SIMULAO DE ESTRATGIAS DE CONTROLE APLICADO

AO MOTOR DE CORRENTE CONTNUA MOSTRA QUAL A

DIFERENA ENTRE PID GENETICO, FUZZY, REDES
NEURAIS E NEURO FUZZY.



Karina Madeira Fiorotti karina.fiorotti@yahoo.com.br
Gustavo Maia de Almeida gmaia@ifes.edu.br
IFES Instituio Federal de Educao, Cincia e Tecnologia do Esprito Santo,
Campus Serra, Coordenadoria de Automao Industrial.
Rodovia ES-010 Km 6,5 - Manguinhos
29173087 Serra Esprito Santo



Resumo: Este trabalho tem como objetivo avaliar os desempenhos de algumas tcnicas
de controle - Redes Neurais, PID, Fuzzy e Neuro Fuzzy estudadas na disciplina de
controle inteligente no curso de Engenharia de Controle e Automao. Com as
comparaes feitas entre elas possvel distinguir qual delas melhor para atender as
diferentes situaes. A simulao e o resultado desse trabalho so apresentados pelo
MATLAB, um poderoso software utilizado para a execuo de clculos e simulaes
em diversas reas do ensino.


Palavras-chave: PID, Fuzzy, NeuroFuzzy, Redes Neurais, Algoritmo Gentico, Matlab.


1. INTRODUO
O controlador Proporcional-Integral-Derivativo (PID) uma das tcnica de controle
mais empregado na indstria e na maioria dos processos de controle. Sua simplicidade
se deve ao fato de que existem poucos parmetros e serem ajustados, suficientes para
garantir um bom desempenho do processo controlado. Porm, para garantir um bom
desempenho necessrio ter uma boa sintonia, ajustar corretamente os parmetros, o
que implica conhecer a planta, suas caractersticas e suas limitaes.
A busca para soluo de problemas e com o avano da tecnologia deu abertura para os
estudos de controle avanados. O algoritmo gentico um deles, no qual baseado no
mecanismo de seleo natural e gentica estudados na Teoria de Evoluo proposto por
Darwin. Com ele possvel fazer a sintonia do PID sem muito esforo, procura
solues aproximadas em problemas de otimizao e busca, uma tcnica robusta e
altamente eficiente, porm em diversas aplicaes no existem algoritmos exatos de
solues (Chaiyaratana, 1997).
Uma das tcnicas mais utilizadas na indstria a lgica Fuzzy. Como diz Gomide, a
lgica que suporta os modos de raciocnio que so aproximados ao invs de exatos. Esse


controlador 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.
Outra tcnica utilizada por controladores inteligentes so as redes Neurais que so
tcnicas computacionais que apresentam um modelo matemtico inspirado na estrutura
neural de organismos inteligentes e que adquirem conhecimento atravs da experincia.
Esse contexto deixa claro que podemos utilizar as Redes Neurais como solues de
controle ou como algoritmo de aprendizado, utilizado, por exemplo, como treinamento
de um controlador Fuzzy. Nesse caso, o controlador ao invs de se chamar Fuzzy, passa
a ser chamado de Neuro Fuzzy, que possui a capacidade de aprendizado existentes nas
redes neurais e a capacidade de tomada de deciso do sistema Fuzzy. O artigo publicado
por Tao e Taur em 2005 fala exatamente do sistema neuro Fuzzy, onde este treinado
por um sistema PID.
2. MODELO DO MOTOR DE CORRENTE CONTNUA (DC)
Os motores DC so conhecidos por seu controle preciso de velocidade e por seu ajuste
fino e so, portanto, largamente utilizados em aplicaes que exigem tais caractersticas,
por exemplo, em aplicaes como o posicionamento de um brao de rob.

Figura 01: Esquema de um motor de corrente contnua(DC) controlado por corrente de
armadura.
O objetivo desse trabalho controlar a velocidade do motor DC tendo como parmetros
de entrada do sistema a tenso aplicada a armadura do motor (V) enquanto que a sada
a velocidade de rotao do eixo (

), conforme visto na figura 01.

Atravs da 2 lei de Newton e da lei de tenso de Kirchhoff, podemos extrair as
seguintes equaes. Onde os parmetros podem ser analisados pela tabela 1 abaixo.






TABELA 1 Parmetros do motor
Parmetro Descrio Valor Unidade
J momento de inrcia do rotor 0.01

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.