Documenti di Didattica
Documenti di Professioni
Documenti di Cultura
DA RESPOSTA EM FREQUENCIA
Abstract Fuzzy Methodology for Frequency Response Estimation from Experimental Data: a case study
for the pH neutralization process is proposed in this paper. A fuzzy c-Means clustering algorithm is used to
organize the output experimental data of pH neutralization process into groups based on similarities among the
data. Starting from the fuzzy clustering a methodology for identification of the linear sub-models, in terms of
transfer function, that represent the pH neutralization process in operation regions is developed and these linear
sub-models are organized according to Takagi-Sugeno (TS) fuzzy representation. A fuzzy frequency response
estimation of pH neutralization process is determined through the frequency response function. The main contribution of this paper is to demonstrate through the proposal of a Theorem, that fuzzy frequency response
estimation is a region in the magnitude and phase Bode plots.
Keywords Fuzzy inference systems; Takagi-Sugeno fuzzy model; Fuzzy Frequency Response; Fuzzy identification; Nonlinear dynamic systems.
Resumo A Metodologia Fuzzy para Estimaca
o da Resposta em Frequ
encia a partir de Dados Experimentais:
um estudo de caso para o processo de neutralizaca
o de pH
e proposto neste artigo. Um algoritmo de agrupamento
fuzzy c-Means
e utilizado para organizar os dados experimentais de sada do processo de neutralizac
ao de pH
em grupos, baseado na similaridade entre os dados. A partir do agrupamento fuzzy, uma metodologia para
identificaca
o dos sub-modelos lineares, em termos de funca
o de transfer
encia, que representam o processo de
neutralizaca
o de pH em regi
oes de operac
ao
e desenvolvido e, tais sub-modelos lineares, s
ao organizados de acordo
com uma representac
ao fuzzy Takagi-Sugeno (TS). A estimaca
o da resposta em frequ
encia fuzzy do processo de
neutralizaca
o de pH
e determinada atrav
es da func
ao de resposta em frequ
encia. A principal contribuica
o desse
artigo
e demonstrar atrav
es da proposta de um Teorema que a estimaca
o da resposta em frequ
encia fuzzy
e uma
regi
ao nos gr
aficos de bode de m
odulo e fase.
Keywords Sistema de infer
encia fuzzy; Modelo fuzzy Takagi-Sugeno; Resposta em frequ
encia fuzzy; Identificac
ao fuzzy; Sistemas din
amicos n
ao-lineares.
Introdu
c
ao
fazendo o pH t
ao pr
oximo de 7 quanto possvel E
uma tarefa nao trivial resultante da altssima naolinearidade do processo. Portanto, o controle do
pH em certas regi
oes ou set point e muito importante (Shinskey, 1973; Hall and Seberg, 1989; Pajunen, 1987; Karr and Gentry, 1993).
Projetos de controle robustos, capazes de
garantir estabilidade e desempenho, mesmo com
a presenca dessas altssimas nao-linearidades e incertezas na din
amica desses sistemas, s
ao sempre
alvo de pesquisa dos engenheiros de controle. Tecnicas classicas no domnio da frequencia para sistemas lineares, tais como margens de ganho e fase,
geralmente sao utilizadas com o prop
osito de atingir a robustez. Contudo, metodologias utilizando
sistemas fuzzy para projetos de controle robustos para sistemas n
ao-lineares e/ou incertos vem
sendo pesquisadas atualmente. O prop
osito deste
ISBN: 978-85-8001-069-5
Modelo Din
amico Fuzzy Takagi-Sugeno
O sistema de inferencia TS, originalmente proposto por (Takagi and Sugeno, 1985), apresenta
no consequente uma expressao dinamica funcional
das
A
variaveis lingusticas do antecedente.
[i=1,2,...,l]
i
-esima regra, em que l representa o
n
umero de regras, e dada por
R(i) :
i
SE x
1 e F{1,2,...,p
x
1
1 }|x
i
E ...E x
n e F{1,2,...,p
x
n }|x
n
yi = fi (
ENTAO
x)
(1)
onde o n
umero total de regras e l = px1
. . . pxn . O vetor x
= [
x1 , . . . , x
n ]T n
117
contem as vari
aveis lingusticas do antecedente,
onde T representa o operador para matriz transposta. Cada vari
avel lingustica tem seu proprio
universo de discurso Ux1 , . . . , Uxn , particionado
por conjuntos fuzzy representando seus termos
lingusticos, respectivamente.
Na i-esima regra, a variavel x
{1,2,...,n} pertence ao conjunto
i
fuzzy F{
encia
x1 ,...,
xn } com um grau de pertin
i
F{x ,...,x } definido por uma func
ao de pertinenn
1
cia i{x1 ,...,xn } : [0, 1], com iF{x ,...,x }
n
1
{iF1|{x ,...,x } , iF2|{x ,...,x } , . . . , iFp|{x ...,
}, onde
n }
n
n
1
1
1 ,x
p{x1 ,...,xn } e o n
umero de partic
oes do universo
de discurso associado a vari
avel lingustica x
1 , . . . ,
x
n .
A sada do modelo din
amico fuzzy TakagiSugeno (TS), dada por
y(
x, ) =
i (
x)fi (
x),
(2)
i=1
e uma combinac
ao convexa das express
oes dinamicas funcionais fi (
x).
2.1
Defini
c
ao de Resposta em Frequency
Fuzzy
Definic
ao de Combinac
ao Convexa
A combinacao convexa e definida como uma combinacao linear de pontos (que podem ser vetores,
escalares, ou mais genericamente pontos em um
espaco afim) onde todos os coeficientes sao naonegativos e a soma resulta em 1. Todas as possveis combinac
oes convexas estar
a no interior da
casca convexa dos pontos dados. De fato, a
colecao de todas as combinacoes convexas de pontos no conjunto constitui a casca convexa. Mais
formalmente, dado um n
umero finito de pontos
f 1 , f 2 , . . . , f l em um espaco vetorial real, uma
combinacao convexa desses pontos e um ponto da
forma
1f 1 + 2f 2 + . . . + lf l
(3)
onde o n
umero real i satisfaz i 0 and 1 +
2
+ . . . + l = 1. No modelo din
amico fuzzy TS,
o grau de ativac
ao hi (
x), para a regra i, e dada
por
i
h (
x) =
iF{x }
1
iF{x }
2
...
iF{xn }
(4)
hi (
x)
.
l
r
h (
x)
(5)
Esta normalizac
ao implica em
i
(
x) = 1.
k=1
ISBN: 978-85-8001-069-5
(6)
]
i W i (z) E(z).
(7)
i=1
(ejT ) =
Considere W
i W i (ejT ) como
i=1
um n
umero complexo para um dado , tem-se
(ejT ) =
W
l
[ l
]
i
i jT
i
i jT
W (e
)
arctan
W (e
) (8)
i=1
i=1
r=1
Estima
c
ao da Resposta em Frequ
encia
Fuzzy a partir de Dados Experimentais
118
U, V, ) =
J(Z,
c
N
(ik )
zk vi 2A
(9)
onde:
(10)
(11)
e um vetor de prot
otipos de grupos (centros) a ser
determinado
2
DikA
= zk vi 2A = (zk vi )T A(zk vi ) (12)
ISBN: 978-85-8001-069-5
ik 1
(14)
i=1
1
c
(15)
2/(m1)
(DikA /DjkA )
1 i c,
N
vi =
(ik )
k=1
N
i k N,
mZk
, 1ic
(16)
(ik )
Problema de Estimac
ao dos Par
ametros dos
Sub-modelos do Consequente
e a matriz de partic
ao de Z
V = [v1 , v2 , . . . vc ] , vi n
j=1
4.2
i=1 k=1
U = [ik ] Mf c
k=1
k=1
ik =
c
N
J(Z, U, W ) =
2
DikA
i=1 k=1
Agrupamento Fuzzy
4.1.1
bi0 + bi1 z 1 + . . . + bi z
Y (z)
=
, (17)
U (z)
1 + ai1 z 1 + ai2 z 2 + . . . + ai z
onde: U (z) e Y (z) representam os sinais de entrada e sada do sub-modelo, respectivamente; z e
uma variavel complexa; ai and bi sao os parametros do sub-modelo; and sao as ordens do numerador e denominador de W i (z).
A partir da Eq. (17), tem-se:
[1 + ai1 z 1 + ai2 z 2 + . . . + ai z ]Y (z) =
[bi0 + bi1 z 1 + . . . + bi z ]U (z).
(18)
(19)
[
Y(k) =
i (k) bi0 u(k) + bi1 u(k 1) + . . . +
i=1
119
4.3
Func
ao de Resposta em Frequencia
Sada
U (k) =
Entrada
L1
2k
1 i
y ( )ej( L )
L =0
(24)
Tempo (seg)
Sada
Entrada
Entrada
Frequncia
Frequncia
Entrada
Sada
Entrada
Entrada
W i (z) =
Frequncia
Frequncia
Sada
Entrada
Fase da FRF
W i (z) =
Frequncia
Fun
c
ao de Resposta em Frequ
encia a
partir da Transformada Discreta de
Fourier dos Dados Experimentais de
Entrada/Sada
U(k) = U (k)
L1 L1
2k
1 i
y ( )uT ()ej( L )( )
2
L =0 =0
L1 L1
2k
1
u( )uT ()ej( L )( )
L2 =0 =0
1 L1
L1
i
T
j( 2k
)(
)
L
y ( )u ()e
L2
i
=0 =0
W (z) =
(27)
L1
1 L1
2k
T
j( L )( )
u( )u ()e
L2
=0 =0
e
W i (z) =
Imag
arctan
Real
(22)
(26)
(21)
onde L e o n
umero total de pontos amostrados.
Uma vez que a sequencia u( ) e real, a seguinte
equacao deve ser satisfeita:
ISBN: 978-85-8001-069-5
(25)
ou
Entrada
Frequncia
U(k) =
Y i (k)U (k)
U(k)U (k)
Entrada
Mdulo da FRF
4.3.1
(23)
Y i (k) =
Tempo (seg)
L1
2k
1 T
u ()ej( L )
L =0
L1 L1
2k
1 i
)(
)
T
j(
y ( )u ()e
L2
=0 =0
L1 L1
2k
1
u( )uT ()ej( L )( )
2
L =0 =0
L1
L1
)( )
i
T
j( 2k
1
y ( )u ()e
L2
=0 =0
L1 L1
2k
1
u( )uT ()ej( L )( )
2
L =0 =0
(28)
120
4.4.1
Entrada
Entrada
Resultados Experimentais
Sada
4.4
Tempo (seg)
Figura 4: Dados de Simulacao do processo de neutralizacao de pH. (a) Entrada u1 (k) - fluxo de
solucao acida (litros). (b) Entrada u2 (k) - fluxo
da solucao basica (litros). (c) Sada y(k) - pH da
solucao no tanque.
12
11
C2
10
Figura 3: Representac
ao em diagrama de blocos
do processo de neutralizac
ao de pH.
A partir do diagrama de blocos, a sada do
processo de neutralizac
ao de pH e
Y (z) = P1 (z)U1 (z) + P2 (z)U2 (z)
(29)
Y (z) =
cz 2
bz 2
U
(z)
+
U2 (z)
1
z 2 + a1 z + a2
z 2 + a1 z + a2
(30)
ISBN: 978-85-8001-069-5
6
C1
5
10
11
12
Sada
4.7230
4.7230
11.2267 11.2267
121
Mdulo (dB)
Sada
Processo neutralizao pH
Modelo Dinmico Fuzzy TS
Fase (rad)
Frequncia (Hz)
Frequncia (Hz)
Fase (rad)
Mdulo (dB)
Frequncia (Hz)
Frequncia (Hz)
Tempo (seg)
Figura 6: Validac
ao do modelo din
amico TS.
A Figura 7 mostra a validac
ao da metodologia atraves da curva de func
ao de resposta em frequencia do processo de neutralizac
ao de pH.
Considera
c
oes Finais
Agradecimentos
Os autores agradecem ao IFMA, UFCG e
FAPEMA pelo suporte financeiro desta pesquisa.
ISBN: 978-85-8001-069-5
122