OTIMIZAO DE CONTROLADORES USANDO HARDWARE

COMPUTACIONAL NA CONFIGURAO MESTRE-ESCRAVO (II)

Jos Raimundo de Oliveira Silva
Karl Heinz Kienitz
IC

Resumo: Este trabalho prope estratgias de otimizao num hardware computacional na
configurao mestre-escravo empregado no controle digital de sistemas dinmicos. Para tal, foram
desenvolvidos modelos de otimizao paramtrica, baseados em lgica nebulosa, para controladores
de um sistema de levitao magntica usando essa arquitetura de hardware e as ferramentas xPC
Target, Real-Time Workshop, Simulink e Fuzzy Logical Toolbox do software Matlab.

Abstract: This work considers optimization strategies running on a computational hardware with a
host-target prototyping environment used in the digital control of dynamic systems. Models of
parametric optimization had been developed, based in fuzzy logic, for controllers of a magnetic
levitation system using this hardware architecture and the Matlabs tools xPC Target, Real-Time
Workshop, Simulink and Fuzzy Logical Toolbox.

1. INTRODUO

Em meio a um grande nmero de sofisticados aplicativos especializados existentes para o
desenvolvimento de sistemas de Controle, a deciso sobre o melhor em cada circunstncia passa antes
pela anlise da arquitetura usada por ambientes de projetos, tipicamente composta de trs partes: um
conjunto de ferramentas para a configurao de processos, uma interface mais amigvel para interagir
com o usurio final e um programa supervisor para coordenar as ferramentas e execues das
interfaces.
No antecessor a este trabalho, foi estudado o uso de hardware na configurao mestre-escravo
para simulaes hardware-in-the-loop (HIL) de sistemas dinmicos[1]. Esta arquitetura compe-se
de dois PCs, sendo um deles (escravo) equipado com placas de converso A/D e D/A da Computer
Boards, comunicando-se via interface serial para compartilhamento de tarefas controladas pelo mestre.
Esta etapa do projeto previu o estudo de ferramentas especficas do software Matlab para
implementao de heursticas capazes de encontrar resultados otimizados para diferentes controladores
implementados. Para isso, foram estudadas estratgias de otimizao de controladores para o kit
levitador magntico da Feedback usando conceitos de lgica nebulosa, bem como proposta uma
topologia para o otimizao de parmetros de controladores PID, escolhido por sugerir relaes
lineares entre os elementos dos conjuntos fuzzy, para o modelo de sistema fsico utilizado.

2. O SISTEMA DE CONTROLE FUZZY

A Lgica Nebulosa aquela que suporta os modos de raciocnio que so aproximados em vez
de exatos. Segundo ela, o valor verdade de uma proposio pode ser um subconjunto nebuloso de
qualquer conjunto parcialmente ordenado, ao contrrio dos sistemas lgicos binrios, em que o valor
verdade s pode ser verdadeiro (1) ou falso (0). Nos sistemas multi-valores, o valor de uma proposio
pode ser ou um elemento de um conjunto finito, num intervalo, ou uma lgebra booleana. Na lgica
nebulosa, os valores verdade so expressos lingisticamente (verdade, muito verdade, no verdade,
falso, muito falso), sendo cada termo interpretado como um subconjunto do intervalo unitrio.
dessa maneira que a lgica nebulosa constitui-se na base para o desenvolvimento de
mtodos e algoritmos de modelagem e controle de processos, permitindo a reduo da complexidade
de projeto e implementao, tornando-se a soluo para problemas de controle at ento intratveis por
tcnicas clssicas. Isso porque ele se adequa melhor que os mtodos tradicionais aos casos em que as
relaes matemticas envolvidas que descrevem a planta do sistema em questo desconhecida ou sua
obteno impe considerveis dificuldades. J um conjunto nebuloso ter maior flexibilidade,
inclusive quanto utilizao do resultado de uma funo como a definida no exemplo da figura 1
como parmetro de entrada para alguma tomada de deciso.


Figura 1 Exemplo de uma relao de continncia em conjuntos fuzzy

Essa peculiaridade vem de encontro busca de uma otimizao de controle, principalmente
porque o ponto timo est sempre melhor definido qualitativamente, mas deixa a dvida: se
controladores PID e outros sistemas de controles tradicionais so to bem desenvolvidos, porque
preocupar-se com lgica fuzzy? Como exemplo, considere-se que em muitos casos, o modelo
matemtico do processo pode no existir ou ser muito caro em termos de poder de processamento
computacional e memria e um sistema baseado em regras empricas tende a ser mais efetivo.
Alm disso, a lgica fuzzy bem adaptada para implementaes de baixo custo baseadas em
sensores baratos, conversores A/D de baixa resoluo, chips microcontroladores de 4 ou 8 bits, e tais
sistemas podem ser facilmente atualizados atravs da soma de novas regras para aperfeioar a
performance ou incluir novas caractersticas. Em muitos casos, o controle fuzzy pode ser usado para
melhorar sistemas j existentes incluindo uma capa extra de inteligncia ao mtodo empregado.
Controladores fuzzy so muito simples conceitualmente; eles consistem de um estgio de
entrada, um de processamento e um de sada. O estgio de entrada mapeia sensores ou outros tipos de
entrada (tais como chaves, interruptores e assim por diante) de maneira apropriada a funes
consecutivas e valores verdadeiros. O estgio de processamento invoca cada regra adequada, gera um
resultado para cada uma delas e ento combina os resultados dessas regras. Finalmente, a sada
converte o resultado combinado no estgio anterior para dentro do controle. Neste caso especfico, a
sada ser um parmetro ajustado para melhorar as caractersticas de resposta do sistema.

3. LEVITADOR MAGNTICO

Aproveitando os resultados j obtidos, foi novamente usado como motivao o kit levitador
magntico, uma sistema fsico conhecido e cuja representao se encontra a seguir:


Figura 2- Representao do levitador magntico
A funo de transferncia de malha aberta desse sistema :

82 68709 24 1185 28 483 0
29447.07 -

2 3
. s . s s .
) s ( G
+
=


Dentro da idia de desenvolver o primeiro controlador nebuloso a partir de um controlador
convencional implementado com sucesso e to simples como um PID, partiu-se dessa funo de
transferncia conhecida do levitador para encontrar os parmetros (P, I, D) = (5, 2, 1). Esses so
nmeros aproximados aos determinados analiticamente. Preferiu-se tratar com valores inteiros mas
que, usados na simulao, levassem a um adequado comportamento estvel, a fim de facilitar a
construo dos conjuntos fuzzy, uma etapa de desenvolvimento que se mostrou complicada por no
existir um procedimento padronizado para ela. Pelo contrrio, demanda um pouco de sensibilidade e
pacincia construir conjuntos e relaes entre eles que expressem as regras qualitativas que se define
para a formao da sada. Nesse ponto, o uso do PID ajudou porque a sada uma composio simples
das entradas ponderadas. Os pesos para as relaes entre os conjuntos, recurso usado na ferramenta,
foram distribudos de acordo com o range do conjunto e dos prprios parmetros referidos acima.

4. CONFIGURAO MESTRE-ESCRAVO

Para a realizao das simulaes, foi pensada uma estrutura de hardware mais adequada,
sendo que a praticidade aponta imediatamente para uso de computadores do tipo desktop, ou PCs.
Acontece que eles se propem a uma vasta gama de trabalhos, executando diversos tipos de
aplicativos num mesmo tempo compartilhado. Ento, interessante dispor de uma configurao em
que o gargalo no seja o fato de o processador precisar perder tempo realizando aes que no
colaboram diretamente com a simulao, o que feito pelo sistemas operacionais mais populares.
Uma soluo tradicional o uso de um kernel de tempo real com placa DSP (Digital Signal
Processing) e conversores A/D e D/A para implementar as simulaes. Acontece que a grande
especificidade e a necessidade de muitos recursos disponveis nas placas colaboram para elevar seu
custo, a ponto de limitar o acesso de algumas empresas e instituies de pesquisa a esse equipamento.
Uma alternativa a que utiliza dois PCs na configurao mestre-escravo, j que o escravo
(sem perifricos mas com conversores A/D e D/A) mais barato do que uma placa DSP de alta
performance e fornece recursos computacionais comparveis, desempenhando seu papel por no se dar
nele a interface com o usurio, apenas obedecendo a ordens do mestre e fazendo o trabalho pesado,
por assim dizer. No lugar de um programa especfico, tem-se a opo de atuar com o software
comercial, como o Matlab, ou outro da escolha do usurio, que proporcione aplicaes semelhantes.
Este citado pacote de programas, alm do Simulink, em que feita a programao dos
controladores, contm as ferramentas Real-Time Workshop e RealLink 32, responsveis pela gerao
do cdigo executvel, que usam em background um compilador C/C++. Inclue ainda o xPCTarget,
apropriada ao gerenciamento das tarefas executadas pelos PCs mestre e escravo, e o Fuzzy Toolbox,
especfico para a implementao de sistemas nebulosos. A simplicidade e a facilidade de utilizao de
todos esses recursos justificam o aparato tcnico utilizado.

5. CONTROLADORES TRADICIONAIS X CONTROLADORES FUZZY

Dividindo os controladores em clssicos e avanados, distinguem-se os baseados em controle
em castata e do tipo PID dos controladores adaptativos, preditivos, no lineares e inteligentes. Esse
segundo grupo normalmente s usado em situaes em que limitaes das tcnicas convencionais
justificam o emprego de algoritmos mais complexos e conhecimentos matemticos mais aprimorados,
o que pode dificultar a compreenso das estruturas empregadas, principalmente por operadores no
especializados. Nesses sistemas, a busca por maiores eficincia e robustez advm da aptido dessa
metodologia ao tratamento de imprecises, de raciocnios aproximados e de regras qualitativas.
Contudo, o que se explorou nesse trabalho no foi um caso em que o uso do controlador
nebuloso se justifica pela dificuldade em substitu-lo por um tipo tradicional, com que se trabalhou
antes. A diferena que a abordagem que se deu no previa mais do que a simples observao da
relao entre parmetros de controlador e as alteraes qualitativas nessas caractersticas.
O que se pretendeu nessa outra fase foi no apenas entender como cada mudana influencia no
tempo de resposta do sistema, por exemplo, mas estabelecer um conjunto de regras que definem um
controlador timo e encontrar a melhor maneira de realizar os ajustes necessrios para que se promova
essa otimizao. A idia foi fazer uma srie de simulaes, sendo que em cada uma delas um sistema
executado paralelamente monitora as caractersticas da resposta do sistema controlador-planta a um
mesmo estmulo externo (por simplicidade, uma funo degrau) e toma deciso de alterar parmetros
do controlador antes de refazer a simulao, com vistas a conduzir os resultados a obedecerem a
critrios a ser determinados que indicaro a obteno do que se define como um controlador timo.


Figura 3 Representao esquemtica do otimizador planejado

A figura 3 apresenta essa proposta esquematizada. A mquina de inferncia atua
paralelamente simulao do controle analisando o impacto de cada modificao que ela provoca nos
parmetros do controlador, podendo, a partir disso, tomar decises de quais ajustes proporcionaro
resultados mais prximos dos esperados. Entende-se por resultado esperado a melhor sada obtida da
manipulao dos conjuntos fuzzy, apresentados na figura 4, segundo regras de relacionamento, como
as apresentadas na figura 5. A varincia das gaussianas em todos os casos corresponde, em mdulo,
metade dos valores extremos das curvas apresentadas(60, 400 ou 820) e que so as respectivas mdias.


Figura 4 Utilizao prtica dos conjuntos nebulosos, mostrados no Rule Viewer
Nesse exemplo apresentado, os conjuntos foram bastante simples e a regra de deciso foi
definida pelos pesos impostos a cada resultado. Percebe-se aqui a possibilidade de se construir
aplicao prtica de uma heurstica simples, a ttulo de demonstrao, mas tambm se tem idia da
liberdade que essa ferramenta de software utilizada propicia para a elaborao de controladores.


Figura 5 Quadro de regras com operaes do tipo Se Ento e seus pesos

A fase em que os problemas no superados foram encontrados correspondeu a
implementaes como a que est apresentada na figura 6, j que deveria ser montado o otimizador dos
parmetros de controle de posteriormente substitudo pelo sistema fsico de fato. A concepo dessa
topologia partiu da inteno de usar a sada do controlador fuzzy para ajustar os parmetros do PID.
Como j foi dito, partindo dos valores iniciais utilizados nas simulaes j referidas, o controlador
deveria ter um comportamento adaptativo, de maneira que ele analisasse as entradas e pudesse,
verificando qualitativamente as conseqncias das alteraes feitas nos parmetros, caminhar em
direo a valores que representassem uma situao tima, dadas as condies esperadas na formao
dos critrios de deciso e conhecidos os parmetros do sinal de excitao colocado.
Como modelo mais simples, os multiplicadores dos sinais da integral e da derivada foram
mantidos constantes e modificado apenas o fator de correo proporcional, inicialmente 5 (ou seja, a
busca pelo parmetro ideal se daria em torno desse valor).Entretanto, apesar de, depois de muitas
tentativas, ter-se encontrado uma regra de formao dos conjuntos com as curvas gaussianas j
mostradas, a simulao apresentava um comportamento de estabilidade, enquanto que nos
subseqentes testes em que o modelo era substitudo pelo levitador real e a simulao feitas na
configurao mestre-escravo normal, o sistema se mostrou instvel, frustrando as expectativas iniciais.

Figura 6 Modelo de ajuste adaptativo para o parmetro proporcional
6. CONCLUSO

Uma vez implementado o controle de um sistema, plausvel entender a importncia de se ter
meios para modificar parmetros do controlador de maneira que o resultado obtido seja otimizado.
Entende-se por otimizao o processo de busca por caractersticas do sistema que mais se aproximem
daquelas que representam vantagens qualitativas definidas pelo usurio do sistema, como melhor
aproveitamento de recursos, menor esforo dispendido ou outro critrio especfico.
O diferencial desse projeto a busca de um otimizador que incorpore as vantagens discutidas
dos sistemas de lgica nebulosa, como permitir o projeto de controladores para plantas cujas relaes
matemticas fundamentais sejam desconhecidas ou muito complicadas. Isso no ocore com o sistema
motivador, cujas caractersticas so bem conhecidas. Entretanto, entende-se como bastante vlida a
idia de partir de algo cujo modelo bem definido e com que j se vem trabalhando h algum tempo,
em virtude de ser este um projeto em nvel de graduao e de essa tcnida ser relativamente nova e no
explorada em estudos iniciais de controle.
Escolhido como padro o uso de modelos PID, foram levantados valores satisfatrios para a
implementao normal dessa tcnida para controle do levitador magntico. Depois disso, sucessivas
implementaes dessa ferramenta foram implementadas de modo a utilizar conjuntos nebulosos para
se obter os resultados do controlador PID. Comeando por conjuntos mais simples com relaes
lineares, em que o peso de cada um desses 3 parmetros foi usado como ajuste na construo das reas
de pertinncia desses conjuntos, a seqncia foi mesclar resultados analticos com a determinao de
valores de mdia e varincia para a substituio das funes lineares por curvas gaussianas.
Na etapa seguinte de otimizao dos parmetros do PID calculado, o modelo usado foi
simplificado ao mximo para lidar com apenas 1 grau de liberdade e, mesmo assim, os resultados que
se conseguiu obter na simulao em que o comportamento do levitador foi tambm modelado, no se
repetiram com a efetiva utilizao do sistema fsico, em que no se apresentou estabilidade. Ficam
ento levantadas as dvidas sobre os motivos pelos quais o esquema apresentado na figura 6 no pde
controlar a esfera do levitador. Ou mesmo se seria possvel fazer esse controle encontrando valores de
mdia e varincia satisfatrios para a determinao dos conjuntos nebulosos.

AGRADECIMENTOS

Ao Prof. Dr. Karl Heinz Kienitz, aos demais professores do Departamento de Sistemas e
Controle do Instituto Tecnolgico de Aeronutica (ITA), aos membros da Coordenao Local do
PIBIC e ao CNPq.

REFERNCIAS BIBLIOGRFICAS

[1] SILVA, J.R.O. Simulao hardware-in-the-loop (HIL) usando Hardware Computacional na
Configurao Mestre-Escravo. Bolsa de Iniciao Cientfica, PIBIC, 2002
[2] NASCIMENTO JR. & YONEYAMA. Inteligncia Artificial em Controle e Automao. So
Paulo: Editora Edgard Blcher Ltda, 2000.
[3] SANDRI, S.; CORREA, C. Lgica nebulosa. V Escola de Redes Neurais, pp. c73-c090, 1999.
[4]WONG, T.H. Design of a Magnetic Levitation Control System An Undergraduate Project. IEEE
Transactions on Education, vol. E-29, No. 4, 1986
[5] OGATA, K. Engenharia de Controle Moderno. Prentice-Hall, 1990, 2a edio.