Top Banner
Controle ativo de ruído em dutos usando algoritmo genético James Cunha Werner Orientador: Prof. Dr. José Sotelo Júnior. Tese apresentada à Escola Politécnica da Universidade de São Paulo para obtenção do título de Doutor em Engenharia.
50

199908T_Defesa

Jan 22, 2017

Download

Documents

James Werner
Welcome message from author
This document is posted to help you gain knowledge. Please leave a comment to let me know what you think about it! Share it to your friends and learn new things together.
Transcript
Page 1: 199908T_Defesa

Controle ativo de ruído em dutos usando

algoritmo genéticoJames Cunha Werner

Orientador: Prof. Dr. José Sotelo Júnior.

Tese apresentada à Escola Politécnica da Universidade de São Paulo para obtenção do

título de Doutor em Engenharia.

Page 2: 199908T_Defesa

Uso convencional do Algoritmo genético (GA).

Processamento off-line para apoio a decisão. Otimização construtiva e operacional do sistema. Usada onde outras técnicas não tiveram sucesso. Obtenção de programas para solução de problemas.

Nossa Proposta: utilização da Programação genética (GP) na identificação da planta e do controlador e o GA para

controle em tempo real Controle Genético.

Page 3: 199908T_Defesa

Controle genético

Page 4: 199908T_Defesa

Vantagens :

Explora processamento paralelo. Acompanha variações da planta. Não utilizar modelos caixa – preta e sim

INTELIGÊNCIA ARTIFICIAL. Não necessita identificação do sistema.

Page 5: 199908T_Defesa

Aplicação em cancelamento de ruído acústico

Page 6: 199908T_Defesa

Justificativa da aplicação. Fácil construção. Nenhuma manutenção. Baixo custo. Física complexa. Controle complexo: feedback acústico, atraso de

percurso, caminhos secundários, freqüência variante no tempo e de banda larga.

Possível utilização em dutos de ar condicionado, escapamentos de veículos, exaustão industrial, etc.

Generalização para otimização de processos industriais.

Page 7: 199908T_Defesa

Características do sistema de controle ativo de ruídos.

• Utilização:• Freqüências entre 100Hz e 600Hz.

• Resultados:• Zona de silencio. Cancelamento de freqüências e bandas. Efeito colchão de água.

• Requisitos do controlador:• Tempo real. Estável. Rápida convergência. Tratar:

Mudanças da planta e no ruído. Realimentação acústica. Atraso de percurso.

Page 8: 199908T_Defesa

Montagem experimental.

Page 9: 199908T_Defesa

Obtenção da função de transferência da planta.

Excitações:

Impulso. Ruído

aleatório. Varredura

em freqüência.

Impacto.

)

cLsexp()s()s(]

cLsexp[

)c

)z1(Lsexp()s(]c

)z1(Lsexp[*)c

Lsaexp()s(]c

Lsaexp[

21)s,a,z(H

10

10

Page 10: 199908T_Defesa

Modelo matemático do sistema acústico.Equação de Helmholtz para o duto:

pctp 222

2

Posição

Tempo

Intensidade

)c/zitiexp(b)c/zitiexp(a)y,x()t(T)z(Z)y,x()t(T)z(Z)y(Y)x(X)t,z,y,x(p

mnmnmn

mn

Page 11: 199908T_Defesa

Ondas planas nos dois sentidos do duto ondas estacionárias.

Duto aberto Duto fechado

L4v)1n2(f n L2

cnf n

Page 12: 199908T_Defesa

Interferência entre ondas:

Construtiva: soma das amplitudes. Destrutiva: subtração. Batimento: freqüências próximas.

Impedância acústica:

Expressa relação entre a dinâmica do sistema e a geração de energia acústica.

É afetada pelo transiente do alto-falante.

Page 13: 199908T_Defesa

Balanço de energia do sistema:

Potência dissipada pelo alto-falante:

• Perdas elétricas e mecânicas > 0.• Perdas acústicas podem ser negativas

absorção de energia acústica.

ZReBL

RZ2V

acústicasperdasmecânicasperdaselétricasperdasW

2

22

e

Page 14: 199908T_Defesa

Evolução do controle ativo de ruído em dutos.

Page 15: 199908T_Defesa

Algoritmo adaptativo.Utilização geral pela comunidade científica.

Sinal antecipativo medido por grandezas não acústicas.

FBFXLMS:

Modelamento off-line:

Page 16: 199908T_Defesa

•Controle:

Page 17: 199908T_Defesa

Resultados do algoritmo adaptativo.

Page 18: 199908T_Defesa

Evolução do controle ativo de ruído em dutos.

Page 19: 199908T_Defesa

Caminho da comunidade científica:

Uso do GA como algoritmo de busca dos parâmetros de um modelo caixa preta.

• Nosso trabalho:

Usar o GA para aprender com o processo, estruturando o controle e em tempo de execução, adaptando-se às variações da planta.

Cada desempenho obtido contém informações do processo e do modelo de controle.

Conhecimento da física do processo: inteligência artificial.

Page 20: 199908T_Defesa

Bases biológicas dos algoritmos evolucionários.• Estudo de Mendel (1850): Transmissão da herança.

Cruzamento de ervilhas. O cromossomo representa os agentes que determinam

as características dos indivíduos.• Genótipo: constituição gênica do indivíduo.• Fenótipo: caracteres exibidos, reflexo do genótipo. As características dos pais são transmitidas para os

filhos, que poderão ser bem ajustados ao meio ou não. Os bem ajustados terão maior probabilidade de passar suas características adiante.

Page 21: 199908T_Defesa

• Estudo de Darwin (1859): Evolução natural.

Todas as espécies tem potencialidade de aumentar seu número em progressão geométrica.

Fatores limitantes: competição pelo alimento, água, luz, etc

– Em cada geração o número de indivíduos de uma espécie permanece constante.

• Mutação: alteração do cromossomo devido a agentes externos, causando diferenciação do indivíduo.

Page 22: 199908T_Defesa

Aplicação em identificação e controle:

Variáveis do problema codificadas em base binária no cromossomo.

Cada indivíduo representa uma solução. As gerações refinam a solução aleatória

inicial.

Page 23: 199908T_Defesa

Função de desempenho.

Estabelecer comparação entre os indivíduos.

Inversa da energia acústica no microfone de erro.

Mínimos: global. local. sem

atuação.

Page 24: 199908T_Defesa

Obtenção da solução ótima.

Solução ótima: valores que maximizam/minimizam a função de desempenho.

Ordenando e codificando a solução ótima em base binária, teremos o cromossomo que representa a solução ótima.

A população inicial contém pedaços desta solução diluída entre os indivíduos.

O GA converge quando os operadores genéticos conseguirem construir o cromossomo da solução ótima.

Page 25: 199908T_Defesa

Algoritmo genético.Inicialização da população

Seleção dos parentes.

Primeira população Função de desempenho z=f(x,y)1100110110101000 3.4817460101010110110101 3.668023

==> 1000010100110110 6.261380==> 1101011111001100 12.864222

Crossover

11010 11111001100 ------- \ 1101010100110110

10000 10100110110 ------- / 1000011111001100

Mutação

1101010100110110 1000011111001100 z = 6.0921111010100100110z = 8.044

Reinserção

Segunda população Função de desempenho z=f(x,y)==> 1111010100100110 8.044==> 1000011111001100 6.092

1000010100110110 6.2613801101011111001100 12.864222

Page 26: 199908T_Defesa

Controle em tempo real usando Algoritmo genético.

Page 27: 199908T_Defesa

Simulador Linux com linguagem C. Simplificação do sistema considerando

apenas atrasos. Sobreposição do sinal no buffer de ruído.

Page 28: 199908T_Defesa

• DSP Monoprocessador TMS320C32:

Migração imediata da versão do simulador.

• DSP multiprocessador TMS320C44:

Adaptação do algoritmo ao processamento paralelo. Semáforos de acesso a memória global. Geração antiga mapeada na memória global e a nova na memória

local.

• Aplicação Monoproc. 1 proc. Paralelo 2 proc. Paralelo 3 proc. Paralelo

• 180 indivíduos 317 ms 347 ms 168 ms 109 ms

• Percentual 100 % 109 % 52 % 34 %

• 91 % 100 % 48%31 %

Page 29: 199908T_Defesa

Simulação com ruídos reais

Page 30: 199908T_Defesa

SGA no duto cilíndrico de 6” experimental codificando o sinal de cancelamento.• Obtenção do desempenho de cada indivíduo:

Cria buffer de sinal representado pelo indivíduo.

Aguarda 100 ms para silencio no duto. Envia a cada interrupção um elemento do

buffer de sinal e de ruído, executando uma leitura do microfone de erro.

Calculo do fitness.

Page 31: 199908T_Defesa

Evolução do algoritmo

Page 32: 199908T_Defesa

Resultados para tom puro

Page 33: 199908T_Defesa

SAGA no duto cilíndrico de 6” experimental codificando o sinal de cancelamento. • Processamento em 2 níveis:

Nível 0: FFT do ruído para obtenção dos limites da freqüência.

Nível 1: refinamento da freqüência e obtenção da fase e amplitude, amostrando cada indivíduo na planta.

Page 34: 199908T_Defesa

Evolução nível 0.

Page 35: 199908T_Defesa

Evolução nível 1.

Page 36: 199908T_Defesa

SAGA: Resultado final.

Page 37: 199908T_Defesa

Problemas encontrados na codificação do sinal:• Amostragem dos indivíduos é ruidosa

e toma muito tempo.• Tempo de espera gera mudanças

bruscas.• Sincronização do ruído exige ruído

invariante no tempo.

Modelo baseado em operadores.

Page 38: 199908T_Defesa

Modelo de atraso / ganho conhecido o ruído

• Y[n] = G e R[ n - ]• Evolução:

Page 39: 199908T_Defesa

Resultados para tom puro.

Page 40: 199908T_Defesa

Estudo do feedback acústico.O sinal de atuação é lido no microfone antecipativo

instabilizando o sistema: microfonia.

Page 41: 199908T_Defesa

Duto retangular com modificações construtivas:

Page 42: 199908T_Defesa

Subtraindo o feedback acústico:

• Função de transferência teórica: não considera a dinâmica do alto-falante.

• Função de transferência modelada como filtro FIR: facil de ser obtida usando LMS.

• Análise modal: redução dos dados complexa para fornecer a função de transferência como resposta impulsiva.

Page 43: 199908T_Defesa

Eliminando a realimentação com FIR:

Page 44: 199908T_Defesa

Obtenção do modelo de controle auto-estruturado através da programação

genética.

Page 45: 199908T_Defesa

Programação Genética.

Generalização do GA.

Cromossomo de tamanho variável. Codificação usando árvores que representam

a solução do problema.

Avanço em relação ao GA: Pais iguais podem gerar filhos diferentes.

Page 46: 199908T_Defesa

Resultados da Programação Genética.

Page 47: 199908T_Defesa

Metodologia para utilização do Controle Genético.1. Levantamento dos dados da planta.

2. GP Obtenção do modelo da planta.Função de desempenho: mínimos quadrados.

3. GP Obtenção do modelo de controle. Função de desempenho: índice de desempenho do processo.

4. GA Adaptação dos parâmetros do modelo de controle em tempo real. Função de desempenho: índice de desempenho do processo.

Page 48: 199908T_Defesa

Estrutura do Controle Genético

Page 49: 199908T_Defesa

Conclusões.

• O controle genético é viável e fornece bons resultados quando aplicado a plantas complexas explorando:

A inteligência artificial, modelando o processo e o controle sem atuação humana. Modelo de controle auto-estruturante.

Processamento paralelo, com ótimo desempenho sem overhead.

Permite a compreensão da física por trás do processo – não é caixa preta.

Abordagem geral (SGA) ou com refinamento (SAGA). Tratamento de instabilidade devido a realimentação positiva.

Page 50: 199908T_Defesa

Futuros desenvolvimentos

Desenvolver uma teoria de robustez e análise para o Controle genético.

Aplicação do controle genético às classes de processos:

Otimização de portfolio, reator químico, fermentação, evaporador múltiplo estágio, coluna de destilação, metro elétrico, visão aplicada ao controle robótico, duto e ambiente acústico, etc.

Realização do controle utilizando Redes neurais / PID / Bases de soluções: Generalização do controle adaptativo.Tratamento do feedback acústico agragando funcionalidade.Melhoria na estrutura de tempo real.