UNIVERSIDADE FEDERAL DE OURO PRETO ESCOLA DE MINAS COLEGIADO DO CURSO DE ENGENHARIA DE CONTROLE E AUTOMAO - CECAU

MOZZER ANTONIO DE OLIVEIRA SILVA

ESTUDO DE TCNICAS DE CONTROLE APLICADA AO SISTEMA PNDULO INVERTIDO

MONOGRAFIA DE GRADUAO EM ENGENHARIA DE CONTROLE E AUTOMAO

Ouro Preto, 2009

MOZZER ANTONIO DE OLIVEIRA SILVA

MONOGRAFIA DE GRADUAO EM ENGENHARIA DE CONTROLE E AUTOMAO

Monografia apresentada ao Curso de Engenharia de Controle e Automao da Universidade Federal de Ouro Preto como parte dos requisitos para a obteno do Grau de Engenheiro de Controle e Automao. Orientador: Monteiro Paulo Marcos de Barros

Ouro Preto Escola de Minas UFOP Agosto/2009

Pssaros tm asas e voam, animais tm patas e andam. O que voc tem feito com o pensamento?

Sumrio LISTA DE FIGURAS ................................................................................................................ 6 LISTA DE TABELAS ............................................................................................................... 6 RESUMO ................................................................................................................................... 9 ABSTRACT ............................................................................................................................... 10 1 . INTRODUO................................................................................................................... 11 1.1. Descrio do problema .................................................................................................. 11 1.2. Objetivo ......................................................................................................................... 11 1.3. Metodologia................................................................................................................... 11 1.4. Estrutura do trabalho ..................................................................................................... 11 2. CONTROLE INTELIGENTE................................................................................................ 2 2.1 Controle Clssico vs Controle inteligente ........................................................................ 2 2.2 Escolha do Controlador .................................................................................................. 14 3. LGICA FUZZY .................................................................................................................... 2 3.1. A Lgica Clssica X Lgica Fuzzy ................................................................................. 2 3.2 Conjuntos nebulosos......................................................................................................... 2 3.3 Funo de pertinncia..................................................................................................... 18 3.4 Operaes em Conjuntos Nebulosos .............................................................................. 20 3.5 Sistemas Fuzzy................................................................................................................ 22
3.5.1 Fuzzificao.................................................................................................................. 22 3.5.2 Base de Conhecimento .................................................................................................. 24 3.5.3 Inferncia...................................................................................................................... 24 3.5.4 Defuzzificao .............................................................................................................. 25

4. PNDULO INVERTIDO....................................................................................................... 2 4.1 Trabalhos anteriores ....................................................................................................... 29 4.2 Modelo Matemtico........................................................................................................ 31 5. Controle Fuzzy para pndulo invertido................................................................................... 1 5.1 Modelagem do controlador Fuzzy .................................................................................... 1 5.2 Resultados....................................................................................................................... 39 CONCLUSES E SUGESTES PARA TRABALHOS FUTUROS ....................................... 2 REFERNCIAS BIBLIOGRAFICAS ....................................................................................... 3

8. ANEXO I: Fuzzy Logic Toolbox ............................................................................................ 2

LISTA DE FIGURAS Figura 3.1- Funo caracterstica do conjunto crisp. ............................................................ 18 Figura 3.2 - Funo caracterstica do conjunto nebuloso. ........................................................ 18 Figura 3.3 - Funo de Pertinncia Triangular......................................................................... 19 Figura 3.4 - Funo de Pertinncia Trapeizodal....................................................................... 19 Figura 3.5 - Funo de Pertinncia Gaussiana ......................................................................... 20 Figura 3.6- Principais t-normas. ............................................................................................... 21 Figura 3.7 - Principais t-conormas. .......................................................................................... 21 Figura 3.8 - Arquitetura bsica de um sistema Fuzzy............................................................... 22 Figura 3.9 - Funo de pertinncia para a varivel lingstica temperatura............................. 23 Figura 3.10 - Modelo Mamdani................................................................................................ 25 Figura 3.11 - Modelo Larsen .................................................................................................... 25 Figura 3.12 - Mtodo de defuzzificao da Mdia dos Mximos ............................................ 26 Figura 3.13 - mtodo de defuzzificao do Centro de rea..................................................... 27 Figura 4.1 - Esquema de um pndulo invertido Duplo .............................................................. 2 Figura 4.2 - Segway.................................................................................................................. 29 Figura 4.3 - Modelo fsico do pndulo invertido...................................................................... 32 Figura 4.4 - Diagrama de Corpo Livre ..................................................................................... 32 Figura 5. 1 - Modelo fsico do pndulo invertido....................................................................... 1 Figura 5.2 - Funo de pertinncia da entrada Posio da Barra ............................................. 36 Figura 5.3 - Funo de pertinncia da entrada Velocidade Angular ........................................ 36 Figura 5.4 - Funo de pertinncia da sada Tenso aplicada no Motor .................................. 37 Figura 5.5 - Tela com as Regras do sistema ............................................................................. 38 Figura 5.6 - Rule Viewer .......................................................................................................... 39 Figura 5.7 - Surface .................................................................................................................. 39 Figura 5.8 - Modelo Simulink para Controlador PID............................................................... 40 Figura 5. 9 - Resposta do modelo com o Controlador PID ...................................................... 41 Figura 5.10 - Modelo Simulink para Controlador Fuzzy.......................................................... 41 Figura 5.11 - Resposta do modelo com o Controlador Fuzzy .................................................. 42 Figura 5. 12 - Sinal de Controle do Controlador PID............................................................... 42

Figura 5. 13 - Sinal de Controle do Controlador Fuzzy............................................................ 43 Figura 8. 1 - FIS Editor............................................................................................................... 2 Figura 8. 2 - Membership Function Editor ............................................................................... 49 Figura 8. 3 - Rule Editor........................................................................................................... 50 Figura 8. 4 - Rule Viewer ......................................................................................................... 50

LISTA DE TABELAS Tabela 3.1 - Tabela de pertinncia para os conjuntos clssicos. .............................................. 17 Tabela 3.2 - Tabela de pertinncia para os conjuntos Fuzzy.................................................... 17 Tabela 3.3 - Principais t-normas e t-conormas. ........................................................................ 21 Tabela 4. 1 - Variveis para o Modelo Matemtico do pndulo invertido............................... 32 Tabela 5. 1 - Variveis de Entrada e Sada................................................................................. 1 Tabela 5. 2- Tabela de inferncia ............................................................................................. 37 Tabela 5. 3 - Comparao dos resultados do controlador PID e Fuzzy. ................................... 42

RESUMO Com o avano tecnolgico, recursos computacionais esto sendo utilizados nas mais diversas tcnicas de controle. Alm da teoria de controle clssica, esto hoje em foco o uso de controladores inteligentes que se diferenciam dos sistemas convencionais por sua habilidade de tomar deciso e por sua capacidade de aprendizagem. Diante deste contexto, prope-se um estudo de uma dessas tcnicas de controle, o controle Fuzzy, aplicada ao pndulo invertido. A escolha do sistema pndulo invertido se deu devido ao seu comportamento. O pndulo invertido percebido em situaes tpicas tais como o controle de atitude de um satlite em rbita terrestre, ou a trajetria de foguetes e msseis ou em equipamentos como o Segway. Fisicamente ele composto por um carro mvel e uma haste oscilante cujo objetivo manter a haste na posio vertical, como equilibrar um basto na palma da mo. O sistema pndulo invertido, por ser bastante conhecido, possibilita a aplicao de vrias tcnicas de controle lineares, no-lineares e otimizantes, podendo-se fazer a comparao e validao dessas tcnicas de forma consistente. O controlador Fuzzy um controlador baseado no conhecimento, sem a necessidade de modelagem do sistema a ser controlado. Esse fato muito importante quando se trata de sistemas dinmicos complexos como o pndulo invertido. Assim, desenvolve-se um controlador Fuzzy comparando-o com um controlador PID. O controlador Fuzzy desenvolvido possui resposta a distrbio mais eficaz que aquela obtida pelo controlador PID. Palavras-chave: Pndulo Invertido, Controlador Fuzzy, Controlador PID

ABSTRACT With the advance technology, computer resources are being used in several techniques of control. Today are on focus the use of intelligent controllers that are different from conventional systems because they have ability to take decision and for their ability to learn. It is proposed a study of one of these techniques of control, Fuzzy control, applied to the inverted pendulum. The choice of the inverted pendulum was because of their behavior. The inverted pendulum is seen in typical situations such as control the attitude of a satellite in earth orbit, or the trajectory of rockets and missiles or in equipments as the Segway. Physically it is composed by a mobile car and oscillating stick whose goal is to keep the stick upright, just like equilibrate a stick in the palm of your hand. The inverted pendulum system, as well known, allows the implementation of various control techniques for linear, nonlinear and otimizantes and can be made for comparison and validation of these techniques consistently. The Fuzzy controller is a controller based on knowledge, without the need for modeling the system to be controlled. This fact is very important when dealing with systems of complex dynamic such as the inverted pendulum. Thus, the Fuzzy controller developed is compared with a PID controller. The Fuzzy controller has developed response to disorder more effective than the PID controller. Keywords: Inverted pendulum, Fuzzy controller

1 . INTRODUO Devido aos avanos tecnolgicos, cada vez mais os sistemas de controle esto usando de recursos computacionais para atuar em suas plantas. Esses recursos permitem os mais diversos tipos de controle. Eles esto presentes em vrios setores da indstria, tais como controle de qualidade e fabricao de produtos, linha de montagem automtica, controle de ferramentas, tecnologia espacial e de armamento, sistemas de transporte, sistemas de potncia, robs e muitos outros. Nesse contexto, este trabalho busca desenvolver um controlador Fuzzy aplicado ao sistema pndulo invertido. O pndulo invertido percebido em situaes tpicas tais como o controle de atitude de um satlite em rbita terrestre, ou a trajetria de foguetes e msseis ou em guindastes navais. Outro sistema de compreenso semelhante o Segway, uma espcie de patinete em que as rodas esto acopladas ao mesmo eixo. O pndulo invertido pode ser comparado a uma barra sendo equilibrada na palma da mo. Para se manter barra na posio vertical movimenta-se a mo a fim de compensar algum movimento que contrarie o equilbrio. Muitas vezes sistemas de comportamento conhecido so usados para anlise de eficincia e robustez dos mais diversos controladores. Esse o caso do pndulo invertido, em que tcnicas de controle lineares, no-lineares e otimizantes so empregadas. O uso de controladores baseados na Lgica Fuzzy proporciona a possibilidade de superviso inteligente usando apenas informaes qualitativas sobre a operao do sistema, no havendo necessidade de modelagem. A escolha de um controlador desse tipo para atuar num sistema to instvel quanto o pndulo invertido devido a habilidade que um controlador Fuzzy tem em tratar vrios objetivos, mesmo com requisies conflitantes, de forma se obter um bom compromisso na estratgia de controle. 1.1. Descrio do problema Desenvolver um controlador Fuzzy para manter a estabilidade de um pndulo invertido, ou seja, manter a barra na posio vertical e que o sistema reaja a perturbaes de forma rpida. 1.2. Objetivo Estudar e analisar um sistema de controle Fuzzy desenvolvido para um pndulo invertido.

11

1.3. Metodologia As tarefas desenvolvidas durante a pesquisa podem ser divididas em trs etapas: Formulao de uma base terica; Desenvolvimento do controlador Anlise dos resultados comparando o controle Fuzzy com um controle PID para o mesmo sistema. A execuo do trabalho foi baseada no seguinte roteiro de atividades: Estudo de como desenvolver um sistema de controle Fuzzy; Simulao no Matlab; Anlise dos resultados obtidos. 1.4. Estrutura do trabalho Para uma melhor compreenso do trabalho, a monografia foi dividida em 6 captulos, a lista de referncias bibliogrficas e um anexo. No Captulo 2 descrito o que controle inteligente sua importncia e utilizao. feito, tambm, um paralelo com o controle clssico e descreve-se quando necessrio a implantao de um Sistema de controle inteligente. No Captulo 3 aborda-se a Lgica Fuzzy. realizado um estudo sobre os conjuntos Fuzzy e sobre todo o funcionamento de um sistema Fuzzy. No Captulo 4 tem-se uma descrio sobre o pndulo invertido e de trabalhos anteriores sobre o tema. apresentado o modelo matemtico do pndulo invertido utilizado na monografia. No Captulo 5 apresentado o controlador desenvolvido e a anlise dos resultados obtidos em comparao a um controlador PID para o mesmo sistema. No Captulo 6, tem-se as concluses do trabalho e sugestes para trabalhos futuros.

2. CONTROLE INTELIGENTE Sistema de controle inteligente um sistema que possui a habilidade de sentir o seu ambiente, processar as informaes para reduzir as incertezas nos parmetros do processo, planejar, gerar e executar aes de controle. Um sistema de controle inteligente deve ser capaz de distribuir as tarefas de deciso entre um conjunto de executores de tarefas, utilizando intensivamente os computadores disponveis para inferir o estado atual do sistema e detectar mudanas no seu estado interno e na sua vizinhana. Um sistema de controle inteligente se diferencia de sistemas convencionais por sua habilidade de tomar deciso e por sua capacidade de aprendizagem. Isto permite ao sistema de controle inteligente inferir sobre a dinmica do processo de uma forma adaptativa e preditiva (CAVALCANTI, 1999). Um sistema de controle inteligente pode ser implementado com tcnicas usuais de controle: controladores lineares do tipo PID e controladores adaptativos propostos por Ribeiro (2007) e Bugeja (2003) ou pode ser acoplado a tcnicas de inteligncia artificial: neurnios artificiais, lgica Fuzzy ou sistemas especialistas propostos por Drummond (1999), Miranda (2003) e Cavalcanti (1999). Tudo isso utilizando-se microcomputadores para o controle digital e a gerncia do sistema. H tambm Controladores de Automao Programvel, conhecidos como PACs. Os PACs combinam a robustez de um CPL (Controlador Lgico Programvel) com funcionalidade de um PC em uma arquitetura de software aberto. Com esses controladores, voc pode construir sistemas avanados que incorporam recursos de software, tais como controle avanado, comunicao, armazenamento de dados e processamento de sinal. 2.1 Controle Clssico vs Controle inteligente No controle clssico necessrio, antes de mais nada, ter um modelo matemtico para que exista o controle de um processo. Um modelo uma representao dos aspectos essenciais de um sistema, que apresenta conhecimento desse sistema em uma forma utilizvel (EYKHOFF, 1974). Como dito, o modelo no exprime todo o sistema. Ele o representa apenas em uma faixa de espao. Essa faixa escolhida para corresponder faixa de trabalho do sistema. Uma vez fora dessa faixa o sistema pode ter um comportamento imprevisvel gerando respostas inadequadas ao seu propsito. Na busca de se obter modelos matemticos simples, certas restries so feitas, por exemplo, assumindo-se que o processo linear, ou seja, que variaes nas entradas produzem

13

variaes proporcionais nas sadas. Ao se assumir a propriedade de linearidade, pode-se utilizar tcnicas extremamente poderosas e conhecidas na rea de engenharia e tecnologia, com solues analticas ideais. Entretanto, sistemas no-lineares no possuem uma teoria geral para soluo analtica, e muitas vezes necessitam ser linearizados em torno de um ponto de operao. Uma vez a anlise do modelo no fornece resultados compatveis com a realidade, o modelo precisa ser aprimorado utilizando mtodos de identificao. Outra restrio muito utilizada em anlises de sistemas lineares que os parmetros de processo no se alteram, ou seja, que o sistema seja invariante no tempo, apesar de na realidade ocorrer deteriorao dos componentes dos sistemas com o passar do tempo, alm de impactos ambientais, tais como influencias de temperatura e presso. Devido a tais simplificaes, o projetista em geral encontra serias dificuldades no desenvolvimento de uma descrio matemtica significativa e realista de um processo industrial. Desta forma importante que os projetistas que aplicam tal conhecimento sejam capazes de compreender processos estocsticos, lgebra multivarivel e processamento digital de sinais, por exemplo. No entanto, o conhecimento necessrio para se projetar, implementar e manter um sistema de controle desse porte est muito alm do que necessrio para se operar sistemas PID em plantas industriais. Na realidade, os controladores PID representam exatamente o mximo da teoria compreensvel pela maioria dos operadores de plantas industriais, enquanto que equipamentos que utilizam teoria de controle multivarivel necessitam de pessoal com um nvel maior de compreenso matemtica. O controlador PID (Proporcional Integral Derivativo) tem esse nome devido a forma que ele atua no sistema. A parte P atua de forma proporcional a um erro, a parte I atua de forma proporcional integral no tempo deste erro e aparte D atua de forma proporcional derivada no tempo deste erro. A equao de um controlador PID dada por:

Em que Kp o ganho proporcional, Ki o ganho integral e Kd o ganho derivativo.

14

O controlador Proporcional atua de forma a diminuir o erro em regime permanente, isto , melhor a preciso do sistema em malha fechada. Esse erro pode ser diminudo aumentando o Kp. Por outro lado, quanto maior o ganho, maior a variao no comportamento transitrio do sistema em malha fechada. Na maioria dos processos fsicos, o aumento excessivo do ganho proporcional pode levar o sistema a instabilidade. O controlador Integral garante erro nulo em regime permanente, aumentando a preciso do sistema. A ao integral tem assim uma funo "armazenadora de energia". A partir de um determinado tempo t o erro igual a zero, isto , e(t) = 0, o sinal o sinal de controle u(t) ser mantido em um valor constante proporcional a "energia armazenada" at o instante t, garantindo o erro nulo em regime permanente. O controlador Derivativo dito de ao antecipatria ou preditiva, porque tende a fazer com que o sistema reaja mais rapidamente. Este fato faz com que a ao derivativa seja utilizada para a obteno de respostas transitrias mais rpidas, ou seja, para a melhora do comportamento dinmico do sistema em malha fechada. O controlador Derivativo atua apenas durante a resposta transitria, devido ao fato de que em regime permanente, o sinal de erro constante a ao derivativa ser igual a zero. A propriedade fundamental de controladores inteligentes, especialmente os controladores Fuzzy, de serem baseados em experincia de operadores humanos e/ou especialistas em um determinado processo industrial, em vez de utilizarem modelos matemticos, fazendo com que o treinamento de operadores e tcnicos de manuteno seja muito mais fcil e barato, permitindo que pessoal menos qualificado possa ser utilizado para operar uma planta industrial. Por isso, esse fator pode se tornar um argumento poderoso ao se decidir pela adoo de controladores Fuzzy em certas aplicaes especficas (BARROS, 2003; LIMA, 2007). 2.2 Escolha do Controlador A utilizao de controle inteligente no pode ser vista como uma soluo para o controle em todos os processos mais complexos, sendo incorreta a atitude de simplesmente trocar todos os controladores convencionais por controladores Fuzzy. H diversas anlises que devem ser feitas ao se decidir qual controlador deve ser utilizado (SIMOES; SHAW, 2007). Se a planta ou o processo que est sendo controlado no completamente linear, mas a no linearidade entre a entrada e a sada conhecidamente uma funo suave, sem descontinuidades, ou se apesar do processo ser no linear ele opera em um ponto fixo, a

15

soluo com controladores PID ainda uma excelente soluo custo/benefcio. Em tais condies, os controladores PID podem controlar plantas, mesmo com dinmica desconhecida, uma vez que a componente P representa o erro de realimentao instantneo, a componente I representa a integral do erro que contribui para a histria passada da realimentao e a componente D representa a derivada do erro, a qual tende a antecipar o comportamento futuro do erro de realimentao. Se os parmetros de cada componente so sintonizados para o desempenho especfico da planta, a ao do controlador ser satisfatria. A tarefa de sintonia implica na otimizao de caractersticas de resposta, tais como amortecimento, sobre-sinal, tempo de acomodao e erro em regime permanente. A propriedade de linearidade garante que as trs estratgias individuais de controle (P + I + D) possam ser combinadas em uma forma aditiva, fazendo com que a malha de realimentao consiga compensar, por mudanas nos parmetros da planta, rudos e alteraes ambientais, enquanto que a ocorrncia de no-linearidade impe uma certa interao entre tais fenmenos, podendo tornar difcil a sintonia, ou at mesmo impossvel. Assim o controlador PID representa trs estratgias de controle, que dinamicamente ajustam o comportamento do sistema por meio do erro da malha de realimentao. Uma das mais importantes caractersticas de controladores Fuzzy a habilidade em se executar controle multiobjetivos, mesmo com requisies conflitantes, de forma se obter um bom compromisso na estratgia de controle. Usando-se sensores apropriados, um controlador Fuzzy de duas entradas e uma sada e capaz de emular a ao de controle multiobjetiva do operador humano. Seria muito difcil se utilizar um controlador PID de entrada e sada nicas, para tal propsito multiobjetivo (OLIVEIRA, 2008)

16

3. LGICA FUZZY O uso de controladores baseados na Lgica Fuzzy proporciona a possibilidade de superviso inteligente usando apenas informaes qualitativas sobre a operao do sistema, no havendo necessidade de modelagem. A Lgica Fuzzy (que significa algo como vago ou impreciso e tratada tambm como Lgica Nebulosa ou Difusa) prope uma anlise diferente da anlise proposta pela Lgica Clssica. 3.1. A Lgica Clssica X Lgica Fuzzy A Lgica Clssica ou Lgica aristotlica, por ser creditado a Aristteles o primeiro estudo formal do raciocnio, tem dois princpios centrais: a lei da no-contradio e a lei do terceiro excludo. A lei da no-contradio diz que nenhuma afirmao pode ser verdadeira e falsa ao mesmo tempo e a lei do terceiro excludo diz que qualquer afirmao da forma P ou noP verdadeira, ou seja, P ou a sua negao verdadeira. Pode-se observar que a Lgica Clssica trabalha somente com os conceitos de falso ou verdadeiro. A Lgica Fuzzy ou Lgica Nebulosa, proposta por Zadeh (1965), permite inferncias intermedirias entre o falso (zero) e o verdadeiro (um). Zadeh (1965) analisou que, frequentemente, alguns objetos no podem ser definidos segundo um critrio. Por exemplo, a classe dos animais inclui claramente os cachorros, peixes e pssaros e excluem as rvores, gua e pedras. Porm, objetos como a estrela-do-mar possuem ambigidades quando se trata da classe animal. Outro exemplo se d para perguntas como: Aquele homem alto ou baixo? ou A taxa de risco para aquele empreendimento grande ou pequena?, um sim ou um no como resposta a estas questes , na maioria das vezes, incompleta. Na verdade, entre a certeza de ser e a certeza de no ser, existem infinitos graus de incerteza (ZADEH, 1965). 3.2 Conjuntos nebulosos Zadeh (1965), ento, props os conjuntos nebulosos (Fuzzy set) que diz que: dado um determinado elemento que pertence a um domnio, verificado o grau de pertinncia do elemento em relao ao conjunto. O grau de pertinncia a referncia para verificar o quanto possvel esse elemento pertencer ao conjunto. O grau calculado por meio de uma determinada funo que retorna geralmente um valor real que varia entre 0 a 1, sendo que 0 indica que no pertence ao conjunto, e 1 pertence. Utilizando-se o exemplo para classificar a

17

estatura de uma pessoa em alta, mdia ou baixa, dividiremos a classificao em trs grupos: baixo, mdio, e alto.
Tabela 3.1 - Tabela de pertinncia para os conjuntos clssicos.

Baixo 1,50m 1,60m 1,70m 1,80m 1,90m 2,00m 1 1 0 0 0 0

Mdio 0 0 1 1 0 0

Alto 0 0 0 0 1 1

Tabela 3.2 - Tabela de pertinncia para os conjuntos Fuzzy.

Baixo 1,50m 1,60m 1,70m 1,80m 1,90m 2,00m 1 0,5 0 0 0 0

Mdio 0 0,4 1 0,4 0 0

Alto 0 0 0 0,5 1 1

Fica claro, pela anlise das tabelas, a diferena entre os conjuntos clssicos e os conjuntos nebulosos. Enquanto nos conjuntos clssicos apenas se classifica em verdadeiro ou falso os conjuntos nebulosos permitem a classificao em vrios tipos intermedirios entre verdadeiro e falso. Formalmente, um conjunto nebuloso A do universo de discurso definido por uma funo de pertinncia A : [0,1]. Essa funo associa a cada elemento x de o grau A(x), com o qual x pertence a A. A funo de pertinncia A(x) indica o grau de compatibilidade entre x e o conceito expresso por A (SANDRI e CORREA, 1999): A(x) = 1 indica que x completamente compatvel com A; A(x) = 0 indica que x completamente incompatvel com A; 0 < A(x) < 1 indica que x parcialmente compatvel com A, com grau A(x).

18

Um conjunto A da teoria dos conjuntos clssicos pode ser visto como um conjunto nebuloso especfico, denominado usualmente de crisp, para o qual A : {0,1}, ou seja, a pertinncia do tipo verdadeiro ou falso e no gradual como para os conjuntos nebulosos. 3.3 Funo de pertinncia
Cada conjunto nebuloso caracterizado pela sua funo de pertinncia que uma curva que

define o grau de pertinncia (valor entre 0 e 1) de cada entrada. Para representar melhor o conceito de funo de pertinncia utiliza-se o exemplo anterior para mostrar os conjuntos de pessoas de estatura baixa, mdia e alta pelo mtodo convencional de conjuntos (crisp) e pelo mtodo Fuzzy, no qual so mostradas as funes de pertinncia de cada um dos conjuntos.

Figura 3.1- Funo caracterstica do conjunto crisp.

Figura 3.2 - Funo caracterstica do conjunto nebuloso.

19

Nas Figuras 1 e 2 o eixo vertical esta representado pelos graus de pertinncia (intervalo de 0 a 1) e o eixo horizontal representa a altura de cada pessoa. A funo de pertinncia associa cada entrada (altura) com uma sada (grau de pertinncia). Observe que uma pessoa com que mede 1,85m possui um grau de pertinncia de 0,7 para estatura alta e 0,2 para estatura mdia. Diferentemente da FIG. 1 que fica impossvel definir se a estatura de uma pessoa de 1,85m mdia ou alta. Vale salientar que as funes de pertinncia podem assumir vrias formas, ficando a cargo do projetista a escolha da forma mais conveniente para sua aplicao, as mais utilizadas so: Triangular

Figura 3.3 - Funo de Pertinncia Triangular

A funo de pertinncia triangular definida da seguinte forma:

(3.1)

Trapezoidal

Figura 3.4 - Funo de Pertinncia Trapeizodal

20

A funo de pertinncia trapezoidal definida da seguinte forma:

(3.2)

Gaussiana

Figura 3.5 - Funo de Pertinncia Gaussiana

A funo de pertinncia triangular definida da seguinte forma: (3.3) As funes triangulares e trapezoidais so as mais populares devido a simplicidade dessas funes e ao fato de que o custo computacional adicional exigido pelos outros tipos de funo no refletem, em geral, em uma melhoria significativa na qualidade dos valores de sada dos sistemas (YEN & LANGARI 1 , 1999, apud ORTEGA, 2001). 3.4 Operaes em Conjuntos Nebulosos Sejam A e B conjuntos nebulosos definidos em . Pode-se expressar a interseo destes conjuntos, como outro conjunto E = AB. Da mesma forma, pode-se expressar a unio como um conjunto . Na teoria dos conjuntos nebulosos, a interseo implementada por

Yen J. & Langari R. 1999. Fuzzy Logic: Intelligence, Control, and Information. Prentice Hall, EUA.

21

uma famlia de operadores denominados de t-normas e a unio implementada por uma famlia de operadores denominados de t-conormas ou S-normas (SANDRI e CORREA, 1999). importante notar que as t-normas e t-conormas se reduzem aos operadores clssicos de unio e interseo quando os conjuntos so crisp. A Tabela abaixo indica as t-normas e tconormas mais utilizadas e as Figuras 6 e 7 mostram alguns destes operadores, em relao a dois conjuntos nebulosos A e B. Estes operadores satisfazem as leis de De Morgan em relao ao operador de negao: a = 1 a.
Tabela 3.3 - Principais t-normas e t-conormas.

t-norma min(a,b) a.b max(a + b 1, 0)

t-conorma max(a,b) a + b ab min(a + b, 1)

Nome Zadeh Probabilista Lukasiewicz Weber

Figura 3.6- Principais t-normas.

Figura 3.7 - Principais t-conormas.

Os operadores mais usualmente utilizados so os operadores de Zadeh e os probabilistas.

22

3.5 Sistemas Fuzzy O controlador nebuloso tem aplicao extremamente ampla e usado em sistemas de dinmica complexa, incluindo no-linearidade. Ele um controlador baseado nos conhecimentos obtidos pela descrio parcial do comportamento do sistema, por especialistas utilizando-se do seu conhecimento heurstico, ou esse conhecimento pode ser inferido a partir de dados de entrada-sada do sistema. Isso tudo, sem a necessidade de modelagem do sistema a ser controlado. Tais afirmaes podem ser observadas nos trabalhos desenvolvidos por Lima (2007), Barros (2003) e Pinheiro (2000). Assim, os sistemas Fuzzy so sistemas baseados em regras que utilizam variveis lingsticas difusas (conjuntos nebulosos) para executar um processo de tomada de deciso. Um sistema Fuzzy pode ser expresso por:

Figura 3.8 - Arquitetura bsica de um sistema Fuzzy

3.5.1 Fuzzificao A primeira etapa de um sistema Fuzzy a fuzzificao (ou fuzzification, em ingls). Esse processo consiste em transformar as variveis de entrada em variveis lingsticas. Varivel lingstica uma tripla: (V, X, T) onde: V o nome da varivel lingstica X o conjunto de referncia T o conjunto de valores lingsticos que a varivel V pode assumir

23

Cada valor lingstico um conjunto nebuloso definido por uma funo de pertinncia. Considerando-se um sistema em que se deseja saber se uma pessoa est com febre. Esse sistema ter um dado de entrada: a temperatura do corpo. Transformando para uma varivel lingstica temos: V temperatura X conjunto de temperaturas vlidas, por exemplo, {25C, 50C} T {sem_febre, febre, febre_alta}

Figura 3.9 - Funo de pertinncia para a varivel lingstica temperatura

Para uma entrada do sistema, o conjunto nebuloso deve cobrir inteiramente o eixo horizontal. O mapeamento para o eixo vertical varia de 0 a 1 e representa o grau com que um valor de entrada pertence aquele conjunto nebuloso. A sobreposio dos limites desejvel e tambm fundamental para o funcionamento harmonioso do sistema. Esta sobreposio permite a pertinncia em mltiplos conjuntos, mesmo que aparentemente contraditrios. Uma sobreposio de 25% entre conjuntos nebulosos adjacentes uma boa regra prtica (MIRANDA, 2003). Na Figura 9, para uma Temperatura de 36C representa tanto o conjunto sem_febre quanto o conjunto febre, mas com um maior grau de pertinncia para sem_febre. O processo de fuzzificao permite que uma forte ligao ocorra entre os termos lingsticos e suas funes de pertinncia fazendo os termos significativos para um computador. Como resultado possvel expressar ou modificar o comportamento de um sistema, usando termos da linguagem natural, aumentando-se, assim, a possibilidade de se ter descries claras e concisas de tarefas complexas.

24

3.5.2 Base de Conhecimento Base de Conhecimento consiste de uma base de dados e uma base de regras, de maneira a caracterizar a estratgia de controle e as suas metas. Na base de dados ficam as definies das funes de pertinncia dos termos nebulosos. A base de regras formada por estruturas do tipo Se <premissa > Ento <concluso>. A parte Se, contm uma ou mais condies que correspondem, diretamente, aos graus de pertinncia calculados durante o processo de fuzzificao. A parte Ento contm uma ou mais aes que vo definir onde e como ser o comportamento do controlador. Em um dado controlador nebuloso, importante que existam tantas regras quantas forem necessrias para mapear totalmente as combinaes dos termos das variveis, isto , que a base seja completa, garantindo que exista sempre ao menos uma regra a ser disparada para qualquer entrada. 3.5.3 Inferncia A inferncia a etapa mais importante de um sistema Fuzzy, por meio dela que feita a tomada de deciso. Quando vrias regras inferem a mesma varivel lingstica, os resultados so agregados por meio de alguma operao matemtica. Os tipos de inferncia mais utilizados so os modelos clssicos, que so modelos propostos por Mamdani e por Larsen. Nos modelos clssicos, a concluso de cada regra resulta em um termo nebuloso dentre um conjunto fixo de termos (geralmente em nmero menor que o nmero de regras), ou seja, a inferncia feita analisando separadamente o resultado de cada regra da base de conhecimento, assim, feita a agregao dos resultados das regras. Alm dos modelos clssicos h o modelo de interpolao, proposto por Sugeno. Nesse modelo a concluso dada por meio de uma combinao linear das entradas, tendo como parmetros um conjunto de constantes. Para cada regra obtm-se um nico valor para a varivel de controle. Finalmente, uma ao de controle global obtida fazendo-se uma mdia ponderada dos valores individuais obtidos, onde cada peso o prprio grau de compatibilidade entre a premissa da regra e as entradas, normalizado. Para o modelo de Mamdani, a inferncia dada por: I = min(a, b). Para o modelo de Larsen a inferncia dada por: I = a * b. Como pode ser observado nas Figuras 10 e 11:

25

Figura 3.10 - Modelo Mamdani

Figura 3.11 - Modelo Larsen

3.5.4 Defuzzificao o processo que faz o mapeamento de um conjunto nebuloso para um valor numrico, o qual pode ser um comando para algum atuador. Uma vez que o procedimento de inferncia produz como resultado um conjunto nebuloso e, o que se deseja um valor numrico para que seja possvel atuar no sistema, necessrio aplicar um mtodo de converso que chamamos de defuzzificao. Os mtodos mais utilizados so: o da mdia dos mximos, e o do centro de rea; que so descritos a seguir.

26

3.5.4.1 Mdia dos Mximos

No mtodo de defuzzificao da Mdia dos Mximos (MM), calcula-se a mdia de todos os valores de sada que tenham os maiores graus de possibilidade. Sua frmula matemtica dada por: (3.4)

A principal limitao do mtodo de defuzzificao MM que ele no considera a forma total do conjunto Fuzzy de sada. Sendo assim, duas distribuies de possibilidades que apresentem diferentes formas, porm o mesmo conjunto de valores com grau de pertinncia mximo, quando defuzzificados com esta tcnica fornecer o mesmo valor clssico, o que contraintuitivo. A Figura 12 mostra um exemplo onde isso ocorre.

Figura 3.12 - Mtodo de defuzzificao da Mdia dos Mximos

3.5.4.2 Mtodo do Centro de rea - COA

Na tcnica do Centro de rea para calcular o valor representativo considera-se toda a distribuio de possibilidade de sada do modelo. O procedimento similar ao usado para calcular o centro de gravidade em fsica quando se considera a funo de pertinncia A(x) como a densidade de massa de x. Por outro lado, o mtodo do Centro de rea pode ser

27

compreendido como uma mdia ponderada, onde A(x) funciona como o peso do valor x. Se x discreto, ento a defuzzificao da concluso Fuzzy A dada por: (3.5)

A Figura 13 exemplifica o mtodo de defuzzificao com o Mtodo do Centro de rea.

Figura 3.13 - mtodo de defuzzificao do Centro de rea

28

4. PNDULO INVERTIDO O pndulo invertido um sistema inerentemente instvel e bastante complexo. Uma implementao relativamente recente o controle da oscilao de arranha-cus. Na atualidade, engenheiros e arquitetos tm surpreendido o mercado de construes com edifcios de alturas cada vez maiores. Estas construes tendem a apresentar o inconveniente de se tornarem vulnerveis a aes de ventos, causando oscilaes desagradveis e em alguns locais do mundo sendo at mesmo perigosas. A soluo criativa que vem sendo adotada a de se instalar grandes contrapesos mveis no topo destes edifcios de forma que eles possam se mover de um lado para o outro compensando a ao da fora do vento e reduzindo a amplitude do movimento da estrutura (RIBEIRO, 2007). Modelos biomecnicos do modo de caminhar dos seres humanos tm aplicaes em muitas reas como esportes, fabricao de calados, robtica etc. A posio ereta estvel de um ser humano ao caminhar se aproxima muito de um pndulo invertido pivotado em suas articulaes. A modelagem resultante conhecida como pndulo invertido Humano (HIP Human Inverted Pendulum). A maioria dos trabalhos desenvolvidos com o sistema pndulo invertido para simulaes e controles dos mais diversos, composto da haste articulada (pndulo) presa a um carro mvel que se move sobre um trilho. Porm, possvel encontrar sistemas com mais de um grau de liberdade como o Double inverted pendulum proposto por Bogdanov (2004) e Rub (2002) ou onde o movimento do carro no est limitado a somente um eixo como o veculo de duas rodas baseado no pndulo invertido proposto por Ooi (2003). H tambm o Segway, uma verso comercial desse sistema.

Figura 4.1 - Esquema de um pndulo invertido Duplo

29

Figura 4.2 - Segway

4.1 Trabalhos anteriores A abordagem mais comum com o uso de um controlador PID. Ribeiro (2007) utilizou do Matlab/Simulink para a implementao prtica do algoritmo de controle PID com o Toolbox de tempo real. Foi analisada tambm a reao a distrbios e pode-se concluir que a malha de controle capaz de compensar estes distrbios dentro de determinada faixa de perturbao. Destacou-se tambm nesse trabalho a construo fsica do modelo com partes de sucatas de uma impressora e componentes eletrnicos. Machado (2006) desenvolveu um programa em C/C++ para implementar o controlador PID. Usou o sistema operacional QNX Neutrino, que muito utilizado por profissionais que necessitam de equipamentos com estabilidade total na realizao das tarefas. O acionamento do motor do carro realizado por PWM. O controlador desenvolvido teve boas respostas a pequenas perturbaes, compensando o desequilbrio com os deslocamentos rpidos do carrinho. Leonor e Neves (2004) desenvolveram o pndulo invertido sobre um rob mvel. Utilizaram o executivo (kernel) de tempo real SHaRK para implementao do controlador. Porm, todo o projeto do controlador foi feito usando-se o Matlab. O controlador utilizado foi o PD e obteve-se um bom equilbrio para o Pndulo, apesar do rob no conseguir parar na determinada posio.

30

Outros autores que usaram um controlador PID foram Muralikrishna e Morais (2004). O sistema enfatiza a modelagem dinmica que foi obtida usando-se a Mecnica Lagrangeana. Eles tambm usaram o Matlab para simulao e testes do sistema. Soares (2005) apresentou uma anlise matemtica sobre a estabilidade do pndulo no-linear Invertido empregando o critrio de estabilidade segundo Lyapunov. Analisou o pndulo invertido no-linear e concluiu que para manter o sistema em equilbrio deve-se aplicar uma excitao externa peridica com amplitudes pequenas e altas freqncias no seu ponto de suspenso, ou seja, no carro. Uma variao mais elaborada do controle de um pndulo apresentada por Bugeja (2003), no qual o equilbrio de um pndulo invertido iniciado com a haste na sua posio de descanso inferior. O algoritmo de controle utiliza tcnicas de linearizao por retroao de estados e consideraes sobre a energia do sistema para mover a haste at sua posio superior para ser equilibrada. Para o controle do equilbrio da haste, utilizado um controlador projetado em espao de estados. A tcnica de controle em cascata empregada para reduzir a complexidade do sistema permitindo-se que duas malhas de controles independentes sejam implementadas. Lam (2004) usa um sistema de controle em cascata semelhante a Bugeja (2003). Para fazer o levantamento do Pndulo (swing-up) usou-se de dois mtodos distintos: um controlador no linear heurstico e um controlador baseado na energia do sistema. Uma vez o Pndulo estando na posio vertical, passa a atuar no sistema um regulador linear quadrtico para manter o equilbrio da barra. Observou-se que os dois controladores desenvolvidos para o levantamento do Pndulo mostraram-se capazes. Porm, o controlador baseado na energia do sistema foi considerado mais robusto e confivel do que o controlador heurstico. strm e Furuta (1996) tambm apresentam o controle feito pela informao da energia do pndulo ao invs dos dados da sua posio e velocidade. O comportamento do levantamento da haste completamente caracterizado pela razo entre a mxima acelerao da haste e a acelerao da gravidade. Outro tipo de abordagem feita utilizando-se controladores inteligentes. Drummond (1999) utiliza redes neurais de Base Radial como o controlador do sistema. O treinamento da rede foi realizada pelo Toolbox de Redes Neurais do MATLAB. A rede treinada era composta de 274 neurnios, sendo o espalhamento da funo de ativao gaussiana de 0,5. Ele comparou o seu

31

controlador com outros dois: um controlador PI e um controlador Fuzzy. Observou que o controlador PI possui um comportamento mais instvel e que o controlador Fuzzy apresentou resultados semelhantes ao seu controlador. Miranda (2003) projetou um controlador Fuzzy para o pndulo invertido. Definiu-se como entradas para o sistema as variveis: ngulo e velocidade angular, e como sada a varivel fora que a que ser controlada. Em suas concluses, observou que para implementao do controlador seria necessrio considerar mais variveis de entrada como massa da esfera na ponta do Pndulo, massa da base, atrito da base com a superfcie, atrito com o ar. Mesmo assim, Miranda afirmou que o controlador forneceu bons resultados. Muralikrishna e Morais (2005) desenvolveram um controlador Fuzzy com o Toolbox de Lgica Fuzzy do Matlab, abordando o sistema com trs entradas e uma sada. As entradas foram definidas como: ngulo da barra, derivada do erro da barra e a posio e velocidade do carro. Como a sada a ser controlado foi definida a fora horizontal aplicada ao carro. Ele observa a aplicabilidade do controlador Fuzzy uma vez que pode ser projetado baseando-se apenas em informaes qualitativas sobre a operao do sistema. Por fim, comparou-se o desempenho do controlador com o um controlador PID e o controlador Fuzzy mostrou-se superior. Cavalcanti (1999) descreve um novo sistema de controle inteligente Evolucionrio para um pndulo invertido, baseado em controlador neural, lgica nebulosa e algoritmo gentico. Algoritmos genticos so usados para gerar diferentes parmetros do controlador hbrido, composto de um controlador neural direto e lgica nebulosa, para posicionar o pndulo invertido com peso desconhecido na posio de equilbrio instvel com sucesso. 4.2 Modelo Matemtico Para simulao e validao do controlador a ser desenvolvido necessrio ter um modelo matemtico do comportamento do sistema. O modelo apresentado foi desenvolvido por Messner e Tilbury (2008) que determinou que o Pndulo no se moveria mais do que alguns graus de distncia da referncia. Da mesma forma, o modelo no se preocupou com a posio do carro tendo o foco somente no controle da posio da barra.

32

Figura 4.3 - Modelo fsico do pndulo invertido

Para esse trabalho, assumimos que:

Tabela 4. 1 - Variveis para o Modelo Matemtico do pndulo invertido

Varivel Significado M m b l I F x Massa do carro Massa do Pndulo Atrito do carro Altura do centro de massa do Pndulo Inrcia do Pndulo Fora Aplicada no carro Coordenada da posio do carro ngulo do Pndulo com a vertical

Valores 0.5 kg 0.2 kg 0.1 0.3 m 0.006 kg*m^2

Apresenta-se o diagrama de corpo livre do sistema:

Figura 4.4 - Diagrama de Corpo Livre

Por meio das foras na direo horizontal do diagrama de corpo livre do carro tem-se a seguinte equao de movimento: (4.1)

33

possvel, tambm, obter-se equaes para as foras verticais do carro. Porm, nenhuma informao til seria adquirida. Por meio das foras na direo horizontal do diagrama de corpo livre do Pndulo, tem-se a seguinte equao de movimento: (4.2)

Substituindo-se a equao (1) em (2), tem-se a primeira equao do movimento para este sistema: (4.3)

A segunda equao de movimento vem por meio das foras perpendiculares ao Pndulo: (4.4)

Para se excluir as variveis P e N, calcula-se os momentos em torno do centride do pndulo: (4.5)

Combinando-se estas duas ltimas equaes, obtm-se a segunda equao dinmica: (4.6)

Fazendo-se a linearizao do modelo e definindo-se que

. Assim,

. Desta forma, as duas equaes de movimento so (em que u

representa a entrada):

34

(4.7)

Para se obter a funo de transferncia, deve-se aplicar a transformada de Laplace e organizar a funo em torno dos dados de entrada e sada. A funo de transferncia desse sistema dada por:

(4.8)

em que: (4.9)

Aplicando-se os valores das variveis presentes na Tabela 4, tem-se: (4.10)

35

5. Controle Fuzzy para pndulo invertido 5.1 Modelagem do controlador Fuzzy

Figura 5. 1 - Modelo fsico do pndulo invertido

Para desenvolver o controlador Fuzzy para o pndulo invertido foi utilizado o Toolbox de Lgica Fuzzy (Fuzzy Logic Toolbox). Primeiro, definiu-se as variveis de entrada e sada com o seus respectivos domnios, apresentado na tabela abaixo:
Tabela 5. 1 - Variveis de Entrada e Sada

Varivel Entradas Sada Posio da barra (rad)

Range [-0.8 0.8]

Velocidade angular (rad/s) [-2 2] Fora aplicada ao carro (V) [-20 20]

O domnio das variveis adotadas foi determinado empiricamente por Dietrich (2008) em que, os limites mximos para os valores de (ngulo) foram definidos como 45, que equivale a 0.8 rad. Para a velocidade, as simulaes definiram valores de 2 rad/s como limites aceitveis. A sada, tenso de controle, foi limitada em 20V, supondo-se um motor acionado por esta tenso. As funes de pertinncia foram definidas por meio de simulaes. Buscou-se organizar as variveis de forma que o movimento da haste e do carro fosse eficaz e suave ao mesmo tempo. Para as entradas definiu-se apenas trs valores e a faixa do valor desejado para a posio e velocidade angular da barra possui um domnio muito estreito. Para a varivel de sada definiu-se cinco valores o aumento no nmero de valores se deu para a suavizao do movimento do carro e maior preciso no controle. As funes ficaram da seguinte forma:

36

Figura 5.2 - Funo de pertinncia da entrada Posio da Barra

Figura 5.3 - Funo de pertinncia da entrada Velocidade Angular

37

Figura 5.4 - Funo de pertinncia da sada Tenso aplicada no Motor

Baseado na observao e anlise do movimento do pndulo invertido e nos conhecimentos da fsica newtoniana, definiu-se a tabela de inferncia, que representa a ao do controlador para as situaes possveis nas quais o modelo pode se encontrar. Os dados de entrada, posio e velocidade angular so interpretados como medidas nebulosas. Os valores de entrada so divididos em trs regies: Negativo (N), Zero (Z) e Positivo (P), onde a primeira coluna da tabela representa os valores para posio e a primeira linha os valores de velocidade angular.

Tabela 5. 2- Tabela de inferncia VELOCIDADE ANGULAR N ZERO P POSIO N ZERO P MN PN PP MN ZERO MP PN PP MP

Na tabela de inferncia representa-se a ao do controlador para as situaes possveis nas quais o modelo pode se encontrar. A soluo da tabela se d interpolando-se os valores de entrada posio e velocidade. O intervalo de sada foi dividido em cinco regies: Muito Negativo (MN), Pouco Negativo (PN), Zero (Z), Pouco Positivo (PP) e Muito Positivo (MP). Abaixo as regras para o controle do sistema.

38

Figura 5.5 - Tela com as Regras do sistema

As regras adotadas para esse sistema so: 1. If (Posicao is NEG) and (Velocidade is NEG) then (Motor is MUITONEG) 2. If (Posicao is NEG) and (Velocidade is ZERO) then (Motor is MUITONEG) 3. If (Posicao is NEG) and (Velocidade is POS) then (Motor is POUCONEG) 4. If (Posicao is ZERO) and (Velocidade is NEG) then (Motor is POUCONEG) 5. If (Posicao is ZERO) and (Velocidade is ZERO) then (Motor is ZERO) 6. If (Posicao is ZERO) and (Velocidade is POS) then (Motor is POUCOPOS) 7. If (Posicao is POS) and (Velocidade is NEG) then (Motor is POUCOPOS) 8. If (Posicao is POS) and (Velocidade is ZERO) then (Motor is MUITOPOS) 9. If (Posicao is POS) and (Velocidade is POS) then (Motor is MUITOPOS) O Toolbox permite duas formas de verificao do controlador: o Rule Viewer e o Surface. Com o Rule Viewer possvel selecionar valores para as variveis de entrada e verificar como o controlador Fuzzy responde a cada regra previamente estipulada, alm do valor numrico obtido na defuzzificao.

39

Figura 5.6 - Rule Viewer

O Surface permite verificar todas as relaes entre entrada e sada por meio de uma superfcie que relaciona duas variveis de entrada com uma varivel de sada.

Figura 5.7 - Surface

5.2 Resultados Os resultados obtidos tm por finalidade avaliar o desempenho, assim como a robustez do controlador nebuloso para o problema do pndulo invertido, comparando-o com um mtodo de controle clssico, o controlador PID desenvolvido por Messner e Tilbury (2008). Todos os experimentos foram realizados utilizando-se a formulao matemtica da dinmica de comportamento do Pndulo apresentados na sesso 4.2.

40

A implementao do sistema foi desenvolvida no Simulink. O Simulink permite a simulao de fenmenos fsicos e, assim, ajustar os controladores para que eles tenham o melhor desempenho. As simulaes foram feitas iniciando-se com a construo do diagrama de blocos que representa o sistema pndulo invertido. Definiu-se como zero a posio de referencia, ou seja, a posio de equilbrio do Pndulo. Colocou-se o bloco para o controlador; acrescentou-se um bloco (Transfer Fcn) que possui o modelo matemtico do pndulo invertido, equao 10. Fez-se a realimentao da sada do sistema para comparao entre a referencia e a posio atual, gerando um sinal de erro para que o controlador possa atuar. Alm disso, aos 5 segundos adicionado um distrbio do tipo impulso unitrio para verificar o comportamento do controlador. A planta de simulao para o controlador PID desenvolvido por Messner & Tilbury (2008) apresentou o seguinte resultado:

Figura 5.8 - Modelo Simulink para Controlador PID

41

Figura 5. 9 - Resposta do modelo com o Controlador PID

Os parmetros utilizados no controlador PID so: P = 100, I = 1 e D = 20. Observa-se que o sistema com o controlador PID apresenta uma boa reao ao distrbio voltando a posio inicial em pouco mais de 2 segundos. O controlador Fuzzy possui como entrada, alm da posio do Pndulo, a velocidade angular da barra, que obtida por meio da derivada da posio. O controlador Fuzzy conseguiu ser mais eficiente quanto resposta ao distrbio porm, h um pequeno erro em regime permanente aps o distrbio. A reao ao distrbio ficou em pouco mais de 1 segundo.

Figura 5.10 - Modelo Simulink para Controlador Fuzzy

42

Figura 5.11 - Resposta do modelo com o Controlador Fuzzy

Abaixo, a tabela de comparao entre os dois controladores:

Tabela 5. 3 - Comparao dos resultados do controlador PID e Fuzzy. Sinal de Controle Sobre sinal Tempo de acomodao (2%) Erro em regime permanente 0 -1,18 2,30% 2s -1,18 1% 1,4s 0.000086

PID Fuzzy

O sinal de controle do sistema aplicado est descrito nas Figuras 28 e 29:

Figura 5. 12 - Sinal de Controle do Controlador PID

43

Figura 5. 13 - Sinal de Controle do Controlador Fuzzy

44

CONCLUSES E SUGESTES PARA TRABALHOS FUTUROS Os controladores Fuzzy vem sendo aplicados com sucesso no controle de processos onde os controladores convencionais falham ou no exibem um bom desempenho devido, principalmente, a um conhecimento impreciso do comportamento dinmico e dos parmetros do processo. Assim, de extrema importncia estudar e desenvolver sistemas com essa abordagem. Os controladores Fuzzy permitem o controle de sistemas por meio de informaes qualitativas, sem necessidade de modelar o sistema. Desta forma, sistemas de dinmica complexa podem ter um controle eficiente sem necessidade de linearizao do sistema. importante saber que medida que o sistema fica mais complexo necessrio definir as regras de controle buscando-se abranger a complexidade do sistema. O sistema pndulo invertido um excelente modelo para implementao de diversos tipos de controle por ser um sistema extremamente instvel e de dinmica conhecida. As perspectivas para trabalhos futuros so a montagem fsica do sistema pndulo invertido para aplicao desse controlador e, tambm, para o desenvolvimento de outros controladores. interessante tambm utilizar de outras formas de funes de pertinncia e de inferncia buscando-se gerar novos controladores.

REFERENCIAS BIBLIOGRAFICAS STRM, K. J., FURUTA K.; Swing-up a Pendulum by Energy Control; 13th IFAC World Congress, San Francisco-CA, 1996 BARROS, L. C.; BASSANEZI, R. C.; JAFELICE, R. S. M.; Controle Fuzzy Aplicado Biomatemtica; IMECC UNICAMP, Campinas, 2003 BOGDANOV, Alexander; Optimal Control of a Double Inverted Pendulum on a Cart; Oregon Health & Science University, Department of Computer Science & Electrical Engineering, 2004 BUGEJA, M.; Non-linear Swing-up and Stabilizing Control of an Inverted Pendulum System; EUROCOM 2003, Slovenia, 2003 CAVALCANTI - Posicionamento de um Pndulo Invertido Usando Algoritmos Genticos - SBA Volume 10 nmero 1, 1999 DIETRICH, J. V.; SILVA, Y. G.; Modelagem de um controlador fuzzy para pndulo invertido utilizando a Fuzzy Logic Toolbox; 2008 DRUMMOND, A. C. et al; Estudo do Controle de Pndulo Inverso sobre Carro utilizando Rede Neural de Base Radial; IV Congresso Brasileiro de Redes Neurais pp. 320325; ITA, So Jos dos Campos, 1999 FEITOSA, H. A.; Sobre a histria da lgica; Disponvel em:

<ftp://ftp.cle.unicamp.br/pub/arquivos/educacional/ArtGT.pdf> FUZZY Logic Toolbox Users Guide, 1995. THE MATHWORKS, Inc. Disponivel em: <http://www.mathworks.com>. GARCIA, C.; Modelagem e Simulao de Processos Industriais e de Sistemas Eletromecnicos; 2. Ed.; So Paulo: Editora da Universidade de So Paulo, 2005 KOHAGURA, T.; Lgica fuzzy e suas aplicaes; Departamento de Computao, Universidade Estadual de Londrina, Londrina, 2007

46

LAM, J.; Control of an Inverted Pendulum; University of California, Santa Barbara, 2004. Disponvel em: < http://www.ece.ucsb.edu/~roy/cgi-bin/makepage.pl?nav=projects>. LEONOR, M.; NEVES, M.; Construo de um pndulo invertido sobre um rob mvel controlado com o executivo SHaRK; revista do DETUA, VOL. 4, N 2, 2004 LIMA, M. P.; AMORIM, C. A.; Proposta de um modelo fuzzy para apoio tomada de deciso no Controle de Trfego Areo do Aeroporto Internacional de Salvador; Universidade do Estado da Bahia, Salvador BA, 2007 MACHADO, A. G.; Sistemas em Tempo Real: Controlo de pndulo invertido; Faculdade de Engenharia, Universidade do Porto, 2006 MESSNER, W.; TILBURY, D.; Control Tutorials for MATLAB and Simulink, 1998. Disponvel em: < http://www.engin.umich.edu/class/ctms/index.htm> MIRANDA, P.; Sistema de Controle Difuso de Mamdani Aplicaes: Pndulo Invertido e outras; Monografia (Graduao em Anlise de Sistemas). Departamento de Computao e Estatstica, Universidade Federal de Mato Grosso do Sul, 2003 MORAIS, M. et al. Pndulo Invertido; INPE; 2004 MORAIS, M. H. E.; MURALIKRISHNA, A.; BRAVO, R.; GUIMARES, L. N. F. Um Controlador Nebuloso Aplicado ao Problema do Pndulo Invertido. So Paulo. 2005. OGATA, K.; Engenharia de Controle Moderno; So Paulo: Pearson Prentice Hall, 2003 OLIVEIRA, I. S.; Controle fuzzy PI de temperatura num modelo de edificao em escala reduzida; Monografia (Graduao em Engenharia de Controle e Automao), Escola de Minas, Universidade Federal de Ouro Preto, Ouro Preto, 2008 OOI, R. C.; Balancing a Two-Wheeled Autonomous Robot; Faculty of Engineering and Mathematical Sciences, University of Western Australia, 2003 ORTEGA, N. R. S.; Aplicao da Teoria de Conjuntos Fuzzy a Problemas da Biomedicina; Tese (Doutorado em Cincias); UNIVERSIDADE DE SO PAULO, So Paulo, 2001

47

PINHEIRO, C. A. M.; Anlise e Projeto de Sistemas de Controle Fuzzy; Tese (Doutorado em Engenharia Eltrica); Universidade Estadual de Campinas, Campinas, 2000 RIBEIRO, R; Implementao De Um Sistema De Controle De Um Pndulo Invertido; Dissertao de Mestrado; Itajub MG; 2007 RUB, J.; RUBIO, .; AVELLO, A.; Swing-up control problem for a self-erecting double inverted pendulum, IEE Proceedings Control Theory and Applications, p. 169-175, Vol. 149, No. 2, 2002 SANDRI, S; CORREA, C; Lgica Nebulosa; V Escola de Redes Neurais; INPE; So Jos dos Campos SP, 1999 SIMOES, M. G; SHAW, I. S. Controle e modelagem Fuzzy. 1a ed. So Paulo: Editora Edgard Blucher Ltda., 2007 SOARES, P. H.; Estabilidade Do Pndulo No-Linear Invertido Sob Excitao Paramtrica; Faculdade de Matemtica, Universidade Federal de Uberlndia, Uberlndia, 2005 ZADEH, L.A; Fussy Sets; Information and Control, v.8, n.1, p.338-353, 1965.

48

8. ANEXO I: Fuzzy Logic Toolbox Nesse Toolbox h cinco interfaces grficas para auxiliar no projeto de um sistema Fuzzy, das quais trs so editores de dados e duas so observadores de resultados. A ferramenta suporta a criao de controlador do tipo Mamdani e Sugeno. Para iniciar a modelagem de um controlador Fuzzy, deve-se digitar Fuzzy na janela de comando do MATLAB. Esta ao resulta na abertura do editor do sistema de inferncia Fuzzy (FIS Editor Fuzzy Inference System Editor).

Figura 8. 1 - FIS Editor

Nesta janela verifica-se a partir de uma ilustrao o conjunto de entradas e sadas que se relacionam com o controlador. nesta interface onde se deve escolher os parmetros a serem utilizados pelas funes de pertinncia e defuzzificao, alm da determinao do nmero de entradas e sadas. Para escolher o tipo do controlador, basta acessar no FIS Editor a seqncia: File New FIS {Mamdani ou Sugeno}. Para adicionar novas entradas ou sadas segue a seqncia: Edit Add Variable {Input ou utput}. Para remover uma entrada ou sada a seqncia se torna selecionar a varivel a ser removida: Edit Remove Selected Variable. Na configurao das funes de pertinncia utiliza-se a ordem de comando: Edit Membership Function, o que acarreta na abertura da janela Membership Function Editor.

49

Figura 8. 2 - Membership Function Editor

Nesta tela escolhe-se a quantidade e o tipo de funo de pertinncia que se quer aplicar a cada entrada e sada do controlador. Tambm determinado o domnio da grandeza para qual se quer estipular o valor de pertinncia. Para alterar a configurao da funo de pertinncia deve-se primeiro remover as funes de pertinncias inicialmente carregadas pelo Membership Function Editor, o que feito por selecionar a entrada: Edit Remove All MFs. Posteriormente adicionam-se as novas funes de pertinncias: Edit Add MFs. Isto abre uma nova janela que permite selecionar o tipo de funo e o nmero de funes. Para adequar as funes especificao desejada, deve-se digitar no campo Params de cada funo o valor do intervalo para o qual a funo de pertinncia assume valores diferentes de zero. Tal procedimento tambm pode ser realizado arrastado com o mouse os pontos de cada funo no grfico. O domnio da grandeza alterado atravs do campo: Range do Membership Funtion Editor. A configurao das regras feita acessando a janela Rule Editor, que pode ser acessada a partir do FIS Editor por Edit Rules. A figura abaixo ilustra o Rule Editor. Uma regra determinada selecionando diferentes entradas e associando-as a um conector (AND ou OR) e impondo uma conseqncia de sada. Cada regra possui um peso, representando o quanto se acredita na regra, que pode ser atribudo pelo campo weight.

50

Figura 8. 3 - Rule Editor

As interfaces grficas descritas at agora esto ligadas so do tipo editores de dados. Para complementar o processo de desenvolvimento, o Fuzzy Logical Toolbox disponibiliza ainda as interfaces Rule Viewer e Surface Viewer.

Figura 8. 4 - Rule Viewer

Atravs do Rule Viewer possvel selecionar valores para as variveis de entrada e verificar como o controlador Fuzzy responde a cada regra previamente estipulada, alm do valor numrico obtido na defuzzificao. Os valores de entrada devem ser inseridos no campo Input. Para abrir o Rule Viewer acesse: View Rule Viewer a partir do FIS Editor. A figura acima demonstra claramente esta situao para um controlador de uma entradas e uma sada.

51

possvel ainda visualizar uma superfcie que relaciona duas variveis de entrada com uma varivel de sada. Isto pode ser feito pela seqncia View Surface a partir do FIS Editor.