CONTROLE PI-NEURAL APLICADO A UM SISTEMA DE VAZÃO LUCAS H. S. DE ANDRADE 1, CRISTIANO M. AGULHARI 1, ALESSANDRO GOEDTEL 2 1. Laboratório de Controle e Automação de Sistemas, Universidade Tecnológica Federal do Paraná Avenida Alberto Carazzai, 1640 Centro - Cornélio Procópio, Paraná, Brasil E-mails: lhsandrade1@gmail.com, agulhari@utfpr.edu.br 2. Laboratório de Sistemas Inteligentes, Universidade Tecnológica Federal do Paraná Avenida Alberto Carazzai, 1640 Centro - Cornélio Procópio, Paraná, Brasil E-mail: agoedtel@utfpr.edu.br Abstract This paper presents an approach of an intelligent control applied to a flow control system. A didactic industrial plant, together with a programmable automation controller and graphical programming software for development and control was considered. The implemented intelligent system is based on artificial neural networks and, for its development, was used data from a classic proportional integrative controller, followed by the definition and training of neural network and, lastly, design of the control system. The results obtained by the proposed intelligent system were compared to the classic controller. Keywords Neural Networks, Didactic Industrial Plant, Control Systems. Resumo Este trabalho apresenta uma abordagem de um controle inteligente aplicado a um sistema de controle de vazão. Foi considerada uma planta industrial didática, em conjunto com um controlador programável para automação e um software de programação gráfica para desenvolvimento e controle. O sistema inteligente implementado é baseado em redes neurais artificiais e, para o seu desenvolvimento, foram coletados dados de ensaios realizados com um controlador proporcional integrativo clássico, seguido pela definição da estrutura e treinamento da rede neural e, por fim, elaboração do sistema de controle. Os resultados obtidos pelo sistema inteligente proposto foram comparados aos do controlador clássico. Palavras-chave Redes Neurais, Planta Industrial Didática; Sistemas de Controle. 1 Introdução Os processos de automação industrial estão usufruindo cada vez mais de tecnologias avançadas que visam o aumento da qualidade e eficiência dos métodos de produção (Ogata, 2010). Em paralelo a esta evolução tecnológica, os processos industriais agregam um contínuo aumento de seu grau de complexidade, o que influencia de forma direta no projeto de sistemas de controle, cuja complexidade também deve aumentar para satisfazer os requisitos necessários de funcionamento. Uma das abordagens mais utilizadas para projetar um sistema de controle se baseia em modelos matemáticos do sistema que representam as principais características da dinâmica do processo a ser considerado, tais como, controle PI-Clássico (Proporcional Integral) (Aguirre, 2007). No entanto, apesar do grande número de aplicações, em alguns casos a representação matemática de processos se torna complexa. Isso ocorre devido a dinâmicas não-lineares ou elementos externos que influenciam no comportamento do sistema como, por exemplo, a presença de distúrbios inesperados. Segundo (Wong, 1998), os controladores PI-Clássicos não possuem uma boa resposta transiente e não fornece robustez suficiente em relação às variações dos parâmetros do processo. Neste sentido, muitas técnicas são propostas com o intuito de apresentar métodos alternativos para se consolidar o controle de um sistema, sem ser necessário o prévio conhecimento matemático do mesmo, tais como sistemas fuzzy e redes neurais artificiais (Haykin, 2001). Segundo Yu (2006) o controlador do tipo PID-Neural (Proporcional Integral e Derivativo) tem recebido maior atenção em aplicações industriais, devido a este ser menos sensível a variações do sistema, em relação ao controlador PID-Clássico. Ainda segundo Tajne (2012), controladores utilizando redes neurais artificiais têm sido o foco de vários estudos atualmente, devido à apresentação de bons resultados e facilidade de implementação. O presente trabalho apresenta a aplicação de um controlador PI-Neural a um sistema de controle de vazão, processo este integrante de uma planta industrial didática. A estratégia de controle é implementada por meio de um controlador programável para automação (da sigla em inglês PAC - Programmable Automation Controller), no caso, um CompactRIO, concomitante ao software de desenvolvimento Lab- VIEW, ambos da fabricante National Instruments. A fim de analisar o desempenho da aplicação do método consolidado na área de sistemas inteligentes, os resultados do controlador projetado são comparados aos de um controlador do tipo PI-Clássico, que já se encontrava projetado conforme métodos consolidados em literatura e implementado na planta utilizada (Andrade, 2013). Este trabalho está organizado da seguinte forma: a Seção 2 apresenta os principais conceitos pertinentes aos controladores PI-Clássicos. Na Seção 3, são apresentados os fundamentos de redes neurais artifi-
ciais. Apresenta-se, na Seção 4, uma abordagem sobre o sistema considerado neste trabalho, controlador utilizado e resultados experimentais. Por fim, na Seção 5, são apresentadas as conclusões do trabalho. 2 Controladores PI - Clássico Os controladores do tipo PI-Clássico consistem numa derivação dos controladores PID-Clássico, sendo o termo derivativo igual à zero. Tal estratégia é adotada principalmente em sistemas onde há a presença de ruídos em alta frequência (Dorf; Bishop, 2001). Devido à grande utilização deste tipo de controlador, muitas pesquisas foram desenvolvidas visando, principalmente, obter um melhor desempenho do controlador. Dentre as principais linhas de pesquisas estão as buscas por novas metodologias de identificação de sistemas e aprimoramento de regras de sintonia (Li, 2006). O projeto de um controlador PI-Clássico consiste na definição de alguns parâmetros que caracterizam a dinâmica do processo em questão. Inicialmente, um método de identificação deve ser empregado para estimar uma expressão matemática que represente o comportamento do sistema. Na literatura podem ser encontrados alguns métodos de identificação, tais como Ziegler-Nichols (Z-N), Sundaresan / Krishnaswamy e Smith (Coelho, 2004). Após este procedimento, é necessário efetuar a sintonia do controlador que será empregado no sistema (ou seja, parametrizar seus respectivos ganhos). Para tanto, métodos clássicos de sintonia podem ser utilizados: Z-N, Chien-Hrones-Reswick (CHR) e Cohen-Coon (Astrom; Hägglund, 1995). A subseção a seguir apresenta alguns conceitos básicos sobre identificação de sistemas e sintonia de controladores PI-Clássico, bem como o método utilizado neste trabalho para tal finalidade. 2.1 Sintonia de Controladores PI-Clássicos Para o projeto de um controlador PI-Clássico, é necessário que o processo seja identificado. Neste procedimento, para um sistema de primeira ordem, uma expressão matemática é obtida baseada na determinação de três parâmetros principais: ganho em regime (K), atraso de transporte (L) e constante de tempo (T) (Coelho, 2004). A Equação (1) mostra a função de transferência de um sistema de primeira ordem. (1) Após a identificação destes parâmetros, usando, por exemplo, as técnicas mostradas em Coelho (2004), métodos clássicos de sintonia podem ser empregados para a determinação dos dados do controlador. Tais métodos foram desenvolvidos para uma melhor parametrização dos ganhos do controlador, visando reduzir problemas relacionados a métodos empíricos. Dentre algumas regras de sintonia descritas na literatura, o método que é comentado com mais detalhes neste trabalho é o método de CHR (Ogata, 2010). Este método é empregado em sistemas que apresentam uma resposta, em malha aberta, com um formato em S (Ogata, 2010). Dois critérios de projeto foram propostos: resposta rápida sem nenhum sobressinal (CHR 0%) e com um máximo de 20% de sobressinal (CHR 20%). Tais critérios são descritos na Tabela 1, que apresenta as definições das equações para o projeto de controladores PI-Clássicos pelo método de CHR (K p, T i e representam, respectivamente, o ganho proporcional e o tempo integrativo). Para este trabalho, a estrutura do controlador PI adotada foi a paralela, ilustrada na Figura 1, sendo:, o sinal de referência;, o sinal de saída do sistema de controle e;, a saída do sistema. Tabela 1 Sintonia PI-Clássica pelo método CHR. Sobressinal 0% 20% Controlador K p T i K p T i rt+ () - PI P K e() t p et () K t + uc() t p I e () d T 0 Figura 1: Estrutura PI paralela. i 3 Redes Neurais Artificiais + PLANTA As redes neurais artificiais (RNAs) são padrões computacionais inspirados no sistema nervoso de seres vivos, que apresentam um modelo matemático baseado no funcionamento de neurônios naturais (Silva, 2010). São compostas por várias unidades de processamento, cujo funcionamento é consideravelmente simples (Haykin, 2001). Entre as características que justificam o uso de RNAs em aplicações complexas, podem-se citar: a capacidade de adaptação por experiência, a capacidade de aprendizado, a habilidade de generalização, a organização de dados, a tolerância a falhas e a facilidade de prototipagem (Silva, 2010). yt ()
Neste sentido, muitas são as aplicações em que as RNAs podem ser empregadas, como por exemplo, em controle de processos, em que, através do mapeamento da relação existente entre as variáveis de entrada e saída de um determinado sistema de controle (processo de treinamento), é possível estabelecer uma rede capaz de generalizar tal relação. As unidades de processamento das RNAs são denominadas neurônios artificiais. Estas unidades são modelos bastante simplificados dos neurônios biológicos e, conforme Vlademir (2013) são descritas matematicamente por (2) sendo: j, o numero de entradas do neurônio;, o peso associado com a j-ésima entrada; b, o limiar de ativação associado ao neurônio;, a j-ésima entrada do neurônio; φ(.), a função de ativação de ativação do neurônio; y, a saída do neurônio. O processo de funcionamento das RNAs pode ser dividido em duas partes: treinamento e validação. O processo de treinamento consiste em um algoritmo de aprendizagem onde são apresentados os dados referentes às entradas e saídas do processo que se deseja aproximar. Os pesos de cada neurônio são ajustados de acordo com o comportamento existente entre os dados apresentados (Rezende, 2005). Já o processo de validação é realizado de forma a constatar se a RNA treinada adquiriu a capacidade de generalização, aplicando entradas diferentes das apresentadas no processo de treinamento para comparar a saída da rede com as saídas esperadas. Existem várias estruturas e topologias empregadas para a aplicação de uma RNA, diferenciadas pela disposição e número de camadas de neurônios e métodos de treinamento. A estrutura abordada neste trabalho é fundamentada na rede Perceptron multicamadas (PMC) que, de acordo com Nguyen et al. (2003), devido a seu princípio de funcionamento, tais redes, dentre outras aplicações, podem ser utilizadas para controle de sistemas, como é o caso da aplicação abordada neste trabalho. 4 Controle PI-Neural Neste trabalho foi aplicado um controlador PI- Neural, baseado no funcionamento de um PI- Clássico, a uma malha de controle de vazão. Foi utilizada uma planta industrial didática para validar os experimentos e apresentar os resultados. As subseções a seguir apresentam a referida malha de controle de vazão e o projeto do controlador inteligente. 4.1 Malha de Vazão A malha de vazão da referida planta industrial didática é ilustrada na Figura 2. Os componentes em destaque na Figura 2 são: CompactRIO: controlador principal da planta; bomba centrífuga: realiza o deslocamento de água do sistema; válvula proporcional: consiste no atuador do sistema de controle, diminuindo ou aumentando o fluxo de água, de acordo com a tensão aplicada na mesma; sensor de vazão; A referida malha de controle apresenta características ruidosas na variável mensurada, pois a dinâmica deste processo pode agregar um regime turbulento do fluído. O controlador neural implementado foi consolidado por intermédio do PAC CompactRIO, em conjunto com o software de desenvolvimento LabVI- EW, onde foram definidas as estruturas do sistema de controle. Figura 2: Planta industrial didática 4.2 Projeto do Controlador PI-Clássico Para a elaboração do controlador PI-Clássico, primeiramente foi realizada a identificação em malha aberta pelo método da curva de reação do sistema, que foi obtida por aplicação de uma entrada degrau na tensão na válvula de vazão. O método Sundaresan/Krishnaswamy (Coelho, 2004) foi utilizado para identificar o processo. A função de transferência obtida é mostrada na Equação (3) e a Figura 3 ilustra as curvas de respostas medida e estimada. (3)
Para a obtenção dos ganhos do controlador PI- Clássico foi utilizado o método de Chien-Hrones- Reswick (CHR) 0% (Astrom; Hägglund, 1995). Os parâmetros encontrados foram: = 20,2384. = 0,4611. curvas (200 amostras cada) por meio deste controlador, sendo 18 utilizadas no treinamento e seis utilizadas para a validação da rede. A Tabela 2 apresenta os valores de referências utilizados para o treinamento e os utilizados para a validação, e a Tabela 3 apresenta os diversos parâmetros utilizados no treinamento da rede neural proposta. Tabela 2: Valores de referência utilizados para o treinamento Figura 3: Identificação da malha de vazão Referências (l/min) Treinamento 0,55; 0,60; 0,65; 0,0,75; 0,80 0,85; 0,0,95; 1,05; 1,15; 1,1,25; 1,35; 1,40; 1,1,45; 1,55; 1,65; 1,75; 1,85; 1,95 Validação 0,62; 0,72, 0,92; 1,37; 1,57; 1,87 4.3 Projeto do Controlador PI Neural A rede proposta neste trabalho é composta de três camadas: a camada de entrada, que recebe os valores do erro (diferença entre a referência e a saída do sistema) e vazão real; a camada oculta contendo dez neurônios e; a camada de saída na qual se tem a ação de controle. A arquitetura do controlador PI-Neural é apresentada na Figura 4. Figura 4: Arquitetura do controlador PI-Neural Na Figura: r(t) é a referência de vazão; e(t) é o erro; u(t) é a ação de controle; y(t) é o valor real de vazão. O treinamento da rede neural foi realizado de a- cordo com o método backpropagation desenvolvido no MatLab (R2009a). Especificamente para o treinamento, os dados de entrada e saída, necessários para descrever satisfatoriamente o comportamento do sistema, foram tratados por meio de um filtro digital e apresentados a fim de se obter o ajuste correto dos parâmetros internos da rede. As amostras utilizadas para o treinamento da RNA foram obtidas por meio do controlador PI- Clássico, citado anteriormente. Foram adquiridas 24 Tabela 3: Parâmetros da rede neural artificial proposta Arquitetura da rede Perceptron multicamadas Tipo de treinamento Supervisionado Numero de camadas 2 Neurônios da camada oculta 10 Algoritmo de treinamento Backpropagation Taxa de aprendizagem 0.001 Épocas 240 Erro quadrático requerido Função de ativação na camada intermediaria Função logística Função de ativação na camada de saída Função logística Quantidade de amostras de treinamento 3600 Quantidade de amostras de validação 1200 4 Resultado Para a validação prática e comparação do desempenho dos sistemas de controle desenvolvidos, foram escolhidos quatro valores de referência (pontos de operação), o primeiro em 0,9 l/min, o segundo em 1,6 l/min, o terceiro em 0,7 l/min e o quarto em 1,9 l/min. Vale ressaltar que o valor mínimo de saída é 0,6 l/min e o valor máximo é 2,0 l/min. As Figuras 5 e 6 apresentam, respectivamente, o sinal de saída do sistema para o controlador PI-Neural e para o controlador PI-Clássico.
4º SET 1,9 l/min 3º SET 0,7 l/min 2º SET 1,6 l/min 1º SET 0,9 l/min Como é possível observar nas Figuras 5 e 6, tanto o sistema de controle PI-Neural, como o sistema de controle PI-Clássico estabilizaram a malha de vazão nas referências definidas. Comparando algumas características relevantes de um processo (Ogata, 2010), como máximos sobressinais ( ), tempos de assentamento ( ) e erros em regime ( ), pode-se constatar que o controlador PI- Neural obteve um desempenho superior que o PI-Clássico, principalmente nos pontos de operação pertos do limite inferior da saída do sistema, como pode ser observado na Tabela 4. As Figuras 7 e 8 apresentam, respectivamente, as ações de controle do controlador PI-Neural e do controlador PI-Clássico, para os ensaios realizados. Figura 7: Ação de controle (PI-Neural) Figura 5: Saída do sistema (PI-Neural) Figura 8: Ação de controle (PI-Clássico) Figura 6: Saída do sistema (PI-Clássico) Tabela 4: Máximos sobressinais, tempos de assentamento e erros em regime. PI - Clássico PI - Neural 8,43 4,89 0,78 0,82 8,43 4,89 2,44 2,25 1,26 1,11 2,44 2,25 14,89 7,72 0,81 0,75 14,89 7,72 2,84 2,28 1,53 1,44 2,84 2,28 Por meio da análise das Figuras 7 e 8 é possível constatar uma grande diferença entre os controladores implementados, sendo que o controlador PI-Neural obteve um desempenho muito superior ao controlador PI-Clássico, acionando a bomba centrífuga com um sinal praticamente livre de ruídos e variações bruscas, o que evita possíveis desgastes ao longo do tempo na mesma devido a um funcionamento incorreto. Vale ressaltar que na aplicação prática não foram utilizados filtros para o tratamento do sinal do sensor de vazão, demonstrando que a rede neural utilizada realizou a generalização mesmo para sinais de entrada com ruídos presentes. Para possibilitar uma melhor comparação entre os sinais ilustrados nas Figuras 7 e 8, a Tabela 4 apresenta as variações máximas e mínimas das ações de controle na região de regime permanente do sistema. Tabela 4: Variações máximas e mínimas das ações de controle PI-Clássico PI-Neural Mínima(%) 12,89 0,60 Máxima(%) 73,44 3,87 Como é possível obervar na Tabela 4, mesmo a máxima variação do sinal de ação de controle desenvolvida pelo PI-Neural foi menor do que a mínima variação apresentada pelo PI-Clássico.
5 Conclusões Neste trabalho foram apresentados resultados experimentais de um controlador PI-Clássico e um PI- Neural, aplicados em sistema de vazão pertencente a uma planta industrial didática. Foram apresentados gráficos e tabelas das respostas do sistema e sinal de saída dos controladores desenvolvidos, possibilitando assim, a comparação do desempenho destes. Os resultados contemplados demonstram que o controlador PI-Neural obteve um desempenho superior ao controlador PI-Clássico, realizando a estabilização do sistema nas referências definidas com menor sobressinal e menor erro em regime, principalmente nas referências próximas ao limite inferior da saída do sistema, além de apresentar um sinal de controle com variações menos abruptas e livre de ruídos, tanto em regime permanente, como em regime transitório. Tais resultados justificam e incentivam maiores estudos sobre sistemas de controle utilizando redes neurais como elemento de controle de sistemas. Wong, C. F.; Shippen, J. J. B. (1998). Neural Network Control Strategies for Low Specification Servo Actuators. Intenational Journal of Machine Tools &Manufacture pp. 1109 1124. Yu, Z.; Xie, Y; ing, Y. L. X. (2006). Applying Neural Networks to PID Controllers for Time-Delay Systems. Proceedings of the Fifth International Conference on Machine Learning and Cybernetics pp. 3173 3176. Referências Bibliográficas Aguirre,. L. A. (2007). Introdução à Identificação De Sistemas. 3ª. Ed, Editora UFMG, Belo Horizonte. Andrade, L. H. S. de; Costa, B. L. G.; Almeida, J. P. L. S. de; Angélico, B. A. 2013. Sistema de Controle para uma Malha de Nível de uma Planta Didática Industrial por Programação Gráfica em Hardware Lógico-Programável. Congresso Brasileiro de Ensino de Engenharia. Coelho, A. A. R. (2004). Identificação de Sistemas Dinâmicos Lineares. UFSC, Florianópolis. Dorf, R. C.; Bishop, R. H. (2001). Sistemas de Controle Modernos. 8ª. Ed, LTC, Rio de Janeiro. Haykin, S. (2001). Redes Neurais Princípios e Prática. Bookman. Li, Y.; Ang, K. H.; Chong, G. C. Y. (2006). PID Control System Analysis and Design. IEEE Control Systems, v.26, n.1, pp. 32-41. Nguyen, H.; Prasad, N.; Walker, C. E. A. (2003). First Course in Fuzzy and Neural Control. Charpman e Hall/CRC, Washington, DC. Ogata, K. (2010). Engenharia de Controle Moderno. 3. ed, LTC, Rio de Janeiro. Silva, I. N. da; S. D. H. e. F. R. A. (2010). Redes Neurais Artificiais para Engenharia e Ciências Aplicadas. Artliber, USP, São Carlos. Tagne, S. K.; Srivastava, S. P. (2012). Comparative Performance Analysis of Vector Controlled Induction Motor Drive for Neural Controller and DSP Implemented PI Controller. International Conference on Communication Systems and Network Technologies pp. 274 281. Vlademir, A. P. F. (2013). Uma Abordagem PI- Neural Aplicado ao Controle de um Servo- Mecanismo. Simpósio Brasileiro de Automação Inteligente.