You are on page 1of 119

UNIVERSIDADE ESTADUAL PAULISTA

"JLIO D MESQUITA FILHO"


FACULDADE DE ENGENHARIA DE ILHA SOLTEIRA

PROGRAMA DE PS-GRADUAO EM ENGENHARIA ELTRICA

PROJETO DE REGULADORES FUZZY TAKAGISUGENO UTILIZANDO AS CONDIES INICIAIS DA


PLANTA.

Dissertao apresentada Faculdade de


Engenharia de Ilha Solteira da Universidade
Estadual Paulista -UNESP, como parte dos
requisitos necessrios para obteno do
ttulo de Mestre em Engenharia Eltrica.

Rafael Bellini Marques de Souza


Engenheiro Eletricista FEIS / UNESP

Orientador: Prof. Dr. Marcelo Carvalho Minhoto Teixeira

FEIS / UNESP

Ilha Solteira, Agosto de 2006.

Dedico

aos

meus

pais,

irms e tios que sempre me


apoiaram

em

momentos

todos

difceis

os
da

minha vida, pela confiana,


carinho e amor por eles
depositados.

Agradecimentos

Agradeo a Deus que sempre me deu fora espiritual.


Aos meus pais Antenor e Vanilde que sempre confiaram e pelo amor.
s minhas irms Larissa e Daniela que sempre me apoiaram.
Aos meus tios que sempre foram como pai e me me apoiando em todos os
momentos em que necessitei.
Ao Prof. Dr. Marcelo Carvalho Minhoto Teixeira, principalmente pela
pacincia, pela orientao e pelos ensinamentos humanos e cientficos.
Prof. Dr. Erica Regina Marani Daruichi Machado pelo apoio e conselhos
muito valiosos.
Prof. Dr. Neusa Augusto Pereira da Silva e ao Dr. Mrcio Roberto Covacic
pela ajuda com o Matlab.
Aos professores, tcnicos e funcionrios do Departamento de Engenharia
Eltrica e da Faculdade de Engenharia de Ilha Solteira.
Aos irmos de repblica Edson, Fabio, Hernandes, Ivan, Jos Eduardo, Lucas,
Marcos, Paulo, Ricardo, Rodrigo Camargo e Rodrigo Carvalho que sempre formaram
a minha famlia durante os anos de faculdade e mestrado.
Aos amigos, cujos nomes no citarei, pelo motivo j consagrado do possvel
esquecimento de alguns, e todos que direta ou indiretamente contriburam para a
concretizao deste trabalho.

De tudo ficaram trs coisas: a certeza de que estava sempre comeando, a certeza
de que era preciso continuar e a certeza de que seria interrompido antes de
terminar. Fazer da interrupo um caminho novo. Fazer da queda um passo de
dana, do medo uma escada, do sono uma ponte, da procura um encontro.
(Fernando Sabino)

iv

Resumo

Este trabalho aborda o problema de modelagem e controle de uma classe de


sistemas no-lineares utilizando modelos Fuzzy Takagi-Sugeno (TS).
A contribuio principal foi a flexibilizao dos ganhos do controlador, em
funo das condies iniciais da planta, tornando os controladores mais relaxados.
A matriz X, positiva definida, relacionada funo de Lyapunov
V xt

x T t X 1 x t relaxada utilizando o conceito de politopo, em relao ao

politopo das condies iniciais. O controlador, descrito por modelos fuzzy TS do


mesmo tipo da planta, apresenta seus ganhos dependentes das condies iniciais.
As anlises de estabilidade e problemas de projetos de sistemas de controle
so descritos atravs de Desigualdades Matriciais Lineares (em ingls, Linear Matrix
Inequalities (LMIs)), que podem ser resolvidos eficientemente por tcnicas de
programao convexa.
As tcnicas de projeto tambm permitem a especificao da resposta
transitria atravs da taxa de decaimento e especificao de restries nas entradas e
sadas do sistema.
O projeto e a simulao do controle de um sistema bola-viga ilustram a
aplicao das condies relaxadas de estabilidade para sistemas no-lineares.

Abstract

This work considers the problem of modeling and designing of a class of


nonlinear systems, described by Takagi-Sugeno (TS) fuzzy models.
The main contribution was the flexibility of the controller s gains, was a
functions of the initial conditions of plant, making the controllers to be more relaxed.
The matrix X, positive definite, related to the Lyapunov function
V xt

xT t Px t is relaxed using the concept of convex polytope, in relation to the

polytope of the initial conditions. The controller, that is described by a Takagi-Sugeno


model with the same structure of the plant, has its gains depending on the initial
conditions of the plant.
The analysis of stability and problems of designing of control systems are
described as the solution of LMIs (Linear Matrix Inequalities) that can be efficiently
solved by convex programming techniques.
The design methods also allows the specification of the decay rate, constraints
on control input and output.
One of the proposed methods system is applied in the control of a ball-beam.

vi

Lista de Figuras
FIGURA 2.1.
FIGURA 2.2.
FIGURA 2.3.
FIGURA 2.4.
FIGURA 2.5.
FIGURA 4.1.
FIGURA 4.2.
FIGURA 6.1.
FIGURA 6.2.
FIGURA 6.3.
FIGURA 6.4.
FIGURA 6.5.
FIGURA 6.6.
FIGURA 6.7.
FIGURA 6.8.
FIGURA 6.9.
FIGURA 6.10.
FIGURA 6.11.
FIGURA 6.12.
FIGURA 6.13.
FIGURA 6.14.
FIGURA 6.15.
FIGURA 6.16.
FIGURA 6.17.
FIGURA A.1.

CONFIGURAO BSICA DE UM SISTEMA FUZZY TS. .......................................................... 8


ILUSTRAO DA APROXIMAO OBTIDA POR MODELOS FUZZY TS. ................................. 11
FUNO DE PERTINNCIA TRIANGULAR............................................................................ 12
FUNO DE PERTINNCIA TRAPEZOIDAL........................................................................... 12
FUNO DE PERTINNCIA EM FORMA DE SINO. ................................................................. 13
DIAGRAMA DE BLOCO DE UM SISTEMA SLIT. ................................................................... 20
POLITOPO DAS CONDIES INICIAIS DA PLANTA COM P = 4. ............................................. 23
SISTEMA BOLA-VIGA......................................................................................................... 57
SIMULAO DO SISTEMA BOLA-VIGA PARA AIKX. ........................................................... 81
SIMULAO DO SISTEMA BOLA-VIGA PARA AIKXK. ......................................................... 81
SIMULAO DO SISTEMA BOLA-VIGA PARA AIKIX. .......................................................... 82
SIMULAO DO SISTEMA BOLA-VIGA PARA AIKIXK.......................................................... 82
SIMULAO DO SISTEMA BOLA-VIGA PARA AIKKX. ......................................................... 83
SIMULAO DO SISTEMA BOLA-VIGA PARA AIKKXK. ........................................................ 83
SIMULAO DO SISTEMA BOLA-VIGA PARA AIKIKX.......................................................... 84
SIMULAO DO SISTEMA BOLA-VIGA PARA AIKIKXK. ....................................................... 84
SIMULAO DO SISTEMA BOLA-VIGA PARA AIJKX. ..................................................... 85
SIMULAO DO SISTEMA BOLA-VIGA PARA AIJKXK..................................................... 86
SIMULAO DO SISTEMA BOLA-VIGA PARA AIJKIX...................................................... 86
SIMULAO DO SISTEMA BOLA-VIGA PARA AIJKIXK. ................................................... 87
SIMULAO DO SISTEMA BOLA-VIGA PARA AIJKKX..................................................... 87
SIMULAO DO SISTEMA BOLA-VIGA PARA AIJKKXK. .................................................. 88
SIMULAO DO SISTEMA BOLA-VIGA PARA AIJKIKX. ................................................... 88
SIMULAO DO SISTEMA BOLA-VIGA PARA AIJKIKXK................................................... 89
INTERPRETAO DA ESTABILIDADE: A) ESTADO DE EQUILBRIO ESTVEL; B) ESTADO DE
EQUILBRIO ASSINTOTICAMENTE ESTVEL E UMA TRAJETRIA REPRESENTATIVA; C) ESTADO DE
EQUILBRIO INSTVEL E UMA TRAJETRIA REPRESENTATIVA. ........................................................ 98
FIGURA A.2.
INTERPRETAO GEOMTRICA DO TEOREMA............................................................. 102

vii

Lista de Tabelas
TABELA 6.1.
TABELA 6.2.

COMPARAO ENTRE OS SISTEMAS A i KX E A i KX k . .............................................. 69


COMPARAO ENTRE OS SISTEMAS A i K i X E A i K i X k ............................................ 70

TABELA 6.3.

COMPARAO ENTRE OS SISTEMAS A i K k X

A i K k X k . ......................................... 71

TABELA 6.4.

COMPARAO ENTRE OS SISTEMAS A i K ik X

A i K ik X k ......................................... 72

TABELA 6.5.
TABELA 6.6.

COMPARAO ENTRE OS SISTEMAS A i KX E A i K ik X k . ........................................... 74


COMPARAO ENTRE OS SISTEMAS A ij KX E A ij KX k . ............................................ 74

TABELA 6.7.

COMPARAO ENTRE OS SISTEMAS A ij K i X

A ij K i X k . ......................................... 75

TABELA 6.8.

COMPARAO ENTRE OS SISTEMAS A ij K k X

A ij K k X k . ....................................... 76

TABELA 6.9.

COMPARAO ENTRE OS SISTEMAS A ij K ik X

A ij K ik X k ....................................... 77

TABELA 6.10.

COMPARAO ENTRE OS SISTEMAS A ij KX

A ij K ik X k . ......................................... 79

TABELA 7.1.

COMPARAO ENTRE OS SISTEMAS A i KX

A i KX k . .............................................. 91

TABELA 7.2.

COMPARAO ENTRE OS SISTEMAS A i K i X

A i K i X k ............................................ 91

viii

Sumrio
1.

INTRODUO ............................................................................................................................... 1

2.

LGICA FUZZY ............................................................................................................................. 5


2.1.
INTRODUO ............................................................................................................................ 5
2.2.
SISTEMAS FUZZY PUROS .......................................................................................................... 6
2.3.
SISTEMAS COM FUZZIFICADOR E DEFUZZIFICADOR .................................................................. 7
2.4.
SISTEMA FUZZY TAKAGI-SUGENO ........................................................................................... 8
2.4.1. Representao de Sistemas Fuzzy Takagi-Sugeno............................................................. 8
2.4.2. Funo de Pertinncia para Sistemas Fuzzy TS .............................................................. 10
2.4.3. Funes de Pertinncia Tradicionais............................................................................... 11
2.5.
MODELOS LOCAIS FUZZY....................................................................................................... 13
2.6.
FORMA GENERALIZADA DO SISTEMA FUZZY TAKAGI-SUGENO ............................................ 14

3.

FUNES DE PERTINNCIAS E MODELAGEM ............................................................... 15


3.1.
3.2.

4.

INTRODUO .......................................................................................................................... 15
FORMA GENERALIZADA DO SISTEMA FUZZY TS ................................................................... 15

CRITRIO DE ESTABILIDADE QUADRTICA.................................................................. 19


4.1.
4.2.
4.3.

RESTRIO DE ESTABILIDADE ................................................................................................ 19


PLANTA DESCRITA POR MODELOS FUZZY TAKAGI-SUGENO COM GANHO K NICO .............. 20
PLANTA DESCRITA POR MODELOS FUZZY TAKAGI-SUGENO COM GANHO K NICO E X
DEPENDENTE DAS CONDIES INICIAIS ................................................................................................. 23
4.4.
PLANTA E GANHO K DESCRITOS POR MODELOS FUZZY TAKAGI-SUGENO ............................. 26
4.5.
PLANTA E GANHO K DESCRITOS POR MODELOS FUZZY TAKAGI-SUGENO E A MATRIZ X
DEPENDENTE DAS CONDIES INICIAIS ................................................................................................. 29
4.6.
PLANTA DESCRITA POR MODELOS FUZZY TAKAGI-SUGENO E O GANHO K DEPENDENTE DAS
CONDIES INICIAIS .............................................................................................................................. 31
4.7.
PLANTA DESCRITA POR MODELOS FUZZY TAKAGI-SUGENO E O GANHO K E A MATRIZ X
DEPENDENTES DAS CONDIES INICIAIS ............................................................................................... 32
4.8.
PLANTA DESCRITA POR MODELOS FUZZY TAKAGI-SUGENO E O GANHO K DESCRITO POR
MODELOS FUZZY TAKAGI-SUGENO E CONDIES INICIAIS .................................................................. 34
4.9.
PLANTA DESCRITA POR MODELOS FUZZY TAKAGI-SUGENO, O GANHO K DESCRITO POR
MODELOS FUZZY TAKAGI-SUGENO E CONDIES INICIAIS E A MATRIZ X DEPENDENTE DAS CONDIES
INICIAIS.. ............................................................................................................................................... 36
4.10.
PLANTA DESCRITA POR MODELOS FUZZY TAKAGI-SUGENO COM INCERTEZAS DO TIPO
POLITPICAS COM GANHO K NICO ...................................................................................................... 38
4.11.
PLANTA DESCRITA POR MODELOS FUZZY TAKAGI-SUGENO COM INCERTEZAS DO TIPO
POLITPICAS COM GANHO K NICO E X DEPENDENTE DAS CONDIES INICIAIS ................................. 40
4.12.
PLANTA DESCRITA POR MODELOS FUZZY TAKAGI-SUGENO COM INCERTEZAS DO TIPO
POLITPICAS COM O GANHO K DEPENDENTE DE FUZZY TAKAGI-SUGENO .......................................... 42
4.13.
PLANTA DESCRITA POR MODELOS FUZZY TAKAGI-SUGENO COM INCERTEZAS DO TIPO
POLITPICAS, COM O GANHO K DEPENDENTE DE FUZZY TAKAGI-SUGENO E A MATRIZ X DEPENDENTE
DAS CONDIES INICIAIS ....................................................................................................................... 44
4.14.
PLANTA DESCRITA PODE MODELOS FUZZY TAKAGI-SUGENO COM INCERTEZAS DO TIPO
POLITPICAS E O GANHO K DEPENDENTE DAS CONDIES INICIAIS ..................................................... 46
4.15.
PLANTA DESCRITA POR MODELOS FUZZY TAKAGI-SUGENO COM INCERTEZAS DO TIPO
POLITPICAS E O GANHO K E A MATRIZ X DEPENDENTE DAS CONDIES INICIAIS .............................. 48
4.16.
PLANTA DESCRITA POR MODELOS FUZZY TAKAGI-SUGENO COM INCERTEZAS DO TIPO
POLITPICAS E O GANHO K DESCRITO POR MODELOS FUZZY TAKAGI-SUGENO E CONDIES
INICIAIS.... ............................................................................................................................................. 50
4.17.
PLANTA DESCRITA POR MODELOS FUZZY TAKAGI-SUGENO COM INCERTEZAS DO TIPO, O
GANHO K DESCRITO POR MODELOS FUZZY TAKAGI-SUGENO E CONDIES INICIAIS E A MATRIZ X
DEPENDENTE DAS CONDIES INICIAIS ................................................................................................. 52
5.

NDICES DE DESEMPENHO PARA REGULADORES FUZZY......................................... 55

ix
5.1.1.
5.1.2.
5.1.3.
6.

SISTEMA BOLA-VIGA............................................................................................................... 57
6.1.
6.2.

7.

O CONTROLE DE UM SISTEMA INCERTO ................................................................................. 61


RESTRIO NA ENTRADA ....................................................................................................... 68

CONCLUSES E PERSPECTIVAS.......................................................................................... 90
7.1.
7.2.

8.

Taxa de Decaimento ......................................................................................................... 55


Restrio na Entrada........................................................................................................ 55
Restries na Sada........................................................................................................... 56

CONCLUSES .......................................................................................................................... 90
PERSPECTIVAS ........................................................................................................................ 91

REFERNCIA BIBLIOGRFICA ............................................................................................ 92

APNDICE A.
A.1.
A.2.

ESTABILIDADE NO SENTIDO DE LYAPUNOV. .......................................................................... 97


ANLISE DA ESTABILIDADE SEGUNDO LYAPUNOV .............................................................. 101

APNDICE B.
B.1.
B.2.

ANLISE DA ESTABILIDADE SEGUNDO LYAPUNOV ........................... 96

RESTRIO NOS VETORES DE ENTRADA E SADA DA PLANTA ... 103

RESTRIO NO VETOR DE ENTRADA ................................................................................... 103


RESTRIO NO VETOR DE SADA ......................................................................................... 106

APNDICE C.

COMPLEMENTO DE SCHUR ........................................................................ 108

1. Introduo
Atualmente, a comunidade cientfica tem um crescente interesse em pesquisas
de teoria e aplicaes de controle com lgica fuzzy, que teve incio em 1965, com
Lofti A. Zadeh (Zadeh, 1965). Este interesse se deve similaridade deste sistema com
o comportamento humano na soluo de problemas complexos, permitindo que o
projetista utilize o conhecimento experimental para elaborar o projeto de controle do
seu sistema.
Sistemas reais, em geral, so complexos devido ao surgimento de incertezas
na forma de ambigidades, e foi atravs da anlise do comportamento humano diante
de problemas, que pesquisadores comearam a questionar se o conceito de incertezas,
ambigidades e o conhecimento humano poderiam ser utilizados para completar a
descrio e compreenso de sistemas reais complexos.
Duas razes principais motivam o estudo da teoria fuzzy. A primeira pela
capacidade de processar informao de natureza incerta ou qualitativa com a
capacidade de aproximao universal (Campello (2002); Kosko (1997)). E a segunda
est relacionada com as diferentes arquiteturas existentes, adequadas a diferentes tipos
de aplicao. Este trabalho enfocou-se nos modelos fuzzy TS e esto relacionadas
aproximao e controle de sistemas no-lineares.
Uma ferramenta matemtica chamada LMIs (Linear Matrix Inequalities, no
portugus, Desigualdades Lineares Matriciais) tem sido amplamente difundida em
sistemas de controle (Boyd et al., 1994). Problemas como a anlise de estabilidade e o
projeto de controle so reduzidos a problemas descritos por LMIs (Boyd et al., 1994).
Numericamente, os problemas de LMIs podem ser resolvidos muito eficientemente
por meio de algumas ferramentas poderosas disponveis na literatura de programao
matemtica convexa (Boyd et al., 1994). Desta forma, a soluo encontrada para tais
problemas descritos por LMIs equivalente a encontrar solues para o problema
original.
Uma das caractersticas mais importantes de qualquer sistema de controle
inteligente a habilidade para controlar um sistema em um ambiente incerto ou
impreciso. Porm, para que um sistema seja controlado necessrio sua descrio por
um modelo matemtico, denominado modelo de simulao . Contudo, o modelo

2
verdadeiro muito complexo para o projeto de sistemas de controles. Assim, utilizase um modelo simplificado, denominado modelo de projeto (Friedland (1996),
Pietrobom (1999)). O modelo de projeto deve capturar as caractersticas essenciais do
processo. Quando a planta do sistema desconhecida, necessrio utilizar um
processo de identificao dos parmetros (Teixeira et al. (1996); Teixeira et al.
(1998); Teixeira, Daruichi and Assuno (2000); Ioannou and Sun (1996)).
Para a obteno de um modelo de projeto de plantas no-lineares a tcnica
mais comum a de linearizao da planta em um ponto de operao de interesse.
Com este mtodo o modelo de projeto em geral um sistema linear invariante no
tempo (SLIT), o projeto de reguladores relativamente simples em muitos casos e a
teoria bastante desenvolvida, como, por exemplo, as tcnicas baseadas no root
locus, diagramas de Bode e Nyquist e na descrio atravs de variveis de estado
(Ogata (1997); Teixeira, Assuno and Daruichi (2003); Chen et al. (1999); Teixeira,
Assuno and Avellar (2003)). Entretanto, este modelo de projeto descreve bem a
dinmica do sistema s em torno do ponto de operao em que o sistema foi
linearizado.
No caso de sistemas que podem operar em regies distantes do ponto de
operao este modelo pode ser inadequado. Os modelos fuzzy TS (Takagi and Sugeno
(1985), Sugeno and Kang (1988)) podem solucionar este problema facilmente. A
idia de modelos fuzzy TS consiste na descrio aproximada de um sistema no-linear
como a combinao de certo nmero de modelos lineares (ou afins) invariantes no
tempo locais, que descrevem aproximadamente o comportamento deste sistema em
diferentes pontos do seu espao de estados.
Uma frmula para a obteno dos modelos locais foi desenvolvida em
Teixeira and ak (1999). Com esta frmula possvel obter resultados mais atraentes
que a tcnica de linearizao, pois apresenta uma melhor aproximao do modelo
fuzzy com respeito ao modelo de simulao.
Um novo mtodo para determinar os modelos locais baseado na tcnica de
Teixeira and

ak (1999) foi proposto, onde os modelos possuem novos graus de

liberdade e so obtidos a partir da soluo de um problema de otimizao baseado em


LMIs (Daruichi, E.R.M., (2003)).

3
As funes de pertinncia fuzzy, utilizadas para combinar os modelos locais,
tm papel fundamental no desenvolvimento do projeto de controle, pois so elas que
determinam, dados os modelos locais, a forma de aproximao do modelo fuzzy com
relao ao modelo de simulao. As principais funes de pertinncia utilizadas so
as triangulares, trapezoidais e em forma de sino (gaussiana). Determinar as funes e
os parmetros que melhor se ajustam ao sistema nem sempre uma tarefa trivial.
Pode-se fazer a determinao atravs de uma forma sistemtica. Estas funes so
obtidas a partir de um problema de otimizao que tem por objetivo minimizar o erro
entre a aproximao fuzzy e o modelo verdadeiro.
Uma outra questo importante diz respeito ao erro de modelagem que um
fator determinante, pois ele define o nmero de modelos locais utilizados e suas
localizaes. Uma aproximao suficiente ou desejada para efetuar o projeto de um
sistema de controle est relacionada com o erro de modelagem, pois quanto maior o
nmero de modelos locais, melhor a aderncia do modelo fuzzy ao modelo verdadeiro
e menor se torna o erro. Um dos principais obstculos aplicao desses modelos em
sistema de grande porte se d devido ao excessivo nmero de modelos locais
necessrios para representar um sistema com determinada preciso por causa do
aumento do nmero de entradas. A importncia de se obter modelos fuzzy TS com
poucos modelos locais o aumento da factibilidade das LMIs e a facilidade de
implementao no projeto de controladores.
Taniguchi e seus colaboradores apresentaram um mtodo de representao
exata de sistemas fuzzy com LMIs em Taniguchi et al. (2001). O mtodo proporciona
uma aproximao exata do sistema dentro de uma regio de operao, utilizando 2s
regras, sendo que s o nmero de funes no-lineares presentes no sistema. As
funes de pertinncia so obtidas utilizando os modelos locais e as funes nolineares.
A anlise da estabilidade de sistemas de controle fuzzy um dos conceitos
mais importantes em sistemas de controle fuzzy. possvel projetar teoricamente um
regulador fuzzy se for disponvel um bom critrio para a anlise da estabilidade
adequado a estes sistemas. Recentemente, muitos esforos tm sido feitos nesta rea
(Tanaka e Sugeno (1992); Cao, Rees e Feng (1996); Feng, Cao e Chak (1997);
Tanaka, Ikeda e Wang (1998a); Teixeira e
Assuno (2000); Kim e Lee (2000)).

ak (1999); Teixeira, Pietrobom e

4
O mtodo de projeto baseado em LMIs para reguladores fuzzy construdo
usando a Compensao Paralela Distribuda (CDP) (Tanaka and Sugeno, 1992),
(Wang et al., 1996).
A motivao deste trabalho em flexibilizar a matriz X, positiva definida,
relacionada funo de Lyapunov V x t

x T t X 1 x t , em funo das condies

iniciais de um politopo conhecido. Tambm a flexibilizao dos controladores em


funo das condies iniciais analisada. Essas situaes so coerentes com
aplicaes prticas. As flexibilizaes buscam melhorar os ndices de desempenho do
sistema, sendo esses ndices a taxa de decaimento e a restrio do sinal de entrada do
sistema.
O projeto e a simulao do controle do sistema bola-viga ilustram a aplicao
de condies mais relaxadas de estabilidade para sistemas incertos.
O Captulo 2 apresenta o modelo fuzzy proposto por Takagi-Sugeno. O
Captulo 3 introduz as funes de pertinncias e modelagem. No Captulo 4 introduz o
regulador fuzzy e suas questes de estabilidade utilizando o modelo fuzzy TakagiSugeno. O Captulo 5 apresenta os ndices de desempenho para reguladores fuzzy. No
Captulo 6 abordado o projeto descrito por LMIs, de condies propostas nesta
dissertao para o projeto de reguladores fuzzy. apresentado o exemplo de aplicao
utilizando o modelo bola-viga na forma contnua. No Captulo 7 so discutidos
resultados propostos e estudos comparativos realizados, alm das perspectivas futuras.

2. Lgica Fuzzy
2.1. Introduo
Em meados de 1960, Zadeh pesquisava sobre formas de modelar alguns
sistemas de natureza industrial, biolgica ou qumica, que compreendessem situaes
ambguas, no passveis de processamento atravs da lgica computacional
fundamentada na lgica booleana. A Lgica Fuzzy, que ele desenvolveu, viola o
conceito de que uma premissa totalmente verdadeira ou totalmente falsa.
Em 1965, com uma publicao de Lotfi A. Zadeh ("Fuzzy Sets", Information
and Control, Vol. 8, pp. 338-353) surgiu uma nova teoria de conjuntos. Zadeh criou
uma teoria de conjuntos em que no h descontinuidades, ou seja, no h uma
distino abrupta entre elementos pertencentes e no pertencentes a um conjunto, que
so os Conjuntos Nebulosos (Fuzzy Sets). Comeava a a se desenvolver a Teoria
Fuzzy (Nebulosa), para tratar de variveis "imprecisas", ou definidas de forma "vaga".
Zadeh percebeu que a modelagem de muitas atividades relacionadas a
problemas industriais, biolgicos ou qumicos seria complexa demais se
implementada da forma convencional. Os sistemas fuzzy foram utilizados, com
sucesso, em algumas aplicaes que se tornaram exemplos clssicos. A primeira
aplicao que se tornou pblica foi em 1974 na Inglaterra, onde o professor Mandani
(Mandani, 1974) implementou um controle de uma mquina a vapor baseado em
lgica fuzzy.
Com o tempo, outras aplicaes foram surgindo. No oriente, os conceitos da
lgica nebulosa foram aceitos com maior facilidade do que no mundo ocidental,
investiu-se muito em solues baseadas em modelagem e controle fuzzy. Inmeras
aplicaes surgiram principalmente no Japo.
A Lgica Fuzzy ou Lgica Nebulosa baseada no uso de aproximaes, ao
contrrio da exatido, com que estamos naturalmente acostumados a trabalhar. O
princpio fundamental da Teoria Fuzzy, princpio da dualidade, estabelece que dois
eventos opostos possam coexistir. Isto , um elemento pode pertencer, em um certo
grau, a um conjunto e, em um outro grau, a um outro conjunto. Nota-se isso em vrios

6
casos na natureza e na vida cotidiana, principalmente quando se trata de conceitos
abstratos.
Muitas vezes, quando se define um conjunto, encontram-se dificuldades em
classificar elementos de sua fronteira, pois esses podem seguir algumas caractersticas
do conjunto, mas no exatamente todas.
A principal caracterstica de um sistema fuzzy o conhecimento por regras
fuzzy Se - Ento. Uma regra fuzzy Se - Ento uma declarao na qual algumas
palavras so descritas por funes contnuas, conhecidas como funes de pertinncia.
O Modelo Lingstico um modelo fuzzy proposto por Tong e constitudo por um
conjunto de regras Se - Ento (Tong, 1978). Este modelo utilizado para identificar
sistemas a partir de um conjunto de dados de suas entradas e sadas. O formato de
uma regra do Modelo Lingstico possui uma parte premissa e uma parte conseqente
do tipo:
Se x A (premissa),

(2.1)

Ento y B (conseqente),
sendo x e y as variveis de entrada e sada, respectivamente, e A e B so termos
lingsticos associados aos conjuntos fuzzy que descrevem lingisticamente essas
variveis. Para um dado valor de entrada, a sada correspondente calculada a partir
do conjunto de regras atravs de um mtodo de inferncia.
Em geral h trs tipos de sistemas fuzzy encontrados na literatura (Wang,
1997): os sistemas fuzzy puro, sistemas fuzzy com fuzzificador e defuzzificador e
sistemas fuzzy Takagi-Sugeno (TS).

2.2. Sistemas Fuzzy Puros


As regras fuzzy representam um conjunto de regras SE-ENTO. A inferncia
fuzzy combina estas regras fuzzy SE-ENTO em um mapeamento dos conjuntos fuzzy
no espao de entrada U

para conjuntos fuzzy no espao de sada V

baseado

nos princpios de lgica fuzzy.


A principal caracterstica do sistema fuzzy puro que suas entradas e sadas
so conjuntos fuzzy.

2.3. Sistemas com fuzzificador e defuzzificador


Na teoria dos conjuntos nebulosos, o raciocnio exato corresponde a um caso
limite do raciocnio aproximado e interpretado como um caso particular de uma
quantidade nebulosa. O valor verdade de uma proposio pertence a um conjunto
parcialmente ordenado, ao contrrio dos sistemas lgicos binrios, onde o valor
verdade s pode assumir dois valores: verdadeiro (1) ou falso (0).
O grau de pertinncia dos elementos de um conjunto especificado por um
nmero: '1' para os estritamente membros, '0' para os no membros e valores do
intervalo ]0,1[ para representar a transio entre esses extremos. A chamada
fuzzyficao consiste na atribuio de um grau de pertinncia (do intervalo [0,1]) a
uma varivel, dentre um conjunto de elementos classificadores. Com isso classifica-se
a varivel com um termo lingstico e cria-se uma semntica a partir de elementos
matemticos. A classificao da varivel feita por uma funo de pertinncia.
Controladores fuzzy, em geral, consistem de um estgio de entrada, um estgio
de processamento, e um estgio de sada. O processamento verifica as regras,
disparando um peso para cada uma (processo de inferncia). O estgio de sada,
finalmente, gera um resultado a partir das sadas das regras, combinando os resultados
de cada uma por uma operao matemtica que resulta em um valor fuzzy (nebuloso).
As medidas so convertidas em uma quantidade nebulosa (fuzzificada),
processadas e transformadas, na sada do controlador, em valores no nebulosos
(desfuzzificados) para o controle do processo.
Para definir o resultado de uma regra, um dos mtodos mais comuns o
chamado mtodo de inferncia "max - min". A sada dada pelo mximo entre as
sadas das regras, que so obtidas pelos mnimos dos valores de suas variveis
lingsticas. A desfuzzificao pode ser feita por vrios mtodos. O mais comum
chamado desfuzzificao pelo centride: o "centro de massa" do resultado, obtido
pelo mtodo "max - min", fornece o valor da sada. Esse mtodo favorece a regra com
a sada de maior rea.

2.4. Sistema Fuzzy Takagi-Sugeno


Nos sistema fuzzy Takagi-Sugeno, as entradas e sadas so variveis reais.
Entretanto ao invs de considerar as regras fuzzy SE-ENTO no formato de regra do
modelo lingstico (2.1) (Takagi and Sugeno, 1985), estes sistemas usam as regras na
seguinte forma (2.2):
Se x A (premissa),

(2.2)

Ento y = cx (conseqente).
Comparando (2.1) e (2.2), verifica-se que a parte conseqente muda de uma
descrio que usa termos lingsticos para uma simples frmula matemtica. Esta
mudana torna mais fcil combinar as regras. Assim, no sistema fuzzy TS obtido um
peso mdio dos valores nas partes ENTO das regras.
A Figura 2.1 mostra a configurao bsica de um sistema fuzzy TS.

Figura 2.1.

Configurao bsica de um sistema fuzzy TS.

2.4.1. Representao de Sistemas Fuzzy Takagi-Sugeno


Uma dada planta no-linear representada pelo modelo fuzzy TS (Takagi and
Sugeno, 1985) homogneo atravs da converso direta da equao no-linear do
modelo fsico.
A descrio local da planta dinmica a ser controlada est disponvel em
termos dos modelos lineares locais:

x(t )

A i x(t ) B iu (t )

y (t ) Ci x(t ),
sendo i = 1,2,...,r, o vetor de estado x(t)
de sada y(t)

, Ai

nxn

, Bi

, o vetor de entrada u(t)

nxm

e Ci

qxn

, o vetor

. A informao acima

9
ento fundida com as regras Se - Ento disponveis, sendo que a i-sima regra pode
ter a forma:
Regra i: Se z1(t) M i1 E . . . E zp(t) M ip,
Ento

x(t )

A i x(t ) B iu (t )

y (t )

Ci x(t ),

(2.3)

M ij, j = 1,2,...,p o conjunto fuzzy j da regra i e z1(t),...,zp(t) so as variveis


premissas.
Seja

i
j(zj(t))

a funo de pertinncia do conjunto fuzzy M ij, definindo w i(z(t))

como sendo (Tanaka et al., (1998a)):


p

wi

i
j

zj

j 1

e z(t)= [z1(t) z2(t) . . . zp(t)].


Como

i
j(zj(t))

0 tem-se, para i = 1,2,...,r,


r

wi ( z (t ))

wi ( z (t )) >0.

0 e
i 1

Uma escolha natural para a obteno de um modelo fuzzy TS para sistemas


no-lineares adotar z(t) = x(t), sendo x(t) o vetor estado do sistema no-linear.
Desta forma, dado um par (x(t), u(t)), o sistema fuzzy resultante obtido como
a mdia ponderada dos modelos locais, e para i = 1,2,...r, tem a forma:
r

wi ( x(t ))(A i x(t ) B iu (t ))


x(t )

i 1
r

wi ( x(t ))
i 1
r
i

( x(t ))(A i x(t ) Biu (t ))

(2.4)

i 1
r

r
i ( x (t )) A i x (t )

i 1

A( ) x(t ) B( )u (t ).
A sada dada por:

i
i 1

( x(t ))Bi u (t )

10

wi ( x(t ))Ci x(t )


i 1

y (t )

wi ( x(t ))

(2.5)

i 1
r
i

( x(t ))Ci x(t )

i 1

C( ) x(t ).

Para i = 1,2,...,r,

wi ( x(t ))

i ( x (t ))

r
i

w ( x(t ))

0, e

( x(t )) 1 .

i 1

(2.6)

i 1

2.4.2. Funo de Pertinncia para Sistemas Fuzzy TS


O modelo fuzzy global TS pode fornecer uma aproximao satisfatria do
sistema no-linear at mesmo quando os modelos locais afins constituintes no so
convencionalmente linearizados. Na prtica, os modelos TS so construdos
interpolando os parmetros dos modelos locais constituintes usando inferncia fuzzy.
A escolha da funo de pertinncia de importncia crucial neste procedimento
(Leith and Leithead, 1999). Esta escolha deve ser feita para fornecer tanta preciso do
sistema dinmico quanto possvel. Entretanto, em algumas aplicaes, funes de
pertinncia escolhidas para aproximar as dinmicas globais podem ser inadequadas
quando o modelo linearizado.
A Figura 2.2 apresenta uma ilustrao simplificada do modelo TS. Uma
aproximao de uma funo f(x):

feita com dois modelos locais lineares

definidas pelas constantes a1 e a2 combinados com as funes de pertinncia


2(x)

1(x)

(Daruichi, 2003).
Considere a funo no-linear f(x) descrita na Figura 2.2. Note que esta funo

pode ser aproximada, para x


x = 0.

x0, por f1(x) = a1x, que a reta tangente desta curva em

11

Figura 2.2. Ilustrao da aproximao obtida por modelos fuzzy TS.

Uma aproximao linear para esta funo, representando x

x1, por f2(x) =

a2x; observe que esta segunda aproximao linear no to boa quanto a primeira
aproximao linear, pois f2(x0)=0 e f2(x1)
locais, e as funes

1(x),

2(x)

0. Adotando-se f1(x) e f2(x) como modelos

definidas na Figura 2.2 (observe que

1), um modelo fuzzy TS para f(x) seria ff(x) =

1(x)f1(x)

Figura 2.5. Pode-se observar que para x x0, ento


x1, ento

1,

0 e ff(x)

2(x)f2(x),

1,

1(x)+

2(x)

como ilustrado na

0 e ff(x)

f1(x) e para x

f2(x). Finalmente, verifique que ff(x) proporciona

uma aproximao da funo f(x) muito melhor do que as funes f1(x) (linearizao
em torno de um ponto de operao) ou f2(x), por exemplo, para x0

x1. Se

aumentarmos o nmero de modelos locais, a aproximao torna-se melhor. Esse


exemplo simples mostra o potencial dos modelos fuzzy TS, no tratamento de funes
e/ou de sistemas no lineares.
Os modelos fuzzy TS tm sido teis na descrio aproximada de sistemas nolineares. No caso do modelo fuzzy TS, quanto maior o nmero de modelos locais,
melhor ser a aderncia do modelo equao diferencial no-linear da planta.

2.4.3. Funes de Pertinncia Tradicionais


Um conjunto fuzzy A em um universo U caracterizado por uma funo de
pertinncia

que tem valores compreendidos no intervalo [0,1].

As principais funes de pertinncia encontradas na literatura so as


triangulares, trapezoidais e em forma de sino (gaussianas). Estas funes esto
representadas nas Figuras 2.3, 2.4 e 2.5 respectivamente.
Os parmetros da funo de pertinncia triangular so definidos por v1, v2 e v3.

12

Figura 2.3. Funo de pertinncia triangular.

Matematicamente, a funo de pertinncia triangular definida por:

( x)

x v1
, v1
v2 v1

v2 ,

v3 x
, v2
v3 v2

v3 ,

(2.7)

0, caso contrrio.

Os parmetros da funo de pertinncia trapezoidal so definidos por v1, v2, v3


e v4.

Figura 2.4. Funo de pertinncia trapezoidal.

Matematicamente, a funo de pertinncia trapezoidal definida por:


x v1
, v1
v2 v1
( x)

1, v2

v4 x
, v3
v4 v3

v2 ,

v3 ,
x

(2.8)
v4 ,

0, caso contrrio.

As funes de pertinncia em forma de sino so definidas pelos parmetros xp,


wp e mp como descrito a seguir:

13

( x)
x
1

xp

2mp

(2.9)

wp

sendo xp o ponto mdio, wp a largura da funo sino e mp

1, descrevem a

convexidade da funo sino.

Figura 2.5. Funo de pertinncia em forma de sino.

2.5. Modelos Locais Fuzzy


O primeiro passo no projeto de um sistema de controle a construo de um
modelo de simulao do sistema dinmico a ser controlado. Este modelo deve
representar o comportamento do sistema por meio de equaes diferenciais lineares
ou no-lineares e representar todas as caractersticas que possam ser obtidas do
sistema fsico.
O passo seguinte, aps obter o modelo de simulao do sistema dinmico,
obter o modelo de projeto . Este modelo deve ser mais simples que o modelo de
simulao e deve considerar apenas as caractersticas essenciais do projeto. Um modo
de se obter o modelo de projeto por meio da tcnica de linearizao por Taylor,
apesar de no ser a tcnica mais adequada para linearizar pontos distantes da origem
(que no so pontos de equilbrio).
Na literatura h dois mtodos utilizados para a determinao dos modelos
locais lineares. O primeiro foi elaborado em Teixeira and ak (1999) e o segundo em
Taniguchi et al. (2001).
O mtodo proposto em Taniguchi et al. (2001) um mtodo de representao
exata e ser utilizada para a obteno do modelos locais.

14

2.6. Forma Generalizada do Sistema Fuzzy TakagiSugeno


No mtodo proposto em Taniguchi et al. (2001) para determinar os modelos
locais, a seguinte classe de sistemas no-lineares foi considerada:
n

~
f ij ( x(t )) x j (t )

xi (t )
j 1

g ik ( x(t ))u k (t )

(2.10)

k 1

sendo que i = 1,2,...,r, n e m denotam, respectivamente, o nmero de estados e


~
entradas e f ij ( x(t )) e g ik ( x(t )) so funes de x(t), sendo x(t) = [x1(t) . . . xn(t)]T.
Para obter a forma generalizada deste mtodo, considere as seguintes
variveis:

aij 2

~
max x (t ) f ij ( x(t )) ,
~
min x (t ) f ij ( x(t )) ,

bik1

max x (t ) g ik ( x(t )) ,

bik 2

min x (t ) g ik ( x(t )) .

aij1

(2.11)

Logo, para representar o sistema de simulao com a forma generalizada so


necessrios 2s modelos locais, sendo s o nmero de no-linearidades existentes no
sistema (Taniguchi et al., 2001).
O mtodo proposto em Taniguchi et al. (2001), valoriza os modelos fuzzy TS,
pois ele mostra que possvel modelar exatamente uma grande classe de sistemas
no-lineares com modelos fuzzy TS, com um nmero finito de modelos locais.
Entretanto, uma crtica a este mtodo o elevado nmero de modelos locais
necessrios, medida que o nmero de no linearidades cresce, o que pode dificultar
o projeto e/ou a implementao prtica de sistemas de controle.
No Captulo 6 ser apresentada a aplicao deste mtodo na modelagem de um
sistema bola-viga no-linear e incerto.

15

3. Funes de Pertinncias e Modelagem


3.1. Introduo
Funes de pertinncia so funes utilizadas para relacionar os modelos
locais, na descrio de sistemas dinmicos atravs de modelos fuzzy TS.
Estas funes possuem duas caractersticas importantes. A primeira que seus
valores devem sempre estar entre 0 e 1, [0,1]. A segunda que a soma dos valores de
vrias funes em um determinado ponto deve ser sempre igual a 1.
As funes de pertinncia determinam o grau de aderncia das funes obtidas
com modelos fuzzy s funes do modelo de simulao e tem influncia direta na
estabilizao do sistema.
Para a modelagem completa necessrio determinar o nmero de modelos
locais e a localizao destes modelos na regio de operao. Existem algumas
tcnicas para a determinao desses fatores. A tcnica que um pouco mais elaborada
a que acrescenta modelos locais nas regies onde as no-linearidades so mais fortes
e reduz nas regies com poucas no-linearidades.
Em Daruichi (2003) foi proposto um novo mtodo para determinar as funes
de pertinncia de forma tima. Neste mtodo as funes so obtidas por meio de um
problema de otimizao que tem por objetivo diminuir o erro de modelagem em cada
ponto da regio de operao. No mesmo trabalho (Daruichi, 2003) foi apresentada
uma soluo analtica para o problema e uma soluo por meio de LMIs.
Neste trabalho no ser utilizado o mtodo proposto por Daruichi (Daruichi,
2003), somente a modelagem exata proposta por Taniguchi (Taniguchi et al., 2001).

3.2. Forma Generalizada do Sistema Fuzzy TS


Para a forma generalizada dos sistemas fuzzy TS utilizou-se o mtodo proposto
em Taniguchi et al. (2001).
Considere a classe de sistemas do sistema (2.10) proposta em Taniguchi et al.
(2001):

16

xi (t )

~
f ij ( x(t )) x j (t )

g ik ( x(t ))u k (t ) , i 1,..., n

j 1

k 1

~
A forma generalizada obtida expressando as variveis f ij x t

e g ij x t

como
2

~
f ij x t

a
( i ,k ) 1

x t aij a ,

ij

a
(i, j )

ik

b
( i ,k )

(i, j )

g ik x t
b
( i ,k ) 1

sendo que

ij1

xt

0,

0,

xt

ij 2

x t bik b ,
( i ,k )

ik 1

0 e

xt

ik 2

xt

0 possuem as

seguintes caractersticas:
2
a
( i ,k ) 1

ij

a
(i, j )

ik

b
( i ,k )

xt

1,

xt

1,

2
b
( i ,k ) 1

ij1

Os elementos

xt

~
f ij x t
aij1
aij1

aij 2
aij 2
~
f ij x t

ij 2

xt

ik 1

xt

g ik x t
bik 2
,
bik1 bik 2

ik 2

xt

bik1 g ik x t
.
bik1 bik 2

a
(i , j )

~
mnimo das funes f ij x t

b
( i ,k )

aij1

aij 2

(3.1)

esto relacionados com os limites de mximo e

e g ij x t . Sempre assumiro valores 1, relacionado ao

mximo, ou 2, relacionado ao mnimo.


Usando a representao com modelos fuzzy, (2.10) reescrita como:

17

~
f ij x t x j t

xi (t )

g ik x t u k t

j 1

k 1

j 1

a
( i ,k ) 1

ij

k 1

b
( i ,k ) 1

ik

x t aij a x j t

a
(i, j )

(i, j )

b
( i ,k )

x t bik b , u k t .
( i ,k )

A forma generalizada do sistema fuzzy TS na forma matricial dada por


n

xi (t )
a
( i ,k ) 1

i 1 j 1
n

b
( i ,k ) 1

x t aij a U ijA x t
(i, j )

ik

b
( i ,k )

x t bik b U ikB u t
( i ,k )

(3.2)

2
a
( i ,k ) 1

i 1 j 1
n

a
(i, j )

i 1 k 1
n

ij

ij

a
(i, j )

x t Aij a x t
(i, j )

2
b
( i ,k ) 1

i 1 k 1

ik

b
( i ,k )

x t Bik b u t
( i ,k )

sendo:
j

U ijA

i 0

0 e U ikB

i 0

0 .

Aija

i 0

aij a

(i, j )

0
para

a
(i , j ) 1

1,2 e

0
b
( i ,k ) 1

0
0 e Bikb
0

1,2 sendo que U ijA

i 0

bik b

( i ,k )

0
(nxn )

e U ikB

(nxm )

. Os elementos

aija ( i , j ) e bikb ( i ,k ) desempenham um importante papel na reduo de regras. A forma

generalizada (3.2) uma estrutura conveniente para a reduo do nmero de regras.

18
Na literatura possvel encontrar assuntos a respeito da reduo de regras
(Taniguchi et al., 2001), bem como de funes de pertinncia otimizadas (Teixeira
and ak, 1999), simetria das funes de pertinncia (Daruichi, 2003) e soluo por
LMIs (Daruichi, 2003).

19

4. Critrio de estabilidade quadrtica


4.1. Restrio de estabilidade
Seja a o sistema autnomo, linear, incerto e invariante no tempo dado por:

x(t )
sendo x(t)
nxn

(4.1)

A( ) x(t ),

o vetor de n estados,

um vetor constante mas desconhecido e A( )

a matriz que representa a dinmica da planta do sistema incerto, dada pela

combinao convexa (4.2) (Boyd et al., 1994):


s

A( )

(4.2)

A j.

j 1

O ndice j varia entre os valores de 1 a s, sendo s dado pela relao s=2 e

o nmero de parmetros incertos da planta A. Por se tratar de uma combinao


convexa, tem-se:
s
j

1,

(4.3)

0 e j 1,..., s.

j 1

Dada a funo candidata de Lyapunov, Apndice A, (Ogata, 1997), dada em


(4.4), quadrtica, positiva definida ( V x(t )

0 para

0 e V (0)

x(t )

0 ). Deseja-se

que a derivada em relao ao tempo, dada por (4.5), seja negativa definida
( V x(t )

0 para

x(t )

0 e V ( 0)

0 ), ento, substituindo (4.1) em (4.5) e sendo

A( ) incerto, tem-se (4.6):

(4.4)

V x(t )

x(t )T Px(t )

V x(t )

x(t )T Px(t ) x(t )T Px(t )

V x(t ),

0.
0.

x(t )T A( )T P PA ( ) x(t )

0.

(4.5)
(4.6)

Se o mtodo de estabilidade de Lyapunov for satisfeito para uma funo


quadrtica, ento existir uma P

nxn

simtrica, positiva definida e que atenda a

desigualdade (4.6), que satisfaa a desigualdade matricial linear (LMI):


A ( )T P PA ( )

0.

(4.7)

20
O Lema 4.1 enunciado abaixo, objetiva atravs do princpio da dualidade,
padronizar a restrio de estabilidade quadrtica em relao s outras restries que
sero discutidas a seguir. Tal princpio possibilita mudar a matriz P por sua inversa X
sem alterar, essencialmente, a negatividade da restrio de estabilidade quadrtica.
Lema 4.1: O sistema dinmico (4.1), com incertezas politpicas descritas em (4.2),
quadraticamente estvel (Barmish, 1985), se e somente se, as seguintes LMIs forem
satisfeitas simultaneamente:

( A i X XATi )

0; i : 1,..., r .

(4.8)

Prova: (Rampazzo, 2004).


Se as LMIs dadas em (4.8) forem factveis, ento, o sistema assintoticamente
estvel. Neste caso, necessrio que as LMIs sejam factveis em conjunto.

4.2. Planta descrita por modelos Fuzzy Takagi-Sugeno


com ganho K nico
Seja o sistema dado pela seguinte equao (4.9):

x(t )
Sendo A

A ( ) x(t ) Bu (t ).

(4.9)

a planta do sistema incerto descrito por modelos fuzzy TS, e seja

a entrada u(t), definida em (4.10) pelo lao de realimentao mostrado pela Figura
4.1.

u (t )

Figura 4.1.

Kx(t ).

(4.10)

Diagrama de bloco de um sistema SLIT.

Logo, substituindo (4.10) em (4.9), obtm-se a relao (4.11):

x(t )

( A( ) BK ) x(t ).

(4.11)

21
Podemos escrever a equao (4.11) dependente de modelos fuzzy TS
representada por:
r

Ai ,

(4.12)

i 1

sendo:
r
i

1;

0 e i 1,..., r.

(4.13)

i 1

Utilizando o critrio de estabilidade quadrtica (Boyd et al., 1994) e as LMIs


necessrias para a obteno dos ganhos K nicos, verificamos que podemos escrever
a equao (4.11) da seguinte forma (Souza et al., 2006):

x(t )

(4.14)

A x(t ).

onde:
(4.15)

A ( A( ) BK ).
Sendo x(t)

o vetor de n estados e A( )

nxn

a matriz que representa a

dinmica da planta do sistema incerto, dada pela combinao convexa (4.12) (Boyd et
al., 1994).
O ndice i varia entre os valores de 1 a r, sendo r dado pela relao r=2 e

o nmero de parmetros incertos da planta A. Por se tratar de uma combinao


convexa, tem-se:
r
i

1;

0 e i 1,..., r.

i 1

Atravs da funo candidata de Lyapunov (Ogata, 1997), dada em (4.16),


quadrtica, positiva definida ( V x(t )

0 para

x(t )

0 e V (0) 0 ) com sua

derivada em relao ao tempo, dada por (4.17), negativa definida ( V x(t )

x(t )

0 para

0 e V (0) 0 ), ento, substituindo (4.14) em (4.17) e sendo A( ) incerto,

tem-se (4.18).

22

x(t )T Px(t ) 0.

V x(t )

(4.16)

V x(t )

(4.17)
(4.18)

x(t ) Px(t ) x(t ) Px(t ) 0.


x(t )T A ( )T P PA ( ) x(t ) 0.

V x(t ),

Se o mtodo de estabilidade de Lyapunov for satisfeito para uma funo


nxn

quadrtica, ento existir uma P

simtrica, positiva definida e que atenda a

desigualdade (4.19), quando a planta for A( ) .

A ( )T P P A ( )

(4.19)

0.

Rearranjando as equaes acima e sabendo que X


no-linear de variveis KX igual a R ( KX
r
i

[ A i X XAi

P e fazendo o produto

R ) linear, obtm-se:

(BR

R T BT )] 0.

(4.20)

i 1

A condio suficiente para a soluo da desigualdade (4.20) que exista uma


n

matriz X positiva definida e uma matriz R

, tais que, todas as LMIs (4.21) sejam

satisfeitas simultaneamente.
T

(BR

R T BT )

0,

(BR

R T BT )

0,

(BR

R T BT )

0.

A1X XA1
A i X XAi

A r X XA r

(4.21)

Desse modo, as LMIs para estabilidade quadrtica so as seguintes:

0, X

A i X XAi

XT
T

(BR

R T BT ) 0.

(4.22)

Quando as LMIs acima so factveis, o ganho do controlador pode ser obtido


pela expresso:

RX 1 .

(4.23)

23

4.3. Planta descrita por modelos Fuzzy Takagi-Sugeno


com ganho K nico e X dependente das condies
iniciais
Defina o conjunto convexo (politopo)
p

x0

das condies iniciais por

p
k x0 k ,

1,

k 1

0, k

1,..., p , sendo que os vetores x0 k , k

1,..., p

k 1

so conhecidos. Para ilustrar esta expresso, considere o caso no qual p = 4,


representado graficamente na figura 4.2.

Figura 4.2.

Politopo das condies iniciais da planta com p = 4.

Agora ser mostrado, para esse exemplo, uma forma para a obteno de
2

x0
x20

~
x01
x20i

, dados x01 , x02 , x03 , x04 e x(0). Considere uma condio inicial arbitrria
T
~
x02 , representada na figura 4.2. Ento, como x10

x20 s , existem

~
x10
~
x

1i 10 i

20

2 i 20 i

1i

1s

2i

x ,

1s 10 s

x ,

2 s 20 s

1i

x10i

x10 s

tais que:

2s

1,

1s
2i

2s

1,

1i

e
2i

0 ,1 ,

1s

2s

0 ,1 .

Para comprovar esse fato, note que:


~
x10
~
x20

1i x10 i

2 i 20 i

(1
(1

1i ) x10 s ,

2i

) x20 s ,

1i

2i

~
x10 x10 s
0 ,1 , 1s 1
x10i x10 s
~
x20 x20 s
0 ,1 , 2 s 1
x20i x20 s

Assim, x 0 pode ser representada da seguinte forma:

0 ,1 e

1i

(4.24)
2i

0,1 .

24

~
x10

x0

~
x20

2i
2i

2s

x20i

x10i

x20 s

1i

1s 10 s
2i

1s

1i

x10 s

T
2s

2 i 20 i

2 s 20 s

T
T

x10 s

1s

2 s 20 s

1s

x20i

2 i 20 i

1i 10 i

x10i

1s 10 s

2s
1i

1i 10 i

x20 s .

Definindo-se:
1

observe que

2i

1i

2i

1s

2s

0 ainda que

1i

2s

1s

,
1i

1s

2i

2s

1.

Finalmente a expresso:
4

x0

k 0k
k 1

obtida, considerando-se que:

x01

x10i

x02i , x02

x10 s

x02i ,

x03

x10i

x02 s , x04

x10 s

x02 s .

Observe a representao grfica de x01 , x02 , x03 e x04 na figura 4.2. A anlise
acima pode ser generalizada para qualquer p

{3,4,5,...}.

Na aplicao dos mtodos propostos nesta dissertao, dada a condio x 0 e


os vrtices x0 k , k = 1,...,p, ento inicialmente necessria a determinao dos
parmetros
x0

~
x10

, k = 1,...,p. Tomando novamente o exemplo da figura 4.2, ento dado

~
x20 , possvel obter

A seguir, calcula-se

1i

1s

2i

2s

da forma descrita anteriormente.

com as expresses tambm descritas acima.

Ento, seja o sistema dado pela equao (4.9), sendo u(t) definida em (4.10) e
considerando a matriz X depende das condies iniciais dada por:
p

Xk .

(4.25)

k 1

onde:
p
k
k 1

1;

0 e k 1,..., p .

(4.26)

25
Logo, temos a relao (4.27):
r

x(t )

Ai

BK x(t ).

(4.27)

i 1

De modo semelhante ao anterior e se o mtodo de estabilidade de Lyapunov,


equao 4.5, for satisfeito para uma funo quadrtica, ento existir uma P

nxn

simtrica, positiva definida e que atenda as desigualdades de (4.28) e (4.29).


p

r
i

A i BK

i 1

Xk

k 1

Xk

k 1

0,

A i BK

(4.28)

i 1

ou ainda:
p

A i BK

i
i 1

k Xk

k 1

X k A i BK

0,

(4.29)

k 1

onde:
p

1;

0;

1;

i 1

0;

(4.30)

k 1

i 1,..., r e k 1,..., p .
Podemos escrever (4.29) como:
p

Ai

BK

p
k Xk

k 1
p
k Xk

BK

k 1

k 1

0
p

k Xk Ai

Xk

k 1
p

Xk Ai

X k K T BT

0.

X k K T BT

(4.31)

k 1

p
k

p
k Xk

k 1

Ai

BK

k 1

Ai

Xk Ai

BK

k 1

Xk

k 1

k 1
p

Fazendo o produto no-linear de variveis K

X k igual a R, ou seja:

k 1

Xk ,

(4.32)

k 1

obtm-se:
Ai Xk

Xk Ai

BR R T BT

0.

(4.33)

26
A condio suficiente para a soluo da desigualdade (4.33) que exista uma
p

matriz

X k positiva definida e uma matriz R

, tais que, todas as LMIs de

k 1

(4.33) sejam satisfeitas simultaneamente.


Desse modo, as LMIs para estabilidade quadrtica so as seguintes:

X k 0, X k

XTk

Ai Xk

Xk Ai

BR R T BT

,
0

(4.34)

Quando as LMIs acima so factveis, o ganho do controlador pode ser obtido


pela expresso:
1

Xk

(4.35)

k 1

4.4. Planta e ganho K descritos por modelos Fuzzy


Takagi-Sugeno
Seja o sistema dado pela seguinte equao (4.36a):

x(t )
Sendo A

A( ) x(t ) Bu (t ).

(4.36a)

a planta do sistema incerto descrito por modelos fuzzy TS.

Utilizou-se o conceito de Compensao Distribuda Paralela (CPD) (Tanaka


and Sugeno, 1992) para projetar reguladores fuzzy para estabilizar sistemas nolineares descritos por modelos fuzzy. A idia projetar um compensador para cada
regra do modelo fuzzy. Para cada regra, so utilizadas tcnicas de projeto de controle
linear. O regulador fuzzy global resultante, que no-linear em geral, uma
combinao fuzzy de cada regulador linear individual. A CDP oferece um
procedimento para projetar um regulador para modelo fuzzy Takagi-Sugeno, onde
cada regra de controle projetada a partir da correspondente regra de um modelo TS
da planta. O regulador fuzzy projetado compartilha os mesmos conjuntos de regras
com o modelo fuzzy nas partes premissas. Para os modelos fuzzy (2.3), sendo i=1,...,r,
os reguladores fuzzy via CDP possuem a seguinte estrutura:

27

Regra i:

i
1

SE x1 (t )

i
p

E ... E x p (t )

,
(4.36b)

ENTO

ut

Ki x t .

Logo, o regulador fuzzy dado por:


r
i

z t Ki x t

i 1

ut

r
i

zt

i 1

(4.36c)

z t Ki x t

i
i 1

sendo

[ 1 ,...,

xt

]T .

Assim o ganho do controlador :


r

Ki .

(4.37)

Kix t .

(4.38)

i
i 1

Assim a entrada u(t) :


r

u (t )

i
i 1

Substituindo (4.38) em (4.36a), obtemos:


r

xt

r
i

Ai

i 1

Ki x t .

(4.39)

i 1

Se o mtodo de estabilidade de Lyapunov, equao 4.5, for satisfeito para uma


funo quadrtica, ento existir uma P

nxn

simtrica, positiva definida e que

atenda as desigualdades de (4.40).


r

B
i Ai
i 1

ou ainda:

X
iK i X
i 1

i 1

B
i Ai

iK i
i 1

0,

(4.40)

28
r

A i BK i X X A i BK i

0,

i 1

(4.41)

onde:
r
i

1;

0 e i 1,..., r .

(4.42)

i 1

Podemos escrever (4.41) como:


T

A i BK i X X A i BK i
T

0,
T

0,

BK i X XK i B T

0.

A i X BK i X XA i
A i X XA i

XK i B
T

(4.43)

Fazendo o produto no-linear de variveis K i X igual a Ri, ou seja:


KiX ,

Ri

(4.44)

obtm-se:

A i X XA i

BR i

R i BT

0.

(4.45)

A condio suficiente para a soluo da desigualdade (4.45) que exista uma


n

matriz X positiva definida e uma matriz R i

, tais que, todas as LMIs de (4.45)

sejam satisfeitas simultaneamente.


Desse modo, as LMIs para estabilidade quadrtica so as seguintes:

XT

0, X

A i X XAi

BR i

R i BT

(4.46)

Quando as LMIs acima so factveis, os ganhos do controlador podem ser


obtidos pela expresso:

Ki

Ri X 1 .

(4.47)

29

4.5. Planta e ganho K descritos por modelos Fuzzy


Takagi-Sugeno e a matriz X dependente das
condies iniciais
Seja o sistema dado pela seguinte equao (4.48):

x(t )
Sendo A

A( ) x(t ) Bu (t ).

(4.48)

a planta do sistema incerto descrita por modelos fuzzy TS, e seja

a entrada u(t), definida em (4.49).

u (t )

xt ,

(4.49)

Ki .

(4.50)

Kix t .

(4.51)

onde:
r

i
i 1

Assim a entrada u(t) :


r

u (t )

i
i 1

Substituindo (4.51) em (4.48), obtemos:


r

xt

r
i Ai

i 1

Ki x t .

(4.52)

i 1

Se o mtodo de estabilidade de Lyapunov, equao 4.5, for satisfeito para uma


nxn

funo quadrtica, ento existir uma P

simtrica, positiva definida e que

atenda as desigualdades de (4.53).


r

B
i Ai
i 1

iK i
i 1

p
k Xk

k 1

r
k Xk

k 1

B
i Ai
i 1

iK i

0,

(4.53)

i 1

ou ainda:
p

r
i
i 1

onde:

A i BK i

p
k

k 1

Xk

k
k 1

X k A i BK i

0,

(4.54)

30
p

1;

0;

i 1

1;

0;

(4.55)

k 1

i 1,..., r e k 1,..., p .
Podemos escrever (4.54) como:
p

Ai

BK i

Xk

k 1
p
k Xk

k Xk Ai

k 1
p

k Xk Ai

X k K i BT

X k K i BT

0.

k 1

p
k Xk

k 1

k Xk
k 1

BK i

k 1

Ai

BK i

k 1

Ai

Xk Ai

BK i

k 1

(4.56)

k Xk
k 1

k 1

Fazendo o produto no-linear de variveis K i

X k igual a Ri, ou seja:

k 1

Ri

Ki

Xk ,

(4.57)

k 1

obtm-se:
Ai Xk

Xk Ai

BR i

R i BT

0.

(4.58)

A condio suficiente para a soluo da desigualdade (4.58) que exista uma


p

matriz

X k positiva definida e uma matriz R i

, tais que, todas as LMIs de

k 1

(4.58) sejam satisfeitas simultaneamente.


Desse modo, as LMIs para estabilidade quadrtica so as seguintes:

Xk
Ai Xk

XTk

0, X k
Xk Ai

BR i

R i BT

,
0

(4.59)

Quando as LMIs acima so factveis, os ganhos do controlador podem ser


obtidos pela expresso:
1

Ki

Ri

k
k 1

Xk

(4.60)

31

4.6. Planta descrita por modelos Fuzzy Takagi-Sugeno


e o ganho K dependente das condies iniciais
Seja o sistema dado pela seguinte equao (4.61):

x(t )
Sendo A

A( ) x(t ) Bu (t ).

(4.61)

a planta do sistema incerto descrita por modelos fuzzy TS, e seja

a entrada u(t), definida em (4.62).

u (t )

xt ,

(4.62)

Kk .

(4.63)

Kk x t .

(4.64)

onde:
p

k
k 1

Assim a entrada u(t) :


p

u (t )

k
k 1

Substituindo (4.64) em (4.61), obtemos:


p

xt

Ai

i 1

Kk x t .

(4.65)

k 1

Se o mtodo de estabilidade de Lyapunov, equao 4.5, for satisfeito para uma


nxn

funo quadrtica, ento existir uma P

simtrica, positiva definida e que

atenda as desigualdades de (4.66).


p

r
i

Ai B

i 1

k
k 1

Kk X X

i
i 1

Ai B

0,

Kk

(4.66)

k 1

ou ainda:
r

p
i k

i 1 k 1

onde:

A i BK k X X A i BK k

0,

(4.67)

32
p

r
i

1;

0;

i 1

1;

0;

k 1

(4.68)

i 1,..., r e k 1,..., p .
Podemos escrever (4.67) como:

Ai

BK k X X A i

A i X BK k X XA i
A i X XA i

BK k

XK k B

0.

BK k X XK k B T

(4.69)

Fazendo o produto no-linear de variveis K k X igual a Rk, ou seja:


KkX ,

Rk

(4.70)

obtm-se:

A i X XAi

BR k

R k BT

0.

(4.71)

A condio suficiente para a soluo da desigualdade (4.71) que exista uma


n

matriz X positiva definida e uma matriz R k

, tais que, todas as LMIs de (4.71)

sejam satisfeitas simultaneamente.


Desse modo, as LMIs para estabilidade quadrtica so as seguintes:

XT

0, X

A i X XAi

BR k

R k BT

,
0

(4.72)

Quando as LMIs acima so factveis, os ganhos do controlador podem ser


obtidos pela expresso:

Kk

Rk X 1 .

(4.73)

4.7. Planta descrita por modelos Fuzzy Takagi-Sugeno


e o ganho K e a matriz X dependentes das
condies iniciais
Seja o sistema dado pela seguinte equao (4.74):

x(t )

A( ) x(t ) Bu (t ).

(4.74)

33
Sendo A

a planta do sistema incerto descrita por modelos fuzzy TS, e seja

a entrada u(t), definida em (4.75).


u (t )

xt ,

(4.75)

Kk .

(4.76)

Kk x t .

(4.77)

onde:
p

k
k 1

Assim a entrada u(t) :


p

u (t )

k
k 1

Substituindo (4.77) em (4.74), obtemos:


p

xt

i Ai

i 1

Kk x t .

(4.78)

k 1

Se o mtodo de estabilidade de Lyapunov, equao 4.5, for satisfeito para uma


nxn

funo quadrtica, ento existir uma P

simtrica, positiva definida e que

atenda as desigualdades de (4.79).


p

r
i Ai

i 1

p
kKk

k 1

k 1

k Xk

i Ai

k 1

k Xk

i 1

kKk

0,

(4.79)

k 1

ou ainda:
r

p
i k

A i BK k

i 1 k 1

p
k Xk

k 1

X k A i BK k

k 1

0,

(4.80)

onde:
p

r
i

1;

0;

i 1

1;

k 1

i 1,..., r e k 1,..., p .
Podemos escrever (4.80) como:

0;

(4.81)

34
p

Ai

BK k

k Xk

k 1
p
k

Xk

Xk

Xk Ai

k 1
p

k Xk Ai

0.

X k K k BT

X k K k BT

(4.82)

k 1

p
k Xk

k 1

k
k 1

BK k

k 1

Ai

BK k

k 1

Ai

Xk Ai

BK k

k 1

k Xk
k 1

k 1
p

Fazendo o produto no-linear de variveis K k

X k igual a Rk, ou seja:

k 1
p

Rk

Kk

Xk ,

(4.83)

k 1

obtm-se:
Ai Xk

Xk Ai

R k BT

BR k

0.

(4.84)

A condio suficiente para a soluo da desigualdade (4.84) que exista uma


n

matriz X k positiva definida e uma matriz R k

, tais que, todas as LMIs de (4.84)

sejam satisfeitas simultaneamente.


Desse modo, as LMIs para estabilidade quadrtica so as seguintes:

Xk
Ai Xk

XTk

0, X k
Xk Ai

R k BT

BR k

,
0

(4.85)

Quando as LMIs acima so factveis, os ganhos do controlador podem ser


obtidos pela expresso:
1

Kk

Rk

Xk

(4.86)

k 1

4.8. Planta descrita por modelos Fuzzy Takagi-Sugeno


e o ganho K descrito por modelos Fuzzy TakagiSugeno e condies iniciais
Seja o sistema dado pela seguinte equao (4.87):

x(t )

A( ) x(t ) Bu (t ).

(4.87)

35
Sendo A

a planta do sistema incerto descrita por modelos fuzzy TS, e seja

a entrada u(t), definida em (4.88).


u (t )

xt ,

(4.88)

onde:
p

K ik .

(4.89)

K ik x t .

(4.90)

i 1 k 1

Assim a entrada u(t) :


r

u (t )

i 1 k 1

Substituindo (4.90) em (4.87), obtemos:


r

xt

r
i Ai

i 1

K ik x t .

(4.91)

i 1 k 1

Se o mtodo de estabilidade de Lyapunov, equao 4.5, for satisfeito para uma


nxn

funo quadrtica, ento existir uma P

simtrica, positiva definida e que

atenda as desigualdades de (4.92).


r

r
i

Ai B

i 1

i k

K ik X X

i 1 k 1

Ai B

i 1

p
i k

K ik

0,

(4.92)

i 1 k 1

ou ainda:
r

p
i k

A i BK ik X X A i BK ik

0,

(4.93)

i 1 k 1

onde:
p

r
i

1;

0;

i 1

1;

0;

k 1

(4.94)

i 1,..., r e k 1,..., p .
Podemos escrever (4.93) como:
Ai

BK ik X X A i

A i X BK ik X XA i
A i X XA i

BK ik

0.

XK ik B T

BK ik X XK ik B T

(4.95)

36
Fazendo o produto no-linear de variveis K ik X igual a Rik, ou seja:

K ik X ,

R ik

(4.96)

obtm-se:
A i X XA i

R ik BT

BR ik

0.

(4.97)

A condio suficiente para a soluo da desigualdade (4.97) que exista uma


n

matriz X positiva definida e uma matriz R ik

, tais que, todas as LMIs de (4.97)

sejam satisfeitas simultaneamente.


Desse modo, as LMIs para estabilidade quadrtica so as seguintes:
X

XT

0, X

A i X XAi

R ik BT

BR ik

(4.98)

Quando as LMIs acima so factveis, os ganhos do controlador podem ser


obtidos pela expresso:

K ik

R ik X 1 .

(4.99)

4.9. Planta descrita por modelos Fuzzy Takagi-Sugeno,


o ganho K descrito por modelos Fuzzy TakagiSugeno

condies

iniciais

matriz

dependente das condies iniciais


Seja o sistema dado pela seguinte equao (4.100):

x(t )
Sendo A

A( ) x(t ) Bu (t ).

(4.100)

a planta do sistema incerto descrita por modelos fuzzy TS, e seja

a entrada u(t), definida em (4.101).

u (t )
onde:

xt ,

(4.101)

37

K ik .

(4.102)

K ik x t .

(4.103)

i 1 k 1

Assim a entrada u(t) :


r

u (t )

i 1 k 1

Substituindo (4.103) em (4.100), obtemos:


r

xt

i Ai

i 1

K ik x t .

(4.104)

i 1 k 1

Se o mtodo de estabilidade de Lyapunov, equao 4.5, for satisfeito para uma


nxn

funo quadrtica, ento existir uma P

simtrica, positiva definida e que

atenda as desigualdades de (4.105).


r

r
i

Ai B

i 1

p
i k

K ik

i 1 k 1

Xk

k 1

Xk

k 1

Ai B

i 1

p
i k

K ik

0 (4.105)

i 1 k 1

ou ainda:
p

A i BK ik

i k

k Xk

i 1 k 1

k 1

X k A i BK ik

0,

(4.106)

k 1

onde:
p

1;

0;

i 1

1;

0;

(4.107)

k 1

i 1,..., r e k 1,..., p .
Podemos escrever (4.106) como:
p

Ai

BK ik

k Xk

k 1
p
k Xk

BK ik

k 1

Xk

k 1

Xk Ai

X k K ik B T

X k K ik B T

0.

k 1
p

k
k 1

p
k Xk Ai

p
k

k 1

p
k Xk

k 1

Ai

BK ik

k 1

Ai

Xk Ai

BK ik

p
k

k 1

(4.108)

Xk

k 1

Fazendo o produto no-linear de variveis K ik

k
k 1

X k igual a Rik, ou seja:

38
p

R ik

K ik

Xk ,

(4.109)

k 1

obtm-se:

Ai Xk

Xk Ai

R ik B T

BR ik

0.

(4.110)

A condio suficiente para a soluo da desigualdade (4.110) que exista uma


n

matriz X k positiva definida e uma matriz R ik

, tais que, todas as LMIs de

(4.110) sejam satisfeitas simultaneamente.


Desse modo, as LMIs para estabilidade quadrtica so as seguintes:

Xk

XTk

0, X k

Ai Xk

Xk Ai

R ik BT

BR ik

,
0

(4.111)

Quando as LMIs acima so factveis, os ganhos do controlador podem ser


obtidos pela expresso:
1

K ik

R ik

Xk

(4.112)

k 1

4.10.

Planta descrita por modelos Fuzzy Takagi-

Sugeno com incertezas do tipo politpicas com


ganho K nico
Seja o sistema dado pela seguinte equao (4.113):

x(t )
Sendo A ,

A( , ) x(t ) Bu (t ).

(4.113)

a planta do sistema incerto, e seja a entrada u(t), definida em

(4.114).
Kx t .

u (t )

(4.114)

Substituindo (4.114) em (4.113), obtemos:


r

xt

i
i 1 j 1

A ij

BK x t .

(4.115)

39
Se o mtodo de estabilidade de Lyapunov, equao 4.5, for satisfeito para uma
nxn

funo quadrtica, ento existir uma P

simtrica, positiva definida e que

atenda as desigualdades de (4.116).


r

r
i

A ij

BK X X

i 1 j 1

s
j

A ij

0,

BK

i 1 j 1

r
i

(4.116)

A ij BK X

i 1 j 1

X A ij BK

i 1 j i

ou ainda:
r

s
i

A ij

BK X X A ij

BK

0,

(4.117)

i 1 j 1

onde:
r

1;

0;

1;

0;

(4.118)

j 1

i 1

i 1,..., r e j 1,..., s .
Podemos escrever (4.117) como:
A ij

BK X X A ij

A ij X BKX XA ij
A ij X XA ij

BK

XK T B T
T

BKX XK B

0.

(4.119)

Fazendo o produto no-linear de variveis KX igual a R, ou seja:

KX ,

(4.120)

obtm-se:
A ij X XAij

BR R T BT

0.

(4.121)

A condio suficiente para a soluo da desigualdade (4.121) que exista uma


matriz X positiva definida e uma matriz R

, tais que, todas as LMIs de (4.121)

sejam satisfeitas simultaneamente.


Desse modo, as LMIs para estabilidade quadrtica so as seguintes:
X

0, X

A ij X XAij

XT
T

BR R T BT

(4.122)

40
Quando as LMIs acima so factveis, o ganho do controlador pode ser obtido
pela expresso:
RX 1 .

4.11.

(4.123)

Planta descrita por modelos Fuzzy Takagi-

Sugeno com incertezas do tipo politpicas com


ganho K nico e X dependente das condies
iniciais
Seja o sistema dado pela equao (4.113), sendo u(t) definida em (4.114) e
considerando a matriz X depende das condies iniciais dada por:
p

Xk ,

(4.124)

k 1

onde:
p

1;

0 e k 1,..., p .

(4.125)

k 1

Logo, temos a relao (4.126):


r

xt

BK x t .

A ij

(4.126)

i 1 j 1

De modo semelhante ao anterior e se o mtodo de estabilidade de Lyapunov,


equao 4.5, for satisfeito para uma funo quadrtica, ento existir uma P

nxn

simtrica, positiva definida e que atenda as desigualdades de (4.127) e (4.128).


r

s
i

A ij BK

i 1 j 1

p
k

Xk

k 1

r
k

Xk

k 1

s
i

A ij

0,

BK

(4.127)

i 1 j 1

ou ainda:
r

s
i

i 1 j 1

onde:

A ij BK

p
k Xk

k 1

k
k 1

X k A ij BK

0,

(4.128)

41
p

1;

0;

1;

0;

j 1

i 1

1;

0;

(4.129)

k 1

i 1,..., r ; j 1,..., s e k 1,..., p .


Podemos escrever (4.128) como:
p

A ij BK

p
k Xk

k 1
p
k Xk

k Xk

k X k A ij

k 1

Xk

k 1

p
k

k 1

BK

k 1

A ij

k 1

A ij

X k A ij BK

X k A ij

X k K T BT

0.

X k K T BT

k 1
p

k
p

BK

k 1

(4.130)

Xk

k 1

k 1

Fazendo o produto no-linear de variveis K

X k igual a R, ou seja:

k 1

Xk ,

(4.131)

k 1

obtm-se:

A ij X k

X k A ij

BR R T BT

0.

(4.132)

A condio suficiente para a soluo da desigualdade (4.132) que exista uma


p

matriz

X k positiva definida e uma matriz R

, tais que, todas as LMIs de

k 1

(4.132) sejam satisfeitas simultaneamente.


Desse modo, as LMIs para estabilidade quadrtica so as seguintes:
Xk
A ij X k

XTk

0, X k
X k A ij

BR R T BT

(4.133)

Quando as LMIs acima so factveis, o ganho do controlador pode ser obtido


pela expresso:
1

k
k 1

Xk

(4.134)

42

4.12.

Planta descrita por modelos Fuzzy Takagi-

Sugeno com incertezas do tipo politpicas com o


ganho K dependente de Fuzzy Takagi-Sugeno
Seja o sistema dado pela seguinte equao (4.135):

x(t )
Sendo A ,

A( , ) x(t ) Bu (t ).

(4.135)

a planta do sistema incerto, e seja a entrada u(t), definida em

(4.136).

u (t )

xt ,

(4.136)

Ki .

(4.137)

Kix t .

(4.138)

onde:
r

i
i 1

Assim a entrada u(t) :


r

u (t )

i
i 1

Substituindo (4.138) em (4.135), obtemos:


r

xt

r
i

A ij

i 1 j 1

Ki x t .

(4.139)

i 1

Se o mtodo de estabilidade de Lyapunov, equao 4.5, for satisfeito para uma


nxn

funo quadrtica, ento existir uma P

simtrica, positiva definida e que

atenda as desigualdades de (4.140).


r

r
i

A ij B

i 1 j 1

i
i 1

Ki X X

r
i

A ij B

i 1 j 1

Ki

0,

(4.140)

i 1

ou ainda:
r

s
i

i 1 j 1

onde:

A ij BK i X X A ij BK i

0,

(4.141)

43

1;

0;

i 1

1;

0;

j 1

(4.142)

i 1,..., r e j 1,..., s .
Podemos escrever (4.141) como:
A ij

BK i X X A ij

A ij X BK i X XA ij
A ij X XA ij

BK i

XK i B T
T

BK i X XK i B

0.

(4.143)

Fazendo o produto no-linear de variveis K i X igual a Ri, ou seja:


Ri

KiX ,

(4.144)

obtm-se:

A ij X XAij

BR i R i BT

0.

(4.145)

A condio suficiente para a soluo da desigualdade (4.145) que exista uma


n

matriz X positiva definida e uma matriz R i

, tais que, todas as LMIs de (4.145)

sejam satisfeitas simultaneamente.


Desse modo, as LMIs para estabilidade quadrtica so as seguintes:
X

XT

0, X

A ij X XAij

BR i

R i BT

(4.146)

Quando as LMIs acima so factveis, os ganhos do controlador podem ser


obtido pela expresso:

Ki

RiX 1.

(4.147)

44

4.13.

Planta descrita por modelos Fuzzy Takagi-

Sugeno com incertezas do tipo politpicas, com o


ganho K dependente de Fuzzy Takagi-Sugeno e a
matriz X dependente das condies iniciais
Seja o sistema dado pela seguinte equao (4.148):

x(t )
Sendo A ,

A( , ) x(t ) Bu (t ).

(4.148)

a planta do sistema incerto, e seja a entrada u(t), definida em

(4.149).
u (t )

xt ,

(4.149)

Ki .

(4.150)

Kix t .

(4.151)

onde:
r

i
i 1

Assim a entrada u(t) :


r

u (t )

i
i 1

Substituindo (4.151) em (4.148), obtemos:


r

xt

j A ij

i 1 j 1

Ki x t .

(4.152)

i 1

Se o mtodo de estabilidade de Lyapunov, equao 4.5, for satisfeito para uma


nxn

funo quadrtica, ento existir uma P

simtrica, positiva definida e que

atenda as desigualdades de (4.153).


r

r
i

A ij B

i 1 j 1

Ki

i 1

p
k

Xk

r
k

k 1

Xk

k 1

r
j

A ij B

i 1 j 1

Ki

0 (4.153)

i 1

ou ainda:
r

s
i

i 1 j 1

onde:

A ij

BK i

p
k

k 1

Xk

k
k 1

X k A ij BK i

0,

(4.154)

45
r

1;

0;

i 1

1;

0;

1;

0;

(4.155)

k 1

j 1

i 1,..., r ; j 1,..., s e k 1,..., p .


Podemos escrever (4.154) como:
p

A ij BK i

k Xk

k 1
p
k

Xk

BK i

k 1

Xk

k 1

A ij

X k A ij

k 1

p
k Xk

k X k A ij

k 1

k 1

A ij

X k A ij BK i

0.

X k K i BT

X k K i BT

(4.156)

k 1
p

k
p

BK i

k 1

k Xk
k 1

k 1
p

Fazendo o produto no-linear de variveis K i

X k igual a Ri, ou seja:

k 1

Ri

Ki

Xk ,

(4.157)

k 1

obtm-se:
A ij X k

X k A ij

BR i

R i BT

0.

(4.158)

A condio suficiente para a soluo da desigualdade (4.158) que exista uma


p

matriz

X k positiva definida e uma matriz R i

, tais que, todas as LMIs de

k 1

(4.158) sejam satisfeitas simultaneamente.


Desse modo, as LMIs para estabilidade quadrtica so as seguintes:

Xk
A ij X k

XTk

0, X k
X k A ij

BR i

R i BT

(4.159)

Quando as LMIs acima so factveis, os ganhos do controlador podem ser


obtido pela expresso:
1

Ki

Ri

k Xk
k 1

(4.160)

46

4.14.

Planta descrita pode modelos Fuzzy Takagi-

Sugeno com incertezas do tipo politpicas e o


ganho K dependente das condies iniciais
Seja o sistema dado pela seguinte equao (4.161):

x(t )
Sendo A ,

A( , ) x(t ) Bu (t ).

(4.161)

a planta do sistema incerto, e seja a entrada u(t), definida em

(4.162).

u (t )

xt ,

(4.162)

Kk .

(4.163)

Kk x t .

(4.164)

onde:
p

k
k 1

Assim a entrada u(t) :


p

u (t )

k
k 1

Substituindo (4.164) em (4.161), obtemos:


r

xt

A ij

i 1 j 1

Kk x t .

(4.165)

k 1

Se o mtodo de estabilidade de Lyapunov, equao 4.5, for satisfeito para uma


nxn

funo quadrtica, ento existir uma P

simtrica, positiva definida e que

atenda as desigualdades de (4.166).


r

s
i

A ij

i 1 j 1

r
k

k 1

Kk X X

s
i

A ij

i 1 j 1

Kk

0,

(4.166)

k 1

ou ainda:
r

p
i

i 1 j 1 k 1

onde:

j k

A ij BK k X X A ij BK k

0,

(4.167)

47
p

r
i

1;

0;

1;

0;

1;

j 1

i 1

0;

k 1

(4.168)

i 1,..., r ; j 1,..., s e k 1,..., p .


Podemos escrever (4.167) como:
A ij

BK k X X A ij

A ij X BK k X XA ij
A ij X XA ij

BK k

XK k B T
T

BK k X XK k B

0.

(4.169)

Fazendo o produto no-linear de variveis K k X igual a Rk, ou seja:


Rk

KkX ,

(4.170)

obtm-se:
A ij X XAij

BR k

R k BT

0.

(4.171)

A condio suficiente para a soluo da desigualdade (4.171) que exista uma


n

matriz X positiva definida e uma matriz R k

, tais que, todas as LMIs de (4.171)

sejam satisfeitas simultaneamente.


Desse modo, as LMIs para estabilidade quadrtica so as seguintes:

XT

0, X

A ij X XAij

BR k

R k BT

(4.172)

Quando as LMIs acima so factveis, os ganhos do controlador podem ser


obtido pela expresso:

Kk

Rk X 1 .

(4.173)

48

4.15.

Planta descrita por modelos Fuzzy Takagi-

Sugeno com incertezas do tipo politpicas e o


ganho K e a matriz X dependente das condies
iniciais
Seja o sistema dado pela seguinte equao (4.174):

x(t )
Sendo A ,

A( , ) x(t ) Bu (t ).

(4.174)

a planta do sistema incerto, e seja a entrada u(t), definida em

(4.175).
u (t )

xt ,

(4.175)

Kk .

(4.176)

Kk x t .

(4.177)

onde:
p

k
k 1

Assim a entrada u(t) :


p

u (t )

k
k 1

Substituindo (4.177) em (4.174), obtemos:


r

xt

j A ij

i 1 j 1

Kk x t .

(4.178)

k 1

Se o mtodo de estabilidade de Lyapunov, equao 4.5, for satisfeito para uma


nxn

funo quadrtica, ento existir uma P

simtrica, positiva definida e que

atenda as desigualdades de (4.179).


r

s
i

A ij

i 1 j 1

p
k

Kk

k 1

p
k

Xk

k 1

r
k

Xk

k 1

s
i

i 1 j 1

A ij B

Kk

k 1

0 (4.179)

ou ainda:
r

p
i

i 1 j 1 k 1

j k

A ij BK k

p
k

k 1

Xk

k
k 1

X k A ij BK k

0,

(4.180)

49
onde:
r

1;

0;

i 1

1;

0;

1;

0;

(4.181)

k 1

j 1

i 1,..., r ; j 1,..., s e k 1,..., p .


Podemos escrever (4.180) como:
p

A ij BK k

Xk

k 1
p
k Xk

k Xk

k X k A ij

k 1

k 1

p
k Xk

k 1

BK k

k 1

A ij

k 1

A ij

X k A ij BK k

k X k A ij

0.

X k K k BT

X k K k BT

(4.182)

k 1
p

k
p

BK k

k 1

k Xk
k 1

k 1
p

Fazendo o produto no-linear de variveis K k

X k igual a Rk, ou seja:

k 1

Rk

Kk

Xk ,

(4.183)

k 1

obtm-se:
A ij X k

X k A ij

BR k

R k BT

0.

(4.184)

A condio suficiente para a soluo da desigualdade (4.184) que exista uma


n

matriz X k positiva definida e uma matriz R k

, tais que, todas as LMIs de

(4.184) sejam satisfeitas simultaneamente.


Desse modo, as LMIs para estabilidade quadrtica so as seguintes:

Xk
A ij X k

XTk

0, X k
X k A ij

BR k

R k BT

(4.185)

Quando as LMIs acima so factveis, os ganhos do controlador podem ser


obtido pela expresso:
1

Kk

Rk

k
k 1

Xk

(4.186)

50

4.16.

Planta descrita por modelos Fuzzy Takagi-

Sugeno com incertezas do tipo politpicas e o


ganho K descrito por modelos Fuzzy TakagiSugeno e condies iniciais
Seja o sistema dado pela seguinte equao (4.187):

x(t )
Sendo A ,

A( , ) x(t ) Bu (t ).

(4.187)

a planta do sistema incerto, e seja a entrada u(t), definida em

(4.188).
u (t )

xt ,

(4.188)

onde:
r

K ik .

(4.189)

K ik x t .

(4.190)

i 1 k 1

Assim a entrada u(t) :


r

u (t )

i 1 k 1

Substituindo (4.190) em (4.187), obtemos:


r

xp t

B
j A ij

i 1 j 1

i k

K ik x p t .

(4.191)

i 1 k 1

Se o mtodo de estabilidade de Lyapunov, equao 4.5, for satisfeito para uma


nxn

funo quadrtica, ento existir uma P

simtrica, positiva definida e que

atenda as desigualdades de (4.192).


r

r
i

A ij B

i 1 j 1

i k

K ik X X

i 1 k 1

r
i

A ij B

i 1 j 1

i k

K ik

0 ,(4.192)

i 1 k 1

ou ainda:
r

p
i

i 1 j 1 k 1

onde:

j k

A ij

BK ik X X A ij BK ik

0,

(4.193)

51
p

r
i

1;

0;

1;

0;

j 1

i 1

1;

0;

(4.194)

k 1

i 1,..., r ; j 1,..., s e k 1,..., p .


Podemos escrever (4.193) como:
A ij

BK ik X X A ij

A ij X BK ik X XA ij
A ij X XA ij

BK ik

XK ik B T
T

BK ik X XK ik B

0.

(4.195)

Fazendo o produto no-linear de variveis K ik X igual a Rik, ou seja:

R ik

K ik X ,

(4.196)

obtm-se:
A ij X XAij

BR ik

R ik BT

0.

(4.197)

A condio suficiente para a soluo da desigualdade (4.197) que exista uma


n

matriz X positiva definida e uma matriz R ik

, tais que, todas as LMIs de (4.197)

sejam satisfeitas simultaneamente.


Desse modo, as LMIs para estabilidade quadrtica so as seguintes:
X

XT

0, X

A ij X XAij

BR ik

R ik BT

(4.198)

Quando as LMIs acima so factveis, os ganhos do controlador podem ser


obtido pela expresso:

K ik

R ik X 1 .

(4.199)

52

4.17.

Planta descrita por modelos Fuzzy Takagi-

Sugeno com incertezas do tipo, o ganho K descrito


por modelos Fuzzy Takagi-Sugeno e condies
iniciais e a matriz X dependente das condies
iniciais
Seja o sistema dado pela seguinte equao (4.200):

x(t )
Sendo A ,

A( , ) x(t ) Bu (t ).

(4.200)

a planta do sistema incerto, e seja a entrada u(t), definida em

(4.201).
u (t )

xt ,

(4.201)

onde:
r

K ik .

(4.202)

K ik x t .

(4.203)

i 1 k 1

Assim a entrada u(t) :


p

u (t )

i 1 k 1

Substituindo (4.203) em (4.200), obtemos:


r

xt

r
i

A ij

i 1 j 1

K ik x t .

(4.204)

i 1 k 1

Se o mtodo de estabilidade de Lyapunov, equao 4.5, for satisfeito para uma


nxn

funo quadrtica, ento existir uma P

simtrica, positiva definida e que

atenda as desigualdades de (4.205).


r

r
i

A ij

i 1 j 1
p

p
i

K ik

i 1 k 1
r

r
i

i 1 j 1

j A ij

Xk

k 1

k Xk
k 1

i
i 1 k 1

p
k K ik

(4.205)

53
ou ainda:
r

p
i

A ij BK ik

j k

i 1 j 1 k 1

Xk

k 1

X k A ij BK ik

0,

k 1

(4.206)

onde:
r

1;

0;

1;

0;

j 1

i 1

1;

0;

k 1

(4.207)

i 1,..., r ; j 1,..., s e k 1,..., p .


Podemos escrever (4.206) como:
p

A ij BK ik

k Xk
k 1
p

k Xk

BK ik

k X k A ij

k 1

Xk

k 1

p
k

k 1

p
k Xk

k 1

A ij

k 1

A ij

X k A ij BK ik

X k A ij

X k K ik BT

BK ik

k 1

0.

X k K ik BT

(4.208)

k 1
p

Xk

k 1

k 1
p

Fazendo o produto no-linear de variveis K ik

X k igual a Rik, ou seja:

k 1

R ik

K ik

Xk ,

(4.209)

k 1

obtm-se:
A ij X k

X k A ij

BR ik

R ik BT

0.

(4.210)

A condio suficiente para a soluo da desigualdade (4.210) que exista uma


matriz X k positiva definida e uma matriz R ik

, tais que, todas as LMIs de

(4.210) sejam satisfeitas simultaneamente.


Desse modo, as LMIs para estabilidade quadrtica so as seguintes:
Xk
A ij X k

0, X k
X k A ij

XTk
T

BR ik

R ik BT

(4.211)

Quando as LMIs acima so factveis, os ganhos do controlador podem ser


obtido pela expresso:

54

K ik

R ik

k Xk

(4.212)

k 1

Todos os casos possveis foram desenvolvidos e no Captulo 6 sero aplicadas


todas as anlises para o sistema bola-viga.

55

5. ndices

de

Desempenho para Reguladores

Fuzzy
Alm da estabilidade o projetista pode especificar o sistema de controle
utilizando outros ndices de desempenho, tais como a taxa de decaimento, restrio na
entrada e restrio na sada.

5.1.1. Taxa de Decaimento


relevante considerar no apenas a estabilidade, mas tambm outros ndices
de desempenho do sistema controlado tais como a velocidade de resposta e restries
de entrada e sada. A velocidade de resposta est relacionada com a taxa de
decaimento .
Considere uma candidata da funo de Lyapunov V x t
0 , para todo x

V xt
V xt

2 V xt

0. A taxa de decaimento ,

xT X 1 x e que

> 0, obtida se a condio

(Tanaka, Ikeda and Wang, 1998c) satisfeita para toda a

trajetria.

5.1.2. Restrio na Entrada


Assuma que a condio inicial x(0) conhecida e u(t) descrito por:
r

z t Fi x t

i 1

ut

zt

i 1
r
i

(5.1)

z t Fi x t

i 1

F ( ) x (t ),
A restrio ||u(t)||2

imposta para todo o tempo t


1

x ( 0) T

x ( 0)

0 se as LMIs
(5.2)

56
e

M iT
2
I

X
Mi

(5.3)

se mantm sendo X = P-1 e Mi = KiX.


Estendendo para o caso mais amplo, onde temos os ganhos dependentes das
condies

iniciais

x0

x2 0

x1 0

e
x3 0

descrito
x4 0

por

modelos

fuzzy

TS,

sendo

de modo semelhante ao definido na Seo 4.3,

temos:
1
x 0 k ( 0) T
x 0 k ( 0)
Xk

0, k

1,2,..., p

(5.4)

RikT
2
I

(5.5)

e
p

k 1

RikT
2
I

Xk
Rik

Xk
Rik

se mantm sendo R ik

K ik

Xk .

k 1

5.1.3. Restries na Sada


Assuma que a condio inicial x(0) conhecida e defina y(t) = Cix(t).
A restrio ||y(t)||2

imposta para todo t


1

x ( 0) T

x ( 0)

XCiT

Ci X

0 se as LMIs

(5.6)

(5.7)

se mantm sendo X = P-1.

57

6. Sistema Bola-viga
Um sistema bola-viga consiste de uma viga com o ngulo de inclinao que
pode variar, e uma bola sobre esta. O objetivo do sistema de controle ajustar o
ngulo da viga de modo que a bola permanea prximo ao centro da viga, dada uma
perturbao na posio da bola.
Este tipo de sistema, alm de ser um problema clssico de engenharia de
sistemas de controle, tem usos possveis nas reas como a aeronutica (Marn, R.C.,
2004).
Considere o sistema bola-viga mostrado na Figura 6.1 (Silva, 2005):

Figura 6.1. Sistema Bola-viga.

com equaes dadas por:


r (t )

r (t )

(t )

u (t ).

(t )

sen( (t ))

0,

(6.1)

A dinmica do sistema (Wang, 1997, pg.217) pode ser descrita como sendo:

r (t ) : posio da bola,
(t ) : ngulo da viga,
u t : sinal de controle,

,
Considerando
x1 (t )

r (t ); x 2 (t )

0.7143 e

: parmetros,
as

r (t ) ; x3 (t )

variveis

de

(t ) ; x 4 (t )

9.81 .
estado

do

sistema

(t ) e a sada do sistema y (t )

como:
x1 (t ) ,

as equaes de estado do sistema so descritas por:


x1 (t )

x 2 (t ) ,

(6.2)

58

x 2 (t )

(6.3)

sen( x3 (t )) ,

x1 (t ) x 4 (t )

x3 (t )

x 4 (t ) ,

(6.4)

x 4 (t )

u (t ) .

(6.5)

Supe-se que:
1

x1 (t ) 1 ;

x 2 (t ) 1 ;

x3 (t )

12

12

x 4 (t )

2.

A seguir, o sistema no-linear (6.2)-(6.5) ser transformado na forma


generalizada do sistema fuzzy TS (Taniguchi et al., 2001).
O sistema fuzzy TS generalizado pode ser construdo de (6.2)-(6.5)
reescrevendo:
x1 (t )

0 1

x 2 (t )

0 0

x3 (t )

0 0

x 4 (t )

0 0

0
sen( x3 (t ))
x3 (t )
0

x1 (t )

x1 (t ) x 4 (t )

x 2 (t )

x3 (t )

x 4 (t )

u (t )

(6.6)

sendo:
x p (t )
~
f 23 ( x p (t ))

x1 (t ) x 2 (t ) x3 (t ) x 4 (t ) ;

sen ( x3 (t )) ~
; f 24 ( x p (t ))
x3 (t )

x1 (t ) x 4 (t )

(6.7)

as funes que contm as no-linearidades do sistema.


Ento (6.6) representado como:
x1 (t )

x 2 (t )

x 2 (t ) ,

~
f 23 ( x p (t )) x3 (t )

~
f 24 ( x p (t )) x 4 (t ) ,

x3 (t )

x4 (t ),

x 4 (t )

u (t ) .

(6.8)
(6.9)
(6.10)
(6.11)

59
Para obter a forma generalizada, necessrio determinar os valores mximo e
~
~
mnimo das funes f 23( x p (t )) e f 24( x p (t )) no conjunto considerado (Taniguchi et
al., 2001; Silva, 2005). Sejam:
~
mx{ f 23 (x p (t )}
x (t )
~
mn{ f 23 (x p (t )}
x (t )
~
mx{ f 24 (x p (t )}
x (t )
~
mn{ f 24 (x p (t )}

a231
a232
a241
a242

6.9275;
7.0073;
1.4286;
1.4285.

x (t )

Segundo o mtodo proposto por Taniguchi et al. (2001), a funo no-linear


~
f 23( x p (t )) pode ser representada, de forma exata, atravs de modelo fuzzy TS,
considerando dois modelos locais: a 231 e a 232 , ou seja existem
232

231

( x p (t )) e

( x p (t )) tais que (Silva, 2005):


~
f 23( x p (t ))

231

( x p (t ))a 231

232

(6.12)

( x p (t ))a 232 ,

sendo:

231

( x p (t ))

231

231

( x p (t )),

( x p (t ))

232

232

( x p (t )) 1 ,

( x p (t )) 1 ,

~
f 23 ( x p (t )) a 232
a 231

a 232

~
Da mesma forma a funo f 24( x p (t )) pode ser representada exatamente por:

~
f 24( x p (t ))
sendo que

241

241

( x p (t )) e

242

( x p (t )),

242

241

( x p (t ))a 241

242

(6.13)

( x p (t ))a 242 ,

( x p (t )) satisfazem:

( x p (t )) 1 ,

241

( x p (t ))

242

( x p (t )) 1 .

Ento, tem-se:
~
f 23(x p (t )) (

241
241

( x p (t ))

(x p (t ))

242

(x p (t ))

Agora, defina:

242
231

(x p (t )))(

(x p (t ))a231

231

(x p (t ))a231

231

(x p (t ))a231

241

(x p (t )

242

(x p (t ))

232

232

(x p (t ))a232 )

(x p (t ))a232

232

(x p (t ))a232

60

( x p (t ))

( x p (t ))

241

241

( x p (t ))

231

( x p (t ))

232

( x p (t )) ,

( x p (t )) ,

( x p (t ))

( x p (t ))

242

( x p (t )) ,

( x p (t )

231

( x p (t ))

232

241

( x p (t )).

(6.14a)
(6.14b)

Assim,
~
f 23( x p (t ))

( x p (t ))a 231

( x p (t ))a 232

( x p (t ))a 231

( x p (t ))a 232 . (6.14c)

~
Usando os passos descritos acima para a funo f 24( x (t )) , tem-se:
~
f 24( x p (t ))

( x p (t ))a 241

( x p (t ))a 242

( x p (t ))a 241

( x p (t ))a 242 . (6.14d)

Substituindo (6.14c)-(6.14d) em (6.6) pode-se obter uma representao exata


do sistema (6.2) (6.5) com os modelos fuzzy TS:
4

x p (t )

4
i

( x p (t )) Ai x p (t )

i 1

( x p (t ))Bi u (t ) ,

i 1

sendo
0 1

0 0 a 23i

Ai

com i 1, 2, 3, 4 ; com

a 24i

0 0

0 0

0
0

; Bi

;
0
1

( x p (t )) dadas por (6.14a)-(6.14b). Portanto os modelos

locais so:

A1

A3

0 1
0 0

0
0
7.0073 1.4285

0 0
0 0
0 1
0 0
0 0
0 0

0
0
0
7.0073
0
0

1
0
0
1.4286
1
0

; A2

; A4

0 1
0 0
0 0
0 0
0 1
0 0
0 0
0 0

0
0
6.9275 1.4285
0
0
0
6.9275
0
0

1
0

0
1.4286
1
0

(6.14e)

(6.14e)

61
De uma maneira geral segundo este mtodo, se o sistema apresentar s funes
no-lineares, sero necessrios 2 s modelos locais para a sua representao exata
atravs de modelos TS.
4

x p (t )

( x p (t )) A i x p (t )

i 1

( x p (t ))B i u (t ),

(6.15)

i 1

sendo:
4

1 0 0 0 ;

[0,1] , i 1,...,4 ;
i ( x p (t ))

( x p (t )) 1 e u (t )

i 1

Observao 6.1:
(1) Em todos os modelos locais, as matrizes Ai , i 1,2,3,4 (equao (6.14e))
possuem a primeira coluna nula. Para obter essa condio, na construo do sistema
fuzzy TS generalizado do sistema bola-viga, as equaes (6.2)-(6.5), foram reescritas
como em (6.6) (Silva, 2005):
x1 (t )
x2 (t )

0 1

x3 (t )
x4 (t )

0 0
0 0

0 0

0
senx3 (t )
x3 (t )
0
0

0
x1 (t ) x4 (t )

x1 (t )
x2 (t )

1
0

x3 (t )
x4 (t )

0
0
u (t )
0
1

e no como:
x1 (t )
x2 (t )
x3 (t )
x4 (t )

x4 (t ) 0
0
0

0
0

0
senx3 (t )
x3 (t )
0
0

0
0

x1 (t )
x2 (t )

1
0

x3 (t )
x4 (t )

0
0
u (t ) .
0
1

Portanto, durante a modelagem pode-se escolher a realizao fuzzy adequada.


A seguir ser mostrado que se no exemplo anterior existirem incertezas do tipo
politpicas nos parmetros da planta, a metodologia proposta anteriormente tambm
se aplica.

6.1. O Controle de um Sistema Incerto


Considere o sistema bola-viga como mostrado na Figura 6.1.

62
A dinmica do sistema (Wang, 1997, pg.217) pode ser descrita como sendo:

r (t )

r (t )

(t )

u (t ),

(t )

sen( (t ))

0,

(6.16)

onde:

r (t ) : posio da bola,
(t ) : ngulo da viga,
u t : sinal de controle,

: parmetros constantes do sistema.

Suponha que os parmetros


seja,

[0.2,1.2] e

possuam incertezas do tipo politpicas, ou

[9.6,10.0]. Assim,
1

0 .2

1 9 .6

1 .2

2 10

(6.17a)

sendo:
1

0e

1,

0e

1.

(6.17b)

Supondo as variveis de estado do sistema como: x1 (t )


(t ) ; x 4 (t )

x3 (t )

(t ) e a sada do sistema y (t )

r (t ); x 2 (t )

r (t ) ;

x1 (t ) , as equaes de estado do

sistema so descritas por:


x1 (t )

x2 (t )

(6.18)

x2 (t ) ,

x1 (t ) x4 (t )

(6.19)

sen ( x3 (t )) ,

x3 (t )

x4 (t ) ,

x4 (t )

u (t ) .

(6.20)
(6.21)

Supe-se que durante a operao:

x1 (t ) 1 ;

x 2 (t ) 1 ;

12

x3 (t )

12

x 4 (t )

2.

(6.21a)

63
A seguir, o sistema no-linear (6.18) (6.21) ser transformado na forma
generalizada do sistema fuzzy TS (Taniguchi et al., 2001) com incertezas do tipo
politpicas.
O sistema fuzzy TS generalizado pode ser construdo descrevendo (6.18)
(6.21) como mostrado abaixo:
x1 (t )
x2 (t )

0 1

x3 (t )
x4 (t )

0 0
0 0

0 0

0
sen( x3 (t ))
x3 (t )
0
0

0
x1 (t ) x4 (t )

x1 (t )
x2 (t )

1
0

x3 (t )
x4 (t )

0
0
u (t )
0
1

(6.22)

A representao das incertezas dos parmetros do sistema na forma politpica


supe que a estrutura do sistema incerto varia de acordo com uma combinao
convexa dos dois sistemas vrtices que delimitam o politopo, ou seja, de (6.17a)
(6.17b) pode-se representar a equao (6.22) como:

0 1

x1 (t )
x2 (t )
x3 (t )
x4 (t )

0 0
1

0 0
0 0
0 1
0 0

0 0
0 0
0 1
0 0

0 0
0 0
0 1
0 0

com

0 0
0 0

0
0.2 9.6 sen( x3 (t ))
x3 (t )
0
0
0
0.2 10 sen( x3 (t ))
x3 (t )
0
0

x1 (t )

0.2 x1 (t ) x4 (t )
0

x2 (t )
x3 (t )
x4 (t )

x1 (t )

0.2 x1 (t ) x4 (t )

x2 (t )
x3 (t )
x4 (t )

1
0

0
0
1.2 9.6 sen( x3 (t ))
1.2 x1 (t ) x4 (t )
x3 (t )
0
1
0
0

x1 (t )
x2 (t )
x3 (t )

0
0
1.2 10 sen( x3 (t ))
1.2 x1 (t ) x4 (t )
x3 (t )
0
1
0
0

x1 (t )
x2 (t )

x4 (t )

x3 (t )
x4 (t )

0
0
u (t )
0
1
0
0
0
1
0
0
0
1

u (t )

(6.23)

u (t )

0
0
u (t )
0
1

64

0e

1,

0e

1.

Assim, o sistema dinmico no-linear (6.23) com incertezas do tipo politpica


pode ser descrito por:
2

x p (t )

A mn (x p (t ))x p (t ) B mnu (t ) ,

m 1 n 1

sendo
x p (t )

0 1
A mn

0 0
0 0
0 0

x1 (t ) x 2 (t ) x3 (t ) x 4 (t ) ;

0
sen
( x3 (t ))
n
x3 (t )
0
0

0
x (t ) x4 (t )

m 1

1
0

m 1,2;
n 1,2;

0.2;

1.2;

9.6;

10.0.

Para cada sistema vrtice correspondente a A mn (m 1,2; n 1,2) , ser


utilizado o mtodo proposto por Taniguchi et al., (2001) para a obteno dos modelos
lineares locais. As funes que contm as no-linearidades de cada sistema vrtice
so:

~
f 2311 (x p (t ))
~
f 2312 (x p (t ))

~
f 2321 (x p (t ))
~
f 2322 (x p (t ))

0.2 9.6 sen ( x3 (t )) ~


; f 2411 (x p (t ))
x3 (t )
0.2 10 sen ( x3 (t )) ~
; f 2412 (x p (t ))
x3 (t )

0.2 x1 (t ) x4 (t ) .

(6.24a)

~
f 2411 (x p (t )) .

(6.24b)

1.2 9.6 sen ( x3 (t )) ~


; f 2421 (x p (t )) 1.2 x1 (t ) x4 (t ) .
x3 (t )
1.2 10 sen ( x3 (t )) ~
; f 2422 (x p (t ))
x3 (t )

~
f 2421 (x p (t )) .

(6.24c)

(6.24d)

Para obter a forma generalizada, obtiveram-se os valores mximos e mnimos


destas funes no conjunto considerado em (6.21a):

65

a23111
a23112
a24111
a24112

~
mx{ f 2311 (x p (t )}
x (t )
~
mn{ f 2311 (x p (t )}
x (t )
~
mx{ f 2411 (x p (t )}
x (t )
~
mn{ f 2411 (x p (t )}
x (t )

1.8981;
1.9200;

0.4000.

a23122

~
mx{ f 2312 (x(t )}
x (t )
~
mn{ f 2312 (x(t )}

a24121

a24111

0.4000 ;

a24122

a24112

0.4000.

a23121

a23211
a23212
a24211
a24212

x (t )

~
mx{ f 2321 (x p (t )}
x (t )
~
mn{ f 2321 (x p (t )}
x (t )
~
mx{ f 2421 (x p (t )}
x (t )
~
mn{ f 2421 (x p (t )}
x (t )

1.9772;
2.0000;

11.5200;

(6.25c)

2.4000;
2.4000;

a23222
a24221

a24211

2.4000 ;

a24222

a24212

2.4000.

x (t )

(6.25b)

11.3889;

~
mx{ f 232 (x(t )}
x (t )
~
mn{ f 232 (x(t )}

a23221

(6.25a)

0.4000;

11.8634;
12.0000;

Usando os passos descritos nas equaes (6.12)

(6.25d)

(6.14d) obtm-se:

~
f 2311 (x p (t ))

(x p (t ))a23111

(x p (t ))a23112

(x p (t ))a23111

(x p (t ))a23112

~
f 2411 (x p (t ))

(x p (t ))a24111

(x p (t ))a24112

(x p (t ))a24111

(x p (t ))a24112

~
f 2312 (x p (t ))

(x p (t ))a23121

(x p (t ))a23122

(x p (t ))a23121

(x p (t ))a23122

~
f 2412 (x p (t ))

(x p (t ))a24121

(x p (t ))a24122

(x p (t ))a24121

(x p (t ))a24122

~
f 2321 (x p (t ))

(x p (t ))a23211

(x p (t ))a23212

(x p (t ))a23211

(x p (t ))a23212

~
f 2421 (x p (t ))

(x p (t ))a24211

(x p (t ))a24212

(x p (t ))a24211

(x p (t ))a24212

~
f 2322 (x p (t ))

(x p (t ))a23221

(x p (t ))a23222

(x p (t ))a23221

(x p (t ))a23222

~
f 2422 (x p (t ))

(x p (t ))a24221

(x p (t ))a24222

(x p (t ))a24221

(x p (t ))a24222

66
sendo as funes de pertinncia
(6.14a)

( x p (t )) , i 1,2,3,4 dadas pelas equaes (6.12) e

(6.14b).
Os modelos locais para o primeiro sistema vrtice so:
0 1
0
0 0 a2311 p

A1 pq

0 0
0 0

0
a2411q

0
0

1
0

; B1 pq

0
0
0
1

(6.26)

para o segundo:
0 1
0
0 0 a2312 p

A 2 pq

0 0
0 0

0
a2412 q

0
0

1
0

; B 2 pq

0
0
0
1

(6.27)

para o terceiro:
0 1
0
0 0 a2321 p

A 3 pq

0 0
0 0

0
a2421q

0
0

1
0

; B 3 pq

0
0

(6.28)

0
1

e para o quarto:
0 1
0
0 0 a2322 p

A 4 pq

0 0
0 0

0
a2422 q

0
0

Desta forma, das equaes (6.25)

A111

0 1
0 0
0 0
0 0

0
0
1.8981 0.4
0
0

1
0

; A112

1
0

; B 4 pq

0
0
0
1

(6.29)

(6.29) resultam:
0 1
0 0
0 0
0 0

0
1.98981
0
0

0
0.4
1
0

(6.30a)

67

0 1
0 0

A121

0 0

0 0

0 0
0 0

0
0

0 1
0 0
0 0
0 0
0 1
0 0
0 0
0 0

A 421

B ipq

1
0
0
0
2 .0 0 .4

0 0
0 0

A 321

0
0

0 1
0 0

0 1
0 0

A 411

0
0
1.9772 0.4

0 0
0 0

A 221

1.92 0.4

0 1
0 0

A 211

A 311

0 1
0 0
0 0
0 0

1
0

0
0
11.3889 2.4
0
0

1
0

0
0
11.52 2.4
0
0

1
0

0
0
11.8634 2.4
0
0

1
0

0
0
12.0 2.4
0
0

0 0 0 1

1
0
T

; A122

; A 212

; A 222

; A 312

; A 322

; A 412

; A 422

0 1

0 0

1.92

0 .4

0 0

0 0

0 1
0 0

0
1.9772

0
0.4

0 0
0 0

0
0

0 1
0 0

0
2.0

0
0.4

0 0
0 0

0
0

1
0

0 1
0 0

0
11.3889

0 0
0 0

0
0

0 1
0 0

0
11.52

0 0
0 0
0 1
0 0

1
0
0
2.4

0 1
0 0

0
12.0
0
0

0
2.4
1
0
0
2.4
1
0

para i 1, 2, 3, 4 , p 1, 2 e q 1, 2 .

(6.30e)

(6.30f)

1
0

0
0

0 0
0 0

(6.30d)

0
2.4

0
11.8634

(6.30c)

1
0

0
0

0 0
0 0

(6.30b)

(6.30g)

(6.30h)

(6.31)

Ento, um modelo fuzzy TS com incertezas do tipo politpicas para o sistema


(6.23) pode ser representado por:

68

x p (t )

sendo:
pelas

i
m 1 n 1

i 1

0;

0;

(x p (t ))

1;

(6.32)

A imn x p (t ) B imnu (t ) ,

equaes (6.12), (6.13) e (6.14a)

( x p (t )) , i 1,2,3,4 descritas

(6.14b); as matrizes A imn e B imn ,

i 1,2,3,4 ; m 1,2 e n 1,2 dadas pelas

equaes (6.30a)

(6.30h) e (6.31)

respectivamente.
Definindo

imn

(x p (t ))
2

(x p (t ))

, tem-se de (6.32):

x p (t )

imn

(x p (t )) A imn x p (t ) B imnu (t ) ,

imn

(x p (t )) 1 .

(6.33)

m 1 n 1 i 1
2

com

imn ( x p (t ))

0 e
m 1 n 1 i 1

Assim podemos considerar o sistema dependente de fuzzy TS e das condies


iniciais da planta sendo representado pela forma A ,
parmetros incertos sejam representados somente por

, considerando que os

para simplificao.

6.2. Restrio na Entrada


Atravs dos casos apresentados no Captulo 4, dada uma taxa de decaimento,
foi feito a busca dos valores timos da restrio na entrada dada pelas LMIs (4.7) e
(4.8) para cada caso. Para isso, foi utilizado o MATLAB com o toolbox LMI Control.
Simultaneamente encontrou-se as matrizes de ganho para cada caso.
As Tabelas abaixo apresentam os valores timos das restries na entrada para
cada caso e o erro entre a restrio na entrada devido as matrizes X, positiva definida,
que no dependem das condies iniciais da planta e das matrizes X que dependem
das condies iniciais da planta.
Na Tabela 6.1, foram utilizadas as equaes (4.22), (4.23), (4.33) e (4.34),
sendo a planta descrita por modelos fuzzy TS, o ganho K nico, a matriz X, positiva
definida, nica e tambm dependente do politopo das condies iniciais dado por:
x0

x1 0

x2 0

x3 0

x4 0

(6.34)

69

x01i

-1;

x01s

1;

x03i

0.1745; 10

x03s

0.2618; 15

(6.35)

x01 0

x01i

0 x03i

(6.36a)

x02 0

x01i

0 x03 s

(6.36b)

x03 0

x01s

0 x03i

(6.36c)

x04 0

x01s

0 x03 s

(6.36d)

Assim tem-se:
Tabela 6.1.

Comparao entre os sistemas A i KX e A i KX k .

Ai K X

Ai K Xk

SCI

Erro(%)

CCI

100

SCI

= 2.0
= 10.0
onde

=1.4125
=3.5848

a taxa de decaimento e

a restrio na entrada.

A matriz de ganho para o caso A i KX com

e com

= 2.0 :

0.6181

1.4167 10.6471 3.8377 ,

0.6928

1.5835 11.7523 4.1439 .

= 10.0:

J para A i KX k com

e com

13.90 %
14.76 %

=1.2162
=3.0558

= 2.0 tem-se:

0.7670

1.6454 11.5715 3.6160 ,

0.7289

1.5595 11.0522 3.4888 .

= 10.0:

Na Tabela 6.2 foi considerada a planta descrita por modelos fuzzy TS, o ganho
K descrito por modelos fuzzy TS, a matriz X, positiva definida, nica e tambm

70
dependente do politopo das condies iniciais, equaes (4.46), (4.47), (4.59) e
(4.60). Assim:
Tabela 6.2.

Comparao entre os sistemas A i K i X e A i K i X k .

Ai K i X

Ai K i Xk

SCI

Erro(%)

CCI

100

SCI

= 2.0
= 10.0

=1.4124
=3.5845

=1.2161
=3.0555

A matriz de ganho para o caso A i K i X com

e com

= 2.0 :

K1

0.3663

0.8487 7.3932 2.6783

K2

0.3661

0.8463 7.3765 2.6772

K3

0.5153

1.2320 8.4802 3.3107

K4

0.5171

1.2314 8.4748 3.3142

K1

0.4115

0.9535 8.0393 2.7755

K2

0.4114

0.9507 8.0218 2.7749

K3

0.5298

1.2709 8.8987 3.4410

K4

0.5299

1.2719 8.8821 3.4422

= 10.0:

J para A i K i X k com

e com

13.90 %
14.76 %

= 2.0 tem-se:

K1

0.3699

0.8496 7.4954 2.4602

K2

0.3695

0.8462 7.4760 2.4588

K3

0.5654

1.3650 8.9673 3.2168

K4

0.5661

1.3647 8.9524 3.2171

K1

0.3916

0.8971 7.7549 2.5017

K2

0.3911

0.8935 7.7341 2.5004

K3

0.5522

1.3331 8.8806 3.2080

K4

0.5530

1.3331 8.8671 3.2086

= 10.0:

Na Tabela 6.3 foi considerada a planta descrita por modelos fuzzy TS, o ganho
K dependente do politopo das condies iniciais, a matriz X, positiva definida, nica
e tambm dependente do politopo das condies iniciais, equaes (4.72), (4.73),
(4.85) e (4.86). Assim:

71
Tabela 6.3.

Comparao entre os sistemas A i K k X e A i K k X k .

Ai K k X

Ai K k Xk

SCI

Erro(%)

CCI

100

SCI

= 2.0
= 10.0

=1.4125
=3.5848

=1.2112
=3.0431

A matriz de ganho para o caso A i K k X com

e com

= 2.0 :

K1

0.6403

1.5656 12.2483 4.4891

K2

0.6403

1.5656 12.2483 4.4891

K3

0.6403

1.5656 12.2483 4.4891

K4

0.6403

1.5656 12.2483 4.4891

K1

0.6411

1.5463 12.0715 4.4717

K2

0.6411

1.5463 12.0715 4.4717

K3

0.6411

1.5463 12.0715 4.4717

K4

0.6411

1.5463 12.0715 4.4717

= 10.0:

J para A i K k X k com

e com

14.25 %
15.11 %

= 2.0 tem-se:

K1

0.7328

1.5632 11.1528 3.4917

K2

0.7329

1.5647 11.2073 3.4902

K3

0.7369

1.5716 11.3133 3.5055

K4

0.7476

1.6123 11.3640 3.5634

K1

0.7918

1.6854 11.8954 3.6724

K2

0.7885

1.6772 11.9093 3.6571

K3

0.7872

1.6743 11.9787 3.6627

K4

0.7886

1.6960 11.9295 3.6936

= 10.0:

Na Tabela 6.4 foi considerada a planta descrita por modelos fuzzy TS, o ganho
K descrita por modelos fuzzy TS e dependente do politopo das condies iniciais, a
matriz X, positiva definida, nica e tambm dependente do politopo das condies
iniciais, equaes (4.98), (4.99), (4.111) e (4.112). Assim:

72
Tabela 6.4.

Comparao entre os sistemas A i K ik X e A i K ik X k .

A i K ik X

A i K ik X k

SCI

Erro(%)

CCI
SCI

= 2.0
= 10.0

=1.4124
=3.5845

=1.2111
=3.0439

A matriz de ganho para o caso A i K ik X com

e com

14.25 %
15.11 %
= 2.0 :

K11

0.3500

0.8169 7.2885 2.6742

K 21

0.3498

0.8149 7.2722 2.6736

K 31

0.4755

1.1657 8.2485 3.3018

K 41
K 12

0.4761
0.3500

1.1657 8.2365 3.3025


0.8169 7.2885 2.6742

K 22

0.3498

0.8149 7.2722 2.6736

K 32

0.4755

1.1657 8.2485 3.3018

K 42
K13

0.4761
0.3500

1.1657 8.2365 3.3025


0.8169 7.2885 2.6742

K 23

0.3498

0.8149 7.2722 2.6736

K 33

0.4755

1.1657 8.2485 3.3018

K 43
K14

0.4761
0.3500

1.1657 8.2365 3.3025


0.8169 7.2885 2.6742

K 24

0.3498

0.8149 7.2722 2.6736

K 34

0.4755

1.1657 8.2485 3.3018

K 44

0.4761

1.1657 8.2365 3.3025

K11

0.3407

0.7912 7.1389 2.6395

K 21

0.3404

0.7893 7.1227 2.6388

K 31

0.4702

1.1512 8.1245 3.2588

K 41

0.4709

1.1513 8.1128 3.2595

K12

0.3407

0.7912 7.1389 2.6395

K 22

0.3404

0.7893 7.1227 2.6388

K 32

0.4702

1.1512 8.1245 3.2588

K 42

0.4709

1.1513 8.1128 3.2595

= 10.0:

100

73
K13

0.3407

0.7912 7.1389 2.6395

K 23

0.3404

0.7893 7.1227 2.6388

K 33

0.4702

1.1512 8.1245 3.2588

K 43

0.4709

1.1513 8.1128 3.2595

K14

0.3407

0.7912 7.1389 2.6395

K 24

0.3404

0.7893 7.1227 2.6388

K 34

0.4702

1.1512 8.1245 3.2588

K 44

0.4709

1.1513 8.1128 3.2595

J para A i K ik X k com

e com

= 2.0 tem-se:

K11

0.3711

0.8543 7.5065 2.4676

K 21

0.3707

0.8509 7.4872 2.4661

K 31

0.5672

1.3738 8.9869 3.2257

K 41

0.5679

1.3735 8.9722 3.2260

K12

0.3703

0.8515 7.4973 2.4641

K 22

0.3698

0.8480 7.4777 2.4627

K 32

0.5669

1.3705 8.9850 3.2247

K 42

0.5676

1.3702 8.9704 3.2250

K13

0.3700

0.8495 7.4919 2.4613

K 23

0.3695

0.8461 7.4722 2.4600

K 33

0.5661

1.3665 8.9759 3.2211

K 43

0.5668

1.3662 8.9611 3.2214

K14

0.3700

0.8491 7.4935 2.4591

K 24

0.3695

0.8458 7.4736 2.4578

K 34

0.5652

1.3624 8.9651 3.2162

K 44

0.5659

1.3619 8.9497 3.2164

K11

0.3979

0.9131 7.7819 2.5333

K 21

0.3973

0.9095 7.7616 2.5319

K 31

0.5644

1.3723 8.9792 3.2569

K 41

0.5652

1.3725 8.9660 3.2576

= 10.0:

74
K12

0.3964

0.9099 7.7837 2.5252

K 22

0.3958

0.9063 7.7632 2.5238

K 32

0.5593

1.3554 8.9425 3.2426

K 42

0.5602

1.3556 8.9294 3.2433

K13

0.3948

0.9060 7.7813 2.5162

K 23

0.3942

0.9024 7.7604 2.5150

K 33

0.5539

1.3383 8.8977 3.2269

K 43

0.5547

1.3382 8.8841 3.2275

K14

0.3931

0.9015 7.7739 2.5067

K 24

0.3626

0.8978 7.7527 2.5055

K 34

0.5484

1.3213 8.8474 3.2100

K 44

0.5492

1.3207 8.8327 3.2106

Comparando os sistemas para a planta descrita por modelos fuzzy TS, com o
ganho K nico e a matriz X nica e a planta descrita por modelos fuzzy TS com o
ganho descrito por modelos fuzzy TS e dependente do politopo das condies iniciais,
e a matriz X dependente do politopo das condies iniciais, tem-se a tabela 6.5:
Tabela 6.5.

Comparao entre os sistemas A i KX e A i K ik X k .

Ai K X

A i K ik X k

SCI

Erro(%)

CCI

100

SCI

= 2.0
= 10.0

=1.4125
=3.5848

16.62 %
17.77 %

=1.2111
=3.0439

Na Tabela 6.6 foi considerada a planta descrita por modelos fuzzy TS e


incertezas do tipo politpica, o ganho K nico, a matriz X, positiva definida, nica e
tambm dependente do politopo das condies iniciais, equaes (4.122), (4.123),
(4.133) e (4.134). Assim:
Tabela 6.6.

Comparao entre os sistemas A ij KX e A ij KX k .

A ij K X

A ij K X k

SCI

Erro(%)

CCI
SCI

= 2.0
= 10.0

=1.9404
=5.0402

=1.6140
=4.0650

A matriz de ganho para o caso A ij KX com


K

e com

= 10.0:

0.9906

16.82 %
19.35 %
= 2.0 :

6.3286 40.5946 9.2473 ,

100

75

0.9533

J para A ij KX k com

e com

6.0072 38.3240 8.8535 .

= 2.0 tem-se:

1.4576

7.7050 46.3208 9.3212 ,

1.3510

7.1607 43.0009 8.9080 .

= 10.0:

Na Tabela 6.7 foi considerada a planta descrita por modelos fuzzy TS e


incertezas do tipo politpica, o ganho K descrito por modelos fuzzy TS, a matriz X,
positiva definida, nica e tambm dependente do politopo das condies iniciais,
equaes (4.146), (4.147), (4.159) e (4.160). Assim:
Tabela 6.7.

Comparao entre os sistemas A ij K i X e A ij K i X k .

A ij K i X

A ij K i X k

SCI

Erro(%)

CCI
SCI

= 2.0
= 10.0

=1.9395
=5.0353

=1.6139
=4.0648

A matriz de ganho para o caso A ij K i X com

e com

16.79 %
19.27 %
= 2.0 :

K1

0.8125

4.6225 29.5824 7.4518

K2

0.8161

4.6463 29.7556 7.4450

K3

0.7406

4.2280 30.0636 7.2748

K4

0.7385

4.2188 30.1228 7.2411

K1

0.8697

4.9583 31.6520 7.8247

K2

0.8738

4.9848 31.8435 7.8205

K3

0.7900

4.5184 31.9027 7.6103

K4

0.7885

4.5122 31.9499 7.5755

= 10.0:

J para A ij K i X k com

= 2.0 tem-se:

100

76

e com

K1

0.8932

4.6329 28.7964 6.9762

K2

0.8975

4.6598 28.9776 6.9545

K3

0.8359

4.3459 29.9228 6.9208

K4

0.8353

4.3455 30.0661 6.9041

K1

0.8982

4.6323 28.6456 6.9563

K2

0.9022

4.6580 28.8192 6.9353

K3

0.8367

4.3255 29.6799 6.8950

K4

0.8357

4.3233 29.8141 6.8781

= 10.0:

Na Tabela 6.8 foi considerada a planta descrita por modelos fuzzy TS e


incertezas do tipo politpica, o ganho K dependente do politopo das condies
iniciais, a matriz X, positiva definida, nica e tambm dependente do politopo das
condies iniciais, equaes (4.172), (4.173), (4.185) e (4.186). Assim:
Tabela 6.8.

Comparao entre os sistemas A ij K k X e A ij K k X k .

A ij K k X

A ij K k X k

SCI

Erro(%)

CCI
SCI

= 2.0
= 10.0

=1.9404
=5.0402

A matriz de ganho para o caso A ij K k X com

e com

17.24 %
19.76 %

=1.6058
=4.0441

= 2.0 :

K1

0.9221

7.0545 45.9839 10.4020

K2

0.9221

7.0545 45.9839 10.4020

K3

0.9221

7.0545 45.9839 10.4020

K4

0.9221

7.0545 45.9839 10.4020

= 10.0:
K1

0.9779

7.5045 48.8293 10.9084

K2

0.9779

7.5045 48.8293 10.9084

K3

0.9779

7.5045 48.8293 10.9084

K4

0.9779

7.5045 48.8293 10.9084 .

J para A ij K k X k com

= 2.0 tem-se:

100

77

e com

K1

1.4946

7.8618 46.9249 9.5972

K2

1.5028

7.9006 47.1659 9.6413

K3

1.4786

7.7760 46.4179 9.5008

K4

1.4497

7.6282 45.5065 9.3232

K1

1.4258

7.5074 44.3037 9.2658

K2

1.4280

7.5142 44.3688 9.2691

K3

1.4234

7.4888 44.2525 9.2538

K4

1.4054

7.4006 43.7313 9.1872

= 10.0:

Na Tabela 6.9 foi considerada a planta descrita por modelos fuzzy TS e


incertezas do tipo politpica, o ganho K descrito por modelos fuzzy TS e dependente
do politopo das condies iniciais, a matriz X, positiva definida, nica e tambm
dependente do politopo das condies iniciais, equaes (4.198), (4.199), (4.211) e
(4.212). Assim:
Tabela 6.9.

Comparao entre os sistemas A ij K ik X e A ij K ik X k .

A ij K ik X

A ij K ik X k

SCI

Erro(%)

CCI
SCI

= 2.0
= 10.0

=1.9395
=5.0353

=1.6058
=4.0440

A matriz de ganho para o caso A ij K ik X com

17.20 %
19.69 %
= 2.0 :

K11

0.7702

4.5584 29.3492 7.5022

K 21

0.7718

4.5701 29.4520 7.4914

K 31

0.6974

4.1436 29.7338 7.3543

K 41

0.6961

4.1379 29.8450 7.3362

K12

0.7702

4.5584 29.3492 7.5022

K 22

0.7718

4.5701 29.4520 7.4914

K 32

0.6974

4.1436 29.7338 7.3543

K 42

0.6961

4.1379 29.8450 7.3362

K13

0.7702

4.5584 29.3492 7.5022

K 23

0.7718

4.5701 29.4520 7.4914

K 33

0.6974

4.1436 29.7338 7.3543

K 43

0.6961

4.1379 29.8450 7.3362

100

78

e com

K14

0.7702

4.5584 29.3492 7.5022

K 24

0.7718

4.5701 29.4520 7.4914

K 34

0.6974

4.1436 29.7338 7.3543

K 44

0.6961

4.1379 29.8450 7.3362

K11

0.7804

4.5761 29.2341 7.5052

K 21

0.7819

4.5874 29.3336 7.4955

K 31

0.7063

4.1589 29.6469 7.3753

K 41

0.7048

4.1522 29.7543 7.3576

K12

0.7804

4.5761 29.2341 7.5052

K 22

0.7819

4.5874 29.3336 7.4955

K 32

0.7063

4.1589 29.6469 7.3753

K 42

0.7048

4.1522 29.7543 7.3576

K13

0.7804

4.5761 29.2341 7.5052

K 23

0.7819

4.5874 29.3336 7.4955

K 33

0.7063

4.1589 29.6469 7.3753

K 43

0.7048

4.1522 29.7543 7.3576

K14

0.7804

4.5761 29.2341 7.5052

K 24

0.7819

4.5874 29.3336 7.4955

K 34

0.7063

4.1589 29.6469 7.3753

K 44

0.7048

4.1522 29.7543 7.3576

= 10.0:

J para A ij K ik X k com

= 2.0 tem-se:

K11

0.8957

4.6663 29.0573 7.0438

K 21

0.9002

4.6948 29.2492 7.0242

K 31

0.8465

4.4199 30.4393 7.0370

K 41

0.8457

4.4185 30.5790 7.0206

K12

0.8939

4.6526 28.9856 7.0356

K 22

0.8985

4.6819 29.1817 7.0156

K 32

0.8457

4.4125 30.4010 7.0243

K 42

0.8451

4.4119 30.5441 7.0077

79

e com

K13

0.8902

4.6302 28.8583 7.0118

K 23

0.8950

4.6605 29.0595 6.9918

K 33

0.8430

4.3953 30.3012 6.9986

K 43

0.8424

4.3954 30.4475 6.9817

K14

0.8857

4.6030 28.7033 6.9792

K 24

0.8906

4.6340 28.9086 6.9595

K 34

0.8386

4.3697 30.1475 6.9613

K 44

0.8381

4.3705 30.2967 6.9442

K11

0.9047

4.6913 29.0858 7.0488

K 21

0.9092

4.7192 29.2739 7.0302

K 31

0.8516

4.4265 30.3792 7.0345

K 41

0.8507

4.4239 30.5131 7.0179

K12

0.9038

4.6831 29.0455 7.0471

K 22

0.9084

4.7116 29.2369 7.0281

K 32

0.8517

4.4237 30.3687 7.0283

K 42

0.8508

4.4217 30.5046 7.0115

K13

0.9007

4.6646 28.9402 7.0276

K 23

0.9055

4.6940 29.1364 7.0086

K 33

0.8496

4.4103 30.2918 7.0083

K 43

0.8487

4.4087 30.4299 6.9914

K14

0.8964

4.6393 28.7948 6.9966

K 24

0.9013

4.6696 28.9958 6.9779

K 34

0.8456

4.3876 30.1560 6.9757

K 44

0.8448

4.3865 30.2962 6.9586

= 10.0:

Comparando os sistemas para a planta descrita por modelos fuzzy TS, com o
ganho K nico e a matriz X nica e a planta descrita por modelos fuzzy TS com o
ganho descrito por modelos fuzzy TS e incertezas politpicas, e a matriz X dependente
do politopo das condies iniciais, tem-se a tabela 6.10:
Tabela 6.10.

Comparao entre os sistemas A ij KX e A ij K ik X k .

A ij K X

A ij K ik X k

Erro(%)

SCI

CCI
SCI

= 2.0
= 10.0

=1.9404
=5.0402

=1.6058
=4.0440

17.24 %
19.77 %

100

80
As Figuras 6.2 - 6.17 mostra a resposta do sistema em funo do tempo para
as LMIs mostradas no Captulo 4 considerando a minimizao na restrio de entrada
no projeto do controlador. Foram testadas todas as combinaes considerando a planta
A descrita por modelos fuzzy TS e do politopo apresentado; os ganhos descritos por
modelos fuzzy TS e das condies iniciais x 0 ; e por fim da matriz X positiva
definida nica e dependente das condies iniciais. Nas simulaes a taxa de
T

10 ), e a condio inicial x 0

decaimento foi igual a 10 (

De (6.35), (6.36a)-(6.36d), x 0

0.5 0 0.1745 0 .

0.5 0 0.1745 0

e da anlise efetuada

na Seo 4.3, ento:

~
x10

0.5

1i

1s

1,

1i

0.25 e

1s

0.75 .

2s

1,

1s

0,1 .

1,

1i

1s

Logo,
0 .5

1i

1i

1i

Analogamente,

~
x20

0.1745

2i

0.1745

2s

0.2618 ,

2i

2i

0,1 .

2s

Logo,
2i

1e

0.

2s

Da anlise acima e (6.35), (6.36a)-(6.36d), observa-se que:

x0

0.5 0 0.1745 0
2i

1i

2i

1s

x01i
x01s

1 01

2 02

k ok
k 1

sendo que:

0 x03i
0 x03i
x

3 03

T
2s

1i

x01i

4 04

2s

1s

x01s

0 x03 s
0 x03 s

T
T

0 ,

81

1i

1 0.25

0.25

2i

2s

1i

0 0.25

2i

1s

1 0.75

0.75

2s

1s

0 0.75

Figura 6.2. Simulao do sistema bola-viga para AiKX.

Pode-se observar pela simulao acima que a modelagem satisfaz o intervalo


de operao para a dinmica do sistema, sendo o intervalo de operao apresentado
em (6.21a). Outro fato relevante ao trabalho que a entrada do sistema satisfez a
restrio de entrada dada por ||u(t)||2

, sendo

= 3.5848.

Figura 6.3. Simulao do sistema bola-viga para AiKXk.

82
Neste caso tambm possvel observar pela simulao, Figura 6.3, que a
modelagem satisfez o intervalo de operao para a dinmica do sistema, sendo o
intervalo de operao apresentado em (6.21a). A entrada do sistema tambm satisfez a
restrio de entrada dada por ||u(t)||2

, sendo

= 3.0558.

Figura 6.4. Simulao do sistema bola-viga para AiKiX.

Neste caso tambm possvel observar pela simulao, Figura 6.4, que a
modelagem satisfez o intervalo de operao para a dinmica do sistema, sendo o
intervalo de operao apresentado em (6.21a). A entrada do sistema tambm satisfez a
restrio de entrada dada por ||u(t)||2

, sendo

= 3.5845.

Figura 6.5. Simulao do sistema bola-viga para AiKiXk.

83
Neste caso tambm possvel observar pela simulao, Figura 6.5, que a
modelagem satisfez o intervalo de operao para a dinmica do sistema, sendo o
intervalo de operao apresentado em (6.21a). A entrada do sistema tambm satisfez a
restrio de entrada dada por ||u(t)||2

, sendo

= 3.0555.

Figura 6.6. Simulao do sistema bola-viga para AiKkX.

Neste caso tambm possvel observar pela simulao, Figura 6.6, que a
modelagem satisfez o intervalo de operao para a dinmica do sistema, sendo o
intervalo de operao apresentado em (6.21a). A entrada do sistema tambm satisfez a
restrio de entrada dada por ||u(t)||2

, sendo

= 3.5848.

Figura 6.7. Simulao do sistema bola-viga para AiKkXk.

84
Neste caso tambm possvel observar pela simulao, Figura 6.7, que a
modelagem satisfez o intervalo de operao para a dinmica do sistema, sendo o
intervalo de operao apresentado em (6.21a). A entrada do sistema tambm satisfez a
restrio de entrada dada por ||u(t)||2

, sendo

= 3.0431.

Figura 6.8. Simulao do sistema bola-viga para AiKikX.

Neste caso tambm possvel observar pela simulao, Figura 6.8, que a
modelagem satisfez o intervalo de operao para a dinmica do sistema, sendo o
intervalo de operao apresentado em (6.21a). A entrada do sistema tambm satisfez a
restrio de entrada dada por ||u(t)||2

, sendo

= 3.5845.

Figura 6.9. Simulao do sistema bola-viga para AiKikXk.

85
Neste caso tambm possvel observar pela simulao, Figura 6.9, que a
modelagem satisfez o intervalo de operao para a dinmica do sistema, sendo o
intervalo de operao apresentado em (6.21a). A entrada do sistema tambm satisfez a
restrio de entrada dada por ||u(t)||2

, sendo

= 3.0439.

Figura 6.10. Simulao do sistema bola-viga para AijKX.

Nos casos onde a planta descrita por modelos fuzzy TS e incertezas do tipo
politpica observa-se pela simulao, figura 6.10, que a modelagem satisfez o
intervalo de operao para a dinmica do sistema, sendo o intervalo de operao
apresentado em (6.21a). A entrada do sistema tambm satisfez a restrio de entrada
dada por ||u(t)||2

, sendo

= 5.0402. Devido a resposta do sistema ser rpida e para

manter a mesma escala dos grficos, foi feito a simulao diminuindo o tempo de
anlise, mostrada no interior de grfico da dinmica do sistema.
No caso de simulao mostrada a seguir, Figura 6.11, nota-se que a
modelagem satisfez o intervalo de operao para a dinmica do sistema, sendo o
intervalo de operao apresentado em (6.21a). A entrada do sistema tambm satisfez a
restrio de entrada dada por ||u(t)||2

, sendo

= 4.0650.

86

Figura 6.11. Simulao do sistema bola-viga para AijKXk.

No caso de simulao mostrada a seguir, Figura 6.12, nota-se que a


modelagem satisfez o intervalo de operao para a dinmica do sistema, sendo o
intervalo de operao apresentado em (6.21a). A entrada do sistema tambm satisfez a
restrio de entrada dada por ||u(t)||2

, sendo

= 5.0353.

Figura 6.12. Simulao do sistema bola-viga para AijKiX.

No caso de simulao mostrada a seguir, Figura 6.13, nota-se que a


modelagem satisfez o intervalo de operao para a dinmica do sistema, sendo o
intervalo de operao apresentado em (6.21a). A entrada do sistema tambm satisfez a
restrio de entrada dada por ||u(t)||2

, sendo

= 4.0648.

87

Figura 6.13. Simulao do sistema bola-viga para AijKiXk.

No caso de simulao mostrada a seguir, Figura 6.14, nota-se que a


modelagem satisfez o intervalo de operao para a dinmica do sistema, sendo o
intervalo de operao apresentado em (6.21a). A entrada do sistema tambm satisfez a
restrio de entrada dada por ||u(t)||2

, sendo

= 5.0402.

Figura 6.14. Simulao do sistema bola-viga para AijKkX.

No caso de simulao mostrada a seguir, Figura 6.15, nota-se que a


modelagem satisfez o intervalo de operao para a dinmica do sistema, sendo o
intervalo de operao apresentado em (6.21a). A entrada do sistema tambm satisfez a
restrio de entrada dada por ||u(t)||2

, sendo

= 4.0441.

88

Figura 6.15. Simulao do sistema bola-viga para AijKkXk.

No caso de simulao mostrada a seguir, Figura 6.16, nota-se que a


modelagem satisfez o intervalo de operao para a dinmica do sistema, sendo o
intervalo de operao apresentado em (6.21a). A entrada do sistema tambm satisfez a
restrio de entrada dada por ||u(t)||2

, sendo

= 5.0353.

Figura 6.16. Simulao do sistema bola-viga para AijKikX.

Na ltima simulao mostrada a seguir, Figura 6.17, nota-se que a modelagem


satisfez o intervalo de operao para a dinmica do sistema, sendo o intervalo de
operao apresentado em (6.21a). A entrada do sistema tambm satisfez a restrio de
entrada dada por ||u(t)||2

, sendo

= 4.0440.

89

Figura 6.17. Simulao do sistema bola-viga para AijKikXk.

Atravs das tabelas e das simulaes nota-se que para a planta descrita
somente por modelos fuzzy TS, a flexibilizao dos ganhos e da matriz X retornou
para a restrio de entrada valores melhores ou pelo menos iguais de . O mesmo
ocorre quando a planta descrita por modelos fuzzy TS com incertezas politpicas.

90

7. Concluses e Perspectivas
7.1. Concluses
Explorou-se o conhecimento das condies iniciais da planta, consideradas em
um politopo conhecido, no projeto de reguladores para plantas no-lineares descritas
por modelos fuzzy Takagi-Sugeno.
Foram propostos mtodos de anlise utilizando funes de Lyapunov do tipo
V xt

xT t X 1 x t , sendo X dependente das condies iniciais da planta. Os

ganhos do controlador tambm foram projetados em funo das condies iniciais da


planta.
O mtodo proposto baseado em LMIs, que permite a existncia de incertezas
politpicas na planta, a especificao da taxa de decaimento e restries na entrada e
sada.
A anlise comparativa dos resultados realizada teve por objetivo verificar a
possibilidade de aumentar o grau de liberdade para as LMIs de estabilidade
quadrtica, taxa de decaimento, restries na entrada e sada (Ogata, 1997), para
sistemas incertos.
Nota-se que o aumento da ordem da matriz A associada a um grande nmero
de incertezas, quanto ao controlador K associado a fuzzy TS, s condies iniciais x(0)
e tambm a X associada as condies iniciais, pode gerar um nmero muito grande de
combinaes e com isto, um esforo computacional excessivo. Entretanto, este fato
no limita o projeto dos controladores K.
A flexibilizao da matriz X para X( ), dependente das condies iniciais,
bem como a flexibilizao do controlador K descrito por modelos fuzzy TS por K( )
e K( , ), propostas deste trabalho, adicionaram ao critrio de estabilidade mais
liberdade no sentido de atender o conjunto de todas as restries impostas ao sistema.
Um fato observado foi que quando se tem a flexibilizao do ganho do controlador
descrito por modelos fuzzy TS comparado com o ganho do controlador sem ser
descrito por modelos fuzzy TS, no obtida grande reduo dos nveis da restrio de
entrada. Foi observado nas simulaes que o ganho no desempenho do sistema ocorre
quando se flexibiliza a matriz X considerando-se as condies iniciais da planta. Com

91
isto, os nveis da restrio de entrada, foram reduzidos, chegando ao pior caso a
valores de at 14%, como mostra as Tabelas da Seo 6.2.
Tabela 7.1.

Comparao entre os sistemas A i KX e A i KX k .

Ai K X

Ai K Xk

Erro(%)

SCI

CCI

100

SCI

= 2.0
= 10.0

=1.4125
=3.5848

Tabela 7.2.

13.90 %
14.76 %

=1.2162
=3.0558

Comparao entre os sistemas A i K i X e A i K i X k .

Ai K i X

A i K i Xk

Erro(%)

SCI

CCI

100

SCI

= 2.0
= 10.0

=1.4124
=3.5845

=1.2161
=3.0555

13.90 %
14.76 %

Pela comparao entre as Tabelas 7.1 e 7.2, nota-se que o controlador descrito
por modelos fuzzy TS o controlador K nico no retorna resultados relevantes com
relao ao ndice de desempenho da restrio de entrada. Porm, para o caso que se
tem a matriz X flexibilizada tem-se a melhora na restrio da entrada.
Esse fato foi observado em todas as tabelas apresentadas na Seo 6.2. Ento,
a flexibilizao da matriz X retorna mais benefcios do que quando se descreve o
controlador por modelos fuzzy TS e dependente das condies iniciais.
Quando a planta foi descrita por modelos fuzzy TS e considerando tambm
incertezas do tipo politpicas na planta, observou-se que o mesmo ocorreu quando se
teve a flexibilizao da matriz X.

7.2. Perspectivas
A anlise foi feita somente para sistemas contnuos e bons resultados foram
constatados a favor da flexibilizao da matriz X e do controlador K considerando a
taxa de decaimento e a restrio na entrada. Portanto, como perspectivas futuras, temse a adio de novas restries, como por exemplo, restrio do sinal de sada,
restrio de ndice de desempenho baseada na norma H , alm da possibilidade de
confrontar a estabilidade quadrtica com a estabilidade projetiva (Apkarian et al.,
2001). H ainda a possibilidade do desenvolvimento do estudo para o caso discreto.

92

8. Referncia Bibliogrfica
Apkarian, P.; Tuan, H. D. e Bernussou, J.,

Continuous-Time Analysis,

Eigenstructure Assignment, and H2 Synthesis with Enhanced Linear Matrix


Inequalities(LMI) Characterization , IEEE Transactions on Automatic Control,
v. 46, n. 12, pp. 1941-1946, 2001.
Barmish, B. R., Necessary and Sufficient Conditions for Quadratic Stabilizability of
an Uncertain System , Journal of Optimization Theory and Application, v. 46, n.
4, pp. 399-408, 1985.
Bell, D. J., Mathematics of Linear and Nonlinear Systems, New York: Oxford
University Press Inc.,pp. 1-14,1990.
Boyd, S., El Ghaoui, L., Feron, E. and Balakrishnan, V. (1994). Linear Matrix
Inequalities in Systems and Control Theory, SIAM Studies in Applied
Mathematics, USA.
Campello, R. J. G. B. (2002). Arquiteturas e metodologia para modelagem e controle
de sistemas complexos utilizando ferramentas clssicas e modernas, Faculdade
de Engenharia Eltrica e de Computao de Campinas

UNICAMP, Campinas

SP. Tese de Doutorado.


Cao, S. G., Rees, N. W. and Feng, G. (1996). Quadratic stability analysis and design
of continuous-time fuzzy control system, International Journal of System Science
27(2): 193-203.
Chen, B. S., Tseng, C. S. and Uang, H. J. (1999). Robustness design of nonlinear
dynamic system via fuzzy linear control, IEEE Transactions on Fuzzy Systems
7(5): 571-585.
Covacic, M.R. (2006). Sntese de sistemas ERP baseada em LMIs e controle com
estrutura varivel, Faculdade de Engenharia de Ilha Solteira

UNESP, Ilha

Solteira SP. Tese de Doutorado.


Daruichi, E.R.M. (2003). Modelagem e Controle de Sistemas Fuzzy Takagi-Sugeno,
Faculdade de Engenharia de Ilha Solteira
Doutorado.

UNESP, Ilha Solteira

SP. Tese de

93
Feng, G., Cao, S. G., Rees, N. W. and Chak, C. K. (1997), Design of fuzzy control
systems with guaranteed stability, Fuzzy Sets and Systems 85: 1-10.
Friedland, B. (1996). Advanced Control Systems Design, Prentice-Hall, New Jersey
USA.
Ioannou, P. and Sun, J. (1996). Robust adaptive control, Prentice-Hall PTR, Upper
Saddle River, New Jersey

USA.

Kim, E. and Lee, H. (2000). New approaches to relaxed quadratic stability condition
of fuzzy control systems, IEEE Transactions on Fuzzy Systems 8(5): 523-534.
Kosko, B. (1997). Fuzzy engineering, Upper Saddle River, New Jersey 07458:
Prentice-Hall, USA.
Leith, D. and Leithead, W. E. (1999). Analytic framework for blended multiple model
systems using local linear models, International Journal Control 72: 605-619.
Mandani, E.H. (1974). Application of Fuzzy Algorithms for Control of Simple
Dynamic Plant. Proc. IEE, vol. 121, no.12, December 1974.
Marn, R.C. (2004). Diseo de un sistema

bola y viga

utilzando un

microcontrolador y reglas de lgica difusa.


Ogata, K. (1997). Modern Control Engineering, Prentice-Hall, New Jersey

USA.

Ogata, K. , Engenharia de Controle Moderno , 2 .ed. Rio de Janeiro: Prentice-Hall


do Brasil, 1994.
Pietrobom, H. C. (1999). Controle de sistemas no-lineares baseados em LMI
utilizando modelos fuzzy, Faculdade de Engenharia de Ilha Solteira
Ilha Solteira

UNESP,

SP. Tese de Mestrado.

Rampazzo J., E.J. (2004) Estabilidade e Sntese de Controladores para Sistemas


Lineares Incertos, Faculdade de Engenharia de Ilha Solteira
Solteira

UNESP, Ilha

SP. Tese de Mestrado.

Silva, N.A.P. (2005). Projeto de Controladores Automticos com Atualizao das


Condies Iniciais, Faculdade de Engenharia de Ilha Solteira
Solteira

SP. Tese de Doutorado.

UNESP, Ilha

94
Souza, R.B.M., Teixeira, M.C.M, Machado, E.R.M.D., Assuno, E. Projeto de
reguladores fuzzy Takagi-Sugeno utilizando as condies iniciais da planta. 5th
DINCON 2006, Guaratinguet

SP

Brasil.

Sugeno, M. and Kang, G. T. (1988). Structure identification of fuzzy model, Fuzzy


Sets and Systems 28: 15-33.
Takagi, T. and Sugeno, M. (1985). Fuzzy identification of systems and its
applications to modeling and control, IEEE Transactions on Systems, Man and
Cybernetics SMC-15(1): 116-132.
Tanaka, K and Sugeno, M. (1992). Stability analysis and design of fuzzy control
systems, Fuzzy Sets and Systems 45(2): 136-156.
Tanaka, K., Ikeda, T. and Wang, H. (1998a). Fuzzy regulators and fuzzy observers:
relaxed stability conditions and LMI-based designs, IEEE Transactions on Fuzzy
Systems 6(2): 250-265.
Tanaka, K. Ikeda, T. and Wang, H. (1998b). Fuzzy control of chaotic system using
LMIs: regulation, synchronization and chaos model following, IEEE Conference
on Fuzzy Systems, Alaska, pp. 434-439.
Tanaka, K. Ikeda, T. and Wang, H. (1998c). A unified approach to controlling chaos
via an LMI-based fuzzy control system design, IEEE Transactions on Circuits
and Systems 45(10): 1021-1040.
Taniguchi, T., Tanaka, K., Ohatake, H. and Wang, H. O. (2001). Model construction,
rule reduction, and robust compensation for generalized form of Takagi-Sugeno
fuzzy systems, IEEE Transactions on Fuzzy Systems 9(4): 525-537.
Teixeira, M. C. M. and ak, S. H. (1999). Stabilizing controller design for uncertain
nonlinear systems using fuzzy models, IEEE Transactions on Fuzzy Systems
7(2): 133-142.
Teixeira, M., Assuno, E. and Avellar, R. (2003). On Relaxed LMI-Based Designs
for Fuzzy Regulators and Fuzzy Observers, IEEE Transactions on Fuzzy Systems
11(5): 613-623.
Teixeira, M., Assuno, E. and Daruichi, E. (2003). A method for plotting
complementary root locus using the root locus (positive gains) rules, IEEE
Transactions on Education.

95
Teixeira, M., Daruichi, E. and Assuno, E. (1996). Identificao rpida de sistemas
dinmicos com redes neurais de Hopfield, Proceedings of the 11th Brazilian
Automatic Control Conference

CBA, So Paulo, pp. 543-548.

Teixeira, M., Daruichi, E. and Assuno, E. (1998). Identificao rpida de sistemas


dinmicos com condies iniciais no nulas, Proceedings of the 12th Brazilian
Automatic Control Conference

CBA, Uberlndia, pp. 1261-1266.

Teixeira, M., Daruichi, E. and Assuno, E. (2000). Identificao rpida de sistemas


dinmicos com entrada e sada da planta, Proceedings of the 13th Brazilian
Automatic Control Conference

CBA, Florianpolis, pp. 2282-2287.

Teixeira, M., Pietrobom, H. and Assuno, E. (2000). Novos resultados para o projeto
de reguladores fuzzy utilizando LMIs, Controle e Automao 11: 37-48.
Tong, R. (1978). Synthesis of fuzzy models for industrial processes-some recent
result, International Journal General Systems 4: 143-162.
VanAntwerp, J. G. e Braatz, R. D., A Tutorial on Linear and Bilinear Matriz
Inequalities , Journal of Process Control, v. 10, n. 22, pp. 363-385, 2000.
Wang, H., Tanaka, K. and Griffin, M. F. (1996). An Approach to fuzzy control of
nonlinear systems: stability and design issues, IEEE Transactions on Fuzzy
Systems 4: 14-23.
Wang. L. (1997). A course in fuzzy systems and control, Prentice-Hall PTR, Upper
Saddle River, USA.
Zadeh, L. (1965). Fuzzy sets, Information and Control 8: 338-353.

96

Apndice A. Anlise da Estabilidade Segundo


Lyapunov
Uma das mais importantes exigncias a ser determinada em um sistema de
controle a sua estabilidade. Para sistemas lineares invariantes no tempo, as
ferramentas da teoria clssica de controle podem ser aplicadas, dentre elas: o critrio
de estabilidade de Routh e o critrio de estabilidade de Nyquist. Porm, esses critrios
no podem ser aplicados nos casos em que o sistema no-linear, ou linear, mas
variante no tempo (Ogata, 1994).
Por volta de 1892, A.M. Lyapunov apresentou dois mtodos para se
determinar a estabilidade de sistemas dinmicos descritos por meio de equaes
diferenciais. O Primeiro Mtodo, assim denominado, consiste na utilizao das
formas explcitas das solues das equaes diferenciais para verificao da
estabilidade. J o segundo, denominado Segundo Mtodo de Liapunov, no necessita
do conhecimento das solues das equaes diferenciais, ou seja, no necessrio
resolver as equaes de estado para a anlise de estabilidade. Este mtodo apresenta,
portanto, maior abrangncia em relao aos mtodos da teoria de controle
convencional, pois permite estender a anlise de estabilidade classe de sistemas nolineares, ou lineares, mas variantes no tempo.
Conceitos Bsicos. As definies a seguir fazem parte da teoria de
estabilidade de Lyapunov e so fundamentais compreenso dos teoremas de
estabilidade.
Sistema. A representao a ser considerada aqui
x

(A.1)

f x,

sendo x o vetor de estado (n-dimensional) e f t um vetor de dimenso n cujas


componentes so funes de x1 , x2 ,..., xn e t . A soluo comeando em uma dada
condio inicial x

x0 em t

t 0 ser designada por

t , x0 .

Estado de Equilbrio. No sistema considerado em (A.1), um estado xe para o


qual

97

f xe

(A.2)

0,

denominado um estado de equilbrio do sistema. Estes estados correspondem s


solues constantes das equaes de estado. A determinao dos estados de equilbrio
no envolve a soluo das equaes diferenciais do sistema, mas apenas a soluo da
equao (A.2).

A.1.

Estabilidade no sentido de Lyapunov.

necessrio definir uma regio esfrica de raio k em torno de um estado de


equilbrio xe por

x - xe

(A.3)

sendo que x - x e chamada de norma Euclidiana e definida por:

x - xe
Seja S

x1

x1e

x2

x 2e

xn

x ne

1
2 2

a regio que consiste em todos os pontos tais que


x0

xe

Sendo x0 o estado inicial, e seja S ( ) a regio que consiste em todos os


pontos para os quais
(t ; x0 , t0 ) xe

, para todo t

t0

Um estado de equilbrio xe do sistema dito estvel no sentido de Lyapunov


se, correspondendo a cada S ( ) houver uma S ( ) tal que as trajetrias iniciadas em

S ( ) no deixem S ( ) medida que t cresce.


Estabilidade assinttica. Um estado de equilbrio xe dito assintoticamente
estvel no sentido de Lyapunov se for estvel no sentido de Lyapunov e se toda
soluo comeando em S ( ) converge para xe , sem deixar S ( ) , medida que

t aumenta. Na prtica a estabilidade assinttica mais importante do que a mera


estabilidade. Tambm como estabilidade assinttica um conceito local, a simples

98
confirmao da estabilidade assinttica pode no significar que o sistema vai operar
adequadamente. Algum conhecimento do tamanho da mxima regio de estabilidade
assinttica geralmente necessrio. Esta regio chamada de domnio de atrao.
Este domnio parte do espao-de-estados em que se originam trajetrias
assintoticamente estveis. Em outras palavras, toda trajetria que se origina no
domnio de atrao assintoticamente estvel.
Estabilidade assinttica global. Se a estabilidade assinttica se mantm para
todos os pontos do espao de estados a partir dos quais se originam trajetrias, o
estado de equilbrio dito assintoticamente estvel globalmente.
Instabilidade. Um estado de equilbrio xe do sistema dito instvel se, para
algum nmero real

0 e todo nmero real

0 , no importando quo pequeno ele

seja, h sempre um estado x0 em S ( ) tal que a trajetria comeando neste estado


deixa a regio S ( ) .
Funes escalares positivas definidas. Uma funo escalar V x dita
definida positiva em uma regio

V x

(incluindo a origem do espao de estados) se

0 para todos os estados no nulos x na regio

eV 0

0.

Figura A.1. Interpretao da estabilidade: a) estado de equilbrio estvel; b) estado de


equilbrio assintoticamente estvel e uma trajetria representativa; c) estado de equilbrio
instvel e uma trajetria representativa.

Uma funo variando no tempo V ( x, t ) dita definida positiva em uma regio


(incluindo a origem do espao de estados) se for limitada inferiormente por uma
funo positiva definida invariante no tempo, isto , se existir uma funo positiva
definida V ( x) tal que:

99

V ( x, t ) V ( x) para todo t
V (0, t ) 0 para todo t

t0
t0

Funes escalares negativas definidas. Uma funo escalar V x dita


negativa definida se

V x for positiva definida.

Funes escalares positivas semidefinidas. Uma funo escalar V x dita


positiva semidefinida ser for positiva em todos os estados de uma regio
na origem, e em outros estados onde seu valor zero, V x

0.

Funes escalares negativas semidefinidas. Uma funo V x


negativa semidefinida se

, exceto

dita

V x for positiva semidefinida.

Forma quadrtica. A forma quadrtica constitui uma classe de funes


escalares que desempenham um papel importante na anlise de estabilidade de
sistemas dinmicos, a forma geral da por:

V x

x T Px

x1

x2

xn

p11

p12

p1n

x1

p12

p22

p2n

x2 ,

p1n

p2 n

p nn

xn

sendo x um vetor real e P uma matriz simtrica real.


Segundo (Bell, D. J., 1990), a condio necessria e suficiente para a definio
positiva da forma quadrtica que todos os determinantes menores principais
sucessivos de P sejam positivos, ou seja,

p11

0 , p11
p12

p12
p22

0,

p11

p12

p1n

, p12

p22

p2n

p1n

p2n

p nn

Em (Feng et al., 1997), tambm estabelecido um outro critrio para a


determinao da positividade da forma quadrtica. Estudando os autovalores de P
possvel verificar a definio positiva de V ( x)

xT Px . Desde que os autovalores de

100

P , que so reais pois P simtrica, sejam todos positivos, ento se pode concluir
que P positiva definida.
Teorema 1. Suponha-se que um sistema seja definido por

f x ,

x
com
f 0

0.

Se existir uma funo V x que possui primeiras derivadas parciais contnuas


e satisfaz s condies:
V x definida positiva;

V x negativa definida;

Ento o estado de equilbrio na origem assintoticamente estvel


uniformemente.
Teorema 2. Suponha-se que um sistema seja definido por
f x ,

com
f 0

0.

Se existir uma funo escalar V x que possui primeiras derivadas parciais


contnuas e satisfaz s condies:
V x definida positiva;

V x negativa semidefinida;

t ; x0

no se anula em t

0 e qualquer x0

0 , onde denota a trajetria

ou soluo partindo de x0 em t0 , ento, o estado de equilbrio na origem do sistema


uniforme e assintoticamente estvel globalmente.
Teorema 3. Suponha-se que um sistema seja definido por
x

com

f x ,

101

0.

f 0

Se existir uma funo escalar W x que possui primeiras derivadas parciais


contnuas e satisfaz s condies:
W x definida positiva em alguma regio em torno da origem;

W t positiva definida na mesma regio.

Ento o estado de equilbrio na origem instvel.

A.2.

Anlise da estabilidade segundo Lyapunov

Considere o sistema autnomo


x

(A.4)

Ax ,

sendo x o vetor de estados e A uma matriz constante. Se A no-singular, o nico


estado de equilbrio a origem x=0.
Para este sistema defina uma funo de Liapunov:
x T Px

V x

A derivada em relao ao tempo :

Vx

x T Px x T Px

Ax Px xT PAx

xT AT P PA x

Como V x foi escolhida sendo positiva definida, para se ter estabilidade


assinttica necessrio que V(x) seja negativa definida.
0.

V x

Ento necessrio para a estabilidade de (A.4) que

AT P PA

(1)

Teorema 1. Considere o sistema autnomo descrito em (A.4), sendo que x


um vetor de estado e A uma matriz nxn constante e no singular. Uma condio
necessria e suficiente para que o estado de equilbrio seja assintoticamente estvel
que exista uma matriz P, positiva definida, simtrica, tal que:

AT P PA

102
Interpretao geomtrica: na Figura A.2 mostramos uma funo V x e o
caminho da evoluo dos estados do sistema relaxado (A.4), sendo que os estados
esto restritos ao lugar geomtrico delineado por V x , ou seja, pela funo
Lyapunov escolhida. Note que V x sempre negativa ao longo de V x , mostrando
que V x decresce ao longo do tempo, o que implica que o sistema assintoticamente
estvel.

Figura A.2. Interpretao geomtrica do teorema.

103

Apndice B. Restrio nos Vetores de Entrada e


Sada da Planta
B.1.

Restrio no Vetor de Entrada

Admita que um SLIT (Sistema Linear Invariante no Tempo) possua a seguinte


representao em variveis de estado:

sendo x

Ax Bu,

Cx
m

o vetor de estado, u
n n

sistema (p m), A

(B.1)

a matriz caracterstica do sistema, B


p n

entrada do sistema e C

a entrada de controle, y
n m

a sada do
a matriz de

a matriz de sada do sistema.

O problema da restrio no vetor de entrada u consiste em especificar LMI, de


modo a assegurar que (Cavacic, 2006):
max u

t 0

sendo

controle u

uma especificao considerada no projeto do controlador. Para a lei de


Kx , tem-se:

Ax BKx

( A BK ) x

Considera-se, ento, uma candidata a funo de Lyapunov na forma quadrtica


V ( x)

xT Px , na qual P uma matriz real simtrica definida positiva. A derivao

desta funo em relao ao tempo, ao longo de qualquer trajetria, descrita por:


xT Px xT Px

V ( x)

xT ( A BK )T Px xT P( A BK ) x
xT ( AT P K T BT P) x xT ( PA PBK ) x
xT ( PA AT P PBK

K T BT P) x

xT PP 1 ( PA AT P PBK
xT P( AP

Definindo-se X

V ( x)

P 1 AT
1

e F

BKP

KP

xT P ( AX

K T BT P) P 1Px
1

P 1 K T BT ) Px

KX , tem-se:

XAT

BF

F T BT ) Px

(B.2)

104
Como V(x) foi escolhida sendo definida positiva, para que se tenha
estabilidade assinttica, suficiente que V (x) seja definida negativa. Logo,

AX

XA

F T BT

BF

Ento, as condies para a estabilidade so a existncia de X e F, tais que:

AX

XA

BF

F T BT

XT

0 e X

0,

(B.3)

que so LMI em X e F.
Quando uma determinada condio inicial x(0) conhecida, possvel
encontrar um limite superior para a norma euclidiana da entrada de controle u (Boyd

XT

et al., 1994). Considera-se, inicialmente, que X

0 satisfaa:
(B.4)

x(0)T X 1 x(0) 1

Esta condio no restringe a soluo de (B.3), pois limita apenas a norma de


-1

X e (C.3) no impe outras restries matriz X.


Segundo VanAntwerp e Braatz (2000), a idia bsica do complemento de
Schur diz que a LMI:

Q( x)

S ( x)

R ( x)

S ( x)
sendo que Q( x)

Q ( x )T , R ( x )

(B.5)

0
,

R ( x)T e S (x) tm uma dependncia afim de x,

equivalente a:

R(x)

0 e Q ( x ) S ( x ) R ( x ) 1 S ( x )T

0,

isto , este conjunto de inequaces no-lineares pode ser representado atravs da LMI
(B.5). O Apndice C mostra a demonstrao do complemento de Schur.
Logo, pelo complemento de Schur, (B.4) possui a seguinte equivalncia:

1 x(0)T X 1x(0)

Como K=FX-1 e definindo-se z

x ( 0) T

x ( 0)

1
2

x , tem-se:

(B.6)

105
max u

max Kx

t 0

t 0

max FX x
t 0

2
1

1
2

max FX 1 X 2 X
t 0

(B.7)

x
2

max FX
t 0

1
2

z
2

De (B.4), tem-se:
2

z (0) 2

1
2

x(0)
2

x(0)T X

1
2

1
2

(B.8)
x(0)

x(0)T X 1 x(0) 1.

Como para V ( x)
todo x, t

x T X 1 x, V ( x )

0 , para x

0 , ento (B.8) satisfeita para

0,

2
2

1
2

x
2

1
2

x X

1
2

(B.9)
x

x X x 1

De (B.7) e (B.8),

max FX
t 0

1
2

max z T X 2 F T FX

t 0

1
2

2
1
max

X 2 F T FX

max

X 2 F T FX

1
2

1
2

(B.10)

zT z

Assim,
max FX
t 0

1
2

2
2
0

z
2

max

1
2

F T FX

1
2

2
0

106
Esta condio equivalente a:
(B.11)

1
2

1
2

2
0

I z

zT z

X F FX

2
0

0,

pois:

zT X

1
2

F T FX

1
2

max

1
2

F T FX

1
2

2
0

Multiplicando-se (B.11), em ambos os lados, por X 2 , obtm-se:


1

1
2

X 2 X 2 F T FX
0

0,

2
0

FT F

0,

FT

2
0

X2

1
2
0

IX 2

0,
(B.12)

FT F
X

X2

I F

0.

Logo, pelo complemento de Schur, (B.12) possui a seguinte equivalncia:

1
2

F T FX

1
2

2
0

FT
2
0I

X
F

0.

(B.13)

Portanto, as LMIs (B.6) e (B.13) solucionam o problema.

B.2.

Restrio no Vetor de Sada

O problema da restrio no vetor de sada y consiste em especificar LMI, de


modo a assegurar que:

max y
t 0

sendo

uma especificao considerada no projeto do controlador.

A anlise a seguir semelhante quela efetuado no estudo da restrio no


vetor de entrada. Para isso, considera-se, novamente, o SLIT descrito em (B.1). Como
1

X 2 z , tem-se:

107

max y
t 0

max Cx

t 0

1
2

max CX z
t 0

2
1
2

1
2

(B.14)

max z X C CX z
t 0

max

X 2 C T CX 2 z T z

max

X 2 C T CX 2

Portanto, analogamente ao desenvolvimento realizado anteriormente em


(B.11), (B.12) e (B.13), tem-se que:
2

1
2

1
2
0

max CX z

X 2 C T CX 2

max

2
0

Esta condio equivalente a:


1
2

X C CX

1
2

2
0

(B.15)

pois,
1

z T X 2 C T CX 2

2
0

zT z

I z

max

X 2CT C

X2

2
0

1
2

Multiplicando-se (B.15), em ambos os lados, por X , obtm-se:

XC T CX
2
0

2
0

0,

XC CX

0,

XC T

2
0

(B.16)

I CX

0.

Logo, pelo complemento de Schur, (B.16) possui a seguinte equivalncia:


1

X 2 C T CX 2
Portanto,

as

LMIs

2
0

X
CX

(B.6)

XC T
2
0I

(B.17)

(B.17)

0.
solucionam

problema.

108

Apndice C. Complemento de Schur


A idia bsica do complemento de Schur (VanAntwerp e Braatz, 2000) diz
que a LMI:

Q( x)

S ( x)

R ( x)

S ( x)
sendo que Q( x) Q( x)T , R ( x)

0,

R( x)T e S (x) tm uma dependncia afim de x e

equivalente a:
R( x)

( )

0 e Q( x) S ( x) R ( x) 1 S ( x)T

0.

Suponha que a desigualdade matricial (C.1) seja verdadeira.


Q( x)

S ( x)

R( x)

S ( x)

0.

(C.1)

Seja definida F (u, v) segundo a igualdade (C.2).


u

F (u , v)

Q( x)

S ( x) u

R( x) v

S ( x)

(C.2)

Ento tm-se que:

F (u, v) 0, [u, v] 0.
Considere, inicialmente u

(C.3)

0 , ento em (C.2) obtm-se (C.4).

F (0, v) v T R ( x)v 0, v

R( x)

0.

(C.4)

Adote agora v como sendo:


v

com u

R ( x ) 1 S ( x ) T u.

0 . Seja F(u,v) dado da seguinte forma:

F (u , v) u T [Q ( x) S ( x) R ( x) 1 S ( x)]u
Q( x) S ( x) R( x) 1 S ( x)T

( )

0, u

0,

0.

Suponha que:

Q( x) S ( x) R ( x) 1 S ( x)

0, R( x)

0.

(C.5)

Fixando u e otimizando em termos de vF(u,v) definido em (C.2), obtm-se:

109

FT

2 R ( x )v 2 S ( x ) T u

0.

(C.6)

Desde que R(x) 0 , de (C.6), segue que:


v

R ( x ) 1 S ( x ) T u.

(C.7)

Substituindo (C.7) em (C.2), ento:


F (u ) u T [Q( x) S ( x) R( x) 1 S ( x) T ] u.

Desde que [Q ( x) S ( x) R ( x) 1 S ( x)
para u

0, R( x)] 0 , o mnimo de F (u ) ocorre

0 , que tambm implica que v 0 . Ento, o mnimo de F (u, v) ocorre em

(0,0) e igual a zero. Portanto, F (u, v) 0, [u, v] 0 , isto :

Q( x)

S ( x)

R( x)

S ( x)

0.