Universidade Federal de Ouro Preto Escola de Minas Departamento de Engenharia de Controle e Automao e Tcnicas Fundamentais - DECAT

Desenvolvimento de modelo computacional aplicado ao problema de sintonia de controladores PID usando Algoritmos Genticos

MONOGRAFIA DE GRADUAO EM ENGENHARIA DE CONTROLE E AUTOMAO

Eduardo Montenegro Castro Junior

Ouro Preto, 2005

Eduardo Montenegro Castro Junior

DESENVOLVIMENTO DE MODELO COMPUTACIONAL APLICADO AO PROBLEMA DE SINTONIA DE CONTROLADORES USANDO ALGORITMOS GENTICOS

Monografia apresentada ao Curso de Engenharia de Controle e Automao da Universidade Federal de Ouro Preto como parte dos requisitos para obteno de grau como Engenheiro de Controle e Automao.

Orientador: Marcone Jamilson Freitas Souza

Ouro Preto Escola de Minas - UFOP Julho, 2005

Aos meus pais, genunos responsveis por tudo que sou, Marina, meu amor, pelo incentivo e apoio, Repblica Canaan, minha terra prometida. AGRADECIMENTOS

Agradeo aos meus pais, meus verdadeiros exemplos de vida. Ao meu tio Ary, meu tutor desde tenra idade. Marina, meu amor, pelo carinho e incentivo em todos os momentos. GTI pelo aprendizado e pela sobrevivncia em Ouro Preto. majestosa repblica CANAAN pelas amizades eternas e pelos bons momentos.

SUMRIO I INTRODUO ...............................................................................................................11

1.1. ORIGEM DO TRABALHO ........................................................................................................................ 12 1.2. OBJETIVO ............................................................................................................................................. 12 1.2.1. Objetivo Geral ................................................................................................................................ 13 1.2.2. Objetivo especfico ......................................................................................................................... 13 1.2.3. Organizao do texto...................................................................................................................... 13

II

REVISO BIBLIOGRFICA .......................................................................................14

2.1. O PROBLEMA DA SINTONIA DE CONTROLADORES ................................................................................. 14 2.2. MTODOS DE SINTONIA ........................................................................................................................ 16 2.2.1. Mtodo da sensibilidade Limite...................................................................................................... 16 2.2.2. Mtodo da Curva de Reao .......................................................................................................... 18 2.2.3. Mtodo de Ziegler e Nichols........................................................................................................... 21 2.2.4. Mtodo de Otimizao Multidimensional....................................................................................... 22 2.2.5. Mtodos baseados em desempenho timo com malha fechada ...................................................... 24 2.3. OS ALGORITMOS GENTICOS ............................................................................................................... 27 2.3.1. Algoritmo Gentico Cannico ........................................................................................................ 28 2.3.2. Operadores Genticos .................................................................................................................... 30 2.3.3. Cruzamento..................................................................................................................................... 30 2.3.4. Mutao e Inverso ........................................................................................................................ 32 2.3.5. Avaliao e Seleo de Cromossomas............................................................................................ 33 2.3.6. Parmetros de um Algoritmo Gentico .......................................................................................... 33 2.3.7. Melhorias de Desempenho do Algoritmo Gentico ........................................................................ 34 2.3.8. Usando codificao real................................................................................................................. 35 2.3.9. Parmetros e Inicializaes ........................................................................................................... 36 2.3.10. Operadores Genticos ............................................................................................................... 37 2.3.11. Reparaes e Seleo ................................................................................................................ 38 2.3.12. Domnios de Aplicao.............................................................................................................. 39

III METODOLOGIA............................................................................................................40
3.1. DEFINIO DO PROBLEMA ................................................................................................................... 40 3.1.1. Processo trmico ............................................................................................................................ 41 3.1.2. Processo sem representao fsica real.......................................................................................... 42 3.2. A FASE DE MODELAGEM DO PROBLEMA ............................................................................................... 42 3.2.1. A representao da soluo: .......................................................................................................... 43 3.2.2. A funo de Fitness......................................................................................................................... 44 3.2.3. Definio da funo de seleo...................................................................................................... 45 3.2.4. Definio dos Operadores.............................................................................................................. 45 3.3. CODIFICAO E VALIDAO DO MODELO COMPUTACIONAL ................................................................ 46 3.3.1. A linguagem de programao proposta ......................................................................................... 47 3.3.2. Estrutura de classes........................................................................................................................ 47 3.3.3. Consideraes sobre a simulao do controle ............................................................................... 48 3.3.4. Parmetros e funcionalidades do AG proposto.............................................................................. 49 3.3.5. Validao do modelo computacional ............................................................................................. 50

IV RESULTADOS OBTIDOS.............................................................................................53
4.1.1. 4.1.2. Apresentao dos Resultados ......................................................................................................... 53 Discusso dos Resultados............................................................................................................... 54

CONCLUSES E TRABALHOS FUTUROS..............................................................55

REFERNCIAS BIBLIOGRFICAS...................................................................................56

LISTA DE TABELAS

TABELA 2.1 FRMULAS DO MTODO SENSIBILIDADE LIMITE ..................................................17 TABELA 2.2 - MTODO DA SENSIBILIDADE LIMITE MODIFICADO ...............................................18 TABELA 2.3 MTODO DE CURVA DE REAO ...........................................................................19 TABELA 2.4 AJUSTE DE PARMETROS ......................................................................................20 TABELA 2.5 MTODO DE .ZIEGLER E NICHOLS .........................................................................21 TABELA 3.1 - PARMETROS DO AG PROPOSTO ...........................................................................50 TABELA 8.1 RESULTADOS DAS SIMULAES DE AVALIAO DO MODELO ...............................53

LISTA DE FIGURAS FIGURA 2.1 MTODO DA CURVA DE REAO ..........................................................................19 FIGURA 2.2: REPRESENTAO DA IDIA DO MTODO DOS POLIEDROS FLEXVEIS......................23 FIGURA 2.3 PSEUDOCDIGO DO MTODO DOS POLIEDROS FLEXVEIS.......................................24 FIGURA 2.4 GRFICO DE DESEMPENHO DE UM CONTROLADOR PID .........................................25 FIGURA 2.5 REPRESENTAO DO CROSSOVER UNIPONTO ........................................................31 FIGURA 2.6 REPRESENTAO DO CROSSOVER MULTIPONTO ...................................................31 FIGURA 2.7 REPRESENTAO DO CROSSOVER UNIFORME .......................................................32 FIGURA 2.8 REPRESENTAO DA MUTAO ............................................................................33 FIGURA 3.1 SISTEMA DE AQUECIMENTO DE TANQUE ................................................................41 FIGURA 3.2 GRFICO ISE DE UM CONTROLADOR PI ................................................................44 FIGURA 3.3 DIGRAMA DE UM CONTROLE SINTONIZADO POR UM AG........................................49 FIGURA 3.4 FUNO COM VRIOS MNIMOS LOCAIS ................................................................51 FIGURA 3.5 EQUAO QUE REPRESENTA A FUNO A SER MINIMIZADA ..................................52

LISTA DE SIGLAS PID PSC

Kp

Proporcional - Integral - Derivativo Problema de Sintonia de Controladores Ganho Proporcional Ganho Integral Ganho Derivativo Algoritmos Genticos Integral of the Square of the Error Mean of the Square of the Error Integral of Time multiplied by Absolute Error Integral of Absolute Magnitude of the Error

Ki Kd AG ISE MSE ITAE IAE

RESUMO

O presente trabalho trata da otimizao dos parmetros de um controlador clssico PID. Este um problema clssico da Teoria de Controle, que afeta diretamente o desempenho de processos automaticamente controlados, sendo de interesse, portanto, sua resoluo. Este um problema de alto nvel de complexidade, devido elevada quantidade de solues factveis existentes, o que justifica sua abordagem por metodologias heursticas. Neste trabalho o problema abordado por um mtodo heurstico, o algoritmo gentico. O mtodo trabalha com operadores de crossover e mutao usando uma codificao em ponto flutuante, o que minimiza o esforo computacional com os tradicionais processos de codificao e descodificao caso se trabalhasse com codificao binria. A aplicao foi desenvolvida em JAVA devido portabilidade da linguagem e a possibilidade de integrar o modelo computacional proposto em um controlador industrial, seguindo uma tendncia de mercado. A aplicao foi testada usando-se uma funo de transferncia que simula sistemas no-lineares, nos quais os mtodos clssicos de sintonia tm aplicao limitada. Os resultados obtidos mostram a eficincia do algoritmo gentico na otimizao dos parmetros de um controlador para esses tipos de sistema.

INTRODUO
O controle automtico tem desempenhado um papel vital no avano da engenharia e da

cincia. Alm de sua extrema importncia para a rea aeroespacial e para a robtica, o controle automtico tornou-se uma parte importante e integrante dos processos industriais e de manufatura moderno. ainda essencial nas operaes industriais tais como: controle de presso, temperatura, umidade, viscosidade e vazo nas indstrias modernas. Considerando que os avanos na teoria de controle propiciaram meios para se atingir desempenho timo de sistemas dinmicos, melhoria da produtividade, alvio no trabalho enfadonho de muitas operaes manuais repetitivas de rotina e muito mais, os engenheiros e cientistas, em sua maioria, devem possuir um bom conhecimento neste campo. Um dos problemas que em muito tem chamado ateno dos especialistas o de otimizao de desempenho de controladores. O desempenho de sistemas de controle em geral j estudado h muitos anos. Existem muitos critrios e ndices devidamente estabelecidos dentro da teoria de controle convencional. Devido ao fato do algoritmo PID ser utilizado na maioria dos controladores existentes no mercado, cerca de 85% das aplicaes, iremos abordlo neste trabalho. O controle PID o mais utilizado pela facilidade de implementao e flexibilidade para atendimento s necessidades da indstria.A teoria de controle j estuda controladores com algoritmo PID desde o incio do sculo passado, sendo que diversos trabalhos j comprovaram a eficincia do PID para controle clssico e avanado (feedforward, controle de razo, multimalha, cascata, etc.). Existem diversos critrios e ndices de desempenho (IAE, ITAE, ISE, ITSE, decaimento de um quarto, variabilidade, tempo de acomodao, overshoot, etc.), que permitem definir a eficincia de uma malha de controle. A necessidade de projetistas e engenheiros de lidarem com sistemas cada vez mais complexos,tem viabilizado a identificao e controle de sistemas difceis de serem modelados matematicamente (no lineares e com atraso de transporte variante no tempo) pela utilizao da inteligncia computacional (IC). A utilizao de IC combinada a teoria convencional de controle motivada pela adequao ao tratamento de restries e satisfao de requisitos de robusteza e desempenho em projetos na rea de automao industrial. Neste contexto, a

utilizao da IC em problemas de otimizao de sintonia de controladores tem crescido bastante entre os pesquisadores. Dentre desses mtodos se destacam as Metaheurstica como excelentes ferramentas de busca de solues para problemas de grande complexidade, como o problema de sintonia de controladores.

1.1.

Origem do trabalho A inspirao para este trabalho surgiu aps a concluso da disciplina de Inteligncia

Computacional, ministrada pelo Prof. Dr. Marcone Jamilson Freitas Souza em 2003. Esta disciplina foi o primeiro contato com os mtodos Metaheursticos que representam, atualmente, uma poderosa ferramenta para busca de solues de problemas com alto nvel de complexidade. A sintonia de controladores se enquadra nesta classe de problemas, no qual as tcnicas clssicas mais usuais de resoluo so empricas e, em muitos casos prticos, limitadas. A idia desta monografia surge, portanto, da tentativa de aplicar uma tcnica heurstica, o algoritmo gentico, na busca de melhores solues para ampla variedade de problemas de sintonia de controladores, no qual os mtodos tradicionais so considerados de baixo desempenho.

1.2.

Objetivo O objetivo dessa monografia ser classificado em objetivo geral, definindo seu escopo,

e objetivos especficos, detalhando as tecnologias para se realizar a proposta do escopo.

1.2.1.

Objetivo Geral

Aplicar um mtodo heurstico ao problema de otimizao de parmetros de controladores, gerar dados para anlise e discutir resultados.

1.2.2.

Objetivo especfico

Desenvolver um modelo computacional que implemente o Algoritmo Gentico aplicado ao problema de otimizao de um controlador PID, capaz de gerar dados para efetuar anlise qualitativa e quantitativa.

1.2.3.

Organizao do texto

No captulo I so feitas consideraes sobre o escopo do trabalho e uma breve introduo ao problema de sintonia de controladores. No captulo II realizada a reviso da bibliografia, apontando os principais mtodos de abordagem para o tema proposto. O captulo III discute a metodologia emprega para se desenvolver o trabalho, detalhando cada etapa e apresentando o modelo computacional. O captulo IV apresenta e analisa os resultados conseguidos com os testes do modelo computacional. O captulo V conclui o trabalho e sugere os prximos passos para trabalhos futuros.

II
2.1.

REVISO BIBLIOGRFICA
O problema da sintonia de controladores

Controle de processos um campo do conhecimento de Engenharia. Ele fortemente relacionado operao e instrumentao. A operao, de uma forma abrangente, sempre envolve algum modelo do processo: a prtica da engenharia de modelos de processo. A instrumentao, por sua vez, uma importante rea da engenharia do equipamento, voltada para os dispositivos que permitem realizar a tarefa de regulao do processo. Antigamente, mecanismos fsicos permitiam a implementao de controle com ao sobre uma vlvula para regular alguma propriedade medida do processo. Estes tipos de
controladores normalmente contribuam apenas com uma ao proporcional ao erro verificado entre o valor desejado e o medido para a propriedade regulada.

Algumas dcadas mais tarde, trs parcelas seriam adicionadas a um controlador industrial: uma de proporcionalidade direta a cada novo erro, outra de proporcionalidade soma acumulada do erro e uma terceira de proporcionalidade taxa de variao do erro, compondo uma lei de controle denominada proporcional + integral + derivativa (PID) que descreve o comportamento de boa parte dos dispositivos de controle mais simples. Atualmente, com a informatizao da instrumentao, outras leis de controle podem ser codificadas em computadores de diversos portes. Em comparao com a to simples lei PID, nica possvel antigamente, algumas das atuais merecem o nome de leis avanadas de controle, algoritmos de controle avanado. Muitas dessas leis so de fato complexas e so programadas em computadores de maior porte. As leis mais complexas normalmente regem tarefas de uma natureza mais ligada otimizao e superviso. Para tarefas regulatrias mais simples, ainda continua sendo programada nos computadores a antiga e til lei PID. Esse o caso dos controladores que regulam vazes, temperaturas e presses.

O controle avanado inclui diversos parmetros numricos que devem ser ajustados. O controlador regulatrio inclui as trs constantes de proporcionalidade (PID) que devem tambm ser ajustadas. O valor numrico das constantes determina o comportamento dos controladores, alterando-lhes o desempenho. A escolha dos valores deve sempre atender s duas grandes questes de controle: o processo sob controle deve sempre ficar estvel e o desempenho do controlador deve ser satisfatrio. Estes so os dois aspectos que justificam todo o conhecimento da denominada teoria de controle clssico. Sintonizar o controlador significa encontrar valores numricos para as constantes de proporcionalidade de um controlador PID de forma a regular o processo com estabilidade e no valor desejado para a propriedade medida (desempenho satisfatrio). Com o controle avanado, a questo de sintonia do controlador regulatrio fica ainda mais importante, uma vez que o desempenho do controlador PID acaba sendo parte importante do desempenho final do controle avanado. Os parmetros do PID podem ser escolhidos com o auxlio de simulaes com valores escolhidos aleatoriamente, e podem ser encontrados atravs das regras de Ziegler & Nichols, que podem no gerar boas respostas e/ou no serem aplicveis em determinadas plantas. Existem mtodos clssicos para o projeto de controladores, tanto no domnio do tempo, como no domnio da freqncia (SILVA, 1998) ou por identificao por rel, (ASTRM,1989). Porm, tais mtodos no do nenhuma garantia quanto ao comportamento em malha fechada da planta em termos de sobre-sinal mximo e tempo de estabilizao, a no ser que o sistema resultante em malha fechada seja de segunda ordem. Portanto, quase sempre se faz necessrio um ajuste fino para encontrar um valor timo de parmetros para proporcionar uma resposta conjunta prxima a do modelo de referncia desejado. Tais ajustes podem ser feitos de vrias formas, dentre elas pode-se destacar a otimizao que consiste, basicamente, em considerar os trs parmetros como variveis de uma funo quadridimensional desconhecida, que pode possuir vrios mnimos locais representando valores timos, ou sub-timos de parmetros que proporcionam uma resposta prxima ao modelo de referncia (HEMERLY,1996)

2.2.

Mtodos de sintonia Os mtodos de sintonia de controladores subdividem-se em mtodos empricos,

analticos e de otimizao. A seguir so descritos os principais mtodos empricos e de otimizao usados atualmente. 2.2.1. Mtodo da sensibilidade Limite

Este mtodo, baseado no ajuste de uma malha fechada at se obterem oscilaes com amplitude constante, utiliza um conjunto de frmulas para determinar os parmetros do controlador, as quais requerem duas medidas do sistema: o Ganho critico (Gu :o ganho mnimo que torna o processo criticamente estvel), e o perodo de oscilao correspondente, Pu . Procedimento para a Calibrao dos Parmetros do Controlador

Reduzir as aes integral e derivativa ao seu efeito mnimo; Iniciar o processo com ganho reduzido; Aumentar o ganho at que a varivel controlada (sada do sistema) entre em oscilaes com amplitude constante, enquanto se provocam pequenas perturbaes no sistema. Anotar o ganho, Gu, e o perodo de oscilao Pu.

Com a obteno destes valores, podemos calcular os parmetros do controlador com base nas seguintes frmulas dado pela Tabela 2.1:

Tabela 2.1 Frmulas do mtodo Sensibilidade Limite

Aps uma anlise da Tabela 2.1 verifica-se que: O ganho proporcional reduzido 10% quando o modo integral introduzido, uma vez que este torna o sistema menos estvel. Quando o modo derivativo adicionado, verifica-se um aumento de P e uma reduo de Ti devido ao efeito estabilizador do derivador. Os valores de 0.6 Gu e 0.125 Pu so muito conservadores quando no existe ao integral, uma vez que a ausncia desta ultima torna o sistema mais estvel, permitindo um aumento do ganho. No entanto, este mtodo de calibrao apresenta as seguintes desvantagens: 1. As frmulas acima descritas no garantem uma resposta tima; 2. Nem todos os sistemas podem entrar em oscilao, ou no desejvel. Foi assim desenvolvido um outro mtodo, para fazer face ao primeiro problema referido, designado por Mtodo da Sensibilidade Limite Modificado. Neste mtodo o ganho ajustado atravs de um procedimento de tentativa e erro at que uma determinada resposta desejada seja atingida. A resposta desejada mais comum o Amortecimento do Quarto de Amplitude, em que o ganho ajustado para que a amplitude de cada pico seja um quarto da do pico anterior. O mtodo modificado apenas necessita da medida do perodo ltimo, Pu, que utilizado para o clculo de Ti e Td. Uma vez estes parmetros ajustados, o processo perturbado com uma pequena alterao na entrada de referncia (salto), sendo a sada observada e o ganho ajustado, seqncia que ser repetida at que a resposta verifique o

critrio do Amortecimento do Quarto de Amplitude. Este mtodo bastante fivel e pode ser aplicado em vrios tipos de processos. Partindo do perodo ltimo, os ajustes dos parmetros so feitos de acordo com a seguinte Tabela 2.2: Tabela 2.2 - Mtodo da Sensibilidade Limite Modificado

Na prtica, a existncia de overshoot pode no ser tolerada, uma vez que a alterao da dinmica do sistema pode conduzir o sistema instabilidade.

2.2.2.

Mtodo da Curva de Reao

O procedimento normal no ajustamento dos parmetros por este mtodo, consiste na abertura da malha para que no haja realimentao e na obteno da sua resposta a uma variao salto(amplitude M) na entrada de referncia(SP). A resposta dever ter uma forma em S (em situao contrria o mtodo no aplicvel) como ilustrado na Figura 2.1. A curva em S4 pode ser caracterizada por duas constantes, o atraso L e a constante de tempo T, sendo estas determinadas se fizermos passar uma tangente pelo ponto de inflexo da curva. Nos pontos onde a tangente intercepta o eixo das abscissas e a linha horizontal com ordenada k, obtemos L e T, respectivamente.

Figura 2.1 Mtodo da Curva de Reao Uma vez obtidos experimentalmente L, T e N5 (declive mximo = K/T), podemos recorrer tabela seguinte para determinar os valores dos parmetros dos controladores. Tabela 2.3 Mtodo de curva de reao

Cohen e Coon recorreram a esta relao para determinar os valores tericos dos parmetros dos controladores. Estes dependem das constantes da funo de transferncia Kc, L e T , que podem ser medidas na curva de resposta. L o tempo de atraso, Kc o ganho estacionrio, isto , Kc=K/M, e T, que a constante de tempo do sistema, diretamente proporcional ao valor final da resposta e inversamente proporcional a N, isto , T = Kc/N. Para verificar se a aproximao a um sistema de primeira ordem com atraso vlida, deve ser determinado o intervalo de tempo que medeia entre L e 0.632*K, o qual deve ser aproximadamente igual a T, com um erro mximo de 15%. Se a aproximao no se verificar, porque a tangente ao ponto de inflexo no foi desenhada corretamente ou porque existem no-linearidades no sistema. Nesta ultima situao a aproximao no ser vlida. O

ajustamento dos parmetros feito com base na seguinte tabela em que R, razo de atraso, definida como: R = L/T=NL/K (2)

Tabela 2.4 Ajuste de parmetros

A principal vantagem deste mtodo (Curva de Reao), relativamente ao anterior devese ao fato de, uma vez determinada a curva de reao do mtodo, os parmetros poderem ser ajustados imediatamente. Esta vantagem particularmente til em processos muito lentos, em que pode passar muito tempo at que o sistema atinja a estabilidade critica. A sua principal desvantagem decorre de grande parte dos sistemas serem mais complexos do que um simples sistema de primeira ordem com atraso, o que significa que ainda necessrio um ltimo ajuste no ganho antes de se poder considerar que a resposta do sistema aceitvel. Existem diversas variaes aos mtodos acima expostos. Note-se como exemplo o fato de grande parte dos fabricantes fornecerem instrues relativas sintonizao dos seus controladores. importante realar que no existem concluses gerais relativas exatido ou aptido destes mtodos empricos. A nica inferncia possvel que estes mtodos conduzem a primeiras aproximaes dos parmetros dos controladores, que se podem considerar razoveis, e que os valores obtidos podem necessitar de posteriores ajustamentos para fazer face especificidade de cada sistema, at que performances timas sejam atingidas.

2.2.3.

Mtodo de Ziegler e Nichols

O princpio dos mtodos baseados em malha fechada o de se trabalhar com margem de segurana, escolhendo para o ganho proporcional um valor suficientemente afastado do ganho limite. Uma margem d segurana tpica pode ser de 50%, ou seja, reduzir o ganho ltimo pela metade, promovendo uma dessintonia do controlador para afast-lo do limiar da instabilidade,Ziegler e Nichols propuseram margens de segurana conforme Tabela 2.5. Tabela 2.5 Mtodo de .Ziegler e Nichols

H trs classes propostas: clculo de kc (controlador s proporcional); clculo de kc e i (controlador proporcional e integral); clculo de kc , i e d (controlador proporcional, integral e derivativo).

2.2.4.

Mtodo de Otimizao Multidimensional

As curvas geradas pelas plantas, em resposta ao degrau unitrio, podem ser representadas por funes a serem otimizadas. Porm, essas funes so desconhecidas. H inmeros mtodos de otimizao multidimensionais, porm a maioria apenas se aplica a funes que sejam conhecidas, visto que necessitam extrair o gradiente das mesmas. Foi escolhido, para implementao no programa computacional, o mtodo dos poliedros flexveis, que um mtodo multidimensional e que no utiliza o gradiente da funo, (NASCIMENTO,1997),(MATEUS 1986). O Mtodo dos Poliedros Flexveis, para uma funo bi-dimensional, funciona da seguinte forma: so necessrios trs pontos, 01 (um) alm da dimenso da funo; esses pontos devem formar um poliedro, que no caso triangular. Com o valor da funo em cada ponto, descobre-se o pior ponto, em seguida calculado o centride da face oposta a esse pior ponto e h um rebatimento desse ponto, fazendo uma reflexo baseada nesse centride. Fazendo isso, gerado um novo tringulo, onde descoberto um novo pior ponto e repete-se a operao do rebatimento. Esse processo poder se repetir at um critrio de parada que pode ser realizado tirando-se a norma da soma dos vetores de ponto com exceo do pior ponto. O ponto de mnimo retirado atravs da mdia aritmtica dos pontos. Em suma, a idia bsica no mtodo dos poliedros flexveis deformar, a cada iterao, um poliedro, de modo que este caminhe em uma direo descendente, (NASCIMENTO,1997). Outras operaes realizadas pelo mtodo, alm da reflexo, so: a expanso, a reduo e a contrao, as quais servem para deformar o poliedro em cada iterao. A expanso proporciona um aumento do poliedro para tentar circular o mnimo. A contrao e a reduo proporcionam uma diminuio do poliedro, sendo que na reduo so modificados todos os pontos, menos o melhor; e na contrao modificado apenas o pior ponto. Todas essas quatro operaes realizadas pelo mtodo possuem coeficientes - , , e respectivamente para a reflexo, expanso, reduo e contrao. Esses coeficientes servem para incremento dos pontos para a iterao seguinte.A figura 2.2 mostra um grfico com as curvas de nvel de uma funo desconhecida e a aplicao do mtodo, nos moldes da descrio

realizada no pargrafo anterior, para uma funo bi-dimensional. uma representao grfica da idia do mtodo dos Poliedros Flexveis, (NASCIMENTO,1997).

Figura 2.2: Representao da idia do Mtodo dos Poliedros Flexveis. Fonte: (SILVA,1998) Na figura acima podemos destacar que o ponto w01 o pior da srie de trs pontos iniciais designados para entradas. No segundo passo, aparece um novo ponto w11 e permanecem os dois pontos bons w02 e w03 quando que no terceiro passo, podemos facilmente ver que o pior ponto ser o w12, e assim por diante. Essa a idia do mtodo o qual ser descrito a seguir pelo seu algoritmo, na figura 2.3 (YONEYAMA, 1997)

Figura 2.3 Pseudocdigo do mtodo dos poliedros flexveis Fonte: (SPANDRI, 2003)

2.2.5.

Mtodos baseados em desempenho timo com malha fechada

Outra forma de sintonizar controlador PID consiste em pesquisar valores das constantes kc,

i e

que minimizem um erro de desempenho. Um erro de desempenho

decorre do fato de que qualquer ajuste promovido por um sistema de controle levar um tempo para se concluir e, ao longo desse tempo, acumulam-se erros de controle (valor desejado setpoint menos valor medido). Na Figura 2.4 mostra-se o desempenho de um controle para uma entrada de degrau unitrio.

Figura 2.4 Grfico de desempenho de um controlador PID Fonte: (SPANDRI,2003) Para o transiente de ajuste como um todo, pode-se integralizar tambm o valor absoluto ou quadrtico dos erros instantneos, do que resulta um erro acumulado, global, integrado, que depende dos valores das constantes de rapidez de ao do controlador PID (kc ,

i e d ). Esse erro global denominado integral (soma acumulada) do valor absoluto dos erros
instantneos (IAE integral of absolute errors) ou integral (soma acumulada) do valor quadrtico dos erros instantneos (ISE integral of squared errors). H um conjunto de valores para kc ,

i e d que minimiza esse erro integrado de simulao. Esses trs valores

timos podem ser encontrados simulando o processo vrias vezes (diversos kc , conforme algum mtodo de busca numrica do mnimo da funo erro.

i e d ),

primeira vista, esta classe de mtodos muito atraente e, de fato, eles so mtodos criteriosos, cuja investigao vale a pena. Entretanto, cabe refletir sobre duas observaes importantes.(SPANDRI,2003). 1. O erro acumulado ao longo do tempo inclui parcelas de erros, por assim dizer, mais inevitveis que outros, bem como parcelas de erros mais crticos que outros. Por exemplo, os erros iniciais da figura 2.4 (mais prximos do instante inicial - tempo zero) so uma fatalidade decorrente da inrcia inicial do sistema, que precisa ser reconduzido para uma nova condio (alterao de set-point). Para tempos maiores, os erros so mais evitveis e devem mesmo ser eliminados, pois sua persistncia pode ser crtica (ou, no mnimo, indesejvel). Constataes desse tipo podem ser levadas em conta atravs de uma funo ponderal que estabelea pesos para uma soma ponderada dos erros acumulados ao longo do tempo: erros iniciais podem ser menos ponderados (maior irrelevncia de erros mais inevitveis) e erros posteriores podem ser mais ponderados (maior criticidade de erros mais corrigveis). A escolha da funo ponderal bastante particular para o processo e subjetiva do engenheiro que est aplicando este mtodo. Uma proposta comum escolher o prprio tempo como funo ponderal (tempos menores, pesos menores e vice-versa), o que conhecido como mtodo de integral (soma acumulada) do valor quadrtico dos erros instantneos ponderados pelo tempo (ITSE integral of time-weighted squared errors). Outras propostas so possveis e essa uma questo aberta. 2. O erro que acumulado refere-se ao valor de varivel de processo em relao a um valor desejado. O caso analisado o de alterao deliberada do valor desejado, ou seja, o caso em que se deseja promover uma migrao do ponto operacional do processo (caso servo-mecanismo, alterao de set-point).Entretanto, o caso mais comum o de controladores atuando para manter o sistema em um ponto operacional definido, rejeitando perturbaes aleatrias a que o processo est sujeito (caso regulatrio, set-

points constantes). Esse tipo de atuao aquela a que o controlador est mais sujeito o tempo todo. Neste caso, o critrio de erro da otimizao fica dependendo da forma escolhida para a perturbao, perturbao que, na prtica diria, extremamente aleatria em forma e intensidade. A escolha de uma perturbao tpica tambm bastante particular para o processo e subjetiva do engenheiro. As numerosas propostas possveis fazem dela uma questo aberta. Essas observaes mostram a importncia tanto da experincia prtica para classificao dos erros de controle quanto do conhecimento profundo do processo a ser controlado e das condies a que est tipicamente sujeito. Essa experincia prtica e esse conhecimento do processo formam uma base heurstica fundamental para a tarefa de sintonia de controladores.

2.3.

Os Algoritmos Genticos

medida que os computadores vo se tornando mais velozes e com grande capacidade de armazenamento de informaes, a rea de Inteligncia Artificial Aplicada (IA) vem despertando interesse crescente dos meios cientficos e industriais. As redes neurais e conjuntos nebulosos tm sido os principais focos de pesquisas aplicadas rea de automao industrial e controle de processos. Outro paradigma que tem chamado a ateno dos pesquisadores da rea de IA so os algoritmos genticos (AG), em especial dos engenheiros de controle que procuram a otimizao de funes. Os AG apresentam uma alternativa baseada no princpio da reproduo gentica que garante a identificao de um mnimo (ou mximo) global de uma funo. Os Algoritmos genticos so sistemas adaptativos que imitam alguns mecanismos observados na evoluo natural das espcies. Os primeiros passos neste campo foram dados por John Holland no incio dos anos 70, que acreditou ser possvel resolver alguns problemas atravs de processos de evoluo semelhantes.Da Gentica sabe-se que os seres vivos tm, no ncleo das suas clulas, molculas de DNA onde esto gravadas as suas caractersticas. Estas molculas so por sua vez constitudas por cromossomas. Em cada cromossoma encontram-se

os genes organizados em cadeias.Durante a reproduo sexual existe troca de material gentico entre os dois progenitores, originando novos cromossomas que combinam as caractersticas dos cromossomas pais. Menos frequentemente ocorrem mutaes ao nvel dos genes. So pequenas alteraes acidentais ou induzidas, que podero ter repercusses nas caractersticas do novo ser. O fenmeno da mutao tem uma probabilidade muito reduzida. Quando acontece, o gene de um filho fica diferente do gene correspondente de ambos os pais. Uma reproduo sem mutaes implica que cada gene do cromossoma do filho seja igual ao correspondente gene de um dos pais. Da evoluo natural das espcies, sabe-se que os indivduos mais adaptados ao meio ambiente tm maior probabilidades de sobreviverem e de se reproduzirem. Assim, a sua informao gentica ser herdada por mais descendentes e ter menor probabilidade de se perder. Estas caractersticas retiradas da prpria evoluo das espcies serviram de inspirao para a criao dos algoritmos genticos. Usando sequncias binrias que se designam por cromossomas, e que representam possveis solues para um problema, simula-se a evoluo natural criando novas sequncias atravs da reproduo das j existentes.

2.3.1.

Algoritmo Gentico Cannico

habitual designar como cannico o algoritmo gentico definido por Holland que tem as seguintes caractersticas:

Representao binria os cromossomas so sequncias de 0s e 1s. Operadores genticos (fazem a recombinao dos cromossomas) cruzamento, mutao e inverso. Existncia de uma funo de avaliao que mede a qualidade de um cromossoma em relao ao problema a resolver. Esta funo a nica ligao entre o AG e o problema.

A descrio seguinte um AG suficientemente genrico para abranger a maioria de implementaes deste tipo de algoritmos. 1. Inicializa uma populao de cromossomas. 2. Avalia cada cromossoma da populao. 3. Cria novos cromossomas cruzando os cromossomas atuais; aplica mutao e recombinao quando os cromossomas pais se cruzam. 4. Apaga cromossomas da populao para arranjar espaos para os novos. 5. Avalia a qualidade dos novos cromossomas e insere-os na populao.
6.

Se o critrio de paragem for alcanado pra a execuo e retorna o melhor cromossoma; caso contrrio volta ao passo 3. A populao composta pelos cromossomas existentes no incio do passo 3 da

descrio. Em cada ciclo uma nova populao criada atravs da substituio de alguns, ou mesmo de todos os cromossomas da antiga populao por novos cromossomas criados atravs da recombinao gentica. O critrio de paragem do passo 6 pode ser definido de vrias formas: A soluo para o problema foi encontrada. No caso de existirem vrias solues a melhor foi encontrada. No caso de existirem vrias solues foi encontrada uma dentro de uma vizinhana em relao melhor. O nmero predefinido de geraes foi esgotado. Um cromossoma representa uma soluo para o problema proposto, logo deve conter informao suficiente de modo que a sua qualidade possa ser avaliada depois de decodificado. O cromossomo constitudo por genes e ao valor que a decodificao de cada gene retorna dse o nome de alelo. A codificao no AG cannico binria e a sua dimenso dada pelo nmero de bits que o constituem. A prpria complexidade da decodificao est associada ao problema que se pretende resolver.

2.3.2.

Operadores Genticos

Os operadores genticos so os responsveis pela evoluo da qualidade das solues, durante a execuo do algoritmo. O cruzamento o responsvel pela convergncia dos AGs. A mutao tem como objetivo introduzir e manter variedade gentica. O operador inverso usa apenas um cromossoma para gerar um novo, invertendo a ordem de alguns bits. Os cromossomos para a reproduo so escolhidos em funo da sua qualidade. Melhores cromossomas tm maior probabilidade de serem escolhidos, propagando boas sequncias genticas pela populao e contribuindo para a evoluo da qualidade geral da mesma.

2.3.3.

Cruzamento

O cruzamento o responsvel pela criao de novos cromossomas atravs da recombinao do material gentico de dois cromossomas j existentes na populao. Dos vrios tipos de cruzamento existentes salientam-se trs que se podem considerar os mais genricos cruzamento uniponto, cruzamento multiponto e cruzamento uniforme. Na Figura 2.5 pode observar-se a representao uniponto. O ponto de cruzamento escolhido aleatoriamente. Os filhos herdam os bits de um dos pais at ao ponto de cruzamento e a partir deste, os bits de outro pai.

Figura 2.5 Representao do Crossover uniponto Semelhante ao cruzamento anterior existem os cruzamentos multiponto mas com vrios pontos de cruzamento conforme se pode observar na Figura 2.6.

Figura 2.6 Representao do Crossover multiponto No cruzamento uniforme, gerada uma mscara aleatria que indica quais os genes dos dois cromossomas que vo ser trocados

Figura 2.7 Representao do Crossover Uniforme O cruzamento considerado como o verdadeiro responsvel pela evoluo da qualidade das populaes do cromossomas. O fato de recombinar os bits dos melhores cromossomas implica que as melhores sequncias genticas da populao se propaguem criando novos cromossomas que exploram o espao de procura em direo s melhores solues. Estes processo corre, no entanto, o risco de ficar preso em mximos locais e outras operaes so necessrias para garantir diversidade na populao.

2.3.4.

Mutao e Inverso

A mutao tem como objetivo assegurar a diversidade gentica de uma populao de cromossomas. Usando apenas cruzamentos pode chegar-se a um ponto em que 1 dos bits do cromossoma tem o mesmo valor em toda a populao. Se a determinada altura todos os cromossomas tiverem o primeiro bit a 1 e a melhor soluo tiver necessariamente esse bit a 0 o AG, usando cruzamentos, nunca atingir essa soluo. Esse problema pode ser resolvido com mutao que, normalmente com uma probabilidade muito baixa, altera o valor de um bit. Por outro lado um valor muito alto da mutao pode danificar boas sequncias genticas e tornar o AG numa procura quase aleatria.

Figura 2.8 Representao da mutao

2.3.5.

Avaliao e Seleo de Cromossomas

A avaliao da qualidade de um cromossoma e da soluo representada por ele feita por uma funo de avaliao (Fitness Function). A funo de avaliao a nica ligao que o AG cannico tem com o problema que se pretende resolver. Os valores retornados pela funo de avaliao so de seguida, argumento da funo de escalonamento (fitness scaling function). Esta funo tem como objetivo escalonar a qualidade dos cromossomas dentro de um intervalo definido. O valor que a funo de escalonamento retorna usual denominar esse valor por mrito usado na seleo de cromossomas que se cruzam para gerar descendncia. Quanto maior for esse valor, maior probabilidade o cromossoma tem de ser escolhido. Existem vrios mtodos para selecionar o cromossoma segundo a sua qualidade. Um dos mais usados o mtodo da roleta. Com esta tcnica, a probabilidade de um cromossoma ser escolhido diretamente proporcional ao valor do seu mrito.

2.3.6.

Parmetros de um Algoritmo Gentico

A determinao dos valores mais adequados para os parmetros, de modo a maximizar

o desempenho do algoritmo, uma questo que deve ser ponderada antes da implementao final do AG. Estes parmetros so: Codificao do cromossoma: Normalmente binria ou real. Tamanho da populao: O nmero de cromossomas da populao afeta o desempenho do AG. Populaes pequenas podem levar convergncia para mximos locais devido reduzida diversidade gentica. Por outro lado se o tamanho da populao for muito grande pode levar a que o AG perca tempo desnecessrio a explorar o espao de procura. Probabilidade dos cruzamentos: Cada operador tem uma certa probabilidade de ser usado em determinada altura para produzir novos cromossomas. Dependendo do problema certos cromossomas so mais ou menos eficazes na evoluo da qualidade da populao. Probabilidade de mutao: Uma probabilidade de mutao muita elevada pode levar a uma procura quase aleatria e uma probabilidade muito baixa pode reduzir a diversidade gentica da populao. Funo de escalonamento: A funo de escalonamento define a probabilidade de os cromossomas serem escolhidos para se cruzarem. O desempenho do algoritmo afetado pelo nvel de seletividade da funo de escalonamento. Uma seletividade muito elevada, significando que existe maior diferena de probabilidades entre os melhores e os piores algoritmos, pode acelerar a convergncia do algoritmo mas lev-lo a convergir para mximos locais ao no explorar corretamente o espao de procura.

2.3.7.

Melhorias de Desempenho do Algoritmo Gentico

At agora foi analisado com algum detalhe o AG cannico. Esta abordagem inicial do

algoritmo gentico pode sofrer alteraes de modo a melhorar o seu desempenho. Nesta seo discutem-se possveis alteraes ao AG cannico bem como as razes que podero levar sua implementao

. 2.3.8. Usando codificao real

Em algumas situaes, as codificaes baseadas em strings binrios no possuem um desempenho aceitvel, motivo que levou vrios pesquisadores a buscar novas formas de representar o alfabeto de cromossomos. Embora existam argumentos favorveis utilizao da codificao binria, como a maximizao do paralelismo implcito a capacidade dos AG processarem schematas ao invs de cromossomos individuais -, eles no apresentam desempenho satisfatrio em espaos de busca contnuos. Tambm, devido redundncia, a decodificao pode no pertencer ao domnio do parmetro original. Uma alternativa para espaos de busca contnuos a codificao real, que abre a possibilidade de se trabalhar com grandes domnios para as variveis (genes). Esta alternativa apresenta solues muito prximas da formulao natural dos problemas e evita processos de codificao/decodificao, o que conduz ao aumento da velocidade dos AG (Herrera, 1996). Em um alfabeto real, um cromossomo um vetor, onde seus elementos so nmeros de ponto flutuante, sendo o prprio cromossomo uma soluo do problema. Alm do mais, os valores dos genes dos cromossomos so mantidos dentro de um intervalo estabelecido pelas variveis que eles representam. Tal requerimento deve ser observado pelos operadores genticos. A literatura apresenta vrios modelos que satisfazem s restries anteriores. Como argumentos em favor da codificao real, Herrera (1996) cita: 1. A possibilidade de trabalhar com grandes domnios para as variveis, o que difcil atingir em implementaes binrias, onde o aumento do domnio pode significar sacrifcio da preciso;

2. A capacidade de explorar a gradualidade das funes com variveis contnuas. O conceito de gradualidade refere-se ao fato de que pequenas alteraes nas variveis correspondem a pequenas mudanas nas funes; 3. A capacidade de ajuste local das solues, como conseqncia do item anterior; 4. A representao das solues muito prxima da formulao natural de muitos problemas, ou seja, no h diferenas entre o gentipo (codificao) e o fentipo (espao de busca);
5. Os processos de codificao/decodificao, necessrios nos alfabetos binrios, so

evitados, aumentando a velocidade dos AG.

2.3.9.

Parmetros e Inicializaes

Normalmente a comparao entre os AGs feita atravs do nmero de cromossomas que foram avaliados at se atingir a soluo tima ou at se atingirem solues com equivalente qualidade. A medida ideal seria o tempo de execuo, mas isso implicaria que os AGs a comparar teriam de ser executados na mesma mquina depois de implementados com o mesmo software. A eficcia do AG cannico, devido sua concepo e representao binria, pode ser vista como a relao entre nmero de avaliaes e espao de procura. Num AG com codificao binria o espao de procura dado por: Dimenso_espao_procura = 2 dimenso do cromossoma

Quanto menor for a relao avaliaes/espao_procura, mais eficaz o AG, porque necessitou de uma menor explorao do espao de procura para encontrar a soluo.Outra das medidas a ter em conta a possibilidade da representao de um cromossoma no ser obrigatoriamente binria, existindo casos em que uma representao de inteiros ou de reais pode ser vantajosa. No AG cannico os cromossomas da populao inicial so gerados de forma aleatria. No entanto, em alguns problemas pode ser vantajoso fazer a inicializao segundo uma determinada heurstica de modo a minimizar violaes de algumas restries. Por outras palavras, trata-se de uma iniciao no aleatria. Esta tcnica afasta-se do AG cannico na medida que usa informao relativa ao problema noutro mdulo para alm do de avaliao.

2.3.10.

Operadores Genticos

Como as operaes de cruzamento se baseiam em troca de genes dos cromossomas (independentemente destes serem binrios, inteiros ou fracionrios), os trs tipos de cruzamento definidos anteriormente, para a representao binria, podem tambm ser utilizados na representao numrica cruzamento por mdia. Este tipo de cruzamento, parte de dois cromossomas para produzir um nico. Os genes do cromossoma filho so o resultado da mdia dos genes dos cromossomas pais. Em relao s operaes de mutao, as diferenas j so muito notrias. A mutao de um gene em binrio corresponde sua inverso. A mutao de um valor numrico j implica a substituio por outro valor. A escolha dos operadores, juntamente com a determinao da funo fitness e da apropriada representao dos cromossomos, so determinantes para o sucesso de um AG. Os operadores genticos fornecem o mecanismo bsico de busca dos AG. Eles so usados para criar novas solues baseadas nas solues existentes na populao. A literatura apresenta uma boa variedade de operadores genticos de crossover e mutao. No caso da codificao

real, possvel encontrar vrios operadores em Houck(1996) e Herrera1996). Michalewicz (1994, apud Houck, 1996) fez vrios testes comparando algoritmos de codificao binria e real, mostrando que este ltimo grupo uma ordem de magnitude mais eficiente em termos de CPU.

2.3.11.

Reparaes e Seleo

Por vezes os cromossomas gerados no representam solues vlidas para o problema. Existem duas abordagens que se podem utilizar nestas situaes de modo a minimizar a propagao de ms sequncias genticas.A primeira consiste na penalizao dos cromossomas que representam solues invlidas. Pretende-se deste modo atribuir uma probabilidade muito pequena a estes cromossomas de serem escolhidos para as operaes genticas. A segunda consiste no uso de algoritmos de reparao para validar o cromossoma. AGs deste tipo so considerados hbridos porque incluem processos para encontrar solues que no se baseiam exclusivamente na evoluo natural. O mtodo da seleo da roleta implica que o melhor cromossoma tenha maiores probabilidades de ser escolhido, mas no garante que seja efetivamente escolhido. Mesmo que tal acontea no seguro que o melhor indivduo transite para a gerao seguinte j que a tcnica de reproduo pode levar sua eliminao. Para garantir que os melhores elementos de uma populao no so eliminados existe um operador designado por elitismo que coloca automaticamente os melhores elementos de uma gerao na gerao seguinte.

2.3.12.

Domnios de Aplicao

Se o problema para o qual se pretende encontrar uma soluo for representado por uma funo com apenas um mximo, os mtodos determinsticos encontram a soluo qualquer que seja o ponto de partida. No entanto se a funo que representa o problema apresentar alm do mximo absoluto um mximo local, o sucesso de procura j no garantido uma vez que o xito vai depender do ponto de partida da procura. Se estiver na vizinhana do mximo local, ento a procura tende a caminhar para esse ponto. Uma vez atingido esse ponto, no existe processo pelo qual o mtodo encontre o mximo absoluto. Um AG pode contornar este problema porque alm de iniciar a procura em vrios pontos, tantos quantos os cromossomas da populao inicial, possuem mecanismos de procura que no so determinsticos. Apesar dos processos de seleo orientarem no sentido de solues melhores, existe sempre uma componente aleatria que pode levar o AG a explorar novos caminhos e ultrapassar mximos locais. No caso de funes com apenas um mximo os mtodos determinsticos mostram-se a escolha mais apropriada, uma vez que os AGs podem explorar desnecessariamente o espao de procura.

III

Metodologia
Neste captulo so apresentadas todas as fases do desenvolvimento do modelo

computacional proposto. O desenvolvimento deste trabalho pode ser divido em 4 fases distintas, a saber: Definio do problema A fase de modelagem do problema. A fase de codificao e validao do modelo computacional A fase de testes e coleta de resultados A Metaheurstica escolhida para implementar o modelo foi o Algoritmo Gentico. Esta escolha foi baseada levando em considerao a complexidade do problema de sintonia de controladores e o desempenho do AG na busca de solues para problemas de tal dificuldade. As subsees a seguir referem-se ao detalhamento da implementao de cada fase do desenvolvimento deste trabalho.

3.1.

Definio do Problema

Para avaliao do desempenho do Algoritmo Gentico, sero considerados dois processos controlados por PID, sendo que um deles corresponde a um processo fsico real, e o outro simula um processo qualquer, sem necessariamente representar nenhum sistema fsico em particular, mas que apresenta comportamento tpico de sistemas complexos e no-lineares. Segue a seguir as caractersticas de cada processo:

3.1.1.

Processo trmico

Este sistema classificado segundo a teoria clssica de controle como SISO, invariante no tempo e de segunda ordem. Simula um processo trmico, apresentado em Romo (1996). O processo constitudo por dois tanques contendo gua, com sistemas de agitao e conectados atravs de um cano longo, o qual introduz um atraso de transporte ao sistema. A temperatura da gua, T2(t), no segundo tanque controlada ajustando o fluxo de calor, U(t),em um sistema eltrico de aquecimento no primeiro tanque. O volume de gua em cada tanque mantido constante atravs de uma linha de fluxo, W, saindo do Tanque 2 e outra linha de fluxo com a mesma vazo W entrando no Tanque 1.As dimenses e propriedades fsicas para o processo de aquecimento nos tanques so: Volume dos tanques: V1 = 6514 cm3 V2 = 3767 cm3 Temperatura da gua na entrada: T1 = 18,5 oC Temperatura da gua na sada: T2 = 25,2 oC Temperatura ambiente: Ta = 22,2 oC Entrada de controle: u(t) = 0,502 KW Taxa de fluxo da gua: W = 3,0 kg/minuto Na figura 3.1 temos o desenho esquemtico do processo em questo.

Figura 3.1 Sistema de aquecimento de tanque Fonte: (ROMO,1996)

A planta ou processo a ser controlado pode ser representado por uma equao discreta dada por: T2(t) = 1,034T2 (t-1) - 0,259T2 (t - 2) + 0,5725U(t - 2) + 0,365U(t - 3) + N(t) (1) Onde N(t) representa as incertezas do modelo, imprecises nas medidas e perturbaes.

3.1.2.

Processo sem representao fsica real

Conforme j mencionado, embora sem representao fsica real, este sistema apresenta um comportamento bastante semelhante a sistemas fsicos no lineares. A partir de sua funo de transferncia no domnio da freqncia, possvel classificar o sistema em SISO, invariante no tempo e de sexta ordem. Pelo falo deste sistema possuir uma ordem to elevada, espera-se que os mtodos clssicos de sintonia de controladores no encontrem solues satisfatrias. A representao matemtica da funo de transferncia deste sistema em malha aberta expressa por:
FT = 1 + 0,31( exp(-0.31 t) + 0.25 ) + 0,25 exp(-0,31 t) seno(t) - 0,9 exp(-0,31t) co-seno(t) (2)

3.2.

A fase de Modelagem do problema

Esta fase compreende todas as representaes do problema proposto para que se possa empregar efetivamente do Algoritmo Gentico. So constitudas das seguintes sub-sees:

Representao da soluo Definio da funo de Avaliao Definio da Funo de Seleo Definio dos Operadores

3.2.1.

A representao da soluo:

A representao escolhida para a soluo, ou cromossomo no jargo do Algoritmo Gentico, foi a codificao real (ponto flutuante). Embora o algoritmo gentico clssico proponha uma codificao binria para representao da soluo, em algumas situaes as codificaes baseadas em Strings binrios no possuem um desempenho aceitvel, motivo que levou vrios pesquisadores a buscar novas formas de representar o alfabeto de cromossomos. A codificao binria no apresenta desempenho satisfatrio em espaos de busca contnuos. Segundo Romo (1996), uma alternativa para os espaos de busca contnuos a codificao real, que abre a possibilidade de se trabalhar com grandes domnios para as variveis (genes). Esta alternativa apresenta solues muito prximas da formulao natural dos problemas e evita processos de codificao/decodificao, o que conduz ao aumento da velocidade dos AG (Herrera, 1996). A soluo do problema de sintonia de controladores se encontra no domnio do espao contnuo, ficando justificada assim a escolha da codificao como representao da soluo.

3.2.2.

A funo de Fitness

A funo de avaliao utilizada neste trabalho baseia-se na mdia da varincia do erro gerado entre o sinal de referncia e a sada processo. De acordo com Spandri (2003), a sintonia de controladores baseada na mdia quadrtica dos erros consiste em pesquisar os valores das constantes (Kp, Ki e Kd) que minimizem um erro de desempenho. Como exemplo, a figura 3.2 ilustra a superfcie gerada entre os quadrados dos erros e os parmetros de um controlador PI (Kp e Ki), demonstrando que este tipo de funo possui um ponto de mnimo.

Figura 3.2 Grfico ISE de um controlador PI Fonte: (SPANDRI,2003) De acordo com Romo (1996), este tipo de abordagem tem resultados muitos satisfatrio quando a varivel de desempenho do sistema mais considervel a sobre-elevao nula. Para gerar o resultado desta funo, o processo simulado considerando a sua equaes de malha aberta e o sinal de controle gerado segundo a equao convencional do controlador PID (Coelho & Romo, 1996) utilizando os parmetros Kp, Ki e Kd obtidos com o AG. O clculo da mdia da varincia do erro dado por:

Mdia da Varincia =1/N E (2) Onde N o nmero de amostra dos erros.

3.2.3.

Definio da funo de seleo

A funo de seleo implementada foi mtodo clssico de seleo da roleta russa sem nenhuma variao. Para cada indivduo atribuindo um ngulo que corresponde percentagem do valor da aptido deste indivduo em relao aptido total da populao.

3.2.4.

Definio dos Operadores

Como a representao da soluo deste modelo codificada como ponto flutuante, necessrio definir Operadores Genticos apropriados para manipular tal representao. Os Operadores Genticos considerados nesta implementao so apenas o Operador de Crossover e o Operador de Mutao. O Operador de Crossover aplicado neste trabalho conhecido na literatura como Crossover Aritmtico (Michalewicz, 1994). As equaes (3) e (4) ilustram o processo de crossover usando este Operador. C1 = P1 + (1 -) P2 C2 = (1 -) P1 + P2 Onde: (3) (4)

P1 e P2 so cromossomos dos indivduos pais, um nmero aleatrio entre 0 e 1 e C1 e C2 so descendentes permutados dos pais P1 e P2, sendo que este operador aplicado a cada operao em apenas parte dos cromossomos dos pais, ou seja, Kp, Ki ou Kd. O Operador de Mutao do tipo Creep, isto , escolhe um gene a aleatrio do cromossomo do indivduo e incrementa de uma unidade decimal do gene escolhido. A equao (5) ilustra o procedimento de mutao adotada. C = P + 10 Onde a definido por (6): a=G3 (6) (5)

Onde G um nmero inteiro aleatrio gerado entre 1 a 5.

3.3.

Codificao e validao do modelo computacional

Esta fase do projeto visa transcrever todas as representaes feitas durante a fase de modelagem para cdigo de programao, tendo como principal resultado o modelo computacional que gerar os dados de anlise. Consideraes importantes sobre este modelo so organizadas nas seguintes subsees:

A linguagem proposta A estrutura de classes Consideraes sobre a simulao do Controle

Parmetros e funcionalidades do AG Validao do Modelo

3.3.1.

A linguagem de programao proposta

A linguagem escolhida para implementar o modelo computacional foi o Java. Os motivos principais se devem, em primeiro lugar, portabilidade da Linguagem. Escrever o cdigo apenas uma vez, e este funcionar perfeito independente da plataforma, uma idia bastante atraente. Em segundo, Java uma linguagem gerenciada e orientada a objetos, permitindo uma rpida velocidade de desenvolvimento e uma boa prtica de engenharia de software. Outro bom motivo, que j existem muitos dispositivos microeletrnicos que usam Java embarcado e h potencial muito grande desta tecnologia ser usada at em controladores industriais no futuro.

3.3.2.

Estrutura de classes

Toda a implementao do Algoritmo gentico est estruturada em trs classes, a saber: a classe Individuo, a classe Populao e classe Operadores. A classe indivduo constituda por todos atributos e mtodos que definem o Indivduo do AG, ou seja, uma representao da soluo, que no caso deste problema, os valores das constantes Ki, Kd e Kp. A classe Populao constituda por atributos e mtodos que definem a populao

do AG, ou seja, um agrupamento de indivduos. Na implementao desta classe ocorre uma composio de objetos da classe de indivduos. nesta classe que esto implementados os mtodos de Seleo, Avaliao e Inicializao da populao. A classe Operadores implementa os operadores genticos usados pelo AG, sendo eles os operador de Crossover e Mutao. O programa tambm faz uso de mais trs classes: Controlador, Planta e Simulao que implementam as caractersticas do processo a controlar.

3.3.3.

Consideraes sobre a simulao do controle

A simulao do sistema de controle feita pelo modelo toda vez que for necessrio avaliar um indivduo pela funo de Fitness. No modelo computacional proposto, a simulao do sistema de controle composta pelas classes Controlador, que gera a simulao do sinal caracterstico de um controlador PID, pela classe Planta, que simula o sinal de sada do processo a ser controlado, e a classe Simulao que agrega informaes especficas da simulao e a caractersticas de desempenho desejveis do sistema, tais como setpoint, overshot mximo e taxa de amostragem da simulao. A figura (3.3) ilustra o diagrama de controle empregado pelo modelo e o papel do AG nesta simulao.

Figura 3.3 Digrama de um controle sintonizado por um AG Fonte:(ROMO,1996)

Apesar da figura (3.3) sugerir que feita uma sintonia on-line do Controlador, ou seja, em tempo de simulao, o AG gera apenas uma vez as constantes de Kp, Ti e Td para toda a simulao. O erro acumulado da simulao armazenado em memria para posterior clculo do ndice de desempenho da funo de Fitness de um indivduo da populao. Nesta simulao considerou-se como instabilidade do sistema os sinais geradas pela planta superiores a mil por cento do valor do Setpoint desejvel. O modela trata esta situao como uma exceo e atribui um valor de avaliao nula para o indivduo que a gerou.

3.3.4.

Parmetros e funcionalidades do AG proposto

Os parmetros de um algoritmo gentico so a percentagem de Crossover e Mutao, o nmero de geraes e o tamanho da populao. Para AG proposto neste trabalho, resultados satisfatrios foram conseguidos usando os parmetros mostrados na tabela 7:

Tabela 3.1 - Parmetros do AG proposto Parmetro Tamanho da Populao Taxa de Crossover Taxa de Mutao Nmero de Geraes Valor 10 0,75 0,05 100

Os valores dos parmetros propostos do AG foram definidos segundo testes realizados pelo autor e levando em considerao as orientaes da literatura. Outro atributo funcional que caracterizam o AG proposto a sua inicializao randmica. A inicializao compreende a etapa de gerao de uma soluo inicial. Em muitos casos, concordando com Ramos (2001), os AG's inicializados com solues iniciais integralmente aleatrias podem conduzir a resultados insatisfatrios. Uma alternativa a este tipo de abordagem inicializao de solues geradas a partir de uma heurstica mais limitada como descida de encosta. Neste trabalho usa-se a inicializao de solues aleatrias, porm definidas dentro de um intervalo de busca considerado pelo autor como razovel para a explorao inicial do AG, sendo os intervalos de gerao inicial entre [0,2],[0,500] e [0,10] para os valores de Kp,Ki e Kd respectivamente.

3.3.5.

Validao do modelo computacional

Para validar o modelo computacional e certificar que no havia equvocos na implementao do AG e nem da simulao do sistema de controle, foi usada a seguinte estratgia:

Testar a implementao do AG, com as devidas adaptaes na funo de Fitness e sem a implementao da simulao do sistema de controle, num problema de minimizao de uma funo repleta de mnimos locais, conforme pode ser visto na figura 3.4.

Simular o sistema de controle, sem a implementao do AG, com solues (Kp, Ki e Kd) conhecidas e verificar se a resposta gerada pelo simulao compatvel com a resposta esperada.

Figura 3.4 Funo com vrios mnimos locais

A equao da funo a ser minimizada pelo AG dada pela equao mostrada na figura 3.5:

Figura 3.5 Equao que representa a funo a ser minimizada

Para o teste do AG, foi considerado y = 0, tornando-a bidimensional. Para esta funo s existe um mnimo local no ponto x=0 com valor para F6(0,0) = 0. Aps os testes, que pode ser verificado captulo seguinte, verificou-se que o AG foi capaz de chegar a solues bem prximas da tima global, com a mdia de erros igual a 0,002 e desvio padro 0,001, o que leva a concluir que o AG proposto est bem implementado. Para a verificao da simulao do controle, o sistema foi excitado com uma sinal de entrada degrau e com valores de Kp, Ki e Kd conhecidos. O sistema se comportou como se esperava , estabilizando no setpoint desejado. Comprovando assim que a simulao do sistema de controle PID est bem implementado.

IV

Resultados Obtidos
Os resultados foram obtidos usando a JVM 1.5, sendo o programa executado num

computador INTEL CELERON 2.4 GHZ, 256 MB de RAM, Sistema Operacional Windows XP pro.

4.1.1.

Apresentao dos Resultados

Foram realizadas 8 simulaes para avaliar o modelo, sendo o ndice de desempenho utilizado o prprio valor da funo que se propunha minimizar. Quanto menor o ndice MSE, melhor a soluo para o problema da sintonia de controladores. Os resultados so mostrados na tabela 8.1 Tabela 8.1 Resultados das simulaes de avaliao do modelo
Kp 0,78 0,51 0,29 0,01 0,28 0,64 -0,05 0,05 Mdia do erro Ki 90,32 104,78 95,43 45,19 95,69 107,34 72,06 66,43 0,1375 Kd 0,95 0,73 0,28 0,46 -1,72 5,1 1,32 -1,88 MSE 0,12 0,12 0,12 0,19 0,13 0,11 0,16 0,15 Gerao da melhor soluo Teste 1 1 6 2 2 3 1 4 3 5 1 6 4 7 8 8

4.1.2.

Discusso dos Resultados

Os ndices MSE conseguidos na simulao so baixos, significando que boas solues foram geradas pelo AG proposto. Foi constatado tambm que para valores iniciais muito fora dos intervalos definidos pelo autor, ou seja, ampliando bastante o espao de busca do AG, h uma forte dependncia de boas solues iniciais para encontrar uma soluo considerada razovel. A partir disso, j possvel sugerir que uma aplicao interessante do AG proposto seria melhorando solues encontradas por outros mtodos de sintonia. Os resultados conseguidos foram simulados em um software grfico e constatou-se que o sistema estabiliza no set-point desejado para todos os testes com o mnimo de erro inicial , devido praticamente inrcia inicial do sistema.

Concluses e trabalhos futuros

Este trabalho possibilitou a investigao do problema de sintonia de controladores

usando uma Metaheurstica, como o AG, como mtodo de soluo. Os resultados comprovaram a eficincia do AG na busca de boas solues para o PSC, independentemente da planta que se deseja controlar, desde que se mantenha o modelo de controlador aqui proposto. Verificou-se tambm neste trabalho que a representao da soluo codificada em ponto flutuante facilitou bastante a implementao do modelo computacional e demonstrou ser adequada busca de solues para o PSC. Para trabalhos futuros, fica a sugesto de melhorar a inicializao do algoritmo gentico aplicando algum outro mtodo heurstico para buscar boas solues iniciais. Outro ponto que pode melhorar o desempenho deste AG a implementao de mais de um tipo de operador de Crossover no modelo. Melhoramentos de interface grfica com o usurio podem ampliar o potencial de uso do modelo, o tornado mais intuitivo e didtico.

REFERNCIAS BIBLIOGRFICAS

SILVA, G. A., MAITELLI, A. L., ARAJO, A. D. Um ambiente para o projeto de controladores clssicos empregando tcnicas de otimizao. Anais do XII Congresso Brasileiro de Automtica, vol. VI, pp. 1911-1916, Uberlndia-MG,1998. ASTRM, K. J.; T. HGGLUND. PID Controllers: Theory, Design, and Tuning, Instrument Society of America, 1995. HEMERLY, E. M. Controle por Computador de Sistemas Dinmicos. Editora Edgard Blcher LTDA, So Paulo, 1996. NASCIMENTO Jr, C. L. e YONEYAMA, T. Inteligncia Artificial em Automao e Controle. So Paulo, 1997. MATEUS, G. R. & LUNA, H. P L. Programao No-Linear. Editora Grfico Formato LTDA, Belo Horizonte, 1986. SPANDRI,R. Bol. tc. Petrobras, Rio de Janeiro, 46 (3/4): 383 410, jul./dez., 2003. HOUCK, C.R., JOINES, J. & KAY, M. A genetic algorithm for function optimization: a Matlab implementation. ACM Transactions on Mathematical Software, Submitted 1996. MICHAELEWICZ, Z. Genetic Algorithms + Data Structres = Evolution Programs. Springer Verlag,1992. ROMO, W. & COELHO, A. A. R. Controladores PID adaptativos: algoritmos e simulaes. Cadernos de METEP, Universidade Estadual de Maring, 1996. HERREROS, J. M.; BLASCO, M.; MARTNEZ, M.; SALCEDO, J. V. Optimal PID Tuning With Genetic Algorithms For Non Linear Process Models, 15th Trienal World Congress, 2002.