Академический Документы
Профессиональный Документы
Культура Документы
B viscosidade do motor 0.1 N.m.s
Ke fora eletromotriz 0.01 V / rad / sec
Kt torque do motor 0.01 N.m / Amp
R Resistncia eltrica 1 Ohm
L Indutncia eltrica 0.5 H
Sendo Kt=Ke, resumindo K, e aplicando a transformada de Laplace, temos:
Chegamos a seguinte funo de transferncia de malha aberta.
Substituindo os valores representados na tabela 1, chegamos ao seguinte resultado:
()
Para que o motor alcance uma velocidade desejada, necessria a aplicao de
alguns requisitos a fim de ter uma resposta rpida e dentro dos padres adotados para
no danificar o equipamento.
3 MTODOLOGIA
3.1 PID Gentico
Os controladores PID possuem uma estrutura simples, com um pequeno nmero de
parmetros a serem ajustados. So bastante utilizados nas indstrias porque
alcanam o rastreamento do sinal de referncia e a rejeio de perturbao do tipo
degrau, atravs integral. Alm disso, os mesmos possuem a capacidade de
antecipao do futuro, devido ao derivativa.
Figura 02: Configurao do controlador PID.
O Algoritmo Gentico (AG) opera num espao de solues possveis para o controlador
PID, e procura melhores solues, baseando-se em ideias originadas do campo da
evoluo gentica, utilizando operadores genticos, tais como: seleo, cruzamento e
mutao. Constituem uma tcnica de busca e otimizao, altamente paralela, inspirada
no princpio Darwiniano de seleo natural e reproduo gentica.
A sada do controlador informa os parmetros Kp (ganho porporcional), Ki (ganho
integral) e Kd (ganho derivativo) que foram classificados como melhores indivduos
dentro da gerao selecionada e informa tambm a funo de custo (fitness) que define
a eficincia do controlador.
3.2 Fuzzy
O controlador fuzzy baseado em regras de estratgia de controle que descrita por
intermdio de regras lingusticas que conectam, de modo impreciso, vrias situaes
com as aes a serem tomadas (MENDEL,1995).
O algoritmo de controle usa as regras disponveis e produz, para um determinado estado
do processo, a deciso sobre a prxima entrada do processo.
A figura 3 representa estrutura bsica de um controlador baseado na lgica Fuzzy.
Figura 03: Diagrama de bloco de um controlador Fuzzy.
3.3 Redes Neurais Artificiais
Uma rede neural artificial composta por vrias unidades de processamento, cujo
funcionamento bastante simples. Essas unidades, geralmente so conectadas por
canais de comunicao que esto associados a determinado peso. As unidades fazem
operaes apenas sobre seus dados locais, que so entradas recebidas pelas suas
conexes. O comportamento inteligente de uma Rede Neural Artificial vem das
interaes entre as unidades de processamento da rede.
A maioria dos modelos de redes neurais possui alguma regra de treinamento, onde os
pesos de suas conexes so ajustados de acordo com os padres apresentados. Em
outras palavras, elas aprendem atravs de exemplos.
Arquiteturas neurais so tipicamente organizadas em camadas, com unidades que
podem estar conectadas s unidades da camada posterior.
Figura 04: Estrutura de redes neurais
A propriedade mais importante das redes neurais a habilidade de aprender de seu
ambiente e com isso melhorar seu desempenho. Isso feito atravs de um processo
iterativo de ajustes aplicado a seus pesos, o treinamento. O aprendizado ocorre quando a
rede neural atinge uma soluo generalizada para uma classe de problemas.
3.4 Neuro Fuzzy
Neuro fuzzy uma tcnica de controle que combina redes neurais artificiais e logica
fuzzy.
Figura 05: Arquitetura do sistema Neuro Fuzzy
4 RESULTADOS
Para mostrar as diferenas entre os controladores foram realizados testes com a
planta, usando uma entrada randmica que envia pulsos entre 0 e 1. Logo em
seguida foram feitos outros testes para mostrar a robustez do controlador, aplicando
rudos na planta (alterando seus valores).
4.1PID Gentico
Figura 06: Diagrama de bloco do sistema PID gentico.
O Algoritmo Gentico encontrou, com uma populao inicial de 100 indivduos aps 10
geraes, os seguintes parmetros PID:
{
Sendo que o melhor ndice de desempenho encontrado foi de 0.43487
Figura 07: Sada referente ao sistema PID gentico.
Com a modificao da planta a sada para a mesma sintonia encontrada pode ser
observada na figura abaixo.
Figura 08: Sada referente ao sistema PID gentico utilizando a planta modificada.
4.2Fuzzy
Figura 09: Diagrama de bloco do sistema Fuzzy.
O melhor ajuste encontrado para as constantes de erro (Ke), da derivada do erro (Kde) e
de controle (Kc), com uma populao inicial de 100 indivduos aps 20 geraes foram:
{
Sendo que o melhor ndice de desempenho encontrado foi de 0.4271
Figura 10: Sada referente a sistema Fuzzy.
No foi possvel obter uma resposta muito boa de acordo com os parmetros desejados,
pois o controlador requer que o operador ou manipulador da planta saiba quais as
regras, caractersticas e limites que esta deve-se obedecer. Como o modelo teste foi
adquirido do site < http://ctms.engin.umich.edu/ > e as caractersticas no conhecemos
direito, no foi possvel realizar uma boa sintonia.
Para avaliarmos a robustez deste controlador modificamos a planta para observarmos se
a sada continuava seguindo o SP estipulado. Podemos verificar o grfico abaixo
referente a esta sada.
Figura 11: Sada referente a sistema Fuzzy com a planta modificada.
4.3 Redes Neurais Artificiais
Figura 12: Diagrama de bloco do sistema Redes Neurais.
Em primeiro lugar adaptamos os parmetros para atender a planta especificada. Fizemos
alguns ajustes no ambiente interativo do controlador e a resposta pode ser observada
logo abaixo.
Figura 13: Sada referente a sistema Redes Neural.
Com a modificao da planta o resultado foi o pior encontrado entre Fuzzy e PID.
Devido a sua simplicidade e gerao de respostas no exatas podemos ento explicar
tal fato.
Figura 14: Sada referente a sistema Redes Neural com a planta modificada.
4.4 Neuro Fuzzy
Figura 12: Arquitetura do sistema Neuro Fuzzy
As funes de pertinncia do neuro fuzzy so criadas automaticamente pelo software
MATLAB, porm para isso garantir uma boa sintonia devemos treinar essa rede.
Usamos o controlador PID para gerar dados de entrada e sada a ponto de ensinar ao
novo controlador com o sistema funciona. Aps alguns testes, o controlador conseguiu
ser treinado e o grfico referente a sua sada pode ser mostrado logo abaixo.
Figura 15: Arquitetura do sistema Neuro Fuzzy
Com a modificao da planta podemos perceber o Neuro Fuzzy foi um dos que mais
controlou a planta modificada. Devido a sua robustez, controlar plantas maiores e mais
sofisticadas a sua especialidade.
Planta modificada
5 CONCLUSO
Com a comparao feita entre os controladores foi possvel perceber que o PID
Gnetico, utilizando a planta original, obteve melhor resposta entre os outros
controladores. No entanto, o Neuro Fuzzy apresentou melhor resposta ao rudo
(distrbio feito na planta).
Para justificar as afirmaes feitas acima, podemos esclarecer que o PID at hoje o
melhor controlador para processos simples. Porm, quando se trata de rudos e
modificaes no sistema o Fuzzy e o Neuro Fuzzy apresentam melhores respostas,
devido ao fato de estes serem controladores mais robustos e aptos a mudanas.
Como foi possvel observar o sistema Fuzzy no atendeu de forma satisfatria os
resultados esperados, devido ao fato de que para se ajustar as funes de pertinncia
e a criao das regras necessrio o conhecimento aprofundado da planta usada
como teste. Como no possumos tal conhecimento foi difcil o ajuste ideal desses
parmetros, no entanto mesmo o controlador no estando bem sintonizado
conseguiu controlar o processo.
REFERNCIAS BIBLIOGRFICAS
Tao, C. W.; Taur, J. S.. Fuzzy Systems. Taiwan: Fev. 2005
Gomide, Fernando A. C.; Gudwin, Ricardo R.; Tanscheit, Ricardo. Conceitos
Fundamentais da teoria de conjuntos Fuzzy, Lgica Fuzzy e aplicaes. Disponvel em:
< ftp://ftp.dca.fee.unicamp.br/pub/docs/gudwin/publications/ifsa95.pdf > Acesso em: 20
fev. 2014
Mendel, J.M.. Fuzzy logic systems for engineering: a tutorial, 1995.
Chaiyaratana, N; Zalzala, A. M. S.. Recent developments in evolutionary and genetic
algorithms: theory and applications. Glasgow: Set. 1997.
SIMULATION OF CONTROL STRATEGIES APPLIED TO DIRECT CURRENT
MOTOR SHOWS THE DIFFERENCE BETWEEN GENETIC PID, FUZZY, NEURO
FUZZY AND NEURAL NETWORKS.
Abstract: This work aims to evaluate the performances of some control techniques -
Neural Networks, PID, Fuzzy and Neuro Fuzzy - studied in the course of intelligent
control in the course of Control Engineering and Automation. With comparisons made
between them is possible to distinguish which one is best to meet different situations.
The simulation and results of this work are presented by MATLAB , a powerful
software used to perform calculations and simulations in various areas of education.
Key-words: PID, Fuzzy, NeuroFuzzy, Neural Networks, Genetic Algorithms and
MATLAB.