1

Estudo Comparativo de Tcnicas de Controle

em um Processo de Nvel
RESUMO
O controle do nvel de tanques um problema clssico e considerado um assunto de grande
importncia e aplicabilidade industrial, principalmente na indstria qumica onde o controle preciso
dos processos de mistura essencial. Apresenta-se um estudo comparativo entre diferentes tcnicas
de controle aplicadas sobre um sistema no linear composto por dois tanques acoplados. O principal
objetivo a anlise do desempenho de tcnicas de controle inteligentes, controladores NARMA
(Nonlinear Autoregressive-Moving Average) e ANFIS (Adaptive Network based Fuzzy Inference
System), e tcnicas tradicionais, controladores proporcional-integral (PI), comparando-os com o
resultado de um controlador de linearizao exata (LE). O ndice de desempenho utilizado foi a
integral do quadrado do erro.
Palavras-Chave: Controle No-Linear, Processo de Nvel, NARMA-L2, ANFIS.
1. INTRODUO
O controle do nvel de lquido em reservatrios e tanques um tpico de grande
interesse no apenas no mbito acadmico, mas tambm na rea industrial, onde o controle
preciso essencial para a correta realizao de diferentes tarefas e um erro pode levar a
perdas financeiras ou at mesmo a acidentes e danos na planta industrial. Algumas das reas
onde o controle do nvel de lquido aplicado amplamente so a indstria farmacutica, de
bebidas, qumica, petrolfera e laboratrios de ensino e pesquisa entre outras.
Ao longo dos ltimos anos, diversas abordagens tm sido utilizadas com o objetivo de
melhorar o controle do nvel de lquido. Na literatura, encontram-se modelos de controladores
utilizando desde tcnicas mais tradicionais, como o PID descrito por Grega e Maciejczyk
(1994) e a linearizao do sistema em torno de um ponto de operao, at tcnicas mais
avanadas, abordando desde controladores nebulosos (Korba, Babuska, Verbruggen e Frank,
2003) at modelos preditivos utilizando Redes Neurais Artificiais (RNAs), como o de
Yahong (2002), passando por controladores hbridos propostos por Cordes (1992) e Tetsuji
(1996).
RNAs so indicadas quando o modelo matemtico da planta complexo ou difcil de
se obter, dada sua capacidade de aprendizado de mapeamento no-linear. Por outro lado,
controladores nebulosos so utilizados para se controlar sistemas complexos onde uma base
de regras e uma mquina de inferncia refletem o conhecimento especialista sobre a planta.
O objetivo deste trabalho avaliar algumas tcnicas aplicadas ao controle de nvel de
lquido, desde tcnicas clssicas, como o controle PI, o cancelamento esttico e dinmico de
no-linearidades, at tcnicas mais avanadas, como o controlador neural NARMA-L2 e o
controlador neuro-fuzzy ANFIS. Cada tcnica ser avaliada em comparao ao resultado
obtido com o cancelamento dinmico de no-linearidades, tambm conhecido como
linearizao exata (LE).
As principais vantagens das tcnicas inteligentes esto no fato do controlador
NARMA-L2 dispensar a modelagem da planta, enquanto o ANFIS compensa erros na
estimao da planta por meio de conhecimento especialista adquirido por meio de RNAs
(Haykin, 1999).




SEGeT Simpsio de Excelncia em Gesto e Tecnologia 2
2. SISTEMAS DE NVEL DE LQUIDO
O processo de nvel de lquido utilizado consiste em dois tanques acoplados, conforme
ilustrado na Fig. 1. Os sensores do sistema esto colocados de forma a se medir a altura do
lquido em ambos os tanques e a atuao sobre o sistema realizada por meio do controle do
fluxo q
i
. O sinal de sada dado por h
2
.

Figura 1. Sistema de Nvel de Lquido.
Para determinar o modelo analtico do sistema da Fig. 1, aplicam-se as equaes de
Bernoulli e obtm-se o modelo descritor em espao de estados a partir do modelo apresentado
em Ogata (2003).
( ) , f u = + Eh F h G
i
(1)
em que ( ) f indica uma funo no-linear das variveis de estado. Para a planta da
Fig. 1
1 2
1 1
1 2
2
2
0 0 1
0 0
i
h h
h k A
q
A k k
h
h

= +







i
i
, (2)
onde h
n
[cm] a altura do tanque n, q
i
[cm
3
/s] a vazo de entrada no tanque 1, A [cm
2
] a
rea da seo dos tanques e os coeficientes k
1
e k
2
[cm
2,5
/s] dependem de diversos fatores,
e.g., a acelerao da gravidade e a vlvula de restrio. A no-linearidade do sistema
observada nos componentes de mdulo e raiz nas variveis de estado.
3. CONTROLE DE NVEL DE LQUIDO
3.1. CANCELAMENTO ESTTICO DE NO LINEARIDADES
Uma das formas mais simples de se linearizar estaticamente o sistema realimentar a
no-linearidade. O cancelamento esttico de no-linearidades realizado a partir da premissa
de que as derivadas em (2) podem ser consideradas nulas. Assim, a no linearidade pode ser
cancelada utilizando-se a lei de controle.
2 2 c
u G e k h = + (3)
onde G
c
representa a funo de transferncia do controlador e e denota o sinal de erro.
importante observar o fato de que para se realizar o cancelamento esttico das no-
linearidades necessrio conhecer o modelo analtico da planta.




SEGeT Simpsio de Excelncia em Gesto e Tecnologia 3
3.2. CANCELAMENTO DINMICO DE NO LINEARIDADES
O cancelamento dinmico de no-linearidades, ou LE, realizado a partir de (2),
considerando-se a influncia das derivadas das duas variveis de estado. Observa-se que a
no linearidade do sistema pode ser cancelada utilizando-se a lei de controle
1 2
2 2
,
c
dh dh
u G e k h
dt dt
| |
= + + +
|
\
(4)
onde G
c
representa a funo de transferncia do controlador e e denota o sinal de erro.
Ressalta-se o fato de que, assim como no cancelamento esttico, o cancelamento
dinmico das no-linearidades tambm necessita do modelo analtico do sistema.
Por promover o cancelamento dinmico das no-linearidades do processo, esta tcnica
lineariza a resposta do sistema independentemente do ponto de operao. Na prtica, h,
porm, limitaes para a LE, pois os parmetros do processo nunca so exatamente
conhecidos e o fluxo no plenamente turbulento nem laminar. Alm disso, para sistemas
com vlvulas de sada nos dois tanques, o sinal de controle se torna infinito quando os nveis
nos tanques so iguais.
Neste trabalho, a LE ser adotada como referncia, i.e., o controlador mais adequado
aplicao prtica ser aquele que apresentar o resultado mais prximo ao obtido pela LE.
3.3. CONTROLE NEURAL
O controle de sistemas no-lineares por meio de redes neurais baseia-se
principalmente na identificao do sistema, de forma que no existe a necessidade de um
modelo analtico.
O controle aqui utilizado baseia-se no uso de sistemas NARMA, onde a linearizao
da planta realizada por meio de realimentao. A primeira etapa a ser realizada a
identificao do sistema e sua representao feita por meio de uma mdia mvel auto-
regressiva e no linear. Uma vez identificado o sistema, necessrio construir-se uma funo
de controle
G
que ir minimizar o erro quadrtico mdio. Para isso, utilizam-se tcnicas
dinmicas de backpropagation, o que constitui um procedimento lento. Para acelerar este
processo, so utilizados modelos aproximados. Neste trabalho foi utilizada a aproximao
NARMA-L2 proposta por Narendra e Mukhopadhyay (1997). Essa aproximao obtida a
partir das equaes de sada do sistema
( , ),
k d
y N
+
= y u (5)
onde d representa um atraso no tempo, ( ) N uma funo conhecida,
[ ]
1 1
, ,...,
k k k n
y y y
+
= y
e
[ ]
1 1
, ,...,
k k k n
u u u
+
= u .
Portanto, uma RNA multi-camada ou uma RNA de base radial podem ser utilizadas
para identificar o sistema. Denotando o mapeamento neural por ( ) H , pode-se obter uma
estimativa
k d
y
+
de
k d
y
+

( , )
k d
y H
+
= y u . (6)
A identificao realizada a cada instante k, ajustando os parmetros da RNA por
meio do erro
k k k
e y y e das 2n entradas
1
,...,
k d k d n
y y
+
e
1
,...,
k d k d n
u u
+
. Este
treinamento realizado estaticamente e apresenta baixo custo computacional.




SEGeT Simpsio de Excelncia em Gesto e Tecnologia 4
Como ( ) N conhecida, assume-se que
*
k d k d
y y
+ +
= , sendo
*
y a referncia.
Considerando
0 d
, i.e., o sistema controlvel, o sinal de controle dado por
*
( , , )
k
u M = y y u , (7)
onde
2
:
n n
M e existe M

,
* *
k d
y
+
= y e
[ ]
1 1
,...,
k k m
u u
+
= u . Uma vez que o
controlador est na malha de realimentao de um sistema dinmico, o ajuste de parmetros
no pode ser realizado usando um algoritmo esttico de backpropagation. Portanto, mtodos
de gradiente dinmicos, como o proposto por Werbos (1990), devem ser utilizados para a
resoluo deste problema.
A aproximao NARMA-L2 tem por objetivo realizar aproximaes do modelo a fim
de reduzir sua complexidade computacional. Seja o modelo aproximado dado por
( , ) ( , )
k d k
y f g u
+
= + y u y u , (8)
em que o sinal uk no est contido na no-linearidade. O controlador resultante tem a
forma
*
( , )
( , )
k d
k
y f
u
g
+

=
y u
y u
, (9)
o qual apresenta problemas de realizao. Para evitar tal problema, utiliza-se o modelo
1
( , ) ( , )
k d k
y f g u
+ +
= + y u y u , (10)
onde
2 d
, sendo o sinal de controle dado por
*
1
( , )
( , )
k d
k
y f
u
g
+
+

=
y u
y u
. (11)
Este controlador pode ento ser implementado conforme ilustrado na Fig. 2.

Figura 2. Sistema NARMA-L2. (figura adapatada da toolbox de redes neurais da MathWorks).




SEGeT Simpsio de Excelncia em Gesto e Tecnologia 5
3.4. CONTROLE ANFIS
Outra tcnica que se destaca no controle de sistemas no-lineares so os controladores
nebulosos, e mais especificamente os ANFIS, que dispensam a necessidade de conhecimento
especialista prvio.
O sistema ANFIS baseia-se no uso de RNAs para a construo de um conjunto de
regras nebulosas e das funes de pertinncia. Aqui se optou pelo uso do processo de
inferncia Sugeno (Sugeno & Takagi, 1985), necessitando de dados das entradas e sadas da
planta. Os dados de treinamento foram obtidos a partir do processo com cancelamento
dinmico de no linearidade. Os sinais de entrada so a referncia e o nvel h
2
. A sada do
bloco o sinal de controle.
4. PROCEDIMENTOS E RESULTADOS
Para a obteno de dados experimentais e para a realizao da anlise comparativa
entre os sistemas de controle propostos, foi feita uma srie de simulaes. Inicialmente foram
definidos os parmetros que descrevem o sistema de nvel de lquido. Em seguida, foi
aplicada uma referncia com amplitude pseudo-randmica sobre a planta. Cada uma das
simulaes pode ser observada juntamente com seus parmetros de controle nas figuras que
se seguem. O sistema de nvel de lquido utilizado nas simulaes definido pelos parmetros
na Tabela 1.
Tabela 1. Parmetros do Sistema de Tanques Acoplados.
Parmetro Valor
A 150 cm
2

k1 27 cm
2,5
/s
k2 13 cm
2,5
/s
A primeira simulao foi realizada com o controlador PI utilizando os parmetros Ki
= 0.1 e Kp = 10. Esses parmetros foram obtidos por meio do mtodo de Ziegler e Nichols
descrito amplamente na literatura (Ogata, 2003) e um posterior ajuste foi realizado a partir
das observaes do comportamento do sistema.
Para todas as simulaes, apresentam-se os resultados para um longo perodo de
tempo, pois assim pode-se observar o comportamento do sistema em diversos pontos de
operao. A Fig. 3 apresenta a atuao do controlador PI. A resposta do sistema e o sinal do
atuador podem ser observados na Fig. 4.


Figura 3. Controlador PI.




SEGeT Simpsio de Excelncia em Gesto e Tecnologia 6

Figura 4. Resposta do Sistema com Controle PI
Para a simulao do sistema com cancelamento esttico e dinmico de no-
linearidades optou-se pela utilizao de um controlador P com constante de ganho Kp = 10.
Os controladores esto ilustrados nas Fig. 5 e 6, respectivamente.


Figura 5. Cancelamento Esttico de No-Linearidades.

Figura 6. Cancelamento Dinmico de No-Linearidades.
A resposta do sistema e a atuao do controlador para cada um dos modos de
cancelamento de no-linearidades podem ser observados nas Fig. 7 e 8.




SEGeT Simpsio de Excelncia em Gesto e Tecnologia 7

Figura 7. Resposta do Sistema com Cancelamento Esttico.

Figura 8. Resposta do Sistema com Cancelamento Dinmico.
A planta com o controlador neural NARMA-L2 mostrada na Fig. 9. A simulao e
os resultados obtidos com o controle NARMA-L2 esto ilustrados na Fig. 10.

Figura 9. Controlador Neural NARMA-L2.




SEGeT Simpsio de Excelncia em Gesto e Tecnologia 8

Figura 10. Resposta do Sistema com Controlador Neural.
A planta com o controlador ANFIS mostrada na Fig. 9. O ltimo controlador
simulado foi o ANFIS. A simulao e os resultados esto na Fig. 12.

Figura 11. Controlador ANFIS.

Figura 12. Resposta do Sistema com Controlador ANFIS.
5. ANLISE COMPARATIVA
De acordo com a Fig. 4, a resposta do sistema utilizando o controlador PI apresentou
variaes de acordo com o ponto de operao, observando-se diferentes sobre-sinais para
pontos de operao distintos. De fato, nota-se que a resposta do sistema depende fortemente
do ponto de operao. O desempenho do controlador ficou bastante prejudicado para a faixa
em que o controlador no foi projetado.
Observando a Fig. 7, nota-se que o cancelamento esttico de no linearidade
apresentou um resultado prximo ao do obtido por meio da LE.




SEGeT Simpsio de Excelncia em Gesto e Tecnologia 9
O controlador neural NARMA-L2, entretanto, apresentou um pequeno sobre-sinal e
pequenas oscilaes em torno da referncia, como mostrado na Fig. 10. Ainda interessante
notar que este controlador possui o sinal de controle com maiores oscilaes dentre os
controladores propostos, como se pode depreender das Fig. 4, 7, 8, 10 e 12. Tal
comportamento no desejvel por causa do desgaste do atuador e maior consumo mdio de
potncia.
J o sistema ANFIS, apresentou um resultado significantemente melhor do que o
obtido com o controlador PI, conforme Fig. 12. No entanto, o sistema ANFIS representa to
somente uma aproximao do controlador dinmico, uma vez que os dados utilizados para
treinar a rede neural responsvel pela construo das regras de pertinncia foram retirados da
planta da Fig. 6. Desta forma, sua resposta bem prxima da obtida com o cancelamento
dinmico de no-linearidades, como se observa nas Fig. 8 e 12.
Uma anlise quantitativa foi realizada calculando-se a integral do quadrado do erro
(em ingls, Integral Squared Error, ISE) entre a sada da planta e a referncia para cada um
dos sistemas simulados. O ISE foi escolhido como critrio de desempenho por avaliar o
desempenho dos controladores para os diversos pontos de operao. O desempenho de cada
controlador comparado com o desempenho obtido com o controlador com LE, i.e., o
controlador com cancelamento dinmico de no-linearidades.
Tabela 2. Erro Quadrtico dos Sistemas Simulados.
Controlador ISE [cm2] Diferena [%]
Dinmico 10.55 0.0
Esttico 10.56 0.1
ANFIS 10.61 0.6
NARMA-L2 13.09 24.1
PI 13.77 30.5
A Tabela 2 ilustra o desempenho de cada mtodo em relao ao obtido por meio da
LE. Conforme j observado visualmente, o controlador que apresentou a maior degradao de
desempenho em relao LE foi o controlador PI.
A diferena de desempenho entre os dois diferentes sistemas de cancelamento de no-
linearidade relativamente pequena. A diferena do ISE entre estes controladores de
aproximadamente 0.1%. Quando comparado com o aumento de complexidade introduzido
devido adio de funes de derivao, esse ganho de desempenho torna-se insignificante.
Neste estudo, o cancelamento esttico de no-linearidades apresenta-se mais recomendvel.
O controle com o sistema NARMA-L2 apresentou um desempenho superior somente
em relao ao controlador PI. De fato, as RNAs so aproximadores universais de funes.
Todavia, no se tem como saber se a topologia de rede foi adequada, nem se o treinamento da
rede foi correto. O treinamento da rede tambm demanda um tempo maior: a rede treinada
vrias vezes com diferentes dados at se obter um resultado satisfatrio. Por outro lado, a
maior vantagem desta tcnica o fato de que ela no necessitar de um modelo analtico do
sistema, ao contrrio das outras tcnicas aqui propostas, inclusive para o treinamento do
ANFIS.
O sistema ANFIS utilizado, assim como era esperado, obteve um desempenho inferior
aos sistemas de cancelamento de no-linearidades. Isso se deve ao fato de que os dados
utilizados na construo das regras de pertinncia foram retirados da planta de cancelamento
dinmico. Assim, o sistema ANFIS aproxima o comportamento desse sistema, e,
teoricamente, teria como melhor desempenho possvel o mesmo da planta de cancelamento
dinmico.




SEGeT Simpsio de Excelncia em Gesto e Tecnologia 10
Considerando-se a aplicao prtica importante ressaltar que tanto o controlador
NARMA como o ANFIS podem ser treinados com dados do processo real, podendo
apresentar, em situaes reais, resultados melhores que os demais controladores.
6. CONCLUSES
Apresentou-se um estudo comparativo de algumas estratgias para o controle de um
sistema acoplado de nvel de lquidos. A anlise levou em considerao aspectos como
implementao, ISE e sinal de controle. Utilizando o cancelamento esttico, obteve-se um
aumento do ISE em torno de 0.1%. O controlador PI apresentou o pior desempenho, com um
aumento de cerca de 30% do ISE. Empregando-se a tcnica NARMA-L2 tambm foi possvel
realizar o controle do sistema. Contudo, o treinamento da rede mostrou-se demorado e
complexo em termos de implementao e o sinal de controle apresentou bastantes oscilaes.
A vantagem do NARMA-L2 dispensar um modelo analtico do sistema. O controle
realizado por meio do sistema ANFIS apresentou um resultado satisfatrio, mas inferior ao
cancelamento esttico.
A tcnica que mostrou a melhor relao entre complexidade e resultados obtidos foi o
mtodo de controle por meio do cancelamento esttico de no-linearidades. Mostrou-se um
mtodo simples e de rpida implementao, bem como obteve um bom resultado nos sinais de
sada e de controle, tornando-o uma boa alternativa ao se considerar sistemas reais.
7. REFERNCIAS

TETSUJI, T., MURAKOSHI, S. e MOTOHIDE, U. Neuro-Fuzzy Hibrid Control System of
Tank Level in Petroleum Plant. IEEE Transactions on Fuzzy Systems, vol. 4, no. 3, 1996.

GREGA, W. e MACIEJCZYK A. Digital Control of a Tank System. IEEE Transactions on
Education, vol. 31, no. 3, 1994.

KORBA, P., BABUSKA R., VERBRUGGEN, H. B. e FRANK, P. M. Fuzzy Gain Schedu-
ling: Controller and Observer Design Based on Lyapunov Method and Convex Optimization.
IEEE Transactions on Fuzzy Systems, vol. 11, no. 3, 2003.

YANHONG, X. e HONGJUNG, H. A Adaptive Control Based Neural Network For Liquide
Level of Molten Steel Smelting Noncrystalloid Flimsy Allloy Line. Proc. 4' World Congress
on Intelligent Control and Automation, 2002.

OGATA, K. Engenharia de Controle Moderno. Prentice Hall. 4a edio, 2003.

TAKAGI, T. e SUGENO, M. (1985). Fuzzy Identification of Systems and Its Applications to
Modeling and Control, IEEE Transactions on Systems Man & Cybernetics, SMC-15, pp.116-
132.

NARENDRA, K.S. e MUKHOPADHYAY, S. (1997). Adaptive Control Using Neural Net-
works and Approxi-mate Models. IEEE Transactions on Neural Networks, vol. 8, pp 475-
485.

HAYKIN, S. Redes Neurais - Princpios e Prtica. Bookman. 2a Edio, 1999.

WERBOS, P. J. Backpropagation through time: What it does and how to do it. Proc. IEEE,
vol. 78, no. 10, pp. 15501560, 1990.