OLE for Process Control OLE for Process Control - swge.inf.brswge.inf.br/CBA2014/anais/PDF/1569933701.pdf · Resumo – Este trabalho apresenta a aplicação prática de uma Rede

CONTROLE DE POSIÇÃO DE MANIPULADOR ELETROPNEUMÁTICO COM REDES

NEURAIS ARTIFICIAIS

JOSÉ L. N. SILVA¹, JOSIAS G. BATISTA¹, JOSÉ R. M. F. FILHO¹, GEORGE A. P. THÉ².

1. Instituto Federal de Ciência e Tecnologia do Ceará, Depto de Tecnologia Da Indústria.

Campus Limoeiro do Norte, Rua Estevem Remígio 1145 CEP 62930-000, Limoeiro do Norte-CE. E-MAILS: [email protected]

2. Universidade Federal do Ceará, Depto de Eng. De Teleinformática.

Campus do Pici, Caixa Postal 6007 CEP 60755-640, Fortaleza-CE. E-MAILS:[email protected]

Abstract - This paper presents a practical application of an Artificial Neural Network as a controller of a pneumatic manipulator with two degrees of freedom. The pneumatic manipulator presented here performs position control. The position control is performed by an Artificial Neural Network, Multilayer Perceptron (MLP) trained and developed in Matlab®, which send signals of reference for Programmable Logic Controller (PLC), via a supervisory system developed in SCADA protocols using Modbus and OLE for Process Control (OPC). It is also performed to compare the performance of the neural network, and a classic controller type Proportional Integral Derivative (PID). Keywords - Artificial Neural Network, Pneumatic Manipulator, Programmable Logic Controller, Modbus, OLE for Process Control. Resumo – Este trabalho apresenta a aplicação prática de uma Rede Neural Artificial (RNA) como controlador de um manipulador pneumático com dois graus de liberdade. O manipulador pneumático aqui apresentado executa controle de posição. O controle de posição é realizado por uma RNA tipo Perceptron Multicamadas (MLP) desenvolvida e treinada no Matlab®, que enviará os sinais de referencia para um Controlador Lógico Programável (CLP), através de um sistema supervisório desenvolvido no Elipse SCADA utilizando protocolos Modbus e OLE for Process Control (OPC). Também é realizada uma comparação entre o desempenho da RNA e um controlador clássico tipo Proporcional Integral Derivativo (PID). Palavras-chave – Rede Neural Artificial, Manipulador Pneumático, Controlador Lógico Programável, Modbus, OLE for Process Control.

1. Introdução

O controle de posição é fundamental em aplicações industriais para garantir a produção, qualidade dos produtos e seguranças dos processos. Controle de servo-válvulas, servo-motores, máquinas-ferramenta, robôs industriais (manipuladores) e células de manufatura integrada são exemplos dessa importância. Os manipuladores industriais de longe são as máquinas em sistemas de automação flexível que mais dependem do controle de posição, vários modelos de manipuladores calculam suas variáveis internas como velocidades e aceleração baseadas no controle de posição.

Nestas aplicações as dificuldades para o controle de posição de um sistema dinâmico dependem da natureza dos mesmos se é mecânico, elétrico ou eletromecânico. Neste

trabalho o sistema é eletromecânico, mas especificamente eletropneumático, pois envolve a energia elétrica e a energia do ar comprimido. Estes sistemas apresentam comportamentos não lineares devido ao atrito, variações na pressão e instabilidades que dificultam o controle de posição. Em (Liu,1988) e (Virvalo, 1995) são descritas e modeladas estas variáveis dos sistemas eletropneumáticos.

Sistemas dinâmicos lineares ou linearizados em pontos de operação podem ter seu controle de posição realizado através de uma malha fechada com controladores clássicos como Proporcional-Integral-Derivativo (PID) ou Proporcional-Derivativo (PD). Em (Nascimento, 2004), (Paul, 1981) e (Craig, 2012) são detalhadas aplicações com PID e PD para o controle de posição para robôs móveis e manipuladores industriais.

Anais do XX Congresso Brasileiro de Automática Belo Horizonte, MG, 20 a 24 de Setembro de 2014

3006

No entanto para sistemas com não linearidades outras técnicas deverão ser utilizadas. Uma solução é o uso de sistemas inteligentes principalmente das redes neurais. Pelo fato das redes neurais serem capazes de modelar e aproximar sistemas complexos e não lineares, além de possuírem um mecanismo de aprendizagem, elas representam uma boa técnica a ser empregada no controle de posição de sistemas dinâmicos.

No artigo (Barreto, 2002) é detalhado a implementação de uma RNA para controle de posição de manipulador industrial conhecido como PUMA 560 é um trabalho pioneiro e apresentou excelentes resultados. Em (Campos, 2004) e (Aguirre, 2007) são citadas aplicações das redes neurais em controle de posição. Em (Battistela, 1999) é apresentada a técnica de treinamento on line para controle de posição de um sistema robótico.

Neste trabalho será implementado um sistema de controle de posição usando RNA para um manipulador eletropneumático com dois graus de liberdade. O manipulador trabalha com três modelos de peças diferentes e de materiais diferentes (vidro, nylon, aço). A figura 1 mostra o manipulador e os três modelos de materiais diferentes a serem manipulados. A estrutura mecânica do sistema consiste de um cilindro de haste passante, um cilindro de dupla ação, duas válvulas eletropneumáticas e uma garra de três dedos.

Figura 1. Manipulador eletropneumático

O controle de posição do manipulador

originalmente era realizado somente com controlador PID ou PD que apresenta erro em regime permanente entre 2% e 5% da posição desejada, esta resposta atende os requisitos da indústria, mas necessita de ajustes diários nos ganhos do controlador pelo operador.

O objetivo deste trabalho é desenvolver uma RNA que apresente um erro em regime permanente dentro do satisfatório e não

necessite de ajustes diários, pois a rede depois de treinada ajusta seus pesos de acordo com as variações do manipulador eletropneumático.

Desenvolve-se o treinamento de uma rede neural usando a ferramenta Matlab® (Toolbox Neural Network). Depois de treinada, a rede passa a ser o controlador do processo gerando as saídas para atingir as posições desejadas. O sistema funciona com uma rede que usa OPC (OLE for Process Control) para comunicar o Matlab® com o sistema supervisório SCADA (Supervisory Control And Data Acquisition) e o protocolo Modbus para comunicar o sistema supervisório com o Controlador Lógico Programável (CLP).

Este trabalho é uma contribuição importante por se tratar de uma aplicação industrial para redes neurais. No artigo (Narenda, 1996) foram catalogados 9955 artigos sobre redes neurais publicados entre 1990 e 1995. Cerca de 7995 utilizaram as redes para aproximar funções estáticas ou reconhecimento de padrões também de sistemas estáticos. Apenas 1960 artigos utilizaram redes para o controle de sistemas dinâmicos, e destes apenas 14 artigos tratavam de aplicações práticas implementadas. Por isso este trabalho traz uma contribuição tecnológica para a indústria que utiliza automação pneumática.

2. Fundamentação teórica

2.1. Manipulador Pneumático

O manipulador pneumático é um sistema automático formado por atuadores e sensores que quando associados a um controlador formam uma malha fechada de controle de posição. A malha realiza o controle da posição da garra do manipulador, o elemento sensível desta malha é um transdutor linear de posição que gera uma saída de 0 a 10 V varrendo todo o deslocamento linear do manipulador (Figura 2) e um elemento final de controle que é uma válvula eletropneumática proporcional de controle de vazão (Festo, 2001).

A Válvula direcional proporcional de vazão modelo MPYE-5-1/8-LF-010-B do fabricante Festo (Figura 3) possui características como: ajuste contínuo de vazão, a vazão em litros por minuto é controlada de acordo com a tensão aplicada à válvula que varia de 0 a 10 V, avanço e retorno através de função 5/3 vias, histerese reduzida devido ao controle de posição interno do carretel do êmbolo, ajuste dinâmico de até 100 Hz considerando avanço completo e uma vazão máxima de 350 l/min (Festo, 2012).


3007

Figura 2. Transdutor Linear de Posição

Figura 3. Válvula Eletropneumática

O modelo matemático do manipulador

pneumático foi determinado através da técnica de identificação paramétrica no seguinte trabalho (Oliveira, 2002). A sua função de transferência no domínio de Laplace é representada por um sistema de terceira ordem e definida pela equação 1 abaixo:

Equação 1 – Modelo matemático do

manipulador.

Onde s = σ+jω, representando a equação no domínio de Laplace, onde σ é a parte real e jω é a parte imaginária. Este modelo é útil para simular respostas e sintonia do controlador PID pelo método da sensibilidade limite.

2.2. Sistema de automação SCADA

Os sistemas de automação SCADA

permitem que sejam monitoradas e rastreadas informações de um sistema estático ou dinâmico (Aguirre, 2007). O sistema SCADA desenvolvido neste trabalho para o manipulador eletropneumático realizar essas funções, tem como equipamento de aquisição de dados um CLP que apresenta o comportamento do sistema em uma tela de supervisão no microcomputador. A Figura 4 mostra a tela desenvolvida para realizar a supervisão. Foi usada a plataforma Elipse SCADA® versão Elipse Pro®.

Nesta tela o operador define a peça que será manipulada e para que posição a mesma deve reposicionada. O CLP utilizado neste trabalho

foi o Twido Schneider com 24 entradas e 16 saídas digitais na CPU. O mesmo foi acrescido de 4 entradas e 2 saídas analógicas através de cartões de expansão (Schneider, 2013).

Figura 4. Tela do Supervisório

A comunicação entre o CLP e o sistema de

supervisão é realizada através do Protocolo Modbus. O Protocolo Modbus equivale a uma camada de aplicação e pode utilizar Ethernet como meio físico (Moraes, 2007). O mecanismo de controle de acesso é do tipo Cliente-Servidor. A estação mestre (PC com supervisório) envia mensagens solicitando do escravo (CLP) que envie os dados lidos pela instrumentação ou envia sinais a serem escritos nas saídas, para o controle das válvulas. O protocolo possui comandos para envio de dados discretos (entradas e saídas digitais) ou numéricos (entradas e saídas analógicas) (Modicon, 2013). O diagrama de blocos da Figura 5 representa a rede industrial desenvolvida neste trabalho.

Figura 5. Rede cliente-servidor

O Protocolo OPC é um protocolo de

comunicação de dados, que permite, a partir de um conjunto de regras, a comunicação entre aplicações com softwares distintos. Esta característica torna possível o controle e a integração com sistemas supervisórios


3008

industriais em tempo real, permitindo modelar, analisar e simular sistemas dinâmicos para aplicações diversas. Neste trabalho será integrado o Matlab® (toolbox Neural Network) com o sistema SCADA® Elipse Pro® para desenvolver e treinar uma RNA (OPC Foundation, 2013).

2.3. Rede Neural Artificial MLP

Desde sua concepção em meados dos anos 40 os neurônios artificiais propostos por Mcculloch-Pitts evoluíram para atuais redes neurais artificiais (RNA). Denomina-se RNA um processador paralelamente distribuído constituído de unidades de processamento simples, que têm a propensão natural para armazenar conhecimento experimental e torna-lo disponível para uso (Haykin, 2001). Dentre elas se destacam as redes Perceptron Simple (PS) e as redes Perceptron Multicamadas (MLP). As redes MLP tem a capacidade de realizar mapeamentos não lineares complexos, sendo, portanto, muito úteis em aplicações como reconhecimento de padrões e controle de processos dinâmicos. Elas são adotadas nesse trabalho devido à simplicidade de implementação e treinamento (Nascimento, 2004).

A RNA MLP usada neste trabalho possui sua arquitetura de três camadas: uma camada de entrada com três neurônios, uma camada oculta com dez neurônios e uma camada de saída com apenas um neurônio, a qual fornece o sinal de controle para o CLP. Desta maneira a RNA emula funções de transferência não lineares e atua como controlador.

O treinamento típico por backpropagation (algoritmo de retro propagação do erro). De acordo com Beale e Jackson (1990), o algoritmo de backpropagation pode ser visto como uma generalização do método Delta para redes neurais de múltiplas camadas. A regra Delta modifica os pesos de acordo com a variação entre a saída desejada e a observada no treinamento (Másson e Wang, 1990), reduzindo o erro continuamente até um determinado valor aceitável.

O método de aprendizagem utilizado é chamado de aprendizado com supervisão forte e consiste no ajuste de pesos baseados na minimização de erro quadrático em relação a uma amostra de pares entrada-saída. A regra usada para ajustar os pesos e o “bias” da rede, visando à minimização da soma do erro quadrático da rede, altera continuamente os valores dos pesos na direção decrescentes do erro. O treinamento continua até que o erro aceitável seja obtido ou um número máximo de iterações, alcançado. A taxa de aprendizado

especifica a intensidade das mudanças nos pesos.

3. Metodologia

A metodologia adotada divide o trabalho

em duas etapas o desenvolvimento do sistema de automação e o desenvolvimento do controlador com RNA. A primeira parte da metodologia aborda o desenvolvimento do sistema supervisório usando a plataforma Elipse SCADA. A montagem da rede cliente servidor integra o SCADA ao Matlab® através do protocolo OPC, em seguida o SCADA com o CLP através do protocolo Modbus. Para finalizar a etapa de automação são montados os sensores (posição/pressão) e os atuadores (válvulas e cilindros pneumáticos).

A etapa de desenvolvimento do controlador com RNA engloba aquisição de dados da planta para o desenvolvimento e treinamento da RNA off line. Neste treinamento são adquiridas cerca de 190 posições destas 80% são usadas para treinar a rede os 20% restantes são usados para verificar a aprendizagem da rede.

A validação da RNA como controlador do manipulador pneumático ocorre conforme mostrada na Figura 6. O operador a partir do sistema supervisório definiu uma posição desejada (SP) que será uma entrada para a RNA que atua no manipulador levando o mesmo para posição desejada. Este processo ocorre em malha fechada com realimentação do sinal da posição real do manipulador.

Também está incluso nesta etapa de desenvolvimento do controlador a sintonia de um controlador PID clássico para o manipulador com o objetivo de comparar o desempenho do mesmo com a RNA.

Figura 6. Validação da Rede neural

Usando o modelo matemático do sistema

eletropneumático (Equação 1) (Ogata, 1990) e aplicando o Método da Sensibilidade Limite. Este método, baseado no ajuste de uma malha fechada até se obterem oscilações com amplitude constante. Neste ponto obtemos o ganho critico que é o ganho mínimo que torna o processo criticamente estável, e o período de oscilação correspondente. Com estes dois parâmetros e consultando as tabelas de Ziegler e Nichols (Ogata, 1990), estas tabelas sugerem os valores dos parâmetros do PID, com isso


3009

obtemos os ganhos para o controlador PID (Phillips, 1991).

Para implementação os parâmetros calculados foram aplicados nos blocos PID do próprio CLP Twido Schneider. Os valores encontrados para os ganhos usando o método descrito acima foram Kp 30, Ti 10 e Td 15. A Figura 7 mostra essa etapa do trabalho.

Figura 7. Controlador PID

4. Resultados

O primeiro resultado é a comparação entre

o valor de regime fornecido pela rede neural e a entrada de referência quando diferentes posições são testadas. A Figura 8 abaixo mostra a comparação entre a posição real e posição desejada. Nesta figura é possível confirmar que a RNA segue o sinal de referencia que corresponde a uma posição do manipulador.

O segundo resultado é o desempenho dinâmico do controle com a rede neural em comparação com o controle PID, também para diferentes posições. A figura 9 abaixo mostra o comparativo da resposta do PID e da rede neural para uma variação de posição do manipulador.

Analisando as curvas (Figura 9) que descrevem o comportamento apresentado pelo controlador PID o mesmo é satisfatório para aplicações industriais que não exigem severas condições em termos de precisão e velocidade para sistemas de controle de posição pneumáticos. Também é robusto às variações naturais das instalações pneumáticas.

Figura 8. Controlador com rede neural com valores da saída da rede e valor desejado

O controlador com rede neural apresentou um comportamento com melhores características que o controlador PID. Isto se deve principalmente as não linearidades do manipulador pneumático. De um modo geral considerando como critérios de desempenho um erro de 2% em regime permanente e um tempo de acomodação de 5 segundos ambos controladores atendem essas especificações.

O comportamento no regime transitório do controlador PID apresentou um sobre sinal e oscilação enquanto o controlador com rede neural se comportou como um sistema de primeira ordem, apenas com tempo morto (ver Figura 9), A curva verde representa o sinal de referencia e a curva azul a posição atingida pelo controlador PID. Mas o maior problema é o tempo que será necessário para realizar a sintonia do Controlador PID se houver variações na planta.

O controlador com RNA atende aos mesmos critérios de desempenho sem a perda de tempo gasto na sintonia do controlador PID. O tempo necessário para treinamento da rede e simulação da mesma foi de no máximo 10 segundos. Neste trabalho foi utilizado o Matlab® para treinar, simular e aperfeiçoar o controlador com RNA para o controle do manipulador.

Os resultados podem ser observados nas Figuras 10 e 11. Nestas figuras a curva verde representa o sinal de referência e a curva azul a posição atingida pelo controlador com RNA. As Figuras 9, 10 e 11 foram geradas a partir das telas do sistema supervisório desenvolvido neste trabalho.

5. Trabalhos futuros

A capacidade de um manipulador de

controlar as forças de contato ao tocar peças, ferramentas ou superfícies de trabalho é de grande importância na aplicação dos manipuladores na indústria. O manipulador eletropneumático, apresentado neste trabalho, também pode realizar o controle de força sobre as peças manipuladas. Porém não foi abordada neste trabalho a problemática deste controle, ficando aqui a possibilidade de futuros trabalhos aplicada a essa problemática.

Poderão ser utilizadas várias técnicas para controle de força dentre as quais podemos citar: controle convencional de força; controle avançado de força baseados em controle adaptativo e controle robusto; controle inteligente de força usando MLP e RNA de função de base radial (Barreto, 2002). Como pode ser observado existem várias técnicas de controle que poderão ser utilizadas para controle de foça, isso possibilita múltiplos trabalhos


3010

futuros para o controle de força do manipulador aqui apresentado.

Figura 9. Controlador PID

Figura 10. Controlador com RNA

Figura 11. Controlador com RNA

6. Conclusões

O emprego das redes neurais em controle

de posição de manipuladores industriais é uma alternativa às técnicas de controle convencional que necessitam do conhecimento analítico do modelo do manipulador. A vantagem do emprego de redes neurais reside justamente na não necessidade do conhecimento da planta, sendo capaz de aprender o modelo cinemático e dinâmico do manipulador, incluindo as não linearidades, e também as incertezas.

Apesar das redes neurais usadas neste trabalho necessitarem de um período de aquisição de dados pelo sistema supervisório e um período de treinamento com o Matlab®. Baseado nos resultados obtidos, os autores

entendem que as redes neurais podem ser uma solução para sistemas eletropneumáticos industriais, principalmente as aplicações chamadas de ‘automação pneumática proporcional’ que devido a suas não linearidades necessitam de ajustes quase diários na indústria. Este é o principal ganho das redes neurais em relação com controladores PID clássicos sintonizados apenas para um ponto de operação. Com isso observa-se que a RNA aplicada no controle do manipulador obteve melhores resultados comparados com o PID, ocasionando um alcance mais rápido ao set-point e um erro menor.

Referências Bibliográficas

Aguirre (2007), L. A. (Ed.). Enciclopédia de

Automática: Controle e Automação. 1. ed. São Paulo: Blutcher, v. III, 2007.

Aguirre (2007), L. A. (Ed.). Enciclopédia de Automática: Controle e Automação. 1. ed. São Paulo: Blutcher, v. II, 2007.

Barreto, G.A. and Ritter, H. (2002). "Implementation of a distributed control system for PUMA 560 robot based on a temporal selforganizing network", Revista Controle & Automação, 13(2):141-155.

Battistela. S., De Pieri. R. (1999). Controle de Posição de um Robô Manipulador SCARA utilizando Redes Neurais Artificiais comTreinamento On-Line. Proceedings of the IVBrazilian Conference on Neural Networks - IVCongresso Brasileiro de Redes Neurais pp. 338-343, July 20-22, 1999 - ITA, S˜ao Jos´e dos Campos - SP – Brazil.

Beale, R.; Jackson, T. (1990). “Neural Computing: an Introduction. Bristol, Adam Hilger.

Campos, M. Massa de. (2004). Sistemas inteligentes em controle e automação de processo. Rio de janeiro: editora ciência moderna ltda.

Craig, John J. (2012) Robótica. 3ª edição. São Paulo: Editora Pearson .

FESTO (2001). Válvulas Proporcionais. Festo Br., p. 19. 2001. Manual Técnico.

FESTO BRASIL LTDA (2012). Documentação para Unidades lineares SLM. Festo Brasil Ltda, p. 17. 2012. Manual Técnico.

Haykin, S. (2001). Redes Neurais, Princípios e Prática, Tradução de Paulo Martins Engel. 2ª Edição, Editora Bookman, Porto Alegre-RS.

Lima. Thiago L. V. de, (2011). Desenvolvimento e Controle Neural de Um Manipulador com dois Graus de Liberdade. X SBAI – Simpósio Brasileiro de


3011

Automação Inteligente 18 a 21 de setembro de 2011. São João del-Rei - MG - Brasil

Liu, S., Bobrow, J., (1988), An Analysis of a Pneumatic Servo System and its Application to a Computer-controlled Robot. ASME Journal of Dynamic Systems, Measurement and Control, Vol. 110, pp 427-433.

Másson, E.; Wang, Y.-J. (1990). "Introduction to Computation and Learning in Artificial Neural Networks”. European Journal of Operational Research, North-Holand, vol. 47, pp. 1 - 28.

Moraes, Cícero C. (2007). Engenharia de automação Industrial. 2ª edição – Rio de Janeiro: LTC 2007.

MODICON. (2006). Modicon Modbus Protocol Reference Guide, Disponível em: <http://www.modbus.org>. Acesso em: 6 de janeiro 2014.

Narenda, K.S.,(1996), “Neural Networks for Control: Theory and Pratices”, Proceedings of the IEEE, 84(10), October.

Nascimento Junior, C. Lucio. (2004). Inteligência artificial em controle e automação. São Paulo: Blucher: FAPESP, 2004.

Ogata, Katsuhiko. (1990) Modern Control Engineering, Prentice Hall, 1990.

Oliveira, B. S., (2002). Avaliação de Desempenho de um servoposicionador pneumático sob a ação de um controlador LQG, Tese de doutorado, UFPB.

OPC FOUNDATION (2013), What is OPC?. Disponível em: <http://www.opcfoundation.org/ > Acesso em: 26 de janeiro de 2014.

Paul, R. P., Robot Manipulators: Mathematics, Programming and Control, the MIT Press, Massachusetts, 1981.

Phillips and R. D. Harbor,(1991). Feedback Control Systems, Prentice Hall, 1991.

Romano, V. R. (2002). “Robótica Industrial”. 1ª ed. São Paulo: Ed. Edgard Blücher LTDA.

SCHNEIDER (2013), Controlador Lógico Programável TWIDO. Disponível em:< http://www.downloads.schneider-electric.com/ > Acesso em: 12 de dezembro de 2013.

Virvalo, T., (1995), Modeling and Design of a Pneumatic Position Servo System Realized with Commercial Components. PhD Thesis, Tampere, Finland.


3012

Documents

OLE for Process Control OLE for Process Control - swge.inf.brswge.inf.br/CBA2014/anais/PDF/1569933701.pdf · Resumo – Este trabalho apresenta a aplicação prática de uma Rede