7 . resultados experimentais - dbd.puc-rio.br · a estrutura do sistema neuro-fuzzy, as tabelas de...
TRANSCRIPT
7 . Resultados Experimentais
7.1.Sistema Experimental
Os modelos de controle propostos nesta dissertação foram testados em uma
máquina INSTRON modelo 8501 utilizada para ensaios de fadiga, do Laboratório
de Fadiga da PUC-Rio. Ela é constituída de uma bomba hidráulica que fornece
uma pressão de 190 bar, um atuador hidráulico cilindro-pistão com capacidade de
100 kN, e é comandada por uma servo-válvula MOOG modelo D562, que tem
como entrada de controle um sinal de corrente de -40mA a 40mA. Além disso, a
máquina dispõe de três sensores: um LVDT, que mede o deslocamento do atuador
na faixa de [-60 mm, +60 mm], clip gages que medem a deformação do corpo de
prova, e uma célula de carga de capacidade de 100 kN. Ela possui um controlador
que chega a atingir frequências da ordem de 50 Hz para um corpo de prova de aço
para um carregamento de amplitude 25 kN [4].
Figura 7.1. Máquina de Ensaios INSTRON 8501.
120
Para a implementação do controle por aprendizado no sistema experimental,
é preciso utilizar um módulo computacional capaz de executar controle em tempo
real. Isto é possível utilizando, e.g, o modulo CompactRIO da National
Instrument, que juntamente com seus módulos de entrada/saída analógica, e
módulos de excitação de extensômetros, pode atingir frequências de controle da
ordem de kHz. Na Figura 7.2 é apresentado o esquema de conexões do sistema
experimental como o controle por aprendizado proposto.
Figura 7.2. Conexões para o sistema de controle por aprendizado.
Conversor
Tensão elétrica - Corrente
Máquina de Ensaios
de Fadiga
NI 9263
cRIO 9004
NI 9237
Servo-vâlvula
Pistão Hidráulico
Célula de Carga
Clip gage
LVDT
Corpo de prova
121
7.2. Modulo de Controle CompactRIO
O CompactRIO da National Instruments é um controlador programável de
automação, que tem um sistema de controle reconfigurável e aquisição de dados
projetado para aplicações que requerem alto desempenho e resposta em tempo real
com alta confiabilidade. Ele combina um processador em tempo real integrado a
um chip FPGA de alto desempenho e robustez, com módulos de entrada/saída
intercambiáveis. O FPGA é conectado ao processador em tempo real via um bus
PCI de alta velocidade, e cada módulo de entrada/saída é conectado diretamente
ao FPGA. O CompactRIO usado no sistema de controle é o cRIO 9004,
apresentado na Fig. 7.3.
Figura 7.3. Controlador cRIO-9004.
O cRIO-9004 tem incorporado um processador industrial classe Pentium de
195 MHz para executar aplicações determinísticas em tempo real desenvolvidas
no software LabVIEW Real Time. O cRIO tem uma memória de 64 MB em
DRAM e 512 MB de armazenamento CompactFlash não volátil, além de uma
porta Ethernet para a programação pela rede. O LabVIEW Real Time tem funções
internas para transferir dados entre o FPGA e o processador em tempo real dentro
do sistema do CompactRIO.
O FPGA (Field Programmable Gate Arrays) é um chip de silício
reprogramável, que utiliza blocos de lógica pre-construídos com entradas lógicas
que não estão conectadas inicialmente, e que depois são configuradas e re-
configuradas entre si para as diferentes aplicações que estejam sendo
implementandas (vide Figura 7.4). Aplicações com algoritmos onde se precisa
resposta em tempo real, sincronização, precisão, e execução de tarefas simultâneas
122
de forma paralela, são desenvolvidas no FPGA. O paralelismo é conseguido
devido ao fato que o módulo LabVIEW FPGA executa sua lógica no hardware,
tendo o programa a vantagem de processar as tarefas tais como aplicações de
controle, leitura e gravação de saídas analógicas e/ou digitais, em tempo real e de
forma determinística.
Figura 7.4. Componentes do Chip FPGA.
Para o controle da máquina servo-hidráulica, trabalhou-se com módulos de
entradas e saídas analógicas e com um módulo de excitação de extensômetros.
O módulo NI cRIO 9263 apresentado na Figura 7.5 (a) é o modulo de saídas
analógicas usado para gerar tensões elétricas entre -10 V e +10 V. Essas saídas
analógicas são convertidas em saídas de corrente de -40 mA a +40 mA através de
um conversor de tensão elétrica para corrente, o qual foi desenvolvido por Alva
[5].
O NI cRIO 9237 apresentado na Figura 7.5 (b) é o módulo de excitador de
extensômetros utilizado para excitar e medir o valor da força aplicada ao corpo de
prova através da célula de carga, e também pode medir as deformações do corpo
de prova através de um clip gage.
123
(a) (b)
Figura 7.5. (a) NI cRIO 9263 e (b) NI cRIO 9237.
7.3. Software desenvolvido em LabVIEW
Os modelos de controle por aprendizado da máquina servo-hidráulica para
ensaios de fadiga foram desenvolvidos utilizando o software LabView. Este
software utiliza três ambientes de programação: um computador conectado ao
cRio, o Real Time do cRio e o FPGA do cRio. A parte do controle bang-bang,
incluindo as leituras dos dados das entradas analógicas, e do excitador de train
gage, foi feito no FPGA, para ter a certeza de uma resposta em tempo real, tendo
como referência experimental que o FPGA pode trabalhar com frequências de até
55 kHz para dados analógicos, e para dados digitais frequências de até alguns
MHz. A estrutura do sistema Neuro-Fuzzy, as tabelas de aprendizado
(aprendizado acelerado) e os algoritmos de aprendizado, são feitos no Real Time.
Finalmente, as configurações e apresentação de resultados são feitas no
computador.
Figura 7.6. Tela de controle por aprendizado Neuro-Fuzzy.
Pesos do sistema
Neuro-Fuzzy Pico e vale
atingido Erro de
pico e vale
kN, todos eles para uma corrente de
servo
frequência do controlador
frequências muito altas, associadas ao
de fadiga utilizando o controle por aprendizado Neuro
carregamento constante de 20 kN com carga média zero, em um corpo de prova
Nε feito de aço de 12 mm de diâmetro.
Figura 7.7. Resposta da má
constante com contr
ao CompactRio, devido que a implementação desta funcionalidade atrapalha a
frequência de cont
overshoot
provavelmente causado pela precisão na medida da força e as limitações de
frequência do C
7.4.Resultados Experimentais
Os ensaios são feitos para carregamentos de amplitudes entre 10 kN e 60
kN, todos eles para uma corrente de
servo-válvula é capaz de trabalhar até
frequência do controlador
frequências muito altas, associadas ao
de fadiga utilizando o controle por aprendizado Neuro
carregamento constante de 20 kN com carga média zero, em um corpo de prova
N feito de aço de 12 mm de diâmetro.
Figura 7.7. Resposta da má
constante com contr
O armazenamento das leituras dos sensores precisou ser feita externamente
ao CompactRio, devido que a implementação desta funcionalidade atrapalha a
frequência de cont
overshoot Maximo de 1% após o termino do aprendizado. Este
provavelmente causado pela precisão na medida da força e as limitações de
frequência do C
Resultados Experimentais
Os ensaios são feitos para carregamentos de amplitudes entre 10 kN e 60
kN, todos eles para uma corrente de
válvula é capaz de trabalhar até
frequência do controlador
frequências muito altas, associadas ao
de fadiga utilizando o controle por aprendizado Neuro
carregamento constante de 20 kN com carga média zero, em um corpo de prova
feito de aço de 12 mm de diâmetro.
Figura 7.7. Resposta da máquina servo
constante com controle por aprendizado Neuro
O armazenamento das leituras dos sensores precisou ser feita externamente
ao CompactRio, devido que a implementação desta funcionalidade atrapalha a
frequência de controle do C
Maximo de 1% após o termino do aprendizado. Este
provavelmente causado pela precisão na medida da força e as limitações de
frequência do C-Rio.
Resultados Experimentais
Os ensaios são feitos para carregamentos de amplitudes entre 10 kN e 60
kN, todos eles para uma corrente de
válvula é capaz de trabalhar até
frequência do controlador CompactRio
frequências muito altas, associadas ao
de fadiga utilizando o controle por aprendizado Neuro
carregamento constante de 20 kN com carga média zero, em um corpo de prova
feito de aço de 12 mm de diâmetro.
quina servo-
ole por aprendizado Neuro
O armazenamento das leituras dos sensores precisou ser feita externamente
ao CompactRio, devido que a implementação desta funcionalidade atrapalha a
role do C-Rio. O sistema de medição externo registrou uma
Maximo de 1% após o termino do aprendizado. Este
provavelmente causado pela precisão na medida da força e as limitações de
Resultados Experimentais
Os ensaios são feitos para carregamentos de amplitudes entre 10 kN e 60
kN, todos eles para uma corrente de 20 mA± ou
válvula é capaz de trabalhar até 40 mA± , no e
CompactRio geram problemas de overshoot para
frequências muito altas, associadas ao 40 mA± . A Figura 7.7 apresenta um ensaio
de fadiga utilizando o controle por aprendizado Neuro
carregamento constante de 20 kN com carga média zero, em um corpo de prova
feito de aço de 12 mm de diâmetro.
-hidráulica a
ole por aprendizado Neuro-Fuzzy.
O armazenamento das leituras dos sensores precisou ser feita externamente
ao CompactRio, devido que a implementação desta funcionalidade atrapalha a
Rio. O sistema de medição externo registrou uma
Maximo de 1% após o termino do aprendizado. Este
provavelmente causado pela precisão na medida da força e as limitações de
Os ensaios são feitos para carregamentos de amplitudes entre 10 kN e 60
ou 30 mA±
, no entanto algumas limitações na
geram problemas de overshoot para
. A Figura 7.7 apresenta um ensaio
de fadiga utilizando o controle por aprendizado Neuro
carregamento constante de 20 kN com carga média zero, em um corpo de prova
um ensaio de fadiga sob amplitude
Fuzzy.
O armazenamento das leituras dos sensores precisou ser feita externamente
ao CompactRio, devido que a implementação desta funcionalidade atrapalha a
Rio. O sistema de medição externo registrou uma
Maximo de 1% após o termino do aprendizado. Este
provavelmente causado pela precisão na medida da força e as limitações de
Os ensaios são feitos para carregamentos de amplitudes entre 10 kN e 60
30 mA na servo-
ntanto algumas limitações na
geram problemas de overshoot para
. A Figura 7.7 apresenta um ensaio
de fadiga utilizando o controle por aprendizado Neuro-Fuzzy para um
carregamento constante de 20 kN com carga média zero, em um corpo de prova
um ensaio de fadiga sob amplitude
O armazenamento das leituras dos sensores precisou ser feita externamente
ao CompactRio, devido que a implementação desta funcionalidade atrapalha a
Rio. O sistema de medição externo registrou uma
Maximo de 1% após o termino do aprendizado. Este overshoot
provavelmente causado pela precisão na medida da força e as limitações de
124
Os ensaios são feitos para carregamentos de amplitudes entre 10 kN e 60
-válvula. A
ntanto algumas limitações na
geram problemas de overshoot para
. A Figura 7.7 apresenta um ensaio
zzy para um
carregamento constante de 20 kN com carga média zero, em um corpo de prova
um ensaio de fadiga sob amplitude
O armazenamento das leituras dos sensores precisou ser feita externamente
ao CompactRio, devido que a implementação desta funcionalidade atrapalha a
Rio. O sistema de medição externo registrou uma
overshoot é
provavelmente causado pela precisão na medida da força e as limitações de
Os ensaios são feitos para carregamentos de amplitudes entre 10 kN e 60
válvula. A
ntanto algumas limitações na
geram problemas de overshoot para
. A Figura 7.7 apresenta um ensaio
zzy para um
carregamento constante de 20 kN com carga média zero, em um corpo de prova
O armazenamento das leituras dos sensores precisou ser feita externamente
ao CompactRio, devido que a implementação desta funcionalidade atrapalha a
Rio. O sistema de medição externo registrou uma
é
provavelmente causado pela precisão na medida da força e as limitações de
ciclos, para o ensaio de fadiga apresentado na figura acima, na qual os erros nos
picos têm um aprendizado
7 ciclos.
Figura 7.8
Neuro
primeira relacionada com o controlador, o qual apresenta uma reduzida
capacidade de memória e
controle no módulo
trabalho.
corrente de
poderiam adquirir valores negativos. Isto significa que a reversão em um pico
precisaria ocorrer não apenas antes de atingir este pico (
mesmo de atingir ao vale anterior (i.e.
defasagem temporal entre o envio de sinal de atuação para a servo
movimentação efetiva. Este pequeno atraso passa a ser significativo em altas
frequências resultando em
Na Figura 7.9 se ilustram os pontos de reversão ótimo de subida e descida (circulo
Na figura 7.8 é apresentado o e
ciclos, para o ensaio de fadiga apresentado na figura acima, na qual os erros nos
picos têm um aprendizado
7 ciclos.
Figura 7.8 Convergência do erro em função do
Na versão atual do programa para os controles por aprendizado acelerado e
Neuro-Fuzzy implementados no CompactRIO, notou
primeira relacionada com o controlador, o qual apresenta uma reduzida
capacidade de memória e
controle no módulo
trabalho.
A outra limitação foi devido à hipótese que
corrente de 40 mA±
poderiam adquirir valores negativos. Isto significa que a reversão em um pico
precisaria ocorrer não apenas antes de atingir este pico (
mesmo de atingir ao vale anterior (i.e.
defasagem temporal entre o envio de sinal de atuação para a servo
movimentação efetiva. Este pequeno atraso passa a ser significativo em altas
frequências resultando em
Na Figura 7.9 se ilustram os pontos de reversão ótimo de subida e descida (circulo
Na figura 7.8 é apresentado o e
ciclos, para o ensaio de fadiga apresentado na figura acima, na qual os erros nos
picos têm um aprendizado
Convergência do erro em função do
Na versão atual do programa para os controles por aprendizado acelerado e
Fuzzy implementados no CompactRIO, notou
primeira relacionada com o controlador, o qual apresenta uma reduzida
capacidade de memória em seu módulo de
controle no módulo Real Time
A outra limitação foi devido à hipótese que
40 mA na servo
poderiam adquirir valores negativos. Isto significa que a reversão em um pico
precisaria ocorrer não apenas antes de atingir este pico (
mesmo de atingir ao vale anterior (i.e.
defasagem temporal entre o envio de sinal de atuação para a servo
movimentação efetiva. Este pequeno atraso passa a ser significativo em altas
frequências resultando em U
Na Figura 7.9 se ilustram os pontos de reversão ótimo de subida e descida (circulo
Na figura 7.8 é apresentado o e
ciclos, para o ensaio de fadiga apresentado na figura acima, na qual os erros nos
um pouco mais rápido que nos vales, convergindo após
Convergência do erro em função do
Na versão atual do programa para os controles por aprendizado acelerado e
Fuzzy implementados no CompactRIO, notou
primeira relacionada com o controlador, o qual apresenta uma reduzida
m seu módulo de
Real Time, o qual apresenta uma baixa frequência de
A outra limitação foi devido à hipótese que
na servo-válvula, observou
poderiam adquirir valores negativos. Isto significa que a reversão em um pico
precisaria ocorrer não apenas antes de atingir este pico (
mesmo de atingir ao vale anterior (i.e.
defasagem temporal entre o envio de sinal de atuação para a servo
movimentação efetiva. Este pequeno atraso passa a ser significativo em altas
0IJU < , o que não é previs
Na Figura 7.9 se ilustram os pontos de reversão ótimo de subida e descida (circulo
Na figura 7.8 é apresentado o erro normalizado em função do número de
ciclos, para o ensaio de fadiga apresentado na figura acima, na qual os erros nos
um pouco mais rápido que nos vales, convergindo após
Convergência do erro em função do numero de ciclos.
Na versão atual do programa para os controles por aprendizado acelerado e
Fuzzy implementados no CompactRIO, notou
primeira relacionada com o controlador, o qual apresenta uma reduzida
m seu módulo de FPGA
, o qual apresenta uma baixa frequência de
A outra limitação foi devido à hipótese que
válvula, observou-
poderiam adquirir valores negativos. Isto significa que a reversão em um pico
precisaria ocorrer não apenas antes de atingir este pico (
mesmo de atingir ao vale anterior (i.e. IJU <
defasagem temporal entre o envio de sinal de atuação para a servo
movimentação efetiva. Este pequeno atraso passa a ser significativo em altas
, o que não é previs
Na Figura 7.9 se ilustram os pontos de reversão ótimo de subida e descida (circulo
rro normalizado em função do número de
ciclos, para o ensaio de fadiga apresentado na figura acima, na qual os erros nos
um pouco mais rápido que nos vales, convergindo após
numero de ciclos.
Na versão atual do programa para os controles por aprendizado acelerado e
Fuzzy implementados no CompactRIO, notou-se duas limitações: a
primeira relacionada com o controlador, o qual apresenta uma reduzida
FPGA, obrigando desenvolver parte do
, o qual apresenta uma baixa frequência de
A outra limitação foi devido à hipótese que 0 1IJU< <
-se que os valores ótimos de
poderiam adquirir valores negativos. Isto significa que a reversão em um pico
precisaria ocorrer não apenas antes de atingir este pico (
0< ). Isto é devido à pequena
defasagem temporal entre o envio de sinal de atuação para a servo
movimentação efetiva. Este pequeno atraso passa a ser significativo em altas
, o que não é previsto nos modelos apresentado.
Na Figura 7.9 se ilustram os pontos de reversão ótimo de subida e descida (circulo
rro normalizado em função do número de
ciclos, para o ensaio de fadiga apresentado na figura acima, na qual os erros nos
um pouco mais rápido que nos vales, convergindo após
Na versão atual do programa para os controles por aprendizado acelerado e
se duas limitações: a
primeira relacionada com o controlador, o qual apresenta uma reduzida
, obrigando desenvolver parte do
, o qual apresenta uma baixa frequência de
0 1< < . Em testes usando
se que os valores ótimos de
poderiam adquirir valores negativos. Isto significa que a reversão em um pico
precisaria ocorrer não apenas antes de atingir este pico ( 1IJU < ), mas antes
). Isto é devido à pequena
defasagem temporal entre o envio de sinal de atuação para a servo-válvula e sua
movimentação efetiva. Este pequeno atraso passa a ser significativo em altas
to nos modelos apresentado.
Na Figura 7.9 se ilustram os pontos de reversão ótimo de subida e descida (circulo
125
rro normalizado em função do número de
ciclos, para o ensaio de fadiga apresentado na figura acima, na qual os erros nos
um pouco mais rápido que nos vales, convergindo após
Na versão atual do programa para os controles por aprendizado acelerado e
se duas limitações: a
primeira relacionada com o controlador, o qual apresenta uma reduzida
, obrigando desenvolver parte do
, o qual apresenta uma baixa frequência de
. Em testes usando
se que os valores ótimos de IJU
poderiam adquirir valores negativos. Isto significa que a reversão em um pico
), mas antes
). Isto é devido à pequena
válvula e sua
movimentação efetiva. Este pequeno atraso passa a ser significativo em altas
to nos modelos apresentado.
Na Figura 7.9 se ilustram os pontos de reversão ótimo de subida e descida (circulo
rro normalizado em função do número de
ciclos, para o ensaio de fadiga apresentado na figura acima, na qual os erros nos
um pouco mais rápido que nos vales, convergindo após
Na versão atual do programa para os controles por aprendizado acelerado e
se duas limitações: a
primeira relacionada com o controlador, o qual apresenta uma reduzida
, obrigando desenvolver parte do
, o qual apresenta uma baixa frequência de
. Em testes usando
poderiam adquirir valores negativos. Isto significa que a reversão em um pico
), mas antes
). Isto é devido à pequena
válvula e sua
movimentação efetiva. Este pequeno atraso passa a ser significativo em altas
to nos modelos apresentado.
Na Figura 7.9 se ilustram os pontos de reversão ótimo de subida e descida (circulo
126
de azul); à medida que a corrente é incrementada, o ponto de reversão do pico se
antecipa do ponto 6 para o ponto 5, podendo até chegar ao ponto 4 (circulo de cor
vermelho), associado a 0IJ
U < . De forma similar, o ponto de reversão de vale se
antecipa do ponto 3 até eventualmente chegar ao ponto 1 para correntes de
40 mA± .
Figura 7.9. Antecipação dos pontos de reversão à medida que a frequência é
aumentada.
Estes problemas limitaram a corrente de trabalho da servo-válvula a no
máximo 30 mA± para carregamentos maiores que 30 kN.
Mesmo com estas limitações, observou-se que o controle por aprendizado
Neuro-Fuzzy com corrente de 30 mA± (linha verde na Figura 7.10) para
carregamentos maiores a 30 kN tem um melhor desempenho que o controlador
INSTRON. Além disso, o controle por aprendizado Neuro-Fuzzy para uma
corrente de 20 mA± apresenta um melhor desempenho que o controlador
INSTRON para baixas amplitudes, e somente após permitir o “overdrive” do
controlador INSTRON , o qual utiliza correntes maiores que 40 mA± , é que os
resultados da INSTRON se mostraram melhores. Uma vez solucionadas as
limitações da frequência do CompactRIO, espera-se poder trabalhar com correntes
acima de 40 mA± , para obter resultados ainda melhores que os do controle
INSTRON com “overdrive”. Entretanto a linha de preto representa o limite
maximo da servo-válvula, a qual representa o maximo desempenho que a maquina
poderia atingir.
B
F(t
)
Tempo
C
Valor Desejado
5 4
3
2 1 PR_pico
PR_vale
6
A
Figura 7.10
INSTRON 8501.
100
Fre
qu
ênci
a (
Hz)
Figura 7.10. Comparação de desempenho usando diferentes controles na máquina
INSTRON 8501.
0
10
20
30
40
50
60
70
80
90
100
0
Comparação de desempenho usando diferentes controles na máquina
INSTRON 8501.
10 20
Desempenho da Máquina de
Comparação de desempenho usando diferentes controles na máquina
30
Força (kN)
Desempenho da Máquina de Ensaios de Fadiga
Comparação de desempenho usando diferentes controles na máquina
40 50
Força (kN)
Desempenho da Máquina de Ensaios de Fadiga
Comparação de desempenho usando diferentes controles na máquina
60
Desempenho da Máquina de Ensaios de Fadiga
Comparação de desempenho usando diferentes controles na máquina
Desempenho da Máquina de Ensaios de Fadiga
Controle INSTRON com
overdrive (corrente > 40mA)
Controle INSTRON sem
overdrive (corrente até 40mA)
Controle por aprendizado de Alva
( corrente = 30mA, Compact
RIO)
Controle por Aprendizado Neuro
Fuzzy (corrente = 20 mA)
Controle por Aprendizado Neuro
fuzzy ( corrente = 30 mA)
Limite da Servo
127
Comparação de desempenho usando diferentes controles na máquina
Controle INSTRON com
overdrive (corrente > 40mA)
Controle INSTRON sem
overdrive (corrente até 40mA)
Controle por aprendizado de Alva
( corrente = 30mA, Compact-
Controle por Aprendizado Neuro
Fuzzy (corrente = 20 mA)
Controle por Aprendizado Neuro
fuzzy ( corrente = 30 mA)
Limite da Servo-válvula
Comparação de desempenho usando diferentes controles na máquina
overdrive (corrente até 40mA)
Controle por aprendizado de Alva
Controle por Aprendizado Neuro-
Controle por Aprendizado Neuro-