Potiguar CSV4V-1) utilizada nos testes, é baseada num rotó- na qual estão tio industrial em escala de laboratório resentes as quatro variáveis mais utilizadas em um rocesso, que são: temeratura, nível, vazão e ressão. Figura 2 Controle não-híbrido indireto 3.6 CONTROLE HÍBRIDO INDIRETO Figura 4. Planta industrial da UnP. O controlador PID (no CLP) recebe o sinal de rocesso PV (Process Variable) enviado or um transmissor de nível ara o cartão de entrada, esse

4 sinal é convertido num sinal digital e comarado com o SP (Set Poin que é a variável desejada, ajustada elo oerador no controlador, em seguida é calculado o erro (e = PV SP) e fornecido um sinal de saída CV (Control Variable ), que corresonde ao u(k) que através de uma oeração interna de escalonamento (SCL) é alicado nos inversores de freqüência ara controlar a velocidade das bombas e conseqüentemente o nível da lanta. onde é ossível verificar a resosta transitória do sistema através de gráficos. 6. APLICATIVO CHN (CONTROLADOR HÍBRIDO NEURAL) Figura 6. Processo de funcionamento do CHN. 6.1 CONTROLADOR CLÁSSICO TIPO PID O controlador clássico que este trabalho se refere é uma IHM (CÍCERO COUTO, 2001) desenvolvido no alicativo InTouch 9.5 (WONDERWARE, 2007). Também tem-se uma lógica Ladder escrita no RSLogix 500 (RSLOGIX, 2007) e gravados na memória do CLP, nos quais estes rogramas tem o objetivo de suervisionar e controlar a lanta. Entretanto este usa o controlador roorcional, integrativo e derivativo (PID). Figura 7. Controlador Clássico. Figura 5. Identificador Neural O alicativo ara controle da lanta foi desenvolvido em linguagem de rogramação Java (Sun Microsystems) utilizando-se uma IDE (Ambide software) ente integrado ara desenvolvimento chamada Eclise (ECLIPSE, 2007). De modo geral, a estratégia consiste em identificar o comor- neural tamento da lanta através de um identificador (imlementado comutacionalmente), de modo a ossibilitar a ação de um controladorr baseado no jacobiano desta, e assim gerar um gráfico da resosta transitória do sistema, baseado nos arâmetros obtilanta com o dos a artir da comunicação do CLP da servidor DDE RSLinx (no comutador) através do rotocolo DDE. O servidor RSLinx se comunica diretamente com o CLP SLC 5/03 da Rockwell através de endereços de memória definidos. Tem-se agora que identificar a lanta e estimar os valores de saída da mesma com os valores obtidos durante o treinamento da rede neural. Para isso foi utilizado o algoritmo Error BackProagation ara o treinamento da rede neural imlementada e identi- ficação da lanta. Nesta fase tem-se a lanta identificada, o que ossié dada bilita a alicação da lei de controle que or: Permitindo a estimação do valor a ser escrito na memória do CLP e alicado nos inversores de frenas bombas. qüência ara o controle da velocidade Foram desenvolvidas duas classes em linguagem de rogramação (Java) ara executar essa tarefa. A rimeira armazena os valores do rocesso ara ser alicado no esquema de controle NNARX, e a se- e gera gunda efetua o cálculo do jacobiano estimado a róxima entrada a ser alicada u(k+1) ). Finalmente deois de caturar os dados do rocesso, identificar a lanta, alica-se a lei de controle ara atuar na lanta 6.2 TESTES, ANÁLISES E RESULTADOS Inicialmente, foram feitos uma série de tes- das camadas tes variando-se os valores dos neurônios intermediárias e do eta adatativo na RNA, até conseguir os melhores resultados (menor temo de catura dos dados e temo de treinamento) onde aresentaram melhores resultados a rede neural com 04 e 20 neurônios e uma taxa de treinamento de 0,1, resectivamente. Figura 8 Erro total da RNA mostrado no CHN. Em seguida, foram ajustados os arâmetros do PID no CLP (método Ziegler - Nichols). Para alicações tíicas de controles de vazão, nível e ressão em que não se têm desvio de Set Point em regime ermanen-

5 te. Recomenda-se o uso de um controlador PI. (CAMPOS, 2006). Os gráficos a seguir reresentam a análise comarativa entre o Controlador Clássico e o Controlador Híbrido Neural. 6.3 ANÁLISE DE ROBUSTEZ A robustez significa manter o sistema de controle estável e com um bom desemenho, aesar de somente ossuir um modelo aroximado da lanta ou existir variações nos arâmetros físicos da lanta (SPOONER, 2002). Nas figuras seguintes ode-se verificar a resosta transitória do sistema, submetido a erturbações (fechamento reentino de uma válvu- do SP). Os la, desligamento de inversores e variações gráficos são mostrados no software Intouch e no Controlador Híbrido Neural. Figura 9- Curva de resosta do PID sintonizado elo método de Ziegler Nichols Figura 12 Gráfico no Intouch gerado elo CHN 20 neurônios na camada oculta e uma erturbação Figura 13 Gráfico gerado elo PID com uma erturbação Figura 10 Gráfico no Intouch do CHN com 20 neurônios na camada intermediaria Na figura a seguir tem-se a resosta transitória do sistema nos dois controladores. Em que a curva de resosta do Controlador PID é de cor reta e do Con- trolador Híbrido Neural é cinza. Figura 11 Gráfico comarativo do CHN com o PID. M (CHN) = = 15,71% 70 M (PID) = = 14,28% 70 No último teste comarativo entre o CHN e o PID, em que foram sobreostos os gráficos das duas tecnologias, ode-se observar: Temo morto (tm) e Temo de atraso (td) do CHN menor em comaração com o PID; Sobre sinal (M) do CHN maior em comaração com o PID; Temo de estabilização (tss) do CHN menor em comaração com o PID. Figura 14 Gráfico gerado elo CHN no Intouch com varias erturbações, 20 neurônios na camada oculta e variação de Set Point Figura 15 Gráfico gerado elo PID com varias erturbações e variação de Set Point

6 7 Conclusão O Controlador Inteligente roosto no início do resente trabalho e aresentado ao longo deste, mostrou-se eficiente no tratamento de um roblema comlexo nos sistemas de controle moderno A identificação de sistemas suostamente desconhecido, embora com características não lineares e SISO (Single Inut, Single Outu, através de um comutador utilizando RNAs, sem rovocar a instabilidade do sistema e ao mesmo temo otimizar algum critério de desemenho. Quando se toma a iniciativa de alicar uma RNA ara identificar e controlar uma lanta industrial, verifica-se que a identificação do rocesso está intimamente ligada a estabilidade e robustez do mesmo. As contribuições deste trabalho estão basicamente descritas na seção 6. Na resectiva seção, é aresentado inicialmente o alicativo CHN desenvolvido em linguagem de rogramação orientada a objeto Java, a identificação do sistema e a comunicação com o servidor DDE RSLink. Em seguida, é mostrado como foram feitas as caturas e escrita dos dados no software InTouch e RSLogix, o rocesso de sintonia do controlador clássico PID através do método de Ziegler-Nichols. E finalmente, um conjunto de testes, análises e resultados de estabilidade e robustez, um estudo comarativo entre o Controlador Convencional (PID) e o Controlador Inteligente (CHN). Os testes foram descritos ara rocurar otimizar a erformance do sistema e torná-lo mais eficaz do que foi roosto inicialmente, ara isso, conclui-se que o número de neurônios da camada intermediária (oculta) modifica consideravelmente o temo de treinamento da RNA e o temo de catura dos dados no CLP. Acima de 20 neurônios na camada intermediária, embora o temo de varredura do sistema fique raticamente online, ou seja, o temo que o CHN gasta ara caturar os dados reais da lanta, a PV fica oscilando róximo ao SP, gerando um erro residual. Os melhores rendimentos foram com 04 e 20 neurônios na camada intermediária, resectivamente. No último teste comarativo entre o CHN e o PID, em que foram sobreostos os gráficos das duas tecnologias, ode-se observar que o CHN obteve um melhor desemenho em relação ao temo morto ( delay ), temo de atraso e temo de estabilização ( settling time ) da lanta, ao serem rovocadas erturbações verificou-se também que o CHN obteve melhor resosta, uma vez que a RNA tem como característica a caacidade de arendizagem e com isso, leva o sistema a uma resosta mais ráida. No entanto, sabe-se que as contribuições aqui aresentadas e outras já existentes, embora amlamente discutidas no meio acadêmico, em congressos, artigos etc, não são bem aceitas em rocessos industriais, visto que, segundo Ogata (2000), em torno de 90% das alicações industriais, envolvendo controle, automação e identificação de sistemas, ainda emregam controladores convencionais, como os tradicionais PID. Além disso, há uma forte tendência em se manter suervisores humanos em tarefas que envolvem níveis críticos de controle e tomada de decisões, mesmo em situações em que os custos de oeração são elevados e o desemenho de um oerador humano não é totalmente satisfatório, em razão da comlexidade do sistema, isto tudo devido a resistência das indústrias em adotar tecnologias avançadas, embora se saiba que algumas delas ainda não ossuem comrovação científica comleta, ainda estando em rocesso de esquisa e desenvolvimento, como é o caso dos controladores baseados em Redes Neurais Artificiais. Referências Bibliográficas Adetona, O; Sathananthan, S.; eel, L. (2001). H. Robust Noonlinear Adative Control Using Neural Networks. In: Proc of the american Control Conference, Arlington, VA. USA, Aguirre L. A. Introdução a identificação de sistemas (2000). UFMG. Belo Horizonte, MG. Brasil. Bisho R, H.; Dorf R. C. Modern Control System (2001). Ed. Prentice Hall, River, New Jersey. Camos, Mario Cesar M. Massa de controles tíicos de equiamentos e rocessos industriais (2006). Ed Edgard Blücher, São Paulo. DDE. Dynamic Data Exchenge. Disonível em: <htt://t.wikiedia.org/wiki/dynamic_data_ex change>. Acessado em: 2 de maio de Deiltel, M. H; Deitel P. J. Java como rogramar (2003). Ed. Bookman, São Paulo. Demuth, H.; Beale,M. Neural Network Toolbox User Guide (1992). Inc: Massachusetts, USA.. Eclise. Disonível em: htt:// Acessado em: 24 de outubro de F. Gabriel O. Aostila de tóicos avançados em inteligencia artificial. (1998). Funções Dde. Disonívle em: < htt://office.microsoft.com/tbr/access/ha asx>. Acessado em 23 de outubro de Haykin, S. Redes Neurais: Princíios e raticas (2001). Ed. Bookman, Porto Alegre. NG, G. W. Alication of neural networks to adative control of nonlinear systems. London, England: Research Studies Press Ltd N rgaard, M.; Rvn, O.; Poulse, N..; Hansen, L.. Neural networks for modeling anda control of dynamic systems (2001). England, London. Ogata,. Engenharia de controle moderno (2000). Ed. Prentice Hall, Rio de Janeiro. Pansalkar, V.V.; Sastry, P.S. Analysis of the Back- Proagation Algorithm with Momentum. IEEE Transactions on Neural Networks (1994), Vol. 5, Nº. 3, USA, ag