Abstract This paper reports on the application and analysis of two techniques of non-linear control: fuzzy
logic (FL) and sliding mode (SM) to control biochemical reactions. Using computational simulation, comparisons
were made among these two non-linear techniques and PID control, showing better results both in performance
and robustness.
Keywords Fuzzy Logic Control, Sliding Mode Control, Biochemical Reaction, Process Control
Resumo Este trabalho descreve a aplicao e anlise de duas tcnicas de controle no-linear: lgica ne-
bulosa e modos deslizantes para o controle de reaes bioqumicas. Atravs de simulao computacional foram
realizadas comparaes entre estas tcnicas no-lineares e controle PID, mostrando resultados superiores tanto
em desempenho quanto em robustez.
Palavras-chave Controle por Lgica Nebulosa, Controle por Modos Deslizantes, Reao Bioqumica, Con-
trole de Processos
A reao bioqumica um processo de reao en- Ser descrito sucintamente o processo fsico a ser
tre dois componentes: a biomassa (em geral, bac- controlado, bem como ser obtido o modelo no-
trias) e o substrato (consumido pela biomassa). linear do sistema com os parmetros nominais. A
So exemplos de reaes bioqumicas: processos modelagem dinmica do biorreator seguir a des-
de fermentao, no qual as clulas consomem a- crio de (Bequette, 1998) onde as seguintes hip-
car e produzem lcool, processos de decomposio teses simplificadoras so adotadas para a modela-
de lixo em aterros sanitrios e processos de trata- gem: o biodigestor um reator selado; a agitao
mento de efluentes. dentro do reator perfeita; a reao uniforme
H diversos fatores complicadores no controle de e apenas bioqumica; o volume do reator cons-
processos bioqumicos, tais como: complexidade tante; a temperatura no reator constante; o pH
da modelagem do sistema, envolvendo equaes da mistura no reator constante; a vlvula pos-
diferenciais no-lineares e at parciais, a situao sui comportamento linear, com ganho unitrio e
de esgotamento (washout), a adoo da varivel dinmica rpida, desprezvel em relao din-
manipulada, a medio/estimao das variveis de mica do processo. Os dados do biorreator para
estado, entre outros. simulao e controle foram obtidos de (Agrawal
Sistemas industriais se valem de controladores & Lim, 1984). Modelos mais completos e deta-
PID, que possuem limitaes de desempenho, lhados podem ser encontrados por exemplo em
principalmente ao atuar em regies mais distantes (Fedailaine et al., 2015), para estudo da liberao
do ponto de equilbrio. Neste caso, controladores do gs metano no processo de tratamento de re-
no-lineares podem obter melhor resultado. sduos orgnicos e em (Andres-Toro et al., 1998),
Neste trabalho, foi adotado um modelo no-linear para estudo de processo de fermentao na fabri-
simplificado aplicvel a diversos processos bioqu- cao industrial de cerveja.
micos industriais, descrito na seo 2. A seguir, Considere o sistema de controle da reao bioqu-
discutida a escolha das variveis da malha de mica dado pela figura 1. No biodigestor ocorre
controle em termos de controlabilidade. Na seo o crescimento da populao de microorganismos
4, aplica-se um controlador PID, para obter uma (biomassa) a partir do substrato. Considera-se
referncia em relao ao desempenho dos contro- que a reao contnua (desejvel nos casos em
ladores no-lineares, descritos na seo 5 - lgica que a biomassa ou um produto da reao deva
nebulosa, e na seo 6 - modos deslizantes. Por ser otimizado). O controle pode ser realizado
fim, so realizadas anlises comparativas de de- realimentado-se a concentrao da biomassa (X),
sempenho na seo 7 e de robustez na seo 8. tendo por valor desejado Xd , ou o substrato (S),
165
XIII Simposio Brasileiro de Automacao Inteligente
Porto Alegre RS, 1o 4 de Outubro de 2017
1
0 x1 0 D 0
G = G (12)
0 x2 0 sf
1 Dd 0
0 x1 0 sf d
Gd = Gd
0 x2
0 Y
(13)
sendo a mxima variao das sadas: x1 =
10%x1 , x2 = 20%x2 ; a mxima variao das en-
tradas: D = 30%D, sf = 35%sf ; e a mxima
variao das perturbaes dadas na tabela 1.
As matriz de ganhos estacionrios em termos das
variveis escalonadas so:
Figura 2: Plano de fase do processo
0 2, 02 1, 4
G (0) = (14)
2, 53 0
3 Anlise de Controlabilidade
1, 35 0, 80 0, 67 9, 57
Estudos sobre a escolha mais adequada das vari- G0d (0) = (15)
1, 68 0 0, 84 0
veis manipulada e controlada de uma reao bi-
oqumica podem ser encontrados por exemplo em Analisando-se as matrizes, conclui-se que, como
(Edwards et al., 1972), (Agrawal & Lim, 1984) G022 (0) = 0, o uso de sf para controlar x2 no
e (Zhao & Skogestad, 1994). Procedendo a uma possvel. Alm disso, para melhor controla-
anlise similar realizada por (Zhao & Skoges- bilidade interessante que o ganho na matriz
tad, 1994) conclui-se que a melhor estratgia em entrada-sada (G0 ) seja maior do que o ganho na
termos de controlabilidade utilizar o turbidos- matriz de perturbao (G0d ), o que no acontece
tato convencional, ou seja, controlar a concentra- para variaes em Y, pois G0d 14 (0) = 9, 57,
o de biomassa (X) atravs da manipulao da sendo este, portanto, um parmetro crtico a ser
taxa de diluio (D). Esta estratgia conveni- considerado no projeto do controlador. Neste
ente por possuir tecnologia mais simples para ser sentido, usar D como varivel manipulada mais
implementada e ser de ampla utilizao (Edwards interessante (elimina-se o uso de G012 (0) = 1, 4),
et al., 1972). porm no possvel decidir sobre o uso da
Para uma anlise da controlabilidade, considere varivel x1 ou x2 por possurem ganhos muito
o modelo linearizado em torno de um ponto de prximos (G011 (0) = 2, 02 e G021 (0) = 2, 53).
equilbrio: Ser realizado ento, uma anlise do efeito da
perturbao sobre a varivel no controlada,
y(s) = G(s)u(s) + Gd d(s) (9) ou seja, ao se adotar, por exemplo a varivel
x1 para realimentao e controle, examina-se o
com os sinais de sada(y), entradas(u) e perturba- comportamento da varivel x2 (no controlada)
es (d) como variaes em torno da condio de considerando-se os sinais de entrada constantes.
equilbrio. Ser utilizado como medida, o PDG (Partial
Disturbance Gain) descrito em (Skogestad &
Dd
Wolff, 1992) e definido como:
x1 D sf d
y= u= d= (10)
x2 sf
yi
= G1 Gd jk / G1 ji
Y P DGijk =
dk uj ,yl6=i
Foram consideradas como variveis de perturba- (16)
o, as perturbaes sobre as variveis manipula- Os resultados do PDG em estado estacionrio
das D e sf e a variao dos parmetros e Y. encontram-se na tabela 2. Para ser aceitvel,
A matriz de transferncia entrada-sada, para o o PDG deve ser menor do que 1, em todas as
ponto de equilbrio 3 (x1e = 1, 53, x2e = 0, 17) : frequncias (em particular no estado estacion-
rio). Portanto, elimina-se o uso de sf x2 e
1,53s0,46 0,26
D x2 . Nota-se que o esquema de variveis
s2 +2,57s+0,68 s2 +2,57s+0,68
G(s) = (11) D x1 possui sensibilidades menores do que
3,83s+1,15 0,3s5,77e6 sf x1 , sendo portanto a combinao de va-
s2 +2,57s+0,68 s2 +2,57s+0,68
riveis mais adequada levando-se em considerao
Escalonando as matrizes de transferncia em tanto a anlise do PDG quanto a anlise dos ga-
relao mxima variao: nhos estacionrios.
166
XIII Simposio Brasileiro de Automacao Inteligente
Porto Alegre RS, 1o 4 de Outubro de 2017
Tabela 2: PDG
Var.: sf x2 D x2 sf x1 D x1
dk P DG11k P DG12k P DG21k P DG22k
D -1,3 0 0,9 0
sf 0 1,4 0 -8e-6
Figura 3: Diagrama de blocos com Fuzzy-PI
0,7 4e-4 -0,5 0
Y 0 17,3 0 -1e-4
(Sugeno, 1985). Para a entrada 1 (e), foram esta-
belecidas as variveis nebulosas "neg"e "pos"com
4 Aplicao do controle PID funes de pertinncia triangulares e range de -1
a 1, conforme figura 4. Para a entrada 2 (dX),
Para realizar uma comparao com as tcnicas
adotou-se variveis nebulosas "neg"e "pos", tam-
no-lineares, foi aplicado um controlador PID,
bm com funes triangulares, porm com range
para cujo ajuste de ganhos foi utilizado o mo-
de -0,2 a 0,2, conforme figura 5. Para a sada (dS)
delo linearizado em torno do ponto de equilbrio 3
foram adotadas trs variveis nebulosas constan-
(x1e = 1, 53, x2e = 0, 17).
tes: oN = 0, 6; oZ = 0; oP = 0, 6. Este valo-
A funo de transferncia neste caso dada por:
res foram escolhidos conforme a variao mxima
x1 1, 53s 0, 46 possvel no sinal de controle (u = D). A escolha
G(s) = = 2 . (17) desta configurao visa obter um controlador sim-
D s + 2, 57s + 0, 68
ples, mas eficaz, funcionando como um otimizador
Os polos so: -0,30 e -2,27, e o zero -0,30, ou no-linear do erro.
seja, h cancelamento polo/zero, sendo a funo
simplificada:
x1 0, 67 K
G(s) = = = . (18)
D 0, 44s + 1 s + 1
O ajuste dos ganhos do PID foi realizado usando
o mtodo IMC (Chien & Fruehauf, 1990):
/K
KC = ; TI = ; TD = 0. (19)
Para a escolha de , buscou-se levar em conside-
Figura 4: Funes de pertinncia das variveis da
rao o valor que melhor atendesse os requisitos
entrada 1
de desempenho:
Limites da ao de controle: 0 < D < 0, 6h1
Erro estacionrio mximo = 0,1%;
Sobressinal mximo = 10%;
Menor tempo de acomodao possvel.
Para = 1, 2h, foram obtidos:
167
XIII Simposio Brasileiro de Automacao Inteligente
Porto Alegre RS, 1o 4 de Outubro de 2017
6 Controle por modos deslizantes O valor de foi escolhido para manter a distn-
cia da vizinhana da superfcie de deslizamento
A tcnica de modos deslizantes permite o controle dentro do valor do erro estacionrio. O valor de
robusto de um sistema no-linear atravs do des- foi escolhido de modo a se ter uma correo
lizamento dos estados sobre uma superfcie pr- robusta e rpida, sem elevar demais o ganho k, e
definida (Utkin, 1992). o valor de foi escolhido para se ter um tempo
O modelo nominal dado por: de resposta suficientemente rpido. Aps ajustes
nos valores iniciais, foram obtidos:
x1 = f1 + g1 u
(21)
x2 = f2 + g2 u. = 20; = 5; = 0, 1. (31)
Foi adotada a seguinte superfcie de controle: Na prtica, como ser controlada apenas a vari-
vel x1 (concentrao da biomassa), a superfcie de
s = x1 + x2 , (22) deslizamento implementada foi: s = (x1d x1 ).
Tambm foi adotado x2d = 0.
onde xi = xid xi , e xid o valor desejado do
estado xi (i=1,2).
Fazendo s = 0, e substituindo no modelo, tem-se: 7 Anlise de desempenho
168
XIII Simposio Brasileiro de Automacao Inteligente
Porto Alegre RS, 1o 4 de Outubro de 2017
Figura 6: Resposta para condio inicial 1 Figura 8: Resposta para condio inicial 2
Figura 7: Sinal de controle, condio inicial 1 Figura 9: Sinal de controle, condio inicial 2
169
XIII Simposio Brasileiro de Automacao Inteligente
Porto Alegre RS, 1o 4 de Outubro de 2017
Figura 10: Resposta para condio inicial 1 Figura 12: Resposta para condio inicial 2
Figura 11: Esforo para condio inicial 1 Figura 13: Esforo para condio inicial 2
Bailey, J. & Ollis, D. (1986). Biochemical Engi- Slotine, J. & Li, W. (1991). Applied Nonlinear
neering Fundamentals, 2 edn, McGraw-Hill, Control, Prentice-Hall, New Jersey.
New York.
Sugeno, M. (1985). Industrial Applications of
Bequette, B. (1998). Process Dynamics: Mode- Fuzzy Control, Elsevier, Amsterdam.
ling, Analysis and Simulation, Prentice-Hall,
New Jersey. Utkin, V. (1992). Sliding Modes in Control and
Optimization, Springer-Verlag, Berlin.
Chien, I.-L. & Fruehauf, P. (1990). Consider IMC
tuning to improve controller performance, Zhao, Y. & Skogestad, S. (1994). A compari-
Chem.Eng.Proc. (86): 33. son of various control schemes for continuous
bioreactor, Proc. of IFAC Symposium AD-
Edwards, V. et al. (1972). Dynamics and control CHEM94 . Kyoto, Japan.
of continuous microbial propagators to sub-
ject substract inhibition, Biotechnology and
Bioengineering (14): 939974.
Fedailaine, M. et al. (2015). Modeling of the
anaerobic digestion of organic waste for bi-
ogas production, Procedia Computer Science
(52): 730.
Nascimento, C. & Yoneyama, T. (2000). Inteli-
gncia Artificial em Controle e Automao,
Blucher, So Paulo.
Skogestad, S. & Wolff, E. (1992). Controllabi-
lity measures for disturbance rejection, Proc.
of IFAC Workshop on Interactions Between
Process Design and Control pp. 2329.
170