EXPERIMENTOS PRTICOS DE CONTROLE ADAPTATIVO

NA GRADUAO

Antonio A. R. Coelho1, Otaclio M. Almeida2, Jos E. S. Santos3 e Rodrigo R. Sumar4

Universidade Federal de Santa Catarina
Departamento de Automao e Sistemas
C.P. 476 - 88040900 - Florianpolis - SC
aarc@lcmi.ufsc.br 1 - otacilio@lcmi.ufsc.br 2 - santos@lcmi.ufsc.br 3 - sumar@lcmi.ufsc.br 4

Resumo. As controvrsias e os aspectos emergentes do ensino de algoritmos de controle

adaptativos baseiam-se nas suposies de que oferecem uma melhor dinmica para plantas nolineares, aliado ao fato de que tornam-se uma realidade na indstria. Este artigo aborda a
relevncia dos experimentos prticos no ensino de controle adaptativo na graduao. Os principais
tpicos de ensino so: identificao de sistemas e anlise e projeto de controladores adaptativos.
Trs algoritmos de controle adaptativos so aplicados em um processo prtico no-linear. Este
conjunto de experimentos vem sendo aplicado no Curso de Controle Adaptativo de Graduao do
Departamento de Automao e Sistemas da UFSC. As metodologias de projeto de controle so:
alocao de plos, varincia mnima e preditivo, enquanto que o processo testado o fan-andplate.
Palavras-chave: Educao, Ensino prtico, Controle adaptativo, Identificao, Controle preditivo.

NTM - 145

1.

INTRODUO

A educao em engenharia prtica deve ser realizada com equipamentos tcnicos e computadores. Somente
experimentos por simulao no so suficientes. Os exerccios prticos devem estar organizados e sincronizados com as
aulas e exerccios tericos. Entre os objetivos dos trabalhos prticos tem-se: i) adquirir experincias por repetio e
implementao utilizando-se experimentos e instalaes atrativas; ii) balancear o treinamento terico e prtico; iii)
envolver os estudantes em atividades de grupo no desenvolvimento de atividades prticas; iv) aplicar o conhecimento
adquirido nas aulas tericas em laboratrio [1].
Neste artigo, discute-se trs projetos de controle adaptativos e aplicados em um processo prtico no-linear.
Este conjunto de experimentos vem sendo aplicado no Curso de Controle Adaptativo do Departamento de Automao e
Sistemas da UFSC para assistir estudantes de graduao e ps-graduao. As metodologias de projeto so: alocao de
plos, (PA), varincia mnima generalizada (GMV) e preditivo generalizado (GPC). O processo fan-and-plate
utilizado. As principais razes que justificam o aprendizado das idias de controladores adaptativos so: i) um
controlador PID (proporcional+integral+derivativo) tem comportamento inadequado no rastreamento de referncias e
rejeio a perturbaes quando a planta controlada apresenta complexidades (nem todos os processos industriais podem
ser controlados com malhas PID); ii) eficientes plataformas computacionais e vrios ambientes computacionais tm
possibilitado a aplicao de tcnicas de controle avanadas; iii) a maioria dos cursos de controle adaptativo
estabelecido por simulao; iv) os aspectos de projeto de controle adaptativo no ensino e quando aplicados em processo
prticos so importantes para melhorar o aprendizado/conhecimento dos alunos e motivao do uso de metodologias
adaptativas como tecnologias emergentes para aplicao na indstria [2, 3].
Este artigo est organizado como segue. A descrio do processo fan-and-plate e a deteco da caracterstica
no-linear so apresentadas na seo 2. Aspectos da identificao da planta fan-dan-plate tais como determinao da
ordem e estimao dos parmetros so descritas na seo 3. Na seo 4 desenvolve-se o projeto dos quatro
controladores adaptativo. Nas sees 5 e 6 so apresentados os resultados experimentais e as concluses,
respectivamente.
2.

PROCESSO EXPERIMENTAL
Primeiro experimento: Teste para identificar o comportamento no-linear em malha aberta

2.1.

Descrio do processo

Uma interessante e bem conhecida planta de laboratrio presente em diversas universidades para atividades de
ensino e pesquisa o fan-and-plate (Fig. 1). O problema do controle regular o ngulo de deflexo da placa (varivel
controlada) atuando sobre a voltagem de entrada do motor DC (varivel manipulada).

Figura 1 - Prottipo fsico do fan-and-plate.

2.2.

Caracterstica no-lineares do processo

O procedimento de Thomson, et al. [4] adotado para indicar se a relao entre a entrada e a sada linear ou
no-linear. Assim, a partir de um ponto de operao nominal [uo(t), yo(t)], aplica-se uma mudana degrau no sinal de
entrada (uo(t)+u1) no processo e arquiva-se o sinal de sada y1(t). Retorna-se a planta ao ponto de operao nominal e
aplica-se uma segunda mudana degrau (uo(t)+u2) no processo, onde a nova mudana degrau u2 vezes maior que
u1, e arquiva-se o sinal de sada y2(t), isto ,

u2 = [u1]

(1)

A seguir, remove-se o ponto de operao nominal yo de cada resposta e calcula-se

NTM - 146

y 2 (t ) y 0
y1 (t ) y 0

(2)

Se a constante e igual a , ento o sistema linear. Utilizando-se os parmetros (uo, yo)=(2, 0.87), (uo+u1,
y1)=(3, 1.66) e (uo+u2, y2)=(4, 4.50), como o resultado de mudanas ao degrau na entrada e arquivando-se as
respostas, os valores de e so: = 2, = 4.59. Portanto, observa-se um comportamento no-linear para o processo
fan-and-plate.
3.

IDENTIFICAO DO PROCESSO

Segundo experimento: identificao da estrutura do modelo: ordem e parmetros

Esta seo mostra os aspectos de identificao (determinao da ordem e dos parmetros do modelo) de modo
a auxiliar no projeto dos controladores. Alm disto, para garantir um desempenho satisfatrio nas fases transitria e de
regime quando da implementao dos controladores adaptativos, que utilizam a abordagem auto-ajustvel, necessrio
utilizar um estimador on-line que assegure um modelo adequado para a aplicao particular, garantindo estabilidade
em malha fechada.
3.1.

Determinao da ordem da planta

A razo do determinante, conforme proposto por Unbehauen [5], utilizado para a seleo da ordem e
calculado por

hT (n) = [u(t 1) y(t 1) ... u(t n) y(t n)]

H (h, n) =

DR(n) =

1
N

(3)

N +n

h( n) h T ( n)

(4)

t = n +1

det H (h, n)
det H (h, n + 1)

(5)

Como a matriz informao, H(h,n), funo da ordem do modelo (n), ento, se a ordem do modelo
selecionado maior que o real, a matriz informao torna-se singular. Portanto, quando a razo entre os determinantes
mostra um aumento significativo, a ordem identificada representa, aproximadamente, a ordem real do processo. Pela
inspeo da Fig. 2 justifica-se um modelo de segunda ordem para o processo fan-and-plate.

Figura 2 - Seleo da ordem do processo.

Logo, o processo pode ser representado pela seguinte funo discreta
G p (q 1 ) =
3.2.

q 1 (b0 + b1 q 1 )

(6)

1 + a1 q 1 + a 2 q 2

Identificao via mnimos quadrados recursivo

O mtodo de estimao dos mnimos quadrados recursivo (MQR) um dos mais populares e comumente utilizado
em esquemas de identificao de parmetros. O MQR utiliza na estimao o vetores de parmetros e medidas, e ,
respectivamente, onde

T = [a1,...,a2,b0,b1]

(7)
NTM - 147

T(t) = [-y(t-1),-y(t-2),u(t-1),...,u(t-2)]

(8)

y(t) = T(t) + (t)

(9)

y (t) = T(t)  (t

(10)

e sendo (t) o rudo que estatisticamente independente dos sinais de entrada e sada. O estimador MQR minimiza a
funo custo representada por
J RLS ( N ) =

1
N

N t [ y (t ) y (t )]2

(11)

t =1

onde N o nmero de amostras da experimentao. As equaes que implementam o algoritmo MQR so

 (t) =  (t-1) + K(t)[y(t) - y (t)]

(12)

K(t) = P(t-1)T(t) / [ + T(t)P(t-1)(t)]

(13)

P(t) = -1{P(t-1) -[{P(t-1)(t)T(t)P(t-1) /( + T(t)P(t-1)(t))]}

(14)

De modo a evitar variaes excessivas na magnitude do sinal de controle nos experimentos prticos, um
modelo matemtico foi estimado via mnimos quadrados recursivo, Eq. (15). Assim, o modelo utilizado na
implementao do controle (fases inicial, transitria e regime) representado por
G p (q 1 ) =
4.

0.1388q 1 + 1.1597q 2

(15)

1 + 0.2663q 1 + 0.2085q 2

PROJETO DE CONTROLE

Terceiro experimento: mtodos de projeto de controle

Na concepo de projeto adaptativo do tipo auto-ajustvel existem algoritmos indiretos e diretos. No primeiro
caso os parmetros da planta so identificados onde a lei de controle calculada. Por outro lado, no direto, identifica-se
diretamente os parmetros da lei de controle. Neste artigo, o algoritmo de controle direto baseia-se nos projetos PA e
GMV, enquanto que na abordagem indireta tem-se o projeto GPC.
4.1.

Controle por alocao de plos

O objetivo da tcnica de controle por alocao de plos ajustar a dinmica em malha fechada do sistema de
controle realimentado em um comportamento previamente especificado pelo operador. A estrutura geral (RST) de uma
lei de controle realimentada discreta dada por
R(z-1)u(t) + S(z-1)y(t)+T(z-1)yr(t) = 0

(16)

Considerando-se S(z-1) = T(z-1), a Eq. (16) torna-se

u (t ) =

(1 + s1 z 1 +...+ s ns z ns )
(r0 + r1 z 1 +...+ rnr z nr

( y r (t ) y(t ))

(17)

onde yr(t) a referncia, y(t) a sada, u(t) a entrada e u(t)=u(t)-u(t-1). Os polinmios R(z-1) e S(z-1) devem ser
obtidos pelo algoritmo MQR (abordagem direta) utilizando os sinais de entrada e sada. Admite-se que, para a lei de
controle da Eq. (17), o sistema em malha fechada representado por
B ( z 1 )
y (t )
= m 1
y r (t ) Am ( z )

(18)

NTM - 148

onde os polinmios Bm(z-1) e Am(z-1) ajustam o comportamento transitrio, determinam o comportamento de

rastreamento desejado em malha fechada e so da forma
Bm(z-1) = bm1z-1++bmnbmz-nbm

(19)

Am(z-1) = 1+ am1z-1++ amnamz-nam

(20)

Os parmetros do controlador, Eq. (17), so desconhecidos e para o projeto de controle direto devem ser
estimados em tempo real. De modo a obter uma equao adequada na estimao, a Eq. (18) substituda em (17). Aps
algumas manipulaes matemticas possvel escrever
S ( z 1)[Am Bm ]Y ( z 1) = R( z 1) BmU ( z 1)

(21)

Introduzindo valores filtrados para a entrada, u (t) , e a sada, y(t) , tem-se

Y ( z 1 ) = ( Am Bm )Y ( z 1 )

(22)

U ( z 1 ) = B m U ( z 1 )

(23)

e a correspondncia entre os sinais auxiliares dada por

S ( z 1 ) y (t ) = R( z 1 )u (t )+ (t )

(24)

onde a perturbao (t) representa a impreciso nas medidas ou um desbalanceamento na ordem do modelo do sistema
[6].
4.2.

Controle GMV

O controle de varincia mnima generalizada uma generalizao do controle de varincia mnima, cuja
funo custo a ser minimizada para clculo da lei de controle
J = [ 2 (t + k )]

(25)

onde corresponde a uma pseudo-sada da forma

(t + k ) = y(t + k ) + u(t ) y r (t )

(26)

O modelo do sistema a ser considerado

A( z 1 ) y(t ) = z k B( z 1 )u(t ) + Cv(t )

(27)

tal que v(t) corresponde parcela devido a incertezas paramtricas, estruturais ou medida no sistema. A lei de controle
GMV calculada por

u (t ) =

Sy (t ) + Ty r (t )
R

(28)

onde S e F so obtidos a partir da identidade polinomial

AF + z k S = C

(29)

, e so parmetros de projeto e R=BF+C e T=C. A ordem dos polinmios depende da ordem do

modelo do processo. importante mencionar que a partir do projeto original GMV podem ser obtidas outras estratgias
de controle particulares. Embora a lei de controle GMV obedea a estrutura RST posicional, um offset nulo garantido
se (1) = 0.

NTM - 149

4.3.

Controle GPC

As estratgias de controle preditivo tem recebido muita ateno na literatura de controle de processos e tem
tido aceitao industrial [7]. A popularidade destas tcnicas de controle deve-se ao fato de oferecem um adequado
desempenho, so simples de entender e formular e, podem acomodar restries na entrada/sada do processo. O sucesso
industrial dos controladores preditivos atestado pela variedade de controladores preditivos comerciais nas indstrias
de processamento qumico. Seborg [8] e Henson [9] reportaram uma vasta aplicabilidade mundial de controladores
preditivos em refinarias de leo e plantas petroqumicas. A seguir, apresenta-se o projeto para sintetizar o controle
preditivo baseado em Crisalle [10].
Controladores preditivos so usualmente implementados pela execuo em cada perodo de amostragem de um
problema de otimizao envolvendo a seleo de controles futuros que minimizam o funcional quadrtico
Ny

Nu

j=1

j=0

J(Ny, Nu ) = [yr (t + j) y(t + j / t)]2 +[u(t + j)]2

(30)

onde {yr(t+j)} a seqncia de valores futuros para a referncia, {y(t+j/t)} a seqncia de valores futuros da previso
da sada, {u(t+j)} a seqncia incremental de controles futuros, uma ponderao que penaliza a energia de
controle, e os parmetros Ny e Nu so os horizontes de sada e controle, respectivamente. O algoritmo que encontra a lei
de controle tima minimiza a Eq. (30) pela diferenciao do funcional, equacionando a derivada a zero e, ento,
resolvendo para o valor timo de entrada u(t).
De acordo com a estrutura de controle RST, o projeto do controle preditivo final conduz as seguintes equaes
Ny

R( z 1 ) = z n 1+ z 1 k j j ( z 1 )(1 z 1 )
j =1

Ny

S ( z 1 ) = z n k j F j ( z 1 )
j =1

Ny

T ( z 1 ) = k j z j

j =1

onde os operadores de projeto Fj(z-1) e j(z-1), e os coeficientes kj, j=1, 2,...,Ny so determinados a partir do modelo
nominal da planta, conforme o seguinte procedimento. Primeiro, considerar o modelo nominal da planta da forma

A(z 1 ) y(t) = z 1 B(z 1 )u(t)

(31)

Para obter os operadores de projeto Fj(z-1), que so polinmios de projeto de grau n (a ordem da planta),
resolver o seguinte conjunto de equaes

E j ( z 1 )A( z 1 ) + z j F j ( z 1 ) =1

(32)

para j=1,2,...,Ny os quais conduzem aos polinmios intermedirios Ej(z-1) de grau (j-1). O segundo conjunto de
operadores de projeto, os polinmios j(z-1) de grau (nb-1), so obtidos pela decomposio do produto Ej(z-1)Bj(z-1) na
forma
E j ( z 1 ) B( z 1 ) = G ( z 1 ) + z j j ( z 1 )

onde os polinmios Gj(z-1), de grau (j - 1), so conhecidos como os polinmios dinmicos e so caracterizados de fato
como os elementos da resposta ao degrau da planta, equao (31). Note que os polinmios j(z-1) so identicamente
zero se nb = 0. Adicionalmente, os coeficientes do polinmio dinmico so utilizados para definir os elementos nozero da matriz de Toeplitz, GNu, conhecidos como a matriz dinmica truncada, que contm somente Nu colunas.
Finalmente, os coeficientes kj, j =1, 2,..., Ny so obtidos como as componentes de vetor ganho KT = [k1 k2 ... kNy],
calculados da equao

T
K T = [1 0 ... 0] GNu
GNu + I

e a lei de controle aplicada u(t) = u(t-1) + K(Yr YOL)

NTM - 150

T
GNu

onde
(Yr)T = [yr(t+1) yr(t+2) ... yr(t+Ny)]
(YOL)T = [yOL(t+1) ... yOL(t+Ny)]
O vetor YOL efetivamente descreve como o sistema responderia no modo de controle em malha aberta. Quando
novas medidas tornam-se disponveis, um novo problema de otimizao formulado cuja soluo proporciona a nova
ao de controle.
5.

RESULTADOS EXPERIMENTAIS

Quarto experimento: avaliaes servo e regulao dos controladores auto-ajustveis

A seguir, os ensaios prticos para os comportamentos servo (500 amostras) e regulatrio (300 amostras) nos
projetos de controle adaptativos auto-ajustveis so apresentados. O perodo de amostragem 300 mseg e os parmetros
iniciais para o algoritmo MQR so: a1=a2=b1=b2=0.1 (GMV, GPC) e, a1=-0.51 e b1=-0.41 (PA). O trao inicial da
matriz de covarincia : 10I2x2 para o algoritmo PA, 1000I4x4 para o controlador GMV e, 500I4x4 para o GPC. Os
parmetros de sintonia dos algoritmos de controle adaptativos auto-ajustveis so:
PA: am1=-1.4, am2=0.49; GMV: 0=10; GPC: =10, Hy=5, Hu=2.
5.1.

Experimento de controle servo

No experimento servo o processo submetido a mudanas na referncia para avaliar a capacidade de

rastreamento. Inicialmente, a referncia fixada em 2 volts, depois alterada para 3.5 volts (entre as amostras 151 e 300)
e, finalmente, 2.5 volts (entre as amostras 301 e 500). As Figs. 3-5 ilustram a sada, referncia e ao de controle para
cada estratgia de controle.

Figura 3 Comportamento servo via controle PA.

Figura 4 Comportamento servo via controle GMV.

NTM - 151

Figura 5 Comportamento servo via controle GPC.

5.2.

Experimento de controle regulatrio

No segundo experimento uma referncia fixa de 3.5 volts utilizada e perturbaes de carga so aplicadas no
processo de modo a verificar a capacidade dos algoritmos de controle para rejeio de perturbaes. A magnitude da
perturbao +0.5 volts, adicionada a partir da amostra 100. Outra perturbao constante, de magnitude -0.5 volts,
aplicada a partir da amostra 200, e mantida at o final do experimento. As Figs. 6-8 ilustram o desempenho dos
diferentes controladores e processo.

Figura 6 - Comportamento regulatrio via controle PA.

Figura 7 Comportamento regulatrio via controle GMV.

Figura 8 Comportamento regulatrio via controle GPC.

6.

CONCLUSO

Pela necessidade de aplicar os fundamentos tericos de controle adaptativo nos currculos de engenharia, foi
mostrado uma seqncia de metodologias de projeto de controle e atividades experimentais para os estudantes

NTM - 152

interessados na teoria e aplicao dos controladores adaptativos. Adicionalmente, este artigo apresentou um conjunto de
experimentos projetados para o ensino de controle adaptativo a partir do ponto de vista prtico.
A seleo desta emergente tecnologia de controle e algumas vezes pelas opinies contraditrias sobre os
algoritmos de controle adaptativos baseia-se na hiptese de que podem oferecer um melhor desempenho para processos
complexos e por tornarem-se uma realidade na indstria de controle de processos. O curso proposto vem sendo aplicado
com sucesso na UFSC, permitindo aos estudantes aprenderem os fundamentos de malhas de controle adaptativas e, ao
mesmo tempo, se familiarizarem com o efeito da sintonizao de cada algoritmo de controle adaptativo na dinmica de
malha fechada.
O Laboratrio de Controle de Processos do Departamento de Automao e Sistemas da UFSC vem
desenvolvendo e atualizando plantas didticas de baixo custo para suportar os estudantes com atividades prticas nas
diversas disciplinas do Curso de Engenharia de Controle e Automao Industrial (http:\\lcp.das.ufsc.br)
7.

REFERNCIAS

[1]

D.S. Bernstein, Control Experiments and What I Learned From Them: A Personal Journey. IEEE Control
Systems, 18, 1998, pp. 81-87.
N.A. Kheir, K.J. strm, D. Auslander, K.C. Cheok, G.F. Franklin, M. Masten and M. Rabins, Control System
Engineering Education. Automatica, 32, 1996, pp. 147-166.
V.J. VanDoren, Model-Predictive Controller Solves Complex Problems. Control Engineering International,
March, 1998, pp. 112.
M. Thomson, S.P. Schooling and M. Soufian, The Practical Application of a Nonlinear Identification
Methodology. Control Engineering Practice, 4, 1996, pp. 295-306.
H. Unbehauen and B. Ghring, Tests for Determining Model Order in Parameter Estimation. Automatica, 10,
1974, pp. 233-244.
N.M. Filatov, U. Keuchel and H. Unbehauen, Dual Control for an Unstable Mechanical Plant. IEEE Control
Systems, 16, 1996, pp. 31-37.
D.W. Clarke, C. Mohtadi and P.S. Tuffs, Generalized Predictive Control - Part I The Basic Algorithm - Part II
Extensions and Interpretations. Automatica, 23, 1987, pp. 137-160.
D. E. Seborg, A Perspective on Advanced Strategies for Process Control, Modeling, Identification and
Control, vol. 15, 1994, pp. 179-189.
M. A. Henson, Nonlinear Model Predictiv Control: Current Status and Future Directions, Computers and
Chemical Engineering, vol. 23, 1998, pp. 187-202.
O. D. Crisalle, D. E. Seborg and D. A. Mellichamp, Theoretical Analysis of Long-Range Predictive
Controllers, American Control Conference, Pittsburg, PA (1989).
K. Furuta, VSS Type Self-Tuning Control. IEEE Trans. on Ind. Electronics, 40, 1993, pp. 37-44.
W. Wang and R. Henriksen, (1992). Direct Adaptive Generalized Predictive Control. Proc. of American
Control Conference, Chicago, USA, 2402-2406.
D.W. Clarke and P. Gathwrop, Self-Tuning Controller. Proc. of the IEE, 122, 1975, pp. 929-934.

[2]
[3]
[4]
[5]
[6]
[7]
[8]
[9]
[10]
[11]
[12]
[13]

NTM - 153