Atenção: Todas as denúncias são sigilosas e sua identidade será preservada.
Os campos nome e e-mail são de preenchimento opcional
Metadados | Descrição | Idioma |
---|---|---|
Autor(es): dc.contributor | Santos, Lizandro de Sousa | - |
Autor(es): dc.contributor | Mattos, Lisiane Veiga | - |
Autor(es): dc.contributor | Silva, Hector Napoleão Cozendey da | - |
Autor(es): dc.creator | Queiroz, Lucas Silva | - |
Data de aceite: dc.date.accessioned | 2024-07-11T18:47:56Z | - |
Data de disponibilização: dc.date.available | 2024-07-11T18:47:56Z | - |
Data de envio: dc.date.issued | 2023-01-12 | - |
Data de envio: dc.date.issued | 2023-01-12 | - |
Fonte completa do material: dc.identifier | http://app.uff.br/riuff/handle/1/27527 | - |
Fonte: dc.identifier.uri | http://educapes.capes.gov.br/handle/capes/777817 | - |
Descrição: dc.description | Sistemas de controle PID (Proporcional, Integral, Derivativo) são bastante difundidos na área de processos químicos. Essa tática consiste na implementação de estratégias de correção do erro, entre a variável controlada e valor de referência, onde os modelos do processo e equipamentos são linearizados em torno de um valor de estado estacionário. Logo, o ajuste, ou sintonia, do controlador é configurado para um valor de estado estacionário. No entanto, a presença de distúrbios, ou variação nas propriedades físico-químicas dos fluidos, podem alterar o valor de estado estacionário, fazendo-se com que a sintonia do controlador perca a sua eficácia. O objetivo deste trabalho foi formular uma estratégia de modelagem para tornar o controlador ajustável à presença de distúrbios no sistema. Um exemplo de controlador de temperatura em um tanque aquecido foi utilizado como modelo, emulado no simulador XCOS/Scilab. Tal estratégia é baseada no uso de algoritmos de redes neuronais artificiais, implementados em Scilab. Na metodologia, um conjunto de cenários de distúrbios foi simulado para gerar dados suficientes para treinamento do modelo da rede neural. Para cada cenário de distúrbio, o controlador foi ressintonizado e os dados foram alocados para o treinamento. Em seguida o controlador baseado em redes neuronais foi comparado ao controlador PID (com sintonia fixa) e os resultados mostraram que o controlador PID com sintonia fixa apresentou melhores resultados (IEA - Integral do Erro Absoluto). Finalmente, uma formulação híbrida, de implementação do controlador PID com o modelo de redes neurais apresentou melhores resultados para os valores de IEA, com otimização de até 91,3% no valor desta métrica, apresentando melhor desempenho para este parâmetro. | - |
Descrição: dc.description | PID (Proportional, Integral, Derivative) control systems are widespread in chemical processes. This strategy comprises error correction strategies between the controlled variable and the reference value, where the process and equipment models are linearized around a steady state value. Then the controller tunning is configured to work in a steady state value. However, disturbances can change the steady state value, causing the controller tuning to lose effectiveness. This work aimed to formulate a modeling strategy to adjust the controller to possible disturbances in the system. A temperature controller of a heated tank was used as an example, simulated in the XCOS/Scilab simulator. Such a strategy is based on using artificial neural network algorithms implemented in Scilab. The method simulated a sequence of disturbance scenarios to generate enough data for training the neural network model. For each disturbance scenario, the controller was readjusted, and the data was used for training. Then the controller based on neural networks was compared to the PID controller (with fixed tuning). The results showed that the PID controller with fixed tuning presented better results (IEA - Integral of Absolute Error). Finally, a hybrid formulation, implementing the PID controller with the neural networks model presented better results for IEA values, with optimization of up to 91.3% in the value of this metric, presenting better performance for this parameter. | - |
Descrição: dc.description | 102 f. | - |
Formato: dc.format | application/pdf | - |
Idioma: dc.language | pt_BR | - |
Direitos: dc.rights | Open Access | - |
Direitos: dc.rights | CC-BY-SA | - |
Palavras-chave: dc.subject | Controlador feedback | - |
Palavras-chave: dc.subject | Controle de processos químicos | - |
Palavras-chave: dc.subject | Redes neurais artificiais | - |
Palavras-chave: dc.subject | Controle de processo químico | - |
Palavras-chave: dc.subject | Rede neural artificial | - |
Palavras-chave: dc.subject | Engenharia química | - |
Palavras-chave: dc.subject | Feedback controller | - |
Palavras-chave: dc.subject | Chemical process control | - |
Palavras-chave: dc.subject | Artificial neural networks | - |
Título: dc.title | Estudo de aplicações de redes neuronais para configuração de sistemas de controle | - |
Tipo de arquivo: dc.type | Trabalho de conclusão de curso | - |
Aparece nas coleções: | Repositório Institucional da Universidade Federal Fluminense - RiUFF |
O Portal eduCAPES é oferecido ao usuário, condicionado à aceitação dos termos, condições e avisos contidos aqui e sem modificações. A CAPES poderá modificar o conteúdo ou formato deste site ou acabar com a sua operação ou suas ferramentas a seu critério único e sem aviso prévio. Ao acessar este portal, você, usuário pessoa física ou jurídica, se declara compreender e aceitar as condições aqui estabelecidas, da seguinte forma: