Aplicação de controladores Fuzzy para o equilíbrio frontal de um veículo de duas rodas

Abstract

O objetivo deste trabalho de conclusão de curso é implementar três diferentes controladores para manter o equilíbrio frontal de um veículo de duas rodas, bem como analisar e confrontar os resultados de cada um deles. Para tal, foi construído um protótipo do veículo em estudo, com unidade de medida inercial (composta por acelerômetros e giroscópios), driver para controle dos motores, bateria para alimentação do veículo, motores DC, placa de desenvolvimento com microcontrolador ATMega 328p e toda a estrutura mecânica necessária. O método de identificação do modelo da planta em estudo foi o de distúrbio em malha fechada, haja vista a instabilidade deste tipo de sistema em malha aberta. Os resultados dos controladores fuzzy mostraram que um aumento no número de regras e faixas para cada variável da lógica refletiu em um melhor desempenho deste tipo controlador para a planta em estudo, no que se refere ao tempo de acomodação, overshoot e erro em regime. Quanto ao controlador Neurofuzzy, pôde-se comprovar uma eficácia no treinamento de sua rede, tanto com dados do PID, quanto com dados do controlador Fuzzy. Além disso, o controlador inteligente demonstrou excelentes resultados na estabilização do veículo.

The purpose of this study is to implement three different controllers to maintain the front balance of a two-wheeled vehicle, as well as analyze and compare their results. With this aim, a prototype vehicle was built, with an inertial measurement unit (composed by accelerometers and gyroscopes), driver for motor control, battery for power supply of the vehicle, DC motors, development board with the ATMega 328p microcontroller and all mechanical structure. The method of identification of the model of the plant under study was the closed-loop disturbance, due to the instability of this type system in open-loop. Fuzzy controllers’ results showed that an increase in the number of rules and ranges for each logical variable reflected a better closedloop performance in terms of settling time, overshoot and tracking error. It was proved an efficiency in the training of the Neurofuzzy controller’s network, with both PID’s data and Fuzzy controller’s ones. In addition, the intelligent controller has demonstrated excellent results in stabilizing the vehicle.