Baixe o app para aproveitar ainda mais
Prévia do material em texto
190 11 Métodos de sintonia convencionais: Métodos de Cohen-Coon e Zigler Nichols. Avaliação das performances da malha fechada usando Scilab. O desempenho de sistemas de controle pode ser julgado pela resposta transiente da saída a uma variação específica na entrada. A variação na entrada pode ser uma variação no setpoint ou na perturbação. A seleção dos ajustes de controladores PID é baseada em critérios de resposta transiente. 11.1 Tipos de Entrada O termo resposta transiente significa a resposta de um sistema de controle a qualquer tipo de entrada, mas normalmente refere-se a uma variação degrau no setpoint ou na carga. A variação degrau é usada mais por conveniência; as soluções a essa entrada são mais fáceis de se obter do que para qualquer outro tipo de perturbação. A variação degrau também é o tipo mais severo de perturbação, e a resposta ao degrau mostra o erro máximo que ocorreria para uma eventual variação na perturbação. Se vários sistemas de controle ou ajustes de controlador são comparados, o sistema com a melhor resposta à variação na carga terá a melhor resposta a flutuações randômicas dessa carga. Quando a questão da estabilidade é analisada, não importa qual entrada é variada ou qual tipo de variação é feita, desde que o sistema seja linear. Um sistema em malha fechada instável a uma entrada, é instável a todas as entradas. 11.2 Critérios de performance para sistemas em malha fechada Sistemas em malha fechada devem satisfazer os seguintes critérios de performance: 1 - O sistema em malha fechada deve ser estável. 2 - Os efeitos da perturbação devem ser minimizados (rejeição à perturbação). 3 - Respostas rápidas e suaves a variações no setpoint. 4 - Sem offset. 5 - Evitar ações de controle excessivas (reduzir o desgaste na válvula de controle). 6 - O sistema de controle deve ser robusto, isto é, insensível a variações nas condições do processo e erros no modelo do processo. Os processos reais raramente são lineares e invariantes no tempo, embora muitas vezes sejam modelados pela linearização em torno de um ponto de operação, assumindo que a variação no tempo seja “lenta”. Portanto, em operação normal, os parâmetros diferirão dos valores 191 nominais sobre os quais é baseado o projeto do processo. Idealmente o controlador deve ser robusto, isto é, operar satisfatoriamente na presença de variações nos parâmetros da planta. Em problemas típicos de controle, não é possível alcançar todas essas metas, pois elas envolvem conflitos inerentes e balanceáveis. Por exemplo, ajustes de controlador PID que minimizam os efeitos da perturbação tendem a produzir grandes overshoots para variações no setpoint. Por outro lado, se o controlador é ajustado para dar uma resposta rápida e suave a variações no setpoint, geralmente ele resulta em controle lento para perturbações. Assim, um balanceamento é requerido para selecionar os ajustes dos controladores de modo que sejam satisfatórios tanto para variações na carga como no setpoint. Um segundo balanceamento é requerido entre robustez e performance. Normalmente um sistema de controle pode ser feito robusto escolhendo-se valores conservativos (por exemplo, cK pequeno e Iτ grande), mas essa escolha resulta em respostas lentas a variações na carga e no setpoint, em outras palavras, controle de alta performance não é conseguido. Há diversas abordagens para a especificação dos ajustes de controladores: 1 - Método da síntese direta 2 - Controle com modelo interno 3 - Relações de sintonia 4 - Técnicas de resposta frequencial 5 - Simulação em computador usando modelo 6 - Sintonização de campo após instalação Os cinco primeiros são baseados em modelo do processo, e, portanto, podem ser usados para determinar os ajustes dos controladores antes que o sistema de controle esteja instalado. Entretanto, a sintonia de campo dos controladores após a instalação freqüentemente é requerida, pois o modelo do processo raramente é exato. Conseqüentemente, o objetivo dos cinco métodos é fornecer valores aproximados para os ajustes de controladores PID que serão usados como ponto de partida para a sintonia de campo. 11.3 RELAÇÕES DE PROJETO PARA CONTROLADORES PID Nesta seção consideraremos algumas relações de projeto bastante conhecidas, baseadas em algum modelo específico, principalmente o modelo de primeira ordem com tempo morto 1s eK)s(G std +τ = − (11.1) mpf GGGG = (11.2) Os três parâmetros ( K , dt e τ ) do modelo podem ser facilmente determinados utilizando dados de resposta ao degrau. 192 11.3.1 Cohen-Coon Em 1953, Cohen e Coon publicaram algumas relações de projeto desenvolvidas empiricamente para se obter resposta em malha fechada com razão de declínio 1/4. O procedimento de Cohen e Coon também ficou conhecido como Método da curva de reação do processo. Considere o sistema de controle que foi “aberto” desligando o controlador do elemento final de controle (Figura 11.1). Introduz-se um degrau de amplitude A na variável c que atua sobre o elemento final de controle. Registra-se a resposta da saída com o tempo. A curva )t(ym é chamada de curva de reação do processo. )s(G)s(G)s(G)s(c )s(y)s(G mpfmPRC == (11.3) Figura 11.1 Teste degrau para sistema de controle aberto. Cohen e Coon observaram que a resposta da maioria dos processos a uma variação degrau apresenta uma forma sigmoidal como a da Figura 11.2, que pode ser adequadamente aproximada pela resposta de um sistema de primeira ordem com tempo morto. 193 Figura 11.2 Curva de reação do processo e sua aproximação por um sistema de primeira ordem com tempo morto. 1s eK )s(c )s(y)s(G st m PRC d +τ ≅= − (11.4) que contem três parâmetros: ganho estacionário K , tempo morto dt e constante de tempo τ . O ganho estacionário pode ser facilmente determinado lendo-se o valor final de ym na Figura 11.2, isto é, B)(ym =∞ . Assim A B entrada saidaK = ∆ ∆ = (11.5) SB=τ , em que S é a tangente no ponto de inflexão da resposta sigmoidal dt = interseção da tangente com a abcissa é tomada como o tempo morto aparente Com base no modelo aproximado, Cohen e Coon propuseram as relações de projeto sumarizadas na Tabela 11.1. Tabela 11.1 Relações de projeto de controladores por Cohen e Coon. Controlador Ajustes Cohen-Coon P cK τ + τ 3 t1 tK 1 d d PI cK τ + τ 12 t 10 9 tK 1 d d 194 Iτ τ+ τ+ d d d t209 t330 t PD cK τ + τ 6 t 4 5 tK 1 d d Dτ τ+ τ− d d d t322 t26 t PID Kc τ + τ 4 t 3 4 tK 1 d d Iτ τ+ τ+ d d d t813 t632 t Dτ τ+ d d t211 4 t Esse critério de performance (razão de declínio 1/4) apresenta algumas desvantagens 1 - Respostas com razão de declínio 1/4 são consideradas muito oscilatórias pelos operadores. 2 - O critério considera apenas dois pontos da resposta em malha fechada, os dois primeiros picos. Observação Para processos que apresentam atraso por transporte muito pequeno (tempo morto), isto é, dt próximo de zero, a curva de reação do processo se assemelha à da resposta de um sistema de primeira ordem simples. Os ajustes de Cohen e Coon indicarão valor extremamente elevado para o ganho proporcional cK . Na prática usa-se o maior valor possível para reduzir o offset seum controlador proporcional for empregado. Se for usado um controlador PI, o valor do ganho será determinado pelas características da resposta desejada. Exemplo 11.1 Ajuste de controladores feedback pelo método de Cohen e Coon. Processo Dois sistemas de primeira ordem em série ( )( )1s1s K)s(G 21 p p +τ+τ = (11.6) Medidor e válvula de controle têm dinâmicas de primeira ordem 1s KG m m m +τ = (11.7) 195 1s KG f f f +τ = (11.8) ( )( )( )( )1s1s1s1s KKK GGGG m21f mpf mpfPRC +τ+τ+τ+τ == (11.9) Temos quatro sistemas de primeira ordem em série, portanto curva sigmoidal. Para 1K p = 1K f = 1K m = 51 =τ 102 =τ 0f =τ 2m =τ A curva de reação do processo é mostrada na Figura 11.3. A figura mostra também a reta tangente no ponto de inflexão. Figura 11.3 Curva de reação do processo. A Figura 11.4 mostra a curva de reação do processo juntamente com a resposta aproximada por um sistema de primeira ordem com tempo morto. 196 Figura 11.4 Curva de reação do processo do exemplo e sua aproximação por um sistema de primeira ordem com tempo morto. Da curva de reação do processo, pode-se determinar os seguintes valores: Inclinação no ponto de inflexão 04755,0S = Resposta final 9992,0B = Constante de tempo efetivo 0122,21 04755,0 9992,0 S B ===τ Tempo morto 5909,3t d = Ganho 9992,0 1 9992,0 A BK === A rigor, a resposta final seria 1B = , mas esse valor só será atingido quando ∞→t . Com os valores acima, a função de transferência da curva de reação do processo fica 1s0122,21 e9992,0G s5909,3 PRC + = − (11.10) Utilizando a Tabela 11.1, os ajustes de Cohen-Coon podem ser calculados Controlador P 1900,6K c = 197 Controlador PI 3542,5K c = , 8234,8I =τ Controlador PID 0588,8K c = , 2543,8I =τ , 2664,1D =τ Vamos examinar agora o desempenho de cada um desses controladores. As Figuras 11.5 a 11.7 mostram as respostas a uma variação degrau unitário no setpoint usando os ajustes de Cohen-Coon. O controlador proporcional resultou em um erro em regime permanente. O controlador proporcional integral não apresenta esse erro, mas a resposta é bastante oscilatória, e o controlador proporcional integral derivativo amenizou bem as oscilações. Figura 11.5 Resposta em malha fechada a uma variação degrau unitário no setpoint com controle P. 198 Figura 11.6 Resposta em malha fechada a uma variação degrau unitário no setpoint com controle PI. Figura 11.7 Resposta em malha fechada a uma variação degrau unitário no setpoint com controle PID. 199 O método da tangente utiliza apenas um ponto para estimar a constante de tempo. Uma desvantagem desse método é a dificuldade em localizar o ponto de inflexão devido a ruídos nas medidas (erros). Sundaresan e Krishnaswamy (1977) propuseram a utilização de dois pontos da curva da resposta ao degrau correspondente a 35,3 e 85,3% do valor final da resposta e 1t e 2t são, respectivamente, os instantes em que ocorrem. O tempo morto e a constante de tempo são então calculados pelas equações 21d t29,0t3,1t −= (11.11) ( )12 tt67,0 −=τ (11.12) Esses valores de τ e dt minimizam aproximadamente a diferença entre a resposta medida e o modelo no sentido dos mínimos quadrados. Observação A estimativa de K , τ e dt de modelos aproximados de primeira ordem usando dados de resposta ao degrau pode variar consideravelmente dependendo das condições de operação do processo, da amplitude do degrau e da direção da variação. Normalmente, essas diferenças podem ser atribuídas à não linearidade nos processos. Exemplo 11.2 É o mesmo Exemplo 11.1 só que o modelo aproximado é obtido usando o método de Sundaresan e Krishnaswamy. A Figura 11.8 mostra a curva de reação do processo e os dois pontos utilizados para aproximar a curva por uma curva de primeira ordem com tempo morto. 200 Figura 11.8 Curva de reação do processo. O ganho é obtido por 9992,0 1 999,0 A BK === Os dois pontos são obtidos diretamente da curva para os seguintes valores da saída: 353,0y = ⇒ 0353,11t1 = 853,0y = ⇒ 8853,27t 2 = Com as equações 11.11 e 11.12, calculamos os seguintes: 2895,11=τ 2592,6t d = Portanto, a função de transferência é dada por 1s8853,27 e9992,0G s2592,6 PRC + = − (11.13) A Figura 11.9 mostra as curvas da resposta real e da curva aproximada a uma variação degrau unitário na entrada. 201 Figura 11.9 Curva de reação do processo do exemplo e sua aproximação por um sistema de primeira ordem com tempo morto. De posse do modelo de primeira ordem com tempo morto, podemos utilizar a Tabela 11.1 e calcular os ajustes de Cohen-Coon, os quais são: Controlador P 1388,2K c = Controlador PI 7081,1K c = , 8656,9I =τ Controlador PID 6571,2K c = , 6819,12I =τ , 0676,2D =τ O desempenho de cada um desses controladores pode ser visualizado nas Figuras 11.10, 11.11 e 11.12, para os controladores P, PI e PID, respectivamente. Percebe-se nitidamente que o melhor desempenho é do controlador PID. 202 Figura 11.10 Resposta em malha fechada a uma variação degrau unitário no setpoint com controle P. Figura 11.11 Resposta em malha fechada a uma variação degrau unitário no setpoint com controle PI. 203 Figura 11.12 Resposta em malha fechada a uma variação degrau unitário no setpoint com controle PID. 11.3.2 Regras de Ziegler-Nichols Regras para determinação dos parâmetros do controlador PID baseadas nas características da resposta transitória de determinada planta. Foram dois os métodos publicados por Ziegler e Nichols (ZN) em 1942. Ambos os métodos foram desenvolvidos empiricamente visando à obtenção de uma de razão de declínio de 1/4. 1o Método - Via oscilação limite Consiste em determinar experimentalmente o ganho último uK , isto é, o valor do ganho no qual a malha está no limite da estabilidade (marginalmente estável) com um controlador proporcional. O controlador é operado em malha fechada com o sistema a ser controlado. Os modos integral e derivativo (se existirem) são mantidos inoperantes ( ∞=τI , 0D =τ ), e o ganho proporcional é aumentado lentamente até atingir o valor em que começa a ocorrer a oscilação contínua das variáveis do sistema. Esse valor do ganho proporcional corresponde a uK do método Ziegler-Nichols. O período de oscilação resultante é chamado de período último, uP (minutos por ciclo). Os ajustes ZN são então calculados a partir de uK e uP usando as fórmulas dadas na Tabela 11.2 para os três tipos de controladores. Note que ganho menor é usado quando a ação integradora é incluída no controlador (PI) e a adição de ação derivativa permite um ganho maior e ajuste mais rápido. Se a saída não exibir oscilações sustentadas para nenhum valor que cK possa assumir, então este método não se aplica. 204 A maneira mais simples de introduzir um distúrbio é mover o setpoint durante um pequeno intervalo de tempo e então voltá-lo a seu valor original. Esse procedimento equivale a introduzir uma função pulso no erro, fazer com que o sistema responda e ainda permanecer dentro de uma faixa estreita em torno do ponto de operação normal do processo. Um tipo alternativo de distúrbio seria introduzirpequenas variações degrau no setpoint. Se forem usadas variações degrau para induzir transientes, as sucessivas variações degrau devem alternar em torno do ponto de operação normal do processo. É importante que o distúrbio seja o menor possível, especialmente quando o ganho do controlador é aumentado, assim a válvula e demais componentes não excedem seus limites físicos. Figura 11.13 Diagrama de blocos para a determinação experimental do ganho último. Figura 11.14 Oscilação contínua da variável do sistema. Tabela 11.2 Ajustes Ziegler-Nichols para controladores. Controlador cK Iτ Dτ P 2K u PI 2,2K u 2,1Pu PID 7,1K u 2Pu 8Pu As relações de sintonia ZN foram desenvolvidas empiricamente para dar uma razão de decaimento 1/4. Essas relações de sintonia têm sido largamente utilizadas na indústria e servem como um caso base conveniente para comparar esquemas de controle alternativos. Para algumas malhas de controle, o grau de oscilação associado com a razão de declínio ¼ e o grande overshoot correspondente para variação no setpoint são indesejáveis. Assim, ajustes mais conservativos são preferidos, tais como os ajustes ZN modificados. Tabela 11.3 Ajustes Ziegler-Nichols original e modificados para controlador PID. cK Iτ Dτ 205 Original (razão de declínio ¼) uK6,0 2Pu 8Pu Pequeno “overshoot” uK33,0 2Pu 3Pu Sem “overshoot” uK2,0 2Pu 3Pu 2o Método – Via ensaio de resposta ao degrau O segundo método para ajustar o controlador é o método da curva de reação do processo. Este método é baseado em um teste experimental aplicado com o controlador no modo manual. É introduzida uma pequena perturbação degrau na saída do controlador registrando-se a curva da variável medida versus tempo. As perturbações devem ser suficientemente pequenas para assegurar a operação na faixa linear. A curva de saída é chamada de curva de reação do processo. Deve-se admitir que não ocorram variações de carga durante o teste. Uma curva de reação do processo típica é dada na Figura 11.15. Se a curva de reação do processo apresenta forma sigmoidal, usualmente o seguinte modelo pode fornecer um ajuste satisfatório: Figura 11.15 Levantamento da curva de reação do processo. 1s eK)s(G)s(G)s(G)s(c )s(y st mpf m d +τ ≅= − (11.14) Tabela 11.4 Relações de sintonia de Ziegler-Nichols (método da curva de reação do processo). Tipo de controlador cK Iτ Dτ P τ dtK 1 ∞ 0 PI τ dtK 9,0 dt33,3 0 PID τ dtK 2,1 dt2 dt5,0 Se a resposta não apresenta uma curva em forma de S, este método não se aplica. Na verdade, as relações de sintonia de Cohen-Coon foram desenvolvidas originalmente como uma modificação da abordagem da curva de reação do processo para os casos onde o processo não pode ser modelado adequadamente pela equação 11.14. 206 Exemplo 11.3 Determine o ganho limite e o período limite para o modelo de processo ( )31s 1)s(G + = (11.15) A equação característica à malha fechada é 0)s(GK1 c =+ (11.16) ( ) 01s 1K1 3c =+ + (11.17) 0K1s3s3s c 23 =++++ (11.18) Para a determinação de uK podemos usar o método da substituição, que consiste em substituir s por ωj (raízes sobre o eixo imaginário): ω= js ⇒ uc KK = (11.19) 0K1j33j u23 =++ω+ω−ω− (11.20) ( ) ( ) 03jK13 3u2 =ω+ω−+++ω− (11.21) A equação é satisfeita com 0K13 u 2 =++ω− (11.22) e 033 =ω+ω− (11.23) ( ) 032 =+ω−ω (11.24) 3±=ω (11.25) Substituindo na equação 11.22 tem-se 8K u = (11.26) 6276,32Pu = ω pi = (11.27) Experimentalmente, o ganho-limite e o período-limite são determinados por tentativa e erro seguindo os passos a seguir. 207 Passo 1. ∞=τ I , 0D =τ Passo 2. cK pequeno Passo 3. Aumentar cK até que ocorram oscilações mantidas para pequenas variações no setpoint ou na carga. A Figura 11.16 mostra alguns resultados do procedimento experimental, em que foi variado o valor do cK . Note que para 8K c = a resposta apresenta oscilação contínua com período de oscilação de 3,60 unidades de tempo, portanto 8K u = e 60,3Pu = . O valor de uK obtido experimentalmente está de acordo com o valor obtido analiticamente. Figura 11.16 Resultados experimentais da resposta ao impulso para valores crescentes de cK . Exemplo 11.4 Sintonia do controlador PID usando as regras Z-N Para o modelo de processo 1s7 e4)s(G s5,3 + = − (11.28) Para obter o valor de uK analiticamente, podemos usar a aproximação de Padé 1/1 para o tempo morto 208 s75,11 s75,11 e s5,3 + − = − (11.29) Com essa aproximação, a equação característica fica 0 1s7 e4K1 s5,3 c =+ + − (11.30) 0eK41s7 s5,3c =++ − (11.31) 0 s75,11 s75,11K41s7 c =+ − ++ (11.32) ( )( ) ( ) 0s75,11K4s75,111s7 c =−+++ (11.33) 0sK7K41s75,8s25,12 cc2 =−+++ (11.34) ( ) ( ) 0K41sK775,8s25,12 cc2 =++−+ (11.35) Pelo critério de Routh, as condições necessárias para que o sistema seja estável são 0K775,8 c >− ∴ 25,1K c < 0K41 c >+ ∴ 25,0K c −> Usando o método da substituição para determinação de uK , temos que substituir s por ωj ω= js ⇒ uc KK = ( ) ( ) 0K41jK775,825,12 uu2 =++ω−+ω− (11.36) ( ) ( ) 0K775,8j25,12K41 u2u =ω−ω+ω−+ (11.37) 025,12K41 2u =ω−+ (11.38) ( ) 0K775,8K775,8 uu =−ω=ω−ω (11.39) A equação é satisfeita com 0K775,8 u =− ∴ 25,1K u = Substituindo na equação 11.37, tem-se 209 6999,0±=ω ∴ 9773,82Pu = ω pi = Um ambiente propício para simular sistemas em malha fechada é o Xcos. Uma das principais vantagens em usar o Xcos é que os tempos mortos são facilmente manuseados sem necessidade de usar aproximações. É recomendável que o leitor tenha algum conhecimento sobre este software que acompanha o Scilab. Kwong (2011) mostra aplicações de Xcos em controle de processos. O modelo em Xcos para simular o sistema de controle é pelo diagrama de blocos da Figura 11.17. Os parâmetros dos blocos Função de Transferência, Tempo Morto e do Controlador PID são mostrados na Figura 11.8. Para obter o ganho limite do controlador proporcional, podemos mudar o valor de cK do bloco PID e simular a resposta em malha fechada até que a saída oscile de forma sustentada como mostra a Figura 11.19. O valor de cK corresponde então ao ganho-limite uK . Figura 11.17 Modelo em Xcos para simular o sistema de controle. (a) 210 (b) (c) Figura 11.18 Parâmetros dos blocos do modelo em Xcos. (a) Bloco Função de Transferência; (b) bloco Tempo Morto; (c) bloco PID. Figura 11.19 Resposta da planta no ensaio de oscilação limite. Assim, os valores experimentais são 95,0K u = 12Pu = Com esses valores limites, os ajustes do controlador PID pelo método de Ziegler e Nichols via oscilação limite são 211 57,0K c = 6I =τ 5,1D =τ O quadro a seguir mostra os valores dos ajustes pelos diferentes métodos de Ziegler eNichols. cK Iτ Dτ Z-N original 0,57 6,0 1,5 Pequeno overshoot 0,31 6,0 4,0 Sem overshoot 0,19 6,0 4,0 Exemplo 11.5 Para o modelo de processo ( )( )1s51s10 e2)s(G s ++ = − (11.40) a equação característica é ( )( ) 01s51s10 e2K1 s c =++ + − (11.41) ( )( ) 0eK21s51s10 sc =+++ − (11.42) 0eK21s15s50 sc 2 =+++ − (11.43) Para obter o valor de uK analiticamente, podemos usar a aproximação de Padé 1/1 para o tempo morto 0 s5,01 s5,01K21s15s50 c2 =+ − +++ (11.44) ( ) 0K21sK5,15s5,57s25 cc23 =++−++ (11.45) Fazendo a substituição de s por ωj ( ) 0K21jK5,155,57j25 cc23 =++ω−+ω−ω− (11.46) ( ) ( ) 0K5,1525jK215,57 c3c2 =ω−ω+ω−+++ω− (11.47) Essa equação é satisfeita com 212 0K215,57 c2 =++ω− (11.48) e 0K5,1525 c3 =ω−ω+ω− (11.49) ( ) 0K5,1525 c2 =−+ω−ω (11.50) 0K5,1525 c2 =−+ω− (11.51) A solução das equações 11.48 e 11.51 é 0581,8K u = 5455,0±=ω ∴ 5182,112Pu = ω pi = Os valores experimentais na oscilação limite são 88,7K u = 6,11Pu = e estão de acordo com o valores obtidos analiticamente. Assim, os ajustes do controlador PID pelo método de Ziegler e Nichols via oscilação limite são 73,4K c = 8,5I =τ 45,1D =τ Exemplo 11.6 Considere o sistema representado pela Figura 11.20. Figura 11.20 Diagrama de blocos. Para inativar os modos integral e derivativo, impomos 213 ∞=τ I , 0D =τ A função de transferência global fica ( )( ) c c sp K5s1ss K )s(y )s(y +++ = (11.52) A equação característica do sistema em malha fechada é 0Ks5s6s c23 =+++ (11.53) O arranjo de Routh para essa equação é c c c 0 1 2 3 K 6 K30 K6 51 s s s s − Se 30K c = ⇒ oscilações mantidas ∴ 30K u = Para achar a freqüência de oscilação mantida, substituímos ω= js na equação característica 030)j(5)j(6)j( 23 =+ω+ω+ω (11.54) ( ) ( ) 05j56 22 =ω−ω+ω− (11.55) que é satisfeita com 52 =ω ou 5=ω Portanto, 81,2 5 22Pu = pi = ω pi = Assim, os ajustes do controlador PID pelo método de Ziegler e Nichols via oscilação limite são: 18K6,0K uc == 405,1P5,0 uI ==τ 35124,0P125,0 uD ==τ 214 Exemplo 11.7 Um resultado inesperado Para o sistema de controle mostrado na Figura 11.21, determine os ajustes do controle PI usando o método Z-N e o método C-C usando a curva de reação do processo. Figura 11.21 Diagrama de blocos. A resposta ao degrau unitário é dada por t23 e1tt 2 1 t 6 11)t(y − +++−= (11.56) Para achar a reta tangente no ponto de inflexão, derivamos duas vezes )t(y com relação a t . t3 et 6 1)t(y −=ɺ (11.57) ( )32t tt3e 6 1)t(y −= −ɺɺ (11.58) A localização do ponto de inflexão da resposta ao degrau )t(y pode ser obtida igualando a segunda derivada a zero. ( )32t tt3e 6 10 −= − (11.59) Resolvendo para t encontramos 3t = , e a tangente neste ponto é 224,0e3 6 1)3(y 33 == −ɺ (11.60) Assim 224,0S = O valor de y no ponto de inflexão é 353,0)3(y = . O tempo morto corresponde ao instante t onde a reta tangente corta o eixo- t , e pode ser calculado por 215 224,0S t3 0353,0 d == − − ∴ 42,1t d = 46,4 224,0 1 S B ===τ A Figura 11.22 mostra a curva de reação do processo juntamente com a resposta aproximada por um sistema de primeira ordem com tempo morto. Figura 11.22 Curva de reação do processo do exemplo e sua aproximação por um sistema de primeira ordem com tempo morto. Utilizando a Tabela 11.1 obtém-se os seguintes parâmetros do controlador PI: 91,2K c = 86,2I =τ Um resultado inesperado Usando esses valores de cK e Iτ , a resposta ao degrau no setpoint e mostrada na Figura 11.23 foi obtida. 216 Figura 11.23 Resposta ao degrau no setpoint pelo método de Cohen-Coon baseado na linha tangente no ponto de inflexão. Para nossa surpresa, o sistema é instável. Examinemos agora a estabilidade desse sistema de controle com os ajustes determinados pelas relações de Cohen-Coon. ( ) 01s 1 s 11K1 4 I c = + τ ++ (11.61) ( ) 0KsKs4s6s4s cIcI2I3I4I5I =+τ+τ+τ+τ+τ+τ (11.62) 091,2s18,11s44,11s16,17s44,11s86,2 2345 =+++++ (11.63) 91,2 007353,3 91,207592,3 04551,103,14 91,244,1144,11 1826,1116,1786,2 − Há duas inversões de sinal, o que indica a existência de duas raízes com partes reais positivas na equação característica; portanto, pelo critério de Routh, o sistema é instável, confirmando assim a resposta da Figura 11.23. Mas como isso é possível? Não vamos nos precipitar em julgar erroneamente as relações de Cohen-Coon. 217 Vejamos agora o uso do método de Sundaresan e Krishnaswamy. Os instantes 1t e 2t podem ser determinados pelas equações 1t 1 2 1 3 11 e1tt2 1 t 6 11353,0)t(y − +++−== (11.64) 2t 2 2 2 3 22 e1tt2 1 t 6 11853,0)t(y − +++−== (11.65) cujas soluções são dadas por 0010,3t1 = e 0477,6t 2 = . Assim, 1475,2t29,0t3,1t 21d =−= (11.66) ( ) 0412,2tt67,0 12 =−=τ (11.67) e o modelo aproximado é 1s0412,2 e)s(G 1475,2 + = − (11.68) A Figura 11.24 compara a curva obtida pelo método de Sundaresan e Krishnaswamy com a curva de reação do processo. Figura 11.24 Curva de reação do processo do exemplo e sua aproximação por um sistema de primeira ordem com tempo morto obtida pelo método de Sundaresan e Krishnaswamy. 218 Utilizando as relações de Cohen-Coon (Tabela 11.1) obtêm-se os seguintes parâmetros do controlador PI: 9389,0K c = 3702,2I =τ Note que o valor de cK agora é bem menor do que o valor anterior, o que leva à expectativa de que a resposta será estável. Usando esses valores de cK e Iτ , a resposta ao degrau no setpoint mostrada na Figura 11.25 foi obtida. Figura 11.25 Resposta ao degrau no setpoint pelo método de Cohen-Coon usando modelo identificado pelo método de Sundaresan e Krishnaswamy. Um método mais sofisticado é a dos parâmetros do modelo via mínimos quadrados, onde uma rotina de otimização numérica selecionará a melhor combinação dos parâmetros de modo que minimize o erro do ajuste. O erro do ajuste é definido pelo escalar ( )2 i modeloexp yyJ ∑ −= …,3,2,1i = (11.69) O Scilab contém algumas funções que podem ser utilizadas para resolver problemas de otimização. Uma delas é a função fminsearch, que calcula o mínimo irrestrito de uma função pelo algoritmo de Nelder e Mead. A forma mais simples de usar é: x=fminsearch(costf,x0) 219 onde costf nome da função que contém a função objetivo x0 vetor com os chutes iniciais Programa //Curva de reação do processo ajustada por um sistema de primeira ordem //com tempo morto // clear clc clearglobal functionf=fopdt(x) //Calcula a soma dos quadrados dos erros global t taup=x(1) td=x(2) for i=1:length(t) yplant(i)=1-(1/6*t(i)^3+1/2*t(i)^2+t(i)+1)*exp(-t(i)) if t(i)<=td ymodel(i)=0 else ymodel(i)=1-exp(-(t(i)-td)/taup) end end e=yplant'-ymodel' f=e*e' //escalar J endfunction global t t=0:0.1:20; //Estimativa inicial taup=1; td=1; //Minimiza a soma dos quadrados dos erros x0(1)=taup; x0(2)=td; x=fminsearch(fopdt,x0'); taup=x(1) td=x(2) for i=1:length(t) yplant(i)=1-(1/6*t(i)^3+1/2*t(i)^2+t(i)+1)*exp(-t(i)); if t(i)<=td ymodel(i)=0; else ymodel(i)=1-exp(-(t(i)-td)/taup); end end //Plota as curvas da resposta real e a resposta aproximada scf(1) clf plot(t,yplant,'k-',t,ymodel,'k:') xlabel('t') ylabel('y') 220 legend(['Planta','Modelo'],4) //Ganho do processo de primeira ordem aproximado Kp=ymodel($); //Imprime os parâmetros do modelo FOPDT disp('Parâmetros do modelo FOPDT') printf('\n') printf('Kp = %f\n',Kp) printf('taup = %f\n',taup) printf('td = %f\n',td) Aplicando a identificação mínimos quadrados, foram produzidos os resultados mostrados na janela de comandos do Scilab. Parâmetros do modelo FOPDT Kp = 0.999589 taup = 2.328674 td = 1.841427 Assim, o modelo identificado é dado por 1s3287,2 e9996,0)s(G s8414,1 p + = − (11.70) cuja curva é comparada com a curva de reação do processo na Figura 11.26. 221 Figura 11.26 Curva de reação do processo do exemplo e sua aproximação por um sistema de primeira ordem com tempo morto obtida por mínimos quadrados. Utilizando as relações de Cohen-Coon (Tabela 11.1), obtêm-se os seguintes parâmetros do controlador PI: 2220,1K c = 4022,2I =τ Usando esses valores de cK e Iτ , foi obtida a resposta ao degrau unitário no setpoint mostrada na Figura 11.27. Figura 11.27 Resposta ao degrau no setpoint pelo método de Cohen-Coon usando modelo baseado no ajuste por mínimos quadrados. Exercícios Exercícios resolvidos 11.1 Em uma malha de controle temos os seguintes elementos: ( )( )1s31s20 e5)s(G s4 p ++ = − 222 1s2 2)s(G v += 1s 1)s(G m + = e pretendemos usar um controlador PI. Daí, pede-se: a) Usar o Scilab para obter a resposta ao degrau unitário da malha aberta sem o controlador. b) Usar o método da curva de reação para obter o modelo aproximado da forma 1s eK)s(G)s(G)s(G p st p mvp d +τ = − c) Sintonizar o controlador usando os métodos de Cohen-Coon e Ziegler-Nichols. d) Comparar as respostas da malha fechada com os dois controladores considerando um degrau no setpoint. e) Comparar as respostas para uma variação no distúrbio, considerando que 1s10 2)s(G d += Solução Como o processo contém tempo morto, vamos usar o Xcos para gerar a curva de reação do processo. Figura 11.27 Modelo em Xcos para simular a malha aberta. 223 Figura 11.28 Curva de reação do processo. Figura 11.29 Reta tangente à curva no ponto de inflexão. 224 0,10K p = 50,29p =τ 34,8t d = Usando a Tabela 11.1, podemos obter os ajustes de Cohen-Coon: 326,0 12 t 10 9 tK 1K d d c = τ + τ = 6,17 t209 t330 t d d dI = τ+ τ+ =τ Usando a Tabela 11.4, podemos obter os ajustes de Ziegler-Nichols: 317,0 tK 9,0K d c = τ = 9,27t33,3 dI ==τ d) Figura 11.30 Modelo em Xcos para simular o sistema de controle. 225 Figura 11.31 Resposta ao degrau no setpoint pelo método de Cohen-Coon baseado na linha tangente no ponto de inflexão. Figura 11.32 Resposta ao degrau no setpoint pelo método de Ziegler-Nichols baseado na linha tangente no ponto de inflexão. 226 e) Figura 11.33 Resposta ao distúrbio degrau pelo método de de Cohen-Coon baseado na linha tangente no ponto de inflexão. 227 Figura 11.34 Resposta ao distúrbio degrau pelo método de Ziegler-Nichols baseado na linha tangente no ponto de inflexão. Exercícios propostos 11.2 Na malha do exercício anterior, usar o método de Sundaresan e Krishnaswamy para obter o modelo aproximado do item b). Resintonizar os controladores do item c) e comparar as respostas da malha fechada com as respostas do exercício anterior. 11.3 Na malha de controle do Exercício 11.1, usar o método da oscilação permanente de Ziegler-Nichols para sintonizar um controlador PI e outro PID. Comparar as respostas da malha com os dois controladores. 11.4 Para o sistema do Exercício 11.1, usar o modelo aproximado para sintonizar os controladores PI e PID pelo método da oscilação permanente. Comparar as respostas da malha fechada. 11.5 Pretende-se controlar um processo com resposta inversa representado por ( ) ( )( )1s21s10 s12)s(G p ++ − = com um controlador PI, que é o mais comum para esse tipo de processo. Admitindo que 1)s(G)s(G vm == , sintonizar o controlador pelos seguintes métodos: 228 a) Método de Ziegler-Nichols da oscilação permanente. b) Método da curva de reação. Comparar as respostas dos dois controladores. 11.6 O controlador PID interativo tem os modos integral e derivativo em série, ou seja: ( )( ) s 1s1sK)s(G I DI cc τ +τ+τ = ao contrário do PID convencional que tem os modos integral e derivativo em paralelo, ou seja: τ+ τ += s s 11K)s(G D I cc Verificar se existe diferença no comportamento dos dois controladores para o sistema do Exercício 11.1, usando a sintonia obtida no Exercício 11.3. 229 12 Método de sintonia baseado em otimização com Scilab. Comparação com métodos convencionais. 12.1 Relações de projeto baseadas em critério de erro integral As relações de projeto baseadas em critério de erro integral utilizam índices de performance que consideram a resposta toda da malha fechada ( 0t = até atingir o estado estacionário). Um índice de performance é um número que indica a qualidade da performance do sistema. O princípio é selecionar um determinado índice de desempenho, obtendo-se assim uma única solução de projeto correspondente. Vários índices de performance têm sido propostos na literatura. Três índices populares são Integral do valor absoluto do erro (IAE) dt)t(IAE 0∫ ∞ ε= (12.1) onde o sinal erro )t(ε é a diferença entre o setpoint e a medida. )t(y)t(y)t( sp −=ε (12.2) A integração é de 0 a ∞ porque o término da resposta não pode ser fixado de antemão. Uma interpretação gráfica do índice de performance IAE é mostrada nas Figuras 12.1 e 12. 2. A área hachurada é o valor do IAE. Figura 12.1 Integral do erro absoluto (variação no setpoint). 230 Figura 12.2 Integral do erro absoluto (variação na perturbação). Integral do erro ao quadrado (ISE) dt)t(ISE 0 2 ∫ ∞ ε= (12.3) A integral de )t(2ε de 0 a ∞ é a área total abaixo da curva )t(2ε . Uma característica deste índice de performance é que ele dá peso maior para erros grandes e peso menor para erros pequenos. Integral do erro absoluto ponderado pelo tempo (ITAE)dt)t(tITAE 0∫ ∞ ε= (12.4) Este critério tem como característica que, na resposta ao degrau unitário do sistema, um erro inicial grande é ponderado com peso menor, e erros que ocorrem mais tarde na resposta transitória são bastante penalizados. Em todos os critérios de performance definidos acima, o limite superior ∞ pode ser substituído por T , que é escolhido grande o suficiente para que )t(ε seja desprezível para Tt > . Note, que a menos que 0)t(lim t =ε ∞→ (12.5) os índices de performance tendem a infinito. Se )t(lim t ε ∞→ não tende a zero, podemos definir )t(y)(y)t( −∞=ε (12.6) Com essa definição do erro, os índices resultarão em números finitos, se o sistema é estável. Exemplo 12.1 231 Considere o sistema da Figura 12.3. Figura 12.3 Diagrama de blocos. As funções de transferência dadas por 1s 20)s(G p += (12.7) 1s 1)s(G d += (12.8) τ += s 11K)s(G I cc (12.9) 1)s(G)s(G fm == (12.10) Em malha fechada temos )s(d)s(G)s(G)s(G)s(G1 )s(G)s(y)s(G)s(G)s(G)s(G1 )s(G)s(G)s(G)s(y mcfp d sp mcfp cfp + + + = )s(d s 11K 1s 201 1s 1 )s(y s 11K 1s 201 s 11K 1s 20 )s(y I c sp I c I c τ + + + ++ τ + + + τ + + = (12.11) 232 )s(d 1s K20 11s K20 s K20)s(y 1s K20 11s K20 1s)s(y c I 2 c I c I sp c I 2 c I I + +τ+ τ τ + + +τ+ τ +τ = (12.12) ou ( ) )s(d 1s2s sK20)s(y 1s2s 1s)s(y 22 cIsp22 I +ζτ+τ τ + +ζτ+τ +τ = (12.13) em que c I K20 τ =τ (12.14) ( )c c I K201 K202 1 + τ =ζ (12.15) Para selecionar os melhores valores de Kc e τ I , podemos usar ISE, IAE ou ITAE como critério de performance. Além disso, podemos escolher se a variação é na perturbação ou no setpoint. Finalmente, mesmo que tenhamos escolhido variação no setpoint, precisamos decidir que tipo de variação iremos considerar (isto é, degrau, senoidal, impulso). Vamos usar ISE e variação degrau unitário no setpoint. Assim, s 1 1s2s 1s)s(y 22 I +ζτ+τ +τ = (12.16) (se 1<ζ ) ζ ζ− + τ ζ−− τ ζ− τ τ ζ− += − τζ− 2 122I 2 t 1 tan t1sent1sen 1 e1)t(y (12.17) resolve-se o seguinte problema de otimização: [ ] dt)t(yyISEMinimizar 2 0 sp , ∫ ∞ ζτ −= (12.18) As condições de otimalidade são 0ISEISE = ∂ζ ∂ = ∂τ ∂ (12.19) que resulta em *τ e *ζ ótimos e, consequentemente, Iτ e cK ótimos. 233 Analogamente, podemos usar ITAE e variação degrau unitário no setpoint. dt)t(yytITAEMinimizar 0 sp , ∫ ∞ ζτ −= (12.20) As condições de otimalidade são 0ITAEITAE = ∂ζ ∂ = ∂τ ∂ (12.21) que resulta em *τ e *ζ ótimos e, consequentemente, Iτ e cK ótimos. Considerando agora variação degrau unitário na perturbação: ( ) s 1 1s2s sK20)s(y 22 cI +ζτ+τ τ = (12.22) (se 1<ζ ) ( ) τ ζ− ζ−τ τ = τζ− t1sen 1 eK20)t(y 2 2 t cI (12.23) Têm sido desenvolvidas relações de projeto para controladores PID que minimizam esses critérios de erro integral para modelos de processos simples e um tipo particular de variação na perturbação ou no setpoint. O critério ISE tende a penalizar mais os erros maiores do que os critérios IAE ou ITAE. Em geral, ITAE é o preferido dentre os critérios de erro integral, desde que resulte em ajustes mais conservativos para os controladores. A Tabela 12.1 apresenta algumas relações de projeto que minimizam o índice de performance ITAE. Essas relações foram obtidas usando modelo de primeira ordem com tempo morto e controlador PID. Note que os ajustes ótimos do controlador são diferentes dependendo se a resposta ao degrau é para variação na perturbação ou no setpoint. Para variação na perturbação, as funções de transferência da perturbação e do processo são assumidas idênticas, isto é, pd GG = . Tabela 12.1 Relações de projeto baseadas no índice de performance ITAE e um modelo de sistema de primeira ordem com tempo mortoa. Distúrbio Setpoint Tipo de controlador Modo A B A B P P 0,490 -1,084 PI P 0,859 -0,977 I 0,674 -0,680 PID P 1,357 -0,947 I 0,842 -0,738 D 0,381 0,995 234 PI P 0,586 -0,916 I 1,03b -0,165b PID P 0,965 -0,855 I 0,796b -0,147b D 0,308 0,929 aRelação de projeto: ( )BdtAY τ= , em que cKKY = para o modo proporcional, Iττ para o modo integral e ττD para o modo derivativo. bPara variações no setpoint, a relação de projeto para o modo integral é ( )τ+=ττ dI tBA . Relações de projeto semelhantes também foram obtidas para os outros dois índices. Essas relações são mostradas nas Tabelas 12.2 e 12.3 para os índices IAE e ISE, respectivamente. Tabela 12.2 Relações de projeto baseadas no índice de performance IAE e um modelo de sistema de primeira ordem com tempo mortoa. Distúrbio Setpoint Tipo de controlador Modo A B A B P P 0,902 -0,985 PI P 0,984 -0,986 I 0,608 -0,707 PID P 1,435 -0,921 I 0,878 -0,749 D 0,482 1,137 PI P 0,758 -0,861 I 1,02b -0,323b PID P 1,086 -0,869 I 0,740b -0,130b D 0,348 0,914 aRelação de projeto: ( )BdtAY τ= , em que cKKY = para o modo proporcional, Iττ para o modo integral e ττD para o modo derivativo. bPara variações no setpoint, a relação de projeto para o modo integral é ( )τ+=ττ dI tBA . Tabela 12.3 Relações de projeto baseadas no índice de performance ISE e um modelo de sistema de primeira ordem com tempo mortoa. Distúrbio Setpoint Tipo de controlador Modo A B A B P P 1,411 -0,917 PI P 1,305 -0,959 I 0,492 -0,739 PID P 1,495 -0,945 I 1,101 -0,771 D 0,560 1,006 aRelação de projeto: ( )BdtAY τ= , onde cKKY = para o modo proporcional, Iττ para o modo integral e ττD para o modo derivativo. 235 Exemplo 12.2 Use a abordagem da integral do erro para obter os ajustes do controlador PI para variação na perturbação do processo com a função de transferência: 1s2 e10)s(G s + = − (12.24) Suponha que a escolha do índice seja o ITAE, então consultando a Tabela 12.1 com perturbação como tipo de entrada e PI como o tipo de controlador; a relação de projeto para o modo proporcional é B d c tAKK τ = ⇒ 69,1 2 1859,0K10 977,0 c = = − (12.25) portanto, 169,069,1 10 1K c = = (12.26) e a relação de projeto para o modo integral é B d I tA τ = τ τ ⇒ 08,1 2 1674,02 680,0 I = = τ − (12.27) portanto, 85,1 08,1 2 I ==τ (12.28) Caso a escolha do índice seja o IAE, a tabela a ser consultada seria a Tabela 12.2.E no caso da escolha do índice ISE, seria a Tabela 12.3. O resultado final está sumarizado no quadro a seguir. cK Iτ ISE 0,245 2,44 IAE 0,195 2,02 ITAE 0,169 1,85 Exemplo 12.3 Para o modelo de processo: 236 1s7 e4)s(G s5,3 + = − (12.29) calcule os ajustes do controlador PI e PID baseados nas relações de projeto ITAE para variações na perturbação e no setpoint. Da Tabela 12.1 e para o controlador PI, temos: Variação na perturbação O ganho é calculado por 69,1 7 5,3859,0KK 977,0 c = = − (12.30) 423,0 4 69,1K c == (12.31) O tempo integral é calculado por 08,1 7 5,3674,0 680,0 I = = τ τ − (12.32) 48,6 08,1 7 I ==τ (12.33) Variação no setpoint 106,1 7 5,3586,0KK 916,0 c = = − (12.34) 276,0 4 106,1K c == (12.35) O tempo integral é calculado por 9475,0 7 5,3165,003,1 I = −= τ τ (12.36) 39,7 9475,0 7 I ==τ (12.37) Da Tabela 12.1 e para o controlador PID, temos Variação na perturbação 237 O ganho é calculado por 616,2 7 5,3357,1KK 947,0 c = = − (12.38) 654,0 4 616,2K c == (12.39) O tempo integral é calculado por 404,1 7 5,3842,0 738,0 I = = τ τ − (12.40) 98,4 404,1 7 I ==τ (12.41) O tempo derivativo é calculado por 1912,0 7 5,3381,0 995,0 D = = τ τ (12.42) 34,1)7(1912,0D ==τ (12.43) Variação no setpoint O ganho é calculado por 739,1 7 5,3965,0KK 855,0 c = = − (12.44) 435,0 4 739,1K c == (12.45) O tempo integral é calculado por 7228,0 7 5,31465,0796,0 I = −= τ τ (12.46) 69,9 7228,0 7 I ==τ (12.47) O tempo derivativo é calculado por 1618,0 7 5,3308,0 929,0 D = = τ τ (12.48) 238 13,1)7(1618,0D ==τ (12.49) Exemplo 12.4 Para o sistema de controle da Figura 12.4, compare as respostas ao degrau unitário na perturbação e no setpoint quando o controlador PI é sintonizado para IAE distúrbio e IAE setpoint. Figura 12.4 Sistema de controle. A função de transferência do processo: ( )( )1s51s10 2)s(G ++ = (12.50) pode ser aproximada por: 1s2,11 e2)s(G~ s3.4 + ≅ − (12.51) pelo método de Sundaresan e Krishnaswamy. As respostas ao degrau estão mostradas na Figura 12.5. 239 Figura 12.5 Resposta do processo ao degrau e sua aproximação por um sistema de primeira ordem com tempo morto. cK Iτ Cohen Coon 1,2107 8,0148 IAE distúrbio 1,2644 9,3622 IAE setpoint 0,8642 12,5001 A Figura 12.6 compara as respostas ao degrau na perturbação usando a sintonia do mínimo IAE e de Cohen Coon. Note o bom desempenho esperado do controlador PI sintonizado pelo IAE perturbação, enquanto que o controlador sintonizado pelo IAE setpoint não teve bom desempenho. 240 Figura 12.6 Comparação das respostas de controladores PI com ajustes IAE e Cohen Coon. A Figura 12.7 compara as respostas ao degrau no setpoint usando a sintonia do IAE mínimo e de Cohen Coon. Note que agora o melhor desempenho foi do controlador PI sintonizado pelo IAE setpoint, enquanto que o controlador sintonizado pelo IAE distúrbio teve um desempenho razoável. 241 Figura 12.7 Comparação das respostas de controladores PI com ajustes IAE e Cohen Coon. Das Figuras 12.6 e 12.7 podemos observar que o projeto de controladores IAE para variações na perturbação resulta overshoots maiores para variações no setpoint, enquanto que o projeto para variações no setpoint produz respostas mais lentas a distúrbios na perturbação. Exemplo 12.5 Para o mesmo sistema de controle do Exemplo 12.4, compare as respostas ao degrau unitário na perturbação com o controlador PI sintonizado para os critérios ITAE, IAE e ISE mínimos para variações na perturbação. Figura 12.8 Comparação das respostas de controladores PI com ajustes ITAE, IAE e ISE. Nessa comparação, podemos verificar que o controlador ISE forneceu erros relativamente menores do que os outros dois controladores, uma vez que o ISE pondera mais os erros grandes e pondera menos os erros menores. Exemplo 12.6 Neste exemplo, mostraremos a minimização do índice IAE para variação no setpoint diretamente sobre a planta e não sobre o modelo FOPDT. Para isso, consideremos o seguinte processo: ( )41s 1)s(G + = 242 O controlador é o PI. Assim, cK e Iτ serão determinados por um procedimento de minimização do índice dt)t(IAE 0∫ ∞ ε= que corresponde à função objetivo do problema de otimização. Os dois parâmetros correspondem às variáveis de otimização. Para tanto, podemos usar a função fminsearch que calcula o mínimo irrestrito de uma função. Programa //Ajuste de controlador minimizando IAE distúrbio // clear clearglobal clc clf function I=IAE(x) global Gp Gd Gf Gm ysp t s Kc=x(1) tauI=x(2) if Kc>=0 & tauI>=0 then Gc=Kc*(1+1/(tauI*s)) Gload=Gd/(1+Gp*Gf*Gc*Gm) raizes=roots(denom(Gload)) for i=1:length(raizes) if real(raizes(i))>0 then I=1e20 else sl=syslin('c',Gload) y=csim('step',t,sl) e=abs(ysp-y) I=sum(e) end end else I=1e20 end endfunction global Gp Gd Gf Gm ysp t s s=poly(0,'s'); //ou s=%s; //Processo Gm=1 //função de transferência do medidor Gf=1 //função de transferência do elemento final de controle Gp=1/(s+1)^4 //função de transferência do processo Gd=Gp //função de transferência do processo Gd tf=50 step=0.01 t=0:step:tf ysp=zeros(1,length(t)) //setpoint x0=[0.9367;3.4779] //estimativa inicial de Kc e de tauI x=fminsearch(IAE,x0) //busca do mínimo 243 //Simulação da malha com a sintonia encontrada Kc=x(1) tauI=x(2) Gc=Kc*(1+1/(tauI*s)) Gload=Gd/(1+Gp*Gf*Gc*Gm) sl=syslin('c',Gload) y=csim('step',t,sl) disp('Sintonia IAE distúrbio encontrada pela otimização da planta') printf('Kc = %f\n',Kc) printf('tauI = %f\n',tauI) plot(t,ysp,t,y) xlabel('t') ylabel('y') Resultados Aplicando a função fminsearch, foram produzidos os resultados mostrados na janela de comandos do Scilab. A Figura 12.9 mostra a resposta transiente em malha fechada a uma variação degrau unitário na perturbação com a sintonia obtida via minimização do índice IAE. Sintonia IAE distúrbio encontrada pela otimização da planta Kc = 1.656804 tauI = 4.160361 Figura 12.9 Resposta transiente a uma variação degrau unitário na perturbação minimizando IAE. 244 Usando esse procedimento, foram obtidos os ajustes do controlador PI utilizando os outros dois índices, ISE e ITAE. O quadro a seguir mostra os resultados. cK Iτ IAEdistúrbio 1,6568 4,1604 ISE distúrbio 2,4494 5,5058 ITAE distúrbio 1,1741 3,2809 IAE setpoint 1,0229 3,5295 ISE setpoint a 1,6381 5,3884 ITAE setpoint 0,7036 2,7019 A aproximação deste processo por um modelo FOPDT pelo método de Sundaresan e Krishnaswamy foi obtida no Capítulo 11 e reproduzida aqui por comodidade. 1s0412,2 e)s(G 1475,2 + = − De acordo com este modelo, as sintonias IAE, ISE e ITAE são cK Iτ IAE distúrbio 0,9367 3,4779 ISE distúrbio 1,2440 4,3047 ITAE distúrbio 0,8181 3,1331 IAE setpoint 0,7261 2,9998 ITAE setpoint 0,5598 2,3830 A Figura 12.10 traz uma comparação da resposta transiente com controle PI utilizando os ajustes IAE distúrbio da Tabela 12.2 e os ajustes obtidos pela minimização de IAE da própria planta controlada. A curva resposta IAE distúrbio mostra um comportamento menos oscilatório e mais lento, pois os ajustes IAE distúrbio são mais conservativos do que os ajustes via minimização de IAE. 245 Figura 12.10 Comparação de controladores PI com ajustes IAE distúrbio da Tabela 12.2 e IAE mínimo. Exercícios Exercícios resolvidos 12.1 Em uma malha de controle onde: ( )4 s p 1s e1)s(G + = − 1)s(G v = 1)s(G m = ( )4d 1s 1)s(G + = e o controlador é PID. É dado o programa sintonia_PID em Scilab para ajustar parâmetros de controladores PID usando rotinas de otimização em processos que contêm tempo morto: Daí, pede-se 246 a) Sintonizar o controlador para: 1) otimizar o ISE para um degrau no setpoint; 2) otimizar o ISE para um degrau no distúrbio. b) Repetir o item anterior usando na otimização o IAE. Programa //Sintonia do PI por otimização //Índice ISE ou IAE para variação no setpoint ou no distúrbio // clear clc function J=IE(x) global Ap Bp Cp Dp Ad Bd Cd Dd yp_ yd_ dt Nsim td ysp disturbance Kc=x(1) tauI=x(2) [nrp,ncp]=size(Ap) [nrd,ncd]=size(Ad) //Closed loop response t=0 xp=zeros(nrp,1) xd=zeros(nrd,1) em1=0 em2=0 u=0 J=0 for k=1:Nsim e=ysp-(yp_($)+yd_($)) t=t+dt u=u+Kc*(e-em1)+Kc/tauI*e*dt d=disturbance em2=em1 em1=e xp=xp+(Ap*xp+Bp*u)*dt xd=xd+(Ad*xd+Bd*d)*dt yp_=[Cp*xp yp_(1:$-1)] yd_=[Cd*xd yd_(1:$-1)] y(k)=yp_($)+yd_($) //J=J+abs(e)*dt //<--IAE J=J+e^2*dt //<--ISE end endfunction global Ap Bp Cp Dp Ad Bd Cd Dd yp_ yd_ dt Nsim td ysp disturbance s=%s Gp=1/(s+1)^4 //<--função de transferência Gp(s) sem tempo morto tdp=1 //<--tempo morto slp=tf2ss(Gp) Ap=slp(2) Bp=slp(3) Cp=slp(4) Dp=slp(5) Gd=1/(s+1)^4 //<--função de transferência Gd(s) sem tempo morto tdd=1 //<--tempo morto sld=tf2ss(Gd) Ad=sld(2) Bd=sld(3) 247 Cd=sld(4) Dd=sld(5) t0=0 tf=100 dt=0.1 yp_=zeros(1,round(tdp/dt)) yd_=zeros(1,round(tdd/dt)) Nsim=round(tf/dt) ysp=1 //<--setpoint disturbance=0 //<--disturbance //PID initial parameters Kc=0.9367 tauI=3.4779 x0=[Kc;tauI] opt=optimset("TolX",1e- 4,"MaxFunEvals",10000*length(x0),"MaxIter",1000*length(x0)) [x,J]=fminsearch(IE,x0,opt) Kc=x(1) tauI=x(2) disp('Parâmetros ótimos') printf('Kc = %f\n',Kc) printf('tauI = %f\n',tauI) printf('\nJ = %f\n',J) [nrp,ncp]=size(Ap) [nrd,ncd]=size(Ad) //Simulating the closed loop with optimum tuning t=0 xp=zeros(nrp,1) xd=zeros(nrd,1) yp_=zeros(1,round(tdp/dt)) yd_=zeros(1,round(tdd/dt)) em1=0 em2=0 u=0 for k=1:Nsim e=ysp-(yp_($)+yd_($)) t=t+dt u=u+Kc*(e-em1)+Kc/tauI*e*dt d=disturbance em2=em1 em1=e xp=xp+(Ap*xp+Bp*u)*dt xd=xd+(Ad*xd+Bd*d)*dt yp_=[Cp*xp yp_(1:$-1)] yd_=[Cd*xd yd_(1:$-1)] y(k)=yp_($)+yd_($) end //Ploting the results t=0:dt:tf scf(1) clf plot(t,ysp*ones(length(t),1),'b:',t,[0;y],'b-') xlabel('t') ylabel('y') legend(['ysp';'y']) title('PI-ISE Kc='+string(Kc)+' tauI='+string(tauI)+'') //<-- 248 Solução a) Otimização do ISE Mudança do setpoint. Parâmetros ótimos Kc = 0.954627 tauI = 4.664133 J = 3.844742 Figura 12.11 Resposta ao degrau unitário no setpoint. Distúrbio degrau unitário. Parâmetros ótimos Kc = 1.210769 tauI = 4.994344 J = 2.046410 249 Figura 12.12 Resposta ao distúrbio degrau unitário. b) Otimização do IAE Mudança do setpoint. Parâmetros ótimos Kc = 0.643683 tauI = 3.328338 J = 5.527160 250 Figura 12.13 Resposta ao degrau unitário no setpoint. Distúrbio degrau unitário. Parâmetros ótimos Kc = 0.817241 tauI = 3.691313 J = 4.874878 251 Figura 12.14 Resposta ao distúrbio degrau unitário. Exercícios propostos 12.2 Considere o sistema do Exercício 11.5. Obtenha a sintonia do controlador PI otimizando o índice ISE para variações no setpoint. Compare a sintonia com a sintonia que foi obtida pelo método da oscilação permanente no Exercício 11.5. 12.3 Considere a malha de controle estudada no Exercício 8.4: Considere também que 1s2 2)s(G pII += , 1s10 3)s(G pI += e cIIG (s) 5= Sabendo-se cIG (s) é um controlador PI, pede-se: 252 (a) determinar os parâmetros desse controlador que minimizem o ISE para uma variação em degrau em dII. (b) repita o item anterior para variação em degrau em dI. (c) compare as respostas da malha com as duas sintonia para variações em d1 e d2. 12.4 Repita o item (a) do exercício anterior, considerando que a malha secundária interna está aberta. Para variação em dII compare as respostas do controlador com essa sintonia e a sintonia do item (a) considerando que a malha secundária está fechada. 253 13 Malhas complexas: Malhas em cascata. Controle antecipatório. Compensação de tempo morto. Sintonia de malhas complexas. Até agora, apresentamos e estudamos diversas ferramentas para a síntese e a análise de sistemas de controle por realimentação. Existem situações onde a ação de controle por realimentação não é suficiente para produzir a resposta desejada de um dado processo. Introduziremos neste capítulo várias estruturas de controle avançado que podem ser usadas, tais como controle em cascata, controle antecipatório, controle com compensação de tempo morto etc, que visam melhorar o comportamento da malha de controle do processo em relação ao que pode ser conseguido com o controle convencional PID. 13.1 Controle em cascata Pelo que vimos até agora, é claro que manipulando apenas uma entrada, conseguimos controlar apenas uma saída. Entretanto, em alguns sistemas temos mais de uma saída medida que podem ser usadas no controle da saída principal. Uma desvantagem do controle feedback convencional é que ações corretivas para perturbações não se iniciam até que a variável controlada se desvie do seu setpoint e gere um erro na variável controlada. Uma maneira alternativa que melhora a resposta dinâmica a variações na perturbação é usar uma medida secundária e um controlador feedback secundário para o controle da variável secundária. A medida secundária deve ser tal que reconheça os efeitos do distúrbio mais rapidamente do que a variável controlada principal, embora a perturbação não seja necessariamente medida. Essa maneira de usar múltiplas malhas feedback é chamada de controle em cascata. Para mostrar a configuração docontrole em cascata, vamos considerar um sistema consistindo de duas partes, como mostra a Figura 13.1: processo I e processo II. O processo I (primário) tem a saída Iy como a variável que queremos controlar. O processo II (secundário) tem uma saída IIy que não temos interesse em controlar, mas que afeta a saída que queremos controlar, e deve ser, se possível, a principal perturbação para a variável controlada principal. Podemos observar que a perturbação Id afeta a saída Iy de forma mais rápida do que a perturbação IId , pois IId tem que passar antes pelo processo I antes de afetar Iy e, além disso, a variável manipulada IIu (entrada do processo II) atua sobre a saída do processo II e esta, por sua vez, é que afetará a saída Iy , que é a variável controlada. 254 Figura 13.1 Processo em malha aberta. O controle feedback convencional para esse sistema é mostrado na Figura 13.2. Nessa configuração, o controlador atua tanto para variações na perturbação Id quanto na perturbação IId , só que compensa com maior eficiência as variações em Id , por razões colocadas anteriormente. Figura 13.2 Controle feedback convencional. Agora, se pudermos controlar a saída do processo II, IIy , que é entrada do processo I, Iu , a despeito de variações em IId , então estas variações não chegarão a afetar significativamente a saída Iy . Essa é a idéia do controle em cascata. A Figura 13.3 mostra uma malha típica de controle em cascata. A malha é constituída basicamente por duas malhas de controle por realimentação, sendo uma chamada de “mestre” (primária) e a outra de “escrava” (secundária). A variável controlada para a malha mestre é a própria variável que se deseja controlar, enquanto a variável controlada para a malha escrava deve ser, se possível, a principal perturbação que afeta o sistema. 255 Figura 13.3. Controle em cascata. A Figura 13.3 mostra claramente o principal benefício com o controle em cascata, em que perturbações vindas da malha secundária são corrigidas pelo controlador secundário antes que elas afetem o valor da saída controlada primária. Esse importante benefício levou ao uso extensivo do controle em cascata nos processos químicos. O diagrama de blocos com as respectivas funções de transferência da estrutura de controle em cascata da Figura 13.3 é mostrado na Figura 13.4. Figura 13.4 Diagrama de blocos. Desse diagrama de blocos, as seguintes relações podem ser desenvolvidas: II mIIpIIcII spII mIIpIIcII pIIcII III dGGG1 1y GGG1 GG yu + + + == (13.1) IIloadIIspIIspIIIII dGyGyu +== (13.2) e I mIpIspIIcI II mIpIspIIcI pIloadII spI mIpIspIIcI pIspIIcI I dGGGG1 1d GGGG1 GG y GGGG1 GGG y + + + + + = (13.3) A sintonia dos dois controladores de um sistema de controle em cascata é feita em duas etapas: Primeira etapa. Determinam-se os ajustes do controlador secundário cIIG usando um dos métodos de sintonia já vistos. Em geral, é usado na malha secundária um controlador P ou PI. Qualquer offset gerado pelo controlador P na malha secundária não é relevante, uma vez que não temos interesse em controlar a saída do processo secundário IIy em um setpoint definido. 256 Segunda etapa. Conhecidos os ajustes da malha secundária, escolhemos os ajustes para o controlador primário cIG . Normalmente, o controlador primário é um PI ou PID. Exemplo 13.1 Considere um processo com as seguintes funções de transferência: ( )( )1s1s5,0 1)s(G I,p ++= (13.4) e 1s1,0 1)s(G II,p += (13.5) O processo secundário é mais rápido que o primário, como pode ser visto pelas respectivas constantes de tempo. Vamos comparar o desempenho entre a malha de controle feedback simples e a malha de controle em cascata para esse processo Controle feedback PI. Fazendo a aproximação do processo )s(G)s(G pIIpI por um modelo FOPDT pelo método de Sundaresan e Krishnaswamy, obtemos: 1s1223,1 e)s(G s5278,0 + = − (13.6) Os ajustes do controlador PI pelo método ZN via ensaio de resposta ao degrau são: 9138,1K c = e 7576,1I =τ . Vamos simular a um distúrbio degrau unitário em IId . Programa //Controle feedback clear clc clearglobal s=%s //Processo I GpI=1/[(0.5*s+1)*(s+1)] //função de transferência GdI=1 //Processo II GpII=1/(0.1*s+1) //função de transferência GdII=1 //Medidor Gm=1 //Controlador PI ZN Kc=1.9138 257 tauI=1.7576 Gc=Kc*(1+1/(tauI*s)) //Simulação da malha de controle t=0:0.01:20 //Variação degrau unitário na perturbação dII yspI=zeros(1,length(t)) //setpoint //Sistema linear sl=syslin('c',GpI/(1+Gc*GpII*GpI*Gm)); //definição do sistema linear y=csim('step',t,sl) //Plota gráficos scf(1) clf plot(t,yspI,t,y) xlabel('t') ylabel('y') legend(['Setpoint','y']) A Figura 13.5 mostra a resposta da malha de controle feedback ao distúrbio degrau unitário em IId . Figura 13.5 Resposta ao degrau unitário em IId da malha de controle feedback. Controle em cascata. Usando controle P na malha secundária e controle PI na malha primária. Como não há problema de estabilidade na malha secundária, pode-se usar valores elevados para o ganho II,cK para conseguir respostas rápidas em malha fechada para perturbações em IId . Uma vez escolhido o valor de II,cK para a malha secundária, ajustam-se 258 os valores de I,cK e I,Iτ . Os ajustes usados na simulação do controlador PI da malha primária são 12K I,c = e 1I,I =τ , e do ganho do controlador da malha secundária é 24K II,c = . Programa //Controle em cascata clear clc clearglobal s=%s //Malha primária GpI=1/[(0.5*s+1)*(s+1)] //função de transferência GdI=1 GmI=1 KcI=12 tauII=1 GcI=KcI*[1+1/(tauII*s)] //Malha secundária GpII=1/(0.1*s+1) //função de transferência GdII=1 GmII=1 KcII=24 GcII=KcII GspII=GcII*GpII/(1+GcII*GpII*GmII) GloadII=1/(1+GcII*GpII*GmII) //Simulação da malha de controle em casacata fechada t=0:0.01:10 //Variação degrau unitário na perturbação dII yspI=zeros(1,length(t)) //setpoint //Sistema linear sl=syslin('c',GloadII*GpI/(1+GcI*GspII*GpI*GmI)); //definição do sistema linear y=csim('step',t,sl) //Plota gráficos scf(1) clf plot(t,yspI,t,y) xlabel('t') ylabel('y') legend(['Setpoint','y']) A Figura 13.6 mostra a resposta malha de controle em cascata a uma variação degrau unitário em IId . 259 Figura 13.6 Resposta ao degrau unitário em IId da malha de controle em cascata. A comparação entre as duas respostas da saída a uma variação degrau unitário no distúrbio IId mostra um desempenho melhor para o sistema de controle em cascata, em que os desvios são bem menores. Pela Figura 13.6, podemos ver que a saída do sistema de controle em cascata praticamente não foi afetada (apenas cerca de 1,2% do caso sem cascata), ou seja, o distúrbio não causou nenhum efeito significativo na variável controlada. Exemplo 13.2 Considere um processo com as seguintes funções de transferência de um processo composto por um trocador de calor e um reator como mostra a Figura13.7. 260 Figura 13.7 Controle feedback do reator. 1s50 e19,0 )s(T )s(c)s(G s20 1 2A I,p + − == − (13.7) 1s20 e57,0 )s(F )s(T)s(G s8 h 1 II,p + == − (13.8) e 1s20 e )s(P )s(T)s(G s8 h 1 II,d + == −(13.9) O processo secundário é mais rápido que o primário, como podemos ver pelas respectivas constantes de tempo e atrasos por transporte. Vamos comparar o desempenho da malha de controle feedback com o desempenho da malha de controle em cascata para esse processo Controle feedback PI. Para obter os ajustes do controlador PI, vamos, primeiramente, levantar a curva de reação do processo )s(G)s(G)s(F)s(c pIIpIh2A = aplicando uma perturbação degrau unitário na variável manipulada hF ( IIu ) e registrando-se a curva da variável medida 2Ac ( Iy ) versus tempo (Figura 13.8). Figura 13.8 Curva de reação do processo. Fazendo a aproximação do processo por um modelo FOPDT pelo método de Sundaresan e Krishnaswamy, obtemos: 261 1s2935,52 e1075,0)s(G s8892,46 + − = − (13.10) Portanto, os ajustes do controlador PI pelo método CC são: 1112,10K c −= e 9116,56I =τ . A simulação da malha de controle a um distúrbio degrau unitário em hP ( IId ) pode ser feita usando o modelo em Xcos da Figura 13.9. A resposta de Ac a essa perturbação é mostrada na Figura 13.10. O desvio máximo é de 0,1954. Figura 13.9 Modelo em Xcos para simular o sistema de controle feedback. 262 Figura 13.10 Resposta do controle feedback da planta. Controle em cascata. Vamos usar controle PI na malha secundária e também controle PI na malha primária. Os ajustes do controlador secundário cIIG podem ser calculados diretamente da função de transferência do processo II, que já se encontra na forma FOPDT. Os ajustes do controlador PI pelo método CC são: 0936,4K II,c = e 6824,14II,I =τ . Uma vez sintonizada a malha secundária, vamos ajustar o controlador cIG . Para tanto, fechamos a malha secundária. Com a malha primária aberta, damos uma variação degrau unitário em spIIy e registramos Iy . Esse procedimento gera a curva de reação do processo mostrado na Figura 13.11 e o modelo FOPDT dado pela equação 13.11. Figura 13.11 Curva de reação do processo. 1s5465,49 e1892,0)s(G s2622,26 + − = − (13.11) Com esse modelo, podemos então calcular os ajustes do controlador PI e encontrar os seguintes valores: 4136,9K I,c −= e 3256,42I,I =τ . A simulação da malha de controle em cascata a um distúrbio degrau unitário em hP ( IId ) pode ser feita usando o modelo em Xcos da Figura 13.12. A resposta de 2Ac a essa perturbação é mostrada na Figura 13.13. 263 Figura 13.12 Modelo em Xcos para simular o sistema de controle em cascata. Figura 13.13 Resposta do controle em cascata da planta. A comparação entre as duas respostas da saída a uma variação degrau unitário no distúrbio hP mostra um desempenho melhor para o sistema de controle em cascata, em que os desvios são bem menores. Pela Figura 13.13, podemos ver que o distúrbio não causou um efeito significativo na variável controlada. O desvio máximo é de 0,0365, bem menor comparado a 0,1954 do controle feedback. Exemplo 13.3 Controle em cascata de um reator CSTR encamisado O controle da temperatura de um reator químico é quase sempre uma variável crítica do processo, e o controle em cascata é frequentemente utilizado nesta aplicação. Considere o 264 CSTR mostrado na Figura 13.14. A reação é exotérmica e o calor gerado é removido pelo fluido de refrigeração, que circula na camisa do reator. O objetivo de controle é manter a temperatura do reator, T , constante no valor desejado. Possíveis perturbações no reator incluem a temperatura da alimentação iT e a temperatura do fluido refrigerante cT . A única variável manipulada é a vazão do fluido refrigerante cF . Figura 13.14 Reator CSTR. O modelo do reator é formado pelas equações: FF dt dV i −= (13.12) VcekFccF dt )Vc(d A RTE 0AAii A − −−= (13.13) QVcekHFTCTFC dt )TV(dC ARTE0rpiipp −∆−ρ−ρ=ρ − (13.14) Vamos considerar que não há acúmulo na camisa, então o modelo da camisa é formado pelas equações: QTFCTFC0 ccpcccicpcc +ρ−ρ= (13.15) ( ) ( ) −+− = 2 TTTTUAQ cci (13.16) O coeficiente global de troca térmica é relacionado com a vazão do fluido de refrigeração por: b caFUA = (13.17) Então, substituindo as equações 13.15 e 13.17 na 13.16, resultará em: 265 ( )ci pcc b c c 1b c TT C2 aFF aFQ − ρ + = + (13.18) Se o volume do reator for constante, o modelo final do reator encamisado é dado pelas equações: ( ) ARTE0AAiA cekccV F dt dc − −−= (13.19) ( ) ( )ci pcc b c cp 1b c A p RTE 0 ri TT C2 aF FCV aF c C ek HTT V F dt dT − ρ +ρ − ρ ∆−−= +− (13.20) A linearização das equações 13.19 e 13.20 em torno de um ponto estacionário leva ao seguinte conjunto de equações lineares: ( ) Ai sAsAis 2 s As RTE 0 A RTE 0 sA c V F F V cc T RT ceEk cek V F dt cd s s + − +− +−= − − (13.21) ( ) ( ) ci p s i s c2 pcc b cs csp ciss pcc b cs cs b cs sis 2 sp As RTE 0r p ss A p RTE 0r T CV UA T V F F C2 aF FVC TT C2 F b aFabF F V TT T RTC ceEkH VC UA V F c C ekH dt Td ss ρ ++ ρ +ρ − ρ + − − + ρ ∆ + ρ +− ρ ∆ −= −− (13.22) ou Ai111112A11 A cdFbTaca dt cd +++= (13.23) ci23i22c222122A21 TdTdFbFbTacadt Td +++++= (13.24) em que: +−= − sRTE0 s 11 ekV F a 2 s As RTE 0 12 RT ceEk a s− −= 266 ( ) V ccb AsAis11 − = V Fd s11 = p RTE 0r 21 C ekH a s ρ ∆ −= − ρ ∆ + ρ +−= − 2 sp As RTE 0r p ss 22 RTC ceEkH VC UA V F a s ( ) V TTb sis21 − = ( ) 2 pcc b cs csp ciss pcc b cs cs b cs 22 C2 aFFVC TT C2 F b aFabF b ρ +ρ − ρ + −= V Fd s22 = p s 23 CV UAd ρ = A estrutura mais simples é a feedback, onde mede-se a temperatura T e manipula-se a vazão do fluido refrigerante cF (Figura 13.15). É claro que T responderá mais rapidamente a variações em iT do que a variações em cT . Portanto, o controle feedback é mais efetivo para compensar variações em iT e menos efetivo para compensar variações em cT . 267 Figura 13.15 Controle feedback do reator CSTR. Para acelerar a resposta do controle feedback a variações na temperatura do fluido refrigerante cT e tomar ações de controle antes que seu efeito seja sentido pelo reator, podemos adicionar uma segunda malha de controle feedback para a temperatura da camisa com seu setpoint determinado pelo controlador de temperatura do reator e formar o controle em cascata. Assim, se cT aumentar, antes que T seja afetada a malha secundária aumenta-se a vazão do fluido refrigerante para remover a quantidade de calor necessária para cT ficar constante. Analogamente, diminui-se a vazão do fluido
Compartilhar