CONTROLE FUZZY
ADAPTATIVO BASEADO EM
ONFC APLICADO À
BRITAGEM
Aline do Espirito Santo Romão
Orientadores: Prof. Dr. Paulo Marcos de Barros
Prof. Dr. Thomas Vargas Barsante Pinto
Prof. Dr. Hugo Rafael Nogueira Gomes
Sumário
• Introdução
• Controladores
• Revisão bibliográfica
• Metodologia
• Resultados
• Conclusão
• Referências Bibliográficas
Introdução
Introdução
● Processos de britagem apresentam alta variabilidade operacional.
● Do ponto de vista produtivo, operar as correias transportadoras o mais
próximo possível de sua capacidade nominal implica maior
aproveitamento da infraestrutura instalada e aumento da taxa de
processamento de minério
4
Introdução
Configuração analisada
5
Introdução: Motivação
● Controladores convencionais, como o PI, apresentam desempenho
limitado em condições de variabilidade.
● Estratégias de controle adaptativo quando combinada com a lógica
fuzzy, podem melhorar o desempenho operacional permitindo
decisões graduais e ajustes contínuos em múltiplas variáveis do
processo.
● O ONFC (Gouvêa, 2005) ajusta seus parâmetros de forma autônoma,
lidando eficientemente com as não linearidades e incertezas dos
processos minerais.
6
Introdução: Objetivos
● Aplicar e avaliar a eficácia do controlador ONFC puro e com
duas técnicas de adaptação dinâmica em comparação com o
controlador PI, a fim de regular a velocidade dos
alimentadores no processo de britagem secundária.
● Objetivos específicos:
->Desenvolver e implementar, no MATLAB©, os controladores
aplicados ao processo;
->Investigar metodologias de ajuste de parâmetros dos
controladores ONFC, conforme propostas por Gomes (2019);
->Implementar e calibrar o controlador PI aplicado ao processo
de britagem.
7
Introdução: Objetivos
->Avaliar o desempenho dos controladores na regulação da
velocidade dos alimentadores e seus efeitos sobre a estabilidade
do processo.
->Comparar o desempenho dos controladores sob diferentes
setpoints de alimentação.
8
Controladores
Controladores: PI
● A ação proporcional gera uma saída u(t) diretamente proporcional ao
sinal de erro e(t), dada por Kp.e(t), onde Kp é o ganho proporcional,
proporcionando uma correção imediata ao erro atual.
● A ação integral, acumula o erro ao longo do tempo, produzindo uma
saída proporcional à integral do erro, reduzindo ou eliminando o erro
estacionário em regime permanente.
10
Controladores: Lógica Fuzzy
● Técnica de controle não linear baseada na representação de
conhecimento por meio de variáveis linguísticas, conjuntos fuzzy e
regras de inferência.
● Conceito básicos (Kasabov, 1996): fuzzificação, regra de inferência,
defuzzificação.
11
Controladores: Lógica Fuzzy
No contexto do ONFC, o
parâmetro d corresponde
diretamente ao parâmetro EM,
responsável por definir a
abrangência da função de
pertinência associada ao erro.
Com isso, o ajuste de EM altera a
largura das funçẽes, influenciando
o grau de sensibilidade do
controlador às variações do erro.
12
Controladores: ONFC
● A entrada do controlador é o erro de controle e(k) = yd(k) − y(k), onde
yd(k) é o valor de referência e y(k) é o valor medido da variável
controlada no instante k.
● Esse controlador utiliza duas funções de pertinência fuzzy do tipo
triangular e complementares, associadas a dois pesos ajustáveis, w1
e w2.
● A saída de controle u(k) é obtida como uma média ponderada dos
pesos pelas funções de pertinência:
u(k)=μ1(e(k)).w1(k)+μ2(e(k)).w2(k)
13
Controladores: ONFC
● As funções de pertinência μ1 e μ2 são definidas em torno do erro e(k)
e de uma faixa de excursão do erro EM , responsável por ajustar a
sensibilidade do sistema :
1, e(k)≤-EM μ2(e(k))=1-μ1(e(k))
μ1(e(k))= EM-e(k), -EM<e(k)<EM
2EM
0, e(k)≥EM
Os pesos w1 e w2 são ajustados em tempo real com base no erro de
controle, utilizando a regra do gradiente descendente aplicada à função
de custo quadrática J= e2(k)/2
14
Controladores: ONFC
● A equações de atualização dos pesos são dadas por:
w1(k+1)= w1(k)+α.μ1(e(k)).e(k)
w2(k+1)= w2(k)+α.μ2(e(k)).e(k)
α representa a taxa de aprendizagem.
● Melhorias na estrutura original:
Taxa de Aprendizagem Dinâmica: ajuste automático de α em função da
variação do erro entre duas iterações consecutivas.
α(k)= α(k-1)+𝛾.|e(k)-e(k-1)|
onde 𝛾 é um ganho positivo que define a sensibilidade da adaptação.
15
Controladores: ONFC
Adaptação de Contexto: consiste na atualização recursiva do
parâmetro EM, dada por
EM= (1-λ)EM(k-1)+λβ|e(k)|
onde λ ∈ (0, 1) e é o fator de suavização, β é o ganho de adaptação.
Para garantir a estabilidade numérica e evitar que essa faixa de contexto
cresça indefinidamente, aplica-se uma restrição de saturação:
EMmax se EMk>EMmax
EMk= EMmin se EMk<EMmin
EMk cc
16
Controladores: ONFC
17
Controladores: ONFC
● Como demonstrado por Pires (2007), o ONFC é matematicamente
equivalente a um controlador PI adaptativo, cuja ação de controle
pode ser expressa por:
u(k)= Kp(k)e(k)+KiΣki=1ei
em que o ganho proporcional variável é dado por:
Kp(k)= α/(2EM²)Σki=1e²i
enquanto o ganho integral permanece constante:
Ki= α/2
18
Controladores: ONFC
● Essa formulação é derivada da expressão original do ONFC
u(k)=w2-w1e(k)+αΣki=1ei
EM 2
na qual o ganho proporcional efetivo passa a depender do erro
quadrático acumulado.
● Conforme discutido em Pires (2007), esse mecanismo faz com que
nas fases iniciais do controle — quando os erros tendem a ser mais
elevados — o ganho proporcional aumente progressivamente,
favorecendo uma redução mais rápida do erro quando comparado a
um controlador PI de ganhos fixos.
19
Revisão
Bibliográfica
Revisão Bibliográfica
● Gouvêa (2005) propôs o ONFC, combinando redes neurais e lógica
fuzzy com duas funções de pertinência triangulares complementares,
aplicado ao controle de velocidade de motores com boa resposta
dinâmica e adaptação ao processo, porém com crescimento
descontrolado dos pesos em presença de erro persistente ou ruído.
● Carvalho (2010) propôs o ONFCDw, demonstrando que os pesos
fuzzy do ONFC original crescem ilimitadamente, podendo causar
instabilidade. A solução incorpora uma penalização sobre esse
crescimento no critério de aprendizagem, resultando em maior
estabilidade e menor erro em regime permanente, validada no
21 controle de temperatura em uma refinaria de petróleo.
Revisão Bibliográfica
● Gomes (2019) propôs três modificações ao ONFC: taxa de
aprendizagem dinâmica, adaptação da faixa de excursão do erro e o
controlador ONFCDwDe com ação derivativa. Validadas em uma
planta de vazão, as duas primeiras reduziram o erro acumulado em
relação ao PI clássico, enquanto o ONFCDwDe foi descartado por
instabilidade em regime permanente.
●
● Fonseca (2022) implementou um controlador fuzzy para aumentar a
eficiência do peneiramento que desbalanceia as velocidades dos
alimentadores com base no nível dos silos, reduzindo a carga
circulante em 7,66% e aumentando a produtividade em 2,37%.
22
Metodologia
Metodologia: Estratégia de
Controle
24
Metodologia: Implementação
dos Controladores
25
Metodologia: Parâmetros da
Simulação
● Duração: 750s, com 150s desconsiderados devido ào regime
transitório e mudança de setpoint a cada 200s
● Cenários (em t/h) 1: 1200->1500->1200 e 2: 850->1000->850
26
Metodologia: Parâmetros dos
Controladores
● Cada cenário de teste foi repetido 5 vezes considerando os
transportadores 8 e 9, com os controladores sintonizados no primeiro
cenário e executados na seguinte ordem:
● ONFC com α dinâmico e adaptação de contexto:
α0 = 0.00002 e β = 0.95
● ONFC com α dinâmico:
α0=0.000015; β = 0.95
● ONFC:
α0= 0.000035; β = 0.95
● PI:
27
Resultados
Resultados: Cenário 1
29
Resultados: Cenário 1
30
Resultados: Cenário 1
31
Resultados: Cenário 2
32
Resultados: Cenário 2
33
Conclusões
Conclusões
● A implementação da taxa de aprendizagem dinâmica não casou uma
redução consistente de IAE em comparação com o ONFC
convencional.
● No cenário 1, onde o ONFC com adaptação de contexto foi
calibrado, ele apresentou valores de IAE menores do que as demais
variações do ONFC, o que não se repetiu no cenário 2.
● Os cenários de testes não foram suficientemente abrangentes para
validar ou refutar a eficácia da adaptação de contexto.
● O controlador PI apresentou medianas de erro menores do que os
controladores ONFC, mas apresentou um outlier extremo em uma
das execuções, evidenciando maior sensibilidade à mudanças
35 abruptas de carga.
Conclusões
● Observou-se a viabilidade da aplicação do ONFC no controle de
processos de britagem, mas sua aplicação está condicionada ao
desenvolvimento de uma metodologia sistemática de ajuste de
parâmetros, que leve em consideração, por exemplo, a magnitude
das variações de setpoint e o tempo de acomodação esperado.
36
Conclusões: Sugestões para
trabalhos futuros
● Desenvolvimento de uma metodologia para sintonizar os parâmetros
do ONFC.
● Investigar funções de atualização contínua de EM, que operem
mesmo na ausência de mudanças explícitas de setpoint.
● Validação em planta real.
37
Referências
Bibliográficas
Referências Bibliográficas
GOMES, H. R. N. Online Neurofuzzy Controller: aplicação, análise de parâmetros e contribuições. Dissertação de
mestrado, Universidade Federal de Minas Gerais, Belo Horizonte, fev. 2019.
FONSECA, A. G. Controle Fuzzy para Aumento de Eficiência do Peneiramento no Processamento Mineral. Dissertação de
mestrado, Universidade Federal de Ouro Preto, 2022.
GOUVÊA, M. R. D. Controle Neurofuzzy de Motor de Indução com Estimação de Parâmetros e Fluxo de Estator. Tese de
doutorado — Programa de Pós-graduação em Engenharia Elétrica, Universidade Federal de Minas Gerais, Belo
Horizonte, 2005.
CARVALHO, M. D. A. Controlador Neurofuzzy com aprendizado on-line: teoria e aplicação na indústria de petróleo.
Dissertação de mestrado, Universidade Federal de Minas Gerais, Belo Horizonte, 2010.
PIRES, A. V. Controladores baseados em técnicas de inteligência computacional: análise, projeto e aplicações, 2007.
KASABOV, N. K. Foundations of neural networks, fuzzy systems, and knowledge engineering. Marcel Alencar, 1996.
39
Obrigada!