Torque

Srgio Ferreira da Silva
Identificao de Torque de
Carga em Motores de Induo
Usando Abordagem Baseada
em Sistemas Fuzzy
Dissertao apresentada Escola

de Engenharia de So Carlos da
Universidade de So Paulo, sendo
parte dos requisitos para obteno
do ttulo de Mestre em Engenharia
Eltrica.
Orientador: Prof. Dr. Ivan Nunes da Silva
So Carlos
2007
iii
Vede que ningum d a outrem mal

com mal, mas segui sempre o bem,
tanto uns para com os outros, como
para com todos.
Tessalonicenses 5,15
v
Agradecimentos
A todos que colaboraram direta ou indiretamente na elaborao desse
trabalho, o meu reconhecimento.
Gostaria de agradecer a todos os meus tutores e professores que me
permitiram chegar at aqui, em especial ao Prof. Dr. Ivan Nunes da Silva pelos seus
ensinamentos, pelas suas sugestes no decorrer do desenvolvimento deste trabalho
e sobre tudo por me proporcionar a oportunidade de t-lo como orientador.
minha famlia pelo especial apoio que sempre me concederam, em
especial a senhora Dilmacy Rodrigues Ferreira por ser minha luz em momentos de
escurido.
Aos colegas de laboratrio, em especial ao Eng. Marcelo Suetake por todo
o suporte que tem me fornecido.
Ao colega Prof. MSc. Alessandro Goedtel pelo apoio e conselhos
acadmicos que sempre est prontamente disposto a dar, pelas sugestes
provenientes de sua vivncia na rea de mquinas eltricas e, incentivo na
elaborao deste trabalho.
Meus agradecimentos tambm, e de forma geral, a EESC-USP que me
acolheu como um de seus filhos.

iii
SUMRIO
Resumo ......................................................................................................................v
Abstract....................................................................................................................vii
Lista de Siglas e Abreviaturas ................................................................................ix
Lista de Figuras........................................................................................................xi
Lista de Tabelas ......................................................................................................xv
1 Introduo..........................................................................................................1
1.1 Motivao e Relevncia ..............................................................................1
1.2 Proposta e Justificativa da Dissertao.......................................................2
1.3 Organizao da Dissertao .......................................................................4
2 Aspectos da Modelagem do Motor de Induo ..............................................7
2.1 Introduo ...................................................................................................7
2.2 Princpios de Funcionamento do Motor de Induo ....................................8
2.2.1 Efeito Pelicular................................................................................11
2.3 Modelagem Matemtica do Motor de Induo ..........................................13
2.3.1 Transformaes Lineares ...............................................................21
2.3.2 Transformao Linear qd 0 ..........................................................22
2.4 Classificao dos Principais Tipos de Cargas Acopladas ao Motor
de Induo. ...............................................................................................25
3 Aspectos de Sistemas de Inferncia Fuzzy ..................................................31
3.1 Introduo .................................................................................................31
3.2 Constituio dos Sistemas de Inferncia Fuzzy ........................................32
3.2.1 Sistema de Inferncia no Modelo de Takagi-Sugeno .....................37
3.3 Aspectos de Sintonizao de Parmetros de Sistemas de
Inferncia Fuzzy ........................................................................................39
3.3.1 Caractersticas do ANFIS no Matlab ..............................................41
3.4 Aplicaes de Sistemas de Inferncia Fuzzy em Motores de Induo......44
4 Metodologia Proposta Para Identificao de Torque de Carga Usando
Sistemas Fuzzy................................................................................................49
4.1 Introduo .................................................................................................49
4.2 Descrio da Estratgia de Obteno das Curvas de Torque
de Carga ...................................................................................................49
4.2.1 Parmetros Eltricos e Mecnicos do Motor Simulado ..................50
4.2.2 Treinamento do Sistema ANFIS .....................................................51
4.3 Estrutura do Sistema Fuzzy Para Identificao do Torque de Carga........57
iv
5 Resultados da Aplicao do Sistema Fuzzy ................................................ 65

5.1 Introduo................................................................................................. 65
5.2 Resultados do Sistema Fuzzy na Identificao de Torque de
Carga Linear ............................................................................................. 66
Carga Quadrtica ..................................................................................... 70
Carga Inversa ........................................................................................... 73
5.5 Comparao de Resultados Entre Estratgias Inteligentes...................... 77
6 Concluses Gerais e Trabalhos Futuros ...................................................... 81
6.1 Concluses Gerais ................................................................................... 81
6.2 Trabalhos Futuros..................................................................................... 82
Referncias Bibliogrficas..................................................................................... 83
Apndice A Toolbox Fuzzy Logic........................................................................ 87
A.1 Toolbox Fuzzy Logic do Matlab ................................................................ 88
A.2 Tcnica ANFIS.......................................................................................... 93
Apndice B Modelo do MIT usado para as simulaes..................................... 95
v
Resumo
SILVA, S. F. D. (2007). Identificao de Torque de Carga em Motores de Induo
Usando Abordagem Baseada em Sistemas Fuzzy. Dissertao (Mestrado) Escola
de Engenharia de So Carlos, Universidade de So Paulo, 2007.
Os motores de induo trifsicos so largamente usados em vrios setores
da indstria. O dimensionamento da potncia adequada de um motor de induo ou
assncrono trifsico, em funo do comportamento das cargas acopladas ao eixo,
continua em alguns casos impreciso pela falta de conhecimento mais completo do
comportamento das cargas. A proposta deste trabalho consiste na utilizao de
sistemas fuzzy como uma alternativa aos mtodos tradicionais para levantamento do
comportamento de carga e, em processos de controle, onde h a necessidade de
conhecimento do comportamento do conjugado aplicado ao eixo do motor,
enfocando diversos tipos de cargas encontrados em indstrias. Resultados de
simulaes so apresentados para validar a proposta deste trabalho.
Palavras chave: Motor de Induo, sistemas fuzzy, estimativa de torque de carga.

vii
Abstract
SILVA, S. F. D. (2007). Identification of Load Torque in Induction Motors Using Fuzzy
System Approach. Dissertao (Mestrado) Escola de Engenharia de So Carlos,
Universidade de So Paulo, 2007.
The three phase induction motors are widely used in all industrial sectors.
The selection procedure of the motor for a particular application is sometimes
inaccurate due to the lack of complete knowledge about the load connected to its
shaft. The proposal of this work consists of using fuzzy system as an alternative tool
to the classical methods for extraction of the load behavior and, in control process,
where knowledge of the torque behavior applied to the motor shaft are need,
focusing several types of loads found in industries. Simulation results are presented
to validate the proposal of this work.
Keywords: Induction Motor, fuzzy systems, load torque estimation.

ix
Lista de Siglas e Abreviaturas
AGP Air-Gap Torque
ANFIS Adaptive Neuro-Fuzzy Inference System
DTC Direct Torque Control
EKF Extended Kalman Filter
FIS Fuzzy Inference System
fmm Fora Magneto Motriz
FOC Field Orientation Control
GUI Ghaphical User Interface
MIT Motor de Induo Trifsico
MRAS Model Reference Adaptive System
RNA Redes Neurais Artificiais

xi
Lista de Figuras
Figura 2.1 Diagrama fasorial e senides trifsicas.................................................11
Figura 2.2 Transformao de coordenadas............................................................23
Figura 2.3 Conjugado de Carga Constante. ...........................................................27
Figura 2.4 Conjugado de Carga Linear. .................................................................27
Figura 2.5 Conjugado de Carga Quadrtica...........................................................28
Figura 2.6 Conjugado de Carga Inversa. ...............................................................28
Figura 3.1 Diagrama do processo de inferncia fuzzy. ..........................................32
Figura 3.2 Funo de pertinncia Gaussiana.........................................................35
Figura 3.3 Ilustrao do mtodo da mdia dos mximos. ......................................37
Figura 3.4 Processos Internos ao modelo de Takagi-Sugeno................................39
Figura 3.5 Interface grfica do ANFIS no Matlab. ..................................................42
Figura 3.6 Configurao dos parmetros de inicializao do sistema de
inferncia fuzzy ....................................................................................42
Figura 3.7 Arquitetura do ANFIS. ...........................................................................43
Figura 4.1 Diagrama esquemtico do sistema fuzzy..............................................50
Figura 4.2 Anlise das correntes do motor de induo. .........................................54
Figura 4.3 Detalhe 1 da Figura 4.2.........................................................................54
Figura 4.6 Curva de conjugado para faixa de tenso de 10% da
tenso nominal.....................................................................................59
Figura 4.7 Curva de torque para carga linear.........................................................60
Figura 4.8 Funes de pertinncia para a tenso. .................................................60

xii
Figura 4.9 Funes de pertinncia para a varivel lingstica corrente............... 62
Figura 4.10 Funo de pertinncia para varivel lingstica velocidade.............. 62
Figura 4.11 Diagrama de blocos............................................................................ 63
Figura 5.1 MIT submetido a conjugado resistente linear alimentado
com 202V. ........................................................................................... 67
com 220V. ........................................................................................... 67
com 238V. ........................................................................................... 68
Figura 5.4 Erro relativo ponto-a-ponto entre conjugado estimado
e real/simulado. ................................................................................... 69
Figura 5.5 MIT submetido a conjugado resistente quadrtico alimentado
com 205V. ........................................................................................... 70
com 220V. ........................................................................................... 71
com 238V. ........................................................................................... 72
Figura 5.8 Erro relativo ponto-a-ponto referente Figura 5.7................................ 72
Figura 5.9 MIT submetido a conjugado resistente inverso alimentado
com 209 V. .......................................................................................... 74
com 220 V. .......................................................................................... 75
com 230 V. .......................................................................................... 76
Figura 5.12 Erro relativo ponto-a-ponto referente Figura 5.11............................ 76

xiii
Figura A.1 Esquema dos componentes constituintes do toolbox Fuzzy Logic
do Matlab..............................................................................................88
Figura A.2 Tela inicial do editor FIS........................................................................89
Figura A.3 Tela inicial do editor das funes de pertinncia...................................90
Figura A.4 Editor de regras ilustrando regras de um sistema com
trs entradas.........................................................................................91
Figura A.5 Visualizao das regras de um sistema proposto com
trs entradas.........................................................................................91
Figura A.6 Visualizador de superfcies....................................................................92

xiv
xv
Lista de Tabelas
TABELA 4.1 Parmetros do motor de induo trifsico e carga. ...........................50
TABELA 4.2 Funes matemticas das cargas industriais. ...................................51
TABELA 4.3 Composio dos dados de treinamento agrupados
por tenso. ........................................................................................53
TABELA 4.4 Composio dos dados de treinamento agrupados por
conjugado de carga...........................................................................57
TABELA 4.5 Faixa de tenses de treinamento.......................................................59
TABELA 4.6 Universo de discurso para cada faixa de tenso. ..............................61
TABELA 4.7 Terminologia dos termos de pertinncia............................................61
TABELA 4.8 Universo de discurso para as variveis lingsticas: velocidade
e corrente. .........................................................................................63
TABELA 5.1 Desempenho do estimador para conjugado linear. ...........................69
TABELA 5.2 Desempenho do estimador para conjugado quadrtico. ...................73
TABELA 5.3 Desempenho do estimador para conjugado inverso..........................77
TABELA 5.4 Comparao de resultados entre sistemas inteligentes para a
carga linear. ......................................................................................78
carga quadrtica. ..............................................................................78
carga inversa.....................................................................................79
xvii
1
1 Introduo
1.1 Motivao e Relevncia
O setor industrial responsvel pelo consumo de quase metade do total de
energia eltrica gerada. Dentro deste panorama, os motores eltricos so os
principais responsveis por mais da metade de toda a energia eltrica consumida
[1].
Os motores de induo trifsicos (MIT) so largamente usados em vrios
setores da indstria. Eles tm sido os motores preferidos da indstria desde o
princpio do uso da energia eltrica em corrente alternada. Tal destaque em relao
aos outros motores foi alcanado em virtude de sua robustez, simplicidade e baixo
custo, tanto operacional quanto de mercado.
A necessidade crescente de busca por processos mais econmicos na
utilizao racional e eficiente da energia eltrica tem implicado na realizao de
estudos detalhados para a otimizao de todo o processo industrial, visando
tambm, a necessidade pela conservao da energia eltrica. Dentro deste
contexto, os motores eltricos se tornaram elementos indispensveis na maioria dos
processos que envolvem os setores produtivos, pois os mesmos se destacam como
os principais elementos de converso de energia eltrica em mecnica. Como
conseqncia, essas mquinas eltricas vm sofrendo constantes melhorias que
atendem s necessidades emergentes dos processos produtivos, levando-se
tambm em conta sua importncia energtica dentro do cenrio industrial nacional.

2
A medio do conjugado ou torque de grande importncia em muitas
aplicaes no meio industrial. A informao a respeito do conjugado de carga pode
ser utilizada em malhas de controle, assim como em subsistemas de monitoramento
e superviso.
Assim, para a correta escolha do motor de induo e de seu acionamento
em uma determinada aplicao, tornar-se- necessrio o conhecimento do
comportamento da carga que ser acionada pelo motor. Entretanto, o conjugado
exigido pela carga do motor de induo desde a partida at o regime permanente
normalmente desconhecido pelo projetista.
1.2 Proposta e Justificativa da Dissertao
Este trabalho tem como proposta apresentar um mtodo alternativo para a
determinao do conjugado de carga exigido no eixo dos motores de induo
trifsicos, utilizando para tanto um sistema de inferncia fuzzy adaptativo.
Os motores de induo so os mais empregados em aplicaes industriais
que necessitam de mquinas eltricas rotativas, pois eles possuem um baixo custo e
uma maior durabilidade. Entretanto, h a necessidade de uma ferramenta ou
metodologia simples que seja capaz de descrever de forma satisfatria o
comportamento da carga, observando-se que tal aspecto tem se tornado fator
limitante no momento da especificao de um motor e seu respectivo acionamento.
O subdimensionamento de um motor implica em reduo de sua vida til, assim que,
da mesma forma, o seu super-dimensionamento resulta em diminuio de fator de
potncia e perdas de rendimento, tendo ento como conseqncia o aumento das
perdas de energia eltrica [2].

3
As variveis corrente, tenso, torque e velocidade angular so algumas das
responsveis por determinar o tipo de motor a ser utilizado em dada aplicao,
assim como para o projeto de seu acionamento e seu controle de velocidade. H
ento a necessidade do mapeamento ponto-a-ponto das curvas caractersticas de
cada conjunto motor-carga para se determinar tais parmetros, alm da anlise do
comportamento dessas caractersticas quando da variao das condies de
funcionamento.
A informao do conjugado de carga pode ser adquirida diretamente a partir
de um sensor de torque no eixo do motor ou do uso de uma clula de carga que
fornece uma informao proporcional ao torque ou conjugado eletromagntico. Mas
esses mtodos so invasivos e de difcil implementao em sistemas que j esto
sendo operados.
Os modelos convencionais de mquinas ou processos acionados por
motores eltricos apresentam resultados satisfatrios para determinadas situaes,
mas para o comportamento no-linear dos componentes envolvidos em tais
sistemas, como por exemplo, a variao das resistncias dos enrolamentos devido
ao aumento de temperatura, os mesmos so normalmente bastante particularizados
ou falhos [2]. Um modelo utilizando abordagem de sistemas fuzzy para mapear o
comportamento dessas mquinas pode lidar satisfatoriamente com esses problemas
caracterizados pelas no-linearidades das variveis envolvidas no processo.
Em geral, as abordagens inteligentes tm sido aplicadas cada vez mais em
sistemas complexos, onde o equacionamento convencional um tanto falho para
processos no-lineares que envolvam um sistema dinmico, pois os mesmos em
certos casos acabam sendo aproximados por sistemas lineares. Alm disso, tais
4
abordagens inteligentes esto, tambm, sendo cada vez mais utilizadas em vrias
aplicaes devido ao incremento do poder computacional dos microprocessadores.
Neste trabalho, a estimativa de conjugado de carga de motores de induo
pode contribuir para trs finalidades principais. A primeira, e mais importante,
prover informaes sobre a carga, permitindo ento contribuir para o correto
dimensionamento do motor frente a determinada aplicao. A segunda finalidade
prover dados relativos ao comportamento da carga no eixo de forma a determinar a
eficincia e desempenho da converso de energia [3]. Em terceiro lugar, a estimativa
de conjugado aplicado nos eixos dos motores de induo de fundamental
importncia para o desenvolvimento de tcnicas eficientes que permitam o controle
deles no regime transitrio e permanente [3, 4].
Desta forma, esse trabalho tem como objetivo a proposio de um modelo
computacional capaz de fornecer o comportamento do conjugado da carga,
considerando diversas aplicaes onde seu conhecimento se torna de grande
importncia, utilizando ainda para tanto somente variveis primrias da mquina
como tenso, corrente e velocidade.
1.3 Organizao da Dissertao
A presente dissertao se desenvolve em 6 captulos, conforme descritos na
seqncia.
No Captulo 2 so apresentados os aspectos da modelagem do motor de
induo, abordando os seguintes pontos: os princpios de funcionamento, a
modelagem matemtica do motor de induo utilizado para as simulaes

5
necessrias ao processo de aquisio dos dados e, por fim, a classificao dos
principais tipos de cargas acopladas ao motor.
No Captulo 3, tem-se uma descrio da constituio dos sistemas de
inferncia fuzzy, dos aspectos de sintonizao de seus parmetros, assim como
aplicaes de sistemas fuzzy em motores de induo.
No Captulo 4, mostra-se a metodologia proposta para a identificao de
torque de carga usando sistemas fuzzy.
No Captulo 5, apresentam-se os resultados obtidos pela aplicao da
metodologia proposta para as cargas estudadas.
Finalmente, no Captulo 6, as concluses gerais deste trabalho so tecidas e
propostas para trabalhos futuros so tambm apresentadas.

6
7
2 Aspectos da Modelagem do Motor de

Induo
Neste captulo sero apresentados os aspectos da modelagem do motor de
induo, pois atravs deste, sero realizadas as simulaes necessrias para o
desenvolvimento do trabalho. Assim, o respectivo modelo matemtico torna-se de
suma importncia para o entendimento de seu funcionamento.
2.1 Introduo
A fim de possibilitar o estudo e o desenvolvimento do trabalho aplicado a um
motor de induo, analisando sua estrutura, caractersticas, vantagens e
desvantagens, necessrio, primeiramente, conhecer os modelos matemticos
envolvidos nesse sistema.
Desta forma, neste captulo so apresentados os modelos matemticos que
sero empregados no decorrer do trabalho, assim como as devidas transformaes
de coordenadas pertinentes. A gerao dos dados para a inferncia do sistema
fuzzy ser adquirida atravs do modelo matemtico apresentado, sendo portanto
este de grande importncia para o trabalho. J o modelo de estimao de torque de
carga ser apresentado no Captulo 3, juntamente com o sistema de inferncia
fuzzy, de forma a facilitar o seu entendimento.
Os modelos aqui apresentados no sero desenvolvidos de forma detalhada
por serem facilmente encontrados na literatura como, por exemplo, em [5-7]. No

8
entanto, uma explanao ser realizada com o objetivo de compreender de forma
clara as simplificaes envolvidas em tais modelos.
2.2 Princpios de Funcionamento do Motor de Induo
H dois tipos de motores de induo que so diferenciados pelo tipo de rotor
utilizado. O motor com rotor bobinado ou rotor enrolado comumente chamado de
motores de anis [8, 9]. Este rotor tem seu enrolamento polifsico construdos de
forma similar ao do estator, com o mesmo nmero de plos. Atravs de escovas de
carvo apoiadas sobre anis coletores isolados montados sobre o eixo do motor,
tem-se o acesso aos terminais do enrolamento do rotor [7, 8].
Enquanto que o outro tipo de motor conhecido como motores gaiola de
esquilo [8], sendo que estes so ao mais comuns e mais utilizados. O rotor em
gaiola consiste de barras paralelas e condutoras, curto-circuitadas em cada
extremidade por anis condutores, sendo que essas barras so fixadas no ferro do
rotor [7, 9]. O motor com rotor de gaiola possui outras variaes, alm desta que
denominada de rotor de gaiola simples. As outras variaes so o rotor de gaiola
dupla e o rotor de gaiola de barras profundas [10]. Os motores de gaiola de esquilo
utilizam o efeito pelicular (Seo 2.2.1).
O rotor de gaiola dupla consiste de duas gaiolas concntricas. Uma externa
que construda de tal forma que se tenha uma resistncia elevada de modo a
permitir um bom conjugado de partida; enquanto que a gaiola interna constituda
para se ter uma resistncia baixa de modo que se garanta um bom rendimento em
funcionamento nominal. O benefcio que se obtm da utilizao de motores deste
tipo, consiste de aumento do conjugado de partida e tambm uma ligeira diminuio

9
do valor da corrente de partida, sendo que no momento da partida funcionar
essencialmente a gaiola externa, enquanto que a gaiola interna funcionar em
situao de regime.
O rotor de gaiola de barras profundas semelhante ao de gaiola simples
(ambos so denominados de gaiola de esquilo), embora as barras que constituem o
seu enrolamento possuem uma considervel profundidade. Suas caractersticas de
arranque so anlogas ao do rotor de gaiola dupla [10].
No motor de induo a excitao dos enrolamentos do estator e rotor so
feitos da seguinte forma: diretamente no estator, pois a corrente alternada
fornecida diretamente ao estator, enquanto que no rotor as correntes so induzidas
pela ao de transformador do enrolamento do estator [7]. Assim sendo, quando
excitado por uma fonte polifsica simtrica, o enrolamento produzir um campo
magntico no entreferro, sendo esse o princpio de funcionamento do motor de
induo. Esse campo magntico girar com velocidade sncrona determinada pelo
nmero de plos magnticos do motor e pela freqncia eltrica da rede conforme a
Equao (2.1) [7, 8].
fs
s = 120 (rpm) (2.1)
P
em que: s a velocidade sncrona, fs a freqncia eltrica e P nmero de
plos.
Para ter tenses induzidas e fazer com que o motor funcione, deve-se ento
haver movimento relativo entre velocidade do campo girante e a velocidade do rotor,
sendo o mesmo denominado escorregamento. Por isso, o motor de induo
caracterizado como assncrono. O escorregamento expresso como um percentual
da velocidade sncrona de acordo com a Equao (2.2).

10
em rm
s= 100 (2.2)
em
em que:
s o escorregamento.
em a velocidade sncrona em rad/s.
rm a velocidade angular do rotor em rad/s.
A alimentao trifsica (senoidal) do enrolamento do estator de um motor de
induo faz com que circulem correntes, igualmente senoidais, pelas bobinas
atrasadas em relao s senoides de tenso. Em conseqncia a esse atraso que
gerado pela reatncia indutiva do estator circulao de corrente, ocorre-se
criao de um campo magntico para cada uma das correntes circulantes, sendo
que os mesmos esto defasados de 120 graus eltricos em relao ao outro e suas
amplitudes variam conforme a amplitude da tenso aplicada ao enrolamento.
Fazendo-se a composio vetorial dos trs campos magnticos gerados,
obtm-se um vetor campo magntico resultante que gira a uma velocidade
e (= 2fe ) no diagrama fasorial, sendo essa velocidade definida como velocidade
angular da fora magnetomotriz ( fmm ), onde o termo fe a freqncia de excitao
da rede de alimentao [9]. A Figura 2.1 ilustra o diagrama fasorial correspondente e
as senides de correntes trifsicas no tempo.

11
0.8
Ib 0.6
Ia
0.4
0.2 Ib
Amplitude
Ia
0
-0.2
-0.4
Ic
-0.6
Ic
-0.8
-1
0 0.002 0.004 0.006 0.008 0.01 0.012 0.014 0.016
Segundos
Figura 2.1 Diagrama fasorial e senides trifsicas.
Assim, medida que o campo girante faz seu caminho ao longo do estator,
so ento induzidas tenses nos enrolamentos do rotor em curto circuito. As
correntes elevadas que circulam, produzidas pelas tenses induzidas, geram um
campo magntico resultante que tende a se opor ao campo magntico produzido
pelo enrolamento do estator, originando, desta forma, o conjugado eletromagntico
[2].
2.2.1 Efeito Pelicular
O efeito pelicular responsvel pela variao da densidade de corrente no
rotor devido variao de freqncia da corrente induzida no rotor.
Considerando um rotor de gaiola com barras profundas, se o ferro do rotor
tivesse permeabilidade infinita, todas as linhas de fluxo disperso se fechariam em
caminhos embaixo da ranhura. Devido ao fato da camada no fundo ser mais
concatenada com fluxo disperso, a indutncia de disperso da camada mais

12
profunda maior em corrente contnua que a camada no topo. Como as camadas
esto eletricamente em paralelo, conseqentemente, em corrente alternada, a
corrente nas camadas superiores de baixa reatncia ser maior do que nas
camadas baixas de alta reatncia, assim como a corrente ser forada contra o topo
da ranhura, a corrente nas camadas superiores se adiantar corrente nas
camadas baixas [7, 11].
A distribuio no uniforme da corrente resulta em um aumento na
resistncia efetiva e, em menor escala, num decrscimo da indutncia de disperso
efetiva na barra. Como a distoro na distribuio de corrente depende de um efeito
indutivo, a resistncia efetiva funo da freqncia. Da mesma forma, tambm
uma funo da profundidade da barra, permeabilidade e resistividade do material da
barra [7, 12].
Assim, um rotor de gaiola com barras profundas pode ser projetado para ter
uma resistncia efetiva freqncia estator, rotor parado, vrias vezes maior do que
sua resistncia em corrente contnua. Deste modo, conforme o motor acelera a
freqncia do rotor decresce e, portanto, a resistncia efetiva do rotor decresce
aproximando-se de seu valor em corrente contnua com escorregamento pequeno
[7].
Conforme aqui explanado, a variao de freqncia da corrente induzida no
rotor tem efeito direto sobre a resistncia do rotor e na reatncia indutiva do rotor
cujo valor tem relao direta com a freqncia a qual est submetida. De forma
aplicvel a qualquer circuito indutivo, tem-se:
XL = 2 f L (2.3)
em que:
X L a reatncia indutiva em Ohm.

13
f a freqncia de alimentao da indutncia em Hertz.
L a indutncia em Henry.
A freqncia das correntes do rotor igual das correntes de estator
ficando a corrente concentrada na parte superior da barra, isso na partida. Desta
forma, produz um acrscimo no valor da resistncia da barra e, devido distribuio
do fluxo, uma diminuio na reatncia de disperso.
A medida que o rotor gira e atinge a velocidade nominal, a corrente na barra
tem uma distribuio praticamente uniforme. Desta forma, h uma alterao dos
valores de resistncia em relao aos valores na partida.
Para considerar o comportamento fsico do motor de induo na simulao
necessria a incluso de um fator de correo na resistncia e na reatncia em
funo da freqncia das correntes do rotor, a qual est relacionada com o
escorregamento do rotor. Um modelo matemtico capaz de levar em considerao
os efeitos da freqncia nos valores de resistncia e reatncia foi desenvolvido em
[13, 14].
2.3 Modelagem Matemtica do Motor de Induo
O equacionamento matemtico do motor de induo foi desenvolvido
adotando algumas hipteses com objetivo de simplificar o modelo de forma que a
simulao seja viabilizada, pois sem as mesmas, essa modelagem seria
extremamente complexa [5]. Cabe salientar que tais hipteses so facilmente
encontradas na literatura [5, 7, 9] por possuir resultados prximos das situaes
prticas. A seguir so apresentadas as consideraes utilizadas:

14
entreferro uniforme (rotor e estator cilndricos);
circuito magntico linear;
as fases do enrolamento do estator so idnticas e so enroladas de
modo a se obter uma onda de fmm senoidal espacial, estabelecida
pela aplicao de correntes balanceadas;
no rotor, as fases do enrolamento (motor de anis), ou as barras da
gaiola (gaiola de esquilo), so arranjadas para se obter onda de fmm
espacial com o mesmo nmero de plos do estator. Para tanto,
despreza-se a saturao no circuito magntico, a variao das
resistncias dos enrolamentos por efeito pelicular (skin) e de
temperatura, e as harmnicas das ondas de fmm .
as indutncias mtuas entre cada bobina do estator e do rotor so
funes harmnicas do deslocamento angular ( ) definido entre o
eixo magntico de uma bobina de fase do rotor correspondente do
estator, apresentando valor mximo para dois conjuntos de mtuas.
Com base nessas hipteses, pode-se aplicar o princpio da superposio.
Assim, tem-se para o fluxo total do motor total a expresso da equao (2.4).
total = r + e (2.4)
em que:
r = r 1 + r 2 + r 3
(2.5)
e = e1 + e 2 + e 3
15
sendo que r representa o fluxo do rotor e e o fluxo do estator. Em que,
r 1, r 2 , r 3 ilustra as trs fases da mquina para o rotor e, e1, e 2 , e 3 as trs
fases para o estator.
As equaes de tenso do rotor so dadas por:
d jr
V jr = i jr Rr +
dt
(2.6)
d je
V je = i je Re +
dt
em que:
j representa qualquer uma das fases do estator ou do rotor.
R a resistncia do rotor ou estator em Ohms (Ohm).
V a tenso do rotor ou do estator em Volt .
representa o fluxo para qualquer uma das fases do estator ou rotor em
Weber.
i a corrente para qualquer uma das fazes do estator ou do rotor em
Ampre.
Como est sendo considerado que os enrolamentos do estator e rotor so
iguais e possuem uma mesma resistncia, ento as indutncias prprias tanto do
estator como do rotor so iguais. Deste mesmo princpio, as indutncias mtuas
tanto do estator e rotor so constantes. Assim, para as indutncias prprias do motor
de induo, tem-se:
Le = Le1 = Le 2 = Le 3
(2.7)
Lr = Lr 1 = Lr 2 = Lr 3
16
sendo que Le representa as indutncias do estator, enquanto que Lr as do rotor. J
as indutncias mtuas so dadas por:
Me = Me13 = Me 23 = Me12
(2.8)
Mr = Mr 13 = Mr 23 = Mr 12
onde Me representa as indutncias mtuas entre as fases do estator e M r as do
rotor. Para as resistncias, tem-se Re como resistncia do estator e Rr do rotor.
Alm das indutncias prprias e mtuas do estator e rotor, tm-se as
indutncias entre as fases do estator e as do rotor. Essas indutncias so funes
senoidais do deslocamento angular [5].
Assim, para essas indutncias, tem-se a expresso em notao matricial da
equao (2.9).
2 2
cos cos( +
3
) cos( )
3

2 2
Mer ( ) = mer cos(
T
) cos cos( + ) = Mre ( ) (2.9)
3 3

cos( + 2 ) cos(
2
) cos
3 3
onde Mer representa as indutncias mtuas das fases do estator em relao ao
rotor, enquanto que M re representa as do rotor em relao ao estator. O parmetro
mer representa a amplitude das indutncias mtuas das fases do estator em relao
ao rotor.
Definindo as indutncias prprias de rotor e estator em formato matricial,
tem-se a equao (2.10).

17
Le Me Me

Lee = Me Le Me (2.10)
Me Me Le
e,
Lr Mr Mr

Lrr = Mr Lr Mr (2.11)
Mr Mr Lr
onde Lee representa a matriz das indutncias prprias do estator e Lrr do rotor.
Para as correntes sero adotadas as i e (correntes do estator) e i r (correntes
do rotor), conforme a Equao (2.12).
i e1

ie = ie 2
i e 3
(2.12)
i r 1

i r = i r 2
i r 3
Desta forma, para os fluxos do estator e rotor, tem-se a equao (2.13):
e = Lee i e + Mre ( )i r
(2.13)
r = Lrr i r + Mer ( )i e
Para a obteno das equaes das tenses do motor com base na Equao
(2.6), considerando tanto o estator como o rotor, as equaes dos fluxos devem ser
18
desenvolvidas (Equao (2.13)). Deste modo, derivando a Equao (2.13) em
relao ao tempo, tem-se a equao (2.14):
d e di di Mer ( ) d
= Lee e + Mer ( ) r + ir
dt dt dt dt
(2.14)
d r di di L ( ) d
= Lrr r + M re ( ) e + re ie
dt dt dt dt
Assim, substituindo as Equaes (2.14) em (2.6), obtm-se as
equaes das tenses do estator dada em (2.15), e do rotor em (2.16).
di e di Mer ( ) d
Ve = Re i e + Lee + Mer ( ) r + ir (2.15)
dt dt dt
di r di Mre ( ) d
Vr = Rr i r + Lrr + Mre ( ) e + ie (2.16)
dt dt dt
em que:
Re 0 0

Re = 0 Re 0 (2.17)
0 0 Re
e,
Rr 0 0

Rr = 0 Rr 0 (2.18)
0 0 Rr
19
Para a modelagem matemtica do torque eletromagntico, deve-se levar em
considerao a transferncia de potncia nos seis enrolamentos (trs no estator e
trs no rotor). Assim, considerando a equao (2.19):
[L ] [Mre ( )]33
[L( )]66 = ee 33 (2.19)
[Mer ( )]33 [Lrr ]33
para o equacionamento do torque, obtm-se a equao (2.20):
1 T d
T = [ i ]16 [L( )] [ i ]61 (2.20)
2 d
em que:
i e1
i
e2
ie 3

[i ] = (2.21)
i
r1
ir 2
i
r3
Desenvolvendo-se a derivada em relao a na Equao (2.19), tem-se:
d
d [0] d
[ Mre ( )]
d
[L( )]66 = (2.22)
[M ( )]
d
[0]
d er
Mas:
20
[Mer ( )] = [Mer ( )]
T
(2.23)
Logo, tem-se:
Mer ( )] [ i e ]
d T
1 [ 0] [
T = [ i e ] [ i r ]
T T dt
(2.24)
2 d
d [ er ]
M ( ) [0] [i r ]

que pode ser escrito como:
[ i e ]
1 T d d
T = [ i r ] [ Mer ( )] [ie ] [Mer ( )]
T T
(2.25)
2 d d
[ i r ]
Para simplificar todo o equacionamento do torque preciso usar algumas
propriedades advindas da lgebra linear sobre matrizes. Desta forma, consideram-se
algumas propriedades matriciais, tais como as seguintes:
[ A ] [B ] = [B ][ A ]
T T
(2.26)
sendo que:
T
[C ] = [C ] e [ A] [B ] C = [B ][ A][C ]
T T T
(2.27)

ento:
T
[ A] [B ] [C ] = [C ]T [ A]T [B ]T = [C ]T [B ][ A]
T T T
(2.28)

21
Assim, com base nessas propriedades, a equao do torque dada em (2.25)
pode ser escrita da seguinte forma:
T d
T = [ i e ] [Mer ( )] [ i r ] (2.29)
d
Portanto, atravs desse processo de modelamento matemtico, chegou-se
s equaes de tenso (Equaes (2.15) e (2.16)) e torque (Equao (2.29)) do
motor de induo.
2.3.1 Transformaes Lineares
As equaes matemticas aqui modeladas para o motor de induo trifsico
so no-lineares para o torque, pois nela h o produto de correntes, e lineares a
coeficientes variantes no tempo para o motor, sendo estas to difceis de analisar
quanto as no-lineares. Desta forma, foram desenvolvidas tcnicas baseadas em
transformaes lineares com o objetivo de estabelecer modelos mais simples a partir
do modelo original aqui estabelecido [5, 12, 14].
Estas equaes so acopladas devido s indutncias mtuas entre os
enrolamentos, assim, medida que o rotor gira, tais termos acoplados variam com o
tempo; desta forma, essas transformaes lineares facilitam o clculo da soluo
transitria, transformando as equaes diferenciais variantes no tempo em equaes
de indutncias constantes [5, 7]. Entre essas transformaes lineares, as mais
conhecidas so de Clark ( 0 ) e a de Park ( qd 0 ).

22
2.3.2 Transformao Linear qd 0
A transformao qd 0 consiste em simplificar as equaes da mquina
introduzindo um conjunto de variveis hipotticas, transformando assim numa
mquina bifsica com enrolamentos estatricos fixos e enrolamentos rotricos
pseudo-estacionrios [5]. A possibilidade de reproduzir o fluxo magntico no
entreferro, bem como a distribuio de correntes no estator e rotor no sistema de
coordenadas adotado como referncia, tem o mesmo efeito do sistema de
coordenadas original. Uma varivel representada por uma relao biunvoca entre as
variveis dos dois sistemas de referncia expressa por:
1
qd 0 =C abc (2.30)
em que C a relao entre as variveis dos dois sistemas de coordenadas. A
Figura 2.2 mostra graficamente a ao de transformao onde ae , be e ce so os
eixos de coordenadas referenciadas ao estator e ar , br e cr os eixos de
coordenadas referenciados ao rotor.

23
Figura 2.2 Transformao de coordenadas.
A equao de transformao do sistema original abc , para qd 0
descrita pela Equao (2.31).
q a

d = Cqd 0 ( ) b (2.31)
c
0
em que pode representar a tenso, corrente ou fluxo eletromagntico de cada
fase. A matriz transformao Cqd 0 ( ) dada por:
2 2
cos cos(
3
) cos( + )
3

2 2 2
Cqd 0 ( ) = sin sin( ) sin( + ) (2.32)
3 3 3

1 1 1
2 2 2
1
e a matriz de transformao inversa Cqd 0 ( ) expressa por:
24

cos( ) sin( ) 1

1 2 2
Cqd 0 ( ) = cos( ) sin( ) 1 (2.33)
3 3
2 2
cos( + ) sin( + ) 1
3 3
O sistema de coordenadas qd 0 usualmente selecionado tomando-se por
base a convenincia ou compatibilidade com a representao de outros
componentes como descrito em [9]. Alem do mais, estas transformaes reduzem a
importncia dos coeficientes variantes no tempo, como os encontrados nas
equaes que definem o motor da mquina.
Na anlise do MIT h dois sistemas de referncia, a saber: estacionrio e o
sncrono. De acordo com [9], para estudos de regime transitrio usualmente mais
conveniente o uso de sistemas de coordenadas fixo, tanto para a simulao do MIT
como do sistema de controle e acionamento, enquanto que estudos em regime
permanente o referencial sncrono o mais recomendado.
Este trabalho tem o interesse em simular a mquina do instante da partida
ao regime permanente. Desta forma utiliza-se o sistema de coordenadas fixo para
simulao. As equaes so deduzidas para o sistema de coordenadas sncrono,
que gira a uma velocidade = e , como ilustrado na Figura 2.2. Fazendo igual a
zero, obtm-se o sistema de coordenadas fixo. Esse modelo genrico para simular
tanto o regime transitrio como permanente da mquina.
Como mencionado anteriormente, esta seo tem apenas o objetivo de
demonstrar o modelamento matemtico de forma resumida, visando promover o
entendimento de como as simulaes do motor de induo para as cargas em

25
estudo sero implementadas. O detalhamento da transformao qd 0 pode ser
encontrado em [2, 5].
A partir destas equaes modeladas, pode-se simular o comportamento do
motor de induo trifsico. Como mencionado anteriormente o objetivo deste
trabalho simular o comportamento do motor desde a partida at ao seu regime
permanente, sendo este perodo extremamente curto, assim no sero consideradas
variaes trmicas, o efeito pelicular e a saturao da mquina. Deste modo, a
considerao dessas variveis fica como proposta para trabalhos futuros.
Para o motor, considera-se que as trs fases que alimentam o motor so
equilibradas e senoidais, estando ausentes de distores harmnicas. A freqncia
de 60 Hz, conforme o padro brasileiro.
As cargas que sero aplicadas ao eixo do MIT atravs de simulao
computacional so divididas conforme ser apresentado na Seo 2.4 desse
captulo.
No Apndice B apresentado o modelo desenvolvido no simulink/matlab
utilizado para a simulao da mquina aqui equacionada.
2.4 Classificao dos Principais Tipos de Cargas Acopladas ao
Motor de Induo
Em [15] afirmado que uma carga mecnica requer uma determinada
potncia. De certa forma, isso equivale a afirmar que tal carga necessita de um
determinado conjugado a uma dada velocidade de rotao. Ou seja, para um
sistema dotado de movimento de rotao, tem-se:
P = C (2.34)
26
em que:
P a potncia desenvolvida (kW).
C o conjugado desenvolvido (Nm).
a velocidade angular do movimento (rad/s).
De acordo com [15], as cargas mecnicas podem ser divididas em seis
grandes grupos em funo de suas caractersticas de conjugado versus velocidade:
Carga Constante;
Carga Linear;
Carga Quadrtica;
Carga Inversa;
Cargas que no solicitam conjugado;
Conjugado no uniforme.
As cargas constantes so praticamente independentes da rotao; assim,
elas apresentam pouca ou nenhuma variao de conjugado resistente exigido do
motor. Desta forma, o seu valor com o aumento da velocidade permanece constante.
Como exemplos desse tipo de carga, tm-se: guinchos, guindastes, transportadores
de correias sob carga constante [15]. A Figura 2.3 ilustra o comportamento dessa
carga.
27
Figura 2.3 Conjugado de Carga Constante.
As cargas lineares so aquelas que variam linearmente com a rotao
(Figura 2.4), sendo que tal tipo de carga encontrado em diversas aplicaes como
moinhos de rolos, bombas de pisto, serras para madeiras [15].
Figura 2.4 Conjugado de Carga Linear.
As cargas quadrticas so cargas que variam com o quadrado da rotao e
so encontradas em aplicaes como ventiladores, centrfugas, exaustores [15]. O
seu comportamento pode ser ilustrado de acordo com a Figura 2.5.

28
Figura 2.5 Conjugado de Carga Quadrtica.
A carga cujo conjugado varia inversamente com a rotao, resultando em
potncia constante, ou seja, diminuindo com o aumento da velocidade,
denominada de carga inversa. As cargas inversas so encontradas em aplicaes
como mquinas operatrizes ( fresadoras e mandriladoras [15]). Seu comportamento
pode ser observado conforme mostra a Figura 2.6.
Figura 2.6 Conjugado de Carga Inversa.
As cargas que no solicitam conjugados tambm so denominadas de
volantes e tem como propsito liberar a maior parte da energia cintica armazenada
visando suprir picos de demanda de energia por parte da mquina acionada. Desta
forma, o motor atua como repositor de energia cintica entre dois picos consecutivos
de demanda, vencendo apenas o conjugado resistente originado por atritos. O

29
volante constitudo normalmente de ferro fundido, alinhado e balanceado de forma
a no produzir vibrao no eixo do motor [2]. Como exemplo desse tipo de carga,
tm-se as prensas de perfurao e estampagem profundas, sendo ambas no
hidrulicas [15].
Para o conjugado de carga que varia de maneira no uniforme com a
rotao no se tem uma funo matemtica que descreva de forma satisfatria seu
comportamento. De acordo com [15], tem-se como exemplo desse tipo carga, fornos
rotativos de grandes porte.

30
31
3 Aspectos de Sistemas de Inferncia Fuzzy
3.1 Introduo
A lgica fuzzy foi desenvolvida por L. A. Zadeh em 1965 para representar o
conhecimento incerto ou impreciso. Consiste em meios aproximados mais efetivos
de descrever o comportamento de sistemas que so muito complexos, mal definidos
ou no simples de se analisar matematicamente [16, 17]..
O sistema fuzzy permite trabalhar com indecises vindas do raciocnio
humano, pois muitas das tomadas de decises humanas so abstratas, de tal forma
que a lgica clssica no consegue infer-lo de forma apropriada no modelo
computacional.
A teoria de conjuntos fuzzy e os conceitos de lgica fuzzy podem ser
utilizados para traduzir em termos matemticos a informao imprecisa expressa por
um conjunto de regras lingsticas.
A aplicao do sistema de inferncia fuzzy se tem mostrado eficiente em
diversas reas, tais como controle, classificao e reconhecimento de padres, viso
computacional e otimizao.
H diversos trabalhos e livros disponveis na literatura sobre os sistemas
fuzzy, detalhando de forma consistente a teoria de conjuntos fuzzy, os conceitos de
lgica fuzzy juntamente com o processo de inferncia fuzzy e vrias aplicaes que
envolvem esse sistema [18-21]. Desta forma, neste captulo sero abordados
apenas alguns conceitos necessrios para que se tenha, de forma objetiva, a
compreenso do sistema de inferncia fuzzy adotada para o desenvolvimento deste
mesmo.
32
3.2 Constituio dos Sistemas de Inferncia Fuzzy
Para o entendimento dos sistemas fuzzy, torna-se necessrio um breve
conhecimento sobre os princpios de conjuntos fuzzy, desde o processo de
fuzzificao, passando pela inferncia fuzzy e indo at o processo de defuzzificao
do sistema fuzzy.
Os sistemas de inferncia fuzzy permitem o mapeamento do conhecimento a
respeito de um processo atravs de regras fuzzy do tipo Se - Ento. De posse
dessas regras, pode-se determinar o comportamento das variveis de sada do
sistema, isso por intermdio do processo de inferncia. Desta forma, o sistema de
inferncia fuzzy permite o tratamento de informaes incertas ou imprecisas,
representadas por uma famlia de conjuntos fuzzy. Assim, a inferncia fuzzy oferece
uma forma sistemtica para a modelagem de processos cujas informaes so
fornecidas de forma qualitativa.
O processo de inferncia fuzzy pode ser dividido em trs etapas: etapa de
fuzzificao; regras e inferncias; e defuzzificao, como mostra a Figura 3.1.
Figura 3.1 Diagrama do processo de inferncia fuzzy.
A seguir, ser explicada a funcionalidade de cada bloco do diagrama da
Figura 3.1:
33
Fuzzificao: Nessa etapa as entradas no fuzzy ou precisas so
apresentadas ao sistema por intermdio de medies ou observaes de dados, os
quais so considerados como sendo o conjunto de dados de entrada do sistema.
Deste modo, necessrio efetuar um mapeamento desses dados de entrada para o
conjunto fuzzy, de tal forma, que o sistema possa identificar a quais variveis
lingsticas esses dados pertencem e o quanto os mesmos so pertinentes a essas
variveis. Nesta fase tambm ocorre ativao das regras fuzzy relevantes para um
dado sistema.
Regras: As regras podem ser fornecidas por especialistas, com base em
seu conhecimento a respeito do processo que se deseja analisar, em forma de
sentenas lingsticas, e se constituem em um aspecto fundamental no desempenho
de um sistema de inferncia fuzzy. Desta forma, o sistema de inferncia fuzzy ter
um desempenho confivel e satisfatrio, somente se, as regras expressarem o
comportamento do sistema de forma fiel e consistente. Entretanto, a extrao de um
conjunto de regras advindas do conhecimento desses especialistas pode no ser
uma tarefa fcil, por mais que os mesmos conheam profundamente o problema que
se deseja analisar. Portanto, existem outras alternativas ao uso do conhecimento
dos especialistas para a definio da base de regras, tais como os mtodos de
extrao de regras a partir de dados numricos. Esses mtodos so particularmente
teis em aplicaes onde haja disponvel um conjunto de dados numricos que
refletem o comportamento entrada/sada do sistema.
Inferncia: No processo de inferncia ocorrem as operaes com os
conjuntos fuzzy. Um aspecto importante a definio dos conjuntos fuzzy
correspondentes s variveis de entrada e s de sada, pois o desempenho do
sistema de inferncia depender do nmero de conjuntos e de sua forma adotada.

34
possvel efetuar uma sintonia manual das funes de pertinncias dos conjuntos,
mas mais comum empregarem-se mtodos automticos. A integrao entre
sistemas de inferncias fuzzy e redes neurais artificiais tem se mostrado adequada
para a sintonizao das funes de pertinncias, assim como para a gerao
automtica de regras.
Defuzzificao: Aps o processo de Inferncia, tem-se o processo de
defuzzificao que, de posse do conjunto fuzzy de sada adquirido atravs do
processo de inferncia, responsvel pela interpretao dessa informao para
sadas precisas (dados no fuzzy). Isto se faz necessrio, j que, em aplicaes
prticas so requeridos valores no fuzzy.
Na lgica clssica, modelo de Aristotles, uma dada varivel ou no
pertencente a uma classe; desta forma, na teoria dos conjuntos pertencente a este
modelo, a sua funo de incluso indica se um determinado elemento, de forma
total, pertence ou no a um dado conjunto. J em relao aos conjuntos fuzzy, um
objeto pode pertencer a mais de um conjunto ao mesmo tempo, ou seja, os objetos
podem pertencer parcialmente a um certo conjunto, deixando a funo de incluso
flexibilizada.
Portanto, cada objeto tem um grau de pertinncia em relao a um dado
conjunto fuzzy, sendo este definido por uma funo chamada de funo de
pertinncia, ou seja:
A ( x ) : X [0,1]; x X (3.1)
onde A ( x ) retorna o grau de pertinncia do objeto x , pertencente ao universo de
discurso X , em relao ao conjunto fuzzy A , sendo que o grau de pertinncia um

35
valor normalizado pertencente (localizado) entre 0 (zero) e 1 (um), onde tais valores
limites indicam excluso ou incluso totais ao conjunto.
Os principais tipos de funo de pertinncia so as triangulares,
trapezoidais, gaussianas e sigmides. A funo gaussiana, a qual utilizada neste
trabalho, definida pela equao (3.2):
2
A ( x ) = e K ( x m ) , com K > 1 (3.2)
no qual m o centro da gaussiana e K uma constante que define sua
excentricidade.
Na Figura 3.2 apresentada uma ilustrao de uma funo de pertinncia
do tipo gaussiana.
Figura 3.2 Funo de pertinncia Gaussiana.
O processo de inferncia se caracteriza sobre tudo na gerao das regras
fuzzy, no ajuste e nas definies dos conjuntos fuzzy correspondentes s variveis
de entradas e sadas, pois o desempenho do sistema de inferncia depender do
nmero de conjuntos e de sua forma geomtrica (funo de pertinncia) adotados.
No processo de gerao das regras, estas podem ser fornecidas por
especialistas, em forma de sentenas lingsticas, como mencionado anteriormente.

36
Elas assumem um aspecto fundamental no desempenho do sistema de inferncia
fuzzy, pois a partir dessas se pode determinar, por intermdio do processo de
inferncia, o comportamento das variveis de sadas do sistema. Entretanto, a
extrao de um conjunto de regras, do tipo se - ento, provenientes de um
especialista, pode no ser uma tarefa fcil por mais que os mesmos conheam
profundamente o problema abordado. Assim, uma outra alternativa empregada, ao
invs do uso de especialistas para a definio do conjunto de regras, a utilizao
de mtodos mais automticos de extrao de regras.
Tanto as regras como a sintonia das funes de pertinncias dos conjuntos
podem ser feitas de forma manual, mas so comumente utilizados mtodos
automticos para ambos. A integrao entre sistemas de inferncias fuzzy e redes
neurais artificiais tem se mostrado adequada para essa finalidade. O ANFIS
(Adaptive Neuro-Fuzzy Inference System) uma dessas abordagens, e foi utilizada
nesse trabalho para a sintonia das funes de pertinncia. Ele ser abordado com
maiores detalhes na Seo 3.3.
Dentro do sistema de inferncia fuzzy, tem-se o processo de implicao
fuzzy que consiste na gerao da regio de sada fuzzy dada uma entrada tambm
fuzzy, ou seja, representa a implicao dos resultados obtidos dos conjuntos de
entrada no conjunto de sada. Assim, com esse resultado possvel obter um valor
numrico no-fuzzy do sistema fuzzy por intermdio do processo de defuzzificao.
Dentre os operadores de implicao, tm-se Mandani, Zadeh, Aritmtico, entre
outros [19].
Existem tambm diversos mtodos de defuzzificao, destacando-se entre
eles o mtodo do centro de rea, mtodo da mdia dos mximos (Equao (3.3)) e
mtodo do primeiro mximo [19]. No primeiro mtodo, a sada determinada

37
extraindo-se o valor do universo de discurso que corresponda ao centro de rea da
regio fuzzy de sada. No segundo, a sada precisa obtida tomando-se a mdia
entre os dois elementos extremos no universo de discurso e que correspondem aos
maiores valores da funo de pertinncia de sada, ou seja:
M
Vk
MMAX = (3.3)
k =1 M
sendo que Vk so os valores de C ' (regio fuzzy de sada) que contm graus de
pertinncia mximos e M a quantidade destes elementos. Uma ilustrao
envolvendo o mtodo da mdia dos mximos apresentada na Figura 3.3.
Figura 3.3 Ilustrao do mtodo da mdia dos mximos.
3.2.1 Sistema de Inferncia no Modelo de Takagi-Sugeno
Devido ao fato de que no sistema ANFIS (Seo 3.3) se utiliza o modelo de
inferncia de Takagi-Sugeno, realizar-se- ento aqui uma explanao visando um
melhor entendimento do sistema ANFIS adotado nesse trabalho para a criao das
regras e ajuste das funes de pertinncias.
O modelo de Takagi-Sugeno, assim como outros modelos de inferncia,
consiste em obter todas as contribuies individuais advindas de cada uma das

38
regras ativadas, sendo que a funo de pertinncia de sada do mtodo de Takagi-
Sugeno pode ser tanto uma funo linear como uma funo constante.
Portanto, para a inferncia de Takagi-Sugeno, deve-se primeiramente
fuzzificar todas as entradas, encontrar todas as regras ativadas, determinar os
valores individuais das sadas vindas das funes de sadas de Takagi-Sugeno.
Assim, de posse desses valores, realiza-se ento uma ponderao entre os mesmos
a fim de produzir uma resposta final.
No modelo de Takagi-Sugeno uma regra de inferncia Ri dada da
seguinte forma:
Ri : Se Entrada 1 x1 e Entrada 2 x2
Ento Sada y i = ai x1 + bi x2 + ci
sendo que o resultado final obtido pela mdia ponderada de todos os resultados
de sada, considerando os graus de pertinncia de cada regra Ri ativada, conforme
a Equao (3.4).
i yi
y= i =1
N
(3.4)

i =1
i
em que y a sada final, N representa o total de regras ativadas, e i o grau de
pertinncia em relao contribuio de cada regra ativada.
A ilustrao seguinte (Figura 3.4) mostra os procedimentos internos
associados ao modelo de Takagi-Sugeno quando aplicado a um sistema que possui

39
duas variveis como dado de entradas: temperatura, com domnio variando de 800 a
D 3
1200 C ; e volume, tendo domnio variando de 20 a 80 m de gua. A varivel de
sada a presso, tendo seu domnio variando de 4 a 12 atm. Uma particularidade
do mtodo de Takagi-Sugeno a exigncia de se ter apenas uma varivel de sada.
Entretanto, caso o sistema a ser modelado tiver mais que uma sada, basta-se ento
implementar um modelo de Takagi-Sugeno para cada uma delas.
Figura 3.4 Processos Internos ao modelo de Takagi-Sugeno.
3.3 Aspectos de Sintonizao de Parmetros de Sistemas de

Inferncia Fuzzy
O sistema de inferncia fuzzy consiste em mapear as caractersticas de
entrada atravs de funes de pertinncias, que juntamente com as regras fuzzy
resultaro em uma implicao. Essas implicaes so agregadas proporcionando
uma funo de pertinncia resultante, na qual pode ser determinado o valor preciso
(no-fuzzy) da sada ou a deciso associada sada do sistema.
Para tanto, h necessidade de se ter o conhecimento especfico e detalhado
dos processos envolvidos, de tal forma que o sistema seja implementado com as
funes de pertinncias adequadas e com as regras fuzzy coerentes ao problema

40
em questo, proporcionando ento uma confiabilidade e uma eficincia na obteno
das respostas esperadas (conhecimento extrado de um especialista).
Alternativamente, ao invs de extrair as caractersticas do processo por
intermdio do conhecimento de um especialista visando ajustes dos parmetros das
funes de pertinncia, um sistema de inferncia neuro-fuzzy adaptativo pode ser
capaz de extra-los automaticamente, pois em determinadas ocasies, a
identificao detalhada dos processos, objetivando extrair as caractersticas da
funo de pertinncia a ser utilizada, nem sempre uma tarefa fcil.
O Adaptive Neuro-Fuzzy Inference System (ANFIS) ou sistema de inferncia
neuro-fuzzy adaptativo baseado em tcnicas de aprendizagem implementadas em
redes neurais artificiais [22]. Atravs das informaes contidas no conjunto de
dados, torna-se possvel ajustar os parmetros da funo de pertinncia de tal forma
que permite ao sistema de inferncia fuzzy o mapeamento adequado do
relacionamento entrada-sada do conjunto de dados. Para ressaltar, o ANFIS
baseado no modelo de inferncia de Takagi-Sugeno como mencionado
anteriormente.
Na literatura, encontram-se vrios trabalhos que utilizam o ANFIS em
diversas reas. Em [23] o ANFIS utilizado para a estimao dos parmetros de um
motor de induo, sendo obtido resultados satisfatrios. Em [24] proposto um novo
mtodo para a identificao de sistemas no-lineares utilizando ANFIS. Por
intermdio de simulaes, o artigo menciona que o ANFIS se mostrou bastante
eficiente na identificao de sistemas no-lineares. Em [25] apresentado um
sistema de controle de torque de um motor de induo utilizando ANFIS. De acordo
com os seus resultados, o controle de torque neuro-fuzzy obteve melhores respostas
frente ao controle de torque convencional.

41
Portanto, para os ajustes de sintonizao dos parmetros dos sistemas de
inferncia fuzzy deste trabalho, adotar-se- o ANFIS, sendo que o mesmo j se
encontra tambm implementado no toolbox (Fuzzy Logic) do Matlab
3.3.1 Caractersticas do ANFIS no Matlab
O Matlab possui um componente ANFIS que permite ajustar as funes de
pertinncia e gerar as regras fuzzy. Desta forma, nesta seo ser apresentado um
breve estudo da utilizao do ANFIS implementado pelo Matlab.
O Matlab possui uma interface grfica para o ANFIS, sendo a mesma
acessada atravs do comando anfisedit digitada na janela de comandos. A Figura
3.5 mostra a interface de configurao dos parmetros que devero ser inseridos
para que o sistema faa a inferncia.
Primeiramente, deve-se tratar os dados que sero utilizados no processo de
aprendizagem do sistema, sendo que tais dados devem estar contidos em uma
matriz. Como exemplo, se forem utilizadas duas entradas, a matriz dever conter
trs colunas, sendo a ltima contendo os dados de sada. Essa matriz carregada
pela ferramenta apertando-se o boto load data, apresentado na Figura 3.5.
Aps o carregamento dos dados, deve-se configurar alguns parmetros para
a inicializao do sistema de inferncia fuzzy. Assim, em Generate FIS (ao
pressionar esse boto aparecer a Figura 3.6), deve-se parametrizar o ANFIS.
Utilizou-se neste trabalho a opo grid partition, que consiste em agrupar os dados
representativos do problema a ser mapeado em classes que contenham algum nvel
de similaridade. Portanto, os parmetros necessrios a serem definidos consistem
na definio do nmero de funes de pertinncias, no tipo de funo de pertinncia

42
que ser aplicada, bem como o tipo de funo de sada a ser empregado no
sistema. A Figura 3.6 mostra a janela na qual so configuradas essas informaes
iniciais.
Figura 3.5 Interface grfica do ANFIS no Matlab.
Figura 3.6 Configurao dos parmetros de inicializao do sistema de inferncia fuzzy
Aps a definio dos parmetros de inicializao do sistema fuzzy (nmero
de funes de pertinncia para cada entrada, tipo de funo de pertinncia, e tipo de

43
funo de sada), ajusta-se o nmero de pocas desejadas para que o algoritmo de
treinamento seja executado, alm do erro mnimo que se deseja alcanar. O
algoritmo finalizado quando algum desses parmetros for alcanado, pois ambos
so considerados como critrio de parada para o treinamento.
O ANFIS emprega o algoritmo de treinamento backpropagation ou, o mtodo
hbrido (combinao da estimao de mnimos quadrados com backpropagation)
para estimar os parmetros da funo de pertinncia [22]. Desta forma, o toolbox
fornece a opo de escolher qual treinamento se deseja utilizar. Nesse trabalho foi
utilizado o treinamento pelo mtodo hbrido.
Aps as configuraes necessrias, faz-se o treinamento do sistema que
retornar os ajustes das funes de pertinncia juntamente com as regras. A Figura
3.7 ilustra a arquitetura do ANFIS, onde se pode perceber que as duas primeiras
camadas no so amplamente conectadas. Na configurao das ligaes entre
estas duas camadas esto implicitamente caracterizados os antecessores das
regras.
Figura 3.7 Arquitetura do ANFIS.

44
Devido ao fato de se utilizar em sua estrutura o modelo de inferncia de
Takagi-Sugeno, o ANFIS possui algumas limitaes de aplicao, tal como a
exigncia de se ter apenas uma varivel de sada. A mesma deve ser obtida
utilizando-se a defuzzificao pela mdia ponderada dos pesos [22]. Todas as
funes de pertinncias de sada devem ser do mesmo tipo, ou seja, linear ou
constante. Maiores detalhes da tcnica ANFIS usada no Matlab apresentada no
Apndice A.
3.4 Aplicaes de Sistemas de Inferncia Fuzzy em Motores de

Induo
Os estudos feitos em lgica fuzzy mostraram que a mesma um excelente
aproximador universal [26, 27], pois os sistemas fuzzy so utilizados em diversas
aplicaes, entre elas, esto aquelas relacionadas s mquinas eltricas. Neste
tpico sero citadas algumas referncias sobre aplicao de sistemas de inferncia
fuzzy, direcionando para a estimativa de torque de carga em motores de induo
trifsicos.
Na literatura, muitas aplicaes para a modelagem de processos
relacionadas ao MIT utilizando sistemas fuzzy podem ser encontradas [28], embora
as aplicaes para estimao de seus parmetros possam ser consideradas
relativamente novas [29, 30].
A medio do torque de grande importncia em aplicaes industriais. As
principais tcnicas para medida do torque utilizam torqumetros girantes ou clulas
de carga. Os torqumetros girantes so acoplados entre o eixo da mquina e do
motor e medem conjugado de carga. As clulas de carga, por sua vez, medem
45
conjugado eletromagntico. Mas, tais mtodos so invasivos e de difcil
implementao em sistemas que j esto sendo operados [31].
Em [28], apresenta-se um mtodo para estimao de torque on-line do MIT,
onde o sistema fuzzy baseado em cinco entradas: o valor da temperatura do
enrolamento do estator, as medidas estacionrias das componentes qd das
correntes do estator, e estimao das componentes qd do fluxo do rotor. Em tal
artigo, o desempenho do estimador baseado em lgica fuzzy obteve melhores
resultados do que os estimadores clssicos (baseados no produto vetorial entre
corrente do estator e fluxos). Embora o desempenho do estimador fosse
demonstrada com controlador vetorial indireto, ele pode tambm ser estendido a
outros tipos de sistemas.
O ajuste da velocidade baseado em controles vetoriais e controle direto do
torque tem conquistado grande popularidade em aplicaes de alto desempenho
[32]. Os medidores de sinais dessas variveis, como sensor de fluxo, velocidade e
torque so caros, ento o controle de MIT por sensorless tem recebido bastante
ateno [33].
Alguns estimadores usam um simples modelo com parmetros constantes
do motor. Porm, a variao dos parmetros do motor de induo ao longo de sua
operao vem demonstrando ser uma das mais importantes fontes de erros dos
controladores de alto desempenho (exemplo: resistncia do estator e rotor), os quais
so usados em tcnicas de controle direto de torque e controle vetorial.
A variao da temperatura gerada na mquina ao longo do seu regime de
operao produz alterao significativa dos parmetros do modelo. Logo, quando
so utilizados estimadores baseados nos modelos da mquina, como observadores
de Luenberger, Modelo de Referncia Adaptativo ( MRAS MODEL REFERENCE

46
ADAPTIVE SYSTEM ) e filtro de Kalman, h um desvio entre o valor estimado e o
valor real da varivel estimada; a saber: fluxo eletromagntico, torque e velocidade.
Este desvio ocasiona a deteriorao do algoritmo de controle o qual foi
sintonizado para a situao de incio de operao (a frio) ou em regime permanente
(a quente). Os sistemas fuzzy, por sua vez, no dependem do modelo e dos
parmetros da mquina. Ento, torna-se possvel mapear a relao entrada/sada de
uma determinada varivel considerando a dinmica da mquina em estudo, seja em
regime transitrio ou em regime permanente.
Na tcnica de controle direto de torque (DTC DIRECT TORQUE
CONTROL) requerido o conhecimento da amplitude e posicionamento angular do
fluxo a ser controlado, adicionando informaes relacionadas com a velocidade
angular em aplicaes de controle de velocidades. No entanto, o no conhecimento
do torque de carga e as incertezas relacionadas s resistncia do estator/rotor por
causa das condies de operao constitui o maior desafio para o desempenho de
um sistema, conforme relatado na referncia [34]. H diversos trabalhos na rea
envolvendo o estudo do DTC, assim como o FOC (FIELD ORIENTATION
CONTROL). Em [35] proposto um mtodo que no se enquadra em nenhuma
dessas duas categorias, mas se aproxima mais do FOC.
Alguns estimadores de torque de carga tm tambm sido implementados
baseados em filtros de Kalman e mtodo recursivo dos mnimos quadrados [36].
Para o controle vetorial de alto desempenho sensorless, torna-se essencial
saber as variaes de temperatura e freqncia do estator, do rotor e do torque de
carga. Entretanto, a resistncia do estator pode ser obtida pela medio da
temperatura do estator. H dificuldades fsicas em determinar a resistncia do rotor
em um MIT de gaiola de esquilo. Assim, a estimao da resistncia do rotor e torque

47
de carga so temas relevantes de pesquisa. Em [34], o torque de carga foi
considerado como uma constante no algoritmo para considerar o atrito viscoso,
obtendo-se um melhoramento do desempenho do estimador por intermdio do
mtodo de EKF (EXTENDED KALMAN FILTER).
O mtodo de controle sensorless para MIT usado no somente para onde
os sensores no podem ser instalados por causa do seu ambiente, mas tambm
para alcanar preciso de controle de sistemas de uso geral. Em [37], utiliza-se um
modelo matemtico que depende dos parmetros atuais do motor para simular o
MIT. A variao de ambos, torque e velocidade, com a corrente do estator so
computados com diferentes valores de freqncia. Cada um deles (torque e
velocidade) so simulados com o auxilio de uma regresso polinomial (fitting
methods) de sexta ordem, na qual os coeficientes da corrente do estator varia com a
alterao da freqncia, sendo que cada um desses coeficientes so simulados por
uma equao polinomial de oitava ordem em funo da freqncia. Portanto, o
torque e velocidade podem ser calculados pela medio digital de ambas, corrente e
freqncia, sem a necessidade de um sensor. Por causa da alta ordem das
equaes polinomiais esse mtodo tem tambm suas limitaes.
Em [38] realizada uma pesquisa referente aos mtodos de estimao, no
qual so listados alguns algoritmos, ou combinaes de diferentes algoritmos para
estimaes, tal como o mtodo AGT ( AIR GAP TORQUE ) proposto em [39]. Este
mtodo considera as perdas associadas entre as tenses e corrente. No entanto,
necessrio um teste sem-carga, sendo que a principal ressalva o elevado nvel
invasivo. Outro mtodo o Shaft Torque Method, abordado em [40], sendo esse
tambm bastante invasivo.

48
Em [41] projetado e implementado um controlador adaptativo de
velocidade que estima o torque de carga para um MIT utilizando tcnicas de
processamento paralelo. Esse torque obtido atravs de um observador de
conjugado de carga baseado em mnimos quadrados de primeira ordem de tal forma
que consiga descobrir qualquer mudana lenta ou sbita de perturbao de torque.
Os autores concluem que h uma melhoria significativa quando utilizado um
estimador de conjugado de carga.
Em [42] proposto um estimador de torque e velocidade, mas somente
para baixas freqncias. J em [31] proposta uma abordagem pouca invasiva, pois
necessita apenas da medio da corrente e da tenso eltrica para a sua
computao. A aplicabilidade assegurada para sistemas com dinmica lenta como,
por exemplo, sistemas de elevao artificial de petrleo do tipo cavidades
progressivas.
Assim, conforme pode ser testemunhado, h diversos estudos envolvendo a
estimativa do conjugado de carga, pois a sua importncia para os processos que
utilizam os motores de induo bem elevada. Portanto, este trabalho vem
contribuir com mais uma metodologia para a estimativa do torque por intermdio
dos sistemas fuzzy.

49
4 Metodologia Proposta Para Identificao de

Torque de Carga Usando Sistemas Fuzzy
4.1 Introduo
Neste captulo sero descritas as consideraes e metodologias
empregadas com a finalidade de se implementar um sistema de inferncia fuzzy que
seja capaz de estimar com eficincia o conjugado de carga aplicado ao eixo de um
motor de induo trifsico a partir dos dados simulados, os quais so referentes s
tenses, correntes e velocidades do motor em questo.
Toda a modelagem do motor de induo utilizada neste trabalho foi
desenvolvido usando as ferramentas computacionais do Matlab/Simulink [9], onde
foram analisadas as cargas lineares que so encontradas em serras de madeiras,
bombas de pisto; as cargas quadrticas que so aquelas que variam com o
quadrado da rotao e so encontradas em aplicaes como ventiladores e
centrfugas. As cargas inversas so tambm analisadas no decorrer deste captulo.
4.2 Descrio da Estratgia de Obteno das Curvas de Torque de

Carga
Nesta seo ser apresentada a estratgia adotada para a obteno das
curvas de torque de carga, especificando assim os parmetros da mquina simulada
para a metodologia de treinamento do ANFIS. O diagrama da Figura 4.1 ilustra o
sistema fuzzy adotado, onde so utilizados como dados de entrada as tenses,
correntes e velocidade, e obtendo como sada a curva do conjugado da carga.

50
Figura 4.1 Diagrama esquemtico do sistema fuzzy.
4.2.1 Parmetros Eltricos e Mecnicos do Motor Simulado
Os parmetros eltricos e mecnicos do motor sero usados para simular o
modelo matemtico equacionado no Captulo 2 utilizando a ferramenta
Matlab/Simulink. Os dados mostrados na TABELA 4.1 foram fornecidos por um
fabricante de motores eltricos (WEG Catlogo Geral de Motores Eltricos).
TABELA 4.1 Parmetros do motor de induo trifsico e carga.

Motor Linha Standard IV Plos 60Hz 220/380V
Potncia (1 CV) 745,69 (W)
Resistncia do Estator na Partida 10,17 ( )
Resistncia do Estator em Regime 12,40 ( )
Resistncia do Rotor na Partida 5,80 ( )
Resistncia do Rotor em Regime 6,95 ( )
Indutncia do Estator na Partida 1,77x10-2 (H)
Indutncia do Estator no Regime 2,05x10-2 (H)
Indutncia do Rotor na Partida 1,10x10-2 (H)
Indutncia do Rotor no Regime 4,84x10-2 (H)
Indutncia de Magnetizao na Partida 0,606 (H)
Indutncia de Magnetizao no Regime 0,546 (H)
Momento de Inrcia do Rotor 2,71x10-3 (Kg.m2)
Velocidade Sncrona Mecnica 188,49 rad/s (1800 rpm)
Escorregamento Nominal 3,8%
Torque Nominal 4,1 Nm
Classe N
Conjugado Mximo 11,89 Nm
Conjugado de Partida 10,25 Nm
Neste trabalho, optou-se em usar um motor de 1 cv alimentado em 220 V,
pois o mesmo pode ser encontrado com freqncia em aplicaes industriais.

51
Para a gerao dos dados utilizados tanto para o treinamento do sistema de
inferncia fuzzy como para sua validao so usadas funes matemticas que
representam o comportamento da carga em questo. Como neste trabalho sero
abordadas apenas as cargas lineares, quadrticas e inversas, a Tabela 4.2 descreve
suas funes matemticas.
TABELA 4.2 Funes matemticas das cargas industriais.

Linear f ( ) = T ( ) = K + a
Quadrtica f ( ) = T ( ) = K + a 2
Inversa f ( ) = T ( ) = a b + K
A constante K est relacionada com o conjugado inicial, isto , para t =0 + ,
considerando as cargas quadrticas e lineares. Em relao carga inversa, tal
constante representa o valor do conjugado de carga para o regime permanente, ou
seja, para t = . No qual a varivel est em rad/s.
4.2.2 Treinamento do Sistema ANFIS
Para o treinamento do ANFIS foram utilizados os dados de simulao
gerados pelo modelo matemtico apresentado no Captulo 2. Tal treinamento utiliza
como dados de entrada apenas o conhecimento da tenso eficaz, da corrente eficaz
e da velocidade no eixo visando estimar o torque de carga aplicado ao motor.
Portanto, a varivel de sada o prprio torque de carga em questo. Assim, por
intermdio desses dados de treinamento, utilizou-se o modelo ANFIS para ajustar os
parmetros das funes de pertinncia usadas pelo sistema fuzzy.

52
A ferramenta computacional, referente ao sistema de inferncia neuro-fuzzy
adaptativo oferecido pelo programa Matlab (anfisedit), consiste da configurao de
trs parmetros, no qual esses so responsveis pela sintonizao do sistema fuzzy
de forma adequada. Portanto, o desempenho do sistema influenciado pela forma
que se apresentam os dados, pela metodologia de gerao do sistema de inferncia
e pelo algoritmo de treinamento utilizado.
Assim, no fornecimento dos dados de treinamento ao ANFIS, preciso fazer
uma anlise dos dados de entrada para que o sistema possa ajustar as funes de
pertinncias e as regras de forma confivel e consistente. Desta forma, foi feita uma
anlise nesses dados de entrada, investigando-se o comportamento de cada
varivel separadamente.
Em relao implementao do sistema de inferncia fuzzy, aps serem
definidos os parmetros necessrios para a confeco do sistema e, posteriormente,
o treinamento efetuado de forma coerente com a base de dados, preciso verificar
se o sistema est sendo capaz de realizar o mapeamento adequado da estimativa
do conjugado de torque de carga. Alm disso, relevante que o sistema tenha
habilidade para generalizar, ou seja, estimar os conjugados de torque de carga para
casos em que os dados no pertenam ao conjunto de treinamento. Para isso,
necessrio simular o sistema de inferncia com dados de testes de validao e
avaliar o seu desempenho.
Inicialmente os dados de treinamento foram agrupados por valor de tenso
como mostra a TABELA 4.3.

53
TABELA 4.3 Composio dos dados de treinamento agrupados por tenso.

Tenso(Volts) Conjugado de Carga (Nm)
200 1
200 3
200 6
201 2
201 4
202 3
202 5
203 1
203 6
204 2
204 5
205 1
205 4
Utilizada essa configurao dos dados para o treinamento do ANFIS,
observou-se que na validao da metodologia no foram obtidos resultados
satisfatrios para a estimativa do torque, pois o sistema no conseguia estimar de
forma coerente a parte transitria das curvas. Neste caso, o sistema fuzzy conseguia
estimar apenas o perodo de partida e o de regime.
Desta forma, efetuou-se uma anlise nas variveis de entrada e, observando
o comportamento da corrente, percebeu-se que o problema mencionado
anteriormente estava na forma como os dados estavam sendo apresentados para o
treinamento do ANFIS. A Figura 4.2, Figura 4.3, Figura 4.4 e Figura 4.5, ilustram
esse comportamento que afeta de forma direta a eficincia do sistema fuzzy.

54
20
1 Dado 1: 211 - 1
18 Dado 2: 211 - 5
Dado 3: 215 - 1
16 Dado 4: 215 - 5
Dado 5: 220 - 1
14 Dado 6: 220 - 5
Corrente (Ampre)
2
12
10
6
3
4
0 1 2 3 4 5 6 7 8 9 10
Tempo (Amostras) 4
x 10
Figura 4.2 Anlise das correntes do motor de induo.
A Figura 4.2 ilustra o comportamento das correntes de uma carga linear,
sendo que o Dado 1 representa uma curva de conjugado de torque de 1 Nm para
uma tenso de 211 Volts. Os demais dados esto ilustrados na legenda da Figura
4.2. Para melhor demonstrar tal comportamento, realizou-se um detalhamento da
Figura 4.2, a qual foi dividida em 3 outras imagens.
19.5
Dado 1: 211 - 1
Dado 2: 211 - 5
Dado 3: 215 - 1
19
Dado 4: 215 - 5
Dado 5: 220 - 1
18.5 Dado 6: 220 - 5
Corrente (Ampre)
18
17.5
17
16.5
0.2 0.4 0.6 0.8 1 1.2 1.4 1.6 1.8 2
Tempo (Amostras) 4
x 10
Figura 4.3 Detalhe 1 da Figura 4.2.
55
A Figura 4.3 ilustra o comportamento da corrente quanto partida da
mquina. A curva ilustrada pelo Dado 1 mostra o comportamento da corrente para
uma tenso de 211 Volts com conjugado de carga de 1 Nm. Os demais dados esto
ilustrados pela legenda da figura em questo. Desta forma, verifica-se que no
perodo de partida do motor as correntes so agrupadas pela tenso, assim os
Dados 1 e 2 ficam prximos, da mesma forma que os Dados 3 e 4 e os Dados 5 e 6.
Estes ficam juntos apesar de terem um conjugado de torque diferente. Tal
comportamento observado para todas as tenses, qualquer que seja o valor do
conjugado.
A Figura 4.4 mostra o detalhe 2 da Figura 4.2, marcada com o retngulo 2.
Esse detalhe ilustra o comportamento da corrente durante o transitrio.
Dado 1: 211 - 1
Dado 2: 211 - 5
14
Dado 3: 215 - 1
Dado 4: 215 - 5
Dado 5: 220 - 1
12
Dado 6: 220 - 5
Corrente (Ampre)
10
3 3.5 4 4.5 5 5.5

Tempo (Amostras) 4
x 10
No transitrio, a corrente passa a se agrupar pelo conjugado. Na Figura 4.3
foi observado que os Dados 1 e 2 estavam mais prximos um do outro em relao
aos demais dados, enquanto que na Figura 4.4, isso no acontece mais. Na Figura
4.4 observa-se que o Dado 1 est mais prximo dos Dados 3 e 5, pois estes tm os
56
mesmos conjugados de carga do que anteriormente; enquanto que, da mesma
forma, o Dado 2 se encontra agrupado com os Dados 4 e 6.
E por fim, a Figura 4.5 mostra o detalhe 3 da Figura 4.2 para o
comportamento da corrente quando a mquina se encontra em regime.
Dado 1: 211 - 1
4.4
Dado 2: 211 - 5
Dado 3: 215 - 1
4.3
Dado 4: 215 - 5
Dado 5: 220 - 1
4.2
Dado 6: 220 - 5
Corrente (Ampre)
4.1
3.9
3.8
3.7
3.6
7.8 8 8.2 8.4 8.6 8.8

Tempo (Amostras) 4
x 10
Observa-se que durante o regime a corrente continua agrupada pelo
conjugado, sendo que tal agrupamento teve incio no transitrio da mquina.
De acordo com a Figura 4.2 e os seus detalhes apresentados nas Figura
4.3, Figura 4.4 e Figura 4.5, observa-se que as correntes para cada conjugado se
agrupam na partida por valores de tenses, enquanto que no transitrio e em regime
elas se agrupam por valor de conjugado. Desta forma, optou-se por agrupar os
dados de treinamento no mais por tenso, e sim por conjugado de carga, como
ilustra a TABELA 4.4. A partir desta abordagem se obteve resultados satisfatrios
como ser apresentado no Captulo 5.

57
TABELA 4.4 Composio dos dados de treinamento agrupados por conjugado de carga.
Tenso (Volts) Conjugado de carga (Nm)
200 1
203 1
205 1
201 2
204 2
200 3
203 3
201 4
205 4
202 5
204 5
200 6
203 6
4.3 Estrutura do Sistema Fuzzy Para Identificao do Torque de

Carga
Com o intuito de se determinar o sistema de inferncia fuzzy mais eficiente,
vrios sistemas foram implementados, com diversas variaes, de tal forma que seja
possvel comparar o desempenho entre os mesmos. Desta maneira, foram
implementados sistemas de inferncias variando-se a forma de apresentao dos
dados e o algoritmo de treinamento utilizado no ANFIS. Com a finalidade de se
obter o menor erro, o parmetro associado ao erro de tolerncia foi configurado
como sendo zero e, para todos os sistemas considerados, o nmero de pocas de
treinamento foi ajustado para 5. Com um nmero de pocas maior, observa-se que a
diminuio do erro muito pequena, podendo ser at desprezvel quando se leva
em conta o custo computacional e o tempo de treinamento.
Aps a realizao dos treinamentos de cada um dos sistemas fuzzy
propostos, os mesmos so validados com os dados de testes. Em seguida, calcula-
se os valores de erro relativo mdio e o desvio padro para que se possa ser
58
realizada uma comparao entre as diversas configuraes propostas aos sistemas
fuzzy, tendo a finalidade de se encontrar o mais eficiente.
Portanto, para cada varivel de entrada, utiliza-se nove funes de
pertinncia, sendo que as mesmas so do tipo gaussiana. Desse modo, gera-se 729
regras para o sistema fuzzy. valido salientar que desse total de regras geradas,
pode ser que nem todas delas possam ser ativadas ou usadas ao mesmo tempo.
Como mencionado anteriormente, foram geradas vrias configuraes do
sistema fuzzy, variando-se o nmero de funes para cada varivel de entrada.
Inicialmente, utilizou-se trs funes de pertinncia para cada entrada, e foi
aumentando gradativamente esse nmero at se obter a melhor configurao, a
qual foi obtida com nove funes de pertinncia para cada entrada. Tambm foi
variado o tipo de funo de pertinncia, sendo que inicialmente foram adotadas as
funes triangulares, mas se observou que os melhores resultados eram obtidos
atravs das funes do tipo gaussianas.
Neste trabalho, a faixa de tenso dividida em faixas discretas, abrangendo
uma variao de 10% . Consegue-se, desta forma, atingir dois objetivos, ou seja,
simular pequenas variaes de tenso no motor devido alta corrente de partida e
dividir a estrutura fuzzy em vrios sistemas fuzzy menores, implicando ento numa
maior modularidade na estrutura computacional.
A norma NBR7094:1996 [43], especifica que um motor deve ser capaz de
desempenhar sua funo principal continuamente numa faixa de tenso que varie
10% da tenso nominal. Considerando a alimentao do motor em 220 V, a faixa
de tenso abordada na simulao compreende 200 V a 240 V, conforme mostrado
na TABELA 4.5. de fundamental importncia considerar esta variao na

59
alimentao, pois o conjugado entregue a carga tem uma relao quadrtica com a
tenso de alimentao [7].
TABELA 4.5 Faixa de tenses de treinamento.
Faixa de Tenso Variao

(Volt)
200 200-210
211 211-220
221 221-230
231 231-240
A Figura 4.6 ilustra a variao de conjugado na faixa de tenso estudada e, a
Figura 4.7 apresenta o mapeamento para a carga do tipo linear. H, desta forma, o
mapeamento de uma regio de conjugado limitada pela curva 1 e pela curva 66. Dentro
dessa regio de mapeamento o sistema fuzzy deve fazer estimativas de torque.
Figura 4.6 Curva de conjugado para faixa de tenso de 10% da tenso nominal.
60
Figura 4.7 Curva de torque para carga linear.
valido salientar que o mapeamento produz valores diferentes de torque
partida e regime permanente para cada curva, dependendo do valor de tenso
usado na alimentao do motor, conforme interseo das curvas de mapeamento e
conjugado do motor.
Para cada faixa de tenso foi gerado um sistema fuzzy. Assim, para cada
carga se tem um total de 4 sistemas fuzzy. A Figura 4.8 ilustra as funes de
pertinncia para a tenso que corresponde s faixas de tenses entre 200 210 V.
Tais ajustes foram fornecidos pelo sistema ANFIS, sendo que o universo de discurso
para esse sistema fuzzy em questo varia de 0(zero) a 210 Volts.
Mi MP PP P Me G PG MG Ma
1
0.8
0.6
0.4
0.2
0 50 100 150 200
Figura 4.8 Funes de pertinncia para a tenso.

61
De forma anloga, as funes de pertinncia para as demais faixas de
tenses so as mesmas, a nica diferena o universo de discurso para cada faixa.
A TABELA 4.6 ilustra tais universos de discurso para todas as faixas de tenses.
TABELA 4.6 Universo de discurso para cada faixa de tenso.

Faixa de Tenso Universo de Discurso
200 0 210
211 0 220
221 0 230
231 0 240
A TABELA 4.7 representa o significado da terminologia adotada para cada
funo de pertinncia e para todas as variveis lingsticas (tenso, corrente e
velocidade), ou seja, ilustra o conjunto de termos que ser utilizado para expressar o
comportamento de cada varivel para o sistema de inferncia fuzzy aqui adotado.
TABELA 4.7 Terminologia dos termos de pertinncia.
Smbolo Significado
Mi Mnima
MP Muito pequena
PP Pouco pequena
P Pequena
Me Mdia
G Grande
PG Pouco grande
MG Muito grande
Ma Mxima
A Figura 4.9 mostra as funes de pertinncias para as correntes, sendo que
as mesmas correspondem igualmente para todos os outros sistemas, ou seja, para
todas as faixas de tenses de forma genrica, pois o que diferencia uma faixa de
tenso para a outra o universo de discurso associado varivel lingstica,
corrente, considerando este caso.

62
1
0.8
0.6
0.4
0.2
0 2 4 6 8 10 12 14 16 18
Figura 4.9 Funes de pertinncia para a varivel lingstica corrente.
A Figura 4.9 ilustra as funes de pertinncia da corrente para uma carga
linear, correspondendo faixa de tenso de 211-220 V, sendo que o seu universo
de discurso varia de 0 a 19,38 Ampre.
A Figura 4.10 mostra as funes de pertinncias da velocidade, sendo que
as mesmas correspondem igualmente para todos os outros sistemas, ou seja, para
todas as faixas de tenses de forma genrica, pois, como mencionado
anteriormente, o que diferencia uma faixa de tenso para a outra o universo de
discurso associado varivel lingstica, velocidade, considerando este caso.
1
0.8
0.6
0.4
0.2
0 20 40 60 80 100 120 140 160 180
Figura 4.10 Funo de pertinncia para varivel lingstica velocidade.
A Figura 4.10 ilustra as funes de pertinncia da velocidade para uma
carga linear, correspondendo faixa de tenso de 211-220 V, sendo que o seu
universo de discurso varia de 0 a 188 rad/s.

63
A TABELA 4.8 ilustra os universos de discursos para as variveis lingsticas
corrente e velocidade, sendo que tais universos para essas variveis so os
mesmos tanto para as cargas quadrticas como para as lineares e inversas.
TABELA 4.8 Universo de discurso para as variveis lingsticas: velocidade e corrente.

Faixa de Tenso Universo de Discurso
Velocidade Corrente
200 210 0 187,6 0 18,07
211 220 0 187,7 0 19,38
221 230 0 187,8 0 20,25
231 240 0 187,8 0 21,12
A Figura 4.11, ilustra a metodologia aplicada na forma de diagrama de
blocos.
Figura 4.11 Diagrama de blocos.

64
65
5 Resultados da Aplicao do Sistema Fuzzy
5.1 Introduo
Os resultados de simulao so apresentados nesse captulo para ilustrar a
abordagem proposta e testar a eficincia da metodologia.
Conforme descrito no Captulo 3, os sistemas fuzzy foram ajustados por
intermdio do modelo ANFIS. Este processo envolve inicialmente a definio dos
parmetros do sistema de inferncia neuro-fuzzy adaptativo, a gerao dos dados, a
metodologia empregada para gerao do sistema, o algoritmo de treinamento a ser
utilizado e, finalmente, os parmetros que determinam o critrio de parada. Portanto,
atravs do processo de treinamento, o ANFIS fornecer o sistema fuzzy ajustado e
com as regras j definidas, sendo ento possvel finalmente realizar as anlises e
validaes do sistema por intermdio de simulaes com os dados de testes.
Cabe aqui salientar que os dados de testes mostrados ao sistema fuzzy no
fizeram parte do treinamento do sistema de inferncia neuro-fuzzy adaptativo
utilizado para o ajuste do mesmo. Desta forma, pode-se demonstrar a capacidade de
generalizao do sistema fuzzy abordado.
Na simulao do motor de induo foram geradas 6 curvas de torque de
carga que simulam da partida ao regime permanente, considerando cada tenso.
Deste modo, na primeira faixa de tenso (200-210 Volts), tem-se um total de 66
curvas. Sendo que 34 dessas foram utilizadas para o treinamento do sistema fuzzy,
e as demais para teste de validao.
Como mencionado em sees anteriores, as simulaes do motor de
induo foram realizadas usando um motor de 1 cv alimentado em 220 V, pois tais

66
motores so encontrados com freqncia em aplicaes industriais, sendo que a
metodologia empregada neste trabalho pode ser tambm aplicada em outras faixas
de tenses e potncias de mquinas.

Carga Linear
Nesta seo sero apresentados os resultados obtidos pela generalizao
do sistema fuzzy desenvolvido considerando para as cargas com conjugado linear.
Visando tal objetivo, apresentam-se figuras que mostram as curvas de torque
estimado com as reais/simuladas. Ser apresentada tambm uma tabela com os
erros relativos mdios para diversas tenses e conjugados de torque.
A Figura 5.1 mostra o resultado da generalizao para uma carga linear com
conjugado inicial em 0,2 Nm e, em regime permanente, em 2 Nm, submetido a uma
tenso de 202 Volts. O torque de carga foi estimado com um erro relativo mdio de
2,6%, com desvio padro de 3,9%. O objetivo do valor desse perfil de tenso
simular uma subtenso no motor de induo visando testar o modelo proposto por
esse trabalho.
67
Carga Linear : 202V

2.5
Estimado
Real/Simulado
Conjugado (Nm)
1.5
0.5
0
5 10 15 20 25 30 35 40 45
Tempo(Amostras)
Figura 5.1 MIT submetido a conjugado resistente linear alimentado com 202V.
A Figura 5.2 ilustra o resultado de simulao de uma carga linear aplicada
ao MIT submetido a uma tenso de 220 Volts que, em regime permanente, atinge 6
Nm. Esta estimativa obteve um erro relativo mdio de 0,81% com um desvio padro
de 2,2%.
Carga Linear : 220V

6
Estimado
5 Real/Simulado
4
Conjugado (Nm)
0
5 10 15 20 25 30 35 40 45
Tempo(Amostras)
68
A Figura 5.3 ilustra os resultados de simulao de uma carga linear
submetida a uma tenso de 238 V, sendo que essa carga em regime permanente
atinge um conjugado de 4 Nm. O torque de carga foi estimado com um erro relativo
mdio de 0,24% em relao ao torque desejado, tendo um desvio padro de 0,29%.
O motor foi submetido a essa elevada tenso para simular uma sobretenso, sendo
ento possvel analisar o comportamento do estimador proposto.
Conjugado Linear: 238V

5
Estimado
4.5 Real/Simulado
3.5
Conjugado(Nm)
2.5
1.5
0.5
0
5 10 15 20 25 30 35 40 45
Tempo(amostra)
A Figura 5.4 ilustra o comportamento do erro relativo ponto-a-ponto entre a
curva estimada e a curva real/simulada, a qual foi ilustrada pela Figura 5.3.
69
Erro Relativo x Amostra

1.4
1.2
Erro Relativo 1
0.8
0.6
0.4
0.2
0
5 10 15 20 25 30 35 40 45
Amostra de Teste
Figura 5.4 Erro relativo ponto-a-ponto entre conjugado estimado e real/simulado.
Na TABELA 5.1 so apresentados os resultados para a estimativa do
conjugado (sada do sistema), ilustrando alguns valores do erro relativo mdio,
desvio padro, tenso e conjugado nominal para as simulaes das cargas lineares.
TABELA 5.1 Desempenho do estimador para conjugado linear.

Erro Desvio
Tenso Conjugado Relativo Padro
(Nm) Mdio (%)
(%)
201 2 2,50 4,30
203 5 1,40 3,20
205 2 3,40 7,30
212 3 0,88 1,45
215 4 0,69 1,04
219 5 0,84 1,87
224 6 0,40 0,74
230 1 5,09 6,90
235 1 1,68 1,82
70

Carga Quadrtica
do sistema fuzzy desenvolvido considerando as cargas com conjugado quadrtico.
estimado com as reais/simuladas. Ser apresentada tambm uma tabela com os
erros relativos mdios para diversas tenses e conjugados de torque.
A Figura 5.5 mostra o resultado da generalizao para uma carga quadrtica
com conjugado inicial em 0,2 Nm e, em regime permanente, em 1 Nm, submetido a
uma tenso de 205 Volts. O torque de carga foi estimado com um erro relativo mdio
de 2,5% com desvio padro de 3,1%. O objetivo do valor desse perfil de tenso
simular uma subtenso no motor de induo para testar o modelo proposto por esse
trabalho.
Carga Quadratica : 205V

1.1
0.9 Estimado
Real/Simulado
0.8
Conjugado (Nm)
0.7
0.6
0.5
0.4
0.3
0.2
0.1
5 10 15 20 25 30 35 40 45
Tempo (Amostras)
Figura 5.5 MIT submetido a conjugado resistente quadrtico alimentado com 205V.
71
A Figura 5.6 ilustra o resultado de simulao de uma carga quadrtica
submetida a uma tenso de 220 Volts, que em regime permanente atinge 6 Nm.
Esta estimativa obteve um erro relativo mdio de 1,29% com desvio padro de
2,93%. A partir de tal simulao se pode realizar uma comparao dos resultados
advindos do sistema fuzzy entre dois tipos de cargas submetidas ao mesmo motor
com os mesmos parmetros (Figura 5.2 e Figura 5.6).
Carga Quadrtica: 220V

7
Estimado
5 Real/Simulado
Conjugado (Nm)
0
5 10 15 20 25 30 35 40 45
Tempo (Amostras)
A Figura 5.7 ilustra os resultados de simulao de uma carga quadrtica
submetida a uma tenso de 238 V, sendo que a mesma em regime permanente
ento possvel analisar o comportamento do estimador proposto. A partir de tal
simulao se pode efetuar a comparao do sistema entre dois tipos de cargas

72
submetidas ao mesmo motor com os mesmos parmetros, sendo que o motor est
submetido a uma sobretenso (Figura 5.3 e Figura 5.7).
Conjugado Quadrtico: 238V

4.5
3.5
Estimado
Real/Simulado
3
Conjugado (Nm)
2.5
1.5
0.5
0
5 10 15 20 25 30 35 40 45
Tempo (Amostras)
curva estimada e a curva real/simulada, a qual foi ilustrada pela Figura 5.7.

1.8
1.6
1.4
1.2
Erro Relativo
0.8
0.6
0.4
0.2
0
5 10 15 20 25 30 35 40 45
Amostra de Teste
Figura 5.8 Erro relativo ponto-a-ponto referente Figura 5.7.

73
Na TABELA 5.2 so apresentados alguns valores do erro relativo mdio,
desvio padro, tenso e conjugado nominal para as simulaes das cargas
quadrticas. Os resultados apresentados pela mesma caracteriza a capacidade de
generalizao do sistema fuzzy empregado para a estimativa do torque.
TABELA 5.2 Desempenho do estimador para conjugado quadrtico.

Desvio
Tenso Conjugado Erro Padro
(Nm) Mdio (%)
(%)
202 1 2,12 2,62
206 2 1,47 2,01
213 3 0,75 1,01
218 4 0,52 0,81
225 5 0,23 0,41
228 6 0,56 1,09
233 1 0,84 0,83
236 2 0,59 0,85
240 3 0,32 0,49

Carga Inversa
do sistema fuzzy desenvolvido considerando as cargas com conjugado inverso.
estimado com as reais/simuladas. Da mesma forma que foi apresentada para as
outras cargas, aqui tambm ser apresentada uma tabela com os erros relativos
mdios para diversas tenses e conjugados de torque da carga em questo.
A Figura 5.9 mostra o resultado da generalizao para uma carga inversa
com conjugado inicial em 7,5 Nm e, em regime permanente, em 5 Nm, submetido a
uma tenso de 209 Volts. O torque de carga foi estimado com um erro relativo mdio
74
de 1,29% com desvio padro de 5,29%. O objetivo do valor dessa tenso simular
um subtenso no motor de induo para testar o modelo proposto por esse trabalho.
Conjugado Inverso: 209V

7.5
Estimado
Real/Simulado
7
6.5
Conjugado (Nm)
5.5
5 10 15 20 25 30
Tempo (Amostras)
Figura 5.9 MIT submetido a conjugado resistente inverso alimentado com 209 V.
A Figura 5.10 ilustra o resultado de simulao de uma carga inversa
submetida a uma tenso de 220 Volts, que em regime permanente atinge 6 Nm.
Esta estimativa obteve um erro relativo mdio de 1,27% com um desvio padro de
1,99%. A partir de tal simulao, torna-se possvel a comparao do sistema entre
vrios tipos de cargas submetidas ao mesmo motor com os mesmos parmetros
(Figura 5.2, Figura 5.6, Figura 5.10).

75
Conjugado Inverso: 220 V

9
Estimado
Real/Simulado
8.5
Conjugado (Nm) 8
7.5
6.5
5.5
5 10 15 20 25 30
Tempo (Amostras)
A Figura 5.11 ilustra os resultados de simulao de uma carga inversa
submetida a uma tenso de 230 V, sendo que a mesma em regime permanente
ento possvel analisar o comportamento do estimador proposto.

76
Conjugado Invervo: 230 V

4.5
Estimado
Real/Simulado
4
Conjugado (Nm)
3.5
2.5
5 10 15 20 25 30
Tempo (Amostras)
curva estimada e a curva real/simulada, a qual ilustrada pela Figura 5.11.

15
10
Erro Relativo
0
0 5 10 15 20 25 30
Amostra de Teste
Figura 5.12 Erro relativo ponto-a-ponto referente Figura 5.11.
Na TABELA 5.3 so apresentados alguns dos resultados obtidos para a
estimativa do conjugado de carga, ilustrando alguns valores do erro relativo mdio,

77
desvio padro, tenso e conjugado nominal para as simulaes das cargas inversas.
No qual a tabela mostra os resultados para a carga considerando do momento da
partida at o regime e, a segunda coluna da tabela ilustra o valor do conjugado da
carga em regime.
TABELA 5.3 Desempenho do estimador para conjugado inverso.

Desvio
Tenso Conjugado Erro Padro
(Nm) Mdio (%)
(%)
200 2 2,28 3,15
210 1 3,04 4,55
213 3 1,25 2,36
216 4 1,48 2,57
220 1 1,43 1,52
224 5 1,37 3,26
229 6 1,49 3,20
233 2 1,92 3,41
236 3 1,54 3,09
240 4 1,71 3,08
5.5 Comparao de Resultados Entre Estratgias Inteligentes
Nesta seo sero apresentadas algumas tabelas comparando os
resultados obtidos entre a estratgia fuzzy abordada por este trabalho e a estratgia
abordada pelo trabalho [2], no qual utilizou redes neurais artificiais para a estimativa
do conjugado de carga. Ambos os trabalhos utilizam as mesmas variveis de
entrada aos seus sistemas. Assim, na TABELA 5.4, apresenta-se os resultados
calculados pela abordagem fuzzy desenvolvida aqui e aqueles obtidos pela
abordagem neural proposto em [2], considerando a mesma faixa de tenso (220V) e
mesmo conjugado para a carga linear. Os dados foram gerados pelo mesmo modelo
78
matemtico do motor de induo, onde so mostrados os resultados para os
conjugados que variam entre 1 Nm e 6 Nm.
TABELA 5.4 Comparao de resultados entre sistemas inteligentes para a carga linear.
Sistema Fuzzy Redes neurais artificiais
Valor do (abordado neste trabalho) (abordado por [2])
conjugado
(Nm) Erro Mdio Desvio Padro Erro Mdio Desvio padro
(%) (%) (%) (%)
1 6,79 12.50 12,77 22,74
2 3,12 5,95 6,44 18,48
3 1,25 2,92 3,98 8,88
4 0,69 1,12 6,91 7.56
5 0,73 1,17 2,20 5,38
6 0,81 2,22 3,18 8,21
A TABELA 5.5 ilustra os resultados da comparao para as cargas
quadrticas, respeitando as mesmas caractersticas citadas para a tabela anterior.
TABELA 5.5 Comparao de resultados entre sistemas inteligentes para a carga

quadrtica.
conjugado
(%) (%) (%) (%)
1 2,46 3,01 9,17 13,07
2 1,09 1,66 5,08 7,16
3 0,83 1,46 5,80 10,31
4 1,07 1,79 9,60 9,17
5 1,08 2,41 4,69 6,95
6 1,29 2,93 4,94 9,65
79
Na TABELA 5.6 so apresentados os resultados da comparao para as
cargas inversas, respeitando as mesmas caractersticas adotadas para as tabelas
anteriores.
TABELA 5.6 Comparao de resultados entre sistemas inteligentes para a carga inversa.
conjugado
(%) (%) (%) (%)
1 1,43 1,52 3,14 3,27
2 1,40 2,64 1,19 1,47
3 1,96 3,69 0,81 1,11
4 1,22 2,50 0,51 0,71
5 1,40 2,46 0,39 0,45
6 1,27 1,99 0,26 0,24
De acordo com esses resultados ilustrados pelas tabelas anteriores, pode-se
notar que o sistema de inferncia fuzzy obteve melhores resultados em relao s
redes neurais artificiais (RNA) para as cargas lineares e quadrticas. Entretanto, as
RNAs obtiveram melhores resultados para a carga inversa.
valido salientar que os valores de conjugados das tabelas apresentadas
nessa seo ilustram o valor em regime para cada carga. Portanto, para cada carga
so mostradas 6 curvas de torque em Nm, como se pode observar na primeira
coluna de cada tabela.

80
81
6 Concluses Gerais e Trabalhos Futuros
6.1 Concluses Gerais
Este trabalho apresentou uma tcnica baseada na utilizao de sistemas de
inferncia fuzzy para estimativa de conjugado resistente aplicado nos motores de
induo. Por intermdio desse modelo foi possvel desenvolver uma estrutura
computacional capaz de estimar o comportamento de conjugado de motores em
processos industriais, a partir de sinais de tenso, corrente e velocidade.
O modelo proposto pode ser usado como uma alternativa aos mtodos
tradicionais para levantamento do comportamento de carga e, em processo de
controle, onde h a necessidade de conhecimento do comportamento do conjugado
aplicado ao eixo do motor.
Os resultados de simulao confirmaram que possvel estimar de forma
bem satisfatria o conjugado exigido no eixo de um motor de induo trifsico
usando um sistema de inferncia fuzzy composto por 9 funes de pertinncia em
suas variveis de entrada.
A metodologia proposta tambm apresentou, aps o ajuste do sistema de
inferncia fuzzy, um menor esforo computacional do que a resoluo de sistemas
de equaes diferenciais que definem o comportamento do motor, pois o
relacionamento das entradas em relao sada se resume a uma matriz formada a
partir dos valores discretizados dos universos de discurso das respectivas entradas.
Sobre os resultados obtidos, torna-se de grande valia destacar o
desempenho da metodologia abordada neste trabalho frente s redes neurais. De

82
acordo com as tabelas ilustradas na Seo 5.5 se observou uma melhora na
estimativa de torque de carga.
Em relao s ressalvas da tcnica proposta, alm das cargas aqui
abordadas, pretendia-se analisar as cargas constantes, mas devido s suas
caractersticas de comportamento, observou-se que a metodologia utilizada para as
demais cargas no se aplica para esse tipo de carga em particular. Portanto, para a
estimativa de torque de cargas constantes, deve-se investigar uma outra
metodologia que consiga mapear adequadamente o comportamento das mesmas a
partir de sinais de tenso, corrente e velocidade.
6.2 Trabalhos Futuros
Como trabalhos futuros, pode-se destacar o aperfeioamento do modelo
proposto para outros tipos de cargas, incluindo na estrutura do mesmo eventuais
ajustes advindos de testes prticos em laboratrio.
Para trabalhos futuros podem-se considerar as variaes trmicas, efeito
pelicular e saturao da mquina, pois neste trabalho o modelo utilizado no levam
em conta essas variveis.
Ainda como trabalhos futuros, tm-se a implementao em hardware do
sistema fuzzy desenvolvido, visando a confeco de um dispositivo compacto que
possa ser utilizado para estimar em tempo real o torque de carga em motores de
induo.
83
Referncias Bibliogrficas
[1] ELETROBRAS, "Ministerio de Minas e Energia, PROCEL - Programa de

Conservaao de energia eltrica ":
http://www.eletrobras.com/elb/main.asp?ViewID=%7BDCF9673F-50BA-4F2D-
9BB7-DB4D6E31A44C%7D#, acessado em 30 de Janeiro de 2007.
[2] A. Goedtel, Estimativa de Conjugado de Carga Aplicado em Eixos de Motores
de Induo Trifsico Atravs de Redes Neurais Artificiais. Mestrado em
Engenharia Inustrial - Bauru: UNESP, 2003.
[3] Y. El-Ibiary, "An accurate low-cost method for determining electric' efficiency
for the purpose of plant energy management," IEEE Transactions on Industry
Applications, vol. 39, pp. 1205-1210, 2003.
[4] P. Vas, Artificial Intelligence Based Electrical Machines and Drives: Oxford
University Press, 1999.
[5] I. Barbi, Teoria Fundamental do Motor de Induo: Editora da UFSC, 1985.
[6] B. K. Bose, Power Electronics and Variable Frequency Drives: Technology
and Applications, 1996.
[7] A. E. Fitzgerald, Maquinas Eltricas: McGRAW - HILL do BRASIL LTDA,
1975.
[8] F. P. Speggiorin, Instrumentao Digital Aplicada ao Desenvolvimento de
Controladores para Motores de Induo. Porto Alegre: UFRGS, 1998.
[9] C.-M. Ong, Dynamic Simulation of Electric Machinery Using Matlab/Simulink:
Prentice Hall, 1997.
[10] J. Monteiro, J. Palma, and G. D. Marques, "Using Simplefied Observers in
Torque of an Induction Machine Without Speed Sensor," 11th IMEKO TC-4
Symposium - Trends in Electrical Measurement and Instrumentation and 6th
Euro Workshop on ADC Modelling and Testing, pp. 140-144, 2001.
[11] D. T. Vincent, Fundamentos de Mquinas Eltricas: Rio de Janeiro: Prentice-
Hall do Brasil, 1994.
[12] I. L. Kosov, Mquinas Eltricas e Transformadores: Porto Alegre: Globo,
1986.
[13] E. Avolio, Uma Contribuio Para o Estudo do Comportamento Trmico e
Eltrico do Motor de Induo. Tese de Doutorado. Universidade Estual de
Campinas (UNICAMP\FEEC), Brasil, 1992.
[14] P. C. Sen, Principles of Electric Machines and Power Electronics: New York:
Wiley, 1989.
84
[15] O. S. Lobosco and J. L. P. d. C. Dias, Seleo e Aplicao de Motores

Eltricos: McGraw-Hill: Siemens, 1988.
[16] R. R. Yager and D. P.filev, Essentials of Fuzzy Modeling and Control. Canada:
John Wiley & Sons, Inc., 1994.
[17] L. C. Jain, "Guest editorial special section on fusion os neural nets, fuzzy
systems and genetic algorithms in industrial applications," Industrial
Electronics, IEEE Transactions on, vol. 46, pp. 1049-1050, 1999.
[18] B. Kosko, Fuzzy Engineering: Pretice-Hall, 1997.
[19] W. Pedrycz and F. Gomide, An Introduction to Fuzzy Sets: MIT Press, 1998.
[20] H. Ying, Fuzzy Control and Modeling: John Wiley, 2000.
[21] T. J. Ross, Fuzzy Logic with Engineering Applications: John Wiley, 2004.
[22] J.-S. R. Jang, C.-T.Sun, and E.Mizutani, Neuro-Fuzzy and Soft Computing:
PRENTICE-HALL, 1997.
[23] M.Vasudevan, Dr.R.Arumugam, and S.Paramasivam, "Adaptive neuro-fuzzy
inference system modeling of an induction motor," The Fifth International
Conference on Power Electronics and Drive Systems, vol. 1, pp. 427-432,
2003.
[24] ZhixiongHou, QuntaiShen, and HeqingLi, "Nonlinear system identification
based on ANFIS," in IEEE Int. Conf. Neural Networks & Signal Processing,
vol. 1, 2003, pp. 510-512.
[25] M. Vasudevan and R.Arumugam, "A robust torque control of induction motor
for electric vehicle applications using ANFIS," TENCON IEEE Region 10
Conference, vol. 4, pp. 17-20, 2004.
[26] B.Kosko and L.X.Wang, "Fuzzy system are Universal approximators," IEEE
Transactions on Computers, vol. 43, pp. 1329-1333, 1994.
[27] M.Sugeno and T.Yasukawa, "A Fuzzy-Logic-based approach to Qualitative
Modeling," IEEE Transactions on Fuzzy Systems, vol. 1, pp. 7-31, 1993.
[28] F.Barreto, E.Galvan, A.Torralba, and L.G.Franquelo, "Novel Fuzzy-Logic
Based Torque Estimator," The 25th Annual Conference of the IEEE, vol. 3, pp.
1259-1264, 1999.
[29] S.Mir, M.E.Elbuluk, and D.S.Zinger, "PI and Fuzzy Estimators for Tuning the
Stator Resistance in Direct Torque Control of Induction Machines," IEEE
Transactions on Power Electronics, vol. 13, pp. 279-287, 1998.
[30] B.K.Bose and N.R.Patel, "Quasi-Fuzzy Estimation of Stator Resistance of
Induction Motor," IEEE Transactions on Power Electronics, vol. 13, pp. 401-
409, 1998.
[31] J. J. F. Cerqueira, A. Oliveira, A. S. Rebouas, and V. R. V. Rodeiro,
"Metodologia para Estimao de Torque em Motores de Induao Polifsicos,"
Congresso Brasileiro de Automtica, pp. 2927-2932, 2006.
85
[32] R.D.Lorenz, T.A.Lipo, and D.W.Novotny, "Motion Control With Induction

Motors," Proceeding of the IEEE, vol. 82, pp. 1215-1240, 1994.
[33] K.Ohnishi, N.Matsui, and Y.Hori, "Estimation, Identification and Sensorless
Control in Motion Control," Proceedings of the IEEE, vol. 82, pp. 1253-1265,
1994.
[34] M. Barut, S. Bogosyan, and M. Gokasan, "Speed sensorless direct torque
control of IMs with rotor resistance entimation," Energy Conversion and
Management, pp. 335-349, 2004.
[35] B.Grcar, P.Cafuta, G.Stumberger, and A.M.Stankovic, "New IM torque control
with implicit rotor field tracking and efficiency maximization," The 8th IEEE
International Workshop on Advanced Motion Control, pp. 59-64, 2004.
[36] J.Holtz and T.Thimm, "Identification of the machine parameters in a vector-
controlled induction motor drive," IEEE Transactions on Industry Applications,
vol. 27, pp. 1111-1118, 1991.
[37] S.A.Kalilah, "Improved torque and speed estimation in sensorless induction
motor drive," 39th International Universities Power Engineering Conference,
vol. 2, pp. 538-544, 2004.
[38] B. Lu, T. G. Habetler, and R. G. Harley, "A Survey of Efficiency-Estimation
Methods for In-Service Induction Motors," IEEE Transactions on Industry
Applications, vol. 42, pp. 924-933, 2006.
[39] J.Hsu and B.P.Scoggins, "Field test of motor efficiency and load changes
through air-gap torque," IEEE Transactions on Energy Conversion, vol. 10, pp.
477-483, 1995.
[40] B.Lu, T.G.Habetler, and R.G.Harley, "A Survey of efficiency-estimation
methods for in-service induction motors with considerations of condition
monitoring requirements," IEEE International Conference on Electric Machines
and Drives, pp. 1365-1372, 2006.
[41] M.-F. Tsai and Y.-Y. Tzou, "A Transputer-Based Adaptive Speed Controller for
AC Induction Motor Drives with Load Torque Estimation," IEEE Transactions
on Industry Applications, vol. 33, pp. 558-566, 1997.
[42] M.Ghanes, J. D. Leon, and A.Glumineau, "Validation of an interconnected
high-gain observer for a sensorless induction motor against a low frequency
benchmark: application to an experimental setup," IEE Proceedings Control
Theory and Applications, vol. 152, pp. 371-378, 2005.
[43] ASSOCIAO BRASILEIRA DE NORMAS TCNICAS. NBR 7094: Mquinas
Eltricas Girantes - Motores de Induo - Especificao. Rio de Janeiro, 1996.
86
87
Apndice A
Toolbox Fuzzy Logic
Esta dissertao utilizou o toolbox Fuzzy Logic do Matlab. Tal toolbox
consiste de uma coleo de funes construdas sobre o ambiente do Matlab,
permintindo assim uma maneira fcil de criar e editar sistemas de inferncia fuzzy
dentro do framework do Matlab, alm da possibilidade de programas escritos em
linguagem C executar funes construdas dentro do Matlab.
Para se utilizar um sistema de inferncia fuzzy, este no necessita j estar
modelado completamente. Mesmo possuindo somente um conjunto de dados
quantitativos possvel criar um sistema de inferncia fuzzy. Uma possvel
abordagem para criar tal sistema de inferncia denominada ANFIS (Adaptive
Neuro-Fuzzy Inference System). O ANFIS ser detalhado na Seo A.2.
O ambiente do Matlab, alm de gerar um sistema fuzzy, se permite visualizar
e, at mesmo, ajustar (refinar) tal sistema. Tendo ento esta necessidade, se pode
utilizar o a ferramenta do Matlab conhecida como toolbox Fuzzy Logic. A Seo A.1
ser responsvel pela explanao deste toolbox.
importante ressaltar que a compilao deste apndice toda baseado no
guia de usurio (user's guide) do Matlab, sendo que o mesmo apresenta de forma
bem didtica todos os principais aspectos envolvidos com o toolbox Fuzzy Logic.
88
A.1 Toolbox Fuzzy Logic do Matlab
O toolbox Fuzzy Logic do Matlab consiste de seis componentes. Alm do
editor ANFIS, o qual ser detalhado na Seo A.2, possui ainda os editores: de
regras (Rule Editor), o editor das funes de pertinncia (Membership Function
Editor) e o editor de Sistema de Inferncia Fuzzy (FIS Fuzzy Inference System).
Acrescenta-se ainda neste toolbox os visualizadores de regras (Rule Viewer) e
superfcie (Surface Viewer). A Figura A.1 evidencia a visualizao de um esquema
mostrando os componentes constituintes do toolbox Fuzzy Logic do Matlab. Neste
esquema, somente adiciona-se o editor ANFIS. A seguir ser discutido, brevemente,
cada um destes componentes.
Figura A.1 Esquema dos componentes constituintes do Toolbox Fuzzy Logic do Matlab.
89
O primeiro componente a ser abordado o editor FIS. finalidade deste
editor ilustrar as informaes, de forma resumida, referente a um sitema de
inferncia fuzzy, por exemplo, um sistema fuzzy construdo a partir da tcnica
ANFIS. Ou seja, o ANFIS ajusta as funes de pertinncia e, tambm, cria as regras
de tal sistema. Assim, por intermdio deste editor se consegue visualizar o sistema
gerado a partir da tcnica ANFIS. Para se obter a tela do editor FIS, basta digitar o
comando fuzzy na janela de comandos no Matlab. Aps a execuo deste
comando, torna-se possvel visualizar a ilustrao da Figura A.2, a qual consiste na
sua tela inicial.
Figura A.2 Tela inicial do editor FIS.
Para se obter a visualizao de um sistema de inferncia fuzzy, basta abrir o
arquivo FIS referente ao mesmo. O arquivo FIS contm todas as informaes de um

90
sistema fuzzy, sendo que o editor FIS apenas mostra o contedo deste arquivo de
uma maneira mais interativa.
Torna-se possvel, atravs do editor de funes de pertinncia, gerenciar os
atributos das funes de pertinncia do sitema fuzzy, ou seja, permite editar e
visualizar todas suas caractersticas. A Figura A.3 exibe a tela inicial deste editor,
mostrando uma das funes de pertinncia usada na aplicao desta dissertao.
Figura A.3 Tela inicial do editor das funes de pertinncia.
J o editor de regras tem como finalidade proporcionar um fcil ambiente
para trabalhar com as regras do sistema fuzzy, permitindo construir, modificar,
deletar e ignorar regras. Assim sendo, a Figura A.4 ilustra a tela do editor contendo
as regras do sistema fuzzy proposto com trs entradas.

91
Figura A.4 Editor de regras ilustrando regras de um sistema com trs entradas.
Para visualizar as regras do sistema fuzzy, recorre-se ao componente do
toolbox Fuzzy Logic conhecido como visualizador de regras. Assim sendo, a Figura
A.5 permite visualizar as regras, as quais foram determinadas no editor de regras
Fuzzy descrito anteriormente.
Figura A.5 Visualizao das regras de um sistema proposto com trs entradas.
92
Por fim, o toolbox Fuzzy Logic do Matlab possui o componente para
visualizar as superfcies de sada do sistema. Este visualizador tem como objetivo
criar uma curva tridimensional de sada visando representar o mapeamento das
entradas do sistema fuzzy. Para os sistemas com mais de duas entradas e uma
sada, como apresentado nesta dissertao, por exemplo, o visualizador consegue
gerar uma superfcie de sada tridimensional, pois os monitores dos computadores
so incapazes de plotar uma superfcie com cinco dimenses. Portanto, o
visualizador permite que selecione duas das entradas e as demais sero
consideradas como constante. Para ilustrar a tela desse visualizador, esta ser
apresentada juntamente com uma das superfcies de sada do sistema fuzzy usada
nesta dissertao. Assim, a Figura A.6 evidencia o referido visualizador.
Figura A.6 Visualizador de superfcies.

93
A.2 Tcnica ANFIS
Torna-se possvel, mesmo contendo somente dados quantitativos, modelar
um sistema de inferncia fuzzy. O ANFIS consiste de uma das possveis tcnicas
para tal procedimento, alm de que bem simples sua utilizao. Assim sendo,
investigar sua aplicabilidade evidencia uma tarefa extremamente relevante quando
seus dados so disponibilizados da forma quantitativa e houver a necessidade de se
gerar um sistema de inferncia fuzzy.
Com um conjunto de dados quantitativos contendo as entradas e sua
respectiva sada desejada, possvel obter um sistema de inferncia fuzzy j
ajustado com suas funes de pertinncia e regras. Sendo assim, pode-se afirmar
que as regras e as funes de pertinncia foram geradas de forma automtica.
Para se utilizar a tcnica ANFIS no Matlab h duas maneiras: Primeira,
atravs de uma interface grfica conhecida como editor GUI (Ghaphical User
Interface) e, a segunda, atravs de linha de comando. Ressalta-se que a primeira
possibilidade uma maneira interativa; porm, para se conseguir flexibilidade h
tambm a necessidade de utilizar o ANFIS por linha de comando. Portanto, decidir
qual das abordagens se deve utilizar depender, antes de tudo, da experincia e
necessidade do usurio.
Nos prximos pargrafos ser detalhar a abordagem do ANFIS por linha de
comando, pois a utilizao do mesmo via GUI j foi explanado na Seo 3.3.1.
Entende-se ANFIS por linha de comando a possibilidade de executar e
parametrizar a sua estrutura fuzzy da mesma forma que o editor GUI permite.
Contudo, tem-se aqui a flexibilidade de trabalhar diretamente com os comandos que
so executados pelo editor.

94
O primeiro comando, o genfis1, inicia o processo de treinamento gerando as
funes de pertinncia iniciais e cobrindo todo o espao de busca. Este comando
recebe como parmetro de entrada trs valores, sendo respectivamente: o arquivo
com os dados quantitativos de entradas e sua respectiva sada, o nmero de
funes de pertinncia e, por ltimo, o tipo de funo de pertinncia.
J o comando anfis tem a finalidade de ajustar as funes de pertinncia
geradas inicialmente pelo comando genfis1. A quantidade de parmetros recebidos
so seis e so, respectivamente, os dados de entrada, a sada gerada pelo comando
genfis1, as opes de treinamento (pocas, tolerncia, etc), tratamento das
mensagens durante e aps o processo de treinamento (este parmetro s existe por
linha de comando) e, finalmente, o mtodo (algoritmo) de treinamento que ser
utilizado.
95
Apndice B
Modelo do MIT usado para as simulaes

Torque

Uploaded by

Document Information

Copyright

Available Formats

Share this document

Share or Embed Document

Sharing Options

Did you find this document useful?

Is this content inappropriate?

Copyright:

Available Formats

Torque

Uploaded by

Copyright:

Available Formats

Srgio Ferreira da Silva

Dissertao apresentada Escola

Orientador: Prof. Dr. Ivan Nunes da Silva

Vede que ningum d a outrem mal

A todos que colaboraram direta ou indiretamente na elaborao desse

trabalho, o meu reconhecimento.

Gostaria de agradecer a todos os meus tutores e professores que me

ensinamentos, pelas suas sugestes no decorrer do desenvolvimento deste trabalho

e sobre tudo por me proporcionar a oportunidade de t-lo como orientador.

minha famlia pelo especial apoio que sempre me concederam, em

Aos colegas de laboratrio, em especial ao Eng. Marcelo Suetake por todo

o suporte que tem me fornecido.

Ao colega Prof. MSc. Alessandro Goedtel pelo apoio e conselhos

acadmicos que sempre est prontamente disposto a dar, pelas sugestes

provenientes de sua vivncia na rea de mquinas eltricas e, incentivo na

elaborao deste trabalho.

Meus agradecimentos tambm, e de forma geral, a EESC-USP que me

acolheu como um de seus filhos.

Lista de Siglas e Abreviaturas ................................................................................ix

Lista de Tabelas ......................................................................................................xv

5 Resultados da Aplicao do Sistema Fuzzy ................................................ 65

SILVA, S. F. D. (2007). Identificao de Torque de Carga em Motores de Induo

Usando Abordagem Baseada em Sistemas Fuzzy. Dissertao (Mestrado) Escola

de Engenharia de So Carlos, Universidade de So Paulo, 2007.

Os motores de induo trifsicos so largamente usados em vrios setores

da indstria. O dimensionamento da potncia adequada de um motor de induo ou

assncrono trifsico, em funo do comportamento das cargas acopladas ao eixo,

continua em alguns casos impreciso pela falta de conhecimento mais completo do

comportamento das cargas. A proposta deste trabalho consiste na utilizao de

comportamento de carga e, em processos de controle, onde h a necessidade de

conhecimento do comportamento do conjugado aplicado ao eixo do motor,

enfocando diversos tipos de cargas encontrados em indstrias. Resultados de

simulaes so apresentados para validar a proposta deste trabalho.

Palavras chave: Motor de Induo, sistemas fuzzy, estimativa de torque de carga.

SILVA, S. F. D. (2007). Identification of Load Torque in Induction Motors Using Fuzzy

System Approach. Dissertao (Mestrado) Escola de Engenharia de So Carlos,

Universidade de So Paulo, 2007.

The selection procedure of the motor for a particular application is sometimes

to validate the proposal of this work.

Keywords: Induction Motor, fuzzy systems, load torque estimation.

Lista de Siglas e Abreviaturas

AGP Air-Gap Torque

ANFIS Adaptive Neuro-Fuzzy Inference System

DTC Direct Torque Control

EKF Extended Kalman Filter

FIS Fuzzy Inference System

fmm Fora Magneto Motriz

FOC Field Orientation Control

GUI Ghaphical User Interface

MIT Motor de Induo Trifsico

MRAS Model Reference Adaptive System

RNA Redes Neurais Artificiais

Figura 2.1 Diagrama fasorial e senides trifsicas.................................................11

Figura 2.2 Transformao de coordenadas............................................................23

Figura 2.3 Conjugado de Carga Constante. ...........................................................27

Figura 2.4 Conjugado de Carga Linear. .................................................................27

Figura 2.5 Conjugado de Carga Quadrtica...........................................................28

Figura 2.6 Conjugado de Carga Inversa. ...............................................................28

Figura 3.1 Diagrama do processo de inferncia fuzzy. ..........................................32

Figura 3.2 Funo de pertinncia Gaussiana.........................................................35

Figura 3.3 Ilustrao do mtodo da mdia dos mximos. ......................................37

Figura 3.4 Processos Internos ao modelo de Takagi-Sugeno................................39

Figura 3.5 Interface grfica do ANFIS no Matlab. ..................................................42

Figura 3.6 Configurao dos parmetros de inicializao do sistema de