this PDF file
Transcrição
this PDF file
UMA CONTRIBUIÇÃO AO CONTROLE SUPERVISÓRIO DE PROCESSOS NA INDÚSTRIA DE PETRÓLEO M ARCUS V. S. L OPES Universidade Federal do Maranhão Centro de Ciências Exatas e Tecnologia Laboratório de Processamento da Informação Biológica Av. dos Portugueses S/N Campus do Bacanga - São Luís (MA)- Brazil [email protected] RESUMO. Neste artigo é proposta uma metodologia para projeto de controle supervisório inteligente de ajuste de ganhos de um controlador PID para aplicações em plantas de petróleo e gás. Nesta metodologia o supervisório fuzzy do tipo Mamdani utiliza como entrada uma variável que reflete o comportamento dinâmico da planta. São então escolhidos três pontos de operação do universo de entrada para o qual são determinados os ganhos Kp , Ki e Kd para cada uma deles. O controlador supervisório fuzzy irá então monitorar esta variável e ajustar os ganhos para o controlador PID, fazendo uma transição suave entre os pontos de operação. Os resultados obtidos nas simulações mostraram que esta metodologia apresenta melhor desempenho que utilizando somente um controlador PID. PALAVRAS-CHAVE: Controle supervisório, Sistemas inteligentes, Controle PID, Petróleo e gás, Tecnologia de sistemas. ABSTRACT. In this paper a methodology for design of intelligent supervisory control adjusting gains of a PID controller for applications in petroleum and gas plants, is proposed. In this methodology the supervisory fuzzy Mamdani takes as input a variable that reflects the dynamic behavior of the plant. They are then selected three operating points of the input universe for which are determined Kp , Ki and Kd for each of them. The fuzzy supervisory controller will then monitor this variable and adjust the gains for the PID controller, making a smooth transition between the operating points. The simulation results showed that this approach provides better performance than only using a PID controller. KEYWORDS: Supervisory control, Intelligent systems, PID control, Petroleum and gas, Systems technology. 1 INTRODUÇÃO Processos industriais presentes na indústria de processamento do petróleo em geral são dinâmicos e instáveis por natureza, apresentando parâmetros, que caso não sejam controlados comprometem a operação do processo, levando perda na qualidade do produto final, alto consumo de matéria prima ou aumento da emissão de poluentes. Para minimizar estes problemas é necessário que o sistema de controle monitore estas variáveis e mantenha a planta dentro de regiões de operação seguras. Implementar um sistema de controle em uma indústria petroquímica é uma tarefa complexa, que necessita de muitos conhecimentos para que seja exeARTIGO CONVIDADO: submetido em 28/01/2014; revisado em 21/02/2014. Artigo aceito sob recomendação do Editor-Chefe Prof. Dr. Ginalber L. O. Serra. cutada de forma satisfatória. Desde instrumentação, modelagem de sistemas dinâmicos e métodos de projeto e estratégias de controle, todas essas ações devem ser integradas para que a planta opere sempre em condições seguras e de forma lucrativa. Para Shinskey (SHINSKEY, 1984) o principal benefício da implementação ou melhoria de um sistema de controle é o aumento da recuperação do produto mais valioso. A recuperação é definida como a quantidade de produto que se pode vender, gerador por cada unidade de matéria prima. Como a quantidade é inversamente proporcional à qualidade, uma solução que incrementa a recuperação de um produto opera o mais próximo possível das especificações de qualidade do produto. As plantas da indústria de petróleo buscam a obtenção de produtos de maior valor comercial, aten- Revista INNOVER, volume 1, número 1, Março 2014 93 Uma Contribuição ao Controle Supervisório de Processos na Indústria de Petróleo dendo às necessidade das indústrias para fins energéticos (querosene, gasolina, óleo diesel) e matéria prima (nafta, parafina, óleo lubrificante) para a indústria petroquímica, onde são gerados produtos como plásticos e fertilizantes. O setor petroquímico apresenta características inerentes da indústria pesada, necessitando de matéria prima abundante e contínua com preços competitivos. Devido à produção em larga escala e da automação de processos contínuos apresenta alto investimento de implantação, pouca participação da mão-de-obra no custo final e alto custo operacional. Portanto, os lucros gerados por essas indústrias está atrelado às estratégias de controle. Diversos processos do mundo real não podem ser manipulados de forma apropriada através da lógica clássica, utilizando simplesmente certo ou errado. Necessitam de um conjunto maior de possibilidades, abrindo espaço então para a lógica fuzzy. Nesta lógica, baseada em palavras e não nos números, os valores são expressos de forma linguística, por exemplo: frio, agradável, quente. Utiliza modificadores de predicado, como muito, mais ou menos, pouco, etc. Todas essas variáveis linguísticas são interpretadas como números fuzzy e então manipulados, não sendo simplesmente verdadeiro e falso, 0 e 1, mas todos os valores no intervalo entre 0 e 1. Desde que Zadeh (ZADEH, 1965) introduziu o conceito de conjuntos fuzzy, controladores incorporando lógica fuzzy vem recebendo atenção, devido à capacidade de incorporar informação linguística (conhecimento do especialista). Controladores fuzzy são úteis quando não se tem precisão na formulação matemática do problema, quando há incerteza dos parâmetros da planta. Com isso, controladores fuzzy apresentam melhores resultados que controladores clássicos. A lógica Fuzzy é uma técnica que busca de forma sistemática e matemática tornar a tomada de decisão de um sistema mais próxima da decisão humana, adicionando o conhecimento empírico e heurístico de um especialista através de regras “se/então”. Permite de forma simples e intuitiva implementar sistemas de controle, tomada de decisão em várias áreas da indústria. Diversas aplicações podem ser feitas através da lógica Fuzzy: 94 • Sistemas de controle inteligente Soluções de controle fuzzy são extremamente úteis para o controle de sistemas complexos quando os métodos clássicos como controle PID falham. Além disso pode ser facilmente combinada com os sistemas de controle convencionais e melhorar consideravelmente seus desempenhos. Um exemplo é a utilização de um conjunto de regras fuzzy para fazer a comutação entre um conjunto de controladores lineares PID, de acordo com as condições de operação do sistema. Neste contexto as regras fuzzy não precisam necessariamente substituir o método de controle tradicional, mas ampliar a sua controlabilidade. • Diagnóstico de processo e detecção de falhas Caso um modelo analítico do processo não esteja disponível ou seja muito complexo para ser executado em tempo real, o conhecimento empírico pode ser utilizado para classificas as condições do processo e precocemente detectar falhas. • Tomada de decisão de sistemas especialistas As regras fuzzy podem emular o conhecimento de um operador humano em tempo real, por exemplo: escolhendo ingredientes em quantidades apropriadas, regulando máquinas de acordo com situações específicas no processo de produção. 2 METODOLOGIA DE CONTROLE SUPERVISÓRIO PID-FUZZY Nesta seção é apresentado o controlador PID convencional e sua sintonia, o sistema supervisório fuzzy proposto e a análise comparativa entre controles supervisório e clássico. 2.1 Controlador PID O controlador PID apresenta a seguinte função de transferência: Revista INNOVER, volume 1, número 1, Março 2014 Gc (s) = Kp + Ki + Kd s. s (1) M ARCUS V. S. L OPES Este controlador é bastante popular devido à sua simplicidade de ajuste, devendo ser determinados três parâmetros: ganho proporcional, ganho integral e o ganho derivativo. Gc (s) = Kd (s2 + as + b) Kd (s + z1 )(s + z2 ) = s s (2) onde a = Kp /Kd e b = Ki /Kd , com isso percebe-se que o PID apresenta uma função de transferência com um pólo na origem e dois zeros z1 e z2 que podem ser posicionados à esquerda do plano s para estabilização da planta controlada. A escolha dos três parâmetros de ganho do controlador PID é um problema de busca em um espaço tridimensional, sendo que um ponto no espaço corresponde a um valor diferente para os três parâmetros. Um controlador PID pode ser ajustado escolhendose pontos nesse espaço de busca na tentativa e erro. Um problema na escolha dos coeficientes é que eles não traduzem diretamente o desempenho desejado do sistema. Alguns métodos são propostos para solucionar este problema. Aqui serão mostrados o método clássico de Ziegler-Nichols e um método de controle robusto. 2.2 2.2.1 quando a resposta do sistema apresenta essa característica em forma de S o método pode ser aplicado. A curva de resposta pode ser verificada experimentalmente ou através de simulação da planta que se deseja controlar. A curva em forma de S pode ser caracterizada por duas constantes, atraso puro de tempo (L) e constante de tempo (T ). Estes dois parâmetros podem ser determinados traçando uma reta tangente à curva no ponto de inflexão e determinando as interseções com o eixo do tempo e da reta c(t) = K, como mostrado na Fig. 1b. A função de transferência C(s)/U (s) pode ser aproximada para um sistema de primeira ordem com atraso puro de tempo, na forma C(s) Ke−Ls = U (s) Ts + 1 (3) Considerando o PID na forma Kp (1 + 1 + Td s) Ti s Ziegler e Nichols sugeriram o ajuste dos valores de Kp , Ti e Td utilizando as fórmulas mostradas na tabela 1. Métodos para Sintonia do Controlador PID Método de Ziegler-Nichols Ziegler e Nichols (ZIEGLER; NICHOLS, 1942) propuseram um método de determinação dos ganhos de um controlador PID, Kp , Ki e Kd , baseado nas características da resposta transitória do processo a ser controlado. A determinação dos parâmetros pode ser feita por meio de experimentos sobre o processo. Dois métodos são designados como regras de ZieglerNichols; para os dois se pretende obter uma ultrapassagem máxima de 25% na resposta ao degrau (Fig. 1a). Método 1: Quando o processo não envolve integradores e nem pólos dominantes complexos conjugados temse uma curva semelhante à apresentada na Fig. 1b, Figura 1: (a) Curva de resposta ao degrau unitário apresentando o máximo de ultrapassagem de 25% e (b) Curva de resposta em forma de S. Método 2: Para o segundo método primeiramente ajusta-se os valores de Ti = ∞ e Td = 0. Então utilizando somente a ação do controle proporcional, aumenta-se Kp de 0 a um valor critico Kcr no qual a saída do sistema apresente oscilações mantidas (caso o sistema não apresente oscilações para nenhum valor de Kp , o método não se aplica). Dessa forma são determinados os valores de ganho Kcr e o período critico Pcr . Revista INNOVER, volume 1, número 1, Março 2014 95 Uma Contribuição ao Controle Supervisório de Processos na Indústria de Petróleo Tipo de Controlador P PI PID Kp T L T 0, 9 L T 1, 2 L Ti Td ∞ 0 onde c0 = 1. O controlador será baseado em c0 = 1 e verificado a robustez para uma variação neste parâmetro. As especificações de projeto são: L 0, 3 0 1. tempo de assentamento (critério dos 2%) Ts ≤ 0, 5 segundo. 2L 0, 5L 2. desempenho ITAE ótimo para uma entrada em degrau. Tabela 1: Regra de sintonia de Ziegler-Nichols baseada na resposta ao degrau Kp 0, 5Kcr Ti ∞ PI 0, 45Kcr 1 Pcr 1, 2 0 PID 0, 6Kcr 0, 5Pcr 0, 25Pcr Tipo de Controlador P A função de transferência em malha fechada é Td 0 T (s) = Kd s 2 + Kp s + Ki s3 + (2 + Kd )s2 + (1 + Kp )s + Ki A equação do lugar das raízes associada é 2 s + as + b 1 + K̂ =0 s3 (5) (6) onde Tabela 2: Regra de sintonia de Ziegler-Nichols baseada no ganho critico Kc r e no período critico Pcr A partir destes valores, Ziegler e Nichols sugeriram o ajuste dos ganhos de acordo com as fórmulas apresentadas na tabela 2. 2.3 Método de Controle PID Robusto Muitas metodologias para o projeto de sistemas de controle focam na robustez à presença de incertezas, considerando que sistemas físicos não podem ser modelados com total exatidão e podem sofrer mudanças abruptas. Metodologias de controle clássico não são capazes de produzir sistemas de controle com certa robustez (DORF; BISHOP, 2001). K̂ = Kd + 2, a= 1 + Kp , 2 + Kd b= Ki 2 + Kd O requisito de tempo de assentamento Ts < 0, 5 leva à escolha das raízes de (s2 + as + b) à esquerda da reta s = −ζω = −8 no plano s como pode ser visto na Fig. 3. Para garantir que o lugar das raízes se desenvolva no interior da região requerida do plano s, foram escolhidos a = 16 e b = 70 para garantir que o lugar das raízes se desenvolve depois da reta s = −8. Selecionando-se um ponto do lugar das raízes situado no interior da região de desempenho, determina-se o ganho K̂ associado e o valor de ωn associado. Para o ponto escolhido tem-se K̂ = 118 Com os valores de K̂, a e b pode-se obter os coeficientes do controlador PID, a partir de: Kd = K̂ − 2 = 116 Kp = a(2 + Kd ) − 1 = 1187 Ki = b(2 + Kd ) = 8260 Figura 2: Diagrama estrutural de um sistema em malha fechada Considere o sistema da Fig. 2 onde 1 G(s) = (s + c0 )2 96 (4) Para a obtenção dos requisitos relativos à ultrapassagem para uma entrada em degrau, utiliza-se um ganho em cascata obtido por métodos interativos. Um Revista INNOVER, volume 1, número 1, Março 2014 M ARCUS V. S. L OPES Resposta ao degrau 15 1.4 1.2 10 1 5 amplitude Eixo Imaginário (seconds−1) s = −8 0 0.8 0.6 Raízes selecionadas −5 0.4 −10 −15 −45 0.2 −40 −35 −30 −25 −20 −15 −10 −5 0 0 5 −1 Eixo Real (seconds ) Figura 3: Lugar das raízes para o controlador PID à medida que K̂ varia. 0 0.05 0.1 0.15 tempo (seconds) 0.2 0.25 0.3 Figura 4: Análise do controlador PID robusto à variação do parâmetro c0 valor de K que corresponde a uma resposta ao degrau aceitável de 2% é K = 5. O controlador PID final é: (Kd s2 + Kp s + Ki ) s (116s2 + 1187s + 8260) Gc (s) = 5 s Gc (s) = K (7) Para a verificação da robustez do projeto PID será verificado a variação do parâmetro de 0, 1 ≤ c0 ≤ 10. Na Fig. 4 pode-se verificar que o projeto é robusto, de forma que as diferenças entre as respostas ao degrau para 0, 1 ≤ c0 ≤ 10 são bem pequenas. 3 CONTROLADOR FUZZY SUPERVISÓRIO PID- Conjuntos fuzzy formam os blocos para a construção de regras do tipo SE . . . ENTÃO, tendo a forma geral “SE X é A ENTÃO Y é B”, sendo A e B conjuntos fuzzy. Um sistema fuzzy refere-se a um sistema que é governado por regras fuzzy. A parte SE de uma implicação é chamada de antecedente enquanto que a segunda, ENTÃO é chamada de consequente. Um sistema fuzzy é um conjunto de regras que convertem entradas em saídas. A configuração básica de um sistema puramente fuzzy é mostrado na Fig. 5. A lógica fuzzy não é aplicada somente em controle dedicado puramente fuzzy. Pode também ser usada Figura 5: Sistema puramente fuzzy como complemento de sistemas que apresentam controle clássico como um PID. Quando utilizado dessa maneira diz-se que se tem um sistema de controle híbrido. Na Fig. 6a é apresentado um sistema de controle típico controlado por um PID. Um controlador fuzzy pode melhorar esse sistema regulando o volume de vapor baseado na temperatura da camisa do tanque e na temperatura da carga (Fig. 6b). Se a temperatura da camisa diminuir antes da temperatura da carga, o controlador fuzzy toma uma ação corretiva, sugerindo um aumento no volume de vapor na camisa do tanque. Esta operação é similar a um controle em cascata, utilizando o controlador fuzzy no laço interno. A responsabilidade do controlador é manter uma diferença aceitável entre a temperatura da camisa e da carga. O diagrama esquemático da metodologia proposta Revista INNOVER, volume 1, número 1, Março 2014 97 Uma Contribuição ao Controle Supervisório de Processos na Indústria de Petróleo Figura 6: Sistema de controle de temperatura. Utilizando somente controlador PID (a) e baseado em controlador fuzzy com PID (b) no comportamento da planta. Pode-se observar que para α < 1 a planta se torna instável. Para α = 1 tem-se um sistema marginalmente estável e α > 1 a planta encontra-se estável, conforme mostra a Fig. 8. Plantas desse tipo podem ser encontradas em alguns processos de refinarias, por exemplo, para controle de nível em tambor de vapor de caldeiras e controle de temperatura de vapor superaquecido, onde a variável α é o fluxo de vapor (LI et al., 2007). pode ser visto na Fig. 7. O diagrama mostra uma malha de realimentação contendo a planta e o controlador PID e uma outra composta pelo sistema supervisório fuzzy que fará o ajuste dos ganhos do controlador, dentro de uma faixa de operação definida pelo intervalo de variação do parâmetro medido α. 1 α>1 α=1 0.8 0.6 0< α<1 Eixo imaginário 0.4 α≤=0 0.2 0 −0.2 0< α<1 −0.4 −0.6 α=1 −0.8 α>1 −1 −0.5 0 0.5 1 1.5 Eixo real 2 2.5 3 3.5 Figura 8: Raízes da planta com α variando de -1.8 a 2 Figura 7: Diagrama do sistema fuzzy supervisório de ajusto dos parâmetros PID Como o parâmetro α leva a planta para a instabilidade para determinados valores a utilização de um controlador PID não conseguiria controlá-la de forma satisfatória. O controle supervisório fuzzy irá monitorar o parâmetro α e fornecer os ganhos ao controlador PID para que a planta permaneça em algum ponto de operação pré-definido. 4.2 Sintonia do controlador PID Os parâmetros do controlador PID foram escolhidos para três pontos de operação (três valores de α) de acordo com as especificações de projeto: 1. tempo de assentamento (critério dos 2%) Ts ≤ 0, 5 segundo. 4 RESULTADOS COMPUTACIONAIS 2. desempenho ITAE ótimo para uma entrada em degrau. 4.1 Sistema dinâmico a ser controlado A planta a ser controlada obedece a seguinte equação: s2 α+2 + (α − 1)s + 0.5α A função de transferência em malha fechada é dada por: (8) sendo α o parâmetro que varia entre −1.8 e 2. O parâmetro α representa uma variável que pode ser medida cujo comportamento reflete diretamente 98 Revista INNOVER, volume 1, número 1, Março 2014 T (s) = (α+2)(Kd s2 +Kp s+Ki ) s3 +[(α−1)+(α+2)Kd ]s2 +[0,5α+(α+2)Kp ]s+(α+2)Ki A equação do lugar das raízes associada é: M ARCUS V. S. L OPES s3 + [(α − 1) + (α + 2)Kd ]s2 + [0, 5α + (α + 2)Kp ]s + (α + 2)Ki = 0 • Ponto de operação 2 para α = 0: Kp = 944, Ki = 4130 e Kd = 59, 5. dividindo-se por s3 , resulta: 1+ [(α−1)+(α+2)Kd ]s2 +[0,5α+(α+2)Kp ]s+(α+2)Ki s3 e reescrevendo-se a última equação, tem-se: 2 s + as + b =0 1 + K̂ s3 • Ponto de operação 1 para α = 2: Kp = 471, 75, Ki = 2065 e Kd = 29, 25. =0 • Ponto de operação 3 para α = −1, 8: Kp = 9444, 5, Ki = 4.13e4 e Kd = 604. (9) 4.3 Controlador supervisório fuzzy Com os pontos de operação escolhidos pode-se projetar o controlador supervisório fuzzy. onde K̂ = (α − 1) + (α + 2)Kd 0, 5α + (α + 2)Kp a= (α − 1) + (α + 2)Kd (α + 2)Ki b= (α − 1) + (α + 2)Kd 4.3.1 O requisito de tempo de assentamento Ts < 0, 5 leva à escolha das raízes de (s2 + as + b) à esquerda da reta s = −ζω = −8 no plano s como pode ser visto na Fig. 3. Para garantir que o lugar das raízes se desenvolva no interior da região requerida do plano s, foram escolhidos a = 16 e b = 70 para garantir que o lugar das raízes se desenvolva depois da reta s = −8. Selecionando um ponto do lugar das raízes situado no interior da região de desempenho, determina-se o ganho K̂ associado e o valor de ωn associado. Para o ponto escolhido tem-se O modelo apresenta como entrada o parâmetro α. Foram escolhidas funções de pertinências gaussianas e foram definidos os conjuntos “baixo”, “médio” e “alto”, como pode ser verificado na Fig. 9. A função gaussiana é determinada por f (x, σ, c) = e baixo 1 Com os valores de K̂, a e b pode-se obter os coeficientes do controlador PID, a partir de: Ki (10) médio alto 0.8 Grau de pertinência K̂ − α + 1 α+2 a[(α − 1) + (α + 2)Kd ] − 0, 5α = α+2 b[(α − 1) + (α + 2)Kd ] = α+2 Kd = −(x−c)2 2σ 2 onde c é o centro do pico da função e σ controla a largura. Como centro das funções de pertinência da variável de entrada foram utilizados os valores de α dos pontos de operação escolhidos. O parâmetro σ foi escolhido de forma a abranger todo o universo da entrada. K̂ = 118 Kp Variáveis de entrada e saída 0.6 0.4 0.2 0 A partir destas equações foram então calculados os valores dos ganhos Kp , Ki e Kd para os seguintes pontos de operação: −1.5 −1 −0.5 0 α 0.5 1 1.5 2 Figura 9: Funções de pertinência para a entrada α Revista INNOVER, volume 1, número 1, Março 2014 99 Uma Contribuição ao Controle Supervisório de Processos na Indústria de Petróleo As saídas do sistema de inferência fuzzy são os ganhos Kp , Ki e Kd , de modo que foram criadas variáveis de saída fuzzy com funções de pertinência gaussianas com os conjuntos “c1”, “c2” e “c3” relacionados com os pontos de operação 1 (α = 2), 2 (α = 0) e 3 (α = −1.8) respectivamente. Os centros dos conjuntos correspondem aos valores de cada ganho para aquele ponto de operação. Já o parâmetro σ foi escolhido na tentativa e erro de forma que o sistema gerasse o melhor resultado. As variáveis de saída fuzzy são mostradas nas Fig. 10, 11 e 12. c1 c2 1 c3 Grau de pertinência 0.8 0.6 0.4 0.2 0 100 c1 c2 1 c3 200 300 Kd 400 500 Figura 12: Funções de pertinência para a saída Kd Grau de pertinência 0.8 4.3.2 Elaboração da base de regras 0.6 A base de regra é mostrada a seguir: 0.4 1. SE (alpha é alto) ENTÃO (Kp é c1)(Ki é c1)(Kd é c1) 0.2 2. SE (alpha é médio) ENTÃO (Kp é c2)(Ki é c2)(Kd é c2) 0 1000 2000 3000 4000 5000 Kp 6000 7000 8000 9000 3. SE (alpha é baixo) ENTÃO (Kp é c3)(Ki é c3)(Kd é c3) Figura 10: Funções de pertinência para a saída Kp c1 c2 1 c3 Grau de pertinência 0.8 0.6 0.4 0.2 0 0.5 1 1.5 2 2.5 Ki 3 3.5 4 4 x 10 Figura 11: Funções de pertinência para a saída Ki 100 O sistema de inferência fuzzy desenvolvido em Matlabr pode ser visto no Apêndice ??. O sistema supervisório fuzzy permite uma transição suavizada entre os três pontos de operação como pode ser visto na Fig. 13. Na Fig. 14 pode ser visto o desempenho do controlador supervisório fuzzy tendo como referência um sinal PWM com ciclo de trabalho de 50% com período de 5s e amplitude 1, e abaixo a variação do parâmetro α. A partir de 10s, pode-se verificar que o sistema com o controlador PID ajustado para α = 2 se torna instável e entre em oscilação, enquanto que o sistema com o controlador supervisório fuzzy consegue seguir a referência mesmo quando a planta apresenta grande instabilidade. O ajuste dos ganhos Kp , Ki e Kd podem ser vistos na Fig. 15. O controlador supervisório fuzzy faz o Revista INNOVER, volume 1, número 1, Março 2014 M ARCUS V. S. L OPES ajuste dos ganhos, garantindo o funcionamento apropriado do sistema. O lugar das raízes para o sistema com controlador PID e controlador supervisório fuzzy pode ser visto nas Fig. 16 e 17. Pode-se ver os pólos que levam o sistema com o controlador PID a se tornar oscilatório. Ganho Kp 10000 5000 0 0 5 10 4 15 20 25 15 20 25 15 20 25 Ganho Ki 4 x 10 2 0 0 5 10 10000 Ganho Kd Kp 1000 5000 500 0 0 −2 −1.5 −1 −0.5 0 α 0.5 1 1.5 0 5 10 2 4 4 x 10 Figura 15: Variação dos ganhos Kp , Ki e Kd de acordo com o parâmetro α gerados pelo controlador supervisório fuzzy Ki 3 2 1 15 0 −2 −1.5 −1 −0.5 0 α 0.5 1 1.5 2 10 600 pólos responsáveis pela resposta oscilatória 5 Kd Eixo imaginário 400 200 0 −2 −1.5 −1 −0.5 0 α 0.5 1 1.5 2 0 −5 Figura 13: Relação entre a entrada e as saídas do sistema de inferência fuzzy −10 −15 −600 −500 −400 −300 Eixo real −200 −100 0 Figura 16: Lugar das raízes do sistema utilizando PID Saídas 3 Referência PID Fuzzy+PID 2 As principais etapas para o projeto do controlador fuzzy supervisório, são enunciadas a seguir: 1 • Determinar n pontos de operação 0 −1 −2 0 5 10 15 Parâmetro α 20 • Projetar n controladores PID, determinando dos ganhos Kp , Ki e Kd 25 2 • Gerar as funções de pertinência das variáveis de entrada de acordo com o ponto de operação e das variáveis de saída com conjuntos fuzzy em torno dos ganhos encontrados 0 −2 0 5 10 15 20 25 Figura 14: Respostas utilizando o controle supervisório fuzzy e somente PID e variação do parâmetro α • Elaborar a base de regras de acordo com o sistema a ser controlado. Revista INNOVER, volume 1, número 1, Março 2014 101 Uma Contribuição ao Controle Supervisório de Processos na Indústria de Petróleo tando que a planta se tornasse marginalmente estável, como ocorreu para o sistema composto somente com o controlador PID. A metodologia proposta pode ser utilizada para qualquer planta em que é possível fazer a medição de um parâmetro cujo comportamento está relacionado com a dinâmica do processo, o que é típico em processos na indústria de petróleo e gás. 4 3 Eixo imaginário 2 1 0 −1 −2 AGRADECIMENTOS −3 −4 −8000 −7000 −6000 −5000 −4000 −3000 Eixo real −2000 −1000 0 O autor agradece à CAPES pelo suporte à esta pesquisa. REFERÊNCIAS Figura 17: Lugar das raízes do sistema utilizando controle supervisório fuzzy e PID 5 CONCLUSÕES Desde o trabalho inicial de Mamdani(MAMDANI, 1974) utilizando a lógica fuzzy para fins práticos de controle, inúmeras outras aplicações surgiram, inclusive em escala industrial. Uma das aplicações mais bem sucedidas e utilizada até hoje é na fabricação de cimento, onde controladores fuzzy fornecem sinais de referência para controladores PID, não atuando diretamente sobre a planta. O sucesso desta aplicação deve-se ao fato de que os conhecimentos dos especialistas puderam ser representados de forma consistente em termos de regras linguísticas. A lógica fuzzy não é uma solução para todos os problemas de controle e também não vem invalidar ou confrontar as técnicas de controle clássicos já utilizadas. É uma nova ferramenta que pode ser aliada a outras técnicas garantindo soluções melhores para problemas de difícil tratamento utilizando apenas o controle convencional. O controle supervisório fuzzy apresentado neste artigo é incorporado a um sistema de controle PID, trabalhando um nível acima, fornecendo os ganhos Kp , Ki e Kd de acordo com a variação de um parâmetro mensurável correlacionado com a dinâmica da planta de modo a garantir assim maior robustez. Esse controle mostrou-se mais eficiente que o sistema utilizando somente um controlador PID evi102 DORF, R. C.; BISHOP, R. H. Sistemas de Controle Modernos. [S.l.]: LTD Editora, 2001. LI, X.-F. et al. Application of the fuzzy-pid to the power plant. In: Fuzzy Information Processing Society, 2007. NAFIPS ’07. Annual Meeting of the North American. [S.l.: s.n.], 2007. p. 210–215. MAMDANI, E. Application of fuzzy algorithms for control of simple dynamic plant. Electrical Engineers, Proceedings of the Institution of, v. 121, n. 12, p. 1585–1588, 1974. ISSN 0020-3270. SHINSKEY, F. G. Distillation Control. 2. ed. [S.l.]: Mc-Graw-Hill, 1984. 365 p. ZADEH, L. A. Fuzzy sets. Information and control, Elsevier, v. 8, n. 3, p. 338–353, 1965. ZIEGLER, J. G.; NICHOLS, N. B. Optimum Settings for Automatic Controllers. Transactions of ASME, v. 64, p. 759–768, 1942. BIOGRAFIA DOS AUTORES Marcus V. S. Lopes É aluno de doutorado no Programa de Pós-Graduação em Engenharia de Eletricidade, desenvolvendo pesquisas no Laboratório de Processamento da Informação Biológica, na Universidade Federal do Maranhão. Seu interesse de pesquisa compreende as áreas de processamento de sinais e inteligência computacional. Revista INNOVER, volume 1, número 1, Março 2014
Documentos relacionados
título todo em letras maiúsculas no estilo
da forma como o operador executa a função e avaliação do resultado esperado para gerar as regras e funções de pertinência que, posteriormente, serão sintonizadas por tentativa e erro. A técnica pod...
Leia maisMétodos de Sintonização de Controladores PID
Filtro Derivativo Um controlador derivativo puro não deve ser aplicado uma vez que este controlador causa uma amplificação muito elevada do ruído. O ganho do termo derivativo deve deste modo ser li...
Leia mais