Documenti di Didattica
Documenti di Professioni
Documenti di Cultura
1. INTRODUO
O controle do pndulo invertido se configura como um modelo para vrias aplicaes na engenharia,
como o equilbrio no lanamento de foguetes, o controle da postura ereta de seres bpedes, por exemplo.
Por conta desta sua representatividade e da sua simplicidade, o pndulo bastante usado como exemplo
quando se trabalha com desenvolvimento de sistemas de controle. J este de muita importncia, j que a
base para tomadas de decises em um sistema. O presente trabalho realiza o desenvolvimento de um
controle baseado em lgica fuzzy com o sistema de inferncia TSK.
2. METODOLOGIA
2.1.
Para o equacionamento do pndulo invertido, tem se a massa m do pndulo, massa M do carro, tamanho
l para o centro de massa do pndulo, I para o momento de inercia do pndulo. Usando as coordenadas do
centro de massa do pndulo:
= + sin
(1)
= cos
(2)
Aplicando a 2 Lei de Newton na direo horizontal (no existe movimento na direo vertical):
+
(3)
cos
cos
!"#
$ #%&
'
sin =
sin =
(4)
(5)
(6)
A equao (6) resulta na acelerao linear do carro. Aplicando a lei de Euler no ponto de contato entre o
carro e o pndulo:
cos
sin
( sin
(7)
( cos
(8)
( cos
(9)
#%&
,-./0$ 123 0
5
4-.
./ 891 0$
!"# +
6/
7
4-.
( 10 )
A equao (10) calcula a acelerao angular do pndulo. Para resolv-la, pode-se usar algum mtodo de
integrao.
2.2.
Controle fuzzy
A lgica fuzzy, diferente da lgica booleana que trata de um elemento pertencer ou no a um conjunto,
determina um grau de pertinncia que um elemento tem quele conjunto. O grau de pertinncia diz o quanto
o elemento vem de encontro com o predicado estudado.
Um exemplo mais didtico o conjunto de altura de indivduos. Num primeiro momento, as pessoas
podem ser divididas pela sua altura em baixas, mdias e altas. Se uma pessoa tem 1,90 de altura ela com
certeza considerada alta e em nenhum momento pode se referir a ela como baixa ou mdia. J uma pessoa
com 1,70 de altura j pode ser dita tanto alta como de estatura mdia. Quem vai determinar a maior
predominncia do predicado (alta, mdia ou baixa) para o elemento o grau de pertinncia.
Grau de pertinncia no pode ser confundido como probabilidade de um elemento estar ou no a um
determinado conjunto. Ele esta relacionado com a possibilidade de encontrar o elemento em um
determinado conjunto.
Em um controlador fuzzy, encontram-se vrias etapas: a fuzzificao das entradas reais e a imposio de
regras de inferncias s entradas fuzzificadas.
Na fuzzificao, entradas reais so agrupadas aos seus graus de pertinncias aos predicados. As regras
de inferncia so compostas por regras SE-ENTO. Diferente da lgica booleana, estas regras na lgica
fuzzy vem para criar uma relao entre as entradas. Essas relaes so ditadas pelas chamadas T-normas,
onde a mais conhecida e trivial a funo mnimo, que calcula o mnimo entre os graus de pertinncias das
entradas.
Dependendo do sistema de controle adotado, inmeras regras podem ser criadas. Ento tem-se a
agregao dos resultados das regras. A sada pode ser um valor real ou um valor fuzzy. Se for o ltimo,
ocorre a etapa de desfuzzyficao.
Para a sada com valor real, usa-se o sistema de inferncia conhecido como TSK (proposto por Takagi,
Sugeno e Kang). Uma tpica regra TSK tem a seguinte forma:
se
Ae
B ento : = ; ,
Segundo Jang et al. (1997) [4], o problema para determinar um modelo matemtico para um sistema
desconhecido pela observao das entradas e sadas deste sistema geralmente referido como identificao
de sistema. No geral, a maioria dos sistemas de engenharia e processos industriais j possui um modelo a
ser seguido, restando apenas o problema de identificar os parmetros usados no modelo.
Vrios mtodos so usados para a identificao de parmetros, assim como sua otimizao. Um deles
o mtodo dos mnimos quadrados, que uma poderosa e bem desenvolvida ferramenta matemtica. Ele
usado tanto para modelos lineares como para no lineares.
seguinte forma:
= ;
=,
,,
+ @
=,
,,
pode ser da
( 11 )
onde @ representa o erro do modelo, erro de medio ou qualquer outra variao. ; um polinmio de
+ + A?
( 12 )
estimados pelo mtodo dos mnimos quadrados. Reescrevendo, ento, a equao (13) tem-se:
onde
DE
+A
F = HDI= @D = HDI=
= AB + A=
D=
+ + A?
D?
+ @D
( 13 )
os parmetros A de modo que a soma dos quadrados dos erros, @, seja minimizada. A funo dos mnimos
quadrados :
AJ ?EI= AE
DE
( 14 )
A equao (16) tem que ser minimizada com respeito aos parmetros, produzindo K + 1 equaes
normais de mnimos quadrados para cada coeficiente de regresso desconhecido. Tendo cada termo em sua
notao matricial:
M = N
1
1
Q = R
==
H=
AJ
A
A = R =S
A?
@J
@
@ = N =P
@?
( 15 )
=?
?
S
H?
H
=
( 16 )
( 17 )
( 18 )
F = M QA M QA
( 19 )
Para minimizar, faz-se a derivao da equao (21) em relao aos parmetros e iguala a zero. Assim:
UV
UW
= 2Q Y M + 2Q Y QAZ = 0
AZ = QQ
QM
M\ = QAZ
( 20 )
( 21 )
( 22 )
Entretanto, na prtica, tem-se sempre a aquisio de novos dados. Assim, tendo um novo par de entradas
;
^
, este seria ento o K + 1 -simo par. Ento, ao invs de calcular A
? = com todos os K + 1 dados,
_? anteriormente calculado na equao (23). A esse mtodo, despera-se encontrar uma maneira de usar o A
se o nome de identificao com mnimos quadrados recursivos. Com essa ideia, a equao (23) pode ser
reescrita como:
Q Y Q
^
A
? = = +` a ` a5
Q Y M
` a b c
f?
As duas matrizes se relacionam por:
Usando f? e f?
Para colocar A?
=:
f?
f? = Q Y Q
Q Y Q
= +` Y a ` Y a5
= ghQ
= QYQ +
A?
definidas por:
i ` Q aj
f? = = f? ==
k
( 23 )
( 24 )
( 25 )
( 26 )
( 27 )
( 28 )
A? = f? QM
= f? = Q Y M + lM
( 29 )
A?
= A? + f?
( 30 )
M A?
( 31 )
O novo estimador baseado no velho estimador e em um termo de correo baseado nos novos dados;
este termo de correo baseado em um vetor de ganho de adaptao multiplicado por um erro preditor
produzido pelo velho estimador.
m ooYmn
no
= f? = n oYm
( 32 )
Finalmente tomos as equaes para calcular um novo estimador baseado no estimador passado, no
querendo uma carga de clculos muito grande. Assim:
p
A?
f?
m ooYmn
no
= f? = n oYm
= A? + f?
M A?
3. SISTEMA DE INFERNCIA
Como valores de entradas, foram usados:
( 33 )
M = 1.5 kg
m = 0.5 kg
b = 0 Ns/m
l = 0.8 m
I = 0.4267 kgm
g = 9.81 m/s
Como entradas do sistema de controle foram usados o ngulo que o pndulo faz com o eixo na vertical e
sua velocidade angular, dada pela derivao da Eq. (11) em reao frequncia (s). Como sada, tem-se a
fora.
A Fig. 4 mostra esquematicamente o controle usado nas simulaes.
Os dois sistemas de inferncias basearam-se pelo mesmo conjunto de regras. Os predicados usados para
o ngulo e velocidade angular foram: muito negativo, pouco negativo, zero, pouco positivo e muito
positivo. Os grficos com as funes de pertinncias so mostrados nas Fig. 5 e Fig. 6.
1
Muito Negativo
Pouco Negativo
Zero
Pouco Negativo
Muito Positivo
0.9
0.8
funo de pertinencia
0.7
0.6
0.5
0.4
0.3
0.2
0.1
0
-4
-3
-2
-1
0
teta (rad)
1
Muito Negativo
Pouco Negativo
Zero
Pouco Negativo
Muito Positivo
0.9
0.8
funo de pertinencia
0.7
0.6
0.5
0.4
0.3
0.2
0.1
0
-2
-1.5
-1
-0.5
0
velocidade angular (rad/s)
0.5
1.5
As regras usadas so mostradas na Tabela 1. Nela mostrado como o teta e sua velocidade angular
podem variar, como dito anteriormente: muito negativo (MN), pouco negativo (PN), zero (Z), pouco
positivo (PP) e muito positivo (MP). A forma como eles se relacionam definem a grandeza da fora. Por
exemplo: se o teta negativo e sua velocidade tambm, a fora tem que ser positiva. Se o teta for negativo e
a velocidade positiva, a fora continua tendo que ser positiva, s que com uma intensidade menor.
TETA
MN
PN
Z
PP
MP
MN
MP
MP
MP
PP
Z
VELOCIDADE ANGULAR
PN
Z
PP
MP
MP
PP
MP
PP
Z
PP
Z
PN
Z
PN
MN
PN
MN
MN
MP
Z
PN
MN
MN
MN
Para o sistema TKS, as funes das regras foram otimizadas com o mtodo dos mnimos quadrados
recursivos. Para que este seja treinado, teta e fora so inicializados com valores j conhecidos. Os valores
de teta so: qrs2 , rs3 , rs4 , rs8 , 0, rs8 , rs4 , rs3 , rs2w. Para a fora, tem-se um vetor base,
h30, 20, 0, 20, 30i. Calculam-se os graus de pertinncia para cada ngulo em cada predicado, aqueles
que forem diferentes de zero so multiplicados pela fora correspondente no vetor base de fora e somados,
sendo alocados no espao da fora correspondente quele ngulo.
A matriz de projeto produzida sendo cada linha correspondente a um ngulo e cada coluna
correspondente a um predicado. Assim, multiplica-se o ngulo pelo grau de pertinncia daquele predicado.
E por fim, resolvem-se as equaes (26), (23) e (35), nesta ordem.
4. RESULTADOS
Sem os mnimos quadrados, os grficos de teta, mega e fora em funo do tempo so apresentados nas
Fig. 7, 8 e 9.
teta
omega
Fora
teta
omega
Fora
Com isto, observa-se que sem mtodo dos mnimos quadrados o ngulo do pndulo se estabiliza apenas
depois de dez segundos, enquanto que com a utilizao do mtodo dos mnimos quadrados, em menos de
cinco segundos ocorre a sua estabilizao. Isso mostra que a equao que rege a fora foi otimizada
satisfatoriamente.
5. CONCLUSO
O presente trabalho construiu um modelo de controle fuzzy simples para o pndulo invertido. O sistema
de inferncia usado foi o TSK. O TSK tem como sada um nmero real. As funes de sada para o TSK
foram otimizadas com o auxlio do mtodo dos mnimos quadrados recursivos. Observou-se uma
diminuio do tempo de estabilizao do ngulo, confirmando a otimizao.
Uma observao pode ser feita em relao dimenso do grau de estabilizao do ngulo, que no foi o
zero com a horizontal, mas prximo. Um exemplo prtico disso se mostra no diciclo, meio de transporte de
duas rodas lado a lado. Nele, o corpo do piloto no fica estabilizado na vertical.
REFERNCIAS
[1]
[2]
COSTA, A. P. da, LIRA, V. V., SILVA, S. A. da. Simulaes de Pndulo Simples e Invertido. VII
CONNEPI (2012)
[3]
FARZANEH, Y., TOOTOONCHI, A. A. A novel data reduction method for Takagi_-Sugeno fuzzy
system design based on statistical design of experiment. Elsevier, Applied Soft Computing (2009)
[4]
JANG, J.-S.R., SUN, C.-T., MIZUTANI, E. Neuro-fuzzy and soft computing: a computational
approach to learning and machine intelligence. USA: Prentice-Hall (1997)
[5]
JI, C. W., LEI, F., KIN, L. K. Fuzzy logic controller for an inverted pendulum system. IEEE,
International Conference on INtelligente Processing Systems (1997)
[6]
SILVA, E. A. da. Construo, Modelagem e Controle de um Pndulo Invertido com CLP e Sofware
SCADA. Dissertao de Mestrado, Universidade Estadual Paulista (2013)