estudo e implementaÇÃo da tÉcnica de inteligÊncia ... · velocidade do motor-mancal com...

i

ESTUDO E IMPLEMENTAÇÃO DA TÉCNICA DE

INTELIGÊNCIA ARTIFICIAL PARA O CONTROLE DE

VELOCIDADE DO MOTOR-MANCAL COM BOBINADO

DIVIDIDO UTILIZANDO O DSP TMS3208F28335

José Soares Batista Lopes

Orientador: Prof. Dr. Sc. Andrés Ortiz Salazar

Número de Ordem PPgEEC: D171 Natal – RN

Junho de 2016

UNIVERSIDADE FEDERAL DO RIO GRANDE DO NORTE CENTRO DE TECNOLOGIA

PROGRAMA DE PÓS-GRADUAÇÃO EM ENGENHARIA ELÉTRICA E DE COMPUTAÇÃO

Tese de Doutorado apresentada ao Programa de Pós-Graduação em Engenharia elétrica da UFRN (área de concentração: Automação e Sistemas) como parte integrante dos requisitos para obtenção do título de Doutor em Engenharia Elétrica e Engenharia de Computação.

ii

Catalogação da Publicação na Fonte

Universidade Federal do Rio Grande do Norte - Sistema de Bibliotecas Biblioteca Central Zila Mamede / Setor de Informação e Referência

Lopes, José Soares Batista. Estudo e implementação da técnica de inteligência artificial para o controle de

velocidade do motor-mancal com bobinado dividido utilizando o DSP TMS3208F28335 / José Soares Batista Lopes. - Natal, RN, 2016.

134 f. : il. Orientador: Prof. Dr. Andrés Ortiz Salazar. Tese (doutorado) - Universidade Federal do Rio Grande do Norte. Centro de

Tecnologia. Programa de Pós-Graduação em Engenharia Elétrica e de Computação.

1. Redes Neurais - Tese. 2. DSP TMS 3208F335 - Tese. 3. Motor-Mancal -

Tese. 4. ANFIS - Tese. 5. Controle em cascata - Tese. I. Salazar, Andrés Ortiz. II. Título.

RN/UF/BCZM CDU 621.3

Home

Typewriter

Iiiiii

Home

Rectangle

Dedico esta tese em memória do meu

querido pai, João Batista Lopes. Exemplo de homem que sempre esteve ao meu lado.

AGRADECIMENTOS

A Deus pоr tеr mе dado saúde е força pаrа superar аs dificuldades. Ao meu Orientador Prof. Andrés Ortiz Salazar pela paciência e ensinamentos. A minha esposa Ana Cristina pela paciência, apoio e amor nos momentos importantes para a conclusão desta tese. Aos meus lindos e queridos filhos, João Vinicius e Bárbara. A minha mãe pela fé, palavras e pensamentos positivos. A minha família e parentes que sempre me deram uma palavra de apoio nos momentos necessários. A Prof. Jefferson pela ajuda e conhecimento compartilhado nas circuitarias das placas eletrônicas. Aos Professores Luciano, Paulo Vitor, Adjair, Elvis, Valcir, José Álvaro e ao mestrando Webert pelo companheirismo e amizade. Aos meus colegas da sala 17 que caminharam junto, no calor e nas dificuldades impostas durante este percurso no laboratório. Ao Prof. Alexandre Cunha de Oliveira da UFCG pelos ensinamentos, paciência e o apoio nos conhecimentos do DSP. Aos colegas Sandro e ao Prof. Luiz Ricardo que ajudaram na usinagem e verificação do motor no IFRN de Parnamirim. A todos que contribuíram de forma direta ou indireta com uma palavra de apoio, o meu agradecimento.

i

SUMÁRIO

LISTA DE TABELAS

LISTA DE FIGURAS

LISTA DE SIMBOLOS E VARIÁVEIS

RESUMO

ABSTRACT

1 INTRODUÇÃO............................................................................................... 15

1.1 INTRODUÇÃO ................................................................................. 15

1.2 OBJETIVOS ..................................................................................... 17

1.3 CONTRIBUIÇÕES DESTE TRABALHO .......................................... 18

1.4 ORGANIZAÇÃO DO TEXTO ........................................................... 18

2 FUNDAMENTAÇÃO TEÓRICA.................................................................... 20

2.1 ASPECTOS DOS SISTEMAS DE INFERÊNCIA FUZZY ................ 20

2.2 SISTEMA DE INFERÊNCIA FUZZY ................................................ 21

2.3 ASPECTOS DAS REDES NEURAIS ARTIFICIAIS ......................... 30

2.4 SISTEMA HIBRIDO NEURO-FUZZY ............................................... 34

2.5 CONCLUSÃO .................................................................................. 39

3 SIMULAÇÕES DAS TÉCNICAS DE INTELIGÊNCIA ARTIFICIAL.............. 40

3.1 INTRODUÇÃO ................................................................................. 40

3.2 ESTIMADOR CONVENCIONAL COM ORIENTAÇÃO DE CAMPO

NO FLUXO DO ROTOR ........................................................................ 42

3.3 MÁQUINA DE INDUÇÃO SEM MANCAIS TRIFÁSICA COM

BOBINADO DIVIDIDO ........................................................................... 44

3.4 MOTOR-MANCAL ........................................................................... 46

3.5 SINTONIA DOS CONTROLADORES PARA O CONTROLE

VETORIAL ............................................................................................. 47

3.6 DESCRIÇÃO DAS TÉCNICAS DE INTELIGENCIA ARTIFICIAL

APLICADAS NO MOTOR-MANCAL ...................................................... 48

3.7 PROJETO E ANALISE DO SISTEMA ANFIS .................................. 49

3.8 PROJETO E ANALISE DO CONTROLADOR NEURAL .................. 54

3.9 CONCLUSÃO .................................................................................. 58

4 ARRANJO EXPERIMENTAL........................................................................ 59

4.1 MOTOR-MANCAL ........................................................................... 59

4.2 SENSORES DA POSIÇÃO RADIAL ................................................ 64

4.3 SENSORES DE ROTAÇÃO ............................................................ 67

4.4 SISTEMA COMPLETO .................................................................... 69

4.5 CONCLUSÃO .................................................................................. 70

5 ESTRUTURA DE CONTROLE EM CASCATA DO MOTOR MANCAL....... 71

5.1 INTRODUÇÃO ................................................................................. 71

5.2 CONTROLE DE CORRENTE .......................................................... 72

5.3 CONTROLE DE POSIÇÃO .............................................................. 74

5.4 CONTROLE VETORIAL DE VELOCIDADE .................................... 75

5.5 CONCLUSÃO .................................................................................. 77

6 RESULTADOS EXPERIMENTAIS................................................................ 78

6.1 CORRENTES NO ESTATOR .......................................................... 78

6.2 POSIÇÃO RADIAL DO ROTOR ...................................................... 82

6.3 CONTROLE DE VELOCIDADE ....................................................... 88

6.4 CONCLUSÃO .................................................................................. 94

7 CONCLUSÕES.............................................................................................. 95

7.1 CONCLUSÃO .................................................................................. 95

7.2 PERSPECTIVAS ............................................................................. 96

APÊNDICES

APÊNDICE A: CONFIGURAÇÕES DOS PERIFÉRICOS DOS DSP

TMS320F28335 ..................................................................................... 97

APÊNDICE B: PROGRAMA CONTROLE MOTOR-MANCAL ............. 105

APÊNDICE C: IMPLEMENTAÇÃO DA REDE NEURAL PARA O

CONTROLE DE VELOCIDADE ........................................................... 126

REFERÊNCIAS BIBLIOGRÁFICAS ............................................................... 129

i

LISTA DE TABELAS Tabela 1 - A t-normas e t-conormas mais utilizadas. 25

Tabela 2 – Parâmetros e Características do Motor. 45

Tabela 3 – Parâmetros dos Controladores PI utilizados na sintonia. 47

Tabela 4 – Parâmetros dos Controladores. 48

Tabela 5 – Parâmetros do ANFIS1. 50

Tabela 6 – Parâmetros do ANFIS2. 50

Tabela 7 – Parâmetros da Rede Neural. 53

Tabela 8 – Parâmetros do protótipo do motor. 61

Tabela 9 – Parâmetros da Rede Neural. 88

Tabela 10 – Configuração do conversor analógico-digital. 100

Tabela 11 – Configuração do módulo ePWM. 102

Tabela 12 – Configuração do módulo eCAP. 103

i

LISTA DE FIGURAS Figura 1 - Diagrama do processo de Inferência Fuzzy. .................................... 21

Figura 2 - Funções de Pertinência. .................................................................. 23 Figura 3 - Efeito da mudança de parâmetros a, b e c da Função de Pertinência Sino Generalizada da Equação 2.1. ................................................................. 24 Figura 4 - Modelo Mamdani com duas entradas x e y. ..................................... 26 Figura 5 - Modelo Tsukamoto de inferência. .................................................... 27

Figura 6 - Modelo Fuzzy Sugeno. .................................................................... 28 Figura 7 - Pertinências das variáveis de entrada X e Y. ................................... 28 Figura 8 - Comportamento do sistema de acordo com o mecanismo de inferência. ......................................................................................................... 28 Figura 9 - Estrutura de um perceptron de múltiplas camadas. ......................... 31 Figura 10 - Modelo Sugeno de 1º ordem com duas regras. ............................. 36 Figura 11 - Diagrama de blocos do sistema proposto simulado. ...................... 41 Figura 12 - Representação do Estimador Convencional em diagramas de blocos em coordenadas de campo do rotor (Leonhard, 2001). ........................ 42 Figura 13 - Esquema de distribuição das bobinas no estator (VICTOR, 2012). 45 Figura 14 - Circuito equivalente da máquina de indução (VITOR, 2012). ........ 46

Figura 15 - Esquema das bobinas do estator. .................................................. 46 Figura 16 - Sintonia do controlador de velocidade. .......................................... 48 Figura 17 - (A) - Superfície Fuzzy Sugeno – ANFIS 1 e (B) - ANFIS 2. ........... 50

Figura 18 - Pertinências antes do treinamento e depois (A) – iSd(k) e (B) – imR(k-1). .......................................................................................................... 51

Figura 19 - Pertinências antes do treinamento e depois (A) – ωmec(k) e iSq(k). ......................................................................................................................... 51

Figura 20 - Resultado comparativo da velocidade mecânica com os estimadores. ..................................................................................................... 52

Figura 21 - Sinal do erro do controlador de velocidade. ................................... 53 Figura 22 - Resposta do torque elétrico operando nas condições de simulação. ......................................................................................................................... 53

Figura 23 - Sinal do erro do controlador de torque. .......................................... 54 Figura 24 - Resultado da posição angular do Fluxo do rotor. ........................... 54

Figura 25 - Erro quadrático médio para um treinamento com 847 épocas. Fonte: Toolbox Matlab ®. ................................................................................. 55 Figura 26 - Resultado de treinamento (A), validação (B) e testes da Rede Neural (C). Fonte: Toolbox Matlab ®. ............................................................... 56

Figura 27 - Resultado comparativo da velocidade mecânica com os controladores: neural e PI. ............................................................................... 56 Figura 28 - Sinal do erro do controlador neural e PI de velocidade. ................. 57 Figura 29 - Sinal do erro do controlador operando com a Rede Neural e com o Controle PI (A) – Torque elétrico e (B) – Corrente de magnetização. .............. 57

Figura 30 - Resultado da posição angular do Fluxo do rotor com o controlador neural e PI de velocidade. ................................................................................ 58 Figura 31 - Excentricidades do eixo do motor-mancal. Fonte: Victor, 2012. ... 60 Figura 32 - (A) Eixo do rotor no torno e (B) o motor de indução....................... 60

Figura 33 - Motor-mancal. ................................................................................ 61 Figura 34 - Motor-mancal sem tampa com identificação dos grupos das bobinas. ............................................................................................................ 62

Figura 35 - Experimento para determinar a configuração do eixo Y. ............... 62

Figura 36 - Experimento para determinar a configuração do eixo X. ............... 63 Figura 37 - Arranjo de ligação dos enrolamentos do motor-mancal. ................ 63 Figura 38 - Arranjo de ligação dos enrolamentos do motor-mancal. ................ 63

Figura 39 - Base utilizada para fixação das ponteiras do sensor AEC 5505-04. Fonte: Souza Filho (2011). ............................................................................... 64 Figura 40 - Circuito eletrônico utilizado com o sensor AEC 5505-04. Fonte: Souza Filho (2011). .......................................................................................... 64 Figura 41 - Deslocamento radial indesejado e desejado para o controle de posição. ............................................................................................................ 65 Figura 42 - (A) Deslocamento radial ceifando na coordenada Y e (B) os sinais dos sensores X(verde) e Y(amarelo) em modo livre do osciloscópio. .............. 65

Figura 43 - Comportamento dos sinais após o ajuste do offset dos sensores. 66 Figura 44 - Limite de deslocamento radial do rotor. ......................................... 66 Figura 45 - Sensor de velocidade antigo. ......................................................... 67 Figura 46 - Circuito de tratamento do sinal do encoder Fonte: Souza Filho (2011). .............................................................................................................. 67

Figura 47 - Sensor de Velocidade. Fonte: Silva (2015). .................................. 68 Figura 48 - Novo sensor de Velocidade. .......................................................... 68 Figura 49 - Posicionamento do novo sensor de velocidade. ............................ 69

Figura 50 - Sistema mecatrônico com interfaces e o motor-mancal. ................ 69 Figura 51 - Diagrama de controle de corrente com anti-reset windup. Fonte: C28x Solar Library, 2014. ................................................................................. 72

Figura 52 - Transformação do sinal de posição: (a) Transformação rotacional e (b) Transformação bifásica – trifásica para os sinais de posição. Fonte: Victor (2012). .............................................................................................................. 74 Figura 53 - Estrutura de controle com estimador de fluxo. ............................... 75

Figura 54 - Diagrama de controle em cascata do motor-mancal. ..................... 77 Figura 55 - Controle de corrente do motor-mancal. .......................................... 78

Figura 56 - Resposta à mudança de referência na bobina 1. ........................... 79 Figura 57 - Resposta à referência senoidal na bobina 1. ................................. 79 Figura 58 - Correntes defasadas na frequência de 15Hz e amplitude 0.8A. .... 80

Figura 59 - Correntes defasadas na frequência de 30Hz e amplitude 0.8 A. ... 81

Figura 60 - Correntes defasadas na frequência de 60Hz e amplitude 0.8A. .... 81 Figura 61 - Correntes defasadas na frequência de 60Hz e amplitude 1.3A. .... 81 Figura 62 - Controle de posição em cascata com o controle de corrente do motor-mancal. .................................................................................................. 82

Figura 63 - Resultado do controle de posição para o eixo X. ........................... 82 Figura 64 - Resultado do controle de posição para o eixo Y. ........................... 83 Figura 65 - Resultado do controle de posição com uma área de disperso do rotor para acionamento a 60Hz. ....................................................................... 83 Figura 66 - Resultado do controle de posição com uma área de dispersão do rotor para o acionamento a 15Hz. .................................................................... 84 Figura 67 - Resultado do controle de posição com uma área de dispersão do rotor para o acionamento a 30Hz. .................................................................... 84

Figura 68 - Resultado do controle de posição com uma área de dispersão do rotor para o acionamento a 45Hz. .................................................................... 84

Figura 69 - Deslocamentos radial do eixo X acionado em 60Hz. ..................... 85 Figura 70 - Deslocamentos radial do eixo Y acionado em 60Hz. ..................... 85 Figura 71 - Resultados referentes às correntes impostas, controladas e sensoriada. ....................................................................................................... 86

Figura 72 - (A) Posição X, (B) erro do controlador e (C) sinais de controle. .... 87 Figura 73 - (A) Posição Y, (B) erro do controlador e (C) sinais de controle. .... 87 Figura 74 - Resultado de treinamento, validação e testes da Rede Neural. Fonte: Toolbox do Matlab ®. ............................................................................ 89 Figura 75 - Erro quadrático médio para um treinamento com 104 épocas. Fonte: Toolbox do Matlab ®. ............................................................................ 89 Figura 76 - Velocidade mecânicas e posições X e Y para referência de velocidade em degrau constante. ..................................................................... 90

Figura 77 - Sinais de controle PI e neural para referência de velocidade em degrau. ............................................................................................................. 91 Figura 78 - Diagramas de posicionamento radial para referência de velocidade em degrau constante. ....................................................................................... 91 Figura 79 - Velocidade mecânica e posições X e Y para referência de velocidade em degraus. ................................................................................... 92 Figura 80 - Sinais de controle para referência de velocidade em degraus. ...... 93 Figura 81 - Sinais do erro de controle para referência de velocidade em degraus. ........................................................................................................... 93 Figura 82 - Diagramas de posicionamento radial para referência de velocidade em degraus. ..................................................................................................... 94

Figura 83 - Medição da velocidade mecânica (A) controle PI e (B) controle neural. .............................................................................................................. 94 Figura 84 - Diagrama de blocos do kit edZdspTM F28335. Fonte: SPECTRUM DIGITAL INC., 2007. ........................................................................................ 98

Figura 85 - Layout do kit edZdspTM F28335.................................................... 98 Figura 86 - Fluxograma do algoritmo de controle implementado no DSP 28335. ......................................................................................................................... 99

i

LISTA DE SIMBOLOS E VARIÁVEIS

Símbolo Descrição

Pnom Potência Nominal.

ωnominal Velocidade Nominal.

Vnominal Tensão nominal.

Inominal Corrente Nominal.

𝑅𝑆 𝑜𝑢 R1 e 𝑅𝑅 𝑜𝑢 R2 Resistências de estator e de rotor por fase.

𝐿𝑚 Indutância de magnetização.

𝐿𝑠 e 𝐿𝑅 Indutâncias próprias do estator e do roto por fase.

𝑇𝑅 Constante de tempo do rotor.

𝑛𝑝 Número de pares de pólos.

𝐽 Momento de inércia do rotor.

Fator de dispersão.

𝐾 Constante de torque relacionada à indutância própria do estator.

𝐷 Fator de carga.

t Tempo em segundos.

𝑖𝑆1, 𝑖𝑆2 e 𝑖𝑆3 Valores instantâneos das correntes trifásicas do estator.

𝑖𝑆𝛼 e 𝑖𝑆𝛽 Valores instantâneos das correntes bifásicas em coordenadas do estator.

𝑖𝑆𝑑 e 𝑖𝑆𝑞 Valores instantâneos das correntes de campo e torque em coordenadas de campo do rotor.

𝑖𝑚𝑅 e 𝑖𝑚𝑅 Valores instantâneos das correntes de magnetização real e estimada.

𝑚𝑀 e 𝑚𝐿 Valores instantâneos do torque elétrico e do torque de carga.

𝜔𝑚𝑒𝑐 e 𝜔𝑚𝑅 Valores instantâneos da velocidade mecânica e da velocidade de escorregamento.

𝜌 e Posição angular real e estimada do fluxo do rotor.

dt

d Operador de derivação de uma função ou variável.

Operador de integração de uma função ou variável.

sen x e cos x Funções seno e cosseno de um ângulo x genérico.

arctan x Função arcotangente de um ângulo x genérico.

ia, ib e ic Correntes trifásicas de referência por fase.

+, -, * e / Operadores de soma, subtração, multiplicação e divisão.

g0 Medida do entreferro

rfe Resistência correspondente às Perdas do núcleo por fase

ia1 Corrente na bobina a1

ia2 Corrente na bobina a2

ib1 Corrente na bobina b1

ib2 Corrente na bobina b2

ic1 Corrente na bobina c1

ic2 Corrente na bobina c2

𝜇𝐴(𝑥) Função que indica a pertinência de x no conjunto Fuzzy A

Ω Conjunto Universo

Operador t-norma

Operador t-conorma

p,q,r e s Pesos do polinômio Sugeno de primeira ordem

212121 ,,,, CeCBBAA Conjuntos Fuzzy

𝑥(𝑛) Vetor de entrada

𝑑(𝑛) Vetor de saída desejada

𝑦𝑖(𝑙−𝑖)

(𝑛) Sinal de saída do neurônio 𝑖 da camada anterior 𝑙 − 1

𝑤𝑗𝑖𝑙 (𝑛) Peso sináptico do neurônio 𝑗 da camada 𝑙 alimentado

pelo neurônio 𝑖 da camada 𝑙 − 1

𝑒𝑗 Erro da camada J

𝛼 Constante de momento

𝜂 Taxa de aprendizagem

𝑂1𝑖 Saída da camada i

𝑤𝑖 Valor normalizado do grau de ativação da regra

RT

Bloco um atraso de 1ª Ordem.

Bloco de integração numérica de variáveis.

cossin

Bloco de cálculo de senos e cossenos.

Bloco de implementação do controlador PI.

Constante multiplicativa de valor n.

Vetores de entrada e saída, conexões entre blocos.

n

i

RESUMO

Este trabalho descreve o estudo e a implementação digital de um sistema

de controle embarcada em um DSP TMS 3208F28335 para o controle vetorial

de velocidade do motor-mancal com bobinado dividido de 4 pólos com 250W de

potência. As técnicas inteligentes: ANFIS e as Redes Neurais foram investigadas

e implementadas computacionalmente para a avaliação do desempenho do

motor-mancal nas seguintes condições: operando como estimador de

parâmetros incertos, e como controlador de velocidade, respectivamente. Para

isso, utilizou-se o programa MATLAB® e seu toolbox para as simulações e os

ajustes dos parâmetros envolvendo a estrutura ANFIS (acrônimo do inglês

Adaptive-Network-Based Fuzzy Inference System), e também para as

simulações com a Rede Neural. Os resultados simulados mostraram um bom

desempenho para as duas técnicas aplicadas, de forma diferente: como

estimador, e como controlador de velocidade utilizando ambas um modelo do

motor de indução operando como um motor-mancal. A parte experimental para

o controle vetorial de velocidade utiliza três malhas de controles: corrente,

posição radial e velocidade, onde foram investigadas as configurações dos

periféricos, ou seja, as interfaces ou drivers para o acionamento do motor-

mancal. Detalhes de configuração dos periféricos do DSP TMS 3208F335 são

descritas neste trabalho, assim como, as interfaces responsáveis pela aquisição

da corrente, posição radial e velocidade do rotor. Por último, são mostrados os

resultados experimentas do motor-mancal do controle de corrente, posição e

velocidade comparando o seu funcionamento com o controle vetorial clássico e

com o controle neural.

Palavras-Chave: Redes Neurais, ANFIS, Motor-Mancal, Controle em cascata, DSP TMS 3208F335

ABSTRACT

This thesis describes the study and embedded a digital implementation

control system in a DSP TMS 320F28335 for a speed vector control of a

bearingless-motor with divided winding type 4 pole with 250W of power. Smart

techniques ANFIS and Neural Networks have been investigated and

implemented computatationally for the evaluation of motor-bearing performance

under the following conditions: operating as estimator of uncertain parameters

and as speed control. It’s used the MATLAB program and its toolbox for the

simulations and the parameter settings involving the ANFIS structure and also for

the simulations with Neural Nertwork. The simulated results showed good

performance for both techniques applied in different ways: as an estimator and

as speed controller. It has been used in both situation an induction motor model

operating as a bearingless-motor. The experimental Analisis or tests for the

speed vector control uses three control loops: current radial position and in

speed, wich the peripheral configuration was investigated, ie, the interfaces or

drivers for driving the bearingless-motor. Configuration details of DSP TMS

320F28335 peripherals are described in this work, as well as the interfaces

responsible for the acquisition of current, radial position and rotor speed. Finally,

the experimental results with the bearingless-motor are shown, comparing the

functioning of the classical vector control with the neural control.

Keywords: Neural Network, ANFIS, Bearingless-Motor, Cascade Control, DSP TMS 3208F335.

15

CAPÍTULO 1

INTRODUÇÃO

Neste capítulo, são apresentadas as motivações, os objetivos do trabalho,

a proposta e, por último, a estrutura do texto.

1.1 INTRODUÇÃO

O motor-mancal ou máquina sem mancal, como denominado em alguns

trabalhos, são, segundo as definições clássicas, “motores com a função de

mancal integrada magneticamente” ou “mancais magnéticos com a função de

motor integrada magneticamente”. Conforme essas definições, um motor-

mancal se diferencia de um motor convencional por ter a função mancal

magneticamente integrada (VICTOR, 2012). Os motores de indução trifásicos

com rotor em gaiola de esquilo têm sido utilizados como máquinas sem mancal

em pesquisas realizadas desde a década de 1990 (SALAZAR, 1993). Neles, o

enrolamento estatórico é utilizado para produção do torque eletromagnético e

também para a produção das forças radiais necessárias ao posicionamento do

rotor. A modelagem, a análise e o controle de uma máquina de indução com

bobinado dividido são apresentados para o funcionamento por correntes

impostas (SANTISTEBAN, 1999).

A literatura contém uma grande variedade de estratégias para o controle

de máquinas elétricas e para o motor-mancal. Nesse tópico, apresenta-se um

estudo do estado da arte com alguns trabalhos que, de alguma forma, foram

CAPÍTULO 1. INTRODUÇÃO 16

utilizados como referência para o estudo, o projeto e o desenvolvimento desta

tese:

Buro (1994) mostrou um exemplo de comportamento do rotor não-

estacionário com uma Rede Neural no campo do controle para a dinâmica do

rotor;

Jiang, Zmood e Qin (1996) examinaram a operação de um sistema de

rolamento magnético utilizando controladores de neurais em que o rotor foi

sujeito a perturbações periódicas externas;

Paiva et. al. (2008) implementaram o controle vetorial de velocidade da

máquina de indução trifásica sem mancais utilizando a orientação de fluxo do

rotor, com estimadores neurais off-line para a estimação da magnitude da

corrente de magnetização e velocidade angular do fluxo do rotor com dados

simulados;

Queiroz (2008) apresentou o controle vetorial de velocidade da máquina de

indução trifásica utilizando a orientação de fluxo do rotor e apresentou seu

estimador neural utilizando dados de ensaios como conjuntos de treinamento

para validar o estimador neural;

Victor. et al. (2009) compararam o desempenho da máquina de indução sem

mancal com bobinado dividido funcionando com dois estimadores neurais e

com observadores convencionais;

Zheng-Qi e Xian-Xing (2013) propuseram uma nova estratégia de controle

para desacoplar o motor de indução sem mancal com base na abordagem de

Rede αth-ordem baseado no modelo inverso neural.

Abordando-se a técnica inteligente híbrida, foram identificados vários

pesquisadores utilizando o ANFIS(acrônimo do inglês Adaptive-Network-Based

Fuzzy Inference System):

Vasudevn, Arumugam e Paramasivam (2003) mostram de forma detalhada a

técnica ANFIS utilizada para a estimação de parâmetros de um motor de

indução.

Zhi-Xiang e He-Qing (2006) propuseram um novo método para a identificação

de sistemas não lineares utilizando o ANFIS.

Depari et. al.(2007) propuseram uma técnica de calibração de sensores

baseada no ANFIS.


Ding e Linag (2008) empregaram o ANFIS para obter modelos de corrente e

de torque de uma máquina de relutância comutada 6/4.

Lima (2010) propôs o desenvolvimento e a implementação de um estimador

baseado em um sistema ANFIS para o controle de velocidade do motor de

indução trifásico em um acionamento sem sensores.

Lopes et al. (2014) utilizaram o ANFIS para estimar os parâmetros internos do

motor de indução comportando-se como motor-mancal.

No Brasil, a técnica híbrida neural e a lógica Fuzzy aplicadas em máquinas

elétricas foram iniciada com Lino (1997), que realizou uma revisão dos

fundamentos do controle por orientação de fluxo do rotor utilizando uma

abordagem Neuro-Fuzzy. No entanto, os estudos dos controladores vetoriais

necessitam de sensores de fluxo para determinar o valor exato da magnitude e

da posição do fluxo girante. Esse fator gerou a necessidade do uso de sensores

de fluxo colocados no interior da máquina, o que, em determinados sistemas,

era inviável pela dificuldade de acesso ou pelo alto custo desses sensores

(PAIVA, 2007). Para contornar essa limitação, utilizou-se o estimador de fluxo ou

observador de fluxo baseado no modelo vetorial da máquina, tomando como

referencial o vetor de fluxo do estator, o vetor de fluxo do rotor ou o vetor do fluxo

do entreferro. Concluiu-se que as técnicas inteligentes artificiais usando Redes

Neurais e o ANFIS são largamente empregadas para estimar parâmetros e para

o controle das máquinas elétricas ou nos motores sem mancais.

1.2 OBJETIVOS

Este trabalho teve como objetivos o estudo e a implementação da técnica

de inteligência artificial aplicada ao controle vetorial de velocidade para o motor-

mancal do tipo bobinado dividido baseado no motor de indução. Pretendeu-se

investigar e simular as técnicas inteligentes ANFIS e as Redes Neurais para a

avaliação do desempenho do motor-mancal nas seguintes condições: operando

como estimador e como controlador de velocidades.

O motor-mancal de bobinado dividido, adotada neste trabalho, foi

proposta por Ferreira (2002). Na parte experimental foi utilizado o DSP

TMS3208F28335 para integrar o algoritmo de controle com as interfaces de

corrente, de posição e de velocidade, compondo um sistema em cascata. A


técnica inteligente implementada foi a Rede Neural, a qual atuou como

controlador de velocidade. Os resultados de posição e de velocidade mecânica

foram comparados com o controlador PI de velocidade e o Controlador Neural.

O algoritmo de controle implementado no DSP TMS320F28335 foi desenvolvido

em linguagem de programação ANSI C. O sistema motor-mancal está localizado

no Laboratório de Engenharia de Computação e Automação (LECA) da UFRN.

1.3 CONTRIBUIÇÕES DESTE TRABALHO

Algumas contribuições relevantes foram obtidas com este trabalho:

1. o estudo e a avaliação das técnicas inteligentes artificiais ANFIS e as

Redes Neurais aplicadas ao motor-mancal operando como estimador e como

controlador de velocidade, respectivamente;

2. a substituição do DSP TMS 320F2812 pelo DSP TMS320F28335, com

o objetivo de melhorar o desempenho. Foram implementados os módulos eCAP,

PWM e ADC para a comunicação com as interfaces de corrente, de posição e

de velocidade. Esse DSP permite a comunicação com o Matlab®, recurso que

facilita a obtenção de parâmetros internos do algoritmo de controle do motor-

mancal;

3. a avaliação das interfaces implementadas por Souza Filho (2011) no

sistema mecatrônico integrando com o DSP TMS320F28335. Houve a

necessidade de substituir o circuito eletrônico de detectação de pulsos pelo

circuito eletrônico utilizado em Silva (2015). O objetivo foi evitar os problemas de

ruídos e, às vezes, a perda dos pulsos, a qual ocasiona a perda do valor da

velocidade medida ou erro na medição;

4. implementação da Rede Neural com a função de ativação tangente

sigmoide no controle vetorial de velocidade operando em cascata com o controle

de posição e de corrente;

1.4 ORGANIZAÇÃO DO TEXTO

Este texto está organizado da seguinte forma: o capítulo 2 realiza uma

explanação das técnicas de inteligência artificial como a Rede Neural e o sistema

híbrido Neuro-Fuzzy; o capítulo 3 apresenta a introdução à modelagem e à


simulação vetorial da máquina de indução operando como motor-mancal; o

capítulo 4 descreve o arranjo experimental especificando detalhes de

implementação do sistema físico; o capítulo 5 explica a escolha da estrutura de

controle em cascata implementada; o capítulo 6 apresenta os resultados

experimentais; e, por último, são apresentados as conclusões e as perspectivas

de trabalhos futuros.

20

CAPÍTULO 2

FUNDAMENTAÇÃO TEÓRICA

Neste capítulo, é feita uma breve uma explanação dos Sistemas de

Inferência Fuzzy, das Redes Neurais Artificiais e do Sistema Hibrido Neuro-

Fuzzy, abordando seus aspectos de construção e de funcionamento.

2.1 ASPECTOS DOS SISTEMAS DE INFERÊNCIA FUZZY

A Lógica Fuzzy foi desenvolvida por Loft A. Zadeh (1965) para representar o

conhecimento incerto ou impreciso. Segundo Sandri (1999), um conjunto Fuzzy

A do universo de discurso Ω é definido por uma função de pertinência 𝜇𝐴:Ω→[0;

1].

Essa função associa a cada elemento x o grau 𝜇𝐴(x), no qual o elemento x

pertence ao conjunto A. A função de pertinência 𝜇𝐴(x) indica o grau de

compatibilidade entre x e o conceito expresso por A:

𝜇𝐴(x) = 1 indica que x é completamente compatível com A;

𝜇𝐴(x) = 0 indica que x é completamente incompatível com A;

0 < 𝜇𝐴(x) < 1 indica que x é parcialmente compatível com A, com grau

𝜇𝐴(x).

CAPÍTULO 2. FUNDAMENTAÇÃO TEÓRICA 21

2.2 SISTEMA DE INFERÊNCIA FUZZY

O Sistema de Inferência Fuzzy (FIS, acrônimo do inglês Fuzzy Inference

System) trata de forma adequada a não linearidade e a incerteza na modelagem

de sistemas complexos. No lugar de modelos matemáticos precisos, o FIS usa

a teoria dos conjuntos Fuzzy, regras Fuzzy SE-ENTÃO e o raciocínio Fuzzy.

Os Sistemas de Inferência Fuzzy permitem o mapeamento do

conhecimento a respeito de um processo através de regras Fuzzy do tipo SE-

ENTÃO. De posse dessas regras, pode-se determinar o comportamento das

variáveis de saída do sistema, isso por intermédio do processo de Inferência.

Dessa forma, o sistema de Inferência Fuzzy permite o tratamento de informações

incertas ou imprecisas, representadas por uma família de conjuntos Fuzzy.

Assim, a Inferência Fuzzy oferece uma forma sistemática para a modelagem de

processos cujas informações são fornecidas de forma qualitativa.

O processo de Inferência Fuzzy pode ser dividido nas seguintes etapas:

fuzzificação; regras e Inferências; e defuzzificação, como ilustra a figura 1.

FUZZIFICAÇÃO

INFERÊNCIA

REGRAS

DEFUZZIFICAÇÃO

Entradas Precisas

Conjuntos Fuzzy de

entrada

Conjuntos Fuzzy de

saída

Saídas Precisas

Figura 1 - Diagrama do processo de Inferência Fuzzy.

A seguir, descreve-se a funcionalidade de cada bloco da figura 1, dividida

em quatro etapas.

1. Fuzzificação: nesta etapa, as entradas não Fuzzy são apresentadas

ao sistema por intermédio de medições ou observações de dados, os quais são

considerados como sendo o conjunto de dados de entrada do sistema. Desse

modo, é necessário efetuar um mapeamento dos dados de entrada para o

conjunto Fuzzy, de tal forma que o sistema possa identificar a quais variáveis


linguísticas esses dados pertencem e o quanto eles são pertinentes a essas

variáveis.

2. Regras: podem ser fornecidas por especialistas, com base em seu

conhecimento a respeito do processo que se deseja analisar, em forma de

sentenças linguísticas e se constituem em um aspecto fundamental no

desempenho de um sistema de Inferência Fuzzy. Dessa forma, o sistema de

Inferência Fuzzy terá um desempenho confiável e satisfatório somente se as

regras expressarem o comportamento do sistema de forma fiel e consistente.

Entretanto, a extração de um conjunto de regras advindas do

conhecimento de um especialista pode não ser uma tarefa fácil, por mais que ele

conheça profundamente o problema que se deseja analisar. Portanto, existem

outras alternativas ao uso do conhecimento do especialista para a definição da

base de regras, tais como os métodos de extração de regras a partir de dados

numéricos. Esses métodos são particularmente úteis em aplicações nas quais

haja disponível um conjunto de dados numéricos que refletem o comportamento

entrada/saída do sistema.

3. Inferência: nesse processo, ocorrem as operações com os conjuntos

Fuzzy. Um aspecto importante é a definição dos conjuntos Fuzzy

correspondentes às variáveis de entrada e às de saída, pois o desempenho do

sistema de Inferência dependerá do número de conjuntos e de sua forma

adotada. É possível efetuar uma sintonia manual das funções de pertinências

dos conjuntos, mas é mais comum empregar métodos automáticos. A integração

entre sistemas de Inferência Fuzzy e redes neurais artificiais tem se mostrado

adequada para a sintonização das funções de pertinências, assim como para a

geração automática de regras.

4. Defuzzificação: após o processo de Inferência, tem-se o processo de

defuzzificação, que, de posse do conjunto Fuzzy de saída adquirido através do

processo de Inferência, é responsável pela interpretação dessa informação para

saídas precisas (dados não Fuzzy). Isso se faz necessário, já que, em aplicações

práticas, são requeridos valores não Fuzzy.


O processo de defuzzificação ocorre dentro do sistema de Inferência

Fuzzy, no qual há o processo de implicação Fuzzy, que consiste na geração da

região de saída Fuzzy, dada uma entrada também Fuzzy, ou seja, representa a

implicação dos resultados obtidos dos conjuntos de entrada no conjunto de

saída. Assim, com esse resultado, é possível obter um valor numérico não Fuzzy

do sistema Fuzzy por intermédio do processo de defuzzificação.

Neste processo, existem diversos métodos de defuzzificação,

destacando-se entre eles o do centro de área, o da média dos máximos e o do

primeiro máximo.

2.2.1 Funções de Pertinência

As funções de pertinência representam o conhecimento do especialista

sobre o problema em questão. Seu formato pode variar de uma forma triangular,

trapezoidal, gaussiana ou até sino generalizada - dependendo da sua

empregabilidade - geralmente expressa num intervalo [0,1], de modo a facilitar a

implementação Fuzzy. A figura 2 ilustra os tipos de funções de pertinências

citados.

Figura 2 - Funções de Pertinência.


A parametrização das funções de pertinência é um ponto importante no

desempenho do sistema de Inferência Fuzzy, pois, a partir dessas funções,

pode-se determinar, por intermédio do processo de Inferência, o comportamento

das variáveis de saída do sistema. Para demonstrar a importância do ajuste das

pertinências, a figura 3 ilustra a variação de alguns parâmetros da função sino

generalizada.

Figura 3 - Efeito da mudança de parâmetros a, b e c da Função de Pertinência Sino Generalizada da Equação 2.1.

A figura 3 mostra a variação de parâmetros da Função de Pertinência Sino

Generalizada, representada pela Equação 2.1.

b

a

cxcbaxgbellmf

2

1

1),,,(

(2.1)

De acordo com RODRIGUES (2006), algumas operações podem ser

realizadas sobre os conjuntos Fuzzy, assim como ocorre com os conjuntos


clássicos. A interseção é implementada por um conjunto de operadores

denominados de t-normas(⊺), e a união é implementada por outro conjunto

denominado t-conormas(⊥) ou s-normas. A tabela 1 indica as t-normas e t-

conormas mais utilizadas.

Tabela 1 - As t-normas e t-conormas mais utilizadas.

t-normas t-conormas Nome

),min( ba ),max( ba Zadeh

ba abba ticaProbabilís

)0,1max( ba )1,min( ba zLukasiewic

2.2.2 Características e tipos do FIS

Podemos citar algumas características importantes na escolha do

Sistema de Inferência Fuzzy:

apresenta habilidade de modelar problemas com propriedades não

lineares;

é capaz de incorporar tanto o conhecimento objetivo (modelos

matemáticos) quanto o conhecimento subjetivo (informações linguísticas

de difícil tratamento formal);

apresenta habilidade em modelar sistemas que envolvam múltiplos

especialistas;

trata de forma adequada as incertezas.

Os três tipos de Sistemas de Inferência Fuzzy podem ser classificados em

Modelos Clássicos (Mamdani) e Modelos por interpolação (Sugeno e

Tsukamoto), demonstrados com modelos abaixo.

Modelo 1 - Fuzzy Mamdani

O modelo de Mamdani utiliza o modelo clássico do processo de inferência

Fuzzy. Considere um sistema com duas entradas Fuzzy 𝑥 e 𝑦 e com uma saída

Fuzzy 𝑧. As duas entradas A e B irão passar por um conjunto de regras do tipo:


),(,11111 ,,,1,1,1 ByAxCzByAx comCézENTÃOcomBéyecomAéxSE

),(,22222 ,,,2,2,2 ByAxCzByAx comCézENTÃOcomBéyecomAéySE

Considere-se que 212121 ,,,, CeCBBAA são conjuntos Fuzzy. Pode-se obter

uma saída Fuzzy aplicando o operador t-conorma, equação 2.2.

),,,( 21 CCz zz (2.2)

Exemplo de inferência do Modelo Fuzzy Mamdani (figura 4).

1B

2B

1A

2A

x y

Mínimo

X Y

X Y Z

Z

Z

'

1C

'

2C

'C

z

t-conorma (max)

Figura 4 - Modelo Mamdani com duas entradas x e y.

Modelo 2 - Tsukamoto

Neste modelo, os consequentes de cada regra Fuzzy devem ser funções

monotônicas, pois elas operarão na forma inversa para a obtenção da saída do

sistema. Uma função é dita monotônica se puder ser classificada como

crescente, estritamente crescente, decrescente ou estritamente decrescente,

como as funções degrau, sigmóide, tangente-hiperbólica ou a mesmo a função

identidade. Considere um sistema com duas entradas Fuzzy 𝑥 e 𝑦 e com uma

saída Fuzzy 𝑧. As duas entradas A e B passarão por um conjunto de regras do

tipo:


𝑆𝑒 𝑥 é 𝐴1 𝑐𝑜𝑚 𝜇𝑥,𝐴1𝑒 𝑦 é 𝐵1 𝑐𝑜𝑚 𝜇𝑦,𝐵1 ,𝑒𝑛𝑡ã𝑜 𝑧 é 𝐶1𝑐𝑜𝑚 𝜇𝑧,𝐶1

= 𝑇(𝜇𝑥,𝐴1, 𝜇𝑦,𝐵1 )

𝑆𝑒 𝑥 é 𝐴2 𝑐𝑜𝑚 𝜇𝑥,𝐴2𝑒 𝑦 é 𝐵2 𝑐𝑜𝑚 𝜇𝑦,𝐵2 ,𝑒𝑛𝑡ã𝑜 𝑧 é 𝐶2 𝑐𝑜𝑚 𝜇𝑧,𝐶2

= 𝑇(𝜇𝑥,𝐴2, 𝜇𝑦,𝐵2 )

Pode-se obter uma saída Fuzzy pela equação 2.3

21

1

2

1

1 )2,(.)1,(.

zCzC

zzCzzC CfCfz

(2.3)

Exemplo de inferência do Modelo Fuzzy Tsukamoto (figura 5).

1B

2B

1A

2A

x y

X Y

X Y

1w

2w

1z

2z

C1

C2

t-norma (min)

21

2.1.

CCz

Figura 5 - Modelo Tsukamoto de inferência.

Modelo 3 - Takagi-Sugeno

O modelo Sugeno, também conhecido como modelo TSK, foi proposto por

Takagi, Sugeno e Kang (figura 2.5), com o objetivo de desenvolver uma

sistemática para a geração de regras Fuzzy a partir de um conjunto de dados de

entrada e saída. A forma de uma típica regra Fuzzy neste modelo é a seguinte:

𝑆𝑒 𝑥 é 𝐴1 𝑐𝑜𝑚 𝜇𝑥,𝐴1𝑒 𝑦 é 𝐵1 𝑐𝑜𝑚 𝜇𝑦,𝐵1 ,𝑒𝑛𝑡ã𝑜 𝑧 é 𝐶1 = 𝑓1(𝑥, 𝑦)

𝑆𝑒 𝑥 é 𝐴2 𝑐𝑜𝑚 𝜇𝑥,𝐴2𝑒 𝑦 é 𝐵2 𝑐𝑜𝑚 𝜇𝑦,𝐵2 ,𝑒𝑛𝑡ã𝑜 𝑧 é 𝐶2 = 𝑓2(𝑥, 𝑦)

Considere-se que ),( yxf n é um polinômio em função das variáveis yex .

),|,(),|,(

),|,(),|,(

2211

222111

BABA

CBACBAz

yxyx

yxyx

(2.4)

Exemplo do Modelo Fuzzy Takagi-Sugeno ( figura 6).


1B

2B

1A

2A x y

X Y

X Y

Produto

1111 ryqxpC

2222 ryqxpC 21

21 21

zCzC

zCzC CCz

1zC

2zC

Figura 6 - Modelo Fuzzy Sugeno.

O modelo Takagi-Sugeno, assim como os outros modelos de Inferência,

consiste em obter todas as contribuições individuais advindas de cada uma das

regras ativadas. Ressalte-se que a função de pertinência de saída do método de

Takagi-Sugeno pode ser tanto uma função linear como uma função constante.

A figura 7 mostra as variáveis de entrada X e Y com pertinências Pequeno

(P) e Grande (G).

Figura 7 - Pertinências das variáveis de entrada X e Y.

Um gráfico de superfície demonstra o comportamento do sistema de

acordo com as entradas e suas saídas (figura 8).

Figura 8 - Comportamento do sistema de acordo com o mecanismo de inferência.


A diferença entre os três tipos de modelos Fuzzy está nos consequentes

das regras e, por isso, cada tipo de FIS apresenta um método de agregação e

defuzzificação próprio. Podemos destacar algumas desvantagens entre os

modelos: o Mamdani caracteriza-se por demandar bastante tempo para o

processo de defuzzificação; já o modelo Takagi-Sugeno apresenta dificuldade

de atribuir um conceito linguístico ao consequente das regras, pois este é uma

função não Fuzzy das variáveis de entrada; finalmente, o Tsukamoto apresenta

uma função monótonica na sua função de pertinência do consequente, o que

dificulta o seu ajuste.

Já nos sistemas Fuzzy, deve-se descobrir o tipo, a quantidade e o formato

das funções de pertinência a serem utilizadas e definir as regras e os operadores

para o tratamento de suas entradas.

Caso sejam utilizados modelos Fuzzy de interpolação, deve-se determinar

o grau e os coeficientes dos polinômios das funções de saída. Uma das

vantagens da utilização da Lógica Fuzzy é o fato de serem robustos e de fácil

adaptabilidade, conseguindo incorporar características que nem sempre os

sistemas convencionais conseguem tratar (SANDRI, 1999).

De acordo com Viera, Dia e Mota (2004), as vantagens dos sistemas

Fuzzy são:

Capacidade de representar as incertezas inerentes ao conhecimento

humano com variáveis linguísticas;

Facilidade de interpretação dos resultados, devido à representação de

regras naturais;

Extensão fácil da base de conhecimento por meio da adição de novas

regras;

Robustez em relação aos possíveis distúrbios no sistema.

E as suas desvantagens são:

incapacidade de generalizar, ou seja, ele só responde ao que está escrito

na sua base de regra;

não robustez em relação às mudanças topológicas do sistema, que

exigiriam alterações na base de regras;


dependência da existência de um especialista para determinar as regras

lógicas de inferência.

2.3 ASPECTOS DAS REDES NEURAIS ARTIFICIAIS

As Redes Neurais Artificiais (RNAs) constituem um grande campo de

pesquisa, e vários foram os fatores que motivaram os estudos das RNAs.

Segundo Norgaard (2003), uma das motivações seria criar um programa capaz

de aprender com a experiência. Uma Rede Neural Artificial (RNA) é um sistema

de processamento distribuído de informações que possui algumas

características de desempenho em comum com as redes neurais biológicas.

Uma RNA pode ser caracterizada por três aspectos principais: pelo

padrão de conexões entre as unidades (arquitetura), pela função de ativação das

unidades e pelo método de determinação dos pesos das conexões (algoritmo de

treinamento ou aprendizado).

De acordo com Haykin (1994), no modelo do neurônio artificial, cada

entrada recebe um estímulo, que é ponderado pelos pesos sinápticos, e todas

as suas entradas são somadas, gerando uma resposta que, posteriormente, é

modulada por uma função matemática (função de ativação).

A maneira como os neurônios são organizados define a arquitetura da

rede. A arquitetura utilizada é do tipo perceptron de múltiplas camadas, ilustrada

na figura 9, com o método de treinamento backpropagation, que é baseado no

método do gradiente.


SAÍDAS

d1 d2 d3

ENTRADAS

1 x1 x2 x3 x4

1

i

h

hg

ig

ihW

hjW

Figura 9 - Estrutura de um perceptron de múltiplas camadas.

O algoritmo de treinamento basicamente consiste em corrigir os pesos

sinápticos, com base no erro ocorrido em cada saída da rede neural. A correção

dos pesos é feita utilizando-se o método dos mínimos médios quadráticos,

visando encontrar um valor para os pesos que minimize o erro na saída da rede.

Entre os algoritmos existentes, o mais comum é o Retropropagação do Erro

(Backpropagation), no qual existe a figura do “professor” ou “supervisor”, que

informa qual deve ser a saída para uma determinada entrada. Desse modo,

encontra-se o erro entre a saída desejada e a saída da rede e ajustam-se os

pesos sinápticos e os parâmetros das funções para que esse erro seja o menor

possível.

Considere que um exemplo de treinamento possa ser representado por

meio de um vetor de entrada 𝑥(𝑛) e um vetor de saída desejada 𝑑(𝑛) no instante

𝑛. O vetor de entrada é apresentado aos nós da camada de entrada e o vetor de

saída desejada é apresentado aos neurônios da camada de saída da rede.

Resumidamente, o algoritmo Backpropagation pode ser definido da

seguinte maneira (FERNANDES, 2004):

1. Inicialização aleatória dos pesos sinápticos e limiares, utilizando

uma distribuição uniforme cuja média e nula.


2. Apresentação de uma época de conjuntos de exemplo para

treinamento. Para cada conjunto de treinamento (𝑥(𝑛), 𝑑(𝑛)), realize as etapas

3 e 4.

3. Propagação da Rede. Cálculo dos campos locais induzidos e dos

sinais funcionais da rede camada por camada, prosseguindo para frente. A

equação 2.5 representa o campo local induzido para o neurônio 𝑗 da camada 𝑙,

em que, no instante 𝑛, 𝑦𝑖(𝑙−𝑖)

(𝑛) é o sinal de saída do neurônio 𝑖 da camada

anterior 𝑙 − 1 ; no instante 𝑛, e 𝑤𝑗𝑖𝑙 (𝑛) é o peso sináptico do neurônio 𝑗 da camada

𝑙 alimentado pelo neurônio 𝑖 da camada 𝑙 − 1. Já o 𝑚0 representa o número total

de entradas.

𝑣𝑗(𝑙)(𝑛) = ∑ 𝑤𝑗𝑖

(𝑙)(𝑛)𝑦𝑖(𝑙−𝑖)(𝑛)𝑚

𝑖=0 (2.5)

Se 𝑖 = 0, 𝑦0(𝑙−1)(𝑛) = +1 e o bias aplicado ao neurônio 𝑗 na camada 𝑙

correspondem a 𝑤𝑗0(𝑙)(𝑛) = 𝑏𝑗

(𝑙)(𝑛). Considerando o uso de uma função sigmoide

como de ativação para o sinal de saída do neurônio j na camada l, 𝑦𝑖(𝑙)(n) é

definido de acordo com a equação 2.6.

𝑦𝑗(𝑙)

= φ𝑗(v𝑗(𝑛)) (2.6)

Caso o neurônio 𝑗 faça parte da primeira camada escondida (𝑙 = 1), então

o sinal de saída dessa camada é dado pela equação 2.7, em que 𝑥𝑗(𝑛) é o j-

ésimo elemento do vetor de entrada 𝑥(𝑛).

𝑦𝑗(0)

= 𝑥𝑗(𝑛) (2.7)

Caso o neurônio 𝑗 pertença à camada de saída (𝑙 = 𝐿), então o sinal de

saída é dado pela equação 2.8.

𝑦𝑗(𝐿)

= 𝑜𝑗(𝑛) (2.8)

Portanto, o sinal de erro da rede para um dado conjunto de treinamento

(𝑥(𝑛), 𝑑(𝑛)) pode ser calculado por meio da equação 2.9.

𝑒𝑗(𝑛) = 𝑑𝑗(𝑛) − 𝑜𝑗(𝑛) (2.9)

4. Retropropagação da Rede. Cálculo dos gradientes locais definidos

pela equação 2.10.


𝛿𝑗(𝑙)(𝑛) =

𝑒𝑗

(𝐿)(𝑛)𝜑𝑗′ (𝑣𝑗

(𝐿)(𝑛)) , 𝑝𝑎𝑟𝑎 𝑎 𝑐𝑎𝑚𝑎𝑑𝑎 𝑑𝑒 𝑠𝑎í𝑑𝑎 𝐿

𝜑𝑗′(𝑣𝑗

(𝑙)(𝑛))′∑ 𝛿𝑗(𝑙+1)(𝑛)𝑤𝑘𝑗

(𝑙+1)(𝑛),𝑘 𝑝𝑎𝑟𝑎 𝑎 𝑐𝑎𝑚𝑎𝑑𝑎 𝑜𝑐𝑢𝑙𝑡𝑎 𝑙 (2.10)

Em seguida, os pesos sinápticos da rede devem ser ajustados de acordo

com a equação 2.11, em que 𝛼 é a constante de momento e 𝜂, a taxa de

aprendizado.

𝑤𝑗𝑖(𝑙)(𝑛 + 1) = 𝑤𝑗𝑖

(𝑙)(𝑛) + 𝛼[𝑤𝑗𝑖(𝑙)(𝑛 − 1)] + 𝜂𝛿𝑗

(𝑙)(𝑛)𝑦𝑖(𝑙−1)(𝑛) (2.11)

5. Os passos de treinamento 3 e 4 devem ser executados usando

novas épocas de treinamento até que o critério de parada seja atingido, ou seja,

até que o limite de erro mínimo ou o número máximo de épocas seja atingido.

Segundo Fonseca (2012), na rede neural, um problema pertinente é a

configuração de sua estrutura. Uma das maiores dificuldades na utilização de

redes neurais artificiais é encontrar a configuração adequada de sua estrutura

para que ela apresente resultados satisfatórios, ou seja, descobrir qual a função

de ativação dos neurônios de cada camada, quantas camadas e quantos

neurônios em cada camada deve ter a rede neural pode se tornar um trabalho

árduo e cansativo. Já em Ba-Razzouk (1997) e em Ozer e Akin (2001) as

vantagens da utilização das RNA no controle de um motor de indução são:

Maior rapidez do que outros algoritmos, devido à sua estrutura paralela;

As RNAs não necessitam de modelos matemáticos para a sua solução.

Se um neurônio é corrompido, o seu efeito não altera o comportamento

dos demais;

Apresentam resultados otimizados, que incluem as velocidades e os

torque, se treinadas adequadamente.

Capacidade de aprendizagem e de generalização;

As RNAs apresentam robustez, pois são tolerantes a falhas e podem

extrair informações úteis a partir de sinais ruidosos.

Segundo Zadeh (1965), a lógica Fuzzy é um método de manipulação e

aplicação de conhecimento heurístico de um ser humano para controlar um tal

sistema. A integração entre sistemas de Inferência Fuzzy e as Redes Neurais


Artificiais tem se mostrado adequada para a estimação de parâmetros da

máquina de indução. Essa união das RNAs e a Lógica Fuzzy será abordada na

próxima seção.

2.4 SISTEMA HIBRIDO NEURO-FUZZY

O desenvolvimento de um sistema Fuzzy com bom desempenho não é

uma tarefa fácil. O problema de encontrar funções de pertinência e regras

apropriadas é frequentemente um processo exaustivo de tentativa e erro. Essas

dificuldades trouxeram a integração dos algoritmos de aprendizado com os

sistemas Fuzzy, a qual se apresenta como uma alternativa para automatizar ou

apoiar o desenvolvimento de sistemas Fuzzy de ajuste. As razões para combinar

esses dois paradigmas iniciam-se a partir das dificuldades e limitações inerentes

a cada paradigma isolado.

Genericamente, quando são usados de forma combinada, eles são

chamados de Sistemas Neuro-Fuzzy, termo que, no entanto, é muitas vezes

utilizado para designar um tipo específico de sistema que integra as duas

técnicas. Esse tipo de sistema é caracterizado por um sistema Fuzzy no qual

conjuntos Fuzzy e regras difusas são ajustados usando padrões de entrada e

saída (VIEIRA; DIAS; MOTA, 2004). Dentre os tipos de Sistemas híbridos Neuro-

Fuzzy existentes (NAUCK; KLAWON; KRUSE, 1997; e VIEIRA; DIAS; MOTA,

2004), optou-se pelo sistema de inferência híbrido Neuro-Fuzzy adaptativo

(descrito na seção 2.4.1), com o objetivo de estudar a técnica aplicada no Motor-

Mancal.

2.4.1 ANFIS

O ANFIS, acrônimo do inglês Adaptive-Network-Based Fuzzy Inference

System, desenvolvido por Jang (1993), corresponde ao Modelo Sugeno de

primeira ordem. O modelo ANFIS utiliza como estrutura básica um controlador

Fuzzy, o qual pode ser interpretado como uma rede neural de seis camadas

interligadas através de pesos unitários, em que cada uma é responsável por uma

operação que resultará em uma saída análoga à encontrada em uma

determinada etapa de um sistema Fuzzy do tipo Takagi-Sugeno.


Deve-se notar que estruturas semelhantes também foram propostas

independentemente. De acordo com Vieira, Dias e Mota (2004), podem-se citar

o Fuzzy Adaptive Learning Control Network (FALCON), em 1991; Generalized

Approximate Reasoning based Intelligence Control (GARIC), em 1992; Fuzzy

Net (FUN), em 1993; Fuzzy Inference and Neural Network in Fuzzy Inference

Software (FINEST), em 1996; Neuronal Fuzzy Controller (NEFCON), em 1997;

Self Constructing Neural Fuzzy Inference Network (SONFIN), em 1998; Fuzzy

Neural Network (NFN), em 1999.

Essas estruturas são úteis para estimação de parâmetros não lineares,

controle e para muitas outras aplicações. Em Vasudevn, Arumugam e

Paramasivam (2003), o ANFIS foi utilizado para a estimação de parâmetros de

um motor de indução. Zhi-Xiang e He-Qing (2006) propuseram um novo método

para a identificação de sistemas não lineares, utilizando o ANFIS. Foi proposta

uma técnica de calibração de sensores baseada em ANFIS por Depari (2007) e

Ding (2008), os quais empregaram o ANFIS para obter modelos de corrente e

de torque de uma máquina de relutância comutada 6/4.

Lima (2010) propôs o desenvolvimento e a implementação de um

estimador baseado em um sistema de inferência Neuro-Fuzzy adaptativo

(ANFIS) para o controle de velocidade do motor de indução trifásico em um

acionamento sem sensores. Portanto, há diversos trabalhos utilizando o ANFIS.

2.4.2 Estrutura do ANFIS

Para simplificar, primeiro considere um sistema Fuzzy com duas regras

2.12 e 2.13:

𝑅1: 𝑆𝑒 𝑥1 é 𝐴1 𝑐𝑜𝑚 𝜇𝑥1,𝐴1𝑒 𝑥2 é 𝐵1 𝑐𝑜𝑚 𝜇𝑥2,𝐵1 ,𝑒𝑛𝑡ã𝑜 𝑦 = 𝑓1(𝑥) (2.12)

𝑅2: 𝑆𝑒 𝑥1 é 𝐴2 𝑐𝑜𝑚 𝜇𝑥1,𝐴2𝑒 𝑥2 é 𝐵2 𝑐𝑜𝑚 𝜇𝑥2,𝐵2

, 𝑒𝑛𝑡ã𝑜 𝑦 = 𝑓2(𝑥) (2.13)

Sendo 𝑥1 e 𝑥2 as entradas, 𝜇𝑥1,𝐴1, 𝜇𝑥2,𝐵1

, 𝜇𝑥1,𝐴2, 𝜇𝑥2,𝐵2

o grau de pertinências dos

conjuntos Fuzzy 𝐴1, 𝐵1, 𝐴2, 𝐵2 e 𝑓1(𝑥), 𝑓2(𝑥) suas saídas (2.14 e 2.15):

𝑓1(𝑥) = 𝑧11𝑥1 + 𝑧12𝑥2 + 𝑧13 (2.14)

𝑓2(𝑥) = 𝑧21𝑥1 + 𝑧22𝑥2 + 𝑧23 (2.15)


Sabendo-se que, quando 𝑓1(𝑥) = (𝑥1, 𝑥2) é apresentado pelo mecanismo

de inferência Fuzzy, produz a saída (2.16):

𝑦∗ =𝐴1(𝑥1)𝐵1(𝑥1)𝑓1(𝑥)+𝐴2(𝑥1)𝐵2(𝑥1)𝑓2(𝑥)

𝐴1(𝑥1)𝐵1+𝐴2(𝑥1)𝐵2(𝑥1) (2.16)

A estrutura ANFIS implementada pode ser representada pela figura 10.

y

1A

2A

1B

N

11O

1x

2x

2B

12O

13O

14O

N

21O

22O

f

f

31O

32O

1x 2x

1x 2x

41O

42O

3Camada1Camada 2Camada 4Camada 5Camada

Figura 10 - Modelo Sugeno de 1º ordem com duas regras.

A figura 10 apresenta 5 camadas descritas a seguir:

Camada 1: os neurônios desta camada representam as funções de

pertinências de entrada, ou seja, a fase de fuzzificação. Nessa etapa, o

neurônio produz uma resposta igual ao grau de pertinência da variável de

entrada no conjunto nebuloso associado ao neurônio.

𝑂11 = 𝜇𝐴1(𝑥1)

𝑂12 = 𝜇𝐴2(𝑥1)

𝑂13 = 𝜇𝐵1(𝑥2)

𝑂14 = 𝜇𝐵2(𝑥2)

(2.17)

Ressalte-se que 𝜇𝐴1 é o grau de pertinência e 𝑂1𝑖 é a saída da camada i. Esta

camada é chamada de “entrada fuzzy”.


Camada 2: esta camada consiste em neurônios com um operador de

agregação t-norma. Usamos o produto t-norma neste exemplo considerando

a forma com que o produto é usado no procedimento de inferência Sugeno-

Takagi. A sua saída da camada 2 é (2.18 e 2.19):

𝑂21= 𝑤1 = 𝐴1(𝑥1)𝐵1(𝑥2) = 𝜇𝐴1(𝑥1) 𝜇𝐵1

(𝑥2) (2.18)

𝑂22 = 𝑤2 = 𝐴2(𝑥2)𝐵2(𝑥2)=𝜇𝐴2(𝑥1) 𝜇𝐵2

(𝑥2) (2.19)

Nesta etapa, cada neurônio está associado a uma regra SE-ENTÃO.

Assim, a omissão de um neurônio indica a omissão de uma das regras e, nesta

etapa, os neurônios são fixos.

Camada 3: a saída desta camada será a saída dos neurônios da camada

anterior, normalizados, ou seja, a saída de cada neurônio da camada anterior

dividida pela soma da saída de todos os neurônios desta mesma camada.

(𝑂31, 𝑂32) = (𝑂21

𝑂21+𝑂22,

𝑂22

𝑂21+𝑂22) (2.20)

Substituindo as equações (2.18) e (2.19) em (2.20), obtém-se:

(𝑂31, 𝑂32) =

= (𝐴1(𝑥1) + 𝐵1(𝑥2)

𝐴1(𝑥1) + 𝐵1(𝑥2) + 𝐴2(𝑥1) + 𝐵2(𝑥2),

𝐴2(𝑥1) + 𝐵2(𝑥2)

𝐴1(𝑥1) + 𝐵1(𝑥2) + 𝐴2(𝑥1) + 𝐵2(𝑥2))

(2.21)

A equação 2.21 pode ser reescrita como a 2.22 e a 2.23:

𝑂31 =𝑤1

𝑤1+𝑤2= 𝑤1 (2.22)

𝑂32 =𝑤2

𝑤1+𝑤2= 𝑤2 (2.23)

Assim, o valor normalizado do grau de ativação da regra é igual à razão

do grau de ativação da regra associada ao neurônio pela soma dos graus de

ativação de todas as regras.


Camada 4: nesta camada, a resposta produzida por cada neurônio é o

valor da função no consequente da regra multiplicada pelo grau de ativação

normalizado. A função associada aos neurônios desta camada será o polinômio

𝑓(𝑥1, 𝑥2), utilizado pelo modelo Sugeno, em que 𝑥1 𝑒 𝑥2 são as entradas do

sistema e 𝑝, 𝑞 e 𝑟 são os parâmetros ajustáveis do polinômio. Ressalte-se que

os polinômios são representados pelas equações 2.24 e 2.25.

𝑓1 = 𝑝1𝑥1 + 𝑞1𝑥2 + 𝑟1 (2.24)

𝑓2 = 𝑝2𝑥1 + 𝑞2𝑥2 + 𝑟2 (2.25)

As saídas da camada 4 são representadas pelas equações 2.26 e 2.27.

𝑂41 = 𝑂31𝑓1 (2.26)

𝑂42=𝑂32𝑓2 (2.27)

Substituindo as equações 2.24 e 2.25 pela 2.26, obtém-se 2.27

𝑂41 = 𝑤1 (𝑝1𝑥1 + 𝑞1𝑥2 + 𝑟1) (2.27)

Substituindo a equação 2.24 e a 2.25 pela 2.27, obtém-se a equação 2.28:

𝑂42 = 𝑤2 (𝑝2𝑥1 + 𝑞2𝑥2 + 𝑟2) (2.28)

Tais equações podem ser reescritas como em 2.29:

𝑂41 =𝜇𝐴1

(𝑥1) 𝜇𝐵1(𝑥2)

(𝜇𝐴1(𝑥1) 𝜇𝐵1

(𝑥2)) + (𝜇𝐴2(𝑥1) 𝜇𝐵2

(𝑥2)) (𝑝1𝑥1 + 𝑞1𝑥2 + 𝑟1)

𝑂42 =𝜇𝐴2

(𝑥1) 𝜇𝐵2(𝑥2)

(𝜇𝐴1(𝑥1) 𝜇𝐵1

(𝑥2))+(𝜇𝐴2(𝑥1) 𝜇𝐵2

(𝑥2)) (𝑝2𝑥1 + 𝑞2𝑥2 + 𝑟2) (2.29)

Camada 5: nesta camada, ocorre o somatório das saídas dos neurônios das

camadas anteriores e, dessa forma, obtém-se o sinal desejado para o

sistema.

𝑦 = 𝑂41 + 𝑂42 (2.30)


Logo, pode-se simplificar a equação 2.30 em 2.31.

𝑦 = ∑ 𝑖𝑖 𝑓𝑖 (2.31)

Observa-se que os neurônios das camadas 1 e 4 necessitam de ajustes

(aprendizagem), pois, na camada 1, estão localizadas as funções de

pertinências de entrada e, na camada 4, os polinômios Sugeno, que definem as

implicações das regras (RODRIGUES, 2006). Os ajustes dos parâmetros podem

ser obtidos por meio de técnicas adaptativas como o algoritmo Backpropagation.

2.5 CONCLUSÃO

Neste capítulo, foi apresentada uma discussão sobre os aspectos

construtivos dos sistemas de Inferência Fuzzy e seus modelos, assim como uma

breve introdução da lógica Fuzzy e das Redes Neurais Artificiais. Por último,

foram discutidos os aspectos dos sistemas híbridos Neuro-Fuzzy. O capitulo 3

apresentará resultados simulados utilizando as técnicas de Redes Neurais e

Neuro-Fuzzy aplicados na estimação de parâmetros e controle do motor-mancal.

40

CAPÍTULO 3

SIMULAÇÕES DAS TÉCNICAS DE INTELIGÊNCIA ARTIFICIAL

Este capítulo apresenta uma introdução à modelagem vetorial da máquina

de indução funcionando como motor-mancal. São detalhadas as características

do projeto do estimador Neuro-Fuzzy e do controlador Neural. Os resultados

simulados mostraram de forma diferente um bom desempenho para as duas

técnicas aplicadas: como estimador e como controlador de velocidade utilizando

ambas um modelo do motor de indução operando como um motor-mancal.

3.1 INTRODUÇÃO

Para aplicação de novas tecnologias no motor de indução é necessário

conhecer o seu modelo matemático, para poder incorporar quase todas as

técnicas de controle: estimação, detecção e etc. As pesquisas sobre o controle

dos motores de indução nos últimos 20 anos têm centrado no melhoramento dos

esquemas de controle de campo orientado, ou controle vetorial, para resolver os

problemas apresentados pela utilização de sensores acoplados ou instalados

perto do rotor (GONZALEZ CASTELLANOS, 2004).

Os controladores vetoriais necessitam de sensores de fluxo para

determinar o valor exato da magnitude e da posição do fluxo girante. Este fator

gera a necessidade do uso de sensores de fluxo colocados no interior da

máquina, o que em determinados sistemas é inviável pela dificuldade de acesso

CAPÍTULO 3. SIMULAÇÕES DAS TÉCNICAS DE INTELIGÊNCIA ARTIFICIAL 41

ou pelo alto custo destes sensores (PAIVA, 2007). Para contornar esta limitação

utiliza-se o estimador convencional de fluxo ou observador de fluxo baseado no

modelo vetorial da máquina tomando como referencial: o vetor de fluxo do

estator, o vetor de fluxo do rotor ou o vetor do fluxo do entreferro.

De acordo com Paiva, 2007 o referencial no fluxo do rotor tem preferência

quando se deseja simplificar a implementação prática e minimizar o esforço

computacional do sistema. Assim, o controle de campo orientado tem emergido

como uma importante aproximação para o controle de máquinas AC, e continua

a ser discutido e desenvolvido na literatura. A modelagem da máquina de

indução convencional serve como ponto de partida para a obtenção do modelo

da máquina de indução sem mancais com bobinado dividido (FERREIRA, 2006).

A avaliação das técnicas inteligentes artificiais utiliza o diagrama de

blocos da figura 11. O bloco verde representado pelo controlador Proporcional-

Integral foi substituído pelo controlador neural, assim como, o estimador

convencional representado pelo bloco laranja pelo ANFIS.

Figura 11 - Diagrama de blocos do sistema proposto simulado.

O diagrama de blocos da figura 11 apresenta a estrutura completa do

sistema adotado na etapa das simulações computacionais. A modelagem

descrita na seção seguinte e os demais tópicos descreverão as partes principais,

requisitos e restrições para o sistema funcionar como motor-mancal (bloco azul).

i*1

i*2

i*3

i*4

i*5

i*6

PWM 1

PWM 2

PWM 3

PWM 4

PWM 5

PWM 6

PWM

Controladores

de

Corrente

Desbalanceamento

das Correntes de

Fase

Estimador

Convencional

Motor-Mancal

Sensores de

Posição

Sensor

de

Velocidade

d,q

a,b,c

Transformação

Bifásica

para Trifásica

u*α

u*β

= .F*

α

F*β

cos ρ

sin ρ

sin ρ

-cos ρ

F*x

ρ ρ

F*y

Rotor

u*x

u*y

u*a

u*b

u*c

I*a I

*b I

*c

ia i aib ic i bi c

imRefisq

ref

isdref

isd isq

imR^

mMref

ωmec

ωmec

ωref

Δy

Δxy

x

x*y*

PID

6/3/dq Correntes

PID

x

y

mM^

PI

PI PI


3.2 ESTIMADOR CONVENCIONAL COM ORIENTAÇÃO DE CAMPO NO FLUXO DO ROTOR

O controle orientado de campo tem emergido como uma importante

contribuição para o controle de máquinas de motor de indução, e continua a ser

discutido e desenvolvido na literatura (PAIVA, 2007). Esse tipo de controle

possibilita um desacoplamento entre o torque e o fluxo na máquina de corrente

alternada, tornando-a semelhante à uma máquina de corrente continua com

excitação independente. Esta possibilidade permite a melhoria das suas

características dinâmicas. Isto é obtido através da definição de um eixo de

referência dq0 que gira sincronamente com o vetor espacial do fluxo de rotor,

onde o torque é controlado através da componente q do vetor espacial da

corrente de estator e, simultaneamente, o fluxo é controlado através da

componente d do vetor espacial da corrente de estator.

Em Santisteban e Stephan, (2001) propõe-se uma classificação e uma

comparação de diversos métodos de controle para máquinas de indução. Neste

artigo, os autores utilizam o referencial do fluxo do rotor devido ao número

reduzido de equações sem perdas significativas da exatidão. A figura 12

apresenta a estrutura do modelo vetorial convencional da máquina de indução

com referencial no fluxo do rotor (LEONHARD, W., 2001).

Coordenadas do

Estator

RT

mRi

k RTPn

cossin

iS3

iS2

iSb

iSaiS1 iSd

iSq

Transformação de

Coordenadas

Coordenadas de

Campo do Rotor

cos(ρ )

sin(ρ )

ρωmR

ωmecmM

mL

3

2

3

2

Figura 12 - Representação do Estimador Convencional em diagramas de blocos em coordenadas de campo do rotor (Leonhard, 2001).

A equação 3.1 representa as correntes em coordenadas de campo a partir

da posição angular 𝜌(𝑡) do fluxo girante.

𝑖𝑆𝑑(𝑡) = 𝑖𝑆𝛼(𝑡)𝑐𝑜𝑠 𝜌 + 𝑖𝑆𝛽(𝑡)𝑠𝑒𝑛 𝜌


𝑖𝑆𝑞(𝑡) = 𝑖𝑆𝛽(𝑡)𝑐𝑜𝑠 𝜌 − 𝑖𝑆𝛼(𝑡)𝑠𝑒𝑛 𝜌 (3.1)

Neste, 𝑖𝑆𝑑(𝑡) e 𝑖𝑆𝑞(𝑡) são respectivamente as correntes de campo e quadratura

do estator e 𝑖𝑆𝛼(𝑡) 𝑒 𝑖𝑆𝛽(𝑡) são as correntes correspondentes à um sistema

bifásico equivalente no referencial estacionário. Estas correntes representadas

no sistema d-q são, respectivamente, as correntes de campo e quadratura, as

quais serão aplicadas ao modelo da máquina para o estudo e estimação de

estados da mesma (PAIVA, 2008). A partir da Figura 12 podem ser obtidas as

seguintes equações. A Equação (3.2) expressa o torque elétrico - 𝑚𝑀.

𝑚𝑀 = 𝑘. 𝑖𝑚𝑅(𝑡). 𝑖𝑆𝑞(𝑡), 𝑘 =2

3(1 − 𝜎)𝐿𝑠 (3.2)

Nesta, 𝑘 é uma constante relacionada à indutância própria do estator (𝐿𝑠); 𝜎 , o

fator de dispersão; 𝑖𝑚𝑅(𝑡), a corrente de magnetização que está diretamente

relacionada à magnitude do campo girante.

A equação (3.3) refere-se à corrente de magnetização - 𝑖𝑚𝑅(𝑡):

𝑇𝑅𝑑𝑖𝑚𝑅(𝑡)

𝑑𝑡+ 𝑖𝑚𝑅(𝑡) = 𝑖𝑆𝑑(𝑡) (3.3)

Neste, 𝑇𝑅 é a constante de tempo do rotor que pode ser calculado por 𝑇𝑅 = 𝐿𝑅 𝑅𝑅⁄

em que: 𝐿𝑅 é a indutância própria do rotor e o 𝑅𝑅 é a resistência do rotor. A

equação (3.4) representa a velocidade angular do fluxo - 𝜔𝑚𝑅.

𝑑𝜌(𝑡)

𝑑𝑡= 𝜔𝑚𝑅 = 𝑛𝑝. 𝜔𝑚𝑒𝑐 +

𝑖𝑆𝑞(𝑡)

𝑇𝑅.𝑖𝑚𝑅(𝑡) (3.4)

Neste, 𝜔𝑚𝑒𝑐 representa a velocidade mecânica; 𝑛𝑝, o número de par de pólos da

máquina. Integrando a equação (3.4) obtém-se a posição das coordenada

girante do fluxo do rotor - 𝜌(𝑡).

De acordo com Paiva, 2007 o desacoplamento entre os vetores de fluxo

e o torque é uma condição básica de controle vetorial da máquina de indução,

pois este tipo de controle aproxima a mesma de uma máquina de corrente

contínua, cujos os controles de fluxo e de torque são feitos independentemente.


As equações (3.2) a (3.4) representam as equações elétricas. Para o

comportamento mecânico do modelo da máquina não levou-se em consideração

o atrito viscoso dos mancais como forma de aproximar o comportamento da

máquina convencional ao comportamento da máquina sem mancais. A equação

(3.5) representa o torque de carga – 𝑚𝐿 e a equação (3.6) o momento de inércia

do rotor – 𝐽, ambas as equações representam o comportamento mecânico da

máquina.

𝑚𝐿(𝑡) = 𝐷.𝑚𝑀(𝑡) (3.5)

𝑑𝜔𝑚𝑒𝑐(𝑡)

𝑑𝑡=

𝑚𝑀(𝑡)−𝑚𝐿(𝑡)

𝐽 (3.6)

Em que 𝐷 é o fator de carga. Segundo Paiva, 2007 este modelo

representado pelas equações (3.2) a (3.6) servem para serem utilizadas no

estimador de fluxo para o sistema de controle vetorial de velocidade da máquina

de indução sem mancais com bobinado dividido.

3.3 MÁQUINA DE INDUÇÃO SEM MANCAIS TRIFÁSICA COM BOBINADO DIVIDIDO

Um problema comumente apresentado pelas máquinas elétricas rotativas

tem sido o desgaste dos mancais ou rolamentos, que servem para sustentar,

centralizar e reduzir os níveis de atrito entre o rotor e o estator. Para minimizar

esse aspecto negativo têm surgido algumas inovações, como os motores

elétricos com mancais magnéticos e motores elétricos sem mancais ou motor

mancal (FERREIRA, 2006) (GOMES, 2007).

O funcionamento adequado de uma máquina sem mancais exige

controles de posição, rotação e torque do eixo do rotor. Estas formas de controle

são conseguidas conhecendo-se vários parâmetros da máquina, tais como:

número de pólos, rotação nominal, corrente nominal, frequência de operação,

indutâncias do rotor, indutâncias do estator, indutâncias mútuas entre rotor e

estator, resistências do rotor e estator e, em tempo real, com o uso de sensores,

a posição e rotação do eixo do rotor em relação ao estator, correntes, fluxos

magnéticos e tensões (SOUZA FILHO, 2012).


A tabela 2 apresenta alguns parâmetros obtidos através de ensaios

realizados no laboratório (VICTOR, 2012) e adotados neste trabalho para as

simulações e obtenção dos resultados.

Tabela 2 – Parâmetros e Características do Motor.

Símbolos Descrição Valores

Pnom Potência Nominal 3,70 kW

Wmec Velocidade Nominal 1715 RPM

Tnom Tensão nominal 380V

Np Número de par de pólos 2

R1 Resistência do Estator 1,182 Ω

R2 Resistência do Rotor 1,42 Ω

J Momento de Inércia 0,00995 kg.m2

Ls Indutância do Estator 6,56 mH

Lr Indutância do Rotor 6,56 mH

Lm Indutância de Magnetização 0,14 H

rfe Perda do núcleo 891,2 Ω

g0 Tamanho do gap 0,25mm

A estrutura da máquina adotada como referência neste trabalho possui

três fases, quatro pólos e utiliza o rotor de gaiola de esquilo. As bobinas estão

ligadas em série para formar um grupo de fase e cada grupo de fase tem duas

bobinas diametralmente opostas, figura 13.

Figura 13 - Esquema de distribuição das bobinas no estator (VICTOR, 2012).

A figura 13 mostra a distribuição de enrolamento de estator, em que existe

um ângulo de deslocamento de fase 120° entre cada eixo grupo de fase.


Figura 14 - Circuito equivalente da máquina de indução (VITOR, 2012).

A figura 14 mostra o circuito equivalente em regime permanente, por fase.

Observa-se que ia1 é a corrente do estator e i’a1 representa a corrente do rotor.

Os demais parâmetros do motor estão listados na tabela 1. A seção 3.4 a seguir

descreve as considerações adotadas no Motor-Mancal para as simulações

computacionais.

3.4 MOTOR-MANCAL

A figura 15 apresenta a distribuição das bobinas no estator e as correntes

em cada meio grupo do enrolamento para o motor-mancal utilizado na pesquisa.

As equações abaixo descrevem o desbalanceamento das correntes para o

controle de posição. Para diminuir a complexidade do sistema considerou-se que

o rotor encontra-se centralizado para as simulações.

X

Y

Ic2

Ia1

Ib2

Ic1

36

129

2

4

8

11

1

5

7

10

Ia2

Ib1

Figura 15 - Esquema das bobinas do estator.

As seguintes considerações foram adotadas para que o modelo da

máquina de indução se aproximasse do modelo do motor-mancal:

O modelo da máquina de indução sem mancal a princípio funcionando

com o rotor centralizado, pois este comportamento tem o Modelo

equivalente à Máquina de Indução Convencional (FERREIRA, 2006);


Utilizou-se os parâmetros da máquina, tabela 2, adotados em Vitor, V. F.

et. al. 2012, visto que a máquina de indução convencional funciona como

um motor sem mancal mecânico;

As simulações levaram em consideração a alimentação trifásica

equilibrada.

Adotado esses critérios, o modelo de máquina de indução comportar-se-

á como modelo da máquina de indução sem mancal ou motor mancal.

3.5 SINTONIA DOS CONTROLADORES PARA O CONTROLE VETORIAL

O controle vetorial de velocidade mostrado na figura 11 é composto

basicamente por três controladores do tipo Proporcional-Integral, sendo eles:

controlador para o erro de velocidade, cuja saída é o torque elétrico de referência

- 𝑚𝑀𝑟𝑒𝑓. Em série com o controlador de velocidade, tem-se o controlador de

torque, o qual é responsável pela geração da referência de corrente de torque -

𝑖𝑆𝑞𝑟𝑒𝑓. E por último, o controlador da corrente de magnetização, o qual é

responsável pela geração da referência de corrente de campo - 𝑖𝑆𝑑𝑟𝑒𝑓 (PAIVA,

2007). Para os controladores Proporcional-Integral-Derivativo (PID) referentes

às posições x e y considerou-se que o rotor estivesse centralizado para a

simplificação do projeto.

A figura 16 mostra as várias sintonias realizadas empiricamente para a

malha de controle da velocidade mecânica e, de modo análogo, realizou-se a

sintonia dos controladores das demais malhas com intuito de encontrar a melhor

resposta para o sistema, tabela 3.

Tabela 3. Parâmetros dos Controladores PI utilizados na sintonia.

PI

𝝎𝒎𝒆𝒄 𝒎𝑴 𝒊𝒎𝑹

kpw kiw kpmM kimM kpimR kiimR

(1) 10.7 50 1 10 2 50

(2) 6 60 2 100 2 15

(3) 1 10 2 50 1 30


Figura 16 - Sintonia do controlador de velocidade.

Após os ensaios realizados foram escolhidos os parâmetros da sintonia 2

da tabela 3. Assim, procedeu-se com as demais malhas de controle ajustando

os controladores. Os parâmetros adotados para os controladores de torque e da

corrente de magnetização são os da tabela 4.

Tabela 4 – Parâmetros dos Controladores.

Controlador

Proporcional-Integral Parâmetros Valores

Torque KpmM 1

KimM 100

Corrente de Magnetização KpimR 2

KiimR 50

3.6 DESCRIÇÃO DAS TÉCNICAS DE INTELIGENCIA ARTIFICIAL APLICADAS NO MOTOR-MANCAL

A implementação das técnicas de inteligência artificial levou em

consideração alguns critérios para a simulação. As equações (3.2 a 3.5) foram

discretizadas utilizando o método de Euler com um passo de integração 10e-6,

utilizando os parâmetros nominais do motor-mancal da tabela 1.1, considerando

a condição de rotor centralizado. Utilizou-se o Matlab® R2010a para a

implementação do sistema proposto da figura 11.

0 2 4 6 8 100

200

400

600

800

1000

1200

1400

1600

1800

2000

Tempo(s)

Ve

locid

ad

e M

ecâ

nic

a (

RP

M)

REF

Sintonia (1)

Sintonia (2)

Sintonia (3)


3.6.1 Estimador ANFIS

O estimador convencional, adotado nas simulações, foi comparado com

o estimador ANFIS na seção 3.7 e o processo de treinamento utilizou um

intervalo de tempo de treinamento de 60 segundos, e as variações dos

parâmetros foram impostas considerando os seguintes critérios:

Foram aplicados degraus sucessivos ascendentes e descendentes entre

0 e 2000rpm (variações de velocidades de referência);

Variação da constante de tempo do rotor (a cada 2 segundos de forma

aleatórias variando no range de 0-20% em relação ao valor nominal da

constante);

A cada 5 segundos foram aplicadas variações crescentes e decrescentes

de carga de 0.05 N.m (variação do torque de carga); Esse critério baseou-

se em Paiva, (2007).

3.6.2 Controlador Neural

O Controlador Neural substitui o controlador PI de velocidade da figura 11.

O projeto do controlador neural está descrito na seção 3.8. A coleta de dados

para o treinamento da rede neural seguiu alguns critérios:

O processo de treinamento utilizou um intervalo de tempo de treinamento

de 60 segundos;

Foram aplicados degraus sucessivos ascendentes e descendentes entre

600 e 1900 rpm (variações aleatórias de velocidades de referência);

3.7 PROJETO E ANALISE DO SISTEMA ANFIS

As estruturas adotadas no estimador Neuro-Fuzzy para estimar os

parâmetros, basearam-se em dois estimadores, sendo um para a estimação da

corrente de magnetização e o outro para a estimação do fluxo do rotor. O

estimador ANFIS 1 utiliza as seguintes entradas: a corrente direto de campo -𝑖𝑆𝑑

e a corrente de magnetização atrasada. E como saída, a corrente de

magnetização. Já o ANFIS 2 utiliza as seguintes entradas: velocidade mecânica


- 𝑤𝑚𝑒𝑐 e a corrente de quadratura - 𝑖𝑆𝑞 e como saída a velocidade angular

estimada após a discretização - 𝑑.

Tabela 5. Parâmetros do ANFIS1. Funções de Pertinências

Épocas Erro (MSE) do Treino

Erro (MSE) de Validação

2 50 0,0558002 0.00813261

3 150 0,0488926 0.00815185

3 300 0,0409925 0.01109080

5 500 0,00175787 0,00781050

Com o intuito de encontrar a melhor configuração foram realizados vários

treinamentos com diferentes parâmetros para a obtenção de melhores critérios

para as simulações, tabela 5 e 6.

Tabela 6. Parâmetros do ANFIS2. Funções de Pertinências

Épocas Erro (MSE) do Treino

Erro (MSE) de Validação

2 50 0.00406290 0.00489893

3 150 0.00533958 0.7491140

3 300 0.00448118 0.3522810

5 400 0.00359959 0.3302490

Os critérios adotados em ambos os estimadores foram: 300 épocas para

o treinamento e erro de tolerância igual a zero. A função de pertinência adotada

nos estimadores foram o gbellmf (do inglês bell curve membership function) do

toolbox do Matlab®.

A figura 17 (A) ilustra a superfície Fuzzy obtida como resultado do

treinamento da corrente de quadratura e de magnetização. Deduz-se que o

resultado linear obtido deve-se ao rotor centralizado. A figura 17 (B) ilustra a

superfície não-linear Fuzzy obtida como resultado do treinamento da velocidade

mecânica e da corrente de quadratura.

(A) (B)

Figura 17 - (A) - Superfície Fuzzy Sugeno – ANFIS 1 e (B) - ANFIS 2.

dp

(k)

dp (

k)

imR

(k)

wmec (k) isq (k)

imR (k-1) isd (k)


As figuras 18 ilustram o comportamento antes e depois do treinamento

para o ajuste das pertinências: 𝑖𝑆𝑞 e a 𝑖𝑚𝑅, onde as curvas [azul, verde e

vermelha] representam as regras geradas pelo ANFIS e in1mf1, in1mf2 e

in1mf3 são as pertinências geradas pelo ANFIS 1 e pelo ANFIS 2 são in2mf1,

in2mf2 e in2mf3 .

(A) (B)

Figura 18 - Pertinências antes do treinamento e depois (A) – 𝑖𝑆𝑑(𝑘) e (B) – 𝑖𝑚𝑅(𝑘 − 1).

Observa-se que após o término do treinamento das funções de

pertinências da figura 19 foram ajustadas para cada entrada do estimador 1 da

figura 17 (A). Com o resultado do treinamento do estimador ANFIS 2 obteve-se

os ajustes das pertinências para as entradas. A figura 19 ilustra o comportamento

antes e depois do treinamento a velocidade mecânica.

(A) (B)

Figura 19 - Pertinências antes do treinamento e depois (A) – 𝜔𝑚𝑒𝑐(𝑘) e 𝑖𝑆𝑞(𝑘).

0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 1

0

0.5

1

ANFIS 1: Antes do Treinamento - isd(k)

Gra

u d

e P

ert

inência

in1mf1 in1mf2 in1mf3

0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 1

0

0.5

1

ANFIS 1: Depois do Treinamento - isd(k)

Gra

u d

e P

ert

inência


0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 1

0

0.5

1

ANFIS 2: Antes do Treinamento - wmec(k)

Gra

u d

e P

ert

inência


0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 1

0

0.5

1

ANFIS 2: Depois do Treinamento - wmec(k)

Gra

u d

e P

ert

inência


0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 1

0

0.5

1

ANFIS 1: Antes do Treinamento - imR(k-1)

Gra

u d

e P

ert

inência


0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 1

0

0.5

1

ANFIS 1: Depois do Treinamento - imR(k-1)

Gra

u d

e P

ert

inência


0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 1

0

0.5

1

ANFIS 2: Antes do Treinamento - isq(k)

Gra

u d

e P

ert

inência


0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 1

0

0.5

1

ANFIS 2: Depois do Treinamento - isq(k)

Gra

u d

e P

ert

inência



Na figura 19 (A) observa-se o cancelamento de uma pertinência. Já na

figura 19 (B) não houve cancelamento da pertinência e sim uma distribuição das

mesmas. Estes resultados de eliminação e distribuição são pertinentes ao

treinamento Neuro-Fuzzy.

3.7.1 Resultados das simulações com o estimador ANFIS

As simulações foram executadas no intervalo de 0 a 20 segundos. O

resultado apresentado na figura 20 mostra a velocidade mecânica do motor

simulado submetido as seguintes mudanças de referências: 680, 1800 e 900 rpm

e em seguida aplicada uma perturbação no instante igual a 10 segundos. A

perturbação foi uma aplicação de um torque de carga com um valor nominal igual

a 5.4 N.m.

Figura 20 - Resultado comparativo da velocidade mecânica com os estimadores.

O resultado a seguir mostra o desempenho do erro do controlador de

velocidade referente ao modelo do estimador convencional e ao estimador

ANFIS, figura 21.

0 2 4 6 8 10 12 14 16 18 200

200

400

600

800

1000

1200

1400

1600

1800

2000

Tempo(s)

Velo

cid

ade m

ecanic

a(R

PM

)

Velocidade Mecânica de Referência

Velocidade Mecânica com o Estimador Convencional

Velocidade Mecânica com o Estimador ANFIS


Figura 21 - Sinal do erro do controlador de velocidade.

Na figura 22 apresenta-se o comportamento para o torque elétrico nas

condições impostas na simulação com os estimadores convencionais e com o

estimador Neuro-Fuzzy.

Figura 22 - Resposta do torque elétrico operando nas condições de simulação.

A figura 23 ilustra o sinal do erro do controlador PI para o torque elétrico.

A legenda da figura identifica o comportamento do erro do controlador para cada

estimador simulado.

0 2 4 6 8 10 12 14 16 18 20-100

-50

0

50

100

150

Tempo(s)

Sin

al do e

rro d

o C

ontr

ola

dor

PI

da V

elo

cid

ade M

ecânic

a

Erro - Wmec do estimador ANFIS

Erro - Wmec do estimador convencional

0 2 4 6 8 10 12 14 16 18 20-1

0

1

2

3

4

5

6

7

8

Tempo(s)

Torq

ue e

letr

ico (

N.M

)

Torque eletrico - estimador ANFIS

Torque eletrico - estimador convencional


Figura 23 - Sinal do erro do controlador de torque.

Na figura 24 apresenta-se o comportamento da posição angular com um

zoom em um intervalo de operação de 0 a 0,2s. Observa-se neste resultado o

sincronismo do 𝜌(𝑘) para os estimadores.

Figura 24 - Resultado da posição angular do Fluxo do rotor.

3.8 PROJETO E ANALISE DO CONTROLADOR NEURAL

A estrutura neural utilizou as três entradas: a velocidade mecânica –

𝑤𝑚𝑒𝑐(𝑘); 𝑒𝑟𝑟𝑜(𝑘) o erro atual; e o erro anterior 𝑒𝑟𝑟𝑜(𝑘 − 1) e como saída o

torque de referência (𝑛𝑀𝑟𝑒𝑓) para o controlador de torque. O processo de

treinamento foi realizado no modo off-line, e sua coleta utilizou 12.000 pontos

para os pares de entrada e saída, com uma variação de velocidade mecânica de

0 2 4 6 8 10 12 14 16 18 20-4

-2

0

2

4

6

8

10

12

14

Tempo(s)

Sin

al do E

rro d

o C

ontr

ola

dor

PI

para

o T

orq

ue E

létr

ico

Sinal do Erro utilizando o Estimador ANFIS

Sinal do Erro utilizando o Estimador convencional

0 0.02 0.04 0.06 0.08 0.1 0.12 0.14 0.16 0.18 0.20

1

2

3

4

5

6

7

Tempo(s)

Posiç

ão a

ngula

r do F

luxo d

o r

oto

r(ra

d)

Posição angular do Fluxo do rotor com estimador ANFIS

Posição angular do Fluxo do rotor com estimador convencional


600 a 2.000 rpm, randomicamente. A tabela 7 apresenta os parâmetros

estruturais da Rede Neural, na qual a convergência do processo de treinamento

ocorreu em 841 épocas.

A topologia da tabela 7 foi escolhida após vários testes de desempenho

com um número diferente de camadas e neurônios por camada. O algoritmo de

treinamento escolhido foi o Levenberg-Marquardt.

A figura 25 mostra a curva de erro obtido com o treinamento da rede

neural.

Figura 25 - Erro quadrático médio para um treinamento com 847 épocas. Fonte: Toolbox Matlab ®.

A figura 26 mostra os desempenho do treinamento, na validação e no

teste avaliado, resultantes do treinamento.

0 100 200 300 400 500 600 700 800

10-6

10-4

10-2

100

Best Validation Performance is 9.4197e-07 at epoch 841

Me

an

Sq

ua

red

Err

or

(m

se

)

847 Epochs

Train

Validation

Test

Best

Arquitetura da Rede Perceptron multicamadas

Tipo de treinamento Supervisionado - offline

Número de camadas 3

Neurônios da camada de entrada 3

Neurônios da 1st camada escondida 10

Neurônios da camada de saída 1

Algoritmo de treinamento Levenberg-Marquardt backpropagation

Taxa de aprendizagem 5e-2

Número de épocas 841

Erro de treinamento 9.4197e-7

Função de ativação da camada escondida Tangente hiperbólica

Função de ativação da camada saída Linear

Tabela 7 Parâmetros da Rede Neural.


(A) (B) (C)

Figura 26 - Resultado de treinamento (A), validação (B) e testes da Rede Neural (C). Fonte: Toolbox Matlab ®.

A figura 26 apresenta o parâmetro R na parte superior. Esse parâmetro

indica a relação entre a saída e o alvo que pode variar entre 0 e 1. Quanto mais

próximo de 1, melhor a previsão. Após o treinamento, foram ajustados os pesos

e realizado a simulação da rede neural no lugar do controle PI da figura 11.

3.8.1 Resultados das simulações da Rede Neural

As simulações foram executadas no intervalo de 0 a 10 segundos. O

resultado apresentado na figura 27 mostra a velocidade mecânica do motor

simulado submetido às seguintes mudanças de referências: 1.200, 1.800 e 1.500

rpm.

Figura 27 - Resultado comparativo da velocidade mecânica com os controladores: neural e PI.

0 1 2 3 4 5 6 7 8 9 100

200

400

600

800

1000

1200

1400

1600

1800

2000

Tempo(s)

Velo

cid

ade m

ecanic

a(R

PM

)

Velocidade mecanica - Controle Neural

Velocidade mecanica - Controle PI

Velocidade mecanica de Referencia


O resultado a seguir mostra o desempenho do erro do controlador de

velocidade referente aos controladores implementados, figura 28.

Figura 28 - Sinal do erro do controlador neural e PI de velocidade.

A figura 29 (A) ilustra o sinal do erro do controlador neural e PI para o

torque elétrico e em (B) o sinal do erro do controlador neural e PI para a corrente

de magnetização, mostrando que em ambas as figuras 29 (A) e (B) o erro anulou-

se, a não ser quando a referência da velocidade mecânica alterava.

(A) (B)

Figura 29 - Sinal do erro do controlador operando com a Rede Neural e com o Controle PI (A) – Torque elétrico e (B) – Corrente de magnetização.

0 1 2 3 4 5 6 7 8 9 10-100

-50

0

50

100

150

Tempo(s)

Err

o d

o C

ontr

ola

dor

de V

elo

cid

ade

Erro - Controle Neural

Erro - Controle PI

0 1 2 3 4 5 6 7 8 9 10

-4

-2

0

2

4

6

8

Tempo(s)

Sin

al do e

rro d

o C

ontr

ola

dor

PI

da C

orr

ente

de M

agnetização

Erro - ImR com Rede Neural

Erro - ImR do estimador convencional

0 1 2 3 4 5 6 7 8 9 10

-10

-8

-6

-4

-2

0

2

4

6

8

10

Tempo(s)

Sin

al do e

rro d

o C

ontr

ola

dor

PI

para

o T

orq

ue E

létr

ico

Erro - Rede Neural

Erro - Estimador convencional


Na figura 30 apresenta-se o comportamento da posição angular com um

“zoom” em um intervalo de operação de 0 a 0,4s. Observa-se neste resultado o

sincronismo do 𝜌(𝑘) para os estimadores.

Figura 30 - Resultado da posição angular do Fluxo do rotor com o controlador neural e PI de

velocidade.

3.9 CONCLUSÃO

Neste capítulo foram estudados e implementados: o ANFIS como

estimador e a Rede Neural como controlador para o controle vetorial de

velocidade. Os resultados mostraram de forma diferente um bom desempenho

para as duas técnicas de inteligência artificial, as Redes Neurais e o ANFIS,

aplicadas no motor-mancal. Foram avaliados o comportamento dos sistemas

operando como estimador de parâmetros internos com a técnica ANFIS e a

operação do sistema com o controlador neural. Avaliou-se o comportamento

variando a velocidade mecânica, e assim, analisando as demais variáveis como:

torque, corrente de magnetização e a posição rotórico do motor-mancal. O

próximo capítulo descreve o arranjo experimental do sistema motor-mancal.

0 0.05 0.1 0.15 0.2 0.25 0.3 0.35 0.40

1

2

3

4

5

6

7

Tempo(s)

Posiç

ão a

ngula

r do F

luxo d

o r

oto

r(ra

d)

Posição angular do Fluxo do rotor com o Controle Neural

Posição angular do Fluxo do rotor com Controle PI

59

CAPÍTULO 4

ARRANJO EXPERIMENTAL

Neste capítulo, é apresentado o arranjo experimental, ou seja, o conjunto

de periféricos que dão suporte ao funcionamento do motor-mancal e possibilitam

a implementação da estratégia de controle em cascata: controle de corrente,

controle de posição e o controle de velocidade. As configurações experimentais

apresentadas foram obtidas com o Osciloscópio Agilent Technologies DSO-X-

2012A.

4.1 MOTOR-MANCAL

De acordo com Souza Filho (2011), o motor de indução trifásico de 3,7kVA

recebeu modificações para operar como máquinas sem mancais, por exemplo:

a configuração das bobinas em dupla estrela e a retirada de um dos rolamentos

de uma das extremidades do eixo do rotor. Essa última modificação ocasionou

problemas no trabalho de Victor (2012), segundo o qual o problema de

excentricidades do eixo do motor-mancal ocasionado quando há o deslocamento

do rotor dificultou o ajuste dos ganhos do controlador de posição. As órbitas eram

projetadas girando-se o eixo manualmente e, depois, translacionando-o pela

periferia do entreferro. De acordo com Victor (2012), após a instalação do

rolamento autocompensador, o eixo passou a produzir várias órbitas quando

deslocado perifericamente. A figura 31 apresenta três órbitas possíveis

CAPÍTULO 4. ARRANJO EXPERIMENTAL 60

projetadas ao se deslocar o eixo perifericamente na caixa de alojamento do

rolamento superior.

Figura 31 - Excentricidades do eixo do motor-mancal. Fonte: Victor, 2012.

Após a substituição do DSP 2812 pelo DSP 28335, a sintonia empírica do

controlador PD de posição tornou-se uma tarefa difícil devido ao problema de

excentricidade do rotor. Com o objetivo de solucionar o problema de

excentricidade do eixo do rotor, o motor de indução foi levado ao Laboratório de

Mecânica e Tornearia localizado no campus de Parnamirim do Instituto Federal

de Educação, Ciência e Tecnologia do Rio Grande do Norte (IFRN), para corrigir

esse desbalanceamento.

Para corrigir o desbalanceamento, o motor de indução foi desmontado e

o eixo do rotor composto pelos rolamentos e o disco foram posicionados no torno

para realizar o desbaste no disco. No intuito de aumentar a precisão, foi utilizado

o relógio no desbaste, figura 32 (A), e, em 35 (B), aferição do desbalanceamento

do motor de indução com o auxílio do relógio.

(A) (B)

Figura 32 - (A) Eixo do rotor no torno e (B) o motor de indução.


Porém, o problema da excentricidade persistiu, diminuindo somente o

número de órbitas. Com a correção do desbalanceamento do eixo no torno, o

número de órbitas passou de três para duas. Este fenômeno dificultou a sintonia

do controlador de posição.

A solução encontrada foi a substituição do motor de indução convencional

modificado do trabalho de Victor (2012) pelo protótipo do motor-mancal utilizado

no trabalho de Ferreira, (2002), que estava localizado no Laboratório de

Engenharia de Computação e Automação (LECA) da UFRN, figura 33.

Figura 33 - Motor-mancal.

De acordo com Ferreira, (2002), o motor-mancal da figura 36 é uma

máquina de indução convencional adaptada para operar sem seus mancais

mecânicos, tendo seu posicionamento radial controlado por campos magnéticos.

O motor da figura 36 foi construído pela ELETROMECÂNICA IND. & COM. LTD

e os dados utilizados como parâmetros para o controle da máquina foram os da

tabela 8.

Tabela 8 – Parâmetros do protótipo do motor.

Parâmetros Valor

Potência nominal 1 Hp[cv]

Frequência 60 Hz

Número de Polos 4

Tensão nominal 220/380 V

Corrente nominal 3.02/1.75 A

Corrente à vazio 1.90 A

Potência à vazio 160.00 W

Resistência 7.38 Ohms

Resistência de Estator por fase 0.73 Ohms


Realizada a substituição do motor foi necessário configurar a ligação

elétrica do motor. Para isso, identificaram-se as bobinas e suas respectivas

fases, pois, de acordo com Ferreira, (2002), as bobinas do estator sofreram

algumas alterações, foram divididas ao meio como estratégia para a realização

do controle. Na figura 34, podem-se visualizar a localização e a identificação dos

grupos de bobinas.

Figura 34 - Motor-mancal sem tampa com identificação dos grupos das bobinas.

A fim de facilitar a identificação das fases e dos grupos de bobinas para

nomear os eixos X e Y para o controle de posição, foi necessário realizar dois

experimentos com o auxílio de uma bússola. A figura 35 mostra o experimento

no qual identificamos o eixo Y pelos grupos de bobinas 2 e 7 e 1 e 8. Pode-se

verificar a orientação da bússola indicando a direção Y, apresentada na figura

38.

Figura 35 - Experimento para determinar a configuração do eixo Y.

Já a figura 36 apresenta o segundo experimento, no qual verifica-se o

segundo eixo, eixo X, identificado pelo grupo de bobinas 3 e 9. Pode-se verificar

a orientação da bússola indicando a direção X.


Figura 36 - Experimento para determinar a configuração do eixo X.

Com base nos experimentos, a figura 37 apresenta o arranjo de ligações

desses enrolamentos para operação como máquina sem mancal do tipo

bobinado dividido.

Figura 37 - Arranjo de ligação dos enrolamentos do motor-mancal.

O resultado da figura 38 identificou cada grupo de bobina de acordo com

a sequência da figura 37. Para isso, excitou-se cada grupo de bobinas com

tensões continuas.

Figura 38 - Arranjo de ligação dos enrolamentos do motor-mancal.

No entanto, foi necessário realizar adequações nos periféricos referentes

à posição e à velocidade para permitir um controle efetivo nas condições


impostas ao motor-mancal. Estas modificações são apresentadas nas seções

seguintes.

4.2 SENSORES DA POSIÇÃO RADIAL

De acordo com Souza Filho (2011), o controle da posição radial para uma

máquina sem mancais consiste em fazer o rotor "flutuar", ou seja, sem que haja

contato mecânico com o estator. O posicionamento dos sensores AEC 5505-04,

um para o eixo X e outro para o eixo Y, foi fixado de acordo com a figura 39.

Maiores detalhes dos sensores de posição podem ser encontrados em Souza

Filho (2011).

Figura 39 - Base utilizada para fixação das ponteiras do sensor AEC 5505-04. Fonte: Souza Filho (2011).

A representação da base de fixação da figura 39 pode ser vista na figura

33 na parte superior do motor. Na figura 40, é apresentado o circuito eletrônico

utilizado com o sensor AEC 5505-04.

Figura 40 - Circuito eletrônico utilizado com o sensor AEC 5505-04. Fonte: Souza Filho (2011).


O circuito eletrônico da figura 40 apresentou problema no desenho dos

limites máximos do deslocamento dos eixos X e Y, pois não estava existindo a

possiblidade de formar o círculo representando as coordenadas XY. A figura 41

mostra o deslocamento radial para duas situações.

A primeira situação apresenta uma área maior referente ao limite máximo

do deslocamento entre os eixos, assim como sinais ceifados nos eixos X e Y,

enquanto o segundo comportamento apresenta o limite máximo do

deslocamento radial desejado para o controle de posição. Ambos deslocamentos

foram realizados manualmente.

Figura 41 - Deslocamento radial indesejado e desejado para o controle de posição.

A solução no segundo deslocamento radial foi possível atenuando-se os

sinais dos sensores X e Y com a adição de dois resistores de 10kΩ antes dos

amplificadores operacionais presentes no esquema da figura 40. Os resistores

de 10kΩ foram posicionados na entrada dos sinais de posição dos eixos X e Y.

Porém, persistiu outro problema, a calibração dos sensores (figura 42).

(A) (B)

Figura 42 - (A) Deslocamento radial ceifando na coordenada Y e (B) os sinais dos sensores X(verde) e Y(amarelo) em modo livre do osciloscópio.

1º situação 2º situação


A figura 42 (A) mostra uma figura distorcida, justificada pela presença do

sinal na figura 42 (B) onde verifica-se um ceifamento no sinal do eixo Y

representado pela cor amarela. Esse problema pode ocorrer nos sinais dos eixos

X e Y.

Nesse caso, a correção desse problema é feita a partir do ajuste dos

offsets. Para isso, deve-se fazer com que o comportamento do sinal do eixo Y

não apresente nenhum sinal de ceifamento. Quando o sinal do eixo Y se

aproxima do sinal do eixo X, o resultado do ajuste dos offsets resulta na figura

43. O comportamento dos sinais equivalentes aos eixos X e Y deve ser ajustado

até obter o comportamento da figura 43.

Figura 43 - Comportamento dos sinais após o ajuste do offset dos sensores.

Após a substituição do motor-mancal, foi solucionado o problema de

excentricidade do rotor, como pode ser observado na figura 44.

Figura 44 - Limite de deslocamento radial do rotor.

Outra vantagem identificada na substituição do motor-mancal foi o

aumento do entreferro, que passou de 0,3mm para 0,5mm, o que possibilita uma

faixa maior para a sintonia empírica do controle de posição.


4.3 SENSORES DE ROTAÇÃO

Segundo Souza Filho (2012), uma máquina rotativa, ao ser submetida a

um torque no eixo, além de necessitar de mais corrente nas bobinas, também

sofre uma variação na rotação. Desse modo, para se implementar um controle

de rotação da máquina, é indispensável o conhecimento da rotação em tempo

real, assim como das correntes nas bobinas. Para se medir a rotação no eixo da

máquina sem mancais, foram adotados um encoder constituído por um disco

uniformemente perfurado, um transistor receptor e um LED transmissor de luz

infravermelho estruturados.

Porém, nos testes, verificou-se que o circuito antes utilizado por Souza

Filho (2011) apresentava problemas de ruído e, às vezes, a perda dos pulsos,

ocasionando a perda do valor da velocidade medida ou erro na medição. A figura

45 mostra o sensor de velocidade analisado por Souza Filho (2011).

Figura 45 - Sensor de velocidade antigo.

Na figura 46, é mostrado o circuito eletrônico de tratamento do sinal do

encoder para poder ser enviado à placa eZdspTMF28335.

Figura 46 - Circuito de tratamento do sinal do encoder Fonte: Souza Filho (2011).


Com base no trabalho de Silva (2015), adotou-se o circuito eletrônico da

figura 47.

Figura 47 - Sensor de Velocidade. Fonte: Silva (2015).

A figura 48 mostra o sensor de velocidade confeccionado e utilizado

neste trabalho.

Figura 48 - Novo sensor de Velocidade.

Observou-se, no entanto, que o posicionamento do sensor de velocidade

na parte inferior do rotor, próximo ao rolamento autocompensado (figura 52),

provocaria uma diminuição da perda de pulsos, pois, anteriormente, o sensor de

posição localizava-se na parte superior do rotor próximo dos sensores de

posição. Nesse local, ocorria muita perda de pulsos, principalmente em

velocidades baixas, devido ao deslocamento do rotor no início se comportar

como um pião, pois a parte superior estava com uma folga rodando e batendo

nos limites físicos e a parte inferior, presa.


Figura 52 - Posicionamento do novo sensor de velocidade.

Dentre os periféricos que integram o motor-mancal, como os que foram

utilizados em Victor (2012) e apresentados no trabalho de Souza Filho (2011),

houve a necessidade de modificar e melhorar somente as interfaces de posição

e velocidade, as demais não sofreram alteração.

4.4 SISTEMA COMPLETO

Victor (2012) explica resumidamente que a corrente alternada, desde a

fonte até a alimentação das bobinas do estator, é transformada em corrente

contínua no conversor e novamente transformada em alternada no inversor de

frequência. A modulação da corrente nos inversores de frequência é realizada

através dos sinais vindos do sistema de controle no DSP. A corrente produzida

é responsável pela geração tanto do torque quanto das forças radiais de

posicionamento do rotor. O sistema mecatrônico, incluindo cada um dos

elementos compostos pelo sistema e demais componentes como interfaces,

sensores e dispositivos de comandos, pode ser observado na figura 50.

Figura 49 - Sistema mecatrônico com interfaces e o motor-mancal.


4.5 CONCLUSÃO

Este capítulo tratou do detalhamento das modificações realizadas nas

interfaces com o motor-mancal. Basicamente, ocorreram modificações nos

sensores de posição e de velocidade e, após as adequações, o sistema ficou

apto para a implementação da estrutura de controle e a obtenção dos resultados

experimentais, exposto no capítulo seguinte.

71

CA PÍTULO 5 ESTRUTURA DE CONTROLE EM CASCATA DO MOTOR-MANCAL

Este capítulo tem como objetivo apresentar detalhes da implementação

dos controladores de corrente, de posição e de velocidade. Essas estruturas de

controle resultam na implementação digital do controle em cascata com o motor-

mancal.

5.1 INTRODUÇÃO

As seções seguintes descrevem os detalhes de implementação dos

controladores que propiciam o funcionamento do motor-mancal. O sistema

completo é composto pelas malhas de controle de corrente, de posição e de

velocidade, as quais operam em cascata.

As implementações das malhas de controle foram iniciadas com a malha

de controle mais interna (rápida) para a malha mais externa (lenta), seguindo a

sequência: controle de corrente, controle de posição e o controle de velocidade.

Os controladores de velocidade e de posição são responsáveis pela

geração das correntes de referências para o controle das correntes. Então, após

a ação do controle das correntes de cada bobina, são aplicadas aos

enrolamentos do motor-mancal, geram-se as saídas PWM escalar para os dois

inversores trifásicos.

CAPÍTULO 5. ESTRUTURA DE CONTROLE EM CASCATA DO MOTOR-MANCAL 72

5.2 CONTROLE DE CORRENTE

O alto desempenho no acionamento de máquinas elétricas depende

largamente da tecnologia de controle implementada, sendo empregadas

técnicas de controle com realimentação de corrente em todas as aplicações.

Essas técnicas exigem uma resposta rápida, alta precisão e um alto nível de

desempenho (ANDRADE, 2009). Os sensores de correntes, assim como os

demais sensores usados na máquina, são importantes para que o controle, em

tempo real, possa impor mudanças necessárias para o correto funcionamento

da máquina (SOUZA FILHO, 2011).

Os controladores de corrente devem ser do tipo Proporcional-Integrativo

(PI), pois estes apresentam simplicidade na implementação e consegue eliminar

erros em regime (VICTOR, 2012). A estrutura utilizada para o controle de

corrente neste trabalho baseou-se no módulo implementado pela Texas (C28x

Solar Library, 2014). Esse módulo apresenta as seguintes características:

saturação programada da saída; ajuste de pesos independentes nas ações

proporcional e derivativa; resete no integrador anti-windup; e um filtro

programável para a ação derivativa. Porém, para esse controle, a ação derivativa

foi anulada, atuando somente as ações proporcional e integral. A figura 51

mostra o diagrama de blocos de funcionamento do controlador PID da C28x

Solar Library (2014).

Figura 50 - Diagrama de controle de corrente com anti-reset windup. Fonte: C28x Solar Library, 2014.


A equação do controlador PID antes da saturação é descrita conforme a

Eq. (6.1).

𝑣1(𝑘) = 𝐾𝑝[𝑢𝑝(𝑘) + 𝑢𝑖(𝑘) + 𝑢𝑑(𝑘)] (6.1)

Cada termo pode ser escrito da seguinte forma:

Termo proporcional:

𝑢𝑝(𝑘) = 𝐾𝑟𝑟(𝑘) − 𝑦(𝑘) (6.2)

Termo integral:

𝑢𝑖(𝑘) = 𝑢𝑖(𝑘 − 1) + 𝐾𝑖[𝑟(𝑘) − 𝑦(𝑘)] (6.3)

Termo derivativo com filtro:

𝑢𝑑(𝑘) = 𝐾𝑑[𝑐2𝑢𝑖(𝑘 − 1)+𝑐1𝑒(𝑘) − 𝑐1𝑒(𝑘 − 1)] (6.4)

Por último, define-se a saída com saturação:

𝑢(𝑘) =

𝑈𝑚𝑎𝑥: 𝑣1(𝑘) > 𝑈𝑚𝑎𝑥

𝑈𝑚𝑖𝑛: 𝑣1(𝑘) < 𝑈𝑚𝑖𝑛

𝑣1(𝑘): 𝑈𝑚𝑖𝑛 < 𝑣1(𝑘) < 𝑈𝑚𝑎𝑥

(6.5)

Nestas, 𝑟(𝑘) é a referência; 𝑦(𝑘), a variável de controle; 𝑢𝑑(𝑘), o termo

derivativo; 𝑢𝑖(𝑘), o termo integrativo; 𝑢𝑝(𝑘), o termo proporcional; 𝐾𝑟, o peso

referente a referência; 𝐾𝑝 , o ganho proporcional; 𝐾𝑑, o ganho derivativo; 𝑐1, o

coeficiente do filtro derivativo 1; 𝑐2, o coeficiente do filtro derivativo 2; 𝑈𝑚𝑎𝑥 , o

limite de saturação máxima; 𝑈𝑚𝑖𝑛, o limite de saturação mínima.

As leis de controle das equações de 6.1 a 6.5 foram implementadas no

DSP 28335 na forma de struct no formato ANCI C. Maiores detalhes de sua

implementação são obtidos em Texas Instruments, (2014). Para o controle de

corrente do motor-mancal são necessários seis controladores PI operando em

malha fechada dentro da interrupção do DSP.


5.3 CONTROLE DE POSIÇÃO

Para a implementação do controle de posição, deve-se levar em

consideração os estudo realizado por Salazar e Stephan (1993), Ferreira (2002),

Castro (2004), Paiva (2007) e Victor (2012). Esses trabalhos demostram o

modelo de posicionamento do rotor e identificam que o modelo é instável em

malha aberta devido à presença de dois pólos, um em cada semiplano.

A solução encontrada para o sistema tornar-se estável foi a

implementação do controlador do tipo Proporcional-Derivativo (PD), que adiciona

um zero e posicionado de modo a atrair o lugar das raízes em malha fechada

para o semiplano esquerdo.

A lei de controle implementado para o controle de posição baseou-se em

Victor (2012), que demostra as transformações rotacionais necessárias para

obtenção de forças de atuação radial invariantes no tempo (figura 52).

uα

uβ

ux

θ

uy

ub

uc

ωt

ωt

(a) (b)

ua

ux

Figura 51 - Transformação do sinal de posição: (a) Transformação rotacional e (b) Transformação bifásica – trifásica para os sinais de posição. Fonte: Victor (2012).

Os sinais 𝑢𝛼e 𝑢𝛽 são provenientes do controle de posição. Em seguida,

eles passam por uma transformação rotacional para o sistema ortogonal estático

e transformam-se em 𝑢𝑥 e 𝑢𝑦. Por último, há uma transformação de coordenadas

bifásicas para trifásicas, resultando em 𝑢𝑎, 𝑢𝑏 e 𝑢𝑐.

Observa-se, na figura 52, que os sinais dos controladores 𝑢𝑎, 𝑢𝑏 e 𝑢𝑐,

após as transformações, são adicionados às referências de correntes das fases

ou subtraídos em cada meio grupo de bobinas das fases A, B, e C,


respectivamente, para o controle das forças de restauração da posição do rotor,

(Equação 6.6).

𝐼1∗ = 𝐼𝑎

∗ + 𝑢𝑎

𝐼2∗ = 𝐼𝑎

∗ − 𝑢𝑎

𝐼3∗ = 𝐼𝑏

∗ + 𝑢𝑏

𝐼4∗ = 𝐼𝑏

∗ − 𝑢𝑏 (6.6)

𝐼5∗ = 𝐼𝑐

∗ + 𝑢𝑐

𝐼6∗ = 𝐼𝑐

∗ − 𝑢𝑐

Nessas equações, 𝐼𝑎∗, 𝐼𝑏

∗ e 𝐼𝑐∗ são as correntes de referências por fase impostas

e 𝐼1∗, 𝐼2

∗, 𝐼3∗, 𝐼4

∗, 𝐼5∗ e 𝐼6

∗ são as correntes de referência para o controle de posição.

Devido à não linearidade do sistema, a sintonia dos controladores se torna de

difícil obtenção, no entanto, os parâmetros dos controladores foram

determinados empiricamente.

5.4 CONTROLE VETORIAL DE VELOCIDADE

O controlador de velocidade utilizado é um PI (Proporcional-integral) com

anti-windup, o recurso que interrompe o processo de integração quando a saída

já atingiu um valor máximo de saturação (GOMES, 2007). Para a implementação

do controle vetorial de velocidade, inicialmente, investigou-se a estrutura de

controle da figura 53 utilizando estimador de fluxo. A grande vantagem dessa

estrutura utilizar este estimador é a presença de um número reduzido de

equações, minimizando o esforço computacional (SILVA, 2015).

i*1

i*2

i*3

i*4

i*5

i*6

PWM 1

PWM 2

PWM 3

PWM 4

PWM 5

PWM 6

PWM

Controladores

de

Corrente

Desbalanceamento

das Correntes de

Fase

Motor Mancal

Sensores de

Posição

Sensorde

Velocidade

d,q

a,b,c

Transformação

Bifásica

para Trifásica

u*α

u*β

= .F*

α

F*β

cos ρ

sin ρ

sin ρ

-cos ρ

F*x

ρ ρ

F*y

Rotor

u*x

u*y

u*a

u*b

u*c

I*a I

*b I

*c

ia i’aib ic i’bi’

c

isdref

isdisq

mMref

ωmec

ωref

Δy

Δxy

x

x*y*

PID

6/3/dq Correntes

PI

PID

x

y

isqref

Cáculo

isqref

PI

Controle de

Fluxo

yr

Estimador

de Fluxo^

Controle de

Velocidade

yr*

yr

^

Figura 52 - Estrutura de controle com estimador de fluxo.


O estimador de fluxo utilizado em Silva (2015) é dado por:

λ𝑒𝑠𝑡 = 𝐿𝑚. 𝑖𝑠𝑑 (6.7)

Neste, λ𝑒𝑠𝑡 é o fluxo estimado; 𝐿𝑚, a indutância mútua ; 𝑖𝑠𝑑, a corrente de campo.

A equação 6.7 é calculada a partir da corrente de campo 𝑖𝑠𝑑 e da indutância

mútua 𝐿𝑚. Assim, o cálculo da corrente de torque (𝑖𝑠𝑞) é obtido a partir da

equação 6.8.

𝑛𝑀𝑟𝑒𝑓 =𝑃𝐿𝑚

𝐿𝑟λ𝑟 . 𝑖𝑠𝑞 (6.8)

Nesta, 𝑛𝑀𝑟𝑒𝑓 é o torque de referência; 𝐿𝑟 , a indutância do rotor; λ𝑟 , o fluxo

rotórico de referência; e 𝑃, o número de par de pólos. Porém, essa estrutura não

foi escolhida devido aos seguintes motivos: a dificuldade de se sintonizarem

empiricamente as malhas de controle, que consumiam um maior tempo e o fato

de não se possuírem os parâmetros da máquina necessários para serem

utilizados nas equações 6.7 e 6.8.

Contudo, pensou-se em se obter os parâmetros a partir de ensaios

laboratoriais, o que, foi descartado devido às seguintes desvantagens: acarretar

um atraso na implementação digital da estrutura de controle e poder haver algum

problema físico com o motor, gerando um tempo maior para a sua solução ou

manutenção.

Logo, o sistema de controle implementado para o controle vetorial de

velocidade da figura 54 levou em consideração duas simplificações: impor uma

corrente de campo de referência para não implementar o controle de fluxo e

eliminar o cálculo da corrente de torque, fazendo com que a saída do controle

de velocidade entre direto nas transformadas inversas de Park e Clarke, já que

não se levará em consideração a investigação do torque.

A estrutura da figura 54 apresenta três malhas, sendo a mais externa o

controle de velocidade do tipo Proporcional-Integral (PI), que controla a

velocidade do eixo do rotor a partir da realimentação sensoriada e cuja saída é

a corrente de torque - 𝑖𝑠𝑞𝑟𝑒𝑓. Em seguida, o controlador Proporcional-Derivativo-


Integral (PID) para as posições referentes às coordenadas x e y do rotor, pois,

na prática, a ação integral adicionada deve diminuir o erro de regime.

O controle de posição é classificado em regulador, diferentemente do

sistema de controle das correntes, que é classificado como seguidor (Castro,

2004). Portanto, a última malha de controle é a de corrente, a mais interna e de

resposta rápida, com controladores PI para os seis enrolamentos do estator.

PWM 1

PWM 2

PWM 3

PWM 4

PWM 5

PWM 6

PWM

Controladores

de

Corrente

Motor Mancal

Sensores de

Posição

Sensorde

Velocidade

d,q

a,b,c

Transformação

Bifásica

para Trifásica

u*α

u*β

= .F*

α

F*β

cos ρ

sin ρ

sin ρ

-cos ρ

F*x

ρ ρ

F*y

Rotor

u*x

u*y

u*a

u*b

u*c

I*a I

*b I

*c

ia i aib ic i bi c

isq

ωmec

ωref

Δy

Δxy

x

x* y*

PID

6/3/dq Correntes

PI

PID

x

y

isq

ref

Estimador

Convencional

Controle de

Velocidade

isdref

*

i*1

i*2

i*3

i*4

i*5

i*6

i*1 = I*

a + u*a

i*2 = I*

a - u*a

i*3 = I*

b + u*b

i*4 = I*

b - u*b

i*5 = I*

c + u*c

i*6 = I*

c - u*c

Figura 53 - Diagrama de controle em cascata do motor-mancal.

5.5 CONCLUSÃO

Este capítulo permitiu deduzir o diagrama de controle simplificado e

funcional para a implementação do controle vetorial de velocidade. A escolha e

a discussão dos controladores de corrente, de posição e de velocidade

auxiliaram na definição da estratégia escolhida. O próximo capítulo apresenta os

resultados experimentais de cada etapa da malha de controle em cascata do

motor-mancal.

78

CAPÍTULO 6 RESULTADOS EXPERIMENTAIS

Este capítulo aborda os resultados experimentais obtidos com a

implementação digital do sistema de controle no motor-mancal utilizando o DSP

28335. Uma abordagem da inteligência artificial foi implementada nos resultados

do controle vetorial de velocidade. Ademais, realizou-se uma comparação do

controle vetorial de velocidade Proporcional-Integral com o controlador neural.

6.1 CORRENTES NO ESTATOR

Para validar a implementação digital do controle de corrente, realizaram-

se alguns experimentos com o rotor centralizado com o controle PI de corrente.

O procedimento seguiu a sequência do diagrama de bloco da figura 55, baseada

na estrutura de blocos da figura 54.

Figura 54 - Controle de corrente do motor-mancal.

Foram realizados alguns experimentos para validar o desempenho do

controlador PI de corrente. O primeiro deles foi a resposta a vários degraus na

PWM 1

PWM 2

PWM 3

PWM 4

PWM 5

PWM 6

PWM

Controladores

de

Corrente

Motor Mancal

Sensores de

Posição

Sensorde

Velocidade

Rotor

ia i aib ic i bi c

x

y

i*1

i*2

i*3

i*4

i*5

i*6

CAPÍTULO 6. RESULTADOS EXPERIMENTAIS 79

referência imposta à bobina 𝑖1, figura 56. Os parâmetros do controlador PI de

corrente 𝐾𝑝 = 200 e 𝐾𝑖 = 1.464844𝑒−6 foram ajustados empiricamente para a

obtenção dos resultados e os demais experimentos.

Figura 55 - Resposta à mudança de referência na bobina 1.

A figura 56 mostra o comportamento das correntes sensoriadas e a

corrente de referência - 𝑖1∗ da figura 58. Para este experimento, foram impostas

correntes contínuas com mudança de referência no decorrer do intervalo de 1s

de execução. Outro resultado obtido se deu considerando a corrente de

referência senoidal e alternando-a a uma frequência de 60Hz e com amplitude

igual a 1.5 (figura 57).

Figura 56 - Resposta à referência senoidal na bobina 1.

0 0.01 0.02 0.03 0.04 0.05 0.06 0.07 0.08 0.09 0.1-1.5

-1

-0.5

0

0.5

1

1.5Controle de Corrente

Tempo(s)

Am

plit

ude d

as C

orr

ente

s(A

)

Ref1

Corrente Sensoriada 1

0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 10

0.2

0.4

0.6

0.8

1

1.2

Controle de Corrente

Tempo(s)

Corr

ente

continua n

a b

obin

a 1

(A

)

Corrente sensoriada

Corrente de refência


0 0.05 0.1 0.15 0.2 0.25 -0.8

-0.6

-0.4

-0.2

0

0.2

0.4

0.6

0.8

1

Tempo(s)

Ima

x =

0.8

A e

Fre

q =

15

Hz

Corrente i1

Corrente i5 Corrente i3

Para avaliar o comportamento do motor-mancal operando como motor de

indução e ativar as seis bobinas, foi necessário realizar dois procedimentos:

1) fixar o eixo do rotor no centro para que ele não influenciasse a dinâmica do

experimento e operasse com o rotor centralizado; 2) gerar seis correntes de

referências defasadas 120º para gerar o campo girante equações de 7.1 a 7.6.

𝑖1∗ = 𝐼𝑚𝑎𝑥 ∗ sin (𝑤𝑡 + 0) (7.1)

𝑖2∗ = 𝐼𝑚𝑎𝑥 ∗ sin (𝑤𝑡 + 0) (7.2)

𝑖3∗ = 𝐼𝑚𝑎𝑥 ∗ sin (𝑤𝑡 − 2𝜋/3) (7.3)

𝑖4∗ = 𝐼𝑚𝑎𝑥 ∗ sin (𝑤𝑡 − 2𝜋/3) (7.4)

𝑖5∗ = 𝐼𝑚𝑎𝑥 ∗ sin (𝑤 + 2𝜋/3) (7.5)

𝑖6∗ = 𝐼𝑚𝑎𝑥 ∗ sin (𝑤𝑡 + 2𝜋/3) (7.6)

Os experimentos foram realizados alterando-se a frequência e a

amplitude de referência. A figura 58 mostra o experimento obtido quando o motor

funciona na frequência de 15Hz com uma amplitude de referência ( 𝐼𝑚𝑎𝑥) igual

a 0.8A.

Figura 57 - Correntes defasadas na frequência de 15Hz e amplitude 0.8A.

As figuras 59, 60 e 61 mostram o comportamento das correntes variando

a frequência e a amplitude em diferentes intervalos de tempo. Esses resultados

demonstram o bom desempenho alcançado pelo controle de correntes sobre o

estator realizando-se mudanças na amplitude e na frequência de operação do

motor.


0 0.05 0.1 0.15 0.2 0.25 -1

-0.8

-0.6

-0.4

-0.2

0

0.2

0.4

0.6

0.8

1

Tempo(s)

Ima

x =

0.8

A e

Fre

q =

30

Hz

Corrente i1 Corrente i3 Corrente i5

0.06 0.07 0.08 0.09 0.1 0.11

-0.6

-0.4

-0.2

0

0.2

0.4

0.6

0.8

Tempo(s)

Ima

x =

0.8

A e

Fre

q =

60

Hz


0

0 0.05 0.1 0.15 0.2 0.25 -2

-1.5

-1

-0.5

0

0.5

1

1.5

2

Tempo(s)

Ima

x =

1.3

A e

Fre

q =

60

Hz


Figura 58 - Correntes defasadas na frequência de 30Hz e amplitude 0.8 A.




0 0,1 0,2 0,3 0,4 0,5 0,6 0,7 0,8 0,9 1 0.135

0.14

0.145

0.15

0.155

0.16

0.165 Controle de posição

Tempo(s)

Eix

o X

(mm

)

Posição sensoriada Posição de referência

6.2 POSIÇÃO RADIAL DO ROTOR

Os resultados apresentados a seguir foram obtidos com o controle

Proporcional-Derivativo-Integrativo (PID) a partir de alguns experimentos. Os

resultados utilizaram a estratégia do diagrama de blocos da figura 62 com base

na figura 54.

Figura 61 - Controle de posição em cascata com o controle de corrente do motor-mancal.

Após alguns ajustes empíricos sobre os parâmetros dos controladores, os

ganhos obtidos foram: 𝐾𝑝𝑥 = 0.0005, 𝐾𝑑𝑥 = 0.028, 𝐾𝑖𝑥 = 1𝑒 − 08, 𝐾𝑝𝑦 = 0.0005,

𝐾𝑑𝑥 = 0.06, 𝐾𝑝𝑦 = 1𝑒 − 08. Realizou-se um experimento com os controles de

posição atuando de forma independente, avaliando-se os comportamentos do

eixo X e do eixo Y. A figura 63 mostra a resposta a uma variação em degrau para

o controle de posição ao longo do eixo X.

Figura 62 - Resultado do controle de posição para o eixo X.

i*1

i*2

i*3

i*4

i*5

i*6

PWM 1

PWM 2

PWM 3

PWM 4

PWM 5

PWM 6

PWM

Controladores

de

Corrente

Desbalanceamento

das Correntes de

Fase

Motor Mancal

Transformação

Bifásica

para Trifásica

u*α

u*β

= .F*

α

F*β

cos ρ

sin ρ

sin ρ

-cos ρ

F*x

ρ

F*y

Rotor

u*x

u*y

u*a

u*b

u*c

I*a I

*b I

*c

ia i aib ic i bi c

Δy

Δxy

x

x*y*

PID

Geração das correntes de

referência e o ângulo

PID

x

y


A figura 64 mostra a resposta a uma variação em degrau para o controle

de posição ao longo do eixo Y.

Figura 63 - Resultado do controle de posição para o eixo Y.

Os resultados foram coletados no regime permanente. O experimento

realizado operou na frequência de 60Hz (figura 65). A mancha no centro das

figuras representa as posições que o rotor assumiu em algum determinado

momento: o osciloscópio está em modo de persistência do traço. O resultado da

figura 68 demonstra o sucesso do posicionamento do rotor, pois manteve-se

levitando o rotor sem tocar nos limites laterais.

Figura 64 - Resultado do controle de posição com uma área de disperso do rotor para

acionamento a 60Hz.

0 0,1 0,2 0,3 0,4 0,5 0,6 0,7 0,8 0,9 1 0.125

0.13

0.135

0.14

0.145

0.15

0.155

0.16

0.165

0.17 Controle de posição

Tempo(s)

Eix

o Y

(mm

)

Posição sensoriada Posição de referência


Verificou-se a operação do motor nas frequências de 15Hz, 30 Hz e 45Hz

com os mesmos parâmetros de sintonia para verificar o desempenho do controle

de posição. As figuras 66, 67 e 68 mostram os resultados.

Figura 65 - Resultado do controle de posição com uma área de dispersão do rotor para o

acionamento a 15Hz.


acionamento a 30Hz.


acionamento a 45Hz.


As figuras 69 e 70 representam a plotagem dos sinais de ambos os

sensores de posição operando na frequência de 60 Hz, nestes resultados os

dados foram obtidos sem realizar a parametrização para milímetros versus a

quantidade de amostras permitido pelo buffer do DSP.

Figura 68 - Deslocamentos radial do eixo X acionado em 60Hz.

Figura 69 - Deslocamentos radial do eixo Y acionado em 60Hz.

Para ilustrar a dinâmica do controle em cascata, os resultados

consideraram uma janela de tempo igual para os controladores de posição e de

corrente operando a uma frequência de 60Hz. As figuras 71, 72 e 73 mostram

os resultados dos controladores de corrente e de posição em cascata de acordo

com o diagrama de blocos da figura 62. O gráfico da figura 71 (A) mostra as

0 2000 4000 6000 8000 10000 120000

200

400

600

800

1000

1200

1400

1600

1800

2000Controle de Posição

Quant. Amostras

Po

siç

ão

Ro

tóri

ca

Posição eixo x de referencia

Posição eixo x sensoriada

0 2000 4000 6000 8000 10000 120000

500

1000

1500

2000

2500Controle de Posição

Quant. Amostras

Po

siç

ão

Ro

tóri

ca

Posição eixo y de referencia

Posição eixo y sensoriada


correntes de referência, ou seja, as correntes, impostas 𝐼𝑎∗ , 𝐼𝑏

∗ 𝑒 𝐼𝑐∗ para o controle

de posição, coletadas em um intervalo de 0.08 segundos.

Figura 70 - Resultados referentes às correntes impostas, controladas e sensoriada.

O gráfico da figura 71 (B), identificado pelas legendas Ref1, Ref2 e Ref3,

representa a composição das correntes de referência 𝐼𝑎∗ , 𝐼𝑏

∗ 𝑒 𝐼𝑐∗ com os sinais

provenientes dos controladores de posição 𝑢𝑎∗ , 𝑢𝑏

∗ 𝑒 𝑢𝑐∗. Por último, o gráfico (C)

representa as correntes sensoriadas equivalentes em cada fase. As figuras 72 e

73 mostram as respostas das posições X e Y com os respectivos erros de leitura

associados e os sinais de controle. Observa-se uma pequena alteração no

comportamento das correntes sensoriadas da figura 71 nos instantes próximo a

0.02 segundos por exemplo. Essa alteração é decorrente do ajuste do controle

de posição das figuras 72 e 73 e observadas nos sinais de controle para as

posições X e Y.

0 0.01 0.02 0.03 0.04 0.05 0.06 0.07 0.08-1.5

-1

-0.5

0

0.5

1

1.5

Tempo(s)

Co

rre

nte

s d

e R

efe

rên

cia

s(A

)

Ia

Ib

Ic

0 0.01 0.02 0.03 0.04 0.05 0.06 0.07 0.08

-2

-1

0

1

2

Tempo(s)

Co

rre

nte

s d

e R

efe

rên

cia

s(A

) -

Co

ntr

ole

de

Po

siç

ão

Ref1

Ref2

Ref3

0 0.01 0.02 0.03 0.04 0.05 0.06 0.07 0.08

-2

-1

0

1

2

Tempo(s)

Co

rre

nte

s s

en

so

ria

da

s(A

)

Corrente sensoriada - Fase A

Corrente sensoriada - Fase B

Corrente sensoriada - Fase C

(A)

(B)

(C)


0 0.01 0.02 0.03 0.04 0.05 0.06 0.07 0.080

1000

2000

3000

Tempo(s)

Po

siç

ão

Y(m

m)

Posição Y - PD

Posição de Referencia Y

0 0.01 0.02 0.03 0.04 0.05 0.06 0.07 0.08-400

-200

0

200

400

Tempo(s)

Err

o d

o C

on

tro

lad

or

de

Po

siç

ão

Y(m

m)

Sinal de Erro da Posição Y

0 0.01 0.02 0.03 0.04 0.05 0.06 0.07 0.08-0.5

0

0.5

1

Tempo(s)

Sin

al d

e C

on

tro

le d

e P

osiç

ão

Y(m

m)

Sinal de Controle PD

0 0.01 0.02 0.03 0.04 0.05 0.06 0.07 0.080

1000

2000

3000

Tempo(s)P

osiç

ão

X(m

m)

Posição X - PD

Posição de Referencia X

0 0.01 0.02 0.03 0.04 0.05 0.06 0.07 0.08-800

-600

-400

-200

0

200

Tempo(s)

Err

o d

o C

on

tro

lad

or

de

Po

siç

ão

X(m

m)

Sinal de Erro da Posição X

0 0.01 0.02 0.03 0.04 0.05 0.06 0.07 0.08-0.5

0

0.5

1

Tempo(s)

Sin

al d

e C

on

tro

le d

e P

osiç

ão

X(m

m)


0 0.01 0.02 0.03 0.04 0.05 0.06 0.07 0.080

1000

2000

3000

Tempo(s)

Po

siç

ão

Y(m

m)

Posição Y - PD


0 0.01 0.02 0.03 0.04 0.05 0.06 0.07 0.08-400

-200

0

200

400

Tempo(s)

Err

o d

o C

on

tro

lad

or

de

Po

siç

ão

Y(m

m)


0 0.01 0.02 0.03 0.04 0.05 0.06 0.07 0.08-0.5

0

0.5

1

Tempo(s)

Sin

al d

e C

on

tro

le d

e P

osiç

ão

Y(m

m)


0 0.01 0.02 0.03 0.04 0.05 0.06 0.07 0.080

1000

2000

3000

Tempo(s)

Po

siç

ão

Y(m

m)

Posição Y - PD


0 0.01 0.02 0.03 0.04 0.05 0.06 0.07 0.08-400

-200

0

200

400

Tempo(s)

Err

o d

o C

on

tro

lad

or

de

Po

siç

ão

Y(m

m)


0 0.01 0.02 0.03 0.04 0.05 0.06 0.07 0.08-0.5

0

0.5

1

Tempo(s)

Sin

al d

e C

on

tro

le d

e P

osiç

ão

Y(m

m)


0 0.01 0.02 0.03 0.04 0.05 0.06 0.07 0.080

1000

2000

3000

Tempo(s)

Po

siç

ão

X(m

m)

Posição X - PD


0 0.01 0.02 0.03 0.04 0.05 0.06 0.07 0.08-800

-600

-400

-200

0

200

Tempo(s)

Err

o d

o C

on

tro

lad

or

de

Po

siç

ão

X(m

m)


0 0.01 0.02 0.03 0.04 0.05 0.06 0.07 0.08-0.5

0

0.5

1

Tempo(s)

Sin

al d

e C

on

tro

le d

e P

osiç

ão

X(m

m)


0 0.01 0.02 0.03 0.04 0.05 0.06 0.07 0.080

1000

2000

3000

Tempo(s)

Po

siç

ão

X(m

m)

Posição X - PD


0 0.01 0.02 0.03 0.04 0.05 0.06 0.07 0.08-800

-600

-400

-200

0

200

Tempo(s)

Err

o d

o C

on

tro

lad

or

de

Po

siç

ão

X(m

m)


0 0.01 0.02 0.03 0.04 0.05 0.06 0.07 0.08-0.5

0

0.5

1

Tempo(s)

Sin

al d

e C

on

tro

le d

e P

osiç

ão

X(m

m)


(A)

(B)

(C)

(A)

(B)

(C)

Figura 71 - (A) Posição X, (B) erro do controlador e (C) sinais de controle.

Figura 72 - (A) Posição Y, (B) erro do controlador e (C) sinais de controle.


6.3 CONTROLE DE VELOCIDADE

A avaliação do controle de velocidade operando com o motor-mancal foi

realizada comparando a implementação do controle PI clássico com uma técnica

de inteligência artificial. A técnica escolhida foi a de Redes Neurais Artificiais

(RNA) para substituir o controle PI clássico. Foi investigada a técnica ANFIS,

porém, devido ao custo computacional na sua implementação, ela foi

descartada.

O primeiro passo para a implementação da RNA foi a escolha dos dados

a fim de montar seu conjunto para o treinamento e a validação. Os dados de

entrada foram a velocidade mecânica (𝑊𝑚𝑒𝑐) e o erro da velocidade mecânica

(𝐸𝑟𝑟𝑜𝑤); e os de saída, a corrente de torque (𝐼𝑠𝑞𝑟𝑒𝑓). Ambos dados de entrada e

de saida foram utilizados para montar o conjunto de treinamento e a validação

para os experimentos. Os pares de entrada e o dado de saída são usados para

o ajuste dos parâmetros internos da RNA (SANTOS , et. al, 2015).

A RNA foi configurada totalmente conectada. O banco de dados foi

desenvolvido com 20.200 amostras, das quais 70% dos dados foram utilizadas

no treinamento e 30% para a validação. O processo de treinamento foi realizado

no modo off-line, e sua coleta utilizou os dados de entrada com uma variação de

velocidade mecânica randomicamente de 1% a 5% sobre a velocidade nominal

de 1800 rpm. A tabela 9 apresenta os parâmetros estruturais da Rede Neural,

na qual a convergência do processo de treinamento ocorreu em 104 épocas.

O algoritmo de treinamento escolhido foi o Levenberg-Marquardt, utilizado

no toolbox do Matlab® devido ao fato de ter uma melhor precisão (K.

SETHURAMAN, S. HYMAVATHI E A. MUTHURAMALINGAM, 2012). A

Arquitetura da Rede Perceptron multicamadas

Tipo de treinamento Supervisionado - offline

Número de camadas 3

Neurônios da camada de entrada 2

Neurônios da 1st camada escondida 10

Neurônios da camada de saída 1

Algoritmo de treinamento Levenberg-Marquardt backpropagation

Taxa de aprendizagem 5e-2

Número de épocas 104

Erro de treinamento 1.3909e-5

Função de ativação da camada escondida Tangente hiperbólica

Função de ativação da camada saída Linear

Tabela 9 Parâmetros da Rede Neural.


topologia da tabela 8 foi escolhida após vários testes de desempenho com um

número diferente de camadas e neurônios por camada. A escolha final levou em

consideração a implementação digital, avaliando o tempo de processamento do

DSP. Quanto mais camadas e neurônios, mais o tempo de processamento

aumentava. Dessa forma, a estrutura implementada analisou o custo

computacional. A figura 74 mostra as performances de treinamento, de validação

e de teste avaliado, resultantes do treinamento.

(A) (B) (C)

Figura 73 - Resultado de treinamento, validação e testes da Rede Neural. Fonte: Toolbox do Matlab ®.

A figura 74 apresenta o parâmetro R na parte superior. Esse parâmetro

indica a relação entre a saída e o alvo que pode variar entre 0 e 1. Quanto mais

próximo de 1, melhor a previsão. A figura 75 apresenta o gráfico de treinamento

com o erro quadrático médio (do inglês, Mean Square Error- MSE).

Figura 74 - Erro quadrático médio para um treinamento com 104 épocas.

Fonte: Toolbox do Matlab ®.

0 10 20 30 40 50 60 70 80 90 100

10-5

10-4

10-3

10-2

Best Validation Performance is 1.3909e-05 at epoch 104

Me

an

Sq

ua

red

Err

or

(m

se

)

104 Epochs

Train

Validation

Test

Best


Após o treinamento, foram ajustados os pesos listados no Apêndice C e

realizados dois experimentos para avaliar o funcionamento do motor-mancal

operando com o controle de velocidade PI com os ganhos 𝐾𝑝𝑤 = 0.01 e 𝐾𝑝𝑖 =

7.5 𝑒−5 e com a estrutura neural. Os dois estudos de casos utilizaram a mesma

estrutura de RNA implementada.

6.3.1 Estudo de caso I - Rampa

O primeiro experimento apresenta o comportamento do sistema ao ser

acionado do repouso até a velocidade nominal de 1.800 rpm. A figura 76 mostra

a dinâmica da velocidade mecânica e das posições X e Y, respectivamente, em

função do tempo operando com os dois controladores.

Figura 75 - Velocidade mecânicas e posições X e Y para referência de velocidade em degrau

constante.

0 5 10 15 20 250

500

1000

1500

2000Controle de Velocidade

Tempo(s)

Ve

locid

ad

e M

ecâ

nic

a(R

PM

)


Velocidade Mecânica PI

Velocidade Mecânica Sensoriada com Rede Neural

0 5 10 15 20 250

500

1000

1500

2000

2500

Tempo(s)

Po

siç

ão

X(m

m)

Posição X com o Controlador PI

Posição X com Rede Neural

Posição de Referência

0 5 10 15 20 251000

1500

2000

2500

3000

Tempo(s)

Po

siç

ão

Y(m

m)

Posição Y com o Controlador PI

Posição Y com Rede Neural



-500 0 500 1000 1500 2000 2500 3000 0

500

1000

1500

2000

2500

3000

Posição X(mm)

Po

siç

ão

Y(m

m)

Posição XY com o Controlador PI Posição XY com Rede Neural

As legendas dos gráficos nos experimentos apresentam,

respectivamente, as referências, e as respostas com o controle PI e com controle

neural identificados pelas cores: verde, azul e vermelha. A figura 77 mostra o

comportamento do sinal de controle para os controladores implementados.

Figura 76 - Sinais de controle PI e neural para referência de velocidade em degrau.

Na figura 77, observam-se os sinais de controle com uma limitação devido

as restrições do motor na amplitude de 0.6 A, ou seja, uma restrição no sinal de

controle de velocidade para o funcionamento do motor-mancal. A figura 78

mostra os diagramas de posicionamento radial gerado durante a operação do

motor-mancal.

Figura 77 - Diagramas de posicionamento radial para referência de velocidade em degrau constante.

A dispersão dos sinais da figura 78 demostra que o sistema passou pela

etapa transitória para a permanente, pois a maior concentração dos traçados

ocorre no centro do gráfico.

0 5 10 15 20 250.46

0.48

0.5

0.52

0.54

0.56

0.58

0.6

0.62Sinal de Controle de Velocidade

Tempo(s)

Sin

al d

e C

on

tro

le(A

)

Sinal do Controlador PI

Sinal do Controlador Neural


6.3.2 Estudo de caso II – Variação de Degraus

O segundo experimento apresenta o comportamento do sistema

operando na velocidade nominal de 1.800 rpm com uma variação de 5%, ou seja,

operando a 1.710 rpm e 1.890 rpm. A figura 79 mostra o comportamento da

velocidade mecânica e das posições X e Y referentes à posição do rotor.

Figura 78 - Velocidade mecânica e posições X e Y para referência de velocidade em degraus.

Neste caso, pode-se notar a presença de overshoots na atuação do

controlador PI identificados com os círculos tracejado, o que não ocorreu com o

controlador neural. Esse comportamento pode ser observado na figura 79, pois,

no sinal de controle PI, houve amplitudes maiores em relação aos do controle

neural.

0 5 10 15 20 251200

1400

1600

1800

2000

2200

Tempo(s)

Ve

locid

ad

e M

ecâ

nic

a(R

PM

)


Velocidade Mecânica PI

Velocidade Mecânica Sensoriada com Rede Neural

0 5 10 15 20 250

500

1000

1500

2000

Tempo(s)

Po

siç

ão

X(m

m)




0 5 10 15 20 251000

1200

1400

1600

1800

2000

2200

Tempo(s)

Po

siç

ão

Y(m

m)

Posição Y com o Controlador PI

Posição Y com Rede Neural



Apesar das variações do sinal de controle da figura 80, pode-se constatar

que o controle de posição teve bom desempenho, porque os sinais de X e Y não

sofreram variação.

Figura 79 - Sinais de controle para referência de velocidade em degraus.

A figura 81 mostra os erros dos controladores sendo atuados pelos

controladores PI e neural. Observa-se ainda uma diferença de amplitude entre

os controladores devido ao efeito apresentado na figura 79 as respostas também

são diferentes.

Figura 80 - Sinais do erro de controle para referência de velocidade em degraus.

Dessa forma, mesmo com as variações ou mudanças de referências no

controle de velocidade, a figura 82 apresenta a dispersão dos sinais XY

concentrados, pois essas variações não ocasionaram perturbação no controle

de posição.

0 5 10 15 20 250.4

0.45

0.5

0.55

0.6

0.65Sinal de Controle de Velocidade

Tempo(s)

Sin

al d

e C

on

tro

le(A

)

Sinal do Controlador PI

Sinal do Controlador Neural

0 5 10 15 20 25-150

-100

-50

0

50

100

150Sinal de Erro do Controle de Velocidade

Tempo(s)

Err

o d

o C

on

tro

lad

or

de

Ve

locid

ad

e M

ecâ

nic

a(R

PM

)

Erro do Controlador PI

Erro do Controlador Neural


Figura 81 - Diagramas de posicionamento radial para referência de velocidade em degraus.

Um tacômetro digital de modelo DT-2234B foi utilizado para validar e

verificar a velocidade mecânica do rotor operando em 1800 RPM e utilizando os

controladores PI e neural. A figura 83 mostra os resultados em regime

permanente em (A) funcionando com o controlador PI e (B), com o controlador

neural.

(A) (B)

Figura 82 - Medição da velocidade mecânica (A) controle PI e (B) controle neural.

6.4 CONCLUSÃO

Este capítulo mostrou os resultados implementados nas malhas de

controle em cascata: corrente, posição radial e velocidade. As malhas de

controle foram implementadas no DSP F28335 e sintonizadas empiricamente.

Realizaram-se experimentos com correntes contínuas e alternadas com o

controle de corrente do motor-mancal. O controle de posição operou nas

frequências de 15Hz a 60Hz. Por último, analisaram-se os comportamentos da

velocidade mecânica e da posição radial comparando-os com os controladores

PI e neural.

-500 0 500 1000 1500 2000 2500 30000

500

1000

1500

2000

2500

3000Figura de Lissajous

Posição X(mm)

Po

siç

ão

Y(m

m)



95

CAPÍTULO 7

CONCLUSÕES GERAIS E PERSPECTIVAS

Neste último capítulo, apresentamos as conclusões e as perspectivas

futuras.

7.1 CONCLUSÃO

O objetivo deste trabalho foi realizar o estudo e a implementação das

técnicas de inteligência artificial para o controle de velocidade do motor-mancal

com bobinado dividido. As técnicas inteligentes ANFIS e as Redes Neurais foram

investigadas e implementadas computacionalmente para a avalição do

desempenho do motor-mancal. Os resultados simulados mostraram de forma

diferente um bom desempenho para as duas técnicas: como estimador e como

controlador de velocidade, utilizando em ambas um modelo do motor de indução

operando como um motor-mancal.

A implementação experimental necessitou de ajustes: nas interfaces de

posição, no sensor de velocidade e na substituição do DSP TMS 3220F2812,

que operava em ponto fixo pelo TMS 3220F28335, que trabalha em ponto

flutuante. Com a implementação do sistema motor-mancal e a análise dos

resultados obtidos, foram possíveis algumas conclusões:

- a utilização do DSP 28335 auxiliou na implementação da estratégia de

controle em cascata;

CAPÍTULO 7. CONCLUSÕES GERAIS E PERSPECTIVAS 96

- a sintonia das malhas de controle de corrente, de posição e de

velocidade, nos resultados experimentais implementados no DSP F28335, foi

realizada empiricamente através do método tentativa e erro, cujo ajuste é de

difícil obtenção e trabalhoso;

- os resultados do controle de corrente foram investigados com correntes

contínuas e alternadas, validando a sintonia do controlador no motor-mancal;

- o resultado do controle de posição foi implementado e sintonizado para

a frequência de 60Hz, mas obteve bons resultados nas frequências de 15Hz,

30Hz e 45Hz;

- as condições de operação do controle de velocidade foram

sincronizadas com o controle de posição de modo que o sistema motor-mancal

operasse adequadamente com o controle de corrente;

- a operação das malhas em cascata necessita de um sincronismo entre

o controle de posição e o controle de velocidade, pois, caso não ocorra, os

controladores não conseguirão estabilização;

- o controlador PI de velocidade apresentou overshoots e o controlador

neural não os apresentou, demostrando a capacidade de aprendizagem e

generalização das Redes Neurais.

7.2 PERSPECTIVAS

As perspectivas futuras notadamente devem conter soluções que

contribuam para a melhoria do que foi realizado após a conclusão deste trabalho,

além de outras implementações, como as que seguem:

- de estratégias inteligentes no controle de posição;

- do controle robusto com restrições, para garantir que a posição radial

opere em uma região de incerteza politópica;

- do controle adaptativo em vez do controle PI clássico de velocidade;

- da técnica sensorless no motor-mancal para a velocidade mecânica.

Conclui-se que o objetivo proposto foi alcançado e que este trabalho

servirá para a continuidade de pesquisas futuras com os motores-mancais.

97

APÊNDICE A: CONFIGURAÇÕES DOS PERIFÉRICOS DOS DSP TMS320F28335

Esse apêndice contém principais módulos ou periféricos utilizados na

implementação da estratégia de controle do motor-mancal utilizando o

Processador Digital de Sinais, do inglês Digital Signal Processor (DSP). São detalhadas as características e as configurações dos periféricos

essenciais para o funcionamento do DSP TMS320F28335 envolvendo as etapas

de aquisição de dados, cálculos e outros.

A.1 INTRODUÇÃO

O presente trabalho utiliza o DSP em ponto flutuante ao invés do DSP em

ponto fixo, ou seja, a mudança do DSP TMS 3220F2812 para o DSP TMS

3220F28335 teve como objetivo melhorar o desempenho na implementação dos

controladores e sua capacidade de processamento. Segundo Silva Neto (2015),

as diferenças entre os DSP ocorrem na configuração dos registradores e na

implementação dos periféricos. Podemos listar algumas diferenças entre os

DSP:

o 28335 apresenta um terceiro modo de controle no barramento de

periféricos, sendo esse acesso via DMA;

o 28335 apresenta mais linhas de endereço e dados que o 2812 na

interface externa;

o 28335 tem o dobro de memória flash e de memória RAM que o 2812

e não possui memória ROM;

o 28335 tem 16 modos de boot enquanto o 2812 possui apenas sete;

o 28335 tem oito interrupções externas mascaradas enquanto que o

2812 apresenta apenas três;

As características acima serviram de base para a escolha do eZdspTM

F28335 da Spectrum Digital Inc. que produz kits de desenvolvimento para os

processadores da Texas Instruments®. A figura 84 apresenta o diagrama de

blocos do eZdspTM.

APENDICE A - CONFIGURAÇÕES DOS PERIFÉRICOS DOS DSP TMS320F28335 98

Figura 83 - Diagrama de blocos do kit edZdspTM F28335. Fonte: SPECTRUM DIGITAL INC., 2007.

Características do edZdspTM F28335:

150 MIPS (Milhões de Instruções por Segundo), 32-bit CPU;

unidade de ponto flutuante de precisão simples IEEE-754;

operação com instruções de 16-bits e 32-bits;

30 MHz de clock com arquitetura de barramentos Harvard;

68Kbytes de memória RAM, 512Kbytes de memória Flash e

256Kbytes de memória SRAM;

modulação por largura de pulsos, ou simplesmente PWM (do inglês,

Pulse Width Modulation), com uma alta resolução de 150 ps de

precisão. Também possuem controladores PWM com tempo morto,

fase ou ciclo de trabalho programáveis;

o conversor analógico digital (ADC, do inglês Analogic Digital

Converter) tem 12 bits com 16 canais e dois Sample-and-Hold;

A figura 85 mostra a imagem do kit edZdspTM F28335.

Figura 84 - Layout do kit edZdspTM F28335.

A figura 86 ilustra o fluxograma baseado nas ações realizadas pelo

algoritmo de controle desenvolvido em linguagem ANSI C.


Figura 85 - Fluxograma do algoritmo de controle implementado no DSP 28335.

A figura 86 apresenta as etapas do programa implementado no DSP

F28335. A etapa A é responsável por inicializar as variáveis, os protótipos das

funções e as estruturas utilizadas no cabeçalho do programa antes da rotina

principal main(). Nesta etapa, determinam-se quais módulos serão executados

com a função InitSysCtrl(). Nesta função, definem-se quais periféricos devem ser

habilitados ou não. Uma etapa importante para o funcionamento do programa é

determinar o clock de operação do processador.

Em B, ocorrem a inicialização e a configuração do clock, a definição dos

pinos de propósito geral e a configuração e a definição do vetor de interrupções.

Nesta etapa, define-se qual a origem da interrupção, pois pode ocorrer

interrupção ativada pelo módulo PWM, ADC ou Timer, por exemplo, podendo

existir até 96 fontes distintas de interrupções. A etapa C é responsável por

DEFINIÇÃO DE VARIAVÉIS

INICIO

PROTÓTIPOS E INSTÂNCIAS DE ESTRUTURAS

INICIALIZA DSP

A

INICIALIZAÇÃO RELÓGIO E SISTEMA DE CONTROLE

DEFINE A OPERAÇÃO DOS PINOS DE PROPÓSITO

GERAL

INICIALIZA E CONFIGURA OS REGISTRADORES DOS

PERIFÉRICOS

GERAÇÃO TRIGGER PARA ADC

INICIALIZA E CONFIGURA VETOR DE INTERRUPÇÕES

B

C

AMOSTRAGEM DOS SINAIS PELO ADC

INICIALIZA, SINCRONIZA E CONFIGURA OS PWM

CONFIGURA ADC PARA REALIZAR A CONVERSÃO VIA INTERRUPÇÃO PWM

NÃO

SIM

NÃO

D

CALCULA A VELOCIDADE - RPM

CONTROLE DE CORRENTE

TRANSFORMADA INVERSA PARK E CLARKE

RO

TIN

A IN

TER

RU

PÇÃ

O -

AD

C

LÊR E ATUALIZA AS CORRENTES DE REFERÊNCIAS

CONTROLE DE VELOCIDADE

CONTROLE DE POSIÇÃO

CALCULA OS NOVOS DUTY CIRCLE - PWMs

E

A - DECLARAÇÕES.

B - INICIALIZAÇÃO E CONFIGURAÇÕES – DSP.

C - INICIALIZAÇÃO E CONFIGURAÇÕES DOS PERIFÉRICOS.

D – SINCRONISMO ENTRE PWM E O ADC.

E – ALGORITMO VETORIAL DE CONTROLE.

F - ATUALIZAÇÃO DOS PWM.

ATUALIZA OS PWMs

F


inicializar e configurar os registradores dos periféricos. Nessa etapa, define-se a

inicialização do ADC a partir da interrupção do PWM habilitado pelo bit SOCAEN

no registrador ETSEL.

Já, em D, ocorre o trigger, ou seja, o começo da conversão do ADC e, em

seguida, iniciam-se os cálculos e as rotinas de controle. Essa etapa define o

início da interrupção. Na etapa seguinte E ocorrem os cálculos, as transformadas

e os cálculos das leis de controle, ou seja, são realizados os cálculos para o

algoritmo do controle vetorial em cascata com o controle de posição e de

corrente. Finalmente, em F, ocorre a atualização dos PWM. Nessa etapa, o

algoritmo espera o próximo trigger e o retorno para a etapa D. A seguir, será feita

uma breve explicação com os respectivos códigos referentes às configurações

dos periféricos utilizados no funcionamento do sistema motor-mancal.

A.2 ADC(ANALOG TO DIGITAL CONVERSOR)

O conversor analógico/digital do DSP utiliza um conversor A/D de

aproximações sucessivas, que realiza a amostragem de sinais analógicos em

sinais digitais. O DSP dispõe de 16 pinos de entrada com 12 bits de resolução,

que podem receber tensões de 0 a 3V em duas unidades Sample And Hold, as

quais armazenam o sinal que será convertido. O ADC possui dois blocos de

conversão, A (ADCINA0 a ADCINA8) e B (ADCINB0 a ADCINB8), que podem

trabalhar tanto cascateados, permitindo a aquisição de 16 sinais, ou podem

operar isoladamente, possibilitando a aquisição de oito sinais cada um. A tabela

10 mostra os parâmetros utilizados na configuração do ADC.

Tabela 10 – Configuração do conversor analógico-digital.

Clock do ADC 75 Mhz

Modo de amostragem Simultâneo

Modo de Operação Continuo

Fonte do Trigger PWM

A seguir, o código ANSI-C da configuração do ADC:

AdcRegs.ADCTRL1.bit.ACQ_PS = 10; //Define a janela de amostragem.

AdcRegs.ADCMAXCONV.all = 0x0004; //Converte de 8 canais.

AdcRegs.ADCTRL3.bit.SMODE_SEL = 1; //Define modo sequencial.

AdcRegs.ADCTRL1.bit.SEQ_CASC = 1; // Define o modo em cascata.


AdcRegs.ADCCHSELSEQ1.bit.CONV00 = 0x0; // ADCNA0 e ADCNB0.




AdcRegs.ADCTRL2.bit.EPWM_SOCA_SEQ1 = 1; // Inicializa a conversão a

//partir do PWM.

AdcRegs.ADCTRL2.bit.INT_ENA_SEQ1 = 1; //Habilita a interrupção SEQ1.

AdcRegs.ADCTRL1.bit.CPS = 0; // Divide por 1.

AdcRegs.ADCTRL3.bit.ADCCLKPS = 1; // Define o clock.

A descrição detalhada dos registrados acima pode ser encontrada no guia

de referência do conversor ADC da Texas (SPRU812A, 2007).

A.3 EPWM(ENHANCED PULSE WIDTH MODULATOR)

O DSP TMS320F28335 possui 18 canais PWM independentes, dois quais

12 estão disponíveis nos módulos PWM e mais seis canais adicionais no módulo

CAPTURE que está descrito na seção A.4. Os 12 módulos vão do EPWM1A e

EPWM1B até o EPWM6A e EPWM6B. Cada módulo PWM possui sete

submódulos:

- Time – Base (TB);

- Contador-Comparador (CC);

- Qualificador de Ação (AQ);

- Dead-Band (DB);

- PWM-Chopper (PC);

- Event-Trigger (ET);

-Trip-Zone (TZ).

Foi necessária a configuração dos três primeiros submódulos para o

funcionamento do PWM. O importante da configuração no PWM é a escolha da

contagem, pois define-se o tipo do PWM, o qual pode ser simétrico (contagem

crescente e decrescente - UpDown) ou assimétrico, que pode conter a contagem

crescente - Up ou a contagem decrescente – Down. O principal registrador do

ePWM a ser configurado é o TBPRD (Time Base Period), cujo valor representa

o tempo gasto para a completa amostragem dos sinais sensoriados, ou seja,

coletados pelo ADC. Com base em uma frequência de amostragem e do clock (


tabela 10), chega-se à equação 1, por meio da qual calcula-se o valor a ser

configurado no registrador TBRD:

𝑇𝑅𝑃𝑅𝐷 =𝐻𝑆𝑃𝐶𝐿𝐾

𝑓𝑎

𝑇𝑅𝑃𝑅𝐷 = 15000

A tabela 11 mostra os parâmetros utilizados na configuração do ePWM.

Tabela 11 – Configuração do módulo ePWM.

Frequência de amostragem do PWM (𝑓𝑎) 10 khz

Frequência de clock (𝐻𝑆𝑃𝐶𝐿𝐾) 150Mhz

Modo de contagem Up-Down

Modo de operação Shadow

Fonte do trigger ADC

A seguir, o código ANSI-C da configuração básica do PWM.

EPwm1Regs.TBPRD = 7500; // Configura o período de contagem TBCLKs.

EPwm1Regs.TBPHS.half.TBPHS = 0x0000; // Define a fase =0.

EPwm1Regs.TBCTR = 0x0000; // Limpa o contador.

EPwm1Regs.CMPA.half.CMPA = 0; // Registra a comparação de A com zero.

EPwm1Regs.CMPB = 0; //Registra a comparação de B com zero.

EPwm1Regs.TBCTL.bit.CTRMODE = TB_COUNT_UPDOWN; //Habilita o modo de

contagem up/down.

EPwm1Regs.TBCTL.bit.PHSEN = TB_DISABLE; // Desabilita a fase.

EPwm1Regs.TBCTL.bit.HSPCLKDIV = TB_DIV1;

EPwm1Regs.TBCTL.bit.CLKDIV = TB_DIV1;

EPwm1Regs.CMPCTL.bit.SHDWAMODE = CC_SHADOW;

EPwm1Regs.CMPCTL.bit.SHDWBMODE = CC_SHADOW;

EPwm1Regs.CMPCTL.bit.LOADAMODE = CC_CTR_ZERO;

EPwm1Regs.CMPCTL.bit.LOADBMODE = CC_CTR_ZERO;

EPwm1Regs.AQCTLA.bit.CAU = AQ_SET; // Qualificador

EPwm1Regs.AQCTLA.bit.CAD = AQ_CLEAR; // Qualificador

EPwm1Regs.AQCTLB.bit.CBU = AQ_SET; // Qualificador

EPwm1Regs.AQCTLB.bit.CBD = AQ_CLEAR; // Qualificador

EPwm1Regs.ETSEL.bit.SOCAEN = 1; // Habilita o início do conversor ADC

(1)


EPwm1Regs.ETSEL.bit.SOCASEL = 2; //Configura contador = período

EPwm1Regs.ETPS.bit.SOCAPRD = 1; //Gera pulso no 1st evento

A descrição detalhada dos registrados acima é encontrada no guia de

referência do ePWM da Texas (SPRUG04A, 2009).

A.4 ECAP(ENHANCED CAPTURE)

O módulo eCAP representa um canal de captura de eventos que pode ser

instanciado várias vezes, dependendo do dispositivo de destino. São

características do módulo:

• pinos de captura dedicados;

• base de tempo de 32 bits (contador);

• quatro registradores de 32 bits (CAP1-CAP4);

• sequenciador de quatro fases ou módulo com quatro contadores que são

registradores para sincronizar eventos externos;

• pinos que detectam bordas de subida e/ou descida;

• escalonadores de captura de dois a 62 modos;

• dois modos de operação: One-Shot e o Contínuo;

• possibilidade de interrupções em qualquer um dos eventos de captura

(CAP1-CAP4).

A utilização desse módulo possibilita:

• realizar medições de velocidade de máquinas rotativas (por exemplo,

rodas dentadas que detectam pulsos através de sensores Hall);

• mensurar o tempo a partir do intervalo entre pulsos de sensores de

posição;

• fazer medições de ciclo de trabalho a partir de sinais de trem de pulsos

ou de períodos.

A tabela 12 mostra os parâmetros utilizados na configuração do ePWM.

Tabela 12 – Configuração do módulo eCAP.

Tipo de borda detectada subida

Modo de operação One-Shot

Fonte da interrupção um evento

Segue o código ANSI-C utilizado na configuração do módulo do eCAP.


ECap1Regs.ECEINT.all = 0x0000; //Desabilita todos as interrupções.

ECap1Regs.ECCLR.all = 0xFFFF; //Limpa as flags das interrupções.

ECap1Regs.ECCTL1.bit.CAPLDEN = 0; //Desabilita o modo loader CAP1-CAP4.

ECap1Regs.ECCTL2.bit.TSCTRSTOP = 0; //Para o modo contador.

ECap1Regs.ECCTL2.bit.CONT_ONESHT = 1; //Habilita o modo One-shot.

ECap1Regs.ECCTL2.bit.STOP_WRAP = 0; // Pára no 1 evento.

ECap1Regs.ECCTL1.bit.CAP1POL = 0; //Detecta borda de subida.

ECap1Regs.ECCTL1.bit.CTRRST1 = 1;

ECap1Regs.ECCTL2.bit.SYNCO_SEL = 0; // Habilita o critério de parada

do evento.

ECap1Regs.ECCTL2.bit.TSCTRSTOP = 1; // Início do contador.

ECap1Regs.ECCTL2.bit.REARM = 1; // Arma o modo One-shot.

ECap1Regs.ECCTL1.bit.CAPLDEN = 1; //Habilita os registradores CAP1-CAP4.

ECap1Regs.ECEINT.bit.CEVT1 = 1; // Ativa a interrupção no 1 evento.

A descrição detalhada dos registrados acima é encontrada no guia de

referência do eCAP da Texas (SPRUFG4A, 2009).

A.5 INTERFACE COM O MATLAB

A interface com Matlab auxilia a aquisição de dados internos do DSP. O

comando ticcss realiza um link do Code Composer Studio (CCS) com o Matlab®,

permitindo executar comandos do CCS e acessar o DSP que está conectado a

uma instância do CCS. Para habilitar o Matlab® e comunicar com o CCS, é

necessário inserir os blocos de comandos abaixo.

// Inserir as funções

void init_zone7(void)

void InitXintf16Gpio(void);

// Criar variáveis na memória do DSP

#pragma DATA_SECTION(Buffer1,"ZONE7DATA");



As funções init_zone7() e InitXintf16Gpio() podem ser encontradas no

Apêndice B, que apresenta o código fonte implementado para o algoritmo de

controle do motor-mancal.

105

APÊNDICE B: PROGRAMA PARA O CONTROLE DO MOTOR-MANCAL

Esse apêndice contém o programa em linguagem C implementado no

Code Composer 3.3. Este programa foi utilizado no controle de corrente da

máquina de indução. Sendo parte integrante do projeto.

//######################################################################

//Controle vetorial de Velocidade - Motor Mancal

// $Revisão do programa: 09/04/16 as 10h$

//######################################################################

#include "DSP28x_Project.h"

#include <math.h>

// Prototipo das funções

void InitECapture(void);

void InitEPwm1(void);



void ConfigCAD(void);

void ConfigGPIO(void);

void init_zone7(void);

void InitXintf16Gpio(void);

// Rotina de controle, executa a 100us - Interrupção

interrupt void adc_isr(void);

// Rotina para o Matlab. Tam. do buffer: 31500










float w2[10] = -0.43014,0.70332, 0.12423, -0.21262, 0.39371, 0.11679, -0.13743, 0.35273, 0.21287, 0.56583;

float b1[10]=0.79952, 0.64329, 0.28983, 0.63594, 0.32047, -0.31605,-0.42055, -0.3176,0.06817,0.45426;

float b2=0.91374;

float y1[10] = 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0 , 0.0;

APÊNDICE B: PROGRAMA PARA O CONTROLE DE CORRENTE 106

float y2 = 0.0;

// ---------Rede /neural utilizado na Variacao de Velocidade-------------------

float Xrna[2]= 0.0 , 0.0;

float w1[10][2] = 0.90428, 0.081054,

-1.0029, 0.16907,

0.34601, 0.35891,

0.33845, 0.37759,

0.99273, -0.24073,

0.66315, -0.12663,

1.0054, 0.38373,

-4.9901, 0.35281,

0.63528, -0.07112,

-0.25267, 0.47402;

float w2[10] = 0.0018977, -0.0093423, 0.0072015, 0.0067842, -0.0043975, 0.016162, 0.00070012, -0.002592, 0.016067,

0.10709;

float b1[10]=-17.2418, -27.5998, -69.453, -69.2379, 44.0822, 23.0618, -70.4748, -52.1045, 14.4631, -72.4192;

float b2=0.39722;

float y1[10] = 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0 , 0.0;

float y2 = 0.0;

float VAR1 = 764, //188.49, //x

VAR2 = 1580, //197.91, //y

VAR3 = 1200, //188.49, //x

VAR4 = 1659, //179.06, //y

VAR5 = 188.49;

Uint16 kmovel = 7, ik =0, jk = 0, flag_ativa_rna = 0;

float temp[7] = 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0,

temp1[7] = 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0,

temp2[7] = 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0,

mvel_rds = 0.0,

mPosXf = 0.0,

mPosYf = 0.0;

Uint16 flag_ativa_velocidade = 0, fim_flag_matlab = 0;

//******************************************************

float p2 = 0;

float IQMAX = 0.6, IQMIN = 0.4, idRef = 1, TOR = -1.2;

Uint16 i= 0;

float wc = 500, OffW = -50.0, np = 1;

// (1). Variaveis para armazenar dados para o Matlab

float Buffer1[7000],

Buffer2[7000],

Buffer3[7000],

Buffer4[7000],

Buffer5[7000],

Buffer6[7000],

Buffer7[7000],

Buffer8[7000],

Buffer9[7000];

float vel_rpm = 0.0,

vel_rpm_ant =0.0,


vel_final=0.0,

vel_rds = 0.0,

vel_rdsmin = 0.0,

KM = 1.5e+08,

GH = 3.093333,

vel_rpmf = 0,

wcvel = 2.5;

//(2).Variaveis para ADC

signed int sinal1 = 0,

sinal2 = 0,

sinal3 = 0,

sinal4 = 0,

sinal5 = 0,

sinal6 = 0,

sinalx = 0,

sinaly = 0;

float corrente1=0.0,

corrente2=0.0,

corrente3=0.0,

corrente4=0.0,

corrente5=0.0,

corrente6=0.0;

float corrente1f=0.0,

corrente2f=0.0,

corrente3f=0.0,

corrente4f=0.0,

corrente5f=0.0,

corrente6f=0.0;

float PosX=0.0,

PosY=0.0,

PosXf=0.0,

PosYf=0.0;

float velo_X = 0,

velo_Y = 0,

erroX = 0,

erroY = 0,

erroX_ant = 0,

erroY_ant = 0,

propx = 0,

derivx = 0,

integx = 0,

derivx_ant = 0,

integx_ant = 0,

derivy_ant = 0,

integy_ant = 0,

propy = 0,

derivy = 0,

integy = 0,

iX = 0,

iY = 0,


iX_ant = 0,

iY_ant = 0,

ganho_limY = 0.15,

ganho_limX = 0.2;

float Ux = 0,

Uy = 0;

Uint16 intp = 0;

//(3).Variaveis - Controle de Corrente

/*

float lim_BMAX = 0.0; // Define o barramento máximo

BMAX = 150 // Define o barramento máximo referente a tensão no variac de 60 VAC

*/

float kpi = 200.0, //Ganho do Controlador Proporcional de Corrente

kii = 1.464844e-6; //Ganho do Controlador Integrativo de Corrente

float ref1 = 0.0,

ref2 = 0.0,

ref3 = 0.0,

ref4 = 0.0,

ref5 = 0.0,

ref6 = 0.0;

//(4). Parâmetros refente a coleta - Matlab

Uint16 indexb = 0,

flag_matlab = 0,

tam_index = 485;

float tempo = 0.0,

tf = 50;

float ReferX = 955.0,

ReferY = 1761.0,

ux = 0.0,

uy = 0.0,

x_al = 0,

y_be = 0,

ua =0,

ub = 0,

uc = 0;

float Kpx = 0.0002,

Kdx = 0.058,

Kix = 1e-08,

Kpy = 0.00028,

Kdy = 0.058,

Kiy = 1e-08,

limX = 1;

float cosp1 = 0,

senp1 = 0;

// (5). Variaveis refetente ao sensor de velocidade


Uint32 delta = 0;

float TOLWMEC = 1.05;

// 6.4 - Parametros do fluxo e da Posição Rotórica

float p1 = 0.0,

dp = 0.0,

Phir = 0.0;

float cosp2 = 0.0,

senp2 = 0.0;

float i1ref = 0.0,

i2ref = 0.0,

i3ref = 0.0;

float ialfaref = 0.0,

ibetaref = 0.0;

float mMref = 0.0,

iqRef = 0.52,

iqRef1 = 0,

iqRef2 = 0;

float errow =0.0,

propw = 0.0,

iW = 0.0,

ganho_limW = 0.5,

integw = 0.0,

Wmref = 188.49,

Kpw = 0.01,

Kiw= 7.5e-5;

// ******************************************************************

// *********** Definição das estruturas dos Parametros do PID *******

// ******************************************************************

typedef struct

float Ref; // Entrada referente ao set-point

float Fbk; // Entrada referente ao feedback

float Out; // Saida do controlador

PID_TERMINALS;

typedef struct

float Kp; // Parametro: proportional loop gain

float Ki; // Parametro: integral gain

float Km; // Parametro: derivative weighting

float Umax; // Parametro: upper saturation limit

float Umin; // Parametro: lower saturation limit

PID_PARAMETERS;

typedef struct

float up; // Data: proportional term

float ui; // Data: integral term

float v1; // Data: pre-saturated controller output

float i1; // Data: integrator storage: ui(k-1)

float w1; // Data: saturation record: [u(k-1) - v(k-1)]


PID_DATA;

typedef struct

PID_TERMINALS term;

PID_PARAMETERS param;

PID_DATA data;

PID_CONTROLLER;

//Protótico para inicializar parametros do Controlador

void PID_init(PID_CONTROLLER *v);

void PID_FUNC(PID_CONTROLLER *v);

// Instância dos Controladores

PID_CONTROLLER PI_Corrente1;






void main(void)

// Step 1. Initialize System Control:

// PLL, WatchDog, enable Peripheral Clocks

InitSysCtrl();

// Step 2. Initalize GPIO:

// Init GPIO pins for ePWM1A,ePWM1B ePWM2A, ePWM2B, ePWM3A e ePWM3B e Ecap1

InitEPwmGpio();

InitECap1Gpio();

// Step 3. Clear all interrupts and initialize PIE vector table:

// Disable CPU interrupts

DINT;

// Initialize the PIE control registers to their default state.

InitPieCtrl();

// Disable CPU interrupts and clear all CPU interrupt flags:

IER = 0x0000;

IFR = 0x0000;

// Initialize the PIE vector table with pointers to the shell Interrupt

// Service Routines (ISR).

InitPieVectTable();

// Interrupts are re-mapped to ISR functions found within this file.

EALLOW;

PieVectTable.ADCINT = &adc_isr;

EDIS;


// Step 4. Initialize A/D Peripheral:

InitECapture();

InitAdc();

// Stop PWM counter timer ( TBCLKSYNC - Sincroniza os clocks e Parando todos os móduloas PWM)

EALLOW;

SysCtrlRegs.PCLKCR0.bit.TBCLKSYNC = 0; // - reseta TBCLKSYNC

EDIS;

InitEPwm1();

InitEPwm2();

InitEPwm3();

// Start PWM counter timer. All PWM Channels are syncronized

EALLOW;

SysCtrlRegs.PCLKCR0.bit.TBCLKSYNC = 1;

EDIS;

// Step 5. User specific code, enable interrupts:

IER |= M_INT1; //interrupcao do Timer0 & ADC

// Enable ADCINT in PIE

PieCtrlRegs.PIEIER1.bit.INTx6 = 1; //Utilizar a interrupcao do ADC

// Enable global Interrupts and higher priority real-time debug events:

EINT; // Enable Global interrupt INTM

ERTM; // Enable Global realtime interrupt DBGM

// Step 6. IDLE loop.

ConfigGPIO(); // Configura os pinos IO

init_zone7(); // Memoria externa

//Função que configura o ADC para realizar a conversão via interrupção do PWM

ConfigCAD();

// Inicializa os Controladores

PID_init(&PI_Corrente1);






for(;;)

//***************************************************************************

// Captura a Velocidade

//***************************************************************************


if(ECap1Regs.ECFLG.bit.CEVT1 == 1)

delta = ECap1Regs.CAP1;

vel_rpm = KM/delta;

ECap1Regs.ECCTL2.bit.REARM = 1;

ECap1Regs.ECCLR.bit.CEVT1 = 1;

if((vel_rpm > vel_rpm_ant * 1.05) && (vel_rpm_ant > 15))

vel_final=vel_rpm_ant;

else

vel_rpm_ant=vel_rpm;

vel_final=vel_rpm;

//Filtro Digital

vel_rpmf = vel_rpmf * 0.9998 + vel_rpm * 2.5000e-004;

// Transforma de rpm para rad/s

vel_rds = vel_rpmf * 0.1047 + OffW;

///////////////////////////////////////////////////////////////////////

////////////////////////Rotina Principal//////////////////////////////

///////////////////////////////////////////////////////////////////////

interrupt void adc_isr(void)

GpioDataRegs.GPASET.bit.GPIO13 = 1;

// Filtro média móvel - velocidade

temp[0] = temp[1];

temp[1] = temp[2];

temp[2] = temp[3];

temp[3] = temp[4];

temp[4] = temp[5];

temp[5] = temp[6];

temp[6] = vel_rds;

mvel_rds = temp[6] + 0.1428571 * (temp[5] - temp[0]);

errow = Wmref - mvel_rds;

y1[0] = 0;

y1[1] = 0;

y1[2] = 0;

y1[3] = 0;


y1[4] = 0;

y1[5] = 0;

y1[6] = 0;

y1[7] = 0;

y1[8] = 0;

y1[9] = 0;

y2 = 0;

Xrna[0] = errow;

Xrna[1] = mvel_rds;

for (ik = 0; ik < 10; ik++)

for (jk = 0; jk < 2; jk++)

y1[ik] += Xrna[jk] * w1[ik][jk];

y1[ik] = y1[ik]+ b1[ik];

y1[ik] = 2/(1+exp(-2 * y1[ik]))-1;

for (ik = 0; ik < 10; ik++)

y2 = y2 + y1[ik] * w2[ik];

y2 =y2 + b2;

propw = Kpw * errow;

iW += Kiw * errow;

// Saturador integrativo

iW = __fmax((__fmin( ganho_limW, iW)), -ganho_limW);

integw = iW;

// Lei de controle

iqRef1 = propw + integw;

if( flag_ativa_rna == 0)

iqRef = __fmax((__fmin( IQMAX, iqRef1)), IQMIN);

else

iqRef = __fmax((__fmin( IQMAX, y2)), IQMIN);

// Cálculo da posição do fluxo rotórico

// Sabendo que Tr = 4.6197 e imR = 0.001, logo [Tr * imR] = 0.0046

dp = vel_rds + iqRef/0.002489;

p2 = p2 + 0.0001 * dp;

if (p2 >= 6.28318530717) p2 = p2 - 6.28318530717;

if (p2 <=-6.28318530717) p2 = p2 + 6.28318530717;

cosp1 = cos(p2);

senp1 = sin(p2);


cosp2 = cos(p2+TOR);

senp2 = sin(p2+TOR);

// <><><><><><><><><><><><><><><><><><><><><><><><><><><><><><><><><>

// Transformação inversa de Park

// <><><><><><><><><><><><><><><><><><><><><><><><><><><><><><><><><>

ialfaref = cosp2 + iqRef * senp2;

ibetaref = iqRef * cosp2 - senp2;

// <><><><><><><><><><><><><><><><><><><><><><><><><><><><><><><><><>

// Transformacao inversa de Clarke

// <><><><><><><><><><><><><><><><><><><><><><><><><><><><><><><><><>

i1ref = ialfaref;

i3ref = -(0.5 * ialfaref) + (0.8660254 * ibetaref);

i2ref = -(ialfaref * 0.5) - (0.8660254 * ibetaref);

// Leitura de Posição - Eixos X e Y

//Filtro Digital

PosX = (float)(AdcRegs.ADCRESULT6 >>4);

PosY = (float)(AdcRegs.ADCRESULT7 >>4);

PosXf = (PosXf * 0.9500) + (PosX * 0.0500);

PosYf = (PosYf * 0.9500) + (PosY * 0.0500);

temp1[0] = temp1[1];






temp1[6] = PosXf;







temp2[6] = PosYf;

mPosXf = temp1[6] + 0.1428571 * (temp1[5] - temp1[0]);

mPosYf = temp2[6] + 0.1428571 * (temp2[5] - temp2[0]);

//***********************************************************************

// Metodo Classico - Controle de Posição

//***********************************************************************

erroX = -(ReferX - mPosXf);

erroY = -(ReferY - mPosYf);

velo_X = (erroX - erroX_ant);

velo_Y = (erroY - erroY_ant);


erroX_ant = erroX;

erroY_ant = erroY;

// Controle de posição radial

propx = Kpx * erroX;

derivx = Kdx * velo_X;

iX += Kix * erroX;


iX = __fmax((__fmin( ganho_limX, iX)), -ganho_limX);

integx = iX;

// Lei de controle X

Ux = propx + derivx+ integx;

// Controle Y

propy = Kpy * erroY;

derivy = Kdy * velo_Y;

iY += Kiy * erroY;


iY = __fmax((__fmin( ganho_limY, iY)), -ganho_limY);

integy = iY;

// Lei de controle Y

Uy = propy + derivy + integy;

// Limitadores

Ux = __fmax((__fmin( limX, Ux)), -limX);

Uy = __fmax((__fmin( limX, Uy)), -limX);

x_al = Ux * senp1 - Uy * cosp1 ;

y_be = -Ux * cosp1 - Uy * senp1 ;

ua = x_al;

ub = y_be * 0.8660254 + x_al * 0.5;

uc = ub - x_al;

//-------------------------------------------------------

ref1 = i1ref + ua;

ref2 = i1ref - ua;

ref3 = i2ref + ub;

ref4 = i2ref - ub;

ref5 = i3ref + uc;

ref6 = i3ref - uc;

//////////////////////////////////////////////////////


// Rotina para Ler as Correntes

///////////////////////////////////////////////////////

sinal1 = (AdcRegs.ADCRESULT0 >>4) - 2018 ;

sinal2 = (AdcRegs.ADCRESULT1 >>4) - 2021;





corrente1 = (float) -7.234 * (sinal1/2048.0)+ 0.0251;

corrente1f = corrente1f * 0.6858 + corrente1 * 0.3142 ;

corrente2 = (float) -6.9051 * (sinal2/2048.0) + 0.0036;

corrente2f = corrente2f * 0.6858 + corrente2 * 0.3142;









///////////////////////////////////////////////////////////////////////

// Controle PI de Corrente

///////////////////////////////////////////////////////////////////////

//Controlador 1

PI_Corrente1.param.Kp = kpi;

PI_Corrente1.param.Ki = kii;

PI_Corrente1.param.Umax = 73.1325;

PI_Corrente1.param.Umin = -73.1325;

PI_Corrente1.term.Ref = ref1;

PI_Corrente1.term.Fbk = corrente1f; //sinal 5

//Controlador 2







//Controlador 3








//Controlador 4







//Controlador 5







//Controlador 6







PID_FUNC(&PI_Corrente1); //Ref1






//////////////////////////////////////////////////////////////////////

// Aplica o sinal de controle nos PWMs

///////////////////////////////////////////////////////////////////////

EPwm1Regs.CMPA.half.CMPA = ((PI_Corrente1.term.Out/147.0) + (0.5)) * EPwm1Regs.TBPRD;

EPwm1Regs.CMPB = ((PI_Corrente2.term.Out/147.0) + (0.5)) * EPwm1Regs.TBPRD;


EPwm2Regs.CMPB = ((PI_Corrente4.term.Out/147.0) + (0.5)) * EPwm2Regs.TBPRD;


EPwm3Regs.CMPB =((PI_Corrente6.term.Out/147.0) + (0.5)) * EPwm3Regs.TBPRD;


if((mvel_rds >=0 ) && (fim_flag_matlab == 0)) flag_matlab = 1;

if(flag_matlab)

//ativa_com_matlab

// if(tempo > tf)

// //inicio temporizador

if(indexb < tam_index)

/*

if(flag_ativa_velocidade == 1)

if(indexb <= 500)

Wmref = VAR1;

if((indexb >= 500) && (indexb<1500))

Wmref = VAR2;

if((indexb >= 1500) && (indexb<2500))

Wmref = VAR3;

if((indexb >= 2500) && (indexb < 3500))

Wmref = VAR4;

if(indexb >= 3500)

Wmref = VAR5;

*/

if(flag_ativa_velocidade == 1)

if(indexb <= 1000)

ReferX = VAR1;

// ReferY = VAR2;

if(indexb >= 1000)

ReferX = VAR3;

// ReferY = VAR4;

/*

Buffer1[indexb] = errow;

Buffer2[indexb] = mvel_rds;

Buffer3[indexb] = iqRef;

Buffer4[indexb] = mPosXf;

Buffer5[indexb] = mPosYf;

*/

Buffer1[indexb] = i1ref;




Buffer4[indexb] = mPosXf;

Buffer5[indexb] = mPosYf;

Buffer6[indexb] = mvel_rds;

Buffer7[indexb] = ua;

Buffer8[indexb] = ub;

Buffer9[indexb] = uc;

tempo = 0;

//fim_indexador

else

flag_matlab = 0;

indexb =0;

tempo = 0;

fim_flag_matlab = 1;

indexb++;

// //fim_temporizador

// else

// tempo = tempo + 1;

//fim_atv_matlab

///////////////////////////////////////////////////////////////////////

// Reinicializa a sequencia do Conversor ADC

///////////////////////////////////////////////////////////////////////

AdcRegs.ADCTRL2.bit.RST_SEQ1 = 1; // Reset SEQ1

AdcRegs.ADCST.bit.INT_SEQ1_CLR = 1; // Clear INT SEQ1 bit

GpioDataRegs.GPACLEAR.bit.GPIO13 = 1;

PieCtrlRegs.PIEACK.all = PIEACK_GROUP1; // Acknowledge interrupt to PIE

void InitEPwm1()

// Setup TBCLK

EPwm1Regs.TBPRD = 7500; // Set timer period 801 TBCLKs

EPwm1Regs.TBPHS.half.TBPHS = 0x0000; // Phase is 0

EPwm1Regs.TBCTR = 0x0000; // Clear counter

// Set Compare values

EPwm1Regs.CMPA.half.CMPA = 0; // inicializa o registradore de comparação A com zero

EPwm1Regs.CMPB = 0; // inicializa o registradore de comparação B com zero

// Setup counter mode

EPwm1Regs.TBCTL.bit.CTRMODE = TB_COUNT_UPDOWN; // Contagem up/down


EPwm1Regs.TBCTL.bit.PHSEN = TB_DISABLE; // Disable phase loading

EPwm1Regs.TBCTL.bit.HSPCLKDIV = TB_DIV1; //Clock PWM = Clock Sistema - Clock ratio to SYSCLKOUT


// Setup shadowing

EPwm1Regs.CMPCTL.bit.SHDWAMODE = CC_SHADOW; // Usa buffer duplo

EPwm1Regs.CMPCTL.bit.SHDWBMODE = CC_SHADOW; // Usa buffer duplo

EPwm1Regs.CMPCTL.bit.LOADAMODE = CC_CTR_ZERO; // Load on Zero - CC_CTR_PRD

EPwm1Regs.CMPCTL.bit.LOADBMODE = CC_CTR_ZERO; // Load on Zero - CC_CTR_PRD

// Set actions

EPwm1Regs.AQCTLA.bit.CAU = AQ_SET;

EPwm1Regs.AQCTLA.bit.CAD = AQ_CLEAR;

EPwm1Regs.AQCTLB.bit.CBU = AQ_SET;

EPwm1Regs.AQCTLB.bit.CBD = AQ_CLEAR;

// Set SOCA trigger;

EPwm1Regs.ETSEL.bit.SOCAEN = 1; // Enable SOC on A group (Habilita Start do Conversor ADC)

EPwm1Regs.ETSEL.bit.SOCASEL = 2; // 2 (contador = periodo ) 4 (contador = cmpa); // Select SOC from

CTR=PRD

EPwm1Regs.ETPS.bit.SOCAPRD = 1; // Generate pulse on 1st event

void InitEPwm2()

// Setup TBCLK










EPwm2Regs.TBCTL.bit.HSPCLKDIV = TB_DIV1; // Clock ratio to SYSCLKOUT


// Setup shadowing


EPwm2Regs.CMPCTL.bit.LOADAMODE = CC_CTR_ZERO; // Load on Zero

EPwm2Regs.CMPCTL.bit.SHDWBMODE = CC_SHADOW; // Load on Zero


// Set actions

EPwm2Regs.AQCTLA.bit.CAU = AQ_SET;//AQ_CLEAR;// When TBCTR is incrementing and TBCTR=CMPA set

EPWM1A low


EPwm2Regs.AQCTLA.bit.CAD = AQ_CLEAR;//AQ_SET; // When TBCTR is in decrementing and TBCTR=CMPA set

EPWM1A high

EPwm2Regs.AQCTLB.bit.CBU = AQ_SET;//AQ_CLEAR; // Set PWM3B on event B, up count

EPwm2Regs.AQCTLB.bit.CBD = AQ_CLEAR;//AQ_SET; // Clear PWM3B on event B, down count

void InitEPwm3(void)

// Setup TBCLK










EPwm3Regs.TBCTL.bit.HSPCLKDIV = TB_DIV1; // Clock ratio to SYSCLKOUT


// Setup shadowing


EPwm3Regs.CMPCTL.bit.LOADAMODE = CC_CTR_ZERO; // Load on Zero - CC_CTR_PRD

EPwm3Regs.CMPCTL.bit.SHDWBMODE = CC_SHADOW; // Load on Zero


// Set actions

EPwm3Regs.AQCTLA.bit.CAU = AQ_SET;// When TBCTR is incrementing and TBCTR=CMPA set EPWM1A low

EPwm3Regs.AQCTLA.bit.CAD = AQ_CLEAR;// When TBCTR is in decrementing and TBCTR=CMPA set EPWM1A high

EPwm3Regs.AQCTLB.bit.CBU = AQ_SET;//AQ_CLEAR; // Set PWM3B on event B, up count

EPwm3Regs.AQCTLB.bit.CBD = AQ_CLEAR;//AQ_SET; // Clear PWM3B on event B, down count

void ConfigCAD(void)

// 1. Define a janela de tempo

AdcRegs.ADCTRL1.bit.ACQ_PS = 10 // Defini um numero 0 - 15, sendo 0 para um ciclo

//2. Numero de canais a ser convertido

// AdcRegs.ADCMAXCONV.all = 0x0007; //Caso for utilizar para ler 16 variaveis via ADC

AdcRegs.ADCMAXCONV.all = 0x0004; // Por que esta lendo via ADC 8 variaveis [0, 1 , 2 e 3]

AdcRegs.ADCTRL3.bit.SMODE_SEL = 1; //Simultaneous sampling mode, default =0 modo sequencial

AdcRegs.ADCTRL1.bit.SEQ_CASC = 1;


//3. E Quais Canais selecionados a serem convertidos

AdcRegs.ADCCHSELSEQ1.bit.CONV00 = 0x0; // Setup conv from ADCINA0 & ADCINB0

AdcRegs.ADCCHSELSEQ1.bit.CONV01 = 0x1; // Setup conv from ADCINA1



//4. Quem vai start a conversão - PWM

AdcRegs.ADCTRL2.bit.EPWM_SOCA_SEQ1 = 1; // Enable SOCA from ePWM to start SEQ1

AdcRegs.ADCTRL2.bit.INT_ENA_SEQ1 = 1; // Enable SEQ1 interrupt (every EOS)

//5. Conversor AD trabalhando a 75 Mhz

AdcRegs.ADCTRL1.bit.CPS = 0;

AdcRegs.ADCTRL3.bit.ADCCLKPS = 1; //Dividindo a freq/2

void ConfigGPIO(void)

// Configura GPIO

EALLOW;

// Configura os pinos GPIO28 e GPIO29 como SCI-A

GpioCtrlRegs.GPAMUX2.bit.GPIO29 = 1; // SCITXDA

GpioCtrlRegs.GPAMUX2.bit.GPIO28 = 1; // SCIRXDA

// Configura o pino GPIO13 como um saída

GpioCtrlRegs.GPAMUX1.bit.GPIO13 = 0; //Configura como o pino como digital

GpioCtrlRegs.GPADIR.bit.GPIO13 = 1; //Configura como entrada (bit 0) e saida (bit 1)

EDIS;

void InitECapture()

ECap1Regs.ECEINT.all = 0x0000; // Disable all capture interrupts11

ECap1Regs.ECCLR.all = 0xFFFF; // Clear all CAP interrupt flags

ECap1Regs.ECCTL1.bit.CAPLDEN = 0; // Disable CAP1-CAP4 register loads

ECap1Regs.ECCTL2.bit.TSCTRSTOP = 0; // Make sure the counter is stopped

ECap1Regs.ECCTL2.bit.CONT_ONESHT = 1; // One-shot

ECap1Regs.ECCTL2.bit.STOP_WRAP = 0; // Stop at 1 events

ECap1Regs.ECCTL1.bit.CAP1POL = 0; // borda de subida

ECap1Regs.ECCTL1.bit.CTRRST1 = 1; // Difference operation

ECap1Regs.ECCTL2.bit.SYNCO_SEL = 0; // Pass through

ECap1Regs.ECCTL2.bit.TSCTRSTOP = 1; // Start Counter

ECap1Regs.ECCTL2.bit.REARM = 1; // arm one-shot

ECap1Regs.ECCTL1.bit.CAPLDEN = 1; // Enable CAP1-CAP4 register loads

ECap1Regs.ECEINT.bit.CEVT1 = 1; // 1 events = interrupt

void init_zone7(void)

// Make sure the XINTF clock is enabled

SysCtrlRegs.PCLKCR3.bit.XINTFENCLK = 1;


// Configure the GPIO for XINTF with a 16-bit data bus

// This function is in DSP2833x_Xintf.c

InitXintf16Gpio();

EALLOW;

// All Zones---------------------------------

// Timing for all zones based on XTIMCLK = SYSCLKOUT

XintfRegs.XINTCNF2.bit.XTIMCLK = 0;

// Buffer up to 3 writes

XintfRegs.XINTCNF2.bit.WRBUFF = 3;

// XCLKOUT is enabled

XintfRegs.XINTCNF2.bit.CLKOFF = 0;

// XCLKOUT = XTIMCLK

XintfRegs.XINTCNF2.bit.CLKMODE = 0;

// Zone 7------------------------------------

// When using ready, ACTIVE must be 1 or greater

// Lead must always be 1 or greater

// Zone write timing

XintfRegs.XTIMING7.bit.XWRLEAD = 1;

XintfRegs.XTIMING7.bit.XWRACTIVE = 2;

XintfRegs.XTIMING7.bit.XWRTRAIL = 1;

// Zone read timing

XintfRegs.XTIMING7.bit.XRDLEAD = 1;

XintfRegs.XTIMING7.bit.XRDACTIVE = 3;

XintfRegs.XTIMING7.bit.XRDTRAIL = 0;

XintfRegs.XTIMING7.bit.X2TIMING = 0;

// Zone will not sample XREADY signal

XintfRegs.XTIMING7.bit.USEREADY = 0;

XintfRegs.XTIMING7.bit.READYMODE = 0;

// 1,1 = x16 data bus

// 0,1 = x32 data bus

// other values are reserved

XintfRegs.XTIMING7.bit.XSIZE = 3;

EDIS;

//Force a pipeline flush to ensure that the write to

//the last register configured occurs before returning.

asm(" RPT #7 || NOP");

void InitXintf16Gpio()

EALLOW;

GpioCtrlRegs.GPCMUX1.bit.GPIO64 = 3; // XD15

















GpioCtrlRegs.GPBMUX1.bit.GPIO40 = 3; // XA0/XWE1n

GpioCtrlRegs.GPBMUX1.bit.GPIO41 = 3; // XA1







GpioCtrlRegs.GPCMUX2.bit.GPIO80 = 3; // XA8









GpioCtrlRegs.GPAMUX2.bit.GPIO31 = 3; // XA17

GpioCtrlRegs.GPAMUX2.bit.GPIO30 = 3; // XA18

// GpioCtrlRegs.GPAMUX2.bit.GPIO29 = 3; // XA19

GpioCtrlRegs.GPBMUX1.bit.GPIO34 = 3; // XREADY

GpioCtrlRegs.GPBMUX1.bit.GPIO35 = 3; // XRNW

GpioCtrlRegs.GPBMUX1.bit.GPIO38 = 3; // XWE0

// GpioCtrlRegs.GPBMUX1.bit.GPIO36 = 3; // XZCS0

GpioCtrlRegs.GPBMUX1.bit.GPIO37 = 3; // XZCS7

// GpioCtrlRegs.GPAMUX2.bit.GPIO28 = 3; // XZCS6

EDIS;

void PID_init(PID_CONTROLLER *v)

v->term.Ref=0;

v->term.Fbk=0;

v->term.Out=0;

// v->term.c1=0;

// v->term.c2=0;


// v->param.Kr = (1.0);

v->param.Kp = (1.0);

v->param.Ki = (0.0);

// v->param.Kd = (0.0);

v->param.Km = (1.0);

v->param.Umax = (1.0);

v->param.Umin = (-1.0);

v->data.up = (0.0);

v->data.ui = (0.0);

// v->data.ud = (0.0);

v->data.v1 = (0.0);

v->data.i1 = (0.0);

// v->data.d1 = (0.0);

// v->data.d2 = (0.0);

v->data.w1 = (1.0);

void PID_FUNC(PID_CONTROLLER *v)

/* proportional term */

// v->data.up = (v->param.Kr* v->term.Ref) - v->term.Fbk;

v->data.up = (v->term.Ref) - v->term.Fbk;

/* integral term */

v->data.ui = (v->param.Ki* (v->data.w1* (v->term.Ref - v->term.Fbk))) + v->data.i1;

v->data.i1 = v->data.ui;

/* derivative term */

// v->data.d2 = (v->param.Kd* (v->term.c1* ((v->term.Ref* v->param.Km) - v->term.Fbk))) - v->data.d2;

// v->data.ud = v->data.d2 + v->data.d1;

// v->data.d1 = (v->data.ud* v->term.c2);

/* control output */

// v->data.v1 = (v->param.Kp* (v->data.up + v->data.ui + v->data.ud));

v->data.v1 = (v->param.Kp* (v->data.up + v->data.ui));

v->term.Out= __fmax((__fmin(v->param.Umax,v->data.v1)),v->param.Umin);

v->data.w1 = (v->term.Out == v->data.v1) ? (1.0) : (0.0);

//**************************************************************************

126

APÊNDICE C: IMPLEMENTAÇÃO DA REDE NEURAL PARA O CONTROLE DE VELOCIDADE

Esse apêndice apresenta as matrizes de pesos da Rede Neural e a rotina

para o controle neural.

C.1 – PESOS AJUSTADOS APÓS O TREINAMENTO

Após o treinamento das redes neurais no ambiente MATLAB® foram

obtidos os pelos listados a seguir:

𝑤1[10][2] =

[ 0.90428 0.081054 −1.0029 0.16907 0.34601 0.358910.33845 0.37759

0.99273 −0.240730.66315 −0.126631.0054 0.38373

−4.9901 0.352810.63528 −0.07112−0.25267 0.47402]

𝑤2[10] = [ 0.0018977 −0.0093423 0.0072015 0.0067842 − 0.0043975 0.016162

0.00070012 −0.002592 0.016067 0.10709]

𝑏1[10] = [ −17.2418 −27.5998 −69.453 −69.2379 44.0822 23.0618 − 70.4748

−52.1045 14.4631 − 72.4192]

𝑏2[1] = [ 0.39722]

Na seção seguinte, está apresentada a listagem da rotina para o cálculo

do perceptron.

B.2 – LISTAGE DO CÓDIGO

1. Declaração das variáves

float w1[10][2] = 0.90428, 0.081054,

APÊNDICE C: IMPLEMENTAÇÃO DA REDE NEURAL PARA O CONTROLE DE VELOCIDADE 127

-1.0029, 0.16907,

0.34601, 0.35891,

0.33845, 0.37759,

0.99273, -0.24073,

0.66315, -0.12663,

1.0054, 0.38373,

-4.9901, 0.35281,

0.63528, -0.07112,

-0.25267, 0.47402;

float w2[10] = 0.0018977, -0.0093423, 0.0072015, 0.0067842, -0.0043975,

0.016162, 0.00070012, -0.002592, 0.016067, 0.10709;

float b1[10]=-17.2418, -27.5998, -69.453, -69.2379, 44.0822, 23.0618, -70.4748,

-52.1045, 14.4631, -72.4192;

float b2=0.39722;

float y1[10] = 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0 , 0.0;

float y2 = 0.0;

2. Rotina para a implementação do perceptron

y1[0] = 0;

y1[1] = 0;

y1[2] = 0;

y1[3] = 0;

y1[4] = 0;

y1[5] = 0;

y1[6] = 0;

y1[7] = 0;

y1[8] = 0;

y1[9] = 0;

APÊNDICE C: IMPLEMENTAÇÃO DA REDE NEURAL PARA O CONTROLE DE VELOCIDADE 128

y2 = 0;

Xrna[0] = errow;

Xrna[1] = mvel_rds;

for (ik = 0; ik < 10; ik++)

for (jk = 0; jk < 2; jk++)

y1[ik] += Xrna[jk] * w1[ik][jk];

y1[ik] = y1[ik]+ b1[ik];

y1[ik] = 2/(1+exp(-2 * y1[ik]))-1;

for (ik = 0; ik < 10; ik++)

y2 = y2 + y1[ik] * w2[ik];

y2 =y2 + b2;

129

REFERÊNCIAS BIBLIOGRÁFICAS

ALMEIDA, P. et. al. Rotor flux angle estimation using neural networks. Electrimacs'99, Lisboa, v. 1, p.157-162, 1999. ANDRADE, L. R. S., Estudo sobre controladores de corrente implementados digitalmente. 2009. Monografia (Graduação) - Departamento de Engenharia Elétrica da Escola Politécnica, Universidade Federal do Rio de Janeiro, RJ, 2009. BA-RAZZOUK, A. et al. Field-oriented control of induction motors using neural-network decouplers. IEEE Transactions on Power Electronics, v.12, n.4, p. 752-7634, jul. 1997. BARBI, I. Teoria fundamental do motor de indução. Florianópolis: Ed. UFSC, 1985. BLASCHKE, F. A new method for the structural decoupling of A.C. induction machines. In: Conf. Rec. IFAC,1971, Duesseldorf, Germany. Anais… Duesseldorf, Germany, 1971. BURO, N.G. Magnetic bearings and non-stationary dynamics of rotors. In.: Forth International Symposium on Magnectic Bearings, 1994, ETH Zurich. Anais… ETH Zurich, 1994. BU, W.; LI, Z.; WANG, X. ; LI ,X. A control method of bearingless induction motor based on neural network: Information and Automation, 2015. IEEE International Conference on, Lijiang, 2015, pp. 2252-2257. C28x Solar Library: module user's guide. Dallas, Texas: Texas Instruments, 2014. v.12. CASTRO, F. E. F. de. Motor de indução trifásico sem mancais com bobinado dividido: otimização do sistema de posicionamento radial. 2004. Dissertação (Mestrado em Automação e Sistemas; Engenharia de Computação; Telecomunicações) - Universidade Federal do Rio Grande do Norte, Natal, RN, 2004. DEPARI, A. et. al. Application of an ANFIS algorithm to sensor data processing. IEEE Transactions on Instrumentation and Measurement, v. 56, n.1, p.75-79. fev.2007. DING, W., LINAG, D. Modeling of a 6/4 switched relictance motor using adaptive neural fuzzy inference system. IEEE Transactions on Magnetics. v. 44, n.7, p. 1796-1804, jul.2008.

130

eZdsp F28335 Technical reference. Stafford, TX: Spectrum Digital Inc., 2007.

FERNANDES, R. G.; LISBOA, S. N. D.. Controle PID e controle neural

aplicados à planta ball and beam. 2004. Monografia. (Graduação em Engenharia de Computação) - Universidade Federal do Rio Grande do Norte, Natal, RN, 2004. FERREIRA, J. M. de S. Modelagem de máquina de indução trifásica sem mancais com bobinado. 2006. Tese (Doutorado) – Programa de Pós-Graduação em Engenharia Elétrica e de Computação, Universidade Federal do Rio Grande do Norte, Natal, RN, 2006. FERREIRA, J. M. S., Proposta de máquina de indução trifásica sem mancal com bobinado dividido. 2002. Dissertação (Mestrado) - Programa de Pós-Graduação em Engenharia Elétrica e de Computação, Universidade Federal do Rio Grande do Norte, Natal, RN, 2002. FONSECA, C. A. G. Estrutura ANFIS modificada para identificação e controle de plantas com ampla faixa de operação e não linearidade acentuada. 2012. Tese (Doutorado) - Programa de Pós-Graduação em Engenharia Elétrica e de Computação, Universidade Federal do Rio Grande do Norte, Natal, RN, 2012. GOMES, L. C., Acionamento vetorial de motores de indução trifásicos com enfraquecimento de campo e maximização do conjugado por ampère. 2008. Tese (Doutorado) – Programa de Pós-Graduação em Engenharia Elétrica, Universidade Federal de Uberlândia. Uberlândia, 2008. GOMES, R. R., Motor mancal com controle implementado em um dsp. 2007. Dissertação (Mestrado) – Universidade Federal do Rio de Janeiro, Rio de Janeiro, 2007. GONZALEZ CASTELLANOS, J. A. Estimação de velocidade do motor com controle vetorial sem sensor, utilizando filtro estendido de Kalman com estimação da covariância dos ruídos. 2004. Tese (Doutorado) – Departamento de Engenharia Elétrica, Pontifícia Universidade Católica do Rio de Janeiro, Rio de Janeiro, 2004. HAYKIN, S. Neural networks: a comprehensive foundation. Patparganj, India: Pearson Prentice Hall, 1994. HINES ,J. W.; TSOUKALAS, L. H.; UHRIG, R. E. MATLAB supplement to fuzzy and neural approaches in engineering. New York, USA: John Wiley & Sons, Inc., 1997. JANG, J.-S. R. ANFIS: adaptive-network-based fuzzy inference systems, IEEE Transactions on Systems, Man, and Cybernetics. v. 23, n. 3, p. 665-685, maio, 1993.

131

JANG, J.-S.; SUN, C.-T.; MIZUTANI, E. Neuro-fuzzy and soft computing. New Jersey, EUA: Prentice Hall, 1997. JANG, J.-S.; SUN, C.-T. Neuro-fuzzy modeling and control. Proceedings of the IEEE, v. 83, n. 3, p. 378-406, mar. 1995. JIANG, Y. H., ZMOOD, R. B., AND QIN, L. J. Neural Networks control of magnetic bearings for low speed rotor systems, Fifth International Symposium on Magnetic Bearings, Kanazawa, Japan, August, 1996. LANDIM, R. P. Estimação de estados do motor de indução utilizando rede neuro-fuzzy com aprendizagem em tempo real. 2000. Tese (Doutorado) – Programa de Pós-Graduação em Engenharia Elétrica, Universidade federal de Minas Gerais, Minas Gerais, 2000. LEONHARD, W., Control of electrical drives. New York: Springer, 2001. LIMA, F. Estimador neuro-fuzzy de velocidade aplicado ao controle vetorial sem sensores de motores de indução trifásicos. 2010. Tese (Doutorado) - Escola Politécnica da Universidade de São Paulo, São Paulo, 2010. LOPES, J. S. B. et al., Approach the Rotor Flux Estimation of a Bearingless Motor using a Structure Adaptive Hybrid Neuro-Fuzzy, The 19th World Congress of the International Federation of Automatic Control - IFAC, Cape Town, South Africa - 24-29 August, 2014. LINO, R. V. Implementação digital do controle indireto por orientação do fluxo de rotor para o motor de indução utilizando abordagens neuro-fuzzy. 1997. Dissertação (Mestrado) - Programa de Pós-Graduação em Engenharia Elétrica Universidade Estadual de Campinas, Campinas/SP. 1997. NAUCK, D.; KLAWON, F.; KRUSE, R. Foundations of neuro-fuzzy systems. New York, USA: J. Wiley & Sons, 1997. NEGNEVITSKY, M. Artificial intelligence: a guide to inteligent system. 2. ed. New York, EUA: Addison-Wesley Longman, Incorporated, 2002. NORGAARD, M. et al. Neural networks for modelling and control of dynamic systems. London, England: Springer, 2003. OZER, B.; AKIN, E. Artificial neural network based speed estimator for vector controlled induction motor. ELECO 2001. Disponível em: < http://www.emo.org.tr/ekler/97d404b6119214e_ek.pdf>. Acesso em: 23 set. 2013. PAIVA, J. Á. Controle vetorial de velocidade de uma máquina de indução sem mancais trifásica com bobinado dividido utilizando estimação neural de fluxo. 2007. Tese (Doutorado) - Programa de Pós-Graduação em

http://www.emo.org.tr/ekler/97d404b6119214e_ek.pdf

132

Engenharia Elétrica e de Computação, Universidade Federal do Rio Grande do Norte, Natal, RN, 2007. PAIVA DE; J. A., et. al., Performance improvement of a Split winding bearingless induction machine based on a neural network flux observer, 11th International Symposium on Magnetic Bearings, August 26-29, Nara, Japan, 2008. QUEIROZ, F. C. H. Controle vetorial de velocidade de um motor de indução trifásico com estimação neural de fluxo. 2008. Dissertação (Mestrado) - Programa de Pós-Graduação em Engenharia Elétrica e de Computação, Universidade Federal do Rio Grande do Norte, Natal, RN, 2008. RODRIGUES, M. C., Técnicas inteligentes híbridas para o controle de sistemas não-lineares. 2006. Dissertação (Mestrado) - Programa de Pós-Graduação em Engenharia Elétrica e de Computação, Universidade Federal do Rio Grande do Norte, Natal, RN, 2006. SANTOS , T. H. DOS, et. al., Estimador neural da velocidade do mit acionado por um driver com controle vetorial orientado pelo fluxo do estator, XII Simpósio Brasileiro de Automação Inteligente (SBAI), Natal – RN, 25 a 28 de outubro de 2015. SALAZAR, A. O., STEPHAN, R. M., A bearingless method for induction machine. IEEE Transations On Magnetics, v. 29, n. 6, p. 2965-2967, nov. 1993. SANDRI S.; C. CORREA. Lógica nebulosa. In: Escola de Redes Neurais, 5., 1999, São José dos Campos, SP. Anais... São José dos Campos: INPE, ITA, São José dos Campos, 1999. SANTISTEBAN, J.A.; Estudo da Influencia da Carga Torsional sobre o Posicionamento Radial de um Motor-Mancal, Tese (Doutorado) - Programa de Engenharia Elétrica, Universidade Federal do Rio de Janeiro, RJ, 1999. SANTISTEBAN, J.A.; STEPHAN, R.M., Vector control methods for induction machines: an overview, IEEE Transactions on Education, v.44, n.2, p.170-175, 2001. SILVA NETO, L. F.; Sistema eletro-resistivo baseado em DSP para escoamentos gás-líquido. 2015. Monografia (Graduação) – Escola Politécnica, Universidade Federal do Rio de Janeiro, Rio de Janeiro, 2015. SILVA, P. V. Regulador Eletromagnético de Frequência aplicado no controle de velocidade de geradores eólicos. 2015. Tese (Doutorado) - Programa de Pós-Graduação em Engenharia Elétrica e de Computação, Universidade Federal do Rio Grande do Norte, Natal, RN, 2015.

133

SIMONE, G. A. Máquinas de indução trifásicas: teoria e exercícios. São Paulo: Editora Érica, 2008. SOARES, A. M. Implementação digital de redes neurais artificiais para o controle de motor de indução. 2006. Dissertação (Mestrado) - Programa de Pós-Graduação em Engenharia Elétrica, Campo Grande, Universidade Federal de Mato Grosso do Sul, 2006. SOUZA FILHO, J. C. et al. Sensores e Interfaces com Aplicações em Motor Mancal. In: IEEE/IAS International Conference on Industry Applications, 10, INDUSCON. , 2012, Fortaleza. Anais… Fortaleza, 2012. SOUZA FILHO, J. C. de. Sensores e interfaces com aplicações em motor mancal. 2011. (Dissertação de Mestrado) - Programa de Pós-Graduação em Engenharia Elétrica e de Computação, Universidade Federal do Rio Grande do Norte, Natal, RN, 2011. SPRU812A, TMS320x2833x, 2823x Analog-to-Digital Converter (ADC) Module: reference guide. Dallas, Texas: Texas Instruments, 2007. SPRUFG4A, MS320C28xx, 28xxxDSP Peripheral Reference Guide–August 2008–Revised June 2009. TMS320x2833x, 2823x Enhanced Pulse Width Modulator (ePWM) Module: reference guide. Dallas, Texas: Texas Instruments, 2009. VASUDEVN, M., ARUMUGAM, R., PARAMASIVAM, S., Adaptive neuro-fuzzy inference system modeling of an induction motor. In: International Conference on Power Electronics and Drive Systems, 5, Singapore. 2003. Anais… Singapore, 2003. VICTOR, V. F. et al. Analysis and study of a bearingless ac motor type divided winding, based on a conventional squirrel cage induction motor. IEEE Transactions on Magnetics, v. 48, p. 3571-3574, 2012. VICTOR, V. F. Viabilidade da utilização de máquinas de Indução convencionais como motores sem Mancais mecânicos. 2012. Tese (Doutorado) - Programa de Pós-Graduação em Engenharia Elétrica e de Computação, Universidade Federal do Rio Grande do Norte, Natal, RN, 2012. VIEIRA, J.; DIAS, F. M.; MOTA, A. Neuro-fuzzy systems: a survey. In: WSEAS NNA International Conference on Neural Networks and Applications, 5., 2004, Udine, Italia. Anais… Udine, Itália: [s.n.], 2004. ZADEH, L. A. Fuzzy Sets. Information and Control, v. 8, n.3, p. 338-353, jun. 1965. ZHI-XIANG ,H.; HE-QING , L., Nonlinear system identification based on adaptive neural fuzzy inference system. In: International Conference on

134

Communications, Circuits and Systems, 2006, Guilin. Proceedings… Guilin, 2006. ZHENG-QI WANG;XIAN-XING LIU, Nonlinear Internal Model Control for Bearingless Induction Motor Based on Neural Network Inversion, Acta Automatica Sinica, Volume 39, Issue 4, April, Pages 433-439, 2013.

estudo e implementaÇÃo da tÉcnica de inteligÊncia ... · velocidade do motor-mancal com...

Documents