Projeto de um controlador neural para obtenção do comportamento de um PID

Abstract

O objetivo desse trabalho é modelar uma rede neural artificial (RNA), denominada de controlador neural (CN), que controle a velocidade de um motor de corrente contínua (CC) e seja tolerante à variações do momento de inércia do rotor. Para a modelagem da rede, utilizou-se a linguagem de programação python e as frameworks de machine learning TensorFlow e Keras. O CN foi treinado com as entradas e saídas de um controlador PID sintonizado, ligado a um motor CC e simulados no Simulink. Para validar o modelo, realizou-se o treinamento de 18 redes neurais e buscou-se avaliar o resultado de cada uma em relação às métricas de treinamento e o desempenho na atuação do sistema. Este trabalho propõe um método de avaliação para a escolha do CN desejado para o sistema, comparando-se o desempenho do controlador PID com o CN, analisando os desempenhos e suas respostas transitórias e de regime permanente para uma entrada unitária e uma entrada complexa. Analisando os resultados de cada CN no sistema de controle, definiu-se uma arquitetura de rede como o controlador que conseguiu atingir os requisitos de desempenho para entradas, tanto unitárias quanto complexas, e o mesmo apresenta desempenhos similares ao controlador PID para entrada unitária e complexa. Além disso, avaliou-se o desempenho do CN em relação às variações de momento de inércia do motor, no qual, foi possível concluir que o sistema controlado pelo CN não apresenta mudanças significativas em seu comportamento, justificando a escolha como controlador.

The objective of this work is to model an artificial neural network (ANN), called a neural controller (NC), which controls the speed of a direct current (DC) motor and is tolerant to variations in the rotor’s moment of inertia. For the modeling of the network, the python programming language and the TensorFlow and Keras machine learning frameworks were used. The NC was trained with the inputs and outputs of a PID controller connected to a DC motor simulated in Simulink. To validate the model, 18 neural networks were trained and an attempt was made to evaluate the result of each one in relation to the training metrics and the performance of the system. This work proposes an evaluation method for choosing the ideal NC for the system, comparing the performance of the PID controller with the NC, analyzing the performances and their transient and steady-state responses for a single input and a complex input. Analyzing the results of each NC in the control system, network 13 was defined as the controller that managed to reach the performance requirements for both unitary and complex inputs and it presents similar performances to the PID controller for unitary and complex input. In addition, the performance of the NC was evaluated in relation to the variations in the moment of inertia of the motor, in which it was possible to conclude that the system controlled by the NC does not present significant changes in its behavior, justifying the choice for the controller.