Академический Документы
Профессиональный Документы
Культура Документы
por
Aprovada por:
Prof. Dr. Rafael Antnio Comparsi Laranja - UFRGS
Prof. Dr. Victor Juliano De Negri - UFSC
Prof. Dr. Antnio Carlos Valdiero - UNIJUI
Prof. Dr. Rogrio Jos Marczak
Coordenador do PROMEC
Dedico este trabalho ao meu av Dr. Joo Martins Gervini, que sempre me apoiou e
incentivou na pesquisa acadmica.
iii
AGRADECIMENTOS
Agradeo aos meus pais Igor e Bebeth, pelo carinho, a minha esposa Vanessa por seu amor,
apoio e por ter dado a luz a nossa querida filha Sofia, aos meus irmos pelos incentivos,
carinhos e amizade. Agradeo ao Prof. Sebastio por todos os ensinamentos e apoio que me
foram dedicados ao longo de minha vida acadmica, ao Prof. Perondi pela excelente
orientao e pacincia ao longo de todo o curso de doutorado, aos membros da banca pelas
preciosas colaboraes durante a qualificao e fase final de defesa do doutorado. Agradeo a
todos os colegas do Laboratrio de Mecnica e Controle da UFRGS, pelo coleguismo, em
especial ao tcnico der e colega Alexandre, por suas incontveis ajudas em todas as fases de
meu trabalho. Agradeo a todos os professores do Centro de Cincias Computacionais da
FURG por me incentivarem e apoiarem nesta etapa de vida.
iv
RESUMO
ABSTRACT
The development of a precise positioning system has motivated several researches in the
pneumatic systems control area to overcome the problems caused by these nonlinearities, by
appropriate feedback control algorithms. In this work it is proposed a methodology based on
neural networks to achieve accurate mathematical models that can be used in simulation as in
controllers techniques based on models. This methodology was tested through its application
in identifying the phenomenon of friction and the relationship pressure/mass flow through
servo valve orifices control holes. Furthermore, using neural networks, the inverse
relationship between the desired flow rates and control signal of servo valve
(diffeomorphism), which is applied in various control techniques based on models, was
determined. To evaluate the proposed modeling methodology, simulations were done in open
and closed loop, and the results were compared with experiments conducted on a real
pneumatic servo positioning system. A neural network based model was used to develop a
nonlinear controller according to a cascade strategy with friction compensation (which has
been tested on other studies showing satisfactory results when applied to pneumatic servo
positioning control). The cascade control strategy, despite showing a good performance in
trajectory tracking, presents significant difficulties in implementation due mainly to
difficulties associated with the system parameters identification process, which are especially
expensive. The characteristics of the closed loop stability were analyzed by Lyapunov
method. The experimental results obtained in closed loop attest the efficiency of the proposed
control strategy.
Keywords: Pneumatic, servo positioning systems, modeling, cascade control; neural
networks.
vi
NDICE
INTRODUO................................................................................................... 1
1.1
1.2
1.3
2.2
2.3
2.4
2.5
2.6
2.7
2.8
2.9
3.2
3.3
3.4
3.5
4.2
4.3
4.4
4.5
4.6
4.7
4.8
CONCLUSES ................................................................................................... 82
Parmetros Fsicos........................................................................................ 93
I.2
Sensores ........................................................................................................ 93
I.3
Atuadores ..................................................................................................... 94
I.4
viii
LISTA DE FIGURAS
Figura 1.1 Rob Pneumtico disponvel no LAMECC/UFRGS ............................................. 3
Figura 1.2 Atuador pneumtico utilizado em [Van Varseveld e Bone, 1997] com baixo atrito
............................................................................................................................................ 5
Figura 2.1 Desenho esquemtico da bancada experimental e sistema eltrico ..................... 15
Figura 2.2 Fotografia da bancada de testes do atuador pneumtico montada no Laboratrio
de Mecatrnica e Controle da UFRGS (LAMECC)......................................................... 16
Figura 2.3 Volume de controle com domnio varivel .......................................................... 18
Figura 2.4 Equilbrio de foras no mbolo do cilindro atuador [Perondi, 2002] .................. 20
Figura 2.5 Estrutura bsica de um neurnio .......................................................................... 22
Figura 2.6 Exemplos de funes de ativao utilizadas nos neurnios ................................. 23
Figura 2.7 Agrupamento de arquiteturas de redes feed-forward e recorrentes [Jain et. al,
1996] ................................................................................................................................. 23
Figura 2.8 Topologia tpica de uma rede neural MLP feed-forward com trs camadas e
totalmente conectada ........................................................................................................ 25
Figura 2.9 Arquitetura da Rede Neural Artificial (RNA) usada para a realizao da
estimao da fora de atrito .............................................................................................. 29
Figura 2.10 Arquitetura dos neurnios da camada oculta e de sada utilizados para a
modelagem do atrito ......................................................................................................... 29
Figura 2.11 Padres de treinamento da RN para estimao do atrito.................................... 30
Figura 2.12 Fora de atrito experimental (preto) e estimada pela rede neural (azul) para
8 e referncia senoidal com frequncia de 2 rad/s e amplitude de 0,45 m............. 31
Figura 2.13 Arquitetura da RNA para estimao das vazes mssicas ................................. 32
Figura 2.14 Sinais utilizados para o treinamento da RN para estimao das vazes mssicas
.......................................................................................................................................... 33
Figura 2.15 Vazo mssica experimental da cmara 1 (preto) e estimada pela rede neural
(azul) ................................................................................................................................. 34
Figura 2.16 Vazo mssica experimental da cmara 2 (preto) e estimada pela rede neural
(azul) ................................................................................................................................. 34
Figura 2.17 Velocidade do mbolo experimental (preto) e modelo (azul)............................ 36
Figura 2.18 Trajetrias de atrito idealizadas para representar o fenmeno stick-slip. .......... 36
Figura 2.19 Presso na cmara 1 experimental (preto) e modelo (azul) ............................... 37
ix
Figura 4.5 Presses nas cmaras 1 e 2 em simulao (MF) para referncia senoidal ...... 56
Figura 4.6 Presses nas cmaras 1 e 2 experimental (MF) para referncia senoidal ....... 56
com
e em simulao em malha
e em simulao em malha
com
e em simulao em malha
e em simulao em malha
Figura 4.18 Posio do mbolo e seu respectivo erro experimental para o controlador
cascata neural com trajetria de referncia senoidal ........................................................ 65
Figura 4.19 Velocidade do mbolo e sinal de controle experimental para o controlador
cascata neural com trajetria de referncia senoidal ........................................................ 66
Figura 4.20 Presses nas cmaras 1 e 2 experimental e sinal de erro s para o controlador
cascata neural com trajetria de referncia senoidal ........................................................ 66
Figura 4.21 Fora desejada calculada pela lei de Slotine e Li em relao fora aplicada e
respectivo erro em fora experimental para o controlador cascata neural com trajetria de
referncia senoidal ............................................................................................................ 67
Figura 4.22 Variveis
Figura 4.25 Presses nas cmaras 1 e 2 experimental e sinal de erro s para o controlador
cascata neural com trajetria de referncia polinomial .................................................... 69
Figura 4.26 Fora desejada calculada pela lei de Slotine e Li em relao fora aplicada e
respectivo erro em fora experimental para o controlador cascata neural com trajetria de
referncia polinomial ........................................................................................................ 70
Figura 4.27 Variveis
xii
Figura 4.42 Foras e respectivo erro para o controlador cascata neural com trajetria de
referncia senoidal e adio de massa com ganhos modificados ..................................... 81
Figura III.1 Arquitetura da Rede Neural Artificial (RNA) usada para a realizao da
estimao da derivada da fora de atrito ........................................................................ 103
Figura III.2 Derivada da fora de atrito experimental (preto) e estimada pela rede neural
(azul) para
m ..................................................................................................................................... 104
Figura III.3 Arquitetura da RNA para estimao da tenso de controle ............................. 105
Figura III.4 Tenso de controle experimental (preto) e estimada pela rede neural (azul) ... 106
Figura IV.1 Posio do mbolo e seu respectivo erro experimental para o controlador
cascata neural com trajetria de referncia senoidal. ..................................................... 109
Figura IV.2 Velocidade do mbolo e sinal de controle experimental para o controlador
cascata neural com trajetria de referncia senoidal. ..................................................... 109
Figura IV.3 Foras e respectivo erro para o controlador cascata neural com trajetria de
referncia senoidal. ......................................................................................................... 109
xiii
LISTA DE TABELAS
Tabela 2.1 Exemplo de padres de treinamento para a operao lgica XOR com duas
entradas ............................................................................................................................. 26
Tabela 2.2 Parmetros dos experimentos selecionados para o treinamento da rede neural .. 31
Tabela 2.3 Resultados das simulaes usando o modelo proposto segundo critrio IAE ..... 36
Tabela 4.1 Ganhos utilizados no controlador PVP ............................................................. 60
Tabela 4.2 Ganhos utilizados no controlador Cascata Neural ............................................... 64
Tabela 4.3 Ganhos modificados utilizados no controlador Cascata Neural .......................... 79
Tabela I.1 Valores numricos dos parmetros do sistema fsico........................................... 93
Tabela I.2 Caractersticas tcnicas dos sensores de presso.................................................. 93
Tabela I.3 Caractersticas tcnicas da rgua potenciomtrica. .............................................. 94
Tabela I.4 Caractersticas tcnicas da servovlvula direcional. ............................................ 94
Tabela I.5 Caractersticas tcnicas do atuador pneumtico linear. ........................................ 94
Tabela I.6 Caractersticas da placa de aquisio e processamento de dados. ........................ 95
xiv
LISTA DE SMBOLOS
A
rea do mbolo, m2
Fa
Fe
"
$%
$&
'
massa deslocada, kg
matriz da funo Lyapunov
matriz da derivada da funo Lyapunov
presso absoluta na cmara i, Pa
presso a jusante, Pa
presso a montante, Pa
xv
)'
*+
,+
,+
-
energia calorfica, J
tempo, s
velocidade
temperatura do ar a montante, K
2'
temperatura do ar de suprimento, K
un
3'
temperatura do ar a jusante, K
Vi0
deslocamento do mbolo, m
56
57
posio desejada, m
57
posio de referncia, m
567
8'
<
xvii
1 INTRODUO
Os servoposicionadores pneumticos so relativamente baratos, leves e de fcil
instalao, apresentando tambm uma relao de fora de sada por unidade de peso que os
tornam muito atraentes em aplicaes na indstria. Por outro lado, os servoposicionadores
pneumticos possuem caractersticas altamente no-lineares e uma grande dificuldade em se
obter modelos matemticos precisos, o que dificulta que se consiga um desempenho adequado
no controle do seguimento de trajetrias.
Os atuadores pneumticos esto sendo cada vez mais utilizados e tm se tornando uma
alternativa na automao industrial devido s suas caractersticas especficas. Para algumas
aplicaes, existem vantagens na utilizao de atuadores pneumticos em relao aos
atuadores hidrulicos e eltricos. Atuadores pneumticos utilizam o ar na transmisso de
movimento, sendo este de fcil disponibilidade. Os atuadores pneumticos possuem uma boa
relao peso/potncia [Messina et al., 2005; Rajendran e Nanda, 2009; Schindele e
Aschemann, 2009; Chikh et al, 2010; Ren e Huang, 2013b], alm de apresentarem uma
capacidade de fornecer maior fora e por um perodo mais longo do tempo do que os aos
atuadores eltricos [Schindele e Aschemann, 2009]. Sistemas pneumticos so fceis de
serem projetados e so muito flexveis quanto s suas aplicaes [Shaojuan et al., 2008;
Ramirez, 2013], propiciando condies de operaes limpas [Messina et al., 2005; Niiyama,
2012; Chen e Shih, 2013]. Alm disso, ao contrrio dos sistemas eltricos, os sistemas
pneumticos no emitem fagulhas, fazendo com que sejam seguros e facilmente adaptveis
para utilizao em ambientes classificados.
Por outro lado, atuadores pneumticos tm aplicao restrita em problemas onde alta
preciso requisitada. As dificuldades esto associadas a caractersticas tais como: difcil
identificao dos parmetros do sistema dinmico, efeitos da compressibilidade do ar,
presena de atrito com comportamento altamente no-linear entre as superfcies de contato
nas vedaes do cilindro, tanto no mbolo quanto na haste; fortes no-linearidades associadas
relao entre a vazo de ar atravs do orifcio da servovlvula e as presses nas cmaras do
cilindro. Esses fatores dificultam a obteno de um modelo dinmico preditivo e desempenho
adequado do sistema de controle. Assim, para a implantao de controladores de sistemas
pneumticos baseados em modelos matemticos, necessrio que vrios parmetros sejam
levantados e identificados para que seja possvel a aplicao destes sistemas de controle nos
sistemas reais.
Na presente tese realizada uma pesquisa sobre servoatuadores pneumticos,
englobando aspectos tanto de modelagem dinmica quanto de controle. feito um
desenvolvimento terico dos dois principais mdulos que compem a tese: modelagem
dinmica e controle de servoatuadores pneumticos. Este desenvolvimento terico foi
validado a partir de resultados experimentais, obtidos em uma bancada experimental que se
encontra fisicamente no LAMECC (Laboratrio de Mecatrnica e Controle) da UFRGS.
1.1
Estado da Arte
A demanda pela automao industrial iniciou-se entre a dcada de 1950 e 1960
[Broadbent, 1950; Tappan et al., 1960], bem como a pesquisa sobre atuadores pneumticos.
Um dos primeiros estudos publicados sobre modelagem de atuadores pneumticos o de
Shearer, 1956, no qual apresentado um modelo dinmico no-linear, o modelo no-linear
obtido ento linearizado, visando aplicao em projeto de controladores baseados em
tcnicas lineares [Virvalo, 1995; Li et al., 2011]. De forma geral, os modelos matemticos
encontrados na bibliografia seguem as mesmas hipteses e procedimentos gerais do
equacionamento proposto por Shearer, 1956.
Na literatura so encontradas aplicaes para servoposicionadores pneumticos,
algumas das quais so aqui descritas. Em Wang et al., 1999a, por exemplo, apresentada uma
estratgia de controle pneumtico baseada em um controlador PID para um sistema de
embalagem de alimentos. Experimentos para um cilindro pneumtico de 30 cm de curso total
so apresentados para o controle ponto a ponto. Os resultados apresentam um erro mximo de
1 mm na preciso do posicionamento do cilindro com uma massa de 1,7 kg. O controlador se
mostrou robusto a variaes no suprimento de presso de at 2 bar. Em Choi et al., 2003, est
descrito o desenvolvido de um rob hbrido acionado por atuadores pneumticos e
servomotores utilizado para aplicaes de colocaes de vidro, rob este que possui 4 graus
de liberdade e uma resoluo na posio mxima de 3 mm. O controlador utilizado foi o
controle por modos deslizantes. O autor salienta que no se consegue uma alta preciso e que
o intuito utilizar o rob como suporte para trabalhadores humanos na montagem de painis
em construes. Alm das aplicaes industriais, atuadores pneumticos tm sido utilizados
tambm como interface fsica humana. Por exemplo, em Faudzi et al., 2008, uma cadeira
inteligente foi projetada, de modo a se ajustar de acordo com a curvatura lombar de um ser
humano, com o intuito de minimizar o desconforto e a fadiga. Resultados experimentais no
seguimento de fora e de trajetria so apresentados graficamente, sem detalhar o
desempenho do sistema de controle proposto. Em Sang-Eun et al., 2010, atuadores
pneumticos foram utilizados em aplicaes na rea mdica de Ressonncia Magntica por
Imagem (MRI) para a bipsia da prstata. Foram, no entanto, apresentados problemas devido
ao limitado espao de trabalho. Atualmente, encontra-se em desenvolvimento no Laboratrio
de Mecnica e Controle (LAMECC) da Universidade Federal do Rio Grande do Sul (UFRGS)
um rob pneumtico com cinco graus de liberdade, conforme apresentado na Figura 1.1 [Rijo,
2013].
Figura 1.2 Atuador pneumtico utilizado em [Van Varseveld e Bone, 1997] com baixo atrito
velocidade na estratgia de controle, alguns autores preferem uma abordagem com utilizao
do sinal de fora, como, por exemplo, [Ilchmann et al., 2006], que apresenta um controlador
proporcional estvel com realimentao do erro em fora. Resultados experimentais do
controlador em aplicaes de seguimento de fora apresentam erros de cerca de 4 N para
trajetrias de referncia constitudas por degraus de diferentes amplitudes, restritas entre 40
N. Outros autores, porm, se utilizam de observadores de estados para as estimativas dos
sinais desejados [Salgado e Chairez, 2013] ou de fenmenos no-lineares tais como o atrito
[Rahman e Sepehri, 2013].
A utilizao de redes neurais artificiais (RNA) em robtica tem sido realizada,
principalmente, como ferramenta de identificao de modelos estticos e dinmicos para a
posterior compensao de no-linearidades, objetivando tornar a planta o mais linear possvel,
facilitando assim o bom desempenho da lei de controle. A RNA atua como um modelo
matemtico com que pode reproduzir caractersticas de algum sistema fsico previamente
selecionado, como, por exemplo, o atrito ou a funo inversa da servovlvula. Algumas
vantagens no uso de RNA so a facilidade e a rapidez na identificao de sistemas fsicos em
comparao com os mtodos tradicionais de identificao (levantamentos de pontos e
aproximaes de curvas, mtodo usualmente utilizado na identificao do modelo da inversa
da servovlvula).
Em Lee et al., 2002, apresentado um controle PID de posio com compensao de
atrito via rede neural e um observador no-linear para a fora de atrito baseado no modelo
simplificado de Coulomb descrito atravs da equao,
=>, 5@
associado a uma dinmica interna escolhida de modo que se possa provar a convergncia
assinttica do erro em posio para zero. O atuador utilizado do tipo linear com curso total
de 20 cm e uma massa na carga de 2,7 kg. A rede neural proposta possui duas entradas
(velocidade e acelerao), uma camada escondida com trs neurnios e uma sada para a
estimativa do atrito. O treinamento da rede neural foi feito de forma offline utilizando-se
padres de treinamentos levantados previamente. O algoritmo de adaptao escolhido foi o
mtodo clssico de retropropagao do erro (backpropagation), onde o treinamento
supervisionado das redes neurais baseado no uso de padres de treinamento de entrada e
sada para uma dada rede neural que propaga os erros de suas sadas para os pesos mais
deslizantes. O filtro preditor utilizado para que a estimao dos parmetros e dos estados do
modelo desloquem-se em direo superfcie de um hiperplano previamente definido. O
desempenho do filtro preditor comparado a partir de resultados de simulaes com
estimaes realizadas por uma rede neural feed-forward de quatro camadas, com uma entrada,
duas camadas escondidas e uma sada, utilizando o algoritmo de treinamento por
retropropagao de Levenberg-Marquardt.
Hesselroth et al., 1994, utilizaram redes neurais para o controle de um manipulador de
cinco graus de liberdade com msculos pneumticos. Foram utilizadas duas cmeras digitais
para medir as posies. A topologia escolhida para a rede neural do tipo Kohonen
tridimensional. Os mapas auto-organizveis de Kohonen fazem parte de um grupo de redes
neurais baseadas em modelos de competio, ou simplesmente redes competitivas [Fausett,
1994]. Nestes mapas no existe a necessidade do treinamento tradicional supervisionado, pois
a prpria rede busca encontrar similaridades baseando-se apenas nos padres de entrada. O
artigo mostra que com pouco mais de 200 passos de adaptao possvel se obter um erro
mximo de 3 mm para o controle ponto a ponto.
Gross e Rattan, 1997, apresentaram um controle de velocidade de um cilindro
pneumtico. O controle apresentado composto de uma realimentao do erro de velocidade
e de uma rede neural multicamadas para a compensao das no-linearidades do sistema. Para
o treinamento da rede neural foi utilizada a tcnica de backpropagation com momentum. O
trabalho apresenta resultados de simulao para o erro de velocidade em cilindros
pneumticos, mostrando que ocorre uma reduo de 93,7% do erro no seguimento de
velocidade quando utilizada a compensao por redes neurais.
Song et al., 1997a, propuseram um controlador de posio para um cilindro
pneumtico utilizando redes neurais multicamadas. Como regra de treinamento, utilizou-se
um algoritmo baseado no Filtro de Kalman Estendido (EKF), que uma verso no-linear do
estimador quadrtico linear conhecido como Filtro de Kalman (KF) [Kalman, 1960] e
considerado como um padro na teoria de estimao de estados de sistemas no-lineares
[Einicke e White, 1999]. A rede neural responsvel por todo o clculo do controle, tendo
sido necessrio realizar um treinamento prvio da rede. No so apresentados detalhes do erro
do seguimento de trajetria, mas resultados visuais dos grficos mostram erros inferiores a 1
mm em problema de deslocamento ponto a ponto para uma massa na carga de 10 kg.
10
Choi et al., 1998, utilizaram uma rede neural feed-forward com trs camadas (uma
camada de entrada, uma camada escondida e uma camada de sada) para controlar um
servoposicionador pneumtico linear com 20 cm de comprimento. Como tcnica de
aprendizagem foi utilizada a retropropagao do erro. Foi utilizado um algoritmo PID para o
controle do sistema. Resultados experimentais so apresentados utilizando-se trajetrias
senoidais de frequncia de 0,5 Hz. A estratgia de controle proposta apresenta erros inferiores
a 2,2 mm no seguimento de trajetria para curvas harmnicas com amplitudes de 7 cm.
Ahn et al., 2003, utilizaram um algoritmo de seleo de ganhos atravs de rede neural
para controlar um sistema pneumtico com carga varivel. De acordo com a estratgia
proposta, a rede neural escolhe um conjunto de ganhos apropriados para diferentes valores de
carga. Resultados experimentais sem carga apresentaram erros inferiores a 0,5 mm no
controle ponto a ponto.
Song e Liu, 2006, utilizaram uma rede neural feed-forward para obter um modelo
completo de um sistema pneumtico. A rede neural utilizada foi treinada utilizando o mtodo
de convergncia de Levenberg-Marquardt [Song e Liu, 2006]. O modelo obtido
transformado em um modelo ARX (modelo auto-regressivo, ou seja que depende dos estados
anteriores e possui entradas externas) de terceira ordem. A partir do modelo ARX foi
projetado um controlador digital para o sistema. O artigo apresenta resultados experimentais
com erro no seguimento de trajetrias harmnicas de, no mximo, 3,27 mm. O cilindro
utilizado possui comprimento total de 10 cm, tendo sido utilizados na gerao das harmnicas
amplitudes de aproximadamente 4 cm, resultando em 8 cm de curso total. Trung et al., 2011,
feita a identificao de um atuador pneumtico utilizando redes neurais, tendo como tcnica
de adaptao dos pesos tambm o mtodo de convergncia de Levenberg-Marquardt.
Resultados experimentais atestam a estratgia de modelagem proposta.
Alguns trabalhos anteriormente desenvolvidos no LAMECC/UFRGS serviram de base
inicial para o desenvolvimento deste trabalho, principalmente associados a Dissertaes de
Mestrado e Teses de Doutorado j desenvolvidas nesse tema [Perondi, 2002; Sobczyk, 2005;
Kunz, 2006; Sobczyk, 2009; Suzuki, 2010; Sobczyk et al., 2012]. Alm disso, serviram como
base trabalhos anteriores na rea de inteligncia artificial como auxlio ao controle de sistemas
mecnicos [Gervini et al., 2008; Gomes et al., 2006; Gervini et al., 2003; Gervini et al., 2001].
O projeto, anlise, implantao experimental e teste de um controlador para
seguimento de trajetrias precisas de servoposicionadores pneumticos, constituem a
11
principal contribuio da presente tese de doutorado. Desta forma, o controlador dever ser
capaz de compensar as no-linearidades e variaes paramtricas da dinmica de
servoatuadores pneumticos, de forma a garantir estabilidade e preciso no problema de
seguimento de trajetrias de referncia.
Quando se objetiva utilizar um modelo matemtico de um atuador em sntese de
algoritmos de controle, importante que o mesmo apresente relaes que possam ser
invertidas. Isto permite que muitos controladores, como os baseados na interpretao do
sistema como subsistemas concatenados e os baseados em linearizao por realimentao
possam ser desenvolvidos usando esse modelo. No caso dos servoposicionadores
pneumticos, importante que o modelo da servovlvula apresente essa caracterstica, de
modo que possa ser utilizado na compensao das no-linearidades em algoritmos de
controle, como em Bobrow e McDonell, 1998 e Guenther e Perondi, 2002. Deste modo, o
modelo dinmico do servoposicionador proposto neste trabalho foi elaborado com a
possibilidade de inverso da relao entre a vazo de ar e a tenso de controle, adotando
tambm uma modelagem do atrito que permite sua compensao. Conforme mencionado, a
utilizao de redes neurais tambm tem auxiliado na obteno da inversa das relaes da
dinmica da servovlvula [Carneiro, 2011].
O presente trabalho, atravs da apresentao do desenvolvimento de um modelo
dinmico para um servoposicionador pneumtico, aborda a proposio de um procedimento
para a determinao de modelos baseada no uso de redes neurais para identificar as principais
no-linearidades envolvidas na modelagem de tais sistemas. A identificao dos parmetros
associados a essas no-linearidades geralmente difcil e trabalhosa de ser realizada a partir
de mtodos tradicionais. Os ensaios experimentais para a validao do modelo foram
realizados utilizando-se a bancada experimental descrita no Captulo 2.
A modelagem desenvolvida utiliza a estrutura matemtica clssica para este tipo de
sistema [Vieira, 1998; Perondi e Guenther, 1999; Perondi e Guenther, 2000; Guenther e
Perondi, 2002; Weist et al., 2011], empregando, porm, redes neurais para as estimativas das
vazes mssicas e das foras de atrito.
Nos modelos tradicionais, a vazo mssica geralmente equacionada a partir de
relaes obtidas experimentalmente entre a rea efetiva de abertura de passagem do fluido na
servovlvula com a razo entre as presses a montante e a jusante em relao ao orifcio,
resultando em curvas tridimensionais, tendo como entradas as relaes de presso e o sinal de
12
controle da vlvula (ao qual a abertura dos orifcios proporcional) e, como sada, a vazo
mssica que atravessa os orifcios da servovlvula [Scavarda e Thomasset, 1996; McDonell,
1996; Mar, 2000; Perondi, 2002; Korondi e Gyeviki, 2006; Rapp et al., 2012].
No presente caso, as vazes mssicas da servovlvula so obtidas atravs do uso de
uma rede neural que tem como entradas a tenso de controle e a diferena das presses nas
cmaras e como sada a estimativa das vazes mssicas. O treinamento da rede neural feito
de forma supervisionada a partir de dados de experimentos. No treinamento supervisionado,
as entradas da rede neural, bem como as sadas desejadas so fornecidas (chamadas de
padres de treinamento), e ento, utilizando-se a retropropagao do erro e com o mtodo do
gradiente descendente os pesos da rede so minimizados de forma a aprender os padres de
treinamento.
1.2
Objetivos do Trabalho
O objetivo geral do presente trabalho consiste no desenvolvimento de um controlador
do tipo cascata utilizando redes neurais para um servoatuador pneumtico. De forma que o
mesmo consiga seguir trajetrias de referncia e possua robustez a variaes na massa da
carga.
Os objetivos especficos do presente trabalho so:
i) a proposio de um procedimento para a obteno de modelos matemticos inversveis
de servoposicionadores pneumticos de forma rpida e eficiente, utilizando redes
neurais para identificao das no-linearidades e;
ii) o desenvolvimento de uma lei de controle para seguimento preciso de trajetria
baseada em uma estratgia em cascata com compensao de atrito via redes neurais;
iii) implementao do controlador proposto em um sistema fsico real disponvel em uma
bancada no LAMECC;
iv) realizao de testes a fim de verificar/validar o desempenho e robustez do sistema de
controle proposto.
13
1.3
Organizao do Trabalho
O trabalho est organizado da seguinte forma, no Captulo 2 apresentado a descrio
14
15
16
2.2
17
2.3
18
Uma medida da energia contida na massa que entra no volume de controle da cmara
,+% 2, onde
*+
a presso atmosfrica.
a presso na cmara 1,
% / )'
)'
ou
%/
*+
a presso de
% %,
onde
derivada do volume de controle V1. A variao na energia interna do volume de controle pode
ser expressa por D=
8% % 2@D1, onde
1 D
=
./ D1
% %@
% =/2@,
sendo R a
(2.1)
onde a potncia calorfica dissipada atravs das paredes do cilindro (-) desprezada. O
volume total na cmara 1 expresso por V1 = I J L 5M L
K
&
%N ,
%,
I5, onde 5
19
I.5
O
I J L 5M L
2
%N
/.2
O
I J L 5M L
2
%N
,+%
(2.2)
onde qm1 a vazo mssica que sai da servovlvula para a cmara 1. Sendo qm2 a vazo
mssica que sai da servovlvula para a cmara 2, V20 o volume morto na cmara 2 e L o
comprimento til do cilindro atuador, tem-se para a cmara 2,
I.5
O
I J H 5M L
2
&
&
&N
/.2
O
I J H 5M L
2
&N
,+&
(2.3)
,+% = % , @ e ,+&
2.4
&
I.5
O
I J L 5M L
2
I.5
O
I J H 5M L
2
%N
&N
&
/.2
O
I J L 5M L
2
/.2
O
I J H 5M L
2
%N
&N
,+% = % , @
(2.4)
,+& = & , @
(2.5)
#56 L
I=
&@
(2.6)
onde M a massa deslocada, fa a fora de atrito, fe uma fora externa aplicada sobre a
massa M e I=
(Figura 2.4).
&@
20
Q5
&R
,+&
2.5
,+% = % , @
(2.7)
,+& = & , @
(2.8)
#56 L
(2.9)
/.2 T
,+% = % , @
,+& = & , @
H
U
O
O
I J L 5M L %N I J H 5M L &N
2
2
H .I5 T
O
I J L 5M L
2
%N
&
O
I J H 5M L
2
&N
(2.10)
21
& , 5, 5@,
= %,
= %,
= %,
ou seja:
& , 5,
& , 5, 5@
& , 5,
/.2 T
,+% = % , @
,+& = & , @
H
U
O
O
I J L 5M L %N I J H 5M L &N
2
2
H.I5 T
O
I J L 5M L
2
%N
= %,
& , 5, 5@
= %,
&
O
I J H 5M L
2
& , 5,
&N
(2.11)
(2.12)
(2.13)
Quadrados Mdios (Least Mean Squares - LMS) [Widrow e Hoff, 1960] e a Regra Perceptron
[Rosenblatt, 1962], ambos publicados pela primeira vez no incio da dcada de 60 e que foram
de fundamental importncia para o desenvolvimento das Redes Neurais Artificias (RNA),
chamadas tambm de apenas Redes Neurais (RN) [Haykin, 1999]. A estrutura bsica do
neurnio (perceptron de Rosenblatt, [Arbib, 2003]) apresentada na Figura 2.5. O neurnio
basicamente composto por suas entradas = % ,
&, ,
neurnio.
22
O neurnio pode ser visto como uma soma ponderada de todas as entradas somada a
um termo de bias (polarizao) aplicada a uma funo de ativao. A funo de ativao
uma funo matemtica linear ou no-linear e seu uso surgiu baseado no comportamento do
neurnio biolgico [McCulloch e Pitts, 1943], que ora transmitia os sinais eltricos recebido
pelos dendritos em direo ao axnio e ora no, como se houvesse uma funo de um limiar
matemtico. Na Figura 2.6 so apresentadas as principais funes de ativaes utilizadas nos
neurnios em RN.
Em [Jain et. al, 1996] so descritas muitas formas de conectar os neurnios entre si. A
Figura 2.7 apresenta um possvel agrupamento destas formas. Por no possurem
realimentao, as redes feed-forward apresentam uma maior facilidade na prova da sua
estabilidade em relao s redes recorrentes. Por outro lado, por apresentarem uma ou mais
realimentaes, as redes recorrentes, acabam adicionando estados internos ao sistema o que
dificulta a prova da sua estabilidade.
Em [Jain et. al, 1996] so descritas muitas formas de conectar os neurnios entre si. A
Figura 2.7 apresenta um possvel agrupamento destas formas. Por no possurem
realimentao, as redes feed-forward apresentam uma maior facilidade na prova da sua
estabilidade em relao s redes recorrentes. Por outro lado, por apresentarem uma ou mais
realimentaes, as redes recorrentes, acabam adicionando estados internos ao sistema o que
dificulta a prova da sua estabilidade.
23
Figura 2.7 Agrupamento de arquiteturas de redes feed-forward e recorrentes [Jain et. al, 1996]
De forma genrica, podem-se separar as redes neurais em dois grupos: as redes feedforward (propagao para frente) e as redes recorrentes (com algum tipo de realimentao ou
dinmica interna). As redes feed-forward no possuem dinmica interna enquanto as redes
recorrentes possuem de alguma forma uma dinmica interna em sua topologia. Portanto,
quando as redes recorrentes so utilizadas no controle de sistemas dinmicos, a prova de
estabilidade do sistema em malha fechada apresenta um grau de dificuldade mais elevado.
24
Apesar desse fato, as redes feed-forward podero acabar possuindo uma dinmica interna caso
o treinamento da rede seja feito de forma online (isto , durante o controle em malha fechada
do sistema), este no ser o caso de estudo na presente tese. Todas as redes utilizadas neste
trabalho so do tipo feed-forward e foram treinadas de forma offline (isto , antes de serem
utilizadas no controle em malha fechada).
As redes de base radial so muito semelhantes s redes com perceptrons de mltiplas
camadas com a diferena bsica que as funes de ativaes so funes de base radial, so
funes sobre nmeros reais cujos valores dependem apenas da distncia a partir da origem
(por exemplo: funo Gaussiana). As redes competitivas so aquelas em que os neurnios
competem com os seus vizinhos para continuar funcionando, um exemplo para este tipo de
rede quando neurnios que no esto contribuindo adequadamente para o resultado desejado
so podados. O fato de se eliminar um neurnio faz com que a estrutura da rede seja mudada,
adicionando a rede uma dinmica interna. As redes de Kohonen, que so um tipo especial de
redes competitivas so tambm chamadas de Mapas Auto-Organizveis (SOM - SelfOrganizing Maps), que um mtodo de aprendizado no supervisionado (isto , no existem
padres de treinamento). Seu desenvolvimento foi baseado em uma caracterstica distinta do
crebro onde os neurnios transformam os sinais de entrada em uma distribuio de
probabilidade codificada pela sua localizao. As redes de Hopfiled so redes neurais com
realimentao de mltiplos laos com atrasos unitrios. As redes ART (Adaptive Resonance
Theory) foram baseadas na anlise da literatura experimental em viso, fala e
desenvolvimento do crtice. A caracterstica principal de uma rede ART seu processo de
casamento de padres que compara uma entrada externa com um estado interno da rede
neural, este estado interno pode se modificar de acordo com as entradas apresentadas [Haykin,
1999].
Neste trabalho utilizada uma rede neural com propagao para frente (feed-forward)
com mltiplas camadas de perceptrons (multilayer perceptrons - MLP) totalmente conectada
(fully connected). A Figura 2.8 apresenta uma topologia tpica de uma rede neural MLP feedforward totalmente conectada com trs camadas. O termo perceptron foi utilizado pela
primeira vez em [Rosenblatt, 1958] como sendo um modelo matemtico para a representao
de um neurnio. A primeira camada chamada de camada de entrada, utilizando-se,
normalmente, uma funo de ativao linear (purelin), a ltima camada chamada de camada
de sada, enquanto a camada intermediria chamada de camada oculta ou escondida ou
25
intermediria. A principal ideia a de fazer com que as entradas dos neurnios de uma
camada sejam as sadas dos neurnios das camadas anteriores. Quando uma rede neural dita
completamente conectada, isso significa que todos os neurnios (perceptrons de Rosenblatt)
de uma camada anterior esto conectados por pesos com cada neurnio da camada posterior.
Uma rede MLP pode conter um nmero arbitrrio de camadas (camada de entrada, uma ou
mais camadas ocultas e uma camada de sada). No entanto, deve-se evitar um grande nmero
de camadas ocultas, pois essa configurao pode levar a rede a apresentar um comportamento
inadequado, com uma memorizao dos dados de treinamento (overfitting) ao invs de uma
generalizao (predizer corretamente dados ou padres no treinados).
Assim, neste trabalho utilizaram-se redes MLP com apenas uma camada oculta,
conforme apresentado na Figura 2.8. Alm disso, foi utilizada uma de ativao linear
(purelin) para os neurnios da primeira camada e funes de ativao baseada em tangente
hiperblica (tanh) para os neurnios das demais camadas. Este padro de configurao das
funes de ativao para a primeira e segunda camada clssico na literatura, apenas o uso de
uma funo baseado na tangente hiperblica para a sada no o . Geralmente, utilizam-se
funes de ativaes do tipo lineares na camada de sada. Neste trabalho optou-se por utilizar
funes baseadas em tangente hiperblica na camada de sada, pois como a funo
matemtica da tangente hiperblica limitada todas as sadas das redes neurais deste trabalho
tambm o sero.
Figura 2.8 Topologia tpica de uma rede neural MLP feed-forward com trs camadas e totalmente
conectada
26
Entradas Sada
0
0
0
0
1
1
1
0
1
1
1
0
No algoritmo de backpropagation, geram-se valores aleatrios para o vetor de pesos
wi dos neurnios prximos a zero. Na primeira fase do treinamento os valores tpicos dos
padres das entradas so aplicados nos neurnios da camada de entrada. Em seguida,
realizada a propagao das entradas (fase feed-forward) at a obteno das sadas da RN, as
quais so, ento, comparadas com as sadas esperadas, resultando nos valores dos erros
associados a cada neurnio da camada de sada. Com este erro, possvel recalcular (adaptar)
os pesos que conectam a ltima camada intermediria com a camada de sada.
O algoritmo backpropagation pode ser de colocado de uma forma simplificada
conforme o Quadro 1.
27
YZ[5 X\% 4 XW ]^
5. Calculam-se todos os deltas aWX para cada j-simo neurnio das l camadas
anteriores utilizando a retropropagao do erro:
aWX
Xc%
[ X ] Z[4 Xc%
]
W aW
W
obtenha um erro na sada menor que o desejado, ou que at que o mximo nmero de
iteraes tenha sido atingido, ou caso exista perda de generalizao da rede.
28
2.7
cmaras, possvel calcular o valor aproximado da fora de atrito, o qual pode ser utilizado
como sada desejada (target output) de uma rede neural, de acordo com a Equao (2.14)
I=
&@
H #56
(2.14)
&)
e a velocidade do mbolo
A arquitetura de rede neural adotada para a identificao da fora de atrito foi a MLP
com aprendizagem supervisionada do tipo backpropagation [Jain et al., 1996], [Haykin,
1999]. Optou-se por esta arquitetura por ela ter apresentado resultados na identificao de
atrito em servoatuadores robticos tipo Harmonic Drive [Gervini, et al., 2003]. A camada de
entrada composta de dois neurnios associados diferena das presses nas cmaras e
velocidade do mbolo e a camada de sada por um neurnio associado fora de atrito
estimado. Decidiu-se, inicialmente, utilizar somente uma camada intermediria (por ser a
representao mais simples de uma rede MLP).
Foram testados diferentes nmeros neurnios na camada intermediria (1,2 3,4, 5,...),
sendo os resultados com quatro neurnios considerados mais adequados. Nmeros menores
de neurnios na camada intermediria causaram dificuldade de estimao da fora de atrito,
devido a dificuldade de convergncia dos parmetros da rede e nmeros maiores de neurnios
na camada intermediria obtiveram incremento de desempenho muito pouco significativo
com relao aos resultados obtidos com apenas quatro neurnios. Na Figura 2.9 ilustrada a
arquitetura da rede neural adotada com dois neurnios de entrada (associados diferena das
presses nas cmaras e velocidade do mbolo), quatro neurnios na camada oculta e um
neurnio na camada de sada (associado fora de atrito estimado). Esta arquitetura de rede
neural j havia sido utilizada em [Machado, 2003] a qual foi baseada em uma rede neural para
identificao de atrito de atuadores robticos [Gervini, 2001].
29
Figura 2.9 Arquitetura da Rede Neural Artificial (RNA) usada para a realizao da estimao da
fora de atrito
A arquitetura dos neurnios est de acordo com [Beale e Jackson, 1990] e mostrada
na Figura 2.10. Conforme explicado anteriormente, foi escolhida a funo tangente
hiperblica para ativao da camada oculta e de sada.
Figura 2.10 Arquitetura dos neurnios da camada oculta e de sada utilizados para a modelagem do
atrito
'f%,,g
Z eD' H 5 K e
f%,,g)
(2.15)
30
31
controlador proporcional com ganho Kp = 8. Cabe salientar que a rede neural para a
estimativa do atrito no foi treinada para um experimento com este ganho para o controlador
proporcional, mesmo assim a rede conseguiu uma estimativa adequada para este novo
conjunto de entradas, que no foram treinadas. Isto indica que a rede neural para a estimativa
do atrito possui uma satisfatria generalizao (termo comumente utilizado em redes neurais
para uma extrapolao adequada dos dados de treinamento).
Tabela 2.2 Parmetros dos experimentos selecionados para o treinamento da rede neural
Intervalo
Ganho proporcional em posio
Referncia
0 s-10 s
2
degrau (0,45 m a -0,45 m)*
10 s-20 s
4
degrau (0,45 m a -0,45 m)*
20 s-30 s
10
degrau (0,45 m a -0,45 m)*
30 s-40 s
4
0,45 sen (2t) m
40 s-50 s
10
0,45 sen (2t) m
* Obs.: a referncia tipo degrau aplicada possui um perodo de 2 rad/s.
Figura 2.12 Fora de atrito experimental (preto) e estimada pela rede neural (azul) para
referncia senoidal com frequncia de 2 rad/s e amplitude de 0,45 m
2.8
8e
cmaras atravs de redes neurais. Utilizando as Equaes (2.4) e (2.5), possvel isolar as
vazes mssicas ,+% e ,+& , conforme as Equaes (2.16) e (2.17):
32
,+%
,+&
O
JI J L 5M L %N M
2
/.2
O
JI J H 5M L &N M
2
/.2
L I.5
(2.16)
&
H I.5
&
(2.17)
A rede neural proposta para a realizao da identificao das vazes mssicas das
cmaras 1 e 2 apresentada na Figura 2.13. Visto que as vazes mssicas sofrem influncia
direta da tenso de controle e presses nas cmaras, bem como presso de suprimento
(considerada como constante).
A rede neural possui trs entradas (tenso eltrica de controle aplicada a servovlvula,
presses nas cmaras 1 e 2) e duas sadas (vazes mssicas nas cmaras 1 e 2). Aps
diferentes testes de treinamento, foram escolhidos quatro neurnios na camada intermediria,
tendo a rede neural, com esse nmero, apresentado aprendizado dos padres considerado
satisfatrio e uma boa generalizao. Aps o treinamento a rede apresentou uma taxa de erro
de aproximadamente 1,5% (0,03) de erro em relao ao valor desejado. O erro
de uma rede
33
34
Figura 2.15 Vazo mssica experimental da cmara 1 (preto) e estimada pela rede neural (azul)
Figura 2.16 Vazo mssica experimental da cmara 2 (preto) e estimada pela rede neural (azul)
2.9
pelas duas redes neurais treinadas descritas nas sees 2.6 e 2.7, foram realizadas simulaes
da resposta dinmica do sistema em malha aberta. Para tanto, adotou-se o procedimento
descrito a seguir.
Implantou-se inicialmente um controlador proporcional (com Kp = 6), o qual foi
utilizado para a realizao de experimentos em malha fechada. O sinal de controle calculado e
os resultados desses testes foram armazenados em arquivos digitais para uso posterior nas
comparaes entre os resultados experimentais e os das simulaes. As simulaes foram
35
36
IAE = h| |D1
1,42
1,13x10
&
1,16x105
37
(2.18)
aprendizagem <
foi de um erro de 0,01 (equivalente a 0,5%) ou mo mximo 30 iteraes para cada conjunto de
padres, sendo que cada conjunto possui 50.000 amostras (equivalente 50 s com uma
amostragem de 1 ms) conforme apresentado, por exemplo, na Figura 2.14. Foi utilizado
38
tambm um filtro butterworth de 2 ordem offline sem atraso, para os trs sinais de sensores
(posio do mbolo e presses nas cmaras) com um corte de frequncias superiores a 100
Hz, com o objetivo de eliminar rudos de mais alta frequncia.
2.10 Procedimento para o levantamento do Modelo Pneumtico Neural
Nesta seo ser apresentado um procedimento para a obteno de um modelo
pneumtico neural. Para o levantamento do modelo pneumtico neural proposto um
procedimento, composto por uma sequncia de passos da seguinte forma:
1. Levantamento de todas as constantes e parmetros do sistema, tais como:
constantes de calores especficos (Cp e Cv), temperatura de trabalho (T), relao
dos calores especficos (r), massa deslocada (M), comprimento til do cilindro
(L), rea til da seo interna do cilindro (A), etc.
2. Realizao em bancada de experimentos em malha fechada com realimentao
em posio, variando-se os ganhos do controlador proporcional, bem como o
tipo de referncia (senoidal, polinomial, degrau, etc.). Salvando os dados de
posio do mbolo (y), sinais dos sensores de presses nas cmaras (p1 e p2) e
tenso eltrica de controle calculada em malha fechada e aplicada a
servovlvula (u) para cada experimento realizado.
3. Com os dados obtidos no passo 2, obter de forma offline as seguintes
derivadas: velocidade do mbolo (5), acelerao do mbolo (56 ), derivada das
presses nas cmaras 1 e 2 (
& ).
vazes mssicas que entram e saem das cmaras 1 e 2 (,+% e ,+& ) utilizando
as Equaes (2.16) e (2.17), a varivel
Equao (2.13).
pela
39
estimativa das vazes mssicas das cmaras 1 e 2 (,+% e ,+& ). Treina-se a rede
neural para a estimao das vazes mssicas utilizando o algoritmo de
40
3 SISTEMA DE CONTROLE
A estratgia do controle em cascata foi desenvolvida a partir da metodologia de
reduo de ordem com desacoplamento de sistemas proposta inicialmente em [Utkin, 1987].
Esta estratgia vem sido utilizada com sucesso no controle de robs acionados eletricamente
[Guenther e Hsu, 1993], no controle de acionamentos hidrulicos [Guenther e De Pieri, 1997]
e pneumticos [Perondi, 2002; Sobczyk, 2009]. A principal caracterstica da estratgia em
cascata consiste em escrever o equacionamento do sistema na forma de dois (ou mais)
subsistemas de forma que diferentes esquemas de controle possam ser aplicados a cada um
deles de forma independente.
Assim, de acordo com a estratgia em cascata, pode-se realizar a diviso do sistema de
servoposicionamento pneumtico em dois subsistemas, de forma que um subsistema
mecnico seja acionado por uma fora gerada em um subsistema pneumtico, como
apresentado na Figura 3.1.
41
(3.1)
(3.2)
escalar, mostra-se apropriada para aplicao na estratgia em cascata, pois permite calcular
para o caso ideal (com parmetros conhecidos) o valor do sinal de fora a ser aplicado no
subsistema mecnico para que ocorra seguimento de trajetria com convergncia do erro
tendendo a zero, medida que o tempo avana (Slotine e Li, 1998). Alm disso, como ser
mostrada adiante, a estratgia em cascata permite a avaliao da robustez do sistema quanto
presena de erros nas estimativas de parmetros e de perturbaes. Assim, de acordo com a lei
de Slotine e Li, para se obter o seguimento de trajetria no subsistema mecnico pode ser
utilizada a seguinte expresso:
onde,
#567 L
0L
(3.3)
constante positiva,
uma
externa aplicada, e 567 e 0, so, respectivamente, uma acelerao de referncia e uma medida
dos erros de seguimento de posio e velocidade.
5H5 ,
5(
5H5 ,
5(6
56 H 56
(3.4)
42
onde, 5 a posio desejada ao longo do tempo, enquanto sua derivada primeira e segunda
(3.5)
567 m 56 H :5(
(3.6)
0 m 5( L :5(
(3.7)
sendo : uma constante positiva. A combinao linear dos erros de seguimento de posio e de
velocidade definida como:
5(6 L :5(
56 H 567
(3.8)
H#567 L I
(3.9)
H#56 L #:5( L I
(3.10)
onde
( m
(3.11)
:
(3.12)
43
Atravs das Equaes (3.3), (3.11) e (3.12) pode-se expressar diferena em presso
como
#567 H
0L
I
H#567 H
H (
0 H I ( L #567 L
(3.13)
(3.14)
0 H I ( L
(3.15)
(3.16)
(3.17)
com
H I0 H
! (o
(3.18)
uma constante
a estimativa na reconstruo da
44
funo
sinal de controle
& , 5,
! (o
H I0 L
(3.19)
pela estimativa
devido a incertezas
paramtricas.
A Equao (3.19) representa a dinmica do erro da diferena das presses nas cmaras
a qual ser utilizada na prova de estabilidade do sistema global de controle.
3.3
Anlise de Estabilidade
Nesta seo ser apresentada a anlise de estabilidade via Lyapunov. Seja a funo
candidata a Lyapunov
2
(3.20)
(3.21)
9S $% 9
(3.22)
45
$%
5(
9 m T 5( U
(
:& # L
q :#
0
(3.23)
:#
#
0
0
0r
1
(3.24)
(3.25)
0 H I ( L
]0 L 5(5( L [H
! (o
L I0 L
] (
(3.26)
0 & L 5(5( H
! (o
&
0L
0L
(3.27)
=5 H 57 @& L 5(5( H
! (o
&
0L
0L
(3.28)
=5 H 5 L :5(@& L 5(5( H
! (o
&
0L
0L
(3.29)
46
5( & L = H 2
&
:@5(5( H :&
! (o
&
5( & H
0L
! (o
&
0L
0L
0L
(3.30)
(
(3.31)
como:
(3.32)
resultando
H
5( & H :&
5( & H
! (o
&
0L
0L
(3.33)
:&
$& m T 0
0
0
0
0
0U
l m T: U
0
l m T: U
0
0
t mq0r
s
3.4
(3.34)
(3.35)
(3.36)
(3.37)
(3.38)
47
l
t
s
vw
u
(3.39)
(3.40)
uma
~ ~
~~
ordem decrescente. Alm disso, o lado direito se tornar uma igualdade, caso P seja o
autovetor
(3.41)
(3.42)
(3.43)
(3.44)
:&
:%
(3.45)
48
;}
9S $& 9
9S $% 9
(3.46)
ou ainda,
;9S $% 9 } 9S $& 9
(3.47)
(3.48)
=1@ L 2; =1@ } 0
(3.49)
\*
Pode-se escrever:
=1@ } =0@
\&*
(3.50)
=1@ converge para exponencialmente
t
H9S $& 9 L 9S l L 9S l L 9S s
(3.51)
49
He9S l e } 9S l } e9S l e
(3.52)
He9S l e } 9S l } e9S l e
(3.53)
t e } 9S s
t } e9S s
t e
He9S s
(3.54)
z%
Pode-se escrever:
H9& l & } e9S l e } 9& l &
H9& l & } e9S l e } 9& l &
t } e9S s
t e } 9& s
t
H9& s
&
&
(3.55)
(3.56)
(3.57)
t } He9S s
t e } 9S s
t } e9S s
t e } 9& s
t
H9& s
&
&
(3.58)
(3.59)
(3.60)
Portanto:
9S l } 9& l &
9S l } 9& l &
t } 9& s
t
9S s
&
(3.61)
(3.62)
(3.63)
50
(3.64)
(3.65)
ou
(3.66)
t }s
t para a
Supondo que exista um limite superior l & } l , l & } l , s
&
t , tem-se, portanto:
norma dos vetores l , l e s
t 9&
} H:& 9S 9 L l 9& L l 9& L
s
(3.67)
9&
=9S 9@&
(3.68)
9S 9
9& &
(3.69)
ou
ou
&
t 9&
} H:& 9& L l 9& L l 9& L
s
t M 9&
} JH:& 9& L l L l L
s
0, basta que:
(3.70)
(3.71)
51
t M 9& 0,
} JH:& 9& L l L l L
s
(3.72)
ou seja:
t 0
H:& 9& L l L l L
s
Assim, uma condio suficiente para que
9&
(3.73)
t
l L l L
s
:&
(3.74)
A inequao (3.74) indica que existe uma regio compacta para a norma do vetor dos
erros 9, fora da qual a derivada da funo Lyapunov se torna negativa, fazendo com que o
vetor dos erros convirja novamente para dentro desta regio compacta. O tamanho desta
regio depende diretamente dos erros das estimativas das foras de atrito e externa, do erro
paramtrico na estimao da funo
os termos da matriz $& .
que compem
52
Trajetrias de Referncia
As trajetrias de referncias utilizadas nas simulaes e testes experimentais dos
controladores em malha fechada esto descritas nesta seo. Estas trajetrias foram
selecionadas de forma que os resultados do presente estudo possam ser comparados com os de
trabalhos prvios realizados em bancadas semelhantes [Perondi, 2002; Sobczyk, 2009;
Suzuki, 2010].
Assim, foram utilizadas duas trajetrias distintas: uma senoidal descrita por
onde +
57 =1@
0 C=1@
(4.1)
= 0,45 m e = 2 rad/s.
seguinte estrutura:
57 =1@
onde,
'~ =1/2@
H 0,4
0}12
0,4
2 } 1 4
'~ =1@
(4.2)
(4.3)
53
controlador aplicado ao seguimento da trajetria quanto do seu erro de regime. Cabe salientar
que o seguimento suave das trajetrias de referncia, consiste em um grande desafio no
controle de sistemas pneumticos, principalmente quando utilizado para pequenas cargas.
Esta condio ser discutida ao longo deste trabalho, medida que os resultados forem sendo
apresentados.
4.2
para o modelo pneumtico por serem considerados de menor importncia para a validao do
modelo em relao aos resultados de simulaes em malha aberta para o modelo. Pois
resultados em malha fechada tendem esconder defeitos na modelagem.
Nesta seo so apresentados e discutidos os resultados em malha fechada para uma
referncia senoidal, obtidos por meio de simulaes utilizando o modelo pneumtico neural e
os resultados experimentais obtidos na bancada para o caso de aplicao de uma estratgia de
controle proporcional para a posio.
Em todos os experimentos, foram utilizados filtros butterworth passa-baixas de
primeira ordem nos sinais dos sensores de posio do mbolo e de presses nas cmaras
&
com um corte de frequncia de 250 rad/s. 150 rad/s, 150 rad/s respectivamente.
(4.4)
onde =1@ a tenso eltrica de controle, 57 =1@ a trajetria de referncia, 5=1@ a posio do
mbolo e
limitaes para a aplicao proposta, sendo estes testes realizados principalmente para
permitir a avaliao da capacidade das redes neurais em predizer (generalizar ou extrapolar
em linguagem de redes neurais) resultados ainda no treinados. Esse valor de ganho no foi
utilizado para a obteno dos padres de treinamentos das redes neurais, principalmente para
54
4e
10.
A Figura 4.1 apresenta uma simulao em malha fechada realizada com o modelo
pneumtico neural. O objetivo desta simulao verificar se os resultados obtidos para as
amplitudes das variveis so semelhantes as dos experimentos prticos realizados na bancada
utilizando o mesmo ganho de controle.
Na Figura 4.1 apresentado o resultado das simulaes para a posio do mbolo do
cilindro atuador e seu erro com relao referncia senoidal. Na Figura 4.2 apresentado o
resultado obtido na bancada experimental para a posio do mbolo (5) e seu respectivo erro
com relao mesma referncia senoidal. Analisando ambos os grficos, verifica-se que tanto
a simulao como o resultado experimental possuem valores de amplitudes mximas
semelhantes, resultando em um erro de seguimento de trajetria de aproximadamente 15 cm
nos valores de pico.
Figura 4.1 Posio do mbolo do cilindro atuador e seu respectivo erro em simulao para sinal de
controle proporcional (MF) e referncia senoidal
55
Figura 4.2 Posio do mbolo do cilindro atuador e seu respectivo erro experimental para sinal de
controle proporcional (MF) e referncia senoidal
Figura 4.3 Velocidade do mbolo e sinal de controle em simulao (MF) para referncia senoidal
&)
56
Figura 4.4 Velocidade do mbolo e sinal de controle experimental (MF) para referncia senoidal
&
&
57
4.3
58
experimentalmente, podendo-se concluir que o modelo consegue ter predizer uma estimativa
da resposta em posio do mbolo do cilindro pneumtico experimental.
Figura 4.8 Comparao de resultados experimental (MF) e em simulao (MA) para a posio do
mbolo
Figura 4.9 Comparao de resultados experimental (MF) e em simulao (MA) para a velocidade do
mbolo
59
& ).
resultados com amplitudes de ordem semelhante de grandeza para as presses nas cmaras.
60
G =57 =1@
H 5=1@@ H
[ 7 =1@
=1@]
(4.5)
a diferena de presso
a diferena entre as
a constante de ganho em
65
4 z 10\
em
malha fechada. Os valores numricos dos sinais de controle aplicados nos experimentos foram
salvos e aplicados posteriormente em malha aberta como sinal de entrada no modelo neural.
61
62
, sobrepostos com os
63
64
Com base nas Figuras 4.12 e 4.15 percebe-se a ocorrncia de um erro mximo de
aproximadamente 3 cm no seguimento de trajetrias e menores que 2 cm no erro ponto a
ponto para a estratgia de controle
4.5
Cascata Neural descrito no Captulo 3, o qual realiza a compensao do atrito por meio de
estimativas realizadas por redes neurais. Os ganhos utilizados nos testes com o controlador
Cascata Neural esto apresentados na Tabela 4.2.
Tabela 4.2 Ganhos utilizados no controlador Cascata Neural
:
180
10
36
65
Esses ganhos foram obtidos atravs simulaes em experimentos com diferentes tipos
de trajetrias. possvel verificar com base na Figura 4.18 que o erro no seguimento de
trajetria mantm-se inferior a 1,5 cm. importante salientar que o atuador opera sem massa
na carga, ou seja, sua massa total de 293,15 g, que corresponde ao mbolo do pisto. Esta
situao dificulta o seguimento de trajetrias, principalmente em baixas velocidades, estando,
provavelmente, associada relao entre a fora de atrito e a fora inercial, resultando no fato
de que a fora aplicada apresentar valores prximos aos da fora estimada de atrito (como
ser mostrado na Figura 4.21), o que, devido sua natureza (altamente no-linear), com fatos
estocsticos e variantes no tempo, difcil de controlar. Esta afirmao pode ser comprovada
na Seo 4.8, onde so apresentados os resultados com a adio de massa de 5 kg.
Figura 4.18 Posio do mbolo e seu respectivo erro experimental para o controlador cascata neural
com trajetria de referncia senoidal
66
Figura 4.19 Velocidade do mbolo e sinal de controle experimental para o controlador cascata neural
com trajetria de referncia senoidal
&,
Figura 4.20 Presses nas cmaras % e & experimental e sinal de erro s para o controlador cascata
neural com trajetria de referncia senoidal
67
Figura 4.21 Fora desejada calculada pela lei de Slotine e Li em relao fora aplicada e respectivo
erro em fora experimental para o controlador cascata neural com trajetria de referncia senoidal
e a estimativa da derivada da
via redes neurais alguns dos sinais utilizados pelo controlador Cascata
Neural.
68
Com base nas Figuras 4.18 a 4.22 possvel verificar que o controlador Cascata
Neural consegue seguir seguimentos de trajetrias senoidais com erros inferiores a 1,5 cm de
forma suave, isto , sem excitar altas frequncias no sistema.
As Figuras 4.23 a 4.27 apresentam o desempenho da estratgia de controle Cascata
Neural para uma referncia do tipo polinomial. Essa escolha foi realizada visando facilitar a
anlise do desempenho do Controlador Neural em uma aplicao que se aproxima de um
problema de controle ponto a ponto.
A Figura 4.23 apresenta o resultado de seguimento de trajetria polinomial de stima
ordem, conforme descrito na Seo 4.1. Verifica-se que o controlador apresenta desempenho
satisfatrio no seguimento da trajetria polinomial, com erro mximo de aproximadamente
1,1 cm no seguimento de trajetrias e menores que 6 mm no erro ponto a ponto. A Figura 4.24
apresenta os grficos de velocidade e de sinal de controle aplicado. Novamente, a estratgia
de controle apresenta baixo nvel de sinais de alta frequncia no controle e no sinal de
velocidade do mbolo do atuador pneumtico. Na Figura 4.25 so apresentadas as presses
nas cmaras
&,
Figura 4.23 Posio do mbolo e seu respectivo erro experimental para o controlador cascata neural
com trajetria de referncia polinomial
69
Figura 4.24 Velocidade do mbolo e sinal de controle experimental para o controlador cascata neural
com trajetria de referncia polinomial
Figura 4.25 Presses nas cmaras % e & experimental e sinal de erro s para o controlador cascata
neural com trajetria de referncia polinomial
A superposio dos sinais da fora desejada (calculada pela lei de Slotine e Li) com o
da fora aplicada est apresentada na Figura 4.26. Verifica-se que o erro do seguimento de
fora ficou abaixo de 8 N.
70
Figura 4.26 Fora desejada calculada pela lei de Slotine e Li em relao fora aplicada e respectivo
erro em fora experimental para o controlador cascata neural com trajetria de referncia polinomial
Com base nas Figuras 4.23 a 4.27 possvel verificar que o controlador Cascata
Neural consegue seguir seguimentos para uma referncia tipo polinomial com erros inferiores
a 1,2 cm, sem excitar altas frequncias no sistema.
71
4.6
Figura 4.28 Posio do mbolo e seu respectivo erro experimental para o controlador cascata neural
com trajetria de referncia senoidal sem compensao de atrito
72
Figura 4.29 Velocidade do mbolo e sinal de controle experimental para o controlador cascata neural
com trajetria de referncia senoidal sem compensao de atrito
Uma comparao entre a fora desejada calculada pela lei de Slotine e Li e a fora
aplicada feita a partir dos resultados apresentados na Figura 4.30. O erro de seguimento de
fora ficou abaixo de 6 N, apesar do erro em posio ser elevado. Isto mostra que o
controlador cascata possui boa capacidade de seguimento de fora, e que o erro de posio
ocorre principalmente por conta de a fora desejada no garantir uma compensao adequada
do atrito.
73
Figura 4.30 Fora desejada calculada pela lei de Slotine e Li em relao fora aplicada e respectivo
erro em fora experimental para o controlador cascata neural com trajetria de referncia senoidal sem
compensao de atrito
Figura 4.31 Posio do mbolo e seu respectivo erro experimental para o controlador cascata neural
com trajetria de referncia polinomial sem compensao explcita de atrito
74
Figura 4.32 Velocidade do mbolo e sinal de controle experimental para o controlador cascata neural
com trajetria de referncia polinomial sem compensao de atrito
A superposio das curvas da fora desejada calculada pela lei de Slotine e Li e a fora
aplicada apresentada na Figura 4.33. Verifica-se que o sinal fica contaminado por
componentes de alta frequncia, o que indesejvel, pois em situaes extremas, estas podem
excitar dinmicas no modeladas, podendo, inclusive, levar o sistema a instabilidade.
Figura 4.33 Fora desejada calculada pela lei de Slotine e Li em relao fora aplicada e respectivo
erro em fora experimental para o controlador cascata neural com trajetria de referncia senoidal sem
compensao de atrito
75
4.7
compensao explicita do atrito proposto foi adicionada uma massa de 5 kg como carga a ser
movimentada pelo o mbolo do cilindro atuador. As respostas apresentadas nas Figuras 4.34 a
4.39, foram obtidas utilizando os valores dos ganhos apresentados na Tabela 4.2. Desta forma,
possvel avaliar a robustez da estratgia proposta frente a uma expressiva variao da massa
deslocada.
A Figura 4.34 apresenta o resultado experimental da posio do mbolo do atuador
usando o controlador Cascata Neural com compensao de atrito e com a adio de carga com
massa de 5 kg, no seguimento de uma referncia senoidal. Com base nas Figuras 4.18 e 4.34,
possvel concluir que o controlador consegue seguir a trajetria desejada de forma
semelhante em ambos os casos, mas com um pequeno incremento do erro de seguimento de
trajetria.
A Figura 4.35 apresenta os grficos da velocidade e do sinal de controle aplicado, os
quais apresentam um baixo nvel de oscilao de altas frequncias.
Com base nos resultados apresentados, possvel afirmar que o controlador
desenvolvido apresenta caractersticas favorveis com relao a robustez quanto variao
paramtrica da carga deslocada, sendo esta uma caracterstica muito importante para sistemas
robticos e manipuladores em geral, pois essa variao de carga deslocada uma situao
operacional muito comum nas aplicaes industriais.
76
Figura 4.34 Posio do mbolo e seu respectivo erro experimental para o controlador cascata neural
com trajetria de referncia senoidal e adio de massa
Figura 4.35 Velocidade do mbolo e sinal de controle experimental para o controlador cascata neural
com trajetria de referncia senoidal e adio de massa
Figura 4.36 Foras e respectivo erro para o controlador cascata neural com trajetria de referncia
senoidal e adio de massa
77
Figura 4.37 Posio do mbolo e seu respectivo erro experimental para o controlador cascata neural
com trajetria de referncia polinomial e adio de massa
78
Figura 4.38 Velocidade do mbolo e sinal de controle experimental para o controlador cascata neural
com trajetria de referncia polinomial e adio de massa
Figura 4.39 Foras e respectivo erro para o controlador cascata neural com trajetria de referncia
polinomial e adio de massa
4.8
adio de massa de carga de 5 kg sem que houvesse um ajuste nos ganhos do controlador.
Nesta seo sero apresentados os resultados referentes situao em que foi realizado um
ajuste de ganhos nos parmetros do controlador Cascata Neural com a compensao de atrito.
O objetivo desta seo mostrar que o controle de sistemas pneumticos pode ser favorecido
79
Figura 4.40 Posio do mbolo e seu respectivo erro experimental para o controlador cascata neural
com trajetria de referncia senoidal e adio de massa com ganhos modificados
80
Figura 4.41 Velocidade do mbolo e sinal de controle experimental para o controlador cascata neural
com trajetria de referncia senoidal e adio de massa com ganhos modificados
81
Figura 4.42 Foras e respectivo erro para o controlador cascata neural com trajetria de referncia
senoidal e adio de massa com ganhos modificados
82
5 CONCLUSES
Alm dos problemas intrnsecos ao controle dos servoposicionadores pneumticos, a
reviso bibliogrfica indicou tambm que a identificao de parmetros de caractersticas
estticas dos sistemas pneumticos tambm trabalhosa. Para superar essas dificuldades foi
proposta um procedimento para identificar as principais no-linearidades do sistema
pneumtico por meio do uso de redes neurais. Os grficos obtidos e apresentados comparando
resultados de simulao do modelo com os resultados obtidos em experimentos em uma
bancada de testes indicam que o modelo obtido atravs do procedimento proposto adequado
para auxiliar em tarefas como anlise do sistema, sintonia dos ganhos dos controladores e
aplicao em leis de controle baseadas em modelo. Assim, com base nos resultados obtidos
em malha aberta e malha fechada para o modelo neural desenvolvido, pode-se concluir que a
estratgia escolhida para a modelagem do sistema pneumtico vlida (atingindo, assim, com
sucesso um dos principais objetivos especficos propostos).
O controlador em malha fechada baseado em uma estratgia em cascata com
compensao e atrito proposto para o sistema pneumtico (denominado como Cascata Neural)
mostrou resultados promissores no seguimento de trajetrias harmnicas e polinomiais, alm
de, conforme o resultado da anlise de Lyapunov para o controlador proposto, apresentar
caractersticas de estabilidade, mesmo na presena de erros paramtricos.
As comparaes dos resultados do Controlador realizadas com a tcnica de controle
clssica PVP mostraram um melhor desempenho da estratgia de controle proposta. Quando
foi adicionada uma massa de 5 kg de carga ao servoposicionador, o controlador Cascata
Neural manteve comportamento adequado do sistema com um pequeno aumento no erro de
seguimento, mostrando que a estratgia de controle possui relativa robustez a variaes na
massa da carga. O seguimento de trajetrias pelo sistema pneumtico dificultado quando se
opera em baixas velocidades e pouca massa de carga, provavelmente, associada relao
entre a fora de atrito e a fora inercial. Nesse sentido, os resultados de simulaes e de
experimentos permitiram concluir que, quanto maior a massa, melhor o desempenho do
controlador proposto com um adequado ajuste nos ganhos do controlador. Verificou-se que na
literatura a maioria dos artigos privilegia resultados experimentais com massas na carga mais
elevadas (5 kg, 10 kg, 30kg), este fato deve-se a dificuldade de se trabalhar em vazio (sem
adio da massa da carga), principalmente em baixas velocidades, fazendo com que o
83
84
REFERNCIAS BIBLIOGRFICAS
Ahn, K.K.; Pyo, S.M.; Yang, S.Y.; Lee B.R. Intelligent control of pneumatic
actuator using LVQNN. The 7th Korea-Russia International Symposium on Science and
Technology. Proceedings KORUS 2003, v. 1, p. 260-266, 2003.
Aliff, M.; Dohta, S.; Akagi, T. Trajectory control of simple-structured flexible
mechanism using flexible pneumatic cylinders. IEEE/SICE International Symposium on
System Integration (SII), p. 19-24, 2013.
Al-Shabi, M.; Saleem, A.; Tutunji, T.A. Smooth Variable Structure Filter for
pneumatic
system
identification.
Applied
Electrical
Engineering
and
Computing
85
Carneiro, J.F.; de Almeida, F.G. Micro tracking and positioning using off-the-shelf
servopneumatics. Journal of Robotics and Computer Integrated Manufacturing, v. 30, n. 3, p.
244-255, 2014.
Carneiro, J.F.; de Almeida, F.G. Using two servovalves to improve pneumatic force
control in industrial cylinders. The International Journal of Advanced Manufacturing
Technology, v. 66, n. 1-4, p. 283-301, 2013.
Chen, H.I.; Shih, M.C. Visual Control of an Automatic Manipulation System by
Microscope and Pneumatic Actuator. IEEE Transactions on Automation Science and
Engineering, v. 10, n. 1, p. 215-218, 2013.
Chiang, M. H.; et al. Large stroke and high precision pneumatic-piezoelectric hybrid
positioning control using adaptive discrete variable structure control. Mechatronics, v. 15,
p. 523-545, 2005.
Chikh, L.; Poignet, P.; Pierrot, F.; Michelin, M. A predictive robust cascade positiontorque control strategy for Pneumatic Artificial Muscles. IEEE American Control
Conference (ACC), p. 6022-6029, 2010.
Choi, G.S.; Lee, H.K.; Choi, G.H. A Study on Tracking Position Control of
Pneumatic Actuators Using Neural Network. IEEE Proceedings of Industrial Electronics
Society, v. 3, p. 1749-1753, 1998.
Choi, H.S.; et al. Development Of Hybrid Robot For Construction Works With
Pneumatic Actuator. Proceedings of the 20th International Symposium on Automation and
Robotics in Construction (ISARC), p. 191-196. Eindhoven, Holland, 2003.
Einicke, G.A.; White, L.B., Robust Extended Kalman Filtering. IEEE Trans. Signal
Processing 47 (9): 25962599. September, 1999.
Faudzi, A.A.M.; et al. Distributed Physical Human Machine Interaction Using
Intelligent Pneumatic Cylinders. International Symposium in Micro-Nano-Mechatronics and
Human Science - MHS, p. 249-254, 2008.
Fausett, L. Fundamentals of neural networks: architectures, algorithms, and
applications. Prentice-Hall, Inc. Upper Saddle River. N.J., USA, 1994.
Feyel, P.; Duc, G.; Sandou, G. LuGre friction model identification and compensator
tuning using a Differential Evolution algorithm. IEEE Symposium on Differential Evolution
(SDE), p. 85-91, 2013.
86
480, 2001.
87
Hagan, M.T.; Demuth, H.B.; Beale, M. Neural Network Design. PWS Publishing
Company, 1996.
Ham, F.M.; Kostanic, I. Principles of Neurocomputing for Science & Engineering.
McGraw-Hill Companies, Inc., 2001.
Han, S.I.; Lee, J.M. Precise Positioning of Nonsmooth Dynamic Systems Using
Fuzzy Wavelet Echo State Networks and Dynamic Surface Sliding Mode Control. IEEE
Transactions on Industrial Electronics, v. 60, n. 11, p. 5124-5136, 2013.
Haykin, S. Neural Networks - A Comprehensive Foundation. Prentice Hall, 2nd
Edition, 1999.
Hesselroth, T.; Sarkar, K.; Van Der Smagt, P.; Schulten, K. Neural network control of
a pneumatic robot arm. IEEE Transactions on Systems Man and Cybernetics, v. 24, n. 1, p.
2838, 1994.
Hodgson, S.; Tavakoli, M.; Pham, M.T.; Leleve, A. Nonlinear Discontinuous
Dynamics Averaging and PWM-Based Sliding Control of Solenoid-Valve Pneumatic
Actuators. IEEE/ASME Transactions on Mechatronics, v. 20, n. 2, p. 876-888, 2015.
Ilchmann, A.; et al. Pneumatic cylinders: modelling and feedback force-control.
International Journal of Control, v. 79, p. 650-661, 2006.
Jain, A.K.; Mao, J. e Mohiuddin, K. Artificial Neural Networks: A Tutorial. IEEE
Computer, v. 29, p. 31-44, 1996.
Kalman, R.E. A new approach to linear filtering and prediction problems. Journal of
Basic Engineering, v. 82, n. 1, p. 3545, 1960.
Korondi, P.; Gyeviki, J. Robust Position Control for a Pneumatic Cylinder.
Proceedings of the 12th International Power Electronics and Motion Control Conference, p.
513 518, 2006.
Kothapalli, G.; Hassan, M.Y. Design of a Neural Network Based Intelligent PI
Controller for a Pneumatic System. IAENG International Journal of Computer Science, v.
35, p. 217-222, 2008.
Kunz, G.O. Desenvolvimento de uma Arquitetura Programvel de Controle em
Tempo Real para um Servoposicionador Pneumtico. Porto Alegre, RS, 2006.
Lee, H.K.; et al. A study on tracking position control of pneumatic actuators.
Mechatronics, v. 12, p. 813-831, 2002.
88
Li, J.; Kawashima, K.; Kagawa, T.; Fujita, T. Trajectory control of pneumatic servo
table with air bearing. IEEE International Conference on Fluid Power and Mechatronics
(FPM), p. 683-690, 2011.
Lischinsky, P.; Canudas de Wit, C.; Morel, G. Friction Compensation for an
Industrial Hydraulic Robot. IEEE Control Systems, p.25-32, 1999.
Machado, C.L.D. Compensao de Atrito em Atuadores Hidrulicos Utilizando
Redes Neurais. Dissertao de Mestrado em Engenharia Mecnica, Centro Tecnolgico,
Universidade Federal de Santa Catarina, Florianpolis - SC, 2002.
Marquardt, D. An Algorithm for Least-Squares Estimation of Nonlinear Parameters.
SIAM Journal on Applied Mathematics v. 11, n. 2, p. 431441, 1963.
McCulloch, W.S.; Pitts, W.H. A Logical Calculus of the Ideas Immanent in Nervous
Activity. Bull. Math. Biophy, no. 5, p. 115-133, 1943.
Meng, D.; Tao, G.; Liu, H.; Zhu, X. Adaptive robust motion trajectory tracking
control of pneumatic cylinders with LuGre model-based friction compensation. Chinese
Journal of Mechanical Engineering, v. 27, n. 4, p. 802-815, 2014.
Messina, A.; et al. Experimenting and modelling the dynamics of pneumatic
actuators controlled by the pulse width modulation (PWM) technique. Mechatronics, v. 15,
p. 859-881, 2005.
Na, J.; Chen, Q.; Ren X.; Guo, Y. Adaptive Prescribed Performance Motion Control
of Servo Mechanisms with Friction Compensation. IEEE Transactions on Industrial
Electronics, v. 61, n. 1, p. 486-494, 2014.
Nergaard, M.; Ravn, O.; Poulsen, N.K.; Hansen, L.K., Neural Networks for
Modelling and Control of Dynamic Systems. Springer-Verlag, London, 2000.
Niiyama, R. Model-based trajectory control of robots with pneumatic actuator
dynamics. IEEE International Conference on Intelligent Robots and Systems (IROS), p. 634639, 2012.
Noble, Ben; Daniel, J.W. lgebra Linear Aplicada. Prentice-Hall do Brasil. 2nd
edio. Rio de Janeiro, 1986.
Perondi, E.A. Controle No-Linear em Cascata de um Servoposicionador
Pneumtico com Compensao do Atrito. Tese (Doutorado em Engenharia Mecnica),
Centro Tecnolgico, Universidade Federal de Santa Catarina, Florianpolis - SC, 2002.
89
90
91
Song, J.; Bao, X.; Ishida, Y. An Application of MNN Trained by MEKA for the
Position Control of Pneumatic Cylinder. IEEE International Conference on Neural
Networks, v. 2, p. 829 833, 1997a.
Song, J.; Ishida Y. A robust sliding mode control for pneumatic servo systems.
International journal of engineering science, v. 35, p. 711-723, 1997b.
Song, Q.; Liu, F. Neural Network Modeling and Disturbance Observer Based
Control of a Pneumatic System. Proceedings of the 2nd IEEE/ASME International
Conference on Mechatronic and Embedded Systems and Applications, p. 1-5, 2006.
Surgenor, B.W.; Vaughan, N.D.; Uebling, M. Continuous Sliding Mode Control of a
Pneumatic Positioning System. Proceedings of Eighth Bath International Fluid Power
Workshop, p. 270-285, 1995.
Suzuki, R.M. Controle Baseado em Linearizao por Realimentao dos Estados
Aplicado a Um Servoposicionador Pneumtico. Dissertao de Mestrado, Programa de PsGraduao em Engenharia Mecnica, UFRGS, 2010.
Tappan, P.W.; Vaccaro; A.C.; Babcock, L. A Pneumatic Ultrasonic Transmitter for a
Low-Cost Remote Control. Transactions on Broadcast and Television Receivers, IRE, v.
BTR-6, n. 2, p. 31-34. 1960.
Trung, N.T.; Truong, D.Q.; Ahn, K.K. Identification of a pneumatic actuator using
non-linear black-box model. 11th International Conference on Control, Automation and
Systems (ICCAS), p. 15761581, 2011.
Tsai, Y.C.; Huang, A.C. Multiple-surface sliding controller design for pneumatic
servo systems. Mechatronics, v. 18, p. 506-512, 2008.
Utkin, V.I. Discontinuous Control Systems: State of Art in Theory and Applications.
IFAC World Congress on Automatic Control. Preprints, Munich, v. 1, p. 75-94, 1987.
Van Varseveld, R.B.; Bone, G.M. Accurate position control of a pneumatic actuator
using on/off solenoid valves. Mechatronics, IEEE/ASME Transactions on, v. 2, p. 195-204,
1997.
Vieira, A.D. Anlise Terico Experimental de Servoposicionadores Lineares
Pneumticos. Dissertao de mestrado. CPGEM. Centro Tecnolgico. UFSC. Florianpolis,
1998.
92
Virvalo, T. Modelling and design of a pneumatic position servo system realized with
commercial components. Dissertao de Doutorado. Tampere University of Technology.
Tampere, 1995.
Wang, J.; et al. Accurate position control of servo pneumatic actuator systems: an
application to food packaging. Control Engineering Practice, v. 7, p. 699-706, 1999a.
Wang, J.; Pu, J.; Moore, P. A practical control strategy for servo-pneumatic actuator
systems. Control Engineering Practice, v. 7, n. 12, p. 1483-1488, 1999b.
Weist J.; Arteaga, M.A.; Cruz, L.R.; Hebisch, H. Model free control for differential
pneumatic pistons: experimental comparison. International Journal of Control, v. 84, n. 1, p.
138-164, 2011.
Widrow, B.; Hoff, M.E.Jr. Adaptive Switching Circuits. IRE Wescon Convention
Record. 1960.
Zhu, G.G.; et al. An iterative algorithm for model-based predictive control of an
Electro-Pneumatic Valve Actuator. in American Control Conference09, p. 2684-2689, 2009.
93
I.1
Parmetros Fsicos
I.2
Valor
7,0 x 105 Pa
1,01 x 105 Pa
1005 J/kg.K
718 J/kg.K
1,4
286,9J.kg/K
293 K
0,4 kg
1,0 m
4,5 x 10-4 m2
6 x 10-6 m3
2 x 10-6 m3
Sensores
Para a medio das presses nas cmaras foram utilizados dois sensores de presso
cujas caractersticas so apresentadas na Tabela I.2.
Tabela I.2 Caractersticas tcnicas dos sensores de presso.
Modelo/fabricante
Presso manomtrica de entrada
Corrente eltrica de sada
Resoluo de entrada
Desvio mximo combinado (linearidade + histerese + repetibilidade)
Tenso de alimentao
Para a medio da posio do mbolo foi utilizado uma rgua potenciomtrica cujas
caractersticas so apresentadas na Tabela I.3.
94
I.3
Atuadores
DGPL-25 FESTO
0,025 m
Cilindro pneumtico de dupla ao
2x105 a 8x105 Pa
295 N
10C a 60 C
330 N
0,018 m
1 m/s para uma massa de 3 kg
95
I.4
DS 1104 dSPACE
8 (4 de 16 bits + 4 de 12 bits)
8 (todas de 16 bits)
20 bits configurveis individualmente
250 MHz
32 MB global + 8 MB flash
96
2' L
3' &
2
2 L
3 &
2
(II.1)
2'
2'
1
(II.2)
2
3 &
L
2' 2 2'
(II.3)
(II.4)
1H
.
(II.5)
(II.6)
97
/
ou
1H
ou
(II.7)
./
.H1
(II.8)
2./
=2 H 2 @
.H1 '
(II.9)
1
.
2./2'
2
1 H
.H1
2'
(II.10)
,+
D"
D1
(II.11)
(II.12)
L8
(II.13)
0, temos
(II.14)
98
ou
"
"
I= @P
(II.15)
D=I= @P@
D1
(II.16)
I= @8 3
(II.17)
/2
(II.18)
ou
"
I= @
"
I= @
2./2'
2
1 H
.H1
2'
/2
(II.19)
2.2'
2
1 H
=. H 1@/
2'
(II.20)
(II.21)
"/2
(II.22)
De (II.21) e (II.22)
ou
"/2
(II.23)
99
%
1 7
"/
7\%
7
(II.24)
7\%
7
com
1
(II.25)
&
(II.26)
1 7
1 %/
&
(II.27)
7\%
' 7
7\%
7
2
2'
ou
Sn
2
2'
'
'
2'
'
&
(II.28)
&
(II.29)
7\%
7
%
' 7
'
%
7
(II.30)
(II.31)
(II.32)
100
"
2.2'
I= @
Y1 H
=. H 1@/
2' '
%
7
'
'
7\%
7
(II.33)
(II.34)
"
2
2.
I= @ '
Y
=. H 1@/2'
'
&
7
'
7c%
7
Para calcular a vazo mssica no regime saturado deve-se dividir a Equao (II.2) por
2'
2
3 &
1L
2 2
(II.35)
1L
&
./2
&
Onde
=. H 1@3
2./2
(II.36)
(II.37)
1L
=. H 1@ 3 &
2
(II.38)
(II.39)
101
2'
2
1L
2'
2
ou
2'
2
de (II.30)
=. H 1@ &
#
2
(II.40)
=. H 1@
2
(II.41)
1L
'
.L1
2
(II.42)
2 7\%
2'
(II.43)
2 7\%
.L1
'
(II.44)
I= @
'
2'
'
%
7
2./2'
2
1 H
&
=. H 1@/
.L1
(II.45)
ou
simplificando
"
&
2.2'
2 7\% . H 1
I= @ '
.L1
=. H 1@/2' & . L 1
"
&
.
2 7\%
2
I= @ '
/2' . L 1
.L1
(II.46)
(II.47)
Resultando assim na Equao para a vazo mssica em regime saturado (snico) com
valor mximo e fixo dado por:
102
"
7c%
.
2 7\%
I= @ '
/2' . L 1
(II.48)
103
Figura III.1 Arquitetura da Rede Neural Artificial (RNA) usada para a realizao da estimao da
derivada da fora de atrito
104
anteriormente na Figura III.1. Os padres de treinamento foram obtidos atravs de uma srie
de ensaios experimentais. Esses ensaios constituram-se da aplicao de um controlador
proporcional para o seguimento de trajetria de posio utilizando como referncia sinais do
tipo degrau e tambm sinais do tipo senoidal.
Os valores dos parmetros do controlador e referncias utilizados nos experimentos
selecionados para a identificao da derivada do atrito foram apresentados na Tabela 2.2.
Na Figura III.2 apresentada a curva da derivada da fora de atrito estimada pela rede
neural aps o treinamento sobreposta com a derivada da fora de atrito calculada atravs da
derivada numrica da Equao (2.14) para o caso de uma referncia senoidal de amplitude de
0,45 m e frequncia de 2 rad/s, com o controlador proporcional com ganho
8. Cabe
salientar que a rede neural para a estimativa do atrito no foi treinada para um experimento
com este ganho para o controlador proporcional, mesmo assim a rede conseguiu uma boa
estimativa para este novo conjunto de entradas, que no foram treinadas. Isto indica que a
rede neural possui uma satisfatria generalizao para a estimativa do atrito.
Figura III.2 Derivada da fora de atrito experimental (preto) e estimada pela rede neural (azul) para
8 e referncia senoidal com frequncia de 2 rad/s e amplitude de 0,45 m
& , 5,
= %,
& , 5, 5@
(III.1)
105
Como
= %,
& , 5,
= %,
& , 5,
@. Baseando-se
&)
, posio do
Foram escolhidos quatro neurnios na camada intermediria, tendo a rede neural, com esse
nmero, apresentado aprendizado dos padres considerado satisfatrio e uma boa
generalizao. Aps o treinamento a rede apresentou uma taxa de erro de aproximadamente
1,7% (0.034) de erro em relao ao valor desejado. O erro
106
Figura III.4 Tenso de controle experimental (preto) e estimada pela rede neural (azul)
107
% velocidade em [m/s]
p_delta=0
0.9953;
min_pdelta = -172112;
max_pdelta = 1.6999e+005;
p_delta_sat];
fa_sat=tanh((tanh((ve*Wxy_atrito)+Ofy_atrito)*Wyz_atrito)+Ofz_atrito)
fa=(fa_sat /2+0.5)*( max_atr - min_atr) + min_atr; % forca de atrito
108
109
Figura IV.1 Posio do mbolo e seu respectivo erro experimental para o controlador cascata neural
com trajetria de referncia senoidal.
Figura IV.2 Velocidade do mbolo e sinal de controle experimental para o controlador cascata neural
com trajetria de referncia senoidal.
Figura IV.3 Foras e respectivo erro para o controlador cascata neural com trajetria de referncia
senoidal.