CONTROLE PREDITIVO BASEADO NO MODELO DE HAMMERSTEIN COM

COMPENSAO ITERATIVA
Danielle S. S. Casillo*, Andr L. Maitelli*, Adhemar B. Fontes**
*

Laboratrio de Automao, Departamento de Computao e Automao.

Universidade Federal do Rio Grande do Norte N3000 Lagoa Nova Natal RN CEP.: 50740-530
E-mails: danielle@dca.ufrn.br, maitelli@dca.ufrn.br
**
Departamento de Engenharia Eltrica. Universidade Federal da Bahia. Salvador BA
E-mail: adhemar@ufba.br

Resumo: Neste artigo apresentada uma nova abordagem do controlador preditivo generalizado no
linear baseado no modelo de Hammerstein. Esta estratgia utiliza a compensao iterativa, que uma
forma de corrigir o erro de predio gerado pelo controlador devido a aproximao quasilinear por degrau
de tempo. Com o objetivo de reduzir este erro, utiliza-se a tcnica da compensao iterativa juntamente
com o controlador preditivo no linear. Para mostrar o desempenho do controlador, apresentado um
exemplo de simulao que faz uma comparao entre o controlador no linear com aproximao
quasilinear por degrau de tempo e a compensao iterativa.

1.

INTRODUO

Os processos industriais tm sofrido diversas

mudanas de mercado nas ltimas dcadas,
principalmente devido busca por qualidade e
eficincia em seus processos produtivos. Devido a
esses avanos, os controladores preditivos passaram a
ser utilizados em aplicaes que envolvam alto grau
de complexidade, como por exemplo, em processos
no lineares (Casillo et al., 2007).
O MBPC (Model Based Predictive Controller) foi
desenvolvido com a necessidade de obter o controle
especializado de plantas de potncia e refinarias de
petrleo, a tecnologia MBPC refere-se a uma classe
de algoritmos que calculam uma seqncia de
variveis manipuladas a fim de otimizar o
comportamento futuro de uma planta, e pode ser
encontrada em muitas reas de aplicao, incluindo
indstrias qumicas, processamento de alimentos,
automotiva, aeroespacial, metalrgica e papel (Qin
and Badgwell, 1997; Al-Duwaish and Naeem, 2000).
O controle de sistemas no lineares tem recebido
considervel ateno tanto no meio acadmico como
no industrial. Este interesse na anlise e projeto de
sistemas de controle no linear devido ao
desempenho insatisfatrio de controladores lineares
quando aplicados a plantas com acentuada no
linearidade. O controle preditivo baseado em modelo
apresenta-se atualmente como uma das mais
eficientes estratgias de controle na indstria de
processos, isto ocorre porque muitos dos aspectos
fundamentais num projeto de controle industrial
prtico podem ser explorados num controle preditivo
baseado em modelo, como a trajetria de referncia
futura, predio de perturbaes e incluso de
restries, verificando assim, a flexibilidade de
projeto desta tcnica de controle (Ogunnaike e Ray,
1994; Scheffer-Dutra et al., 2002; Santos, 2007).

Quando o processo no linear atua numa faixa de

operao muito ampla, ou a no linearidade do
processo forte o bastante para tornar o desempenho
do controlador inadequado a fim de atender os
requisitos estabelecidos, a utilizao de um modelo
no linear deve ser considerada (Rawlings, 2000).
Os modelos de Hammerstein so utilizados na
representao de modelos que contm uma no
linearidade esttica em srie com um sistema
dinmico linear.
A no linearidade esttica apresenta-se quando no se
quantifica a dependncia temporal entre as variveis
do sistema, o modelo tem carter esttico, sendo
representado por equaes algbricas (Casillo, et al.,
2007).
Neste trabalho so apresentadas as propriedades do
modelo de Hammerstein, como tambm proposto
um novo algoritmo para o Controlador Preditivo
Generalizado - GPC no linear baseado na
aproximao quasilinear por degrau de tempo,
monovarivel, considerando o problema de controle
no linear de horizonte de predio finito. A
compensao Iterativa adicionada ao modelo com o
objetivo de melhorar o desempenho do controlador e
consequentemente diminuir o erro de predio.
O algoritmo e os resultados obtidos com um sistema
de segunda ordem no linear so mostrados na seo
de simulao, evidenciando que o controlador
baseado no modelo de Hammerstein, com
compensao iterativa, apresenta um desempenho
melhor que aquele baseado somente no modelo
quasilinear por degrau de tempo.
2.

MODELO DE HAMMERSTEIN

O Modelo de Hammerstein surge como uma das

representaes de modelos no lineares baseados na
utilizao de blocos interconectados, os quais

caracterizam a dinmica do sistema atravs de uma

no linearidade esttica precedendo o bloco que
contm a dinmica linear do sistema, como mostra a
Fig. 1. Historicamente, tais modelos surgiram como
representao de transio entre a teoria linear, j
bem desenvolvida, e a teoria envolvendo modelos
no lineares, que ainda estava iniciando (Casillo et
al., 2007).

Fig. 1 Modelo de Hammerstein

O modelo de Hammerstein pode ser representado na

forma polinomial, ou seja, por um modelo NARX
(Nonlinear Auto-Regressive with eXogenus input)
polinomial equivalente representao de
Hammerstein.
Sabendo que o sinal intermedirio, x(k ) , obtido
pela multiplicao entre o sinal de entrada, u (k ) , e a
l

funo N , tem-se que:

(1)
x(k ) = N l (u (k ))
ento,
(2)
x(k i ) = N l (u (k i )) , para i = 1,L , NU
O modelo ARX (Auto-Regressive with eXogenous
inputs) obtido utilizando a entrada e sada, x(k ) e
y (k ) , respectivamente, do bloco dinmico linear, tal
que:
NY

NU

j =1

i =1

y (k ) = j y (k j ) + i x(k i )

(3)

em que: NY - atraso mximo da sada do modelo

ARX; NU - atraso mximo da entrada do modelo
ARX; j e i - parmetros relacionados a cada
regressor de sada e entrada do modelo ARX,
respectivamente.
Na prtica, o sinal intermedirio x(k ) , no est
disponvel. Logo, desejvel expressar o modelo de
Hammerstein na forma polinomial com relao aos
dados de entrada e sada do sistema, u (k ) e y (k ) ,
respectivamente. Ento, substituindo a equao (2)
em (3), tem-se
NY

NU

j =1

i =1

y (k ) = j y (k j ) + i N l (u (k i ))

(4)

A representao da no linearidade esttica por um

polinmio d-se quando no se dispe de
informaes a respeito da natureza da no
linearidade. A representao obtida aproximando-a
por uma expanso polinomial finita do tipo
(5)
x(k ) = 1u (k ) + 2 u 2 (k ) + L + l u l (k )
em que k o instante de tempo, x(k ) a pseudosada do bloco no linear, u (k ) a varivel de
entrada e i (i = 1,L , l ) representam os coeficientes

do polinmio e l o grau de no linearidade do

modelo de Hammerstein.
O modelo de Hammerstein na sua forma paramtrica
pode ser escrito como:
l

A(q 1 ) y (k ) = B(q 1 ) i u l (k d ) + (k )

(6)

i =1

A popularidade do modelo de Hammerstein deve-se

ao fato de sua simplicidade em relao a
representaes como, por exemplo, de Volterra
(Doyle et. al., 2002) dentre outras, aliada a uma
capacidade de representao da no linearidade da
maioria dos processos prticos, sendo capaz de
representar processos com atuadores no lineares e
ganhos variveis (Santos, 2007).
3.

CONTROLE PREDITIVO NO LINEAR

CASO SISO: LINEARIZAO POR
APROXIMAO QUASILINEAR POR
DEGRAU DE TEMPO

Nos ltimos anos houve um grande crescimento nas

aplicaes industriais de controle preditivo no linear
(Nonlinear Model Predictive Control - NMPC), que
se apresenta como uma estratgia de controle
bastante promissora para diversas reas da
engenharia (Qin e Badgwell, 2003). Este crescimento
deve-se ao baixo desempenho de controladores
lineares em processos com altos graus de no
linearidade ou em plantas que trabalham numa ampla
faixa de operao.
Para que se possa obter uma lei de controle que
minimize um critrio quadrtico para o modelo no
linear e se obtenha uma soluo analtica para o
problema, foram adotadas tcnicas de linearizao
que possibilitassem a soluo para o controle
preditivo no linear (Casillo, et al., 2007).
A Fig. 2 mostra o diagrama de blocos do modelo do
processo baseado no modelo de Hammerstein.

Fig. 2 Diagrama de blocos do modelo do processo

baseado no modelo de Hammerstein

A no linearidade esttica pode ser escrita como:

l

x(k 1) = j u j 1 (k 1) u (k 1)
(7)
j =1

substituindo a equao (7) na equao (6):

l

A(q 1 ) y (k ) = q d B(q 1 ) j u j 1 (k 1)
j =1

(8)
1 e( k )
u (k 1) + C (q )

A aproximao quasilinear por degrau de tempo

consiste em reescrever este modelo na forma:
nb l 1 l
A(q 1 ) y (k ) = q d bi q 1
i = 0 v =1 j =1

(9)
j i v
1 e( k )
ju
(k 1) ) ) u (k 1) + C (q )

Em que:
nb = grau do polinmio B (q 1 )
Definindo:
l 1 l

bi (q i , u ) = bi q i j u j i v (k 1)
(10)
v =1 j =1

fazendo
nb

B (q 1 , u ) = bi q 1 (u )

(11)

i =0

o modelo torna-se:
A(q 1 ) y (k ) = q d B (q 1 , u )u (k 1) +
C (q 1 )e(k )
em que,
A(q 1 ) = A% (q 1 ) = (1 q 1 ) A
Assim, tem-se o seguinte modelo:

(12)

(13)

A% ( q 1 ) y (k ) = q d B (q 1 , u )u (k 1) +
1

(14)

C ( q ) e( k )
Esse modelo denominado NARIMAX (Nonlinear
Auto-Regressive Integrated Moving Average with
eXternal input) quasilinear por degrau de tempo.
Neste modelo, os coeficientes do polinmio
B (q 1 , u ) dependem de valores passados de u (k )
que so conhecidos, considerados constantes at o
instante seguinte, aps a atualizao dos seus valores.
4.

CONTROLE PREDITIVO NO LINEAR

UTILIZANDO MODELO DE
HAMMERSTEIN COM COMPENSAO
ITERATIVA

Igualmente ao algoritmo GPC, o Controlador

Preditivo Generalizado No linear com Compensao
Iterativa, calcula uma seqncia de aes de controle
de forma a minimizar uma funo objetivo, multipasso, definida sobre um horizonte de predio, com
ponderao da ao de controle. Isto obtido
minimizando a funo objetivo:

J=

NY

(i) [ y (k + i) r (k + i)] +
2

i = N1
NU

(i) [ u(k + i 1)]

(15)

i =1

em que:
y(k + i ) uma predio sub-tima do sistema ipassos frente, com base nas informaes
disponveis at o instante k ; N1 e NY representa o
mnimo e o mximo horizonte de predio;
NU representa o horizonte de controle; r (k + i ) a

trajetria de referncia para as sadas preditas; (i ) e

(i ) so as constantes de ponderao sobre o sinal
de erro e sinal de controle respectivamente.
importante observar que a predio da sada ipassos frente, y(k + i ) obtida pelo processo de
predio quasilinear com compensao iterativa,
continua sendo uma predio sub-tima, uma vez que
esta predio uma aproximao da predio exata
que seria obtida pelo modelo de Hammerstein.
Entretanto, a predio quasilinear com compensao
iterativa apresenta um menor erro em comparao
com o GPC Hammerstein. Da mesma forma como
mostrado anteriormente, para minimizar a funo
objetivo, deve ser obtido a predio sub-tima da
sada, i-passos frente, no intervalo N1 i NY .
Embora o modelo da planta seja no linear, a
aproximao utilizada permite que seja usado o
mesmo procedimento empregado pelo GPC. Com
isto, o conceito de resposta livre e de resposta
forada tambm utilizado para este caso (Casillo, et
al., 2007).
A partir do exposto, pode-se determinar a sada
predita i-passos frente:
y(k + i) =

B ( q 1 , u )
u (k + i d 1) +
A% (q 1 )

(16)
C ( q 1 )
+
e
(
k
i
)
A% (q 1 )
Com o objetivo de separar a dependncia de y (k + i )
das informaes passadas e futuras, introduz-se a
seguinte equao Diofantina:
1
C (q 1 )
1
1 Fi ( q )
=
+
E
(
q
)
q
(17)
i
A% (q 1 )
A% (q 1 )
sendo,
Ei (q 1 ) = ei ,0 + ei ,1q 1 + ei ,2 q 2 + L + ei ,i 1q (i 1)

(18)

Fi (q 1 ) = fi ,0 + fi ,1q 1 + f i ,2 q 2 + L + f i , na q ( na 1)

com

{E (q )} = i 1
) = grau { A% (q )} 1 .
1

grau

Fi (q 1

y(k + i ) =

(19)

grau

B ( q 1 , u )
Ei (q 1 )u ( k + i d 1) +
C ( q 1 )

(20)
Fi (q 1 )
y
(
k
)
C ( q 1 )
Utilizando agora a seguinte equao diofantina:
1
1
1
i Ni (q )
=
+
M
(
q
)
q
(21)
i
C ( q 1 )
C (q 1 )
e substituindo na equao (20), tem-se:
i

N i ( q 1 )
y( k + i ) = M i ( q 1 ) + q
[ B ( q 1 , u )
C ( q 1 )

Ei (q )u (k + i d 1) + Fi (q ) y (k )]

(22)

Aps manipulaes matemticas, o modelo resulta

em:
y(k + i) = M i (q 1 ) Ei (q 1 ) B (q 1 , u )

u (k + i d 1) + M i (q 1 ) Fi (q 1 ) +

(23)

N i (q ) y (k )
Definindo:
1

Gi (q 1 , u ) = M i (q 1 ) Ei (q 1 ) B (q 1 , u )
= G% (q 1 , u ) + q ( i 1) H (q 1 , u )
i

Fi (q 1 ) = M i (q 1 ) Fi (q 1 ) + N i (q 1 )
sendo:
G% i (q 1 ) = g1 + g 2 q 1 + L + gi q (i 1) , com

(24)

grau G% i (q 1 ) = i 1
H i (q 1 ) = hi ,1q 1 + hi ,2 q 2 + L + hi , nb 1q ( nb 1)

, com grau { H i (q 1 )} = nb 1

(25)

(26)

(27)

e o grau de {Gi (q )} = nb + i 2 .
1

Substituindo as equaes (24) e (25) na equao (23)

resulta em:
y(k + i ) = G% i (q 1 ) + q (i 1) H i (q 1 )

u (k + i 1) + Fi (q 1 ) y (k )
ou ainda
y(k + i ) = G% i (q 1 , u )u (k + i 1) + H i (q 1 , u )

(28)

(29)
u (k ) + Fi (q 1 ) y (k )
A funo objetivo mostrada na equao (15) ser
minimizada por uma seqncia de aes de controle
futuras e considerando que o sistema tem um tempo
morto igual a d perodos de amostragem,
conseqentemente, a sada do sistema ser
influenciada pela entrada u (k ) aps d + 1 perodos.
Portanto, o horizonte mnimo de predio ser:
N1 = d + 1 , NY = d + N e NU = N .
O conjunto de predies pode ser escrito na forma
matricial como:
(30)
y = G% (u )u + H (q 1 , u )u (k ) + F (q 1 ) y (k )
Em que:
y(k + 1)
y(k + 2)
;
y=

y(k + N )
(31)
L
0
0
g1 (u )
g (u )
g1 (u ) L
0
;
G (u ) = 2
M
M
O
0

g N (u ) g N 1 (u ) L g1 (u )

F1 (q 1 )
u ( k )

u (k + 1)
1
; F (q 1 ) = F2 (q ) ;
u=
M

1
u (k + N 1)
FN (q )

h1,1 (q 1 , u ) + L + h1, nb 1 (q ( nb 1) , u )

h2,1 (q 1 , u ) + L + h2, nb 1 (q ( nb 1) , u )

H=

1
( nb 1)
, u )
hN ,1 (q , u ) + L + hN , nb 1 (q
De forma similar ao caso anterior, o Vetor de
Resposta Livre ( yl ) dado por:

yl = F (q 1 ) y (k ) + H (q 1 , u )u (k 1)
(32)
Da equao do preditor observa-se que a Resposta
Forada ( y f ) dada por:
g 0 (u )
g (u )
yf = 1
M

g N 1 (u )

0
u ( k )

0 u (k + 1)
=

M
O
M
M

g N 1 (u ) L g 0 (u ) u (k + N 1)
0
g 0 (u )

L
L

(33)

G (u )u
Deste modo, pode-se afirmar que a resposta completa
do sistema dada por:
y = G (u )u + yl
(34)
A lei de controle obtida semelhantemente ao GPC.
Deve-se observar que esta uma soluo sub-tima,
na medida em que o preditor sub-timo. Assim, a
lei de controle dada por:
u = ( G (u )T G (u ) + I ) G (u )T (r yl )
1

(35)

O sinal de controle que realmente enviado ao

processo o primeiro elemento do vetor u , devido a
estratgia de controle de horizonte mvel, ento:
u (k ) = K (r yl )
(36)
sendo,
k
a primeira linha da matriz

( G(u )

G (u ) + I ) G (u )T .
1

4.1. Compensao Iterativa

A presente abordagem utiliza um modelo no linear
(modelo de Hammerstein) com compensao
iterativa (a abordagem utilizada a apresentada por
ngelo, 2005; Fontes, 2007) cujo objetivo reduzir o
erro de predio devido aproximao do modelo
quasilinear por degrau de tempo, NARIMAX,
utilizado no controlador preditivo apresentado por
(Goodhart et. al. 1994).
A compensao do erro de predio acima
mencionado realizada de forma iterativa,
utilizando-se inicialmente, a seqncia de aes de
controle futuras, dentro do horizonte de controle,
calculada pelo algoritmo de controle preditivo
quasilinear. Com esta seqncia, corrigi-se os
coeficientes do modelo do preditor i-passos frente.
No processo de compensao iterativa, novas
seqncias so calculadas utilizando-se os
parmetros corrigidos do preditor, em cada horizonte

de predio, de forma a reduzir o erro de predio

(ngelo, 2005; Fontes, 2007).
No algoritmo apresentado por Goodhart (1994), o
modelo utilizado o NARIMAX quasilinear por
degrau de tempo, vlido para o instante k . Em seu
artigo, a predio da sada i-passos frente,
procedimento necessrio e caracterstico do
controlador preditivo, realizada utilizando-se o
modelo quasilinear o qual considera os coeficientes
a%i (u ) , i = 1,L , grau ( A(q 1 )) , dependendo somente
dos valores conhecidos de u , isto , at o instante
k 1 . Nesta abordagem, o modelo quasilinear
considera
os
coeficientes
bi (u ) ,
i = 1,L , grau ( B (q 1 , u )) , este dependendo tambm

dos valores conhecidos de u at o instante k 1 .

Conforme mencionado, a aproximao quasilienar,
gera um erro de predio, que aumenta com o
horizonte, degradando o desempenho do controlador.
Este erro, no instante k , para uma predio i-passos
frente depende de u () e do horizonte.
Como exemplo, considere o seguinte modelo no
linear de segunda ordem:
y (k ) = a%1 y (k 1) + a%2 y ( k 1) + [b0 u ( k 1) + b1u (k 1)]
[ x1u (k ) + x2 u 2 (k )] + e(k )
Para o modelo no linear acima, o modelo quasilinear
por degrau de tempo como segue:
y (k ) = a%1 y (k 1) + a%2 y ( k 1) + [b0 b1 (q 1 , u )]u (k 1) + e(k )

em que, B (q 1 , u ) = b0 b1 (q 1 , u ) u (k 1)
= [(b0 x1 ) + (b0 x2 u ( k 1)) + (b1 x1 q 1 ) + (b2 x2 q 1u ( k 1)]u ( k 1)

Observe que, baseado neste modelo, na predio, a

ao de controle conhecida at o instante k 1
usada para o clculo de B (q 1 , u ) e considerada
constante.
Observa-se que a soluo analtica para o preditor
nas bases utilizadas pelo algoritmo de controle
preditivo no existe, proposto ento, o clculo de
forma iterativa de uma nova seqncia de aes
futuras de controle, que reduz o erro de predio. No
clculo desta nova seqncia quasilinear, efetua-se,
em cada iterao, a correo dos coeficientes bi (u )
(ngelo, 2005; Fontes, 2007).
4.2. Implementao do Algoritmo
Objetivando esclarecer o algoritmo anteriormente
proposto, apresenta-se a sua implementao. Como
mencionado, o referido algoritmo utiliza as aes de
controle futuras para corrigir os parmetros bi (u ) do
1

polinmio B (q , u ) . Seja ento uk , o vetor de

incrementos de aes de controle futuras para um
dado instante k , inicialmente fornecido pelo
controlador preditivo que se baseia no modelo
quasilinear por degrau de tempo:
uk = [u (k ) u (k + 1) L u (k + i )
(37)

L u (k + N )]T
Em que N o horizonte de predio (Fontes, 2007).
Utilizando esta seqncia de incrementos, calcula-se
as aes de controle futuras que iro corrigir os
parmetros de B (q 1 , u ) para o instante k , somandose os referidos incrementos ao de controle
calculada no instante (k 1) . Seja ento, a ao de
controle para o instante (k-1) definido por uk 1 .
Assim, o vetor de aes de controle futuras para o
instante k , uk , determinado como mostrado a
seguir:
uk = [uk 1 + u (k ) uk 1 + u (k ) + u (k + 1) L
L uk 1 + u (k ) + u (k + 1) + L + u (k + N )]

(38)

De forma semelhante, pode-se escrever que:

uk = [uk ( k ) uk (k + 1) L uk ( k + i )
L uk ( k + N ) ]

(39)

em que:
uk (k + i ) = uk 1 + u (k ) + u (k + 1) + L + u (k + i )
Com este vetor de controle, atualiza-se os
coeficientes do polinmio B (q 1 , u ) e utiliza-se o
algoritmo de controle preditivo no linear (modelo de
Hammerstein) com compensao iterativa descrito na
seo anterior para calcular um novo vetor de
incrementos uk .
O processo iterativo repete-se at que sejam atingidas
as condies de convergncia descritas na seo a
seguir.
Lembrando que o princpio do horizonte mvel
utilizado e, portanto, depois que o algoritmo
converge para um determinado instante k , somente
enviado ao controlador. Para o instante k + 1 , todo o
procedimento citado nesta seo se repete (Fontes,
2007).
4.2.1.

Critrio de Convergncia e parada

O critrio de convergncia apresentado em (Fontes,

2007) utilizado no algoritmo em questo baseado
na norma da variao do vetor uk . O procedimento
iterativo dever continuar at que a variao entre a
norma calculada na iterao (r 1) sima e aquela
calculada na iterao r sima seja menor que um
valor previamente estabelecido (CP ) . Desta forma, o
critrio de parada ser representado da seguinte
maneira:

( ur ur 1 ) ( ur ur 1 ) < CP
T

(40)

Dependendo da sintonia pretendida para o

controlador preditivo, a taxa de convergncia do
algoritmo pode tornar-se pequena ou, at mesmo, no
convergir. Objetivando dar garantia e viabilidade ao
algoritmo de controle, adotou-se os seguintes
critrios de parada, evitando assim que o algoritmo
apresente falhas e que os resultados sejam os
desejados:

Caso a convergncia se d muito lentamente, um

contador forar a sada do resultado quando um
determinado nmero de iteraes for atingido. O
valor a ser estabelecido para o contador
depender do grau de melhoria desejado do
algoritmo de controle preditivo no linear
iterativo em face do quasilinear;
Caso o algoritmo no convirja, numa dada
iterao, de forma a no fornecer uma dada ao
de controle, utiliza-se para este instante a ao
determinada do controle preditivo quasilinear
por degrau de tempo (Fontes, 2007).
5.

EXEMPLO DE SIMULAO

Considere o modelo no linear (modelo de

Hammerstein) de segunda ordem apresentado a
seguir:
0.207 0.1464q 1
y (k )
x(k 1)
1 0.8q 1 + 0.2385q 2
Em que a no linearidade esttica dada por:
x(k 1) = 1.3409u (k 1) + 0.0303u 3 (k 1)
Considera-se que o sistema no apresente tempo
morto e os parmetros de sintonia do controlador so:
N = 10 , = 5 e CP = 10 10 .
Considerou-se ainda o valor limite, para cada instante
k , de 50 iteraes e o valor de referncia
unitrio. Assim, tem-se que:
A(q 1 ) = (1 0.8q 1 + 0.2385q 2 ) ;
B(q 1 ) = 0.207 0.1464q 1 e C (q 1 ) = 1
Assim, faz-se inicialmente a seguinte aproximao:
B (q 1 , u ) = 0.207 0.1464q 1 1.3409 + 0.0303u 2
u (k 1)
1

B (q , u ) = [0.2776 + 0.0063u 2 (k 1)
b0 (u )
1

0.1963q 0.0044q 1u 2 ( k 1)]u ( k 1)

Fig. 3 Sada do Sistema

Fig. 4 Esforo do Sinal de Controle

As Fig. 5 e 6 a seguir, mostram a comparao da

sada e do esforo de controle entre os algoritmos do
controlador preditivo quasilinear e quasilinear com
compensao iterativa. Observe que no somente na
sada, mas tambm no sinal de controle, o GPC
utilizando o modelo quasilinear com compensao
iterativa apresenta valores mais convenientes.

b1 (q 1 , u )

ento, B (q 1 , u ) = b0 (u ) b1 (q 1 , u ) u (k 1)
Usando a equao diofantina, calcula-se os
polinmios Ei (q 1 ) e Fi (q 1 ) a fim de obter as
predies y(k + i ) .
As sadas preditas so dadas por:
y(k + i ) = G% i (u )u + H (q 1 , u )u (k ) + F (q 1 ) y (k )
Conhecendo-se G (u ) , obtm-se o vetor de
incrementos de controle, que dada por:
u = ( G (u )T G (u ) + I ) G (u )T (r yl )
1

Os grficos das Fig. 3 e 4 a seguir, mostram os

resultados, representados pela sada e pelo sinal de
controle respectivamente, do sistema quando um
degrau unitrio aplicado:

Fig. 5 Comparao entre as sadas de controle

Fig. 6 Comparao entre os esforos de controle

6.

CONCLUSO

No presente trabalho, foi apresentado o GPC No

Linear aplicado ao Modelo de Hammerstein com
Compensao Iterativa. Devido a no linearidade do
modelo, fez-se necessrio o uso de tcnicas de
linearizao para a obteno da lei de controle
explcita. Foi abordado o mtodo de linearizao pela
aproximao quasilinear por degrau de tempo, que se
mostrou bastante eficiente. O mtodo da
Compensao Iterativa foi apresentado e aplicado ao
GPC Hammerstein baseado no modelo quasilinear.
Apresentou-se um exemplo de aplicao desse
mtodo e conclui-se que apesar das aproximaes
serem sub-timas, os resultados foram satisfatrios.
REFERNCIAS

Casillo, D. S. S., Maitelli, A. L. & Fontes, A. B.

(2007). A New Nonlinear Predictive Control
Approach using Hammerstein Models with
Compensation Term. 17th IFAC World
Congress.
Qin, S. J., & Badgwell, T. A. (1997). An overview of
industrial model predictive control technology.
In J. C. Kantor, C. E. Garcia, & B. Carnahan
(Eds.), Chemical process controlV, Fifth
international conference on chemical process
control CACHE and AICHE, (pp. 232256).
Al-Duwaish, H. end Naeem, W. (2000). Nonlinear
Model Predicitive Control of Hammerstein and
Wiener Models Using Genetic Algorithms. IEEE
Conference on Control Applications, Mxico.
Ogunnaike, B.A. & Ray, W.H. (1994). Process
Dynamic, Modeling and Control. Oxford
University Press, New York.
Scheffer-Dutra, C.B., Nez-Reyes, A. & Bordons,
C. (2002). Controle Preditivo com Restries
Aplicado a Uma Planta Solar de Climatizao.
XIV Congresso Brasileiro de Automtica, Natal,
RN, p. 2798-2803.
Santos, J. E. S. (2007). Controle Preditivo No linear
para Sistemas de Hammerstein. Tese de
Doutorado. Programa de Ps-Graduao em

Engenharia Eltrica. Universidade Federal do

Santa Catarina. (p. 01).
Rawlings, J.B. (2000). Tutorial Overview of Model
Predictive Control. IEEE Control Systems
Magazine, vol. 20, p. 38-52.
Doyle III, F. J., Pearson, R. K. & Ogunnaike, B. A.
(2002). Identification and Control Using
Volterra Models. Springer.
Qin, S. J. end Badgwell, T. A. (2003). A survey of
industrial model predictive control technology.
Control Engineering Pratice, v.11, p. 733-764.
ngelo, E. (2005). Desenvolvimento e aplicao do
controlador preditivo bilinear com compensao
iterativa a uma coluna de fracionamento de
butadieno 1,3. Dissertao de Mestrado.
Departamento
de
Engenharia
Eltrica.
Universidade Federal da Bahia. p. 47-68.
Fontes, A. B; ngelo, E. & Maitelli, A. L. (2007).
Bilinear Generalized Predictive Controller with
Iterative Compensation. 17th IFAC World
Congress.
Goodhart S. G.; Burnham, K. J. & James, D. J. G.
(1994). Bilinear Self-tuning Control of a high
temperature Heat Treatment Plant. IEEE Control
Theory Appl. : Vol. 141, n. 1.