Anais do XIX Congresso Brasileiro de Automtica, CBA 2012.

DA RESPOSTA EM FREQUENCIA

METODOLOGIA FUZZY PARA ESTIMAC

AO
A
PARTIR DE DADOS EXPERIMENTAIS: UM ESTUDO DE CASO PARA O
DE PH
PROCESSO DE NEUTRALIZAC
AO
Carlos Cesar Teixeira Ferreira, Ginalber Luiz de Oliveira Serra

Instituto Federal de Educac

ao, Ciencia e Tecnologia do Maranh
ao (IFMA)
Avenida Get
ulio Vargas, 04, Monte Castelo, Cep: 65025-001
S
ao Lus-MA, Brazil
Emails: ccteixeira@ifma.edu.br, ginalber@ifma.edu.br

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

A regulacao e o controle de um processo de pH e

um problema tpico encontrado numa variedade
de ind
ustrias incluindo tratamento de resduos
na agua, farmaceutica, biotecnologia e processo
qumico. A ideia b
asica e controlar a variacao
de pH em algum fluxo de lquido, geralmente

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

artigo e apresentar uma nova metodologia para a

estimacao da resposta em frequencia para o processo de neutralizacao de pH, a partir de dados experimentais, de maneira que essa estimacao possa
representar as nao-linearidades intrnsecas desse
tipo de processo. Dessa forma, pretende-se apresentar uma ferramenta adequada e eficiente para o
desenvolvimento de projetos de controladores robustos para esse tipo de sistemas.
2

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

Anais do XIX Congresso Brasileiro de Automtica, CBA 2012.

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

De acordo com a definicao de Combinacao

Convexa, as Eq. (4)-(6) demonstram que a sada
do modelo fuzzy TS e uma Combinacao Convexa
das expressoes dinamicas funcionais f i (
x) como
exigido na Eq. (2). Em outras palavras, pode ser
observado que o sistema dinamico fuzzy TS, que
representa qualquer modelo dinamico nao-linear,
pode ser considerado como uma classe de sistemas
onde i (
x) denota uma decomposicao de variaveis
lingusticas [
x1 , . . . , x
n ]T n para uma regiao
geometrica politopica no espaco do consequente,
baseado nas expressoes funcionais f i (
x).
3

Defini
c
ao de Resposta em Frequency
Fuzzy

Nesta secao demonstra-se como um modelo

dinamico fuzzy TS responde a uma entrada
senoidal, o qual propusemos como a definicao de
resposta em frequencia fuzzy. A resposta de um
modelo dinamico fuzzy TS a uma entrada senoidal
de frequencia 1 , tanto em amplitude quanto em
fase, e dada por uma funcao de transferencia avaliada em z = ej1 T , como ilustrado na Figura 1.

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)

onde e qualquer Norma-T (Wang, 1986). O grau

de ativacao normalizado, e dado por:
i (
x) =

hi (
x)
.
l

r
h (
x)

(5)

Esta normalizac
ao implica em
i

(
x) = 1.

k=1

ISBN: 978-85-8001-069-5

Para este modelo dinamico fuzzy TS:

[
Y (z) =

(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

Como resultado da definicao de resposta em

frequencia fuzzy, e proposto o seguinte Teorema(Ferreira and Serra, 2011):
Theorem 1 A resposta em frequencia fuzzy e
uma regiao no domnio da frequencia, definida
pelos submodelos do consequente e baseada nas
regioes de operacao do espaco do antecedente.
4

r=1

Figura 1: Funcao de Transferencia TS.

Estima
c
ao da Resposta em Frequ
encia
Fuzzy a partir de Dados Experimentais

Na secao 3 a Resposta em Frequencia Fuzzy foi

definida e, atraves da proposta de um Teorema foi
demonstrado que tal Resposta, compreende uma

118

Anais do XIX Congresso Brasileiro de Automtica, CBA 2012.

regiao no domnio da frequencia a partir dos submodelos no espaco do consequente. Contudo, a

escolha e analise desses sub-modelos no domnio
da frequencia, de modo que a regi
ao ser
a capaz de
compreender a resposta em frequencia de um sistema nao-linear, nao e uma tarefa f
acil. Dessa
forma, nesta sec
ao um procedimento para estimacao da resposta em frequencia fuzzy baseado
em dados experimentais de sistemas n
ao-lineares
e proposto.
4.1

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)

e uma norma quadrada do produto interno da distancia, e

m [1, )
(13)
e um parametro que determina a nebulosidade
dos agrupamentos resultantes. O valor da funcao
custo na Eq. (9) e uma medida da vari
ancia total
de zk a partir de vi . A minimizac
ao do funcional
na Eq. (9) representa um problema de optimizacao nao-linear, que pode ser resolvido utilizando
uma variedade de metodos incluindo, minimizacao
iterativa, algoritmos geneticos, dentre outros. O
metodo mais popular e um simples iterac
ao Picard
atraves das condic
oes de primeira ordem para os
pontos estacion
arios da Eq. (9), conhecido como
algoritmo fuzzy c-Means (FCM). Os pontos estacionarios da func
ao objetivo na Eq. (9) podem ser
encontrados ao lado da restric
ao de J, por meio
de multiplicadores de Lagrange:

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

Considere o caso mais geral para a funcao de

i (z), como sub-modelo no espaco
transferencia, W
do consequente de um sistema de inferencia fuzzy
TS dado por
i (z) =
W

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

O funcional fuzzy c-Means e formulado por:

(ik )

k=1

ik =

Agrupamento Fuzzy C-Means

c
N

e pela definicao de gradiente de J em relacao a U ,

2
V e para zero. Pode-se mostrar que se DikA
> 0,
nc
i, k e m > 1, entao (U, V ) Mf c
possam
minimizar Eq. (9) somente se

O agrupamento fuzzy e um metodo numerico para

classificacao de um conjunto de dados experimentais de acordo com semelhancas entre eles (Duda
and Hart, 1973; Jain and Dubes, 1988). Este
agrupamento definir
a o espaco do antecedente da
base de regras do modelo fuzzy TS e, posteriormente, um algoritmo de mnimos quadrados, sera
utilizado para estimac
ao dos par
ametros dos submodelos no espaco do consequente.

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)

Fazendo a transformada-z Inversa, resulta:

y(k)+ai1 y(k1)+ai2 y(k2)+. . .+ai y(k) =
bi0 u(k) + bi1 u(k 1) + . . . + bi u(k ).

(19)

O modelo dinamico fuzzy TS e dado por

l

[
Y(k) =
i (k) bi0 u(k) + bi1 u(k 1) + . . . +
i=1

+bi u(k ) ai1 y(k 1) ai2 y(k 2)

]
. . . ai y(k ) .
(20)

119

Anais do XIX Congresso Brasileiro de Automtica, CBA 2012.

4.3

Func
ao de Resposta em Frequencia

Nesta secao alguns conceitos sobre func

ao de resposta em frequencia s
ao apresentados. O objetivo
e determinar a func
ao de resposta em frequencia a
partir de dados experimentais. A Figura 2 mostra
o procedimento para a obtenc
ao da func
ao de resposta de frequencia para cada sub-modelo linear,
W i (z), no espaco consequente do sistema de inferencia fuzzy TS.
Entrada

Sada

Discreta de Fourier (DFT) do sinal de entrada

amostrado u( ) e dado por

U (k) =

Entrada

L1
2k
1 i
y ( )ej( L )
L =0

(24)

Tempo (seg)

Sada

Entrada

A partir da Transformada Discreta de Fourier

de Entrada/Sada, a funcao de resposta em frequencia pode ser calculada por

Entrada

Frequncia

Frequncia
Entrada

Sada

Entrada

Entrada

W i (z) =
Frequncia

Frequncia

Sada
Entrada

Fase da FRF

W i (z) =

Frequncia

Figura 2: Procedimento para obtenc

ao da Funcao
de Resposta em Frequencia (FRFs).

Fun
c
ao de Resposta em Frequ
encia a
partir da Transformada Discreta de
Fourier dos Dados Experimentais de
Entrada/Sada

A funcao de resposta de frequencia para cada

modelo de sub-linear, W i (z), em diferentes frequencias, pode ser determinada a partir dos sinais
amostrados de entrada u(k) e de sada y i (k) e do
calculo da decomposic
ao de suas series de Fourier.
A Transformada Discreta de Fourier (DFT)
do sinal amostrado de entrada u( ), ( =
0, 2, . . . , L 1) e dada por:
L1
2k
1
u( )ej( L )
L =0

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)

onde *significa complexo conjugado. Dessa

forma, o complexo conjugado da Transformada

(26)

A partir da Eq. (26) a Funcao de Resposta

em Frequencia, em termos de seu modulo e fase,
e dada por

(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)

A Transformada Discreta de Fourier (DFT)

do sinal amostrado de sada amostrado y i ( ), e
dada por

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

Anais do XIX Congresso Brasileiro de Automtica, CBA 2012.

4.4.1

Entrada

Nesta seccao um processo de neutralizacao

de pH e utilizado para validar experimentalmente a metodologia proposta. Os dados experimentais para esta simulac
ao foram obtidos da DaISy: Database for the Identification
of Systems, Department of Electrical Engineering, ESAT/SISTA, K.U.Leuven, Belgium, URL:
http://www.esat.kuleuven.ac.be/sista/daisy/

Entrada

Resultados Experimentais

Base de Dados para a Estima

c
ao da
Resposta em Frequ
encia Fuzzy:

Volume do Tanque: 1100 litros;

Concentracao soluc
ao acida (HAC): 0.0032 Mol/l;
Concentracao soluc
ao b
asica: (NaOH) 0,05 Mol/l;
Intervalo de amostragem: 10 sec;
Numero de pontos: 2001.
Entradas:
u1 (k): Soluc
ao acida em litros
u2 (k): Soluc
ao Basica em litros
Sada:
y(k): pH da soluc
ao no tanque.
A Figura 3 mostra uma representac
ao em diagrama de blocos do processo de neutralizacao de
pH num tanque de agitac
ao.

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)

Considerando, sem perda de generalidade, a

representacao de cada sub-modelo, P1 (z) e P2 (z),
como funcao de transferencia de segunda ordem,
tem-se

Y (z) =

cz 2
bz 2
U
(z)
+
U2 (z)
1
z 2 + a1 z + a2
z 2 + a1 z + a2
(30)

Fazendo a Transformada-z Inversa, obtem-se

a equacao diferencial da sada
y(k) = bu1 (k) + cu2 (k) a1 y(k 1) a2 y(k 2)
(31)
O conjunto de dados de entrada e sada sao
mostrados na Figura 4 (a) e (b).
Um algoritmo fuzzy c-Means (FCM) foi utilizado para organizar os dados de sada em dois

ISBN: 978-85-8001-069-5

6
C1
5

10

11

12

Figura 5: Desempenho do algoritmo de agrupamento FCM.

grupos baseado na similaridade entre eles, como

mostrado na Figura 5.
A partir do agrupamento fuzzy FCM obtemse os centros, como mostrado na Tabela 1.

Tabela 1: Centros do Agrupamento FCM.

Centro
C1
C2

Sada
4.7230
4.7230
11.2267 11.2267

Dessa forma, a base de regras do modelo

dinamico fuzzy TS e dada por:

121

Mdulo (dB)

R(2) : IF y(k) is F2 THEN

y 2 (k) = 0.0791u2 (k) + 0.1273u2 (k) +
+1.1310y(k 1) 0.2096y(k 2)

Sada

Processo neutralizao pH
Modelo Dinmico Fuzzy TS

Fase (rad)

A Figura 6 apresenta uma comparacao entre o processo de neutralizacao de pH e o modelo

dinamico fuzzy TS, onde comprova-se a eficiencia
do modelo fuzzy TS em representar a din
amica do
processo de neutralizac
ao de pH.

Frequncia (Hz)

Frequncia (Hz)

Fase (rad)

R(1) : IF y(k) is F1 THEN

y (k) = 0.0495u1 (k) + 0.6335u2 (k) +
+1.3451y(k 1) 0.2601y(k 2)
1

Mdulo (dB)

Anais do XIX Congresso Brasileiro de Automtica, CBA 2012.

Frequncia (Hz)

Frequncia (Hz)

Figura 7: Estimacao da Resposta em Frequencia Fuzzy (ERFF). Em preto, tem-se a regiao

da resposta em frequencia fuzzy definida pela
metodologia proposta. Em vermelho, tem-se a
funcao de resposta em frequencia do processo
de neutralizacao de pH. (a) e (b) representam a
ERFF a partir de u1 (k) para y(k). (c) e (d) representam a ERFF a partir de u2 (k) para y(k).
Refer
encias
Duda, R. O. and Hart, P. E. (1973). Pattern Classification and Scene Analysis, John Wiley &
Sons.

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

A Metodologia Fuzzy para Estimac

ao da Resposta
em Frequencia a partir de Dados Experimentais:
um estudo de caso para o Processo de Neutralizacao de pH e proposta neste artigo. Mostrou-se
que a resposta em frequencia fuzzy a partir de
dados experimentais e uma regi
ao no domnio da
frequencia, definida pelos sub-modelos W i (z), a
partir de regi
oes de operac
ao do sistema dinamico,
conforme proposto pelo Teorema 1. Esta formulacao e muito eficiente e pode ser utilizada na
analise de estabilidade robusta e projeto de controle para sistemas nao-lineares.

Agradecimentos
Os autores agradecem ao IFMA, UFCG e
FAPEMA pelo suporte financeiro desta pesquisa.

ISBN: 978-85-8001-069-5

Ferreira, C. C. T. and Serra, G. L. O. (2011).

Fuzzy frequency response: Proposal and
application for uncertain dynamic systems,
IFAC International Journal on Engineering Applications of Artificial Intelligence
24: 11861194.
Hall, R. and Seberg, D. (1989). Modeling and selftuning control of a multivariable ph neutralization process, Proc. ACC, pp. 18221827.
Jain, A. K. and Dubes, R. C. (1988). Algorithms
for Clustering Data, Prentice Hall.
Karr, C. and Gentry, E. (1993). Fuzzy control
of ph using genetic algorithms, IEEE Trans.
Fuzzy Syst. 1: 4653.
Pajunen, G. (1987). Comparison of linear and
nonlinear adaptive control of a ph-process,
IEEE Control Syst. Mag. pp. 3934.
Shinskey, F. (1973). pH and pION Control in Process and Waste Streams, Wiley.
Takagi, T. and Sugeno, M. (1985). Fuzzy identification of systems and its applications to modeling and control, IEEE Trans. Syst. Man.
Cyber, pp. 116132.
Wang, L.-X. (1986). A Course in Fuzzy: Systems
and Control, Addison-Wesley.

122