Orientador: Ana Maria Frattini Fileti

Dissertação (mestrado) - Universidade Estadual de Campinas, Faculdade de Engenharia Química

Resumo: O controle de nível de tanques interativos a partir da vazão é um sistema MIMO (multiple input multiple output), que envolve uma série de desafios como não linearidades acentuadas, interação entre as variáveis do processo e tempos mortos e, por isso, nem sempre pode ser controlado por...

Resumo: O controle de nível de tanques interativos a partir da vazão é um sistema MIMO (multiple input multiple output), que envolve uma série de desafios como não linearidades acentuadas, interação entre as variáveis do processo e tempos mortos e, por isso, nem sempre pode ser controlado por técnicas de controle convencionais como o PID. Rede neurais artificiais (RNA) são uma técnica de processamento paralelo capaz de capturar relações bastante não lineares entre várias variáveis de entradas e várias variáveis de saídas. Dessa forma, diversas técnicas de controle utilizando RNA tem sido propostas para processos em que o controle feedback tradicional possa não funcionar satisfatoriamente. O presente trabalho visava testar a viabilidade experimental de duas técnicas de controle baseadas em redes neurais aplicadas no controle de nível em tanques interativos: o controle preditivo baseado em redes neurais (MPC-RNA), que consiste em utilizar um modelo neural do processo e um algoritmo de otimização para obter uma performance satisfatória; e o controle neural inverso, que é uma técnica de controle baseada na predição da variável manipulada diretamente das variáveis controladas. Além disso, o trabalho também visava comparar a performance das duas técnicas mencionadas com a performance do controlador PID convencional. Os experimentos foram realizados no sistema de tanques interativos do Laboratório de controle e automação (LCAP) na Unicamp. Ambos os níveis dos tanques acoplados eram controlados a partir da manipulação das potências das duas bombas que regulavam as vazões. Uma válvula intermediária manual conectava os tanques e gerava não linearidades, bem como interação entre os níveis, o que dificultava o controle PID. A aplicação experimental das três técnicas mencionadas foi feita por meio de um programa desenvolvido em MATLAB® e um CLP foi utilizado para fazer a aquisição dos dados da planta. Uma comparação entre as duas técnicas de controle baseadas em redes neurais mostrou que o controle neural inverso não foi capaz de seguir o setpoint satisfatoriamente, já que a técnica deixou um offset. Enquanto isso, a técnica MPC-RNA foi capaz de seguir o setpoint mais rapidamente e com menores overshoots do que o PID. A performance melhor do MPC-RNA em relação ao PID pode ser atribuída a capacidade do algoritmo de controle preditivo de minimizar os desvios entre a saída desejada e predita, e a habilidade das redes neurais artificiais de lidar com não linearidades e interação entre variáveis manipuladas e controladas. Além disso, o controlador MPC-RNA acopla a estratégia feedback e feedforward, dessa forma, compensando desvios entre o valor real e o valor predito a partir do modelo distúrbio

Abstract: The level control of interactive tanks adjusting flow rates is a multiple input multiple output (MIMO) system that poses many challenges in the control problem, such as nonlinearities, interactions between manipulated and process variables and dead times. Therefore, conventional techniques...

Abstract: The level control of interactive tanks adjusting flow rates is a multiple input multiple output (MIMO) system that poses many challenges in the control problem, such as nonlinearities, interactions between manipulated and process variables and dead times. Therefore, conventional techniques such as the Proportional Integral Derivative (PID) controller might not work properly in this process. Artificial neural network (ANN) is a parallel processing technique that can capture highly nonlinear relationships among input and output variables. Hence, some control techniques that use ANN have been proposed for processes in which traditional feedback techniques may not work properly. This work aimed to test the experimental feasibility of two control techniques based on artificial neural networks applied to level control in coupled tanks: the model predictive control based on neural modeling (MPC-ANN) and an inverse neural network control. In the first strategy, an artificial neural network model of the process and an optimization algorithm are used to derive a satisfactory error performance. The second one is a control technique based on predicting the manipulated variables straight from the measurements of the process variables. Moreover, this work aimed to compare the performance of the two techniques mentioned with the conventional PID. The experiments were carried out using interactive tanks set up in of the Laboratory of Control and Automation at the University of Campinas (UNICAMP). Both levels of coupled tanks were to be controlled by manipulating the power of the two pumps that regulates output flow rates. An intermediate manual valve connected the tanks, generating nonlinearities and interaction between the levels, which made the success of PID control more difficult. The experimental application of the three mentioned techniques was performed with algorithm developed in MATLAB® and using a PLC to acquire the plant data. The comparison between the two-control neural network control techniques showed that the inverse neural control was not capable to track the set-point satisfactorily since it left an offset while the MPC-ANN was capable to track the set-point faster than the PID and it left smaller overshoots than the PID. The MPC-ANN performed better than the PID due to the capacity of model predictive control algorithm to minimize the deviations between the desired and predicted outputs, and the ability of artificial neural networks to deal with nonlinearities and interactions between manipulated and controlled variables. Besides, MPC-ANN couples feedback and feedforward strategy so it compensates model plant mismatches with the disturbance model

Requisitos do sistema: Software para leitura de arquivo em PDF