neuro-fuzzy - laboratório de eletronica de potênciaporto/tese/mscthesis.pdf · de bobinas ou...
TRANSCRIPT
COMPENSAÇÃO DAS OSCILAÇÕES DE TORQUE DE UM ACIONAMENTO
DE RELUTÂNCIA CHAVEADO UTILIZANDO TÉCNICAS DE CONTROLE
NEURO-FUZZY
Luís Oscar de Araújo Porto Henriques
TESE SUBMETIDA AO CORPO DOCENTE DA COORDENAÇÃO DOS PROGRAMAS DE PÓ S-
GRADUAÇÃO DE ENGENHARIA DA UNIVERSIDADE FEDERAL DO RIO DE JANEIRO
COMO PARTE DOS REQUISITOS NECESSÁRIOS PARA A OBTENÇÃO DO GRAU DE MESTRE
EM CIÊNCIAS EM ENGENHARIA ELÉTRICA.
APROVADA POR:
Prof. Walter Issamu Suemitsu, Dr. Ing.(Orientador)
Prof. Luís Guilherme Barbosa Rolim, Dr.-Ing.
Prof. Paulo José da Costa Branco, D.Sc.
RIO DE JANEIRO, RJ – BRASIL
ABRIL DE 1999
ii
HENRIQUES, LUÍS OSCAR DE ARAÚJO PORTO
Compensação das Oscilações de Torque de
um Acionamento de Relutância Chaveado
Utilizando Técnicas de Controle Neuro-Fuzzy [Rio
de Janeiro] 1999
XVII, 93 p. 29,7 cm (COPPE/UFRJ, M.Sc.,
Engenharia Elétrica, 1999)
Tese – Universidade Federal do Rio de Janeiro,
COPPE
1. Controle de Máquinas Elétricas
2. Lógica Fuzzy
3. Motor de Relutância Variável
4. Redes Neurais
I. COPPE/UFRJ II. Título (série)
iii
A Deus, onde encontro toda a força para continuar.
Aos meus pais, Flávio e Maria Carolina, e
aos meus irmãos, Leonardo e Flaviane.
iv
Agradecimentos
Aos Professores Walter Issamu Suemitsu e Luís Guilherme Barbosa Rolim pela
orientação deste trabalho.
A todo o grupo de Eletrônica de Potência pela amizade e pelas preciosas
discussões técnicas.
Ao Professor Paulo José da Costa Branco e ao Doutorando Marcelo
Guimarães Rodrigues pela contribuição neste trabalho.
Aos meus eternos amigos Júlio César Rezende Ferraz e Zulmar Soares
Machado Jr. pelo companheirismo e constante incentivo.
Aos meus amigos e familiares, pelo apoio e estímulo durante toda a realização
do trabalho.
Um agradecimento especial aos meus pais, pela confiança e dedicação durante
toda minha existência.
v
Multa espendio siunt quae signibus ardua videntur.
(A persistência supera o que os fracos consideram impossível.)
Tácito
vi
Resumo da Tese apresentada à COPPE/UFRJ como parte dos requisitos necessários para
a obtenção do grau de Mestre em Ciências (M.Sc.)
COMPENSAÇÃO DAS OSCILAÇÕES DE TORQUE DE UM
ACIONAMENTO DE RELUTÂNCIA CHAVEADO UTILIZANDO TÉCNICAS DE
CONTROLE NEURO-FUZZY
LUÍS OSCAR DE ARAUJO PORTO HENRIQUESAbril / 1999
Orientadores: Walter Issamu Suemitsu, Dr. Ing.Luís Guilherme Barbosa Rolim, Dr.-Ing.
Programa: Engenharia Elétrica
Este trabalho apresenta uma metodologia para a diminuição das oscilações de torque
de um motor de relutância variável. Para tanto, uma técnica de controle inteligente é
utilizada.
Os motores de relutância variável possuem características peculiares, como, ausência
de bobinas ou gaiolas rotóricas, e assimetria entre pólos do rotor e do estator. Um
modelo de tais motores e seu respectivo acionamento foi desenvolvido para a
utilização em uma simulação através do programa MATLAB .
A redução das oscilações de torque é feita através de um sinal de compensação de
corrente, obtido através de um controlador “neuro-fuzzy”.
Foram consideradas para a análise várias velocidades do motor, permitindo um
estudo mais amplo do acionamento e foram feitas comparações do sistema proposto
com a técnica de controle “fuzzy” análogo ao PI.
vii
Abstract of Thesis presented to COPPE/UFRJ as a partial fulfillment of the requirements
for the degree of Master of Science (M.Sc.)
SWITCHED RELUCTANCE DRIVE TORQUE RIPPLE MINIMIZATION USING
NEURO-FUZZY CONTROL TECHINIQUES
LUÍS OSCAR DE ARAUJO PORTO HENRIQUESApril / 1999
Supervisors: Walter Issamu Suemitsu, Dr.Ing.Luís Guilherme Barbosa Rolim, Dr.-Ing.
Department: Electrical Engineering
This works presents a methodology for torque ripple minimization of switched
reluctance motors. To accomplish that an inteligent control technique is used.
The switched reluctance motor has unique characteristics such as absence of rotor
coil or cages, and assimetry between the rotor and stator poles. A non-linear
motor model with the drive system is developed using the program MATLAB®.
The minimization of torque ripple is carried out via a current compensation
signal, which is generated by a Neuro-fuzzy controller and added to the motor
reference signal.
Several motor speed tests were analysed, allowing a wider study of the
compensation system performance, being the proposed system compared with an
analogous Fuzzy PI Controller.
viii
Glossário
Agregação: Combinação dos conseqüentes de cada regra em preparação para a
defuzzificação.
ANFIS (Adaptative Neuro-Fuzzy Inference System): Técnica para ajuste
automático de sistemas de inferência tipo-Sugeno, baseado em dados de
treinamento.
Antecedente: parte inicial da regra “fuzzy” .
Base de regras “fuzzy”: Conjunto de regras que definem o algoritmo de controle
“fuzzy”.
Bias: Refere-se a um valor numérico constante que é uma das entradas do
neurônio.
“Cluster”: Grupo natural de dados numéricos.
Composição “fuzzy”: método de derivação das saídas do controle “fuzzy” para se
obter entradas “fuzzy”.
Conjunto “fuzzy” (ou subconjunto “fuzzy”) : conjunto cujos elementos possuem
graus de pertinência variando entre 0 (não membro) e 1 (membro). É geralmente
caracterizado por uma função matemática, associada a termos lingüísticos, como
por exemplo, PEQUENO, MÉDIO, LONGE, FRIO, etc.
Conseqüente: parte final da regra “fuzzy”.
Controle “fuzzy”: Processo de controle baseado na lógica “fuzzy” e que é
geralmente caracterizado por regras do tipo “SE-ENTÃO”.
Correlação: É um termo que representa numericamente a pertinência de
determinado elemento em um conjunto “fuzzy”.
ix
Crossover point: É o valor numérico x no universo de discurso U onde se
apresenta o grau de pertinência µF(x)=0.5.
Defuzzificação: Processo que transforma um valor “fuzzy” de um sistema de
inferência “fuzzy” em um valor numérico.
Época: Apresentação de um conjunto de dados de treinamento para a rede e
conseqüente cálculo dos novos pesos e bias. Em uma época pode-se apresentar o
conjunto todo ou um elemento de cada vez para o treinamento.
Redes “Feedforward”: Rede por camadas onde cada camada somente recebe
entradas de camadas anteriores.
Função de pertinência: Função que define o subconjunto “fuzzy”, através da
associação de cada elemento no conjunto comum numérico entre 0 e 1.
Fuzzificação: processo de conversão de variáveis de entradas numéricas (não-
”fuzzy”) em variáveis “fuzzy” usando funções de pertinência.
Grau de Pertinência (µ): número entre 0 e 1 que expressa o quanto um
determinado elemento pertence ao conjunto “fuzzy”.
Lógica “crisp”: lógica boolena clássica. Possui somente dois valores: 0 e 1.
Lógica “fuzzy”: Lógica que admite infinitos níveis lógicos (entre 0 e 1), utilizada
em situações que apresentam incertezas.
Método de defuzzificação por pesos: Método para calcular a saída numérica de
um valor composto de valores “fuzzy”, através da ponderação dos valores
numéricos e os correspondentes pesos, em cada subconjuntos “fuzzy”. Os pesos
de cada subconjunto são usados como fator de peso neste procedimento de
operação.
Método de inferência MAX-DOT: Utilizado aplicando-se o operador produto no
desenvolvimento da regra “fuzzy” e o operador MAX para obter o conjunto
“fuzzy” resultante.
x
Modelo “fuzzy”: Regras “fuzzy” e funções de pertinência que descrevem o
modelo de um determinado sistema que não pode ser descrito claramente por um
modelo matemático clássico.
Operador “fuzzy”: Operadores lógicos AND, OR e NOT.
Rede neural: Rede computacional que representa matematicamente o sistema de
neurônios do cérebro humano.
Regra “fuzzy”: As regras SE-ENTÃO relacionam as variáveis “fuzzy” de entrada
(condições) com as variáveis “fuzzy” de saída (ações).
Singleton: Conjunto “fuzzy” especial onde um determinado ponto tem valor de
pertinência igual a 1 e em qualquer outro ponto valor de pertinência igual a 0.
Sistema de inferência “fuzzy”: Nome dado a um sistema que utiliza a teoria da
lógica “fuzzy” para mapear um espaço de entrada em um espaço de saída.
Sistema de Inferência SUGENO: Tipo de inferência “fuzzy” onde o conseqüente
de cada regra é uma combinação linear das entradas. (A saída é a combinação
linear com pesos do conseqüente.)
Sistema especialista: Programa de computador que utiliza um determinado
conhecimento humano dentro de um certo limite.
Suporte: O suporte de um conjunto “fuzzy” F é o conjunto “crisp” de todos os
termos x em U tal que µF(x)>0.
Teoria de conjunto “fuzzy”: : Teoria na qual a lógica “fuzzy” está baseada.
Universo de discurso: Faixa de valores associados à variável “fuzzy”.
Variável “fuzzy”: Variável que pode ser definida através dos conjuntos “fuzzy”.
Variável lingüística: Qualquer variável (temperatura, velocidade, volume, etc.)
cujos valores são representados por termos lingüísticos como: ALTO, LARGO,
FRACO, etc. Também pode ser sinônimo de variável “fuzzy”.
xi
Nomenclatura e Simbologia
T~ Torque oscilante
θ ângulo
λ Enlace de fluxo
∨ máximo
∆ωref variação da velocidade de referência
µA(x) Função de pertinência de x em um conjunto A
θc ângulo de desenergização da corrente
ϕ I(.) Função de ativação não linear do neurônio i
∆Iref variação da corrente de referência
θo ângulo de energização da corrente
∆Sref variação do sinal de referência
A Conjunto
A/D Analógico/Digital
ANFIS Adaptative Neuro-Fuzzy Inference System
ceθ variação do erro de posição
cew variação do erro de velocidade
CLF Controle de lógica “fuzzy”
xii
D/A Digital/Analógico
eθ erro de posição
ew erro de velocidade
i Corrente instantânea
IGBT “Insulated Gate Bipolar Transistor”
Iref Corrente de referência
J Momento de inércia
Ki Ganho da parcela integral
Kp Ganho da parcela proporcional
L Indutância
Lmáx Indutância máxima
Lmín Indutância mínima
Maxa máximo valor assumido pelos valores internos a “a”
Mina mínimo valor assumido pelos valores internos a “a”
∧ mínimo
MRV Motor de relutância variável
NG Conjunto negativo grande
NM Conjunto negativo médio
NP Conjunto negativo pequeno
PG Conjunto positivo grande
PI Proporcional+Integral
xiii
PM Conjunto positivo médio
PP Conjunto positivo pequeno
PWM “Pulse Width Modulation”
R Resistência
SLF Sistema de lógica “fuzzy”
Sref Sinal de referência
T Torque
Tc Torque de carga
td Tempo de desenergização
v1 Tensão na fase 1
v2 Tensão na fase 2
v3 Tensão na fase 3
Vd Tensão na saída do retificador
W Velocidade
W’ Co-energia
Wij Peso da sinapse que liga a camada i ao j-ésimo neurônio da camada
(i+1)
X Universo de discurso
ZE Conjunto Zero
xiv
Índice
CAPÍTULO I INTRODUÇÃO ........................................................................................................... 1
I.1 CONSIDERAÇÕES INICIAIS.............................................................................................................. 1I.2 OBJETIVOS.................................................................................................................................... 4I.3 ORGANIZAÇÃO DO TEXTO.............................................................................................................. 4
CAPÍTULO II CARACTERÍSTICA DE TORQUE DO MRV.......................................................... 6
II.1 CONSIDERAÇÕES GERAIS ......................................................................................................... 6II.2 MOTOR DE RELUTÂNCIA VARIÁVEL ............................................................................................. 6
II.2.1 Estrutura Básica ............................................................................................................. 7II.2.2. Características do MRV: análise linear ........................................................................... 9II.2.3. Perfil de indutância ....................................................................................................... 10II.2.4. Efeitos da não-linearidade magnética............................................................................ 12II.2.5. Operação Dinâmica ...................................................................................................... 14II.2.5.1. Operação a pulso único............................................................................................. 15II.2.5.2. Operação através de PWM de tensão......................................................................... 15II.2.5.3. Operação através de regulação de corrente ............................................................... 17
CAPÍTULO III COMPENSAÇÃO NEURO-FUZZY DAS OSCILAÇÕES DE TORQUE DO MRV............................................................................................................................................................ 19
III.1 CONSIDERAÇÕES GERAIS .......................................................................................................... 19III.2 MODELO ELETROMECÂNICO DO MOTOR .................................................................................... 19III.3. SIMULAÇÃO DO SISTEMA SEM COMPENSAÇÃO ..................................................................... 22III.4. REDES NEURO-FUZZY ........................................................................................................ 23
III.4.1. Considerações iniciais................................................................................................... 23III.4.2. Sistemas Adaptativos ..................................................................................................... 25
III.5. CONTROLADORES .............................................................................................................. 33III.5.1. CONSIDERAÇÕES INICIAIS................................................................................................... 34III.5.2. CONTROLADOR PI-TRADICIONAL ....................................................................................... 36III.5.3. CONTROLADOR PI-FUZZY .................................................................................................. 38III.5.4. CONTROLADOR NEURO-FUZZY........................................................................................... 41
III.5.4.1. Inferência Sugeno...................................................................................................... 42III.5.4.2. ANFIS ....................................................................................................................... 43III.5.4.3. Treinamento e Operação ........................................................................................... 46III.5.4.4. Sistema completo....................................................................................................... 51
CAPÍTULO IV RESULTADOS ....................................................................................................... 52
IV.1 CONSIDERAÇÕES GERAIS........................................................................................................... 52IV.2 – SIMULAÇÃO........................................................................................................................ 52
IV.2.1. Corrente na fase A......................................................................................................... 53IV.2.2. Torque na fase A e B. .................................................................................................... 55IV.2.3. Torque Total ................................................................................................................. 56IV.2.4. Espectro de Freqüência do Torque Total ....................................................................... 59IV.2.5. Situações Diversas ........................................................................................................ 60IV.2.5.1. Referência de Velocidade de 3000 rpm ...................................................................... 60IV.2.5.2. Variação de número de iterações. .............................................................................. 61IV.2.5.3. Variação da Velocidade............................................................................................. 62
CAPÍTULO V CONCLUSÕES ........................................................................................................ 65
V.1 CONCLUSÕES............................................................................................................................. 65
xv
V.2. Trabalhos Futuros............................................................................................................. 66
REFERÊNCIAS BIBLIOGRÁFICAS............................................................................................... 67
APÊNDICE A SISTEMA EXPERIMENTAL.................................................................................. 71
A.1. CONSIDERAÇÕES GERAIS ....................................................................................................... 71A.2. DESCRIÇÃO DETALHADA DO SISTEMA DE ACIONAMENTO......................................................... 71A.2.1. CONVERSOR ...................................................................................................................... 72A.2.2. PROTEÇÃO DE SOBRECORRENTE E CONTROLE DE CORRENTE DE HISTERESE ........................... 74A.2.3. SENSOR DE POSIÇÃO........................................................................................................... 75A.2.4. PLACA DE AQUISIÇÃO DE DADOS......................................................................................... 76
APÊNDICE B LÓGICA FUZZY E REDE NEURAL...................................................................... 78
B.1. CONSIDERAÇÕES GERAIS ....................................................................................................... 78B.2. LÓGICA FUZZY ...................................................................................................................... 78
B.2.1. Considerações Iniciais .................................................................................................. 78B.2.2. Sistema Lógico Fuzzy .................................................................................................... 79B.2.3. Números “fuzzy” e “crisp”............................................................................................ 80B.2.4. Conjunto “fuzzy”.......................................................................................................... 81B.2.5. Função de Pertinência................................................................................................... 82B.2.6. Operações com conjuntos “fuzzy”................................................................................. 83B.2.7. Variáveis lingüisticas “fuzzy”........................................................................................ 85B.2.8. Lógica Fuzzy ................................................................................................................. 86B.2.9. Inferência “fuzzy”......................................................................................................... 86B.2.10. Defuzzificador ............................................................................................................... 87
B.3. REDES NEURAIS .................................................................................................................... 89
xvi
Índice de Figuras
FIGURA 1 - SISTEMA COM SINAL DE COMPENSAÇÃO ................................................................................ 3FIGURA 2 - ESTRUTURA BÁSICA DE UM MOTOR COM 6 PÓ LOS NO ESTATOR E 4 NO ROTOR............ 7FIGURA 3 - FORMAS DE ONDA IDEAIS ILUSTRANDO O PRINCÍPIO DE PRODUÇÃO DE TORQUE NO
MRV. ........................................................................................................................................................ 11FIGURA 4 – FLUXO MAGNÉTICO EM UMA FASE EM RELAÇÃO À CORRENTE VARIANDO ENTRE 0 E
90°. ............................................................................................................................................................ 12FIGURA 5 – DIAGRAMA COM ENTRADA CONSTANTE E SAÍDA OSCILANTE........................................ 13FIGURA 6 – DIAGRAMA COM ENTRADA OSCILANTE E SAÍDA CONSTANTE........................................ 13FIGURA 7 – CURVAS DE TORQUE REAL E TORQUE IDEAL ................................................................... 14FIGURA 8 – DETALHE DA FIGURA 1 .......................................................................................................... 14FIGURA 9 – CURVAS PARA OPERAÇÃO EM PULSO ÚNICO....................................................................... 15FIGURA 10 – PWM DE TENSÃO – OPERAÇÃO UNIPOLAR .................................................................... 16FIGURA 11 – PWM DE TENSÃO – OPERAÇÃO BIPOLAR........................................................................ 17FIGURA 12 – REGULAÇÃO DE CORRENTE – OPERAÇÃO BIPOLAR ....................................................... 18FIGURA 13 - FUNÇÃO TORQUE(θ,I)............................................................................................................ 20FIGURA 14 - FUNÇÃO ENLACE DE FLUXO(I,θ)......................................................................................... 21FIGURA 15 - DIAGRAMA DE BLOCOS DO MODELO DO MOTOR DE RELUTÂNCIA ............................. 22FIGURA 16 - CURVA DE TORQUE PARA O MODELO SEM MINIMIZAÇÃO DE OSCILAÇÃO - 1800RPM
................................................................................................................................................................... 23FIGURA 17 - REPRESENTAÇÃO DE UM SISTEMA LÓ GICO “FUZZY” COMO REDE “FEEDFORWARD”
................................................................................................................................................................... 26FIGURA 18- ESCOLHA DO CONJUNTO “FUZZY” QUE MELHOR CARACTERIZA O VALOR XI............ 29FIGURA 19 – (A) CONJUNTO DE DADOS UTILIZANDO AS REGRAS CUJOS ANTECEDENTES SÃO NM
E PM ......................................................................................................................................................... 30FIGURA 20 – (A) RELAÇÃO Z=X+Y SEM RUÍDO ....................................................................................... 31FIGURA 21 - SISTEMA COM SINAL DE COMPENSAÇÃO ............................................................................ 34FIGURA 22 - DIAGRAMA SIMPLIFICADO DO CONTROLE PI TRADICIONAL COM O BLOCO DO
COMPENSADOR “NEURO-FUZZY”....................................................................................................... 35FIGURA 23 - DIAGRAMA SIMPLIFICADO DO CONTROLE PI TRADICIONAL COM ENTRADA ÚNICA
DE TORQUE NO BLOCO DO COMPENSADOR “NEURO-FUZZY”..................................................... 36FIGURA 24 - CONTROLADOR PI TRADICIONAL....................................................................................... 37FIGURA 25 - CONTROLE PI TRADICIONAL............................................................................................... 37FIGURA 26 - CURVA DE VELOCIDADE, ERRO DE VELOCIDADE, TORQUE E CORRENTE DE
REFERÊNCIA COM CONTROLE PI TRADICIONAL............................................................................. 37FIGURA 27 - CONTROLADOR PI – FUZZY................................................................................................. 38FIGURA 28 - DIAGRAMA DE BLOCOS DE UM CONTROLADOR PI CLÁSSICO ....................................... 39FIGURA 29 - DIAGRAMA DE BLOCOS DE UM CONTROLADOR PI-FUZZY............................................ 39FIGURA 30 - SUPERFÍCIE DE CONTROLE PARA O PI -FUZZY ................................................................. 39FIGURA 31 – SUPERFÍCIE DE CONTROLE PARA PI CLÁSSICO ................................................................ 40FIGURA 32 - SAÍDAS DO CONTROLADOR PI-FUZZY (1000 RPM) .......................................................... 40FIGURA 33 – SAÍDA DE VELOCIDADE PARA O PI-FUZZY E O PI TRADICIONAL COM VELOCIDADE
DE 500 RPM.............................................................................................................................................. 41FIGURA 34 – IMPLEMENTAÇÃO COMPUTACIONAL DO COMPENSADOR ............................................ 42FIGURA 35 – SISTEMA NEURO-FUZZY ....................................................................................................... 44FIGURA 36 - EDITOR ANFIS ....................................................................................................................... 45FIGURA 37 – CONTROLADOR NEURO-FUZZY .......................................................................................... 46FIGURA 38 – REPRESENTAÇÃO DO COMPENSADOR “NEURO-FUZZY”............................................... 46
xvii
FIGURA 39 – FLUXOGRAMA DO PROGRAMA DE TREINAMENTO......................................................... 47FIGURA 40 – FUNÇÃO DE PERTINÊNCIA DO CONJUNTO DE TREINAMENTO DE POSIÇÃO ............. 48FIGURA 41 – FUNÇÃO DE PERTINÊNCIA DO CONJUNTO DE TREINAMENTO DE CORRENTE ......... 48FIGURA 42 – REGRAS FUZZY PARA OS SISTEMA PROPOSTO .................................................................. 49FIGURA 43 – CURVA CARACTERÍSTICA PARA ENTRADA DE CORRENTE E POSIÇÃO ......................... 50FIGURA 44 – CORRENTE NA FASE A – 1800 RPM..................................................................................... 53FIGURA 45 – CORRENTE NA FASE A – 1000 RPM..................................................................................... 54FIGURA 46 – CORRENTE NA FASE A – 500 RPM....................................................................................... 54FIGURA 47 – TORQUE NA FASE A E B – 1800 RPM ................................................................................. 55FIGURA 48 – TORQUE NA FASE A E B – 1000 RPM ................................................................................. 55FIGURA 49 – TORQUE NA FASE A E B – 500 RPM ................................................................................... 56FIGURA 50 – TORQUE TOTAL – 1800 RPM................................................................................................ 57FIGURA 51 – TORQUE TOTAL – 1000 RPM................................................................................................ 57FIGURA 52 – TORQUE TOTAL – 500 RPM .................................................................................................. 58FIGURA 53 –ESPECTRO DE FREQÜÊNCIA DO TORQUE TOTAL – 1800 RPM....................................... 59FIGURA 54 –ESPECTRO DE FREQÜÊNCIA DO TORQUE TOTAL – 1000 RPM....................................... 59FIGURA 55 –ESPECTRO DE FREQÜÊNCIA DO TORQUE TOTAL – 500 RPM......................................... 60FIGURA 56 – TORQUE TOTAL – 3000 RPM ................................................................................................ 61FIGURA 57 - VARIAÇÃO DA QUANTIDADE DE ÉPOCAS .......................................................................... 62FIGURA 58 – VARIAÇÃO DE VELOCIDADE................................................................................................ 63FIGURA 59 - DIAGRAMA DE BLOCOS DO SISTEMA IMPLANTADO NO LABORATÓ RIO DE
ELETRÔNICA DE POTÊNCIA ................................................................................................................ 72FIGURA 60 - CONVERSOR ............................................................................................................................. 73FIGURA 61 - FOTO DO ACIONAMENTO DE RELUTÂNCIA VARIÁVEL .................................................. 74FIGURA 62 - SISTEMA DE LÓ GICA “FUZZY”.............................................................................................. 79FIGURA 63 - CONJUNTO “CRISP” E “FUZZY”............................................................................................ 80FIGURA 64 - CONJUNTO “FUZZY” ZERO................................................................................................... 82FIGURA 65 - FUNÇÃO DE PERTINÊNCIA SINO .......................................................................................... 83FIGURA 66 - FUNÇÃO DE PERTINÊNCIA TRAPEZOIDAL ......................................................................... 83FIGURA 67 - FUNÇÃO DE PERTINÊNCIA TRIANGULAR ........................................................................... 83FIGURA 68 - FUNÇÃO DE PERTINÊNCIA GAUSSIANA .............................................................................. 83FIGURA 69 - CONJUNTOS A E B .................................................................................................................. 84FIGURA 70 - CONJUNTO ~A. ....................................................................................................................... 84FIGURA 71 - CONJUNTO A∩ B..................................................................................................................... 84FIGURA 72 - CONJUNTO POR A ∪ B............................................................................................................ 84FIGURA 73 - REPRESENTAÇÃO GRÁFICA DA VARIÁVEL TEMPERATURA............................................. 85FIGURA 74 - MODELO DE REDE NEURAL ................................................................................................ 90FIGURA 75 - MODELO DE UM NEURÔNIO ................................................................................................ 92FIGURA 76 - FUNÇÃO DE ATIVAÇÃO SIGMOIDAL .................................................................................... 92FIGURA 77 - FUNÇÃO DE ATIVAÇÃO LINEAR ........................................................................................... 93
Capítulo I – Introdução 1
Capítulo I
Introdução
I.1 Considerações Iniciais
Os motores elétricos são amplamente utilizados nas mais variadas atividades,
incluindo aplicações residenciais, comerciais e industriais. Embora as primeiras
aplicações fossem restritas aos motores operando em velocidade constante, hoje a
tecnologia existente permite o controle preciso de velocidade, tanto de motores de
Corrente Contínua (CC), como de Corrente Alternada (CA), e é amplamente
reconhecido que o controle de velocidade propicia maior flexibilidade de
operação e um uso mais eficiente da energia elétrica.
Embora os motores de indução sejam largamente utilizados na indústria e
dificilmente possam ser substituídos em aplicações gerais, a busca por motores
ainda mais eficientes e robustos tem motivado pesquisas de novos motores,
acionamentos e controles.
Dentre os acionamentos pesquisados recentemente, o acionamento de relutância
chaveado tem recebido bastante atenção, devido às suas características de
simplicidade de construção, alta confiabilidade, baixo custo de fabricação e de
manutenção e baixas perdas no rotor. Tal acionamento é constituído por um
motor de relutância variável, um conversor eletrônico para a alimentação e um
sistema de controle que utiliza a posição do rotor para possibilitar um controle de
velocidade ou posição mais eficiente.
Uma das grandes desvantagens do acionamento de relutância chaveado, que tem
impedido a sua utilização em grande escala, é a presença de oscilações de torque e
a característica não linear do torque, que depende da corrente e do ângulo do
Capítulo I – Introdução 2
rotor. Em certas aplicações, como o acionamento de veículos utilizados em
fábricas ou em sistemas de mineração, as oscilações de torque não representam
problema algum, mas se a aplicação exige elevado desempenho do controle de
posição, como é o caso do acionamento de braços de robô, ou uma variação
precisa de velocidade, como em máquinas ferramentas[1], as oscilações não
podem ocorrer e o controle instantâneo do torque torna-se essencial.
Para resolver este problema, várias estratégias de controle têm sido
propostas[2][3]. A dificuldade em se obter uma estratégia de controle instantâneo
do torque eficiente deve-se à impossibilidade de modelar adequadamente o motor
de relutância variável, devido à sua não-linearidade intrínseca. Esta característica
levou à pesquisa de métodos de controle utilizando técnicas que não necessitam
de um modelo preciso do sistema a ser controlado, basicamente, as redes neurais e
o controle “fuzzy”[4][5][6].
Um sistema “fuzzy” é um método de aproximação que possui a habilidade de
incorporar matematicamente dados numéricos e conhecimentos lingüísticos de
uma maneira unificada (vide: Apêndice B). Com o objetivo de se entender bem
isto, deve-se classificar o conhecimento em dois tipos:
- Conhecimento objetivo
- Conhecimento subjetivo
O conhecimento objetivo é usado amplamente em formulações de problemas de
engenharia, podemos exemplificar como uma função matemática [7].
O conhecimento subjetivo representa informações lingüísticas que são difíceis de
se quantificar usando a matemática tradicional. Este conhecimento subjetivo é
usualmente ignorado em engenharia.
Com a lógica “fuzzy” pode-se unir estes dois tipos de conhecimento em um único
processo. A utilização da lógica “fuzzy” em sistemas de controle com um sistema
de aprendizagem, como o das redes neurais, nos propicia um controle que
possibilita uma boa adaptação à característica de torque necessária para o controle.
Capítulo I – Introdução 3
A proposta deste trabalho é obter um controle de velocidade para um motor de
relutância chaveado que possua os seguintes aspectos:
- Oscilação de torque bem pequena;
- Resposta dinâmica rápida;
- Boa estabilidade;
- Habilidade de operar a velocidade zero.
Os atuais controles de velocidade de motores são, em sua grande maioria,
controles do tipo Proporcional-Integral (PI). Este controle também se aplica no
acionamento do motor de relutância variável como ilustra o esquema da Figura 1.
Entretanto, quando a entrada do controlador PI é zero, como deve ocorrer, por
exemplo, no caso em que a velocidade de saída W iguala a referência Wref em
regime permanente, sua saída será um valor constante porém não nulo. Quando
esta saída, em nosso caso, a referência de corrente; for introduzida no bloco do
motor/conversor, ela gerará uma oscilação de torque, como conseqüência da
dinâmica natural do sistema. Para evitar este problema, propõe-se adicionar um
sinal de compensação à saída do controlador PI como mostra a Figura 1.
Neste trabalho, discutiremos algumas maneiras de se obter este sinal, bem como
os sinais utilizados para a geração do sinal adicional de compensação.
Controlador PI++
Sinal de Compensação
Conversor+
MotorWWref +
-
Figura 1 - Sistema com sinal de compensação
O motor de relutância variável é um motor especial que possui pólos salientes
tanto no rotor quanto no estator. Seu modelo eletro-mecânico pode ser descrito
Capítulo I – Introdução 4
como a equação de torque, a equação de tensão-corrente e a equação que
relaciona o torque eletro-mecânico com o fluxo magnético.
I.2 Objetivos
Este trabalho tem como objetivos:
- Fazer uma análise geral do equipamento projetado e montado, seu
funcionamento e operação;
- Desenvolver um modelo de simulação do acionamento e do motor bem
como do compensador “neuro-fuzzy” de corrente;
- Comparar os resultados obtidos com os modelos controlados por um
controlador Proporcional-Integral (PI) clássico e um controlador “fuzzy”
análogo ao controlador PI.
I.3 Organização do texto
O Capítulo II apresenta uma descrição das características físicas e mecânicas do
motor de relutância.
O Capítulo III apresenta o estado da arte dos tipos de controle utilizados para o
motor de relutância e o controle neuro-fuzzy implementado. Este capítulo nos
propiciará a oportunidade de compreendermos os métodos utilizados neste
trabalho para o controle do motor de relutância, bem como expor a unificação em
uma única teoria neuro-fuzzy.
O Capitulo IV congrega os resultados das comparações entre os tipos de controle
e discussões decorrentes desta análise.
O Capítulo V reúne as conclusões obtidas e os desenvolvimentos futuros.
Capítulo I – Introdução 5
O Apêndice A apresenta uma descrição detalhada do sistema de acionamento e
do motor, bem como uma explanação das características físicas e mecânicas do
motor.
O Apêndice B apresenta uma revisão sucinta da teoria de lógica “fuzzy” e redes
neurais.
Capítulo II – Característica de Torque do MRV 6
Capítulo II
Característica de Torque do MRV
II.1 Considerações Gerais
Neste capítulo, é apresentada uma descrição detalhada do motor de relutância
variável, com suas características físicas e mecânicas.
II.2 Motor de Relutância Variável
O conceito de motor de relutância variável é conhecido desde 1838, entretanto,
sua utilização só se tornou possível graças a alguns avanços tecnológicos na
década de 70, como o advento da eletrônica de potência, a redução dos preços de
microcontroladores e o desenvolvimento de ferramentas matemáticas
computacionais. Estes avanços permitiram a construção de acionamentos de
motor de relutância variável (MRV) com um elevado desempenho. Atualmente, o
motor de relutância variável já conquistou espaço na área de acionamento de
velocidade variável de baixa e média potência devido à sua simplicidade
construtiva e sua robustez. O conhecimento atual sobre o MRV é principalmente
baseado no trabalho de Lawrenson et al. [8].
O MRV possui, entretanto, algumas desvantagens: a necessidade, para
determinados tipos de estratégia de controle, de um sensor de posição[34]; a
oscilação de torque gerado pelo motor; e um alto nível de ruído sonoro em
relação aos outros motores de sua classe de potência. Além disto, a modelagem
matemática do MRV é dificultada por ele possuir alta não linearidade magnética.
O acionamento do MRV é usado atualmente em diversas aplicações como: em
Capítulo II – Característica de Torque do MRV 7
minas de carvão [9], em acionamentos de ônibus elétricos (Inglaterra) e em
aplicações aeroespaciais, como o motor para bombeamento de 120 HP e 25000
rpm descrito por RADUN [10].
O torque do MRV é produzido energizando-se seqüencialmente os enrolamentos
nos períodos em que suas indutâncias são crescentes. Portanto, para se obter um
torque ótimo, livre de oscilação de torque ([11],[12],[13]), o fornecimento de
corrente tem que estar sincronizado com a posição obtida através de um sensor
de posição acoplado ao eixo do motor.
A seguir, abordaremos alguns aspectos sobre a estrutura, a análise linear e a
influência da não linearidade magnética neste motor.
II.2.1 Estrutura Básica
Os motores de relutância chaveados são motores especiais que possuem
características distintas dos motores convencionais. Sua estrutura básica
consiste de pólos salientes no estator e no rotor, que são feitos de lâminas
empilhadas. Os pólos do estator têm enrolamentos concentrados, enquanto
no rotor não há enrolamentos nem ímãs. Os enrolamentos de pólos
diametralmente opostos são ligados em série para produzir um campo
magnético que passe pelos dois pólos. A Figura 2 mostra a estrutura básica de
um MRV com 6 pólos no estator e 4 no rotor. Outras possibilidades de
construção incluem esquemas com 6 pólos no estator e 2 no rotor (6/2) ,
10/4, 12/8, 12/10, entre outras.
Figura 2 - Estrutura básica de um motor com 6 pólos no estator e 4 no rotor
Capítulo II – Característica de Torque do MRV 8
Esta estrutura é chamada de motor de relutância chaveada regular, por
possuir simetria entre os pólos do rotor e do estator. Uma desvantagem de se
possuir um número reduzido de pólos no rotor é que se tem uma alta
oscilação de torque, mas por outro lado, tem-se uma alta relação de
indutância.
Este tipo de estrutura também se caracteriza por não possuir um estado
permanente, onde todas as variáveis de estado são constantes. A operação
ocorre através de inúmeros e contínuos transitórios. No motor de corrente
contínua, esta operação possui um estado permanente, o fluxo e a corrente
permanecem constantes no tempo e no espaço. No motor de corrente
alternada esta afirmação também é verdadeira [14].
A operação do MRV é baseado no princípio de relutância mínima. Quando o
enrolamento sobre um par de pólos do estator é energizado, os pólos do
rotor são atraídos para uma posição que represente relutância mínima no
circuito magnético (posição alinhada). Para criar um movimento de rotação
contínua, os enrolamentos do estator são seqüencialmente energizados, em
sincronismo com o rotor.
A tabela 1 mostra alguns pontos importantes em relação à parte mecânica do
motor de relutância.
Pontos positivos Pontos negativosBaixo custo de fabricação e do material Diâmetro do eixo pequeno
Efeitos com a temperatura mínimos Pequeno entreferroPossibilidade de operação a altasvelocidades
Não pode operar-se diretamente na rede elétrica
Tolerância a faltas Estrutura duplamente saliente pode causar ruídoe oscilação de torque
Baixa inércia Necessidade de sensor de posiçãoFacilidade de reparo Aparentemente elevada perda por ventilação à
alta velocidadeBaixas perdas no rotor
Tabela 1- Características do motor de relutância
Não se deve confundir o acionamento do MRV com a máquina de relutância
clássica, em que o estator possui enrolamentos distribuídos, que são
Capítulo II – Característica de Torque do MRV 9
energizados por uma fonte trifásica senoidal. Esta máquina é denominada
atualmente como synchonous reluctance machine.
O motor de relutância utilizado neste trabalho foi projetado através de um
programa de análise por elementos finitos desenvolvido pela Universidade
Técnica de Berlim e possui como características básicas, os seguintes dados
[15]:
Número de pólos no estator 6Número de pólos no rotor 4Número de fases 3Resistência no enrolamento do estator 1.3ΩPotência nominal 750WTensão nominal 150VCorrente nominal 5 AVelocidade nominal 1800 rpmArco do pólo do estator no entreferro 30 grausArco do pólo do rotor no entreferro 30 graus
Tabela 2 – Dados de projeto do motor de relutância variável
II.2.2. Características do MRV: análise linear
As características mecânicas e elétricas do MRV dependem de alguns fatores:
estrutura do motor (número de fases, número de pólos, arcos dos pólos),
características de magnetização, configuração do inversor, estratégia do
controle, entre outros. Neste trabalho, todos estes fatores são levados,
permitindo uma análise completa do modelo não linear da máquina.
Assim, como uma aproximação inicial, as seguintes considerações são feitas
para tornar a análise mais adequada ao trabalho:
- Os enrolamentos do motor são alimentadas por correntes contínuas.
- As indutâncias mútuas entre as fases são desprezadas.
- A comutação de uma fase para outra é instantânea.
Capítulo II – Característica de Torque do MRV 10
Com essas considerações, é possível obter o perfil de indutância ideal e
computar as características de torque ideal que podem ser usadas para
explicar a operação do MRV e desenvolver estratégias de controle.
II.2.3. Perfil de indutância
Para estudarmos o perfil de indutância do MRV deve-se analisar a relação
entre a posição do rotor e do estator. Enquanto o rotor gira, a relutância do
circuito magnético varia de tal maneira que a indutância dos enrolamentos do
estator é função da posição do rotor. No intervalo de um passo polar, duas
posições em particular podem ser identificadas: alinhada e desalinhada.
Quando os pólos do estator e do rotor estão alinhados, a relutância é mínima
e a indutância é máxima. Quando os pólos do estator e do rotor estão
desalinhados, a relutância é máxima e a indutância do enrolamento é mínima.
Entre essas duas posições, a indutância varia linearmente com a posição do
rotor. Isso define o perfil de indutância ideal que geralmente é usado para
caracterizar um dado MRV.
Um modo de se controlar o MRV é energizando uma fase por vez. O torque
de saída é o resultado da contribuição das fases, uma depois da outra. Logo, a
análise pode ser feita durante a operação de uma fase e então repetida para
outras fases [16]. O torque produzido durante a operação de uma fase pode
ser calculado pela variação de coenergia do sistema:
Τ = ′
=
∂∂θ W
i const
(1)
Considerando o sistema magneticamente linear, a coenergia é igual a
′= ⋅W L i12
2( )θ (2)
Logo, o torque instantâneo é dado por:
Capítulo II – Característica de Torque do MRV 11
TdLd
i= ⋅12
2
θ(3)
Assim, o torque do motor é proporcional à variação da indutância com a
posição do rotor (dL/dθ) e ao quadrado da corrente.
Figura 3 - Formas de onda ideais ilustrando o princípio de produção de torque no
MRV.
Para produzir torque positivo, a corrente tem que ser injetada no
enrolamento quando a indutância for crescente. Note que o torque independe
da direção da corrente, então correntes unidirecionais podem ser usadas e
com isso pode-se simplificar o conversor.
A produção de torque em uma fase apenas é ilustrada pelas formas de onda
ideais mostradas na Figura 3.
Capítulo II – Característica de Torque do MRV 12
II.2.4. Efeitos da não-linearidade magnética
As características ideais obtidas na análise magnética linear são muito
convenientes para explicar o princípio de operação do MRV e desenvolver
estratégias de controle. Por outro lado, características mais realísticas são
necessárias para projeto do conversor e do sistema de controle. As
características reais diferem significativamente das características ideais por
causa das curvas de magnetização das laminações que formam o estator e o
rotor. A não linearidade magnética afeta tanto o perfil de indutância quanto a
forma de onda do torque.
Através de um programa de análise por elementos finitos, podemos obter um
modelo aproximado que represente a não-linearidade magnética baseado na
função de enlace de fluxo λ(θ,I), visto na Figura 4, onde θ é a posição do
rotor e I é a corrente. Com tal função, podemos obter uma nova equação
para o torque do motor.
0 5 10 15 20 250
0.2
0.4
0.6
0.8
1
1.2
1.4x 10
-3
Posição(graus) →
Corrente(A)
Enl
ace
de F
luxo
(V.s
)
Figura 4 – Fluxo magnético em uma fase em relação à corrente variando entre 0 e90°.
Novamente, obtém-se o torque através da variação da coenergia. Porém,
considerando-se a não linearidade magnética, temos:
Capítulo II – Característica de Torque do MRV 13
′= ∴ =∫ ∫W Tdd
λ θ λ di di0
i
0
i
. (4)
Diante da não linearidade magnética do motor, temos que, ao utilizarmos
uma corrente constante alimentando o motor e variarmos a posição do rotor
em relação ao estator, obtermos uma curva de torque oscilante (Figura 5).
Entretanto, se alimentarmos o motor com uma corrente oscilante obtermos
um torque constante (Figura 6). Pode-se analisar estas duas situações na
Figura 7, onde nota-se a curva de torque oscilante real do sistema,
proveniente de um acorrente constante e a curva de torque ideal constante
obtida de uma corrente oscilante.
Conversor+
MotorTi
Figura 5 – Diagrama com entrada constante e saída oscilante
Conversor+
MotorTi
Figura 6 – Diagrama com entrada oscilante e saída constante
Capítulo II – Característica de Torque do MRV 14
0 200 400 600 800 1000 1200 14002.8
3
3.2
3.4
3.6
3.8
4
← Torque Real
↑Torque Ideal
Figura 7 – Curvas de Torque Real e Torque Ideal
Isto se torna possível quando produzimos um sinal oscilante no bloco de
sinal de compensação. A Figura 8 apresenta com detalhes, parte desta Figura
1
+
+
Conversor+
MotorTi
i
i
Figura 8 – Detalhe da Figura 1
II.2.5. Operação Dinâmica
O funcionamento do motor de relutância chaveado pode se feito através de
algumas estratégias:
Capítulo II – Característica de Torque do MRV 15
II.2.5.1. Operação a pulso único
Quando os pólos do rotor e do estator estão se aproximando, alimenta-se a
fase com tensão Vs e mantêm-se as chaves da fase acionadas até que os
pólos comecem a se distanciar. Isto existe devido a necessidade do fluxo se
reduzir a zero antes que se separem totalmente, senão o torque elétrico
muda de sinal e se cria um torque de frenagem (Figura 9).
Figura 9 – Curvas para operação em pulso único
II.2.5.2. Operação através de PWM de tensão
Existem 2 técnicas de operação deste tipo: operação unipolar e operação
bipolar.
Na unipolar, uma chave fica aberta e a outra é acionada em alta freqüência.
Na bipolar, as duas chaves são acionadas em alta freqüência. A vantagem da
Capítulo II – Característica de Torque do MRV 16
operação unipolar é que ela produz menos ruídos acústicos e diminui
substancialmente a necessidade de filtros capacitivos.
Figura 10 – PWM de Tensão – Operação Unipolar
Capítulo II – Característica de Torque do MRV 17
Figura 11 – PWM de Tensão – Operação Bipolar
As curvas da Figura 10 e Figura 11 mostram que o ângulo de energização
(θo) está na posição de desalinhamento e o ângulo de desenergização(θc)
está na posição de alinhamento. Isto ilustra o fato que à baixas velocidades
este tipo de controle é bastante usado por utilizar toda a zona de torque útil
do motor.
II.2.5.3. Operação através de regulação decorrente
Neste caso, as chaves são operadas de acordo com a corrente de fase. Se ela
está maior ou menor que a referência de corrente, ela irá acionar ou não as
chaves.
Pode-se operar em modo unipolar ou bipolar. Porém, o bipolar permite
operação nos quatro quadrantes, possibilitando a regeneração de energia
para o sistema.
Capítulo II – Característica de Torque do MRV 18
O controlador de histerese mantém a corrente entre 2 limites, chamada de
banda de histerese. Como a tensão é fixa, o resultado é que a freqüência de
chaveamento decresce juntamente com o aumento da indutância. Este
trabalho utiliza esta estratégia de operação para acionar o motor.
Figura 12 – Regulação de corrente – operação bipolar
No próximo capítulo mostraremos como se deve proceder para obtermos
este sinal de compensação.
Capítulo III – Compensação “neuro-fuzzy” das oscilações de torque do MRV 19
Capítulo III
Compensação Neuro-fuzzy das
oscilações de torque do MRV
III.1 Considerações Gerais
Neste capítulo estão apresentadas e discutidas algumas formas de controle do
acionamento de um motor de relutância variável. Este controle tem como
objetivo principal a redução da oscilação de torque, que por sua vez é gerado pelas
características não-lineares deste tipo de motor.
Na seção III.2 mostra-se como foi executada a modelagem não linear do
acionamento juntamente com o motor.
Na seção III.3 mostra-se como se comporta o sistema sem um controle.
Na seção III.4 mostra-se como são as redes “neuro-fuzzy” e o comportamento de
vários tipos de sistemas adaptativos.
Na seção III.5 mostra-se alguns dos diversos controladores utilizados atualmente
para obter-se redução da oscilação de torque.
III.2 Modelo Eletromecânico do motor
Todo o sistema proposto foi simulado através do programa comercial Matlab® e
seus “toolboxes”: Simulink® e “Fuzzy Logic Toolbox” [17]. A opção por esta
ferramenta computacional foi baseada na facilidade de manuseio do programa
através de um GUI (“Graphical User Interface”) e devido à ampla utilização deste
pacote nas mais diversas instituições de pesquisa e ensino.
Capítulo III – Compensação “neuro-fuzzy” das oscilações de torque do MRV 20
O programa Matlab® utiliza métodos de integração numérica com passo variável
de integração para solução de suas simulações, métodos estes que evitam erros de
convergência de maneira excelente.
0 10 20 30 40 50 60 70 80 90 100-10
-8
-6
-4
-2
0
2
4
6
8
10
Torq
ue(N
.m)
Posição(graus)
← Corrente (A)
Figura 13 - Função Torque(θ,I)
Porém, mesmo possuindo excelentes características operacionais, a utilização do
Matlab® fica comprometida devido a necessidade de se representar as
características não lineares do motor, gerando um altíssimo tempo de
processamento. Para contornar esta dificuldade utiliza-se, nesta simulação, tabelas
representativas cujas relações são: torque/corrente/ângulo e
corrente/ângulo/enlace de fluxo. Os dados das tabelas são mostrados nas: Figura
13 e Figura 14
Capítulo III – Compensação “neuro-fuzzy” das oscilações de torque do MRV 21
0 5 10 15 20 25 30 35 40 45 500
0.2
0.4
0.6
0.8
1
1.2
1.4x 10
-3
Enl
ace
de F
luxo
(V.s
)
Posição (graus)
Corrente (A) →
Figura 14 - Função Enlace de fluxo(I,θ)
As tabelas em conjunto com as equações (5) são representadas no diagrama de
blocos da Figura 15.
kwdt
dWJTTT
dtd
RIV
dtd
RIV
dtd
RIV
aargcelétricotetanresul
333
222
111
+=−=
λ+=
λ+=
λ+=
(5)
Capítulo III – Compensação “neuro-fuzzy” das oscilações de torque do MRV 22
θ
I1(θ,λ1)
I2(θ,λ2)
1/s+-
I3(θ,λ3)
T1(θ,I1)
T2(θ,I2)
R
T3(θ,I3)
R
R
1/s1/s1/J
kw
+
+
+
-
-
Tc
1/s+-
1/s+-
Fonte
v1
v2v3
w
θ=ânguloλi=enlace na fase iIi=corrente na fase iTi=torque na fase i
θ
Figura 15 - Diagrama de blocos do modelo do motor de relutância
III.3. Simulação do sistema sem compensação
Na situação de simularmos o sistema da Figura 15 para uma velocidade constante
em regime permanente, obteremos uma curva de torque onde a oscilação será
bastante significativa. A curva de torque pode ser vista na Figura 16. Este caso
corresponde a uma carga que demanda uma corrente de referência
aproximadamente constante de 3 A, com ângulo de desenergização da fase
(tetaoff) fixado em 5,73º.
Capítulo III – Compensação “neuro-fuzzy” das oscilações de torque do MRV 23
0 0.002 0.004 0.006 0.008 0.01 0.012 0.014 0.016 0.018 0.020
0.05
0.1
0.15
0.2
0.25
0.3
0.35
0.4
0.45
0.5
Torq
ue T
otal
tempo (s)
Figura 16 - Curva de torque para o modelo sem minimização de oscilação - 1800rpm
Nos próximos itens, mostraremos alguns métodos para reduzir esta oscilação no
torque utilizando a inclusão de um sinal de compensação de corrente proveniente
de um controlador “neuro-fuzzy”.
III.4. Redes Neuro-Fuzzy
III.4.1. Considerações iniciais
Redes neuro-fuzzy são a combinação de redes neurais com a lógica “fuzzy”.
Neste tipo de modelagem, a rede neural pode ajudar a encontrar os
parâmetros do conjunto de regras do sistema “fuzzy”, ou este pode auxiliar a
rede neural na busca das conexões otimizadas entre os diferentes neurônios e
suas camadas [18].
Existem duas importantes fontes de informação: (1) Sensores que nos
indicam uma medição numérica de uma variável, e (2) o conhecimento
humano que nos indica instruções lingüísticas e descrições sobre o sistema.
Capítulo III – Compensação “neuro-fuzzy” das oscilações de torque do MRV 24
Chamamos a informação proveniente dos sensores de informação numérica
(por exemplo: 2.5, pi, 45, etc..) e a informação proveniente da experiência
humana de informação lingüística (por exemplo: perto, longe, alto ,frio, etc..).
A engenharia convencional faz uso somente do conhecimento numérico e
possui grande dificuldade de incorporar a informação lingüística. Devido à
grande quantidade do conhecimento humano ser somente representado
através do conhecimento lingüístico, é importante conseguir incorporar este
tipo de conhecimento aos sistemas de engenharia de uma maneira eficaz e
eficiente. Uma maneira muito interessante é utilizar a metodologia de lógica
“fuzzy”.
Obviamente, grande parte do nosso conhecimento é essencialmente “fuzzy”.
Um exemplo seria, quando aprendemos pela primeira vez uma nova teoria,
nós geralmente procuramos entender algumas coisas sobre a teoria, como as
idéias básicas, vantagens, e desvantagens. Porém, não temos certeza absoluta
sobre alguns detalhes mais específicos desta teoria. Agora, se tentarmos
explicar esta teoria a outra pessoa, ela terá obviamente somente uma idéia
superficial da teoria. O ponto interessante é que mesmo não sendo um
entendimento total e amplo, os termos “fuzzy” utilizados para a explicação
cumprem muito bem sua função de, no nosso caso, fazer conhecer as idéias
básicas, vantagens e desvantagens, possibilitando um entendimento posterior
mais amplo da teoria em questão.
Certos sistemas são muito complicados de se descrever através de modelos
matemáticos precisos. Como exemplo, podemos citar a representação de um
processo químico complexo através de termos “fuzzy”: “Se a temperatura é
alta então a reação é intensa”. O que devemos considerar aqui é que mesmo
que este tipo de informação seja imprecisa, ela nos possibilita ter informações
importantes sobre o sistema, e ás vezes, ela nos é a única informação
disponível.
Portanto, o que devemos fazer é simplesmente utilizar esta informação, por
nós obtida, de maneira efetiva e científica para a utilização em nosso processo
de aprendizagem[19] [20].
Capítulo III – Compensação “neuro-fuzzy” das oscilações de torque do MRV 25
III.4.2. Sistemas Adaptativos
Um sistema adaptativo “fuzzy” [19] é definido como um sistema de lógica
“fuzzy” equipado com um algoritmo de treinamento, onde o sistema de
lógica “fuzzy” (SLF) é construído a partir de um conjunto de regras ( SE -
ENTÃO) usando os princípios de lógica “fuzzy”. O algoritmo de
treinamento que ajusta os parâmetros do SLF é baseado em informações
numéricas.
O sistema adaptativo “fuzzy” pode ser visto como um SLF onde as regras são
automaticamente criadas e ajustadas durante o treinamento.
III.4.2.1. Treinamento do Sistema Lógico “fuzzy” usando“Backpropagation”
Os pesquisadores em redes neurais retomaram o interesse do público nesta
área após a descoberta de um algoritmo de treinamento para redes neurais
multicamadas, chamado algoritmo “backpropagation” [21]. Na realidade, o
conceito básico do algoritmo “backpropagation” pode ser aplicado a
qualquer rede “feedforward” [21]. Portanto, basta representar o SLF como
uma rede “feedforward”, e utilizar o algoritmo.
Como mostra a Figura 17, pode-se representar um SLF como uma rede
neural com 4 camadas. A primeira representando as funções de pertinência
da entrada, a segunda representando as regras, a terceira representando as
funções de pertinência da saída desejada e a quarta representando o
somatório das saídas da terceira camada.
Capítulo III – Compensação “neuro-fuzzy” das oscilações de torque do MRV 26
Saída
Regras
Entradas
Fçs. depertinênciade entrada
Fçs. depertinência
de saida
Bias
Figura 17 - Representação de um sistema lógico “fuzzy” como rede “feedforward”
Existem dois aspectos interessantes nesta estratégia de treinamento. (1) Os
parâmetros do sistema adaptativo “fuzzy” possuem significado físico, e
baseado nisto, pode-se fazer uma escolha inicial para os parâmetros mais
consciente, aumentando bastante a velocidade de convergência do
treinamento. (2) O sistema adaptativo “fuzzy” pode incorporar informações
lingüísticas nos possibilitando sistematizar de maneira coerente estas
informações.
III.4.2.2. Treinamento de SLF usando “Orthogonal Least Squares”.
Neste item, a representação do SLF é feita através da elaboração de um
sistema cuja equivalência é encontrada a partir da expansão em séries de
determinadas funções chamadas “fuzzy basis function”. Estas funções são
definidas como:
∑=
=M
jjj xpxf
1
)()( θ
Capítulo III – Compensação “neuro-fuzzy” das oscilações de torque do MRV 27
sendo jj y=θ e )(xp j definido por:
Mjx
xxp M
j
n
iF
n
iF
j
j
j
....2,1,)(
)()(
1 1
1 ==∑ ∏
∏
= =
=
µ
µ
onde )(xjFµ são funções de pertinência gaussiana.
Utilizando-se o algoritmo clássico Gram-Schmidt de mínimos quadrados
(OLS), podemos obter quais são as funções mais significantes para o nosso
sistema lógico “fuzzy”.
Além disto, o algoritmo OLS gera um sistema lógico “fuzzy” bastante
robusto tornando o sistema pouco sensível aos ruídos presentes nas
entradas.
A maior vantagem no uso das “fuzzy basis functions” é que elas estão
naturalmente relacionadas às regras lingüísticas SE-ENTÃO, possibilitando
incluir facilmente ao sistema, o conhecimento lingüístico de especialistas.
III.4.2.3. Treinamento de SLF usando “lookup table”.
As técnicas anteriormente mostradas nos itens II.4.2.1 e II.4.2.2 são
eficientes, porém quando se necessita de grande esforço computacional,
estes métodos se tornam inviáveis por requererem operações iterativas.
O treinamento através de tabela entrada-saída, torna isto mais fácil, pois a
criação das regras “fuzzy” é feita a partir de pares entrada-saída. Assim,
reúne-se as regras obtidas, construindo um SLF com estas regras.
Se tivermos um conjunto de pares entrada-saída tal como:
),,( ),,( )2()2(2
)2(1
)1()1(2
)1(1 yxxeyxx
Capítulo III – Compensação “neuro-fuzzy” das oscilações de torque do MRV 28
e com base nestes dados, quisermos gerar um sistema lógico “fuzzy”
yxxf →),(: 21 ,devemos criar um conjunto de regras SE-ENTÃO a partir
destes conjuntos para usá-las para criar este SLF.
Podemos dividir esta tarefa em:
1) Dividir os espaços de entrada e de saída dentro de regiões “fuzzy”.
2) Gerar as regras fuzzy a partir dos dados de entrada-saída.
3) Buscar o grau de cada regra
4) Criar uma base de regras “fuzzy”
5) Determinar um mapeamento baseado na base de regras “fuzzy”
Este método tem como mais importante vantagem a simplicidade, sendo
necessária somente uma passagem dos dados pelo sistema de treinamento.
O preço pago pela simplicidade é que temos de determinar cada intervalo
do domínio dos valores e as funções de pertinência de maneira informal, ou
seja, na tentativa e erro.
A Figura 19 (b) e a Figura 20 (c) representam este algoritmo de treinamento
para uma função z=x+y.
III.4.2.4. Treinamento de sistema lógico “fuzzy” usando “cluster”.
O algoritmo apresentado anteriormente, caracteriza-se pela simplicidade, e
pela passagem única do conjunto de treinamento para a geração das regras.
Como a quantidade de dados de aprendizagem e a quantidade de
informação para o domínio do sistema, condicionam seu desempenho, o
algoritmo entrada-saída fica dependente destes fatores.
No processo de representação, cada par entrada-saída é utilizado para
selecionar o melhor termo lingüístico para a representação. Porém, dada
uma entrada xI temos na Figura 18, dois valores de pertin6encia diferentes
para esta mesma entrada. Utilizando-se o operador Max escolhemos o
Capítulo III – Compensação “neuro-fuzzy” das oscilações de torque do MRV 29
valor de pertinência de maior grau. Sendo assim, representado para a
entrada xI, o Conjunto fuzzy NM.
ZENMNB PM PB
Xi
µNM
µZE
Figura 18- Escolha do Conjunto “fuzzy” que melhor caracteriza o valor xi
A utilização do operador Max irá limitar os dados a serem treinados
somente nas regiões onde o grau de pertinência for superior a 0.5.
A Figura 19 mostra o que ocorre quando se utiliza este operador. Grande
parte das informações é excluída pelo operador Max. Para minimizar a
influ6encia introduzida no processo de aprendizagem pela utilização deste
operador, devemos aplicar o conceito de “cluster”, este conceito vem nos
possibilitar a utilização de mecanismos de ponderação dos dados de
treinamento.
Capítulo III – Compensação “neuro-fuzzy” das oscilações de torque do MRV 30
Figura 19 – (a) Conjunto de dados utilizando as regras cujos antecedentes sãoNM e PM
(b)Conjunto de dados considerando agora o conceito “cluster”
A partir do conceito de “cluster”, cada par entrada-saída vai contribuir para
a criação de mais de uma regra, sendo que para cada um a, ele vai contribuir
de maneira diferente com graus variáveis.
A concepção de cluster associa um valor entre zero e um a um dado de
entrada, de modo a representar o grau de pertinência deste dado ao cluster.
Portanto, cada dado pertencerá à clusters diferentes, mas com diferentes
graus de pertinência.
Podemos exemplificar, esta técnica aplicando-a à relação funcional z=x+y
(Figura 20).
Capítulo III – Compensação “neuro-fuzzy” das oscilações de torque do MRV 31
Figura 20 – (a) Relação z=x+y sem ruído(b) Relação z=x+y com ruído
(c) Resultado do treinamento usando-se somente os pares entrada-saída,porém com a presença de ruído
(d)Resultado do treinamento com a presença do conceito “cluster”
Neste item, introduz-se a idéia de utilizar “clusters” de informação para
reduzir o numero de dados e assim possibilitar a sistematização do SLF
[22].
III.4.2.5. Comparação entre os métodos
Após analisarmos os métodos de aprendizagem podemos obter algumas
conclusões:
Capítulo III – Compensação “neuro-fuzzy” das oscilações de torque do MRV 32
O algoritmo “backpropagation” tem como vantagens: (1) Todos os
parâmetros são atualizados em um procedimento de otimização único. (2)
Ele incorpora informações lingüísticas como parâmetros iniciais. Este serve
como uma boa aproximação do sistema “fuzzy”. E como desvantagens: (1)
A ordem do sistema, ou seja, o número de neurônios, deve ser especificado
a priori por quem modela o sistema. (2) Por ser, este algoritmo, um
processo de busca não-linear, ele pode convergir lentamente ou cair em um
mínimo local.
O algoritmo designado por “orthogonal least square” tem como vantagem
produzir um sistema simples e bem comportado, devido a ele selecionar as
funções mais significantes.
E como desvantagens podemos citar: (1) É um algoritmo “off-line”, assim
todos os dados de treinamento devem estar disponíveis antes do algoritmo
começar a ser usado. (2) É computacionalmente intensivo.
O algoritmo que utiliza a tabela entrada-saída tem como vantagem a
simplicidade e como desvantagens (1) A divisão do espaço de entrada e as
funções de pertinência devem ser definidas a priori. (2) Não há otimização
neste algoritmo.
O algoritmo que usa a teoria de “cluster” possui vantagens tais: (1) Faz uma
única iteração no conjunto de dados e é computacionalmente simples. (2)
Sua performance é boa por estar baseada em um SLF ótimo, obtido
anteriormente. Como desvantagens observa-se o seguinte aspecto: A
informação lingüística não pode ser ajustada durante o procedimento de
treinamento usando este algoritmo. O ajuste da informação lingüística é
necessária por ser ela imprecisa e às vezes errada, assim o ajuste da
informação deve ser feito para possibilitar um melhor resultado do sistema
final.
Capítulo III – Compensação “neuro-fuzzy” das oscilações de torque do MRV 33
III.5. Controladores
Existem diversos tipos de controladores utilizados para acionar o MRV, dos quais
podemos citar o controlador LMB1008 produzido pela National Instruments em
colaboração com o SPEED Laboratory [14].
Sua operação se baseia em alimentar cada uma das fases de acordo com a posição
do rotor em relação aos pólos do estator. A resolução do sensor de posição deve
ser bem mais precisa do que em outros tipos de máquinas, pois as formas de
ondas da corrente são criticamente dependentes desta leitura de posição. Assim,
precisão de até 0,25o é desejada.
Este sistema de controle possui diversos modos de operação que irão variar
dependendo da maneira que se deseja que o motor opere. O modo normal é
usado para baixas velocidades, o modo “boost” para altas velocidades e o modo
avançado para super altas velocidades. Sem deixar de fora o modo de frenagem
para a redução da velocidade. Na situação em considerarmos um motor 6/4 onde
a posição de alinhamento é em 90o e a de desalinhamento é em 45o, temos para
cada modo os seguintes ângulos de energização e desenergização:
Normal 52.5°/82.5°“Boost” 37.5°/67.5°
Avançado 22.5°/67.5°Frenagem 82.5°/112.5°
Tabela 3 – Tabela de ângulos de energização e desenergização
Existem também outros controladores que trabalham executando um controle de
corrente PWM [23]. Não obstante, existem trabalhos onde utiliza-se somente
redes neurais com o objetivo de se controlar o MRV [24].
Se nos propusermos a obter uma arquitetura de controlador mais generalizado,
devemos nos preocupar com algumas exigências:
- Habilidade em operar à velocidade zero
- Boa estabilidade
- Resposta dinâmica rápida
Capítulo III – Compensação “neuro-fuzzy” das oscilações de torque do MRV 34
- Baixa oscilação de torque.
Refletindo sobre estas idéias buscou-se neste trabalho obter um controlador que
possua todas estas características [14].
III.5.1. Considerações Iniciais
Como foi citado no item I.1, uma maneira bastante popular de se controlar
um acionamento de relutância chaveado é utilizar um controlador PI.
Entretanto, quando a entrada do controlador PI é zero, sua saída será um
valor constante porém não nulo. Quando esta saída, em nosso caso, a
referência de corrente, for introduzida no bloco do motor/conversor, ela
gerará uma oscilação de torque, como conseqüência da dinâmica natural do
sistema. Para evitar este problema, um sinal de compensação deve ser
introduzido no sistema de controle adicionado à saída do controlador PI
como é mostrada na Figura 21. Este sinal deve ser dependente da posição do
rotor em relação ao estator, e ainda, é desejável que ele seja também
dependente da velocidade e do torque de carga.
Controlador PI++
Sinal de Compensação
Conversor+
Motor
Sc
SPIIref WWref +
-
WTc
iθ
Figura 21 - Sistema com sinal de compensação
De fato, o sinal de compensação é uma função que possui alta complexidade
matemática. Portanto, a produção deste sinal é bastante complicada. Muitos
artigos[13],[23] a [27] mostram diversas estratégias para se obter este sinal.
Alguns autores ([3], [26]) utilizam a tabela de característica torque-corrente e
invertem sua relação. Se é necessário um torque específico, pega-se este valor
na tabela e procura-se o valor correspondente de corrente. Depois disto, usa-
se este valor no sistema para se obter o torque desejado.
Capítulo III – Compensação “neuro-fuzzy” das oscilações de torque do MRV 35
Neste trabalho, por existir a presença de aprendizagem no compensador, o
controle possui uma maior flexibilidade de operação. Este aprendizado torna
o compensador mais independente das características do motor. Se o sistema
sofrer alguma modificação na carga, na alimentação, ou na velocidade de
operação, o compensador possuirá a habilidade de se adaptar para funcionar
neste novo ponto de operação, buscando a desejada minimização da oscilação
do torque.
A estratégia proposta para produzir este sinal de compensação, neste
trabalho, é incorporar ao sistema de controle PI tradicional, mecanismos de
aprendizagem usando novas tecnologias, como exemplo citamos: um sistema
lógico “fuzzy” (SLF).
O controle proposto consiste em usar um controlador “neuro-fuzzy” onde a
sua saída é usada junto com a saída do PI tradicional, como é visto na Figura
22.
Controlador PI++
Bloco Neuro-Fuzzy
Conversor+
MotorIref
WWref +-
1/sθ
Figura 22 - Diagrama simplificado do controle PI tradicional com o bloco do
compensador “neuro-fuzzy”
Como entrada do compensador pode-se utilizar a velocidade do motor, a
posição do rotor, a corrente de referência, o erro de velocidade. Esta
flexibilidade é muito interessante para situações onde não se tem disponível,
através dos sensores, todos os sinais para o treinamento.
A importância deste controlador está em possibilitar o seu treinamento
através de sinais indiretamente vinculados aos sinais de entrada. Por exemplo,
Capítulo III – Compensação “neuro-fuzzy” das oscilações de torque do MRV 36
podemos usar a própria oscilação do torque para treinar a rede “neuro-fuzzy”
com o objetivo de se ter a corrente oscilante (Figura 23).
Controlador PI++
Bloco Neuro-Fuzzy
Conversor+
Motor WWref +
-
T
Figura 23 - Diagrama simplificado do controle PI tradicional com entrada única de
torque no bloco do compensador “neuro-fuzzy”.
No caso de termos um sistema já em operação e desejarmos incluir o
compensador “neuro-fuzzy”, basta adicionarmos ao sinal de corrente do
controlador PI, o sinal adicional do compensador. A utilização de um sensor
de torque para obtermos a informação de torque neste caso, só é viável
economicamente se pudermos fazer um treinamento “offline” do sistema. O
sensor de torque é bastante caro para mantê-lo constantemente ligado a um
único sistema.
Veremos adiante os controladores utilizados neste trabalho.
III.5.2. Controlador PI-Tradicional
A implementação do controlador PI-Tradicional foi feita aplicando-se no
controlador, como entrada, o erro de velocidade e obtendo-se na saída a
corrente de referência, sendo este sinal um dos sinais utilizados pelo
acionamento para escolher qual chave irá conduzir ou não. O diagrama
reduzido do controle está mostrado na Figura 24.
Capítulo III – Compensação “neuro-fuzzy” das oscilações de torque do MRV 37
ControladorProporcional-Integral
(Tradicional)Erro de Velocidade Corrente de Referência
Figura 24 - Controlador PI Tradicional
O modelo matemático de um controlador PI-Tradicional está representado na
Figura 25.
kp+kI /se sref
Figura 25 - Controle PI Tradicional
A Figura 26 mostra algumas saídas de um controle de velocidade para 500 rpm.
0 0.1 0.2 0.3 0.40
200
400
600
800
1000
(rpm
)
(s)
Velocidade
0 0.1 0.2 0.3 0.4-400
-200
0
200
400
600Erro de Velocidade
(rpm
)
(s)
0 0.1 0.2 0.3 0.4-0.5
0
0.5
1
1.5Torque Total
(N.m
)
(s)0 0.1 0.2 0.3 0.4
0
1
2
3
4
5Corrente de referencia
(A)
(s)
Figura 26 - Curva de velocidade, erro de velocidade, torque e corrente de referênciacom controle PI Tradicional
Capítulo III – Compensação “neuro-fuzzy” das oscilações de torque do MRV 38
III.5.3. Controlador PI-Fuzzy
Este controlador é bastante similar ao controlador PI clássico. Somente
substitui-se o bloco do PI por uma tabela gerada por um sistema lógico
“fuzzy”.
ControladorProporcional-Integral
(FUZZY)
Erro de VelocidadeCorrente de Referência
Variação do Erro
Figura 27 - Controlador PI – Fuzzy
Um próximo passo para a melhoria do controlador foi a construção de um
controlador “fuzzy” análogo ao PI. Este controlador foi implementado na
dissertação de mestrado de Marcelo G. Rodrigues [28].
A equação que rege este controlador está representada abaixo (7), juntamente
com a equação do controlador PI tradicional (8).
)cew,ew(Fs ref =∆ (7)
cew.kew.ks IPref +=∆ (8)
onde ew é o erro de velocidade e cew é a variação do erro de velocidade.
Podemos definir também cew como:
)t(ew)tt(ew)t(cew −∆+= (9)
sendo t∆ igual a 2ms.
Capítulo III – Compensação “neuro-fuzzy” das oscilações de torque do MRV 39
Temos então a equação (7) uma curva cuja superfície é definida pelo
conjunto de regras estabelecidas para o controlador e a equação (8) um plano,
equações que representamos através de dois diagramas de blocos:
sref++
ew
cew
Pk
Ik
1s
∆ sref
Figura 28 - Diagrama de blocos de um controlador PI Clássico
CLF(PI)
∆ sref 1s
ew
cew
sref
Figura 29 - Diagrama de blocos de um controlador PI-Fuzzy
Abaixo estão representados graficamente as equações de refs∆ em função de
ew e cew.
∆ sref
Figura 30 - Superfície de controle para o PI -fuzzy
Capítulo III – Compensação “neuro-fuzzy” das oscilações de torque do MRV 40
∆sref
Figura 31 – Superfície de controle para PI clássico
Substituindo o controle PI pelo controle Fuzzy análogo ao PI no sistema
proposto obtemos as seguintes saídas mostradas na Figura 32.
0 0.05 0.1-0.1
0
0.1
0.2
0.3
0.4(b) Torque na Fase 1
0 0.05 0.10
0.1
0.2
0.3
0.4(a)Torque Total
0 0.05 0.1-200
-100
0
100
200(c)Tensão na Fase 1
0 0.05 0.10
1
2
3(d)Corrente na Fase 1
Figura 32 - Saídas do controlador PI-Fuzzy (1000 rpm)
Se compararmos as saídas correspondentes a cada controle podemos ver que
para velocidades baixas o controle PI comparado ao controle “fuzzy”
análogo ao PI é bastante inferior (Figura 33).
Capítulo III – Compensação “neuro-fuzzy” das oscilações de torque do MRV 41
0 0.05 0.1-200
0
200
400
600PI-Fuzzy
Vel
ocid
ade(
rpm
) (s)
0 0.05 0.10
200
400
600
800
1000PI Tradicional
Vel
ocid
ade(
rpm
)
(s)
Figura 33 – Saída de velocidade para o PI-fuzzy e o PI Tradicional com velocidadede 500 rpm
Existem também trabalhos que unem controladores proporcionais “fuzzy”
com controladores integral diferencial convencional [29].
III.5.4. Controlador Neuro-Fuzzy
Como pode ser visto no item III.4, existem diversas formas de se manipular
um sistema lógico “fuzzy” (SLF) de maneira a introduzir aprendizado ao
controlador lógico “fuzzy”, operação esta que torna o SLF, um sistema
adaptativo “fuzzy”.
Para entendermos melhor toda a técnica de treinamento bem como o
funcionamento de sistema eletromecânico mostramos hierarquicamente na
Figura 34, todo o sistema.
Capítulo III – Compensação “neuro-fuzzy” das oscilações de torque do MRV 42
SISTEMACOMPLETO
ANFISSist. Log. Fuzzy
InferênciaSUGENO
TREINAMENTO
Figura 34 – Implementação Computacional do Compensador
Inicialmente temos o sistema completo, composto pelo motor de relutância
variável, o conversor de eletrônica de potência e o computador para o
controle (Vide Apêndice A).
O treinamento está localizado dentro do controle feito pelo computador.
Este treinamento é composto por 2 partes: A operação do sistema e a
utilização do ANFIS. O ANFIS pode ser dividido em outras duas partes: o
SLF e a rede neural. Estas duas partes estão intimamente ligadas, pois os
parâmetros da rede neural são encontradas através do SLF. De todas as
partes que compõem o SLF salienta-se a inferência Sugeno.
III.5.4.1. Inferência Sugeno
O sistema de inferência de 1a ordem Sugeno é:
Se x é A e y é B então z=p.x+q.y+r (10)
onde A e B são variáveis lingüísticas e p, q e r são as variáveis conseqüentes
numéricas. (vide Apêndice B.2.9)
Capítulo III – Compensação “neuro-fuzzy” das oscilações de torque do MRV 43
Na Tabela reúne-se os parâmetros do sistema lógico “fuzzy”:
Tipo SugenoAND PROD (Produto)Implicação MINAgregação MAXDefuzzificação WTAVER (média ponderada)
Tabela 4 – Parâmetros do SLF
III.5.4.2. ANFIS
Buscou-se neste trabalho obter um treinamento efetivo para o SLF. Assim,
utilizou-se o pacote de software MATLAB®, mais especificamente o “Fuzzy
Logic Toolbox”. Neste “toolbox” existem funções que permitem manipular
de forma eficiente as informações lingüisticas que desejamos. Dentre estas
funções salientamos a função ANFIS (“adaptative neuro-fuzzy inference
system”)[17].
Ela faz uso de um conjunto de dados de treinamento entrada-saída para
construir o sistema de inferência “fuzzy”, cujas funções de pertinência são
ajustadas usando tanto o algoritmo “backpropagation”, quanto ele
combinado com o método de mínimos quadrados, permitindo que o SLF
aprenda com os dados que ele está modelando.
A estrutura da rede criada é similar a uma rede neural, que mapeia as
entradas através de funções de pertinência e de seus parâmetros associados,
e daí através de funções de pertinência da saída e de seus parâmetros
associados para a saída.
Estes parâmetros, no nosso caso, os pesos das sinapses e do bias, são
associados às funções de pertinência que vão ser mudados no processo de
aprendizagem. O trabalho computacional para a obtenção dos parâmetros
(e seus ajustes) é facilitado com a técnica de vetor gradiente descendente,
que proporciona a medição da diminuição do erro. Uma vez que o gradiente
Capítulo III – Compensação “neuro-fuzzy” das oscilações de torque do MRV 44
é obtido, qualquer rotina de otimização pode ser aplicada para ajustar os
parâmetros e conseqüentemente reduzir o erro.
Figura 35 – Sistema Neuro-fuzzy
O aproximador usado pelo ANFIS é similar a muitas técnicas de
identificação de sistemas. Primeiramente, deve-se escolher quais e quantas
serão as funções de pertinência. Após, usa-se os dados de treinamento de
entrada-saída para treinar o sistema. Uma coisa importante é que este
sistema será bem modelado se o conjunto de treinamento for
suficientemente representativo, ou seja, que possua uma distribuição
razoável de valores para que se torne possível interpolar todos os valores
necessários para a operação do sistema.
O ANFIS utiliza a técnica de reunir os dados de treinamento entrada-saída
em “cluster”, cuja proposta é identificar grupos naturais dos dados de um
conjunto grande inicial de maneira a produzir uma representação concisa e
significativa do comportamento do sistema.
Capítulo III – Compensação “neuro-fuzzy” das oscilações de torque do MRV 45
Figura 36 - Editor ANFIS
Existem 2 técnicas utilizadas: (1) Fuzzy c-means (FCM), nesta técnica
podemos indicar em quantos “clusters” queremos que os dados sejam
reunidos. Esta técnica foi originalmente introduzida por Bezdek [31] em
1981.
Assim, os centros dos “clusters” são buscados de maneira iterativa, esta
iteração é baseada na minimização da função objetivo, que representa a
distância entre qualquer dado ao centro do “cluster”.
Se não temos idéia de quantos “clusters” devemos ter para usarmos FCM,
devemos utilizar o (2) “subtractive clustering”, que de maneira rápida estima
o número de “clusters” usando o próprio FCM.
Existe também uma outra técnica, chamada “Grid partition”, porém, menos
eficiente, por não possuir a vantagem de reunir os dados em “cluster”,
tornando menos eficiente o treinamento.
O diagrama de blocos do sistema ora proposto para gerar o sinal adicional
de compensação está mostrado na Figura 37.
Capítulo III – Compensação “neuro-fuzzy” das oscilações de torque do MRV 46
ControladorNeuro-Fuzzy
Posição
∆Ι de referênciaControlador
Proporcional-Integral(Tradicional)
Erro de Velocidade Corrente de Referência
Figura 37 – Controlador neuro-fuzzy
III.5.4.3. Treinamento e Operação
Como foi dito anteriormente, a estratégia de controle e aprendizagem do
controlador utilizada nas simulações pode ser dividida em 2 partes. A Figura
39 mostra um fluxograma deste treinamento.
Parte 1: O controlador propriamente dito, onde as 2 entradas, posição e
corrente de referência são utilizadas pelo ANFIS para gerar a saída ∆Iref,
fruto do cálculo obtido pela função evalfis. O bloco do Simulink® que
acolhe esta função está mostrada na Figura 38.
PIMUX Compensador
++
Iref
θ
Figura 38 – Representação do compensador “neuro-fuzzy”
Parte 2: O treinamento, onde de maneira iterativa treina-se o SLF. A
presença da iteratividade se deve a capacidade do programa de treinamento
em simular o sistema e após um tempo pré-definido de simulação, obter os
resultados da simulação e usá-los para treinar o SLF. No fluxograma abaixo
mostramos graficamente esta operação.
Capítulo III – Compensação “neuro-fuzzy” das oscilações de torque do MRV 47
Inicializaçãodas
Variáveis
Faça até N
Simulação doSistema
Treinamento daRede
Neuro-Fuzzy
Alcançouo valor N?
Resultados
Sim
Não
Após o treinamento, osvalores do controlador são
atualizados
Figura 39 – Fluxograma do Programa de Treinamento
Podemos explicar o funcionamento do programa de treinamento como:
primeiro inicializa-se o bloco de controle neuro-fuzzy com somente saídas
iguais a zero para quaisquer entradas, ou seja, na primeira vez que o sistema
é operado não existe a ajuda do sistema de compensação. Com os
resultados obtidos treina-se uma rede neuro-fuzzy com os pares entrada-
saída compostos por 2 entradas( Iref e posição) e uma saída (∆Iref - T~ ), que
gerará um arquivo XXXX.FIS que posteriormente será utilizado pelo
sistema de compensação. Este ciclo ocorre por diversas vezes até que se
chegue a um valor de erro pré-fixado ou a um número máximo de épocas
de treinamento imposto pelo operador.
O treinamento das variáveis corrente de referência e posição acontece da
seguinte maneira no MATLAB® através do ANFIS:
O ANFIS (Figura 36) é uma ferramenta bastante eficiente para o seu uso
em controle, porém existem algumas limitações:
- SLF deve ser do tipo Sugeno [30]
Capítulo III – Compensação “neuro-fuzzy” das oscilações de torque do MRV 48
- Deve ter saída única
O conjunto de dados é colocado como conjunto de treinamento, com eles
treina-se a rede neuro-fuzzy cujas funções de pertinência de posição e de
corrente são correspondentemente:
0 10 20 30 40 50 60 70 80 90
0
0.2
0.4
0.6
0.8
1
posição
Gra
u de
Per
tinên
cia
fp5fp1 fp2 fp3 fp4
Figura 40 – Função de pertinência do conjunto de treinamento de posição
0 0.5 1 1.5 2 2.5 3 3.5 4 4.5 5
0
0.2
0.4
0.6
0.8
1
Corrente de Referência
Gra
u de
Per
tinên
cia
fp1 fp2 fp3 fp4 fp5
Figura 41 – Função de pertinência do conjunto de treinamento de corrente
Capítulo III – Compensação “neuro-fuzzy” das oscilações de torque do MRV 49
Assim, dadas as entradas:
-Corrente de Referência= 3.33 A
-Posição= 29.5 graus
usando-se as funções de pertinência acima temos a saída de :0.21 como é
mostrado na Figura 42.
Posição- 29,5 Corrente – 3.33
Figura 42 – Regras Fuzzy para os sistema proposto
Se variarmos todos os valores de corrente de referencia e de posição
obteremos a Figura 43:
Capítulo III – Compensação “neuro-fuzzy” das oscilações de torque do MRV 50
2040
6080
01
23
45
-0.4
-0.2
0
0.2
0.4
0.6
posiç ã ocorrente
I ref
Figura 43 – Curva característica para entrada de corrente e posição
O treinamento propriamente dito utiliza para reunir o conjunto de dados a
técnica “Grid partition”, anteriormente citada. A opção de uso foi feita
devido à incapacidade das outras técnicas de operarem inicialmente com
saída zero.
Temos no ANFIS, 2 opções de otimização do treinamento:
“backpropagation” e híbrido (backpropagation + mínimos quadrados).
Utilizou-se o método híbrido por ser mais eficiente em sua operação. Estes
dois métodos de otimização do treinamento encontram-se inclusos em uma
função pré-compilada do MATLAB®.
As regras de inferência são mostradas na Tabela 5:
1. If (input1 is in1mf1) and (input2 is in2mf1) then (output is out1mf1) (1)
2. If (input1 is in1mf1) and (input2 is in2mf2) then (output is out1mf2) (1)
3. If (input1 is in1mf1) and (input2 is in2mf3) then (output is out1mf3) (1)
4. If (input1 is in1mf1) and (input2 is in2mf4) then (output is out1mf4) (1)
5. If (input1 is in1mf1) and (input2 is in2mf5) then (output is out1mf5) (1)
6. If (input1 is in1mf2) and (input2 is in2mf1) then (output is out1mf6) (1)
7. If (input1 is in1mf2) and (input2 is in2mf2) then (output is out1mf7) (1)
8. If (input1 is in1mf2) and (input2 is in2mf3) then (output is out1mf8) (1)
∆
Capítulo III – Compensação “neuro-fuzzy” das oscilações de torque do MRV 51
9. If (input1 is in1mf2) and (input2 is in2mf4) then (output is out1mf9) (1)
10. If (input1 is in1mf2) and (input2 is in2mf5) then (output is out1mf10) (1)
11. If (input1 is in1mf3) and (input2 is in2mf1) then (output is out1mf11) (1)
12. If (input1 is in1mf3) and (input2 is in2mf2) then (output is out1mf12) (1)
13. If (input1 is in1mf3) and (input2 is in2mf3) then (output is out1mf13) (1)
14. If (input1 is in1mf3) and (input2 is in2mf4) then (output is out1mf14) (1)
15. If (input1 is in1mf3) and (input2 is in2mf5) then (output is out1mf15) (1)
16. If (input1 is in1mf4) and (input2 is in2mf1) then (output is out1mf16) (1)
17. If (input1 is in1mf4) and (input2 is in2mf2) then (output is out1mf17) (1)
18. If (input1 is in1mf4) and (input2 is in2mf3) then (output is out1mf18) (1)
19. If (input1 is in1mf4) and (input2 is in2mf4) then (output is out1mf19) (1)
20. If (input1 is in1mf4) and (input2 is in2mf5) then (output is out1mf20) (1)
21. If (input1 is in1mf5) and (input2 is in2mf1) then (output is out1mf21) (1)
22. If (input1 is in1mf5) and (input2 is in2mf2) then (output is out1mf22) (1)
23. If (input1 is in1mf5) and (input2 is in2mf3) then (output is out1mf23) (1)
24. If (input1 is in1mf5) and (input2 is in2mf4) then (output is out1mf24) (1)
25. If (input1 is in1mf5) and (input2 is in2mf5) then (output is out1mf25) (1)
Tabela 5 – Regras de inferência
Estas regras foram geradas automaticamente pela técnica “Grid partition”.
III.5.4.4. Sistema completo
Após o treinamento e de posse da curva característica para entrada de
corrente de referência e posição, podemos gerar o sinal de compensação de
corrente e somá-lo à corrente de referência vinda do controlador PI.
No capítulo seguinte, apresentaremos os resultados decorrentes da
simulação do sistema, bem como, algumas simulações buscando um avanço
maior do treinamento.
Capítulo IV – Resultados 52
Capítulo IV
Resultados
IV.1 Considerações Gerais
A implementação do controle no Matlab® foi feita para diversos casos. Os
resultados são apresentados para várias situações distintas. Foi analisado o
controle do MRV utilizando-se 2 controles com o objetivo de compará-los. São
eles: Controle “neuro-fuzzy” sem treinamento e o Controle “neuro-fuzzy” com
treinamento.
Para cada caso, foram calculados a corrente em cada fase, a tensão em cada fase, o
angulo de desenergização (tetaoff), o torque em cada fase, o torque total, o erro de
velocidade, a velocidade e o especto harmônico do torque total.
Desta forma, é ilustrada a redução da oscilação de torque do motor
IV.2 – Simulação
Utilizaremos uma tabela para sistematizar todas as condições iniciais para cada
caso simulado.
Ângulo de desenergização 0.03 radCorrente de referência 10 ABanda de histerese 0.02 A
Tabela 6 – Dados de Simulação
Representaremos nos itens seguintes os resultados apresentados abaixo obtidos da
simulação do sistema:
- Corrente na fase A
- Torque nas fases A e B
Capítulo IV – Resultados 53
- Torque Total
- Espectro de frequencia
As diversas situações de controle apresentadas possuem características distintas:
a) O “neuro-fuzzy” sem treinamento mostrado nas figuras como (a) foi
simulado somente uma vez, portanto nào há nenhum sinal de adicional de
compensação de corrente
b) O “neuro-fuzzy” com treinamento mostrado em (b) foi simulado com o
motor na velocidade desejada em t=0. Foram treinados até 100 épocas.
IV.2.1. Corrente na fase A.
A corrente busca acompanhar a corrente de referência no caso para (a) e (b) em
10 A.
Esta curva de corrente é a referência mais o sinal de compensação gerado pelo
compensador “neuro-fuzzy”
0 0.01 0.02 0.03 0.04 0.05 0.06 0.07 0.08 0.09 0.10
5
10
15(a)Neuro-Fuzzy (sem treinamento)
Cor
rent
e(A
)
(s)
0 0.01 0.02 0.03 0.04 0.05 0.06 0.07 0.08 0.09 0.10
5
10
15(b)Neuro-Fuzzy (com treinamento)
Cor
rent
e(A
)
(s)
Figura 44 – Corrente na fase A – 1800 rpm
Capítulo IV – Resultados 54
0 0.01 0.02 0.03 0.04 0.05 0.06 0.07 0.08 0.09 0.10
5
10
15(a)Neuro-Fuzzy (sem treinamento)
Cor
rent
e(A
)
(s)
0 0.01 0.02 0.03 0.04 0.05 0.06 0.07 0.08 0.09 0.10
5
10
15(b)Neuro-Fuzzy (com treinamento)
Cor
rent
e(A
)
(s)
Figura 45 – Corrente na fase A – 1000 rpm
0 0.01 0.02 0.03 0.04 0.05 0.06 0.07 0.08 0.09 0.10
5
10
15(a)Neuro-Fuzzy (sem treinamento)
Cor
rent
e(A
)
(s)
0 0.01 0.02 0.03 0.04 0.05 0.06 0.07 0.08 0.09 0.10
5
10
15(b)Neuro-Fuzzy (com treinamento)
Cor
rent
e(A
)
(s)
Figura 46 – Corrente na fase A – 500 rpm
Percebe-se principalmente à 500 rpm que no centro da curva (b) há uma redução
de corrente. É esta redução de corrente que propicia a redução da oscilação de
torque.
Capítulo IV – Resultados 55
IV.2.2. Torque na fase A e B.
O torque em cada fase é decorrência do modelo do motor, ou seja, devido às 2
tabelas representativas do motor, cujas relações são: torque/corrente/ângulo e
corrente/ângulo/enlace de fluxo.
0 0.01 0.02 0.03 0.04 0.05 0.06 0.07 0.08 0.09 0.1-1
0
1
2
3
4(a)Neuro-Fuzzy (sem treinamento)
(N.m
)
(s)
0 0.01 0.02 0.03 0.04 0.05 0.06 0.07 0.08 0.09 0.1-1
0
1
2
3
4(b)Neuro-Fuzzy (com treinamento)
(N.m
)
(s)
Figura 47 – Torque na Fase A e B – 1800 rpm
0 0.01 0.02 0.03 0.04 0.05 0.06 0.07 0.08 0.09 0.1-1
0
1
2
3
4(a)Neuro-Fuzzy (sem treinamento)
(N.m
)
(s)
0 0.01 0.02 0.03 0.04 0.05 0.06 0.07 0.08 0.09 0.1-1
0
1
2
3
4(b)Neuro-Fuzzy (com treinamento)
(N.m
)
(s)
Figura 48 – Torque na Fase A e B – 1000 rpm
Capítulo IV – Resultados 56
0 0.01 0.02 0.03 0.04 0.05 0.06 0.07 0.08 0.09 0.1-1
0
1
2
3
4(a)Neuro-Fuzzy (sem treinamento)
(N.m
)
(s)
0 0.01 0.02 0.03 0.04 0.05 0.06 0.07 0.08 0.09 0.1-1
0
1
2
3
4(b)Neuro-Fuzzy (com treinamento)
(N.m
)
(s)
Figura 49 – Torque na Fase A e B – 500 rpm
Os gráficos (a) e (b) têm um comportamento semelhante, mas já se pode perceber
a influência do compensador. Porém, quando estes são adicionados à outra
componente de torque proveniente da fase C, a curva de torque total será bem
melhor em relação à redução da oscilação.
IV.2.3. Torque Total
Este é o resultado mais interessante, deve-se buscar aqui a redução da oscilação
do torque.
Capítulo IV – Resultados 57
0 0.01 0.02 0.03 0.04 0.05 0.06 0.07 0.08 0.09 0.10
1
2
3
4
Variância= 0.04312
(a)Neuro-Fuzzy (sem treinamento)
(N.m
)
(s)
0 0.01 0.02 0.03 0.04 0.05 0.06 0.07 0.08 0.09 0.10
1
2
3
4
Variância= 0.02346
(b)Neuro-Fuzzy (com treinamento)
(N.m
)
(s)
Figura 50 – Torque Total – 1800 rpm
0 0.01 0.02 0.03 0.04 0.05 0.06 0.07 0.08 0.09 0.10
1
2
3
4
Variância= 0.09925
(a)Neuro-Fuzzy (sem treinamento)
(N.m
)
(s)
0 0.01 0.02 0.03 0.04 0.05 0.06 0.07 0.08 0.09 0.10
1
2
3
4
Variância= 0.04040
(b)Neuro-Fuzzy (com treinamento)
(N.m
)
(s)
Figura 51 – Torque Total – 1000 rpm
Capítulo IV – Resultados 58
0 0.01 0.02 0.03 0.04 0.05 0.06 0.07 0.08 0.09 0.10
1
2
3
4
Variância= 0.11061
(a)Neuro-Fuzzy (sem treinamento)
(N.m
)
(s)
0 0.01 0.02 0.03 0.04 0.05 0.06 0.07 0.08 0.09 0.10
1
2
3
4
Variância= 0.00469
(b)Neuro-Fuzzy (com treinamento)
(N.m
)
(s)
Figura 52 – Torque Total – 500 rpm
Os gráficos (a) e (b) mostram claramente a melhoria gerada com o acréscimo do
sinal de corrente de compensação, principalmente na Figura 52, observa-se a
melhoria do torque. Podemos observar que esta estratégia de controle é bastante
útil para baixas velocidades, isto se deve à própria natureza da operação do
conversor.
Capítulo IV – Resultados 59
IV.2.4. Espectro de Freqüência do Torque Total
Figura 53 –Espectro de freqüência do Torque Total – 1800 rpm
Figura 54 –Espectro de freqüência do Torque Total – 1000 rpm
Capítulo IV – Resultados 60
Figura 55 –Espectro de freqüência do Torque Total – 500 rpm
As figuras deste item mostram que quanto maior a velocidade, pior fica a
qualidade do torque após o teinamento. O eixo Y da Figura 53, Figura 54 e Figura
55 está dimensionado para o valor percentual da componente harmônica em
relação à fundamental.
Por existirem, no conversor, 12 pulsos por volta do motor encontramos
predominantemente harmônico de 12a ordem e múltiplos.
IV.2.5. Situações Diversas
Neste item, buscou-se mostrar outras condições de operação para o acionamento.
IV.2.5.1. Referência de Velocidade de 3000 rpm
Simulou-se o sistema “neuro-fuzzy” para uma referência de velocidade de
3000 rpm. O resultado de torque total encontra-se na Figura 56. Podemos
concluir que para este nível de velocidade o controlador proposto não
Capítulo IV – Resultados 61
compensa de maneira efetiva as oscilações de torque encontradas. O
compensador não foi treinado para esta velocidade, pois a velocidade
nominal é de 1800 rpm.
0.005 0.01 0.015 0.02 0.025 0.03 0.035
0.5
1
1.5
2
2.5
Torque Total - 3000 rpm
(N.m
)
(s)
Figura 56 – Torque total – 3000 rpm
Este resultado é compatível com resultados obtidos em artigo publicado pelo
IEEE [5].
IV.2.5.2. Variação de número de iterações.
Neste conjunto de simulação, buscou-se analisar a influência da quantidade
de iterações de treinamento na qualidade do sinal de compensação.
Simulou-se para um sistema de velocidade de 500 rpm e para 25, 50 ,75 e 100
iterações (Figura 57).
Capítulo IV – Resultados 62
Observou-se que acima de 75 iterações, não existe melhoria considerável na
qualidade do torque. Por esta razão, todas as outras simulações foram feitas
até 100 iterações.
0 0.05 0.10
1
2
3
4
25
epoc
as
0 0.05 0.10
1
2
3
4
50
epoc
as0 0.05 0.1
0
1
2
3
4
75
epoc
as
0 0.05 0.10
1
2
3
4
100
epo
cas
Figura 57 - Variação da quantidade de épocas
IV.2.5.3. Variação da Velocidade
Todas as simulações anteriores iniciaram-se com o sinal de compensação
nulo, ou seja, para qualquer entrada e saída seria zero. Portanto, treina-se a
rede neuro-fuzzy do zero até a quantidade de épocas necessárias. Nesta
simulação buscou-se ir mais adiante: treinar a rede para diferentes velocidades
mantendo a base de treinamento. Assim, inicialmente treinou-se para 500
rpm(Figura 58 (a)) depois para 1000 rpm (Figura 58 (b)) e posteriormente
para 1800 rpm(Figura 58 (c)). Com o resultado para 1800 rpm simulou-se o
sistema para 500 rpm novamente e obteve-se a resposta da Figura 58 (d).
Capítulo IV – Resultados 63
0 0.05 0.10
0.2
0.4
0.6
0.8(a)500 rpm
(N.m
) (s)
0 0.05 0.10
0.2
0.4
0.6
0.8(b)1000 rpm
(N.m
)
(s)
0 0.05 0.1-0.2
0
0.2
0.4
0.6
0.8(c)1800 rpm
(N.m
)
(s)0 0.05 0.1
0
0.2
0.4
0.6
0.8(d)500 rpm
(N.m
)
(s)
Figura 58 – Variação de velocidade
Capítulo IV – Resultados 64
Capítulo V – Conclusões 65
Capítulo V
Conclusões
V.1 Conclusões
Este trabalho teve como objetivo, através de um controle de velocidade, a
redução da oscilação de torque de um motor de relutância variável.
O método utilizado foi a implementação de um sistema de compensação de
corrente que adicionado ao controle PI gera um sinal de corrente que reduz as
oscilações.
Este sistema foi simulado no Simulink e no Fuzzy Toolbox do Matlab com
êxito.
Um controle adaptativo “neuro-fuzzy” para a minimização da oscilação de
torque foi apresentada. Após um número finito de épocas, o controlador é
capaz de produzir um torque mais liso para uma faixa de velocidade zero a 1800
rpm. As fases são desligadas segundo um ângulo de desenergização de maneira
a evitar a produção de torque negativo na máquina.
O sistema simulado não apresentou problemas de convergência numérica,
possibilitando a simulação do sistema completo sem necessidade de cuidados
para evitar estes problemas.
Trabalhou-se com dois modelos de simulação; controlador PI-Fuzzy e
Controlador “neuro-fuzzy”.
O sistema simulado do Matlab necessita de um enorme tempo de simulação
para que alcance as épocas necessárias para que o sistema tenha aprendido
suficientemente os valores de compensação.
Capítulo V – Conclusões 66
V.2. Trabalhos Futuros
Simulação completa com malha de controle de velocidade.
Implementação do controle neuro-fuzzy no equipamento presente no
Laboratório de Eletrônica de Potência da COPPE/UFRJ.
Melhoria na estratégia de aprendizagem, de maneira a reduzir o tempo de
aprendizagem.
Ampliar o controle de velocidade, além de incluir o controle de posição.
Projetar e implementar uma estratégia de controle inteligente, bem como avaliar
outros métodos de controle à eficiência de seu controle dinâmico, redução de
perdas elétricas e a minimização das oscilações de torque.
Referências Bibliográficas 67
Referências Bibliográficas
[1] COSTA BRANCO, P.J., DENTE, J.A., “The Application of fuzzy logic inautomation modelling of electromechanical systems”, Fuzzy sets and systems 95(1998) pp. 273-293
[2] STANKOCIC, A.M., TADMOR,G. CORIC, Z.J. “On Torque Ripple Reductionin Current-fed Switched Reluctance Motors” IEEE Transaction on IndustrialElectronics, v. 46, n. 1, pp. 177- 183,Fev 1999
[3] LOVATT, H.C., STEPHENSON, J.M., “Computer-optimized CurrentWaveforms for Switched Reluctance Motor” IEE Proceedings, v. 141, Pt B, n. 2, pp.45-51, Mar. 1994
[4] O'DONAVAN, J.G., ROCHE, P.J., KAVANAGH, R.C. “Neural NetworkBased Torque Ripple Minimization in a Switched Reluctance Motor” iecon '94Bologna Conference Proceedings, pp. 1226-1231, Set 1994
[5] MIR, S., ELBULUK, M.E., HUSAIN I., “Torque-Ripple Minimization inSwitched Reluctance Motors Using Adaptative Fuzzy Control”. IEEE Transactionon Industry Aplications v. 35, n. 2, pp 461-468 Mar/Abr 1999
[6] RUSSA, K., HUSAIN, I., ELBULUK, M.E., “Torque-ripple Minimization inSwitched Reluctance Machines Over a Wide Speed Range” IEEE Transaction onIndustry Aplications v. 34, n. 5, pp 1105-1112 Set/Out 1998.
[7] MENDEL , J. M., “Fuzzy logic systems for engineering: A tutorial”, Proceedingsof the IEEE, v. 83, n. 3, pp. 345-377, Mar 1995.
[8] LAWRENSON P. J., STEPHENSON J. M., BLENKINSSOP P. J., et al.,“Variable-Speed Switched Reluctance Motor”, Proc.of IEE , v. 127, Pt. B, n. 4, pp.253-265, Jul. 1980.
[9] GREENHOUGH, P., “Switched Reluctance Variable Speed Drives- A Focus onAplications”, Technology Mining - Papers and articles , pp. 107-110, Abril 1996
[10] RADUN A,V., “High-Power Density Switched Reluctance Motor Drive forAerospace Applications”, IEEE Transaction on Industrial Electronics, v. 28, n. 1,pp. 113-119, Jan/Fev 1992.
Referências Bibliográficas 68
[11] BUJA, G.S., MENIS R., VALLA, M.I.; “Variable Structure Control of an SRMDrive”. IEEE Transaction on Industrial Electronics, v. 40, n. 1, pp. 56-63, Fev.1993.
[12] VAGATI, A., PASTORELLI, M., FRANCESCHINI, G., AT AL, “Design oflow-torque-Ripple Synchronous Reluctance Motors” IEEE Transaction on IndustryApplications, v. 34, n. 4, pp. 758- 765, Jul/Ago 1998.
[13] WALLACE, R.S.,TAYLOR,D.G.; “A Balanced Commutator for SwitchedReluctance Motors to Reduce Torque Ripple” IEEE Transaction on powerElectronics, v. 7, n. 4, pp. 617-626, Out 1992.
[14] MILLER T.J.E., Switched Reluctance Motors and their Control; Oxford,Magma Physics Publishing and Clarendon Press-Oxford, 1993.
[15] NASCIMENTO, J.M.L., ROLIM, L.G.B., HEIDRICH, P. et al, “Design andSimulation Aspects of a Switched Reluctance Drive”, em: “ Anais do 4° Congressode Eletrônica de Potência”, pp. 79-83, São Paulo.
[16] RAY, W.F., LAWRENSON, P.J., DAVIS, R. , at al. “High-PerformanceSwitched Reluctance Brushless Drives”. IEEE Transaction on IndustryApplications, v. 22, n. 4, pp. 722-730, Jul/Ago 1986.
[17] MATHWORKS, INC., Fuzzy Logic Toolbox User’s Guide , v. 2 Jan, 1998
[18] BOTHE H.-H., “Neuro-Fuzzy Methoden. Springer-Verlag, Berlin-Heidelberg,1997
[19] WANG, LI-XIN, Adaptative fuzzy systems and control, Design and StabilityAnalysis. Nova Jersey, PTR Prentice Hall, 1994
[20] LAZZERINI, B.,REYNERI, L.M., CHIABERGE, M., “A Neuro-fuzzyapproach to hybrid Intelligent Control” IEEE Transaction on Industry Applications,v. 35, n. 2, pp. 413-424, Mar/Abr 1999.
[21] HAYKIN, S., Neural Networks, a Compreensive Foundation, Nova Iorque,Macmillan- IEEE Press, 1994.
[22] COSTA BRANCO. P.J., Aprendizagem por exemplos utilizando lógica fuzzy namodelização e controlo de um accionamento electro-hidráulico. Tese de D.Sc.,IST/UTL, Lisboa, Portugal, 1998.
Referências Bibliográficas 69
[23] HUSAIN, I., EHSANI, M., “Torque Ripple Minimization in SwitchedReluctance Motor Drives by PWM Current Control” IEEE Transaction on PowerElectronics v. 11, n. 1, pp. 83-88, Jan 1996.
[24] REAY, D.S., GREEN, T.C.E., WILLIAMS, B.W., “ Applications of AssociativeMemory Neural Networks to the Control of a Switched Reluctance Motor” IEEEMagazine of Control Systems, Jun 1995
[25] SHRAMM, D.S., WILLIAMS, B.W., GREEN, T.C., “Optimum Commutation-Current Profile on Torque Linearization of Switched Reluctance Motors” In: ICEM'92 Manchester Conference Proceedings, pp. 484-488, Manchester, Set. 1992
[26] STEIERT, U., SPATH, H., “Torque Control of the Doubly-Salient ReluctanceMotor”, ETEP, v.3, n. 4, Jul/Ago 1993
[27] STIEBLER, M., GE, J., “A Low Voltage Switched Reluctance Motor withExperimentally Optimized Control” In: ICEM '92 Manchester ConferenceProceedings, pp. 532-536, Manchester, Set. 1992
[28] RODRIGUES, M.G., Controle de um motor de relutância variável usandológica fuzzy. Tese de M.Sc., COPPE/UFRJ, Rio de Janeiro, RJ, Brasil, 1997.
[29] LI, WEI, “Design of Hybrid Fuzzy Logic Proportional Plus ConventionalIntegral-Derivative Controller”, IEEE Transaction on fuzzy systems , v. 6, n. 4, pp.449-463, Nov. 1998.
[30] SUGENO, M. ,Industrial applications of fuzzy control , Elsivier Science Pub.Co, 1985
[31] BEZDEK, J. C. , Pattern Recognition with fuzzy objective function algorithms,Plenum press, New York, 1981
[32] VUKOSAVIC, S., STEFANOVIC, V.R., “SRM inverter Topologies: AComparative evaluation” IEEE Transaction on Industry Aplications v. 27, n. 6, pp1034-1047 Nov/Dez 1991
[33] KJAER, P.C., GALLAGOS-LÓ PEZ, G., “Single Sensor Current Regulation inSwitched Reluctance Motor Drives” IEEE Transaction on Industry Aplications ,v.34, n. 3, pp 444-45, Mai/Jun 1998.
[34] BASS, J.T., EHSANI, M., MILLER, T.J.E., “Robust torque control ofswitched-reluctance motors without a shaft-position sensor” IEEE Transaction onIndustrial Electronics, v. 33, n. 3, pp. 212-216, Ago 1986
Referências Bibliográficas 70
[35] KUO, B.C., CASSAT, A., “On Current Detection in Variable-reluctance StepMotors” In: Proc. of Sixty Annual Symp. on Incremental Motion Control systemsand Devices, Urbana-Champaign, pp. 205-220,Mai 1977.
[36] BAKHUIZEN, A.J.C., “ On Self-syncronization of Stepping Motors” In: Proc.of the Int. Conf. on stepping motors and systems, pp. 77-83 Leeds, Set 1979.
[37] ZADEH, L. A.:”fuzzy sets”, Inform and control, 8,338-353, 1965
[38] SOUSA, G.C.D., BOSE B.K., “A fuzzy set teory based control of a phase-controlled converter DC machine drive” IEEE transaction on Industry Aplicattions,v. 30, n. 1, pp. 34-44,Jan/Fev 1994
[39] ROSENBLATT,F. “Principles of Neurodynamics”. Washington, DC. : SpartanBooks , 1962.
[40] WIDROW, B., IEHR, M.A., “30 years of adaptative neural networks:Perceptron, Adaline, and Backpropagation. “ Proceedings of the IEEE v. 78, pp.1415-1442., 1990.
[41] POGGIO, T.; GIROSI, F. “Network for approximation and learning”,Procedding of the IEEE v.78, pp.1481-1497, 1990.
[42] BRAGA A.P., LUDERMIR, T.B., CARVALHO, A.P.F. “Fundamentos deredes neurais artificiais”, 11 a Escola de computação, Rio de Janeiro Jul. 1998
Apêndice A – Sistema Experimental 71
Apêndice A
Sistema Experimental
A.1. Considerações Gerais
Este apêndice apresenta uma descrição detalhada do sistema de acionamento e do
motor, bem como uma explanação das características físicas e mecânicas do
motor.
A.2. Descrição detalhada do sistema de acionamento.
O sistema de acionamento consiste em:
- Um computador “Pentium” 100 MHz que serve como base para o
controle.
- Um conversor de eletrônica de potência clássico [32] para alimentar
o motor.
- Um motor de relutância variável.
Possuindo ainda, um gerador de corrente contínua que alimenta uma carga
resistiva de 500W, além das interfaces de aquisição de dados.
Todas estas partes serão, num momento futuro, melhor explanadas.
A Figura 59 ilustra o sistema implementado.
Apêndice A – Sistema Experimental 72
Controle decorrente
GERADOR+
CARGA
PC(Pentium100 MHz)
I r
θ οff ,
θ on
Sensor deposição
Vd
i*
Figura 59 - Diagrama de blocos do sistema implantado no Laboratório de Eletrônicade Potência
A.2.1. Conversor
O conversor representado no diagrama por uma chave semicondutora é
constituída basicamente por 6 chaves semicondutoras IGBT’s (“Insulated
Gate Bipolar Transistor”) e por 6 diodos “freewheeling” em anti-paralelo
com o propósito de proteger os IGBT’s na ocorrência de tensão reversa. Sua
entrada é uma tensão contínua Vd proveniente de uma ponte retificadora
trifásica a diodo. E sua saída irá alimentar as três fases do motor de relutância.
O esquema do conversor utilizado está mostrado na Figura 60. Esta
configuração para o conversor foi escolhida, além de ser extensivamente
utilizada em diversos experimentos, por possuir a habilidade de operar as
fases de maneira independente entre si [32]. Este conversor possui a
desvantagem de necessitar de um número 2N de chaves, sendo N o número
de fases do motor, e a relativa baixa tensão de desmagnetização à altas
Apêndice A – Sistema Experimental 73
velocidades. Caso houver a perda de uma fase de alimentação, as duas outras
continuarão a alimentar o motor de relutância, sendo este capaz de funcionar
com somente duas das suas três fases. Porém com redução de velocidade.
Figura 60 - Conversor
Existe ainda um IGBT que se encontra em série com o conversor
propriamente dito que tem a função de protegê-lo de sobrecorrentes e
também para fazer o controle de histerese da corrente. Há também na
entrada do conversor, um capacitor e um indutor com a função de filtragem
da tensão retificada pela ponte retificadora trifásica de diodo.
Esta chave é acionada por um controle de histerese analógico, que compara
uma corrente de referência com as leituras dos sensores de efeito HALL de
corrente conectados nas três fases do motor. Para este controle é necessário
que se faça a leitura das correntes em cada uma das 3 fases. Existem trabalhos
onde um único sensor é utilizado para se fazer a estimação das correntes nas
3 fases. Entretanto, existe também um outro sensor no link DC com o intuito
de proteger o circuito[33]. Esta proteção é feita conjuntamente, neste nosso
trabalho, através das correntes nas três fases.
As outras 6 chaves servem somente para selecionar qual fase será alimentada.
Isto é feito através do controle “fuzzy” gerado pelo computador que
estabelece os ângulos de energização e desenergização das chaves.
Apêndice A – Sistema Experimental 74
A.2.2. Proteção de sobrecorrente e controle de correntede histerese
A proteção de sobrecorrente e o controle de corrente de histerese são feitos
analogicamente através de uma placa de circuito impresso próxima ao
conversor conforme observamos na Figura 61.
Controle de corrente
IGBT
Figura 61 - Foto do acionamento de Relutância Variável
A proteção de sobrecorrente é obtida através da comparação entre uma
corrente de referência (fixada pelo operador) e as correntes das fases do
motor de relutância. Se a corrente ultrapassar o valor definido, a saída irá
interromper os pulsos vindos do computador para os IGBT’s do conversor.
Apêndice A – Sistema Experimental 75
O controle de histerese analógico funciona da seguinte maneira: As correntes
nas fases são comparadas com uma corrente imposta pelo controle “fuzzy”
vindo do computador. Desta comparação, uma corrente é gerada após a
passagem das correntes de cada fase por um amplificador operacional. Após,
é utilizado um oscilador para gerar uma corrente pulsante de histerese que
será então enviada para um comparador cujas entradas são a corrente
pulsante e a corrente de cada fase e daí enviada para os IGBT’s que se
encontram em série com o conversor.
A.2.3. Sensor de posição
Para o perfeito funcionamento do motor de relutância variável, o controle
necessita da informação da posição do rotor em relação aos enrolamentos
concentrados do estator. Isto é necessário para que se liguem e desliguem as
chaves semicondutoras IGBT’s nos momentos onde a indutância em cada
enrolamento é crescente ou decrescente, respectivamente.
Portanto, é necessária a utilização deste sensor para suprir a informação da
posição do rotor para o controle. Apesar disto, existem pesquisas com o
objetivo de se retirar este sensor, por ele ser oneroso financeiramente para o
seu uso em um equipamento comercial, além de não ser tão robusto quanto o
resto do sistema [34].
Existem 2 grandes razões para se eliminar sensores: Reduzir custos e
aumentar a confiabilidade, adaptando o acionamento para funcionar em
ambientes nocivos [14].
Pode-se dividir em duas maneiras os métodos como o sistema funciona sem
o sensor: Através de um controle de malha aberta [35] ou através de um
controle com sensores de corrente [36]
O sensor que utilizamos nos entrega na sua saída uma palavra digital de 10
bits em código GRAY. Com isto temos uma resolução angular de 0,3515625
graus.
Apêndice A – Sistema Experimental 76
Esta palavra é enviada diretamente para uma entrada digital da placa de
aquisição de dados.
A.2.4. Placa de aquisição de dados
Como foi observado anteriormente, é necessária a realimentação da posição
do rotor, através do sensor de posição, e das correntes de fase através dos
transformadores de corrente. Para que estas tarefas seja executadas,
utilizamos uma placa de aquisição de dados para executar estas
realimentações. Além disto, a placa terá a tarefa de também coordenar os
disparos das chaves que acionarão o motor de relutância. Deste modo, o
controle do acionamento é feito através de um programa que, de acordo com
os valores de posição do rotor, das correntes de fase e obviamente da
estratégia de controle, determina quais e quando as chaves do conversor
deverão ser acionadas para que o motor apresente o comportamento
desejado.
A placa de aquisição de dados possui os seguintes recursos:
- 16 entradas de dados digitais
- 16 saídas de dados digitais
- 16 canais de conversão A/D multiplexados de 12 bits com taxa
máxima de conversão de 30KHz
- 2 canais de conversão D/A multiplexados de 12 bits
- 1 contador programável com taxas de 0.5MHz a 35 minutos/pulso
Temos em sua entrada digital, os dados vindos do sensor de posição num
formato de 10 bits. Sendo sua saída, a palavra que habilita as chaves
semicondutoras que irá ser utilizada no controle de histerese.
Apêndice A – Sistema Experimental 77
Sua entrada analógica composta pelas correntes de cada fase do motor de
relutância variável e sua saída analógica é a corrente imposta pelo controle
“fuzzy” para ser comparada no controle de histerese.
Apêndice B – Lógica Fuzzy e Redes Neurais 78
Apêndice B
Lógica Fuzzy e Rede Neural
B.1. Considerações Gerais
Este apêndice tem como objetivos fazer uma revisão de lógica “fuzzy” e Redes
Neurais e introduzir o conceito “neuro-fuzzy”.
Na seção B.2, apresentaremos uma abordagem básica mínima para a compreensão
da teoria “fuzzy”.
Na seção B.3, apresentaremos uma revisão sucinta sobre redes neurais artificiais.
B.2. Lógica Fuzzy
B.2.1. Considerações Iniciais
A primeira descrição matemática da lógica “fuzzy” foi feita por L. A. Zadeh
[37]
A lógica “fuzzy” é uma metodologia muito eficiente quando se necessita
trabalhar com informações inexatas, imprecisas, incompletas através de uma
sistemática rigorosa. Os seres humanos são capazes de trabalhar de maneira
efetiva com este tipo de lógica.
É uma lógica bastante utilizada quando existe a necessidade de se trabalhar
com sistemas onde há uma difícil representação matemática do problema.
Apêndice B – Lógica Fuzzy e Redes Neurais 79
“Através da lógica “fuzzy” é possível manipular dados numéricos e
conhecimentos lingüísticos simultaneamente. Com ela, geramos um
mapeamento não linear de um conjunto de dados de entrada em uma saída
escalar, isto é, mapeia números em números. A teoria dos conjuntos e da
lógica “fuzzy” estabelecem a maneira como é feito este mapeamento”[7].
A modelagem “fuzzy” descreve o comportamento do sistema usando
linguagem natural baseada na lógica “fuzzy” utilizando conjuntos “fuzzy”
considerando os conceitos humanos. Um modelo “fuzzy” é caracterizado
pelo conjunto de regras que expressam a relação entre as variáveis do sistema.
Cada regra, representaria a descrição local da dinâmica do sistema e é
composta por uma parte antecedente (condição da regra) e uma parte
conseqüente (conclusão da regra).
B.2.2. Sistema Lógico Fuzzy
O esquema básico de um sistema lógico “fuzzy” (SLF) pode ser representado
pela Figura 62.
Fuzzificação Defuzzificador
Leis
Inferência
Entradas Saídas(números reais) (número real)
Figura 62 - Sistema de lógica “fuzzy”
Apêndice B – Lógica Fuzzy e Redes Neurais 80
Para podermos manipular de maneira coerente este esquema devemos definir
alguns termos utilizados pelo controle “fuzzy”[7],[38].
B.2.3. Números “fuzzy” e “crisp”
Um número “crisp” x pode ser representado, por exemplo, pela função de
pertinência µA(x) sendo A um conjunto “crisp” como:
A=x; µA(x) | A x se 1A xse 0
)x(A ∉∈
=µ . (8)
Um número “fuzzy” x pode ser representado pela função de pertinência
µA(x), sendo A, um conjunto “fuzzy”, como:
A=x; µA(x) | [ ]0,1)x(A ∈µ . (9)
)(µ x
x
1
0conjunto fuzzyconjunto crisp
Figura 63 - Conjunto “crisp” e “fuzzy”.
Apêndice B – Lógica Fuzzy e Redes Neurais 81
B.2.4. Conjunto “fuzzy”
Se um elemento denominado genericamente por x do universo de discurso X
pertence a um conjunto “fuzzy” A, então este conjunto “fuzzy” pode ser
definido através da seguinte relação:
A=x; µA(x) | [ ]0,1)x(A ∈µ (10)
ou
A=x; µA(x) | X)x(A ∈µ (11)
onde µA(x) é a chamada função de pertinência.
A definição de conjunto “fuzzy” pode ser a extensão da definição do
conjunto clássico (“crisp”) . Se os valores da função de pertinência µA(x)
ficam restritos a 0 e 1, então A fica restrito ao conjunto clássico.
Existem outros modos de se representar um conjunto “fuzzy”, dos quais um
está representado pela equação (12):
µ
µ
=∫
∑∈
x
A
xx i
iA
contínuo é X se x
)x(
discreto é X se x
)x(
A i (12)
Um exemplo de conjunto “fuzzy” contínuo, representado graficamente, é
mostrado na Figura 64. Tal figura mostra o conjunto zero e sua função de
pertinência triangular. Como veremos adiante, muitas são as formas de
função de pertinência.
Apêndice B – Lógica Fuzzy e Redes Neurais 82
-a 0
1
a
zeroµ
Figura 64 - Conjunto “fuzzy” zero
B.2.5. Função de Pertinência
Existem várias formas para se representar uma função de pertinência, das
quais podemos apresentar as seguintes:
- Função de pertinência sino (Figura 65)
- Função de pertinência trapezoidal (Figura 66)
- Função de pertinência triangular (Figura 67)
- Função de pertinência gaussiana (Figura 68)
- Função de pertinência sigmoidal
Apêndice B – Lógica Fuzzy e Redes Neurais 83
0 20 40 60 80 1000
0.2
0.4
0.6
0.8
1
Figura 65 - Função depertinência sino
-1 0 1 2 3 40
0.2
0.4
0.6
0.8
1
Figura 66 - função depertinência trapezoidal
-1 0 1 2 3 4 50
0.2
0.4
0.6
0.8
1
Figura 67 - Função de pertinênciatriangular
0 50 100 150 2000
0.2
0.4
0.6
0.8
1
Figura 68 - Função de pertinência gaussiana
Atualmente têm sido usados procedimentos de otimização para criar funções
de pertinência mais elaboradas.
B.2.6. Operações com conjuntos “fuzzy”
Sejam dois subconjuntos “fuzzy” A e B definidos em U, cujas funções de
pertinência são µA(u) e µB(u) respectivamente, sendo u ∈ U. Através deste
conjuntos define-se as seguintes operações:
União: O conjunto “fuzzy” resultante da união dos conjuntos A e B,
denotado por A∪ B, é representado pela Figura 72 e tem como função de
pertinência dada por:
µA∪ B(u)=maxµA(u);µB(u) (13)
Apêndice B – Lógica Fuzzy e Redes Neurais 84
Interseção: O conjunto “fuzzy” resultante da interseção dos conjuntos A e B,
denotado por A∩ B, é representado pela Figura 71 e tem como função de
pertinência dada por:
µA∩ B(u)=minµA(u);µB(u) (14)
Complemento: O complemento de um conjunto “fuzzy” A é também um
conjunto “fuzzy” denotado por ~A, é representado pela Figura 70, com
função de pertinência dada por:
µ~A(u)=1-µA(u) (15)
Dados 2 conjuntos A e B temos:
0 50 100 150 2000
0.2
0.4
0.6
0.8
1
A B
Figura 69 - Conjuntos A e B
0 50 100 150 2000
0.2
0.4
0.6
0.8
1
~A
Figura 70 - Conjunto ~A.
Figura 71 - Conjunto A∩ B
0 50 100 150 2000
0.2
0.4
0.6
0.8
1
Figura 72 - Conjunto por A ∪ B
Apêndice B – Lógica Fuzzy e Redes Neurais 85
B.2.7. Variáveis lingüisticas “fuzzy”
O conceito de variáveis lingüisticas é de extrema importância na lógica
“fuzzy”. Elas caracterizam a possibilidade de se trabalhar com conceitos
incertos através de uma metodologia onde variáveis têm seus valores
associados a palavras ou sentenças dentro de uma linguagem natural ou não,
em vez de estarem associadas a valores numéricos.
Como exemplo podemos utilizar a variável lingüística Temperatura, seus
valores numéricos são representados por u pertencentes a U. Esta variável
lingüistica Temperatura finalmente pode ser definida por um conjunto
Z(Temperatura), cujos componentes cobrem o universo de discurso U. Um
possível conjunto pode ser:
Z(Temperatura)= frio, ótimo, quente, com u ∈U=[-1,1].
Podemos representar graficamente esta variável Temperatura através da
Figura 73:
-0.5 0 0.5
zeroµ
1-1
Frio QuenteÓtimo
Figura 73 - Representação gráfica da variável Temperatura
Apêndice B – Lógica Fuzzy e Redes Neurais 86
B.2.8. Lógica Fuzzy
Uma das principais componentes de um sistema Fuzzy são as regras, estas regras são
representadas através de implicações lógicas “SE-ENTÃO” assumindo a forma [37]:
Se x é A então y é B
onde A e B são valores lingüísticos definidos por conjuntos “fuzzy” sobre universos
de discursos X e Y respectivamente. Nomeia-se “x é A” de antecedente e “y é B” de
conseqüente. Podemos exemplificar esta lógica através das seguintes expressões
lingüísticas:
- Se Temperatura é frio então ligue aquecedor
- Se força é grande então diminua a pressão
B.2.9. Inferência “fuzzy”
A inferência “fuzzy” é utilizada para se obter conclusões sobre um conjunto
de leis “SE-ENTÃO”. Existem 2 importantes formas para regras de
inferência: Modus Ponens e Modus Tollens.
Modus ponens
Premissa 1 (fato): x é APremissa 2 (lei): Se x é A então y é BConseqüência (conclusão): y é B
Tabela 7 - Modus ponens
Modus tollens
Premissa 1(fato): y não é BPremissa 2 (lei): Se x é A então y é BConseqüência (conclusão): x não é A
Tabela 8 - Modus tollens
Além disto, existem2 tipos de sistema de inferência: Mamdani e Sugeno.
Apêndice B – Lógica Fuzzy e Redes Neurais 87
O sistema Mamdani é o mais comumente utilizado na metodologia “fuzzy”.
Sua fuzzificação é feita baseada nas técnicas de defuzzificação mostradas no
ítem B.2.10.
O sistema Sugeno é similar em muitos aspectos ao sistema Mamdani, porém
a diferença preponderante é que as funções de pertinência da saída são
lineares ou constantes [17].
Enquanto o sistema de inferência Mamdani é do tipo:
Se x é A e y é B então z é C, onde A, B e C são variáveis linguísticas
O sistema de inferência de 1a ordem Sugeno é:
Se x é A e y é B então z=p.x+q.y+r, onde A e B são variáveis lingísticas e p, q
e r são as variáveis consequentes numéricas.
Devido a dependência linear de cada regra ao sistema de variávies de entrada
(x e y), Sistema de inferência Sugeno é ideal para sistemas dinâmicos não
lineares que possuem diferentes condições de operação.
Concluindo podemos dizer que :O sistema de inferência Sugeno, por ser mais
compacta e sua representação computacionalmente mais eficiente que o
sistema Mamdani, é bem mais utilizado em técnicas adaptativas para criaçào
de modelos fuzzy. Estas técnicas adaptativas podem ser usadas para criar
funções de pertinência capazes de modelar, através dos dados, um melhor
sistema “fuzzy”.
B.2.10. Defuzzificador
Na maioria das aplicações de SLF, é necessário ter-se uma saída escalar. Com
esta finalidade, surge o defuzzificador que transforma a saída “fuzzy” da
máquina de inferência em um escalar. Dos muitos defuzzificadores que foram
propostos na literatura, apresentaremos alguns tipos a seguir.
Defuzzificador máximo
Apêndice B – Lógica Fuzzy e Redes Neurais 88
Este defuzzificador examina o conjunto “fuzzy” B e escolhe como saída o
valor de y para o qual B
yµ ( ) é máximo. Isto pode levar a resultados
enganosos porque somente o ponto máximo da FP da saída da máquina de
inferência é considerado, independente da largura de sua base. Note que este
método de defuzzificação só funciona quando B
yµ ( ) tem apenas um ponto
máximo.
Defuzzificador média dos máximos
Este defuzzificador examina o conjunto “fuzzy” B e acha os valores de y para
os quais B
yµ ( ) é máximo. Então, a média desses valores é computada como
saída. Neste método de defuzzificação, não existe problema algum de B
yµ ( )
ter dois máximos. Entretanto, se B
yµ ( ) tiver um único máximo, este método
fica reduzido ao defuzzificador máximo e os resultados enganosos
comentados podem ocorrer novamente.
Defuzzificador centróide
Este defuzzificador determina o centro de gravidade, y , de B e usa este valor
como saída do SLF. A centróide é obtida pela seguinte equação
contínuo universo para ]dy)y(/[]dy)y(y[yS
BS
B
_
∫µ∫ µ=(16)
onde S é o suporte de B
yµ ( ) . Freqüentemente, S é discretizado de tal forma
que y_
pode ser aproximado pela seguinte equação que usa somatório ao invés
de integral:
yii
I
B i i
I
B iy y y
_
[ ( )] / [ ( )]== =∑ ∑
1 1µ µ para universo discreto
(17)
Apêndice B – Lógica Fuzzy e Redes Neurais 89
O defuzzificador centróide é o melhor, pois leva em consideração toda a
forma do conjunto B. Entretanto, tem a desvantagem de consumir muito
tempo de processamento computacional.
Defuzzificador média das centróides
Considere 1Y o centro de gravidade do conjunto “fuzzy” Bl ( que é o
conseqüente da lei R(l)). Este defuzzificador primeiro avalia B l
yµ ( ) em 1Y e
então calcula a saída do SLF como
)]y(/[)]y(y[y 1
B
M
1l
1
B
M
1l
1ll µ∑µ∑
===
(18)
É muito fácil usar (x) porque os centros de gravidade das funções de
pertinência comumente usadas são conhecidas de antemão. Independente do
método de inferência usado, a centróide de Bl para uma função de pertinência
triangular simétrica é sempre o vértice do triângulo e no caso de uma função
gaussiana, é o seu centro.
B.3. Redes Neurais
O estudo das redes neurais datam dos anos 40, porém somente no final dos anos
70 é que ressurgiu o interesse em se pesquisar este tipo de programação não
algoritmada que tenta emular as operação processadas pelo cérebro. Este tipo de
sistema tem a característica de possuir um processamento paralelo e distribuído.
Sendo este, composto por unidades de processamento simples que computam
determinadas funções matemáticas (normalmente não-lineares). Tais unidades
(neurônios) são dispostas em uma ou mais camadas e interligadas por um grande
número de conexões, geralmente unidirecionais. O processamento em cada
neurônio depende exclusivamente das entradas desta unidade e dos valores
Apêndice B – Lógica Fuzzy e Redes Neurais 90
acumulados em uma pequena memória local do mesmo. Na maioria dos modelos,
estas conexões estão associadas a pesos, os quais armazenam o conhecimento
representado pelo modelo e servem para ponderar a entrada recebida por cada
neurônio da rede. O funcionamento destas redes é inspirado em uma estrutura
física concebida pela natureza: o cérebro humano.
A utilização deste modelo para solucionar determinados problemas é bastante
interessante, pois sua arquitetura interna permite um desempenho superior aos
encontrados usando-se modelos convencionais. Para a solução de um
determinado problema é necessária uma fase de aprendizagem, onde a rede neural
recebe um conjunto de exemplos que devem traduzir grande parte das
informações necessárias para que se obtenham respostas coerentes para o
problema. Após esta fase, se utiliza a rede neural para obter-se as saídas
necessárias para nosso problema.
Entradas
Camadainterna
Saída
Figura 74 - Modelo de Rede Neural
Podemos dizer que existem três procedimentos de aprendizagem utilizados:
- Treinamento supervisionado, onde se tem a entrada e a saída, como
exemplo podemos citar: Perceptron[39], ADALINE[40], GMDH,
LQV, RBF(“Radial Basis Function”)[41]
- Treinamento por reforço, onde se tem a entrada e a certeza que a
saída é certo ou errada
Apêndice B – Lógica Fuzzy e Redes Neurais 91
- Treinamento não-supervisionado, onde se tem somente a entrada.,
como exemplo podemos citar: Rede ART e Mapa de Kohonen [21].
A capacidade de aprender e posteriormente generalizar a informação aprendida
são, sem dúvida, os maiores atrativos da solução de problemas através de redes
neurais. A desenvoltura das redes neurais em trabalhar com dados não conhecidos
a partir de dados anteriormente apresentados nos dá a liberdade de perceber que
as redes neurais vão além de simplesmente mapear relações entrada-saída. Não
obstante, as redes neurais são capazes de atuar como mapeadores universais de
funções multi-variáveis, com um custo computacional que cresce linearmente com
o numero de variáveis. Outras características importantes são a capacidade de
auto-organização e de processamento temporal que aliadas àquelas anteriormente
citadas, fazem das redes neurais artificiais uma ferramenta computacional
extremamente poderosa e atrativa para a solução de problemas complexos [42].
A rede neural biológica é composta por neurônios que se comunicam entre si
através de conexões chamadas sinapses. O nível de ativação do j-ésimo neurônio é
representado pela sua variável de saída v j . Esta saída é transmitida ao j-ésimo
neurônio através da sinapse wij. O neurônio i soma as excitações recebidas de
todos os N neurônios que atuam sobre ele, criando uma variável interna.
j
p
1jkjk xwu ∑
== (19)
e gera sua saída dada por
)u(y kkk θ−ϕ= (20)
sendo ϕ , a função de ativação do neurônio
Apêndice B – Lógica Fuzzy e Redes Neurais 92
W1
W2
Wj
Σ ϕ(.)
X1
X2
Xj
uk
θk
yk
Saída
Função deAtivação
Sinapses
....
.
Figura 75 - Modelo de um Neurônio
O modelo neuronal pode ser dividido em três elementos básicos:
um conjunto de sinapses ou linhas de conexão, cada uma é caracterizada por
possuir um peso. Especificamente, o sinal uj da entrada da sinapse j que está
conectada ao neurônio k é multiplicado pelo peso wkj.
Um somador que soma todas as entradas, cada uma delas já com seu respectivo
peso associado. Esta operação constitui uma combinação linear.
Uma função de ativação que pode ou não limitar a saída do neurônio.
Normalmente, a função de ativação é uma sigmóide (Figura 76), uma função
degrau ou uma função linear (Figura 77).
-30 -20 -10 0 10 20 30-1
-0.8
-0.6
-0.4
-0.2
0
0.2
0.4
0.6
0.8
1
Figura 76 - Função de ativação sigmoidal
Apêndice B – Lógica Fuzzy e Redes Neurais 93
-30 -20 -10 0 10 20 30-30
-20
-10
0
10
20
30
Figura 77 - Função de ativação linear
Um processo de aprendizagem das redes neurais é o algoritmo chamado
“backpropagation”. Tem como característica básica a inexistência de sinapses
entre neurônios de mesma camada, ou seja, um neurônio se liga aos neurônios da
camada anterior e posterior através de suas entradas e saídas respectivamente.
Assim, como esta estrutura não permite realimentações, o sistema é sempre
estável.
Esta estratégia de aprendizagem acontece da seguinte maneira: Dado um
determinado vetor de entrada X obtém-se uma saída Y. Em cada apresentação de
dados determina-se o valor do erro quadrático 2ref )YY(E −= e procede-se à
alteração dos pesos sinápticos wij pelo método gradiente dado pela equação (21):
ijij w
EW∂∂η−∝∇ (21)
Este processo se repete até que o erro para o conjunto de aprendizagem seja
inferior a um certo valor pré-fixado. E este processo ocorre mais rápido ou não
dependendo do valor da taxa de aprendizado (η ).