Estudo de aplicações de redes neuronais para configuração de sistemas de controle

• Autor(a) principal: Queiroz, Lucas Silva
• Data de Publicação: 2023
• Tipo de documento: Trabalho de conclusão de curso
• Idioma: por
• Título da fonte: Repositório Institucional da Universidade Federal Fluminense (RIUFF)
• Texto Completo: http://app.uff.br/riuff/handle/1/27527
• topic: Controlador feedback; Controle de processos químicos; Redes neurais artificiais; Controle de processo químico; Rede neural artificial; Engenharia química; Feedback controller; Chemical process control; Artificial neural networks

Sistemas de controle PID (Proporcional, Integral, Derivativo) são bastante difundidos na área de processos químicos. Essa tática consiste na implementação de estratégias de correção do erro, entre a variável controlada e valor de referência, onde os modelos do processo e equipamentos são linearizados em torno de um valor de estado estacionário. Logo, o ajuste, ou sintonia, do controlador é configurado para um valor de estado estacionário. No entanto, a presença de distúrbios, ou variação nas propriedades físico-químicas dos fluidos, podem alterar o valor de estado estacionário, fazendo-se com que a sintonia do controlador perca a sua eficácia. O objetivo deste trabalho foi formular uma estratégia de modelagem para tornar o controlador ajustável à presença de distúrbios no sistema. Um exemplo de controlador de temperatura em um tanque aquecido foi utilizado como modelo, emulado no simulador XCOS/Scilab. Tal estratégia é baseada no uso de algoritmos de redes neuronais artificiais, implementados em Scilab. Na metodologia, um conjunto de cenários de distúrbios foi simulado para gerar dados suficientes para treinamento do modelo da rede neural. Para cada cenário de distúrbio, o controlador foi ressintonizado e os dados foram alocados para o treinamento. Em seguida o controlador baseado em redes neuronais foi comparado ao controlador PID (com sintonia fixa) e os resultados mostraram que o controlador PID com sintonia fixa apresentou melhores resultados (IEA - Integral do Erro Absoluto). Finalmente, uma formulação híbrida, de implementação do controlador PID com o modelo de redes neurais apresentou melhores resultados para os valores de IEA, com otimização de até 91,3% no valor desta métrica, apresentando melhor desempenho para este parâmetro.