Baixe o app para aproveitar ainda mais
Prévia do material em texto
ROTEIRO DE AULA PRÁTICA DE ENGENHARIA ELÉTRICA PRÁTICA LABORATORIAL - I 1 Componente curricular Projetos de Automação Industrial 2 Título de aula prática Método de modelagem empírica 3 Tempo previsto 2 hora-aula 4 Objetivos A �nalidade da prática e a de demonstra e aplicar métodos de modelagem empírica de sistemas. 5 Referencial Teórico 5.1 Método de Smith � Primeira Ordem O Dr. Cecil Smith (1972) propôs que os valores de θ e de τ sejam selecionados de tal modo que o modelo e as respostas reais coincidam em dois pontos que apresentam elevada taxa de variação. Os valores intermediários determinados a partir do grá�co são a magnitude do valor aplicado na entrada e a magnitude do estado de mudança na saída, sendo adotados dois tempos, em que o primeiro é quando a saída atinge 28%, e o segundo, 63% do valor �nal da saída.(Marlin, T. E.,2014) 1 Figura 1: Método de Smith K = δY (t) δu(t) Y (θ + τ) = u(t) · (1− e−1) = 0.623 · u(t) Y · (θ + τ 3 ) = u(t) · (1− e− 1 3 ) = 0.283 · u(t) t2 = θ + τ t1 = θ + τ 3 τ = 3 2 · (t2 − t1) θ = t2 − τ (1) 5.2 Método de Sundaresan e Krishnaswamy - Primeira Ordem Este método também evita a utilização do ponto de in�exão para estimar a constante de tempo τ e de atraso de transporte θ. Eles propuseram que dois tempos, t1 e t2, sejam estimados a partir da curva de resposta a um degrau, correspondente aos 35.3% e 85.3% da resposta, respectivamente.(Marlin, T. E.,2014) K = δY (t) δu(t) t2 − θ = 1.91723 · τ t1 − θ = 0.43541 · τ τ = 0.67233.(t2 − t1) θ = 1.29273 · t1 − 0.292737 · t2 (2) 2 PRÁTICA LABORATORIAL - I Figura 2: Método de Sundaresan e Krishnaswamy 5.3 Método de Broida - Primeira Ordem Broida traçou a resposta do sistema de primeira ordem sobre a curva de ordem superior obtida experimentalmente. Veri�cou que havia um intervalo comum entre elas que �cava entre 28% e 40%. K = δY (t) δu(t) τ = 5.5 · (t2 − t1) θ = 2.8 · t1 − 1.8 · t2 (3) 6 Equipamentos necessários Para a realização da prática, é necessário obter o(s) iten(s) apresentado(s) na tabela 1. Tabela 1: Relação de equipamentos utilizados na aula prática item Quant. Descrição 1 1 Scilab - www.scilab.org 2 1 Computador 7 Procedimentos experimentais Para a realização da prática vamos adotar a função de transferência apresentada a seguir: G(s) U(s) = 2 s3 + 4s2 + 5s+ 2 (4) Monte a seguinte estrutura dentro do Xcos. Ao levantar a curva de resposta teremos grá�co a seguir. Agora com o grá�co gerado aplique os dois métodos e determine a função de transferência aproxi- mada de primeira ordem. 3 PRÁTICA LABORATORIAL - I Figura 3: Scilab/Xcos 0 20 4010 302 4 6 8 12 14 16 18 22 24 26 28 32 34 36 381 3 5 7 9 11 13 15 17 19 21 23 25 27 29 31 33 35 37 39 0 2 1 0.2 0.4 0.6 0.8 1.2 1.4 1.6 1.8 t y Figura 4: Resposta ao degrau unitário 8 Cálculos e análises de resultados Para realizar a análise dos resultados use o Scilab para gerar as curvas de respostas dos três modelos encontrados e indique aquela que apresentou o menor erro de aproximação. Referências [1] BOMFIM JUNIOR, Florisvaldo Cardozo. Modelagem de Funções de Transferência de Plantas Industriais em Malha Aberta e Fechada utilizando Algoritmos Genéticos. 2017. 51 f. Disserta- ção (Mestrado em Engenharia Elétrica)- Universidade Federal de Uberlândia, Uberlândia, 2017. Programa de Pós-graduação em Engenharia Elétrica. [2] Biradar, S., Hote, Y. V., and Saxena, S. (2016). Reduced-order modeling of linear time invariant systems using big bang big crunch optimization and time moment matching method. Applied Mathematical Modelling, 40(15�16):7225 � 7244. [3] Cabral, H. A. and de Melo, M. T. (2011). Using genetic algorithms for device modeling. IEEE Transactions on Magnetics, 47(5). [4] Deb, Kalyanmoy; Agrawal, R. B. (1995). Simulated binary crossover for continuous search space. Complex Systems, 9:115�148. 4 PRÁTICA LABORATORIAL - I [5] Goldberg, D. (1989). Genetic Algorithms in Search, Optimization and Machine Learning.Addison- Wesley Professional. [6] He, T., Hong, L., Kaufman, A., and P�ster, H. (1996). Generation of transfer functions with stochastic search techniques. In Proceedings of the 7th Conference on Visualization'96, VIS '96, pages 227��., Los Alamitos, CA, USA. IEEE Computer Society Press. [7] Loyka, S. L. (1999). Applying genetic algorithm to modeling nonlinear transfer functions.In Te- lecommunications in Modern Satellite, Cable and Broadcasting Services, 1999.4th International Conference on, volume 1, pages 247�250 vol.1. [8] Marlin, T. E. (2014). Process Control: designing processes and control systems for dynamicper- formace. McGraw-Hill, Inc., 2 edition. [9] McCall, J. (2005). Genetic algorithms for modelling and optimisation. Journal of Computational and Applied Mathematics, 184:205�222. [10] Nedelea, L., Neag, M., Topa, M., Festila, L., and Topa, V. (2006). Analog �lter transfer function optimization based on a genetic algorithm. In Applied Electronics, Pielsen. [11] Tavakolpour, A. R., Darus, I. Z. M., Tokhi, O., and Mailah, M. (2010). Genetic algorithmbased identi�cation of transfer function parameters for a rectangular �exible plate system Engineering Applications of Arti�cial Intelligence. [12] MAYA, Paulo Alvaro, and Fabrizio LEONARDI. "Controle essencial."Ed Pearson Prentice Hall (2011). NBR 6023 [13] OGATA, Katsuhiko et al. Engenharia de Controle moderno; tradução Paulo Álvaro Maya; revisão técnica Fabrizio Leonardi.[et al]. São Paulo: Prentice Hall, v. 12, p. 15-17, 2003. [14] NISHIKAWA, Hiroaki. A �rst-order system approach for di�usion equation. I: Second-order residual-distribution schemes. Journal of Computational Physics, v. 227, n. 1, p. 315-352, 2007. [15] ARENALES, Selma; DAREZZO, Artur. Cálculo numérico: aprendizagem com apoio de software. Cengage Learning, 2008. [16] COLEY, David A. An introduction to genetic algorithms for scientists and engineers. World Scienti�c Publishing Co Inc, 1999. Elaboração do roteiro: Prof. Me. Florisvaldo C. Bom�m Jr Data: 15/05/2020 Revisão: Data: Organização: Prof. Me. Plauto Riccioppo Filho Data: 5 PRÁTICA LABORATORIAL - I
Compartilhar