Modelagem e Simulação – Parte 1

Prof. Emanuel Benício

 Sumário
• Introdução
• Por quê obter um modelo de um sistema real?
• Conceito de Modelagem, e tipos de Modelo
• Noção sobre estabilidade de sistemas
• Convolução
• Diagrama do lugar das raízes
• Exemplos
• Conclusão
• Principais Referências

Modelagem Empírica Prof. Emanuel Benício 2

 Introdução: Por quê obter um modelo de um
sistema real?
Considere o reservatório de processo abaixo. Uma vazão de
entrada flui para o reservatório livremente, ao passo que a vazão
de saída depende da velocidade da bomba. A velocidade da
bomba é regulada pelo sinal 𝑚(𝑡), em %. A relação entre o fluxo
de saída e o sinal 𝑚(𝑡) é dado por
𝑑𝑓0 (𝑡)
𝜏𝑝 + 𝑓0 𝑡 = 𝑘𝑝 𝑚 𝑡
𝑑𝑡
Observe que o fluxo da bomba não depende do nível no
reservatório, mas do sinal de entrada 𝑚 𝑡 .

Modelagem Empírica Prof. Emanuel Benício 3

Vamos desenvolver um modelo matemático que: relacione
𝑓𝑖 (𝑡) → ℎ 𝑡 ; 𝑚(𝑡) → ℎ(𝑡). Considere 𝑚 𝑡 = −𝐵𝑢 𝑡 .
Resolvendo:
Para o tanque:
𝑃𝑟𝑜𝑝𝑜𝑟çã𝑜 𝑑𝑒 𝑚𝑎𝑠𝑠𝑎 𝑑𝑒𝑛𝑡𝑟𝑜 𝑑𝑜 𝑟𝑒𝑠𝑒𝑟𝑣𝑎𝑡ó𝑟𝑖𝑜
− 𝑃𝑟𝑜𝑝𝑜𝑟çã𝑜 𝑑𝑒 𝑚𝑎𝑠𝑠𝑎 𝑓𝑜𝑟𝑎 𝑑𝑜 𝑟𝑒𝑠𝑒𝑟𝑣𝑎𝑡ó𝑟𝑖𝑜
= 𝑃𝑟𝑜𝑝𝑜𝑟çã𝑜 𝑑𝑎 𝑣𝑎𝑟𝑖𝑎çã𝑜 𝑑𝑒 𝑚𝑎𝑠𝑠𝑎 𝑎𝑐𝑢𝑚𝑢𝑙𝑎𝑑𝑎 𝑛𝑜 𝑟𝑒𝑠𝑒𝑟𝑣𝑎𝑡ó𝑟𝑖𝑜
𝑑ℎ(𝑡)
𝜌𝑓𝑖 𝑡 − 𝜌𝑓0 𝑡 = 𝜌𝐴
𝑑𝑡
𝑙𝑏𝑚 𝑓𝑡 3 𝑙𝑏𝑚 𝑓𝑡 3 𝑙𝑏𝑚 𝑓𝑡 2
− = 𝑓𝑡 2
𝑓𝑡 3 𝑚𝑖𝑛 𝑓𝑡 3 𝑚𝑖𝑛 𝑓𝑡 3 𝑠
𝑙𝑏𝑚 𝑙𝑏𝑚 𝑙𝑏𝑚
− =
𝑚𝑖𝑛 𝑚𝑖𝑛 𝑚𝑖𝑛
Para a bomba:
𝑑𝑓0 (𝑡)
𝜏𝑝 + 𝑓0 𝑡 = 𝑘𝑝 𝑚 𝑡
𝑑𝑡

Modelagem Empírica Prof. Emanuel Benício 4

 Conceito de Modelo Matemático
• “Um modelo matemático nada mais é do que
uma abstração matemática de um processo
real.” (Seborg et al., 2004)

• “O modelo matemático de um sistema é

definido como um conjunto de equações usado
para representar um sistema físico” (Dicionário
do IEEE). 0.12
Step Response

0.1

k 0.08

Amplitude
0.06

F 0.04

m
0.02

b 0
0 1 2 3 4 5 6
Time (seconds)
5

Nenhum modelo matemático de um sistema físico é exato. Na prática, pretende-se

encontrar um modelo adequado para sob determinadas condições de operação.
 Por que obter um modelo de um sistema
real?

• Simular situações e cenários, possibilitando

conhecer (analisar) o comportamento
(desempenho) do sistema para determinadas
faixas de operacionais;
• Prever comportamentos futuros baseado em
observações passadas;
• para o uso no controle, supervisão,
otimização, detecção de falhas e diagnóstico de
componentes de processos, dentre outros.
Modelagem Empírica Prof. Emanuel Benício 6
 Principais Finalidades
• Simulação de situações e cenários,
possibilitando conhecer (analisar) o
comportamento (desempenho) do sistema para
determinada faixa de operação;

• Prever comportamentos futuros baseado em

observações passadas;

• para o uso no controle, supervisão, otimização,

detecção de falhas e diagnóstico de componentes
de processos, dentre outros.

7
Exemplo:
• Sistema de filtragem de sinais

Sinal Computador
com ou circuito Sinal filtrado.
ruído elétrico
• Sistema de reconhecimento de voz

Sinal de Computador Ação

voz

• Sistema de controle de temperatura

8
• Sistema de filtragem de sinal de voz

9
Exemplo:
• Sistema de controle digital

10
Exemplo:
• Sistema de Evaporação Flash

11
 Exemplo:
Sistema de Evaporação Flash

PV

12
 Exemplo: Sistema fluídicos – Sistema de Nível
de Líquido (Ogata, pg. 79)
Considere um sistema com um tanque.
A Equação Diferencial mantendo-se R constante é:
𝑑ℎ
𝑅𝐶 + ℎ = 𝑅𝑞𝑖
𝑑𝑡

𝑞0 = ℎ/𝑅

02 tanques – ver página 80 (Ogata)
Onde,
𝑞𝑖 pequeno desvio em relação ao ponto
de operação na vazão de entrada;
𝑞0 pequeno desvio em relação ao ponto de
operação na vazão de saída;
ℎ pequeno desvio em relação ao ponto de
operação na altura da coluna de líquido.
R é a resistência a passagem de líquido a
través de um tubo ou restrição
13
 Reator químico de mistura (reator contínuo com
agitação – CSTR – Continuous Stirred Tank Reactor)

14
 Conceito
Sistema

“Pode ser definido como um conjunto de objetos

agrupados por alguma interação ou interdependência, de
modo que existam relações de causa e efeito nos
fenômenos que ocorrem com os elementos deste
conjunto.” 15
 Os modelos podem ser:
• Físicos:

Planta Piloto: CTAI - UFBA Protótipo

• Matemáticos

16
 Tipos de Modelos
• Estáticos e dinâmicos.
• Discretos e contínuos
• Paramétricos e não-paramétricos.
• Determinísticos e estocásticos.
• Monovariáveis e multivariáveis.
• Lineares e não-lineares
• Causal e não-causal

17
 Tipos de Modelos
• Estáticos:
- Considerando V0, como a tensão no
aquecedor, vi, como a tensão na entrada do
aquecedor, tem-se: vi

V0=Ri
v0
Sistemas de equações algébricas

• Dinâmico:
- Possui efeito memória
ℎ𝑖 = pequena variação na taxa de entrada de calor
𝜃 = pequena variação na temperatura
C = capacitância térmica 18
 Tipos de Modelos
• Discretos

𝑦 𝑛 + 4𝑦 𝑛 − 1 + 2𝑦 𝑛 − 2
= 𝑥 𝑛 + 3𝑥[𝑛 − 1]

• Contínuos
𝑑𝑖(𝑡) 𝑖(𝑡) 𝑑𝑥(𝑡)
𝑅 + =
𝑑𝑡 𝑐 𝑑𝑡

19
 Tipos de Modelos
• Paramétricos:
- utiliza em sua estrutura um conjunto de
parâmetros.

Resposta em frequência

• Não-paramétricos:
Resposta ao impulso

20
 Tipos de Modelos
• Determinísticos:
A saída é conhecida, desde que se conheçam as
entradas e as condições iniciais.
• Estocástico:
Contém termos aleatórios que tornam
impossível um cálculo exato da saída.

21
 Tipos de Modelos
• Ex. de modelos estocásticos (Aguirre, 2000):
-Considere um modelo de uma determinada população de besouros
𝐿 𝑘 + 1 = 𝑣𝐵 𝑘
𝐶 𝑘 + 1 = 𝐿 𝑘 1 − 𝜇1
B 𝑘 + 1 = 𝐶 𝑘 1 − 𝜇𝑐 + 𝐵(𝑘) 1 − 𝜇𝑏
onde,
𝐿 é a população de larvas, 𝐶 número de casulos, 𝐵 número de besouros, 𝑣
a taxa de natalidade; 𝜇1 , 𝜇𝑐 e 𝜇𝑏 as taxas de mortalidade das larvas,
casulos e besouros, respectivamente.

Se o modelo não explica exatamente as observações, tem-se:

B 𝑘 + 1 = 𝐶 𝑘 1 − 𝜇𝑐 + 𝐵 𝑘 1 − 𝜇𝑏 + 𝑒(𝑘 + 1)

22
 Tipos de Modelos
• Monovariáveis:
-EX.:
𝑑𝑖(𝑡) 𝑖(𝑡) 𝑑𝑥(𝑡)
𝑅 + =
𝑑𝑡 𝑐 𝑑𝑡

• Multivariáveis:
-Ex.:
𝑌 = 𝛼 + ෍ 𝛽𝑖 𝑥𝑖

23
 Modelos Causal e Não Causal
• Um sistema contínuo no tempo é chamado de causal se:
a saída deste sistema não depende de entradas que
contenham tempo do tipo: 𝑡 + 𝜏 (Haykin, 2001)
Em que 𝑡 é o tempo presente.
Ex.: 𝑦 𝑡 = 𝑎𝑥(𝑡) é um sistema linear e causal.
Ex.: 𝑦 𝑡 = 𝑥 2 (𝑡) é um sistema...
1 𝑡+𝑇
Ex.: 𝑦 𝑡 = ‫׬‬ 𝑥 𝜏 𝑑𝜏 é um sistema...
𝑇 𝑡−𝑇
EX.: 𝑦 𝑛 = 𝑎1 𝑥 𝑛 + 𝑎2 𝑥 𝑛 − 1 + 𝑎3 𝑥 𝑛 − 2 é
um sistema...
EX.: 𝑦 𝑛 = 𝑎1 𝑥 𝑛 + 1 + 𝑎2 𝑥 𝑛 + 𝑎3 𝑥 𝑛 − 1 é
um sistema...

24
 Estabilidade
Se 𝑥(𝑡) < 𝐵𝑥 < ∞ para todo 𝑡

Então 𝑦(𝑡) < 𝐵𝑦 < ∞ para todo 𝑡

Onde, 𝐵𝑥 e 𝐵𝑦 são, respectivamente, os

valores máximos em módulo de 𝑥 𝑡 e
𝑦(𝑡).
Ex.: 𝑦 𝑡 = 𝑥 2 (𝑡)
Ex.: 𝑦 𝑡 = 𝑒 2𝑡
25
 CONVOLUÇÃO EM TEMPO DISCRETO
Inserindo a entrada
𝑥 𝑛 = σ∞ 𝑘=−∞ 𝑥 𝑘 𝛿[𝑛 − 𝑘] no sistema 𝐻, tem-se:
∞

𝑦 𝑛 =𝐻 ෍ 𝑥 𝑘 𝛿[𝑛 − 𝑘]
𝑘=−∞
E usando a propriedade da linearidade, tem-se
+∞

𝑦 𝑛 = ෍ 𝑥 𝑘 𝐻{𝛿 𝑛 − 𝑘 }
𝑘=−∞
+∞

= ෍ 𝑥 𝑘 ℎ𝑘 [𝑛]
𝑘=−∞
ℎ𝑘 [𝑛] é a resposta ao impulso.

26
• Como é sabido que o sistema LTI é invariante
no tempo, então 𝑦[𝑛] = σ+∞
𝑘=−∞ 𝑥 𝑘 ℎ𝑘 [𝑛]
pode ser reescrito como:
+∞

𝑦 𝑛 = ෍ 𝑥 𝑘 ℎ 𝑛−𝑘
𝑘=−∞
+∞

𝑦 𝑛 = 𝑥 𝑛 ∗ ℎ 𝑛 = ෍ 𝑥 𝑘 ℎ[𝑛 − 𝑘]
Operador de Convolução
𝑘=−∞ Soma da Convolução

27
 Matlab

• Convolução
y = conv(x,h) % em que x é a entrada e h a
resposta ao impulso do sistema, x e h são
vetores.
O primeiro elemento de y estará no número
de amostra (“tempo”) n= kx+ky , onde kx e ky
referem-se, respectivamente, ao índice de
tempo do primeiro elemento de x e de y.
Ex.: Convolução entre pulsos de altura
e largura unitária.

29
 Conexão de Sistemas no Domínio do
Tempo
• Paralela:
ℎ1 (𝑡)
𝑥(𝑡) 𝑦(𝑡)
ℎ2 (𝑡)

𝑥 𝑡 ∗ ℎ1 𝑡 + 𝑥 𝑡 ∗ ℎ2 𝑡 = 𝑦(𝑡)
• Representação Equivalente:

30
Comportamento dinâmico de Sistemas
LIT de Primeira Ordem
São sistemas diferenciais que envolvem apenas
a primeira derivada da saída na sua equação.
Sistemas de Primeira Ordem
Resposta ao Degrau Unitário

A Transformada de
Laplace da Função
Degrau Unitário é 1/s
Sistemas de Primeira Ordem
Resposta ao Degrau Unitário
Sistemas de Primeira Ordem
Resposta à Rampa Unitária

A Transformada de
Laplace da Função Rampa
é 1/s2
Sistemas de Primeira Ordem
Resposta à Rampa Unitária
Sistemas de Primeira Ordem
Resposta ao Impulso Unitário
Propriedade Importante de Sistemas Lineares
Invariantes no Tempo
Pólos e Zeros de Um Sistema de Primeira
Ordem – Um Exemplo (1)
Pólos e Zeros de Um Sistema de Primeira
Ordem – Um Exemplo (2)
 Pólos e Zeros de Um Sistema de Primeira
Ordem – Um Exemplo (3)

Um
OsUm pólo
zeros sobre
pólo
e pólos
na o eixo
da função
geramreal
deas gera
entradauma
transferência
amplitudesresposta
gera atanto
forma
gera exponencial
da resposta
apara
forma
a respostada forma
forçada
da resposta e-αt,
(isto
forçada
natural
é, o–α,
onde
quanto
(isto é,éoana
pólo
para alocalização
pólo origem
resposta do pólo
em -5 gerou
gerou uma
natural sobre eo-5teixo
função
a função
(isto pode degraureal.
naAssim quanto mais à
saída.
)ser percebido pelos
esquerda
cálculos de noAeixo real negativo, estiver um pólo, mais rápido o
1 e A2
decaimento da resposta transiente exponencial para zero.
Funções de Primeira Ordem Obtidas
Experimentalmente
LUGAR GEOMÉTRICO DAS RAÍZES
 Introdução
• O método do lugar geométrico das raízes (LGR) é uma técnica
gráfica poderosa para investigar os efeitos do valor de um
parâmetro do sistema sobre a localização dos pólos a malha
fechada. Na maioria dos casos, o parâmetro considerado é o ganho
de malha K.
• De uma forma genérica, o objetivo da análise LGR é avaliar o
comportamento das raízes do sistema em malha fechada.
• No projeto de um sistema de controle linear verifica-se que o
método do lugar das raízes se torna muito útil, uma vez que indica a
maneira pela qual os polos e zeros a malha aberta devem ser
modificados para que a resposta satisfaça as especificações de
desempenho do sistema.
• Numa abordagem mais restrita, porém mais comum, o LGR é
utilizado para analisar o comportamento das raízes do sistema em
malha fechada quando variamos o ganho K de 0 a ∞.
• Através do método do LGR, é possível
determinar o valor do ganho de malha k que
produza o coeficiente de amortecimento
prescrito para os polos dominantes a malha
fechada.
• Considere o sistema ilustrado na imagem
abaixo:

• Que em malha fechada pode ser reescrito na

forma:

• Vamos avaliar o que acontece com as raízes do

sistema em função do valor de K
 Diagrama do Lugar das Raízes
• Condição de ângulo e de módulo:
Considere o sistema abaixo:

A função de transferência a malha fechada é

𝑌(𝑠) 𝑘𝐻(𝑠)
=
𝑋(𝑠) 1 + 𝑘𝐻 𝑠 𝐺(𝑠)

e a equação característica para este sistema é

1
1 + 𝑘𝐻 𝑠 𝐺 𝑠 = 0 ou 𝐻 𝑠 𝐺 𝑠 = −
𝑘
• A técnica para o L. G. R. é baseada nas propriedades
da equação:
1
𝐻 𝑠 𝐺 𝑠 =−
𝑘
Como o lado direito da equação acima é real, um
ponto 𝑠0 só pode ser um polo de malha fechada se o
lado esquerdo também for real, ou seja:
𝐺 𝑠0 𝐻 𝑠0 = 𝐺 𝑠0 𝐻 𝑠0 𝑒 𝑗∡𝐺 𝑠0 𝐻 𝑠0

Logo: 𝑒 𝑗∡𝐺 𝑠0 𝐻 𝑠0
= ±1

Observa-se então que para 𝑠0 ser um polo de malha

fechada, deve-se ter:

𝑒 𝑗∡𝐺 𝑠0 𝐻 𝑠0
= 𝑚ú𝑙𝑡𝑖𝑝𝑙𝑜 𝑖𝑛𝑡𝑒𝑖𝑟𝑜 𝑖𝑚𝑝𝑎𝑟 𝑑𝑒 𝜋
Sabendo-se que 𝐺 𝑠 𝐻 𝑠 é uma razão de
polinômios em s, uma vez que eles
representam uma quantidade complexa,
pode-se obter a condição angular:

e a condição de módulo:

Os valores de s que satisfazem simultaneamente as

condições de ângulo e módulo são as raízes da equação
característica, ou os pólos a malha fechada.
➢ O gráfico dos pontos do plano complexo que satisfazem
apenas a condição angular é o lugar das raízes.
➢ As raízes da equação característica correspondentes a
um dado valor do ganho podem ser determinadas a
partir da condição de módulo.
• Em muitos casos G(s)H(s) envolve um parâmetro de ganho K e
a equação característica pode ser escrita como:

Então, os lugares das raízes para o sistema são os lugares dos

pólos a malha fechada quando o ganho K é variado de zero
para infinito.
• Por exemplo, se G(S)H(S) for:

onde neste exemplo, considera-se −𝑝2 e −𝑝3 pólos complexos

conjugados. Então G(S)H(S) é:

onde, 𝜙1 , 𝜃1 , 𝜃2 , 𝜃3 , 𝜃4 são medidos no sentido anti-horário.

O módulo de G(S)H(S) para este sistema é

onde 𝐴1 , 𝐴2 , 𝐴3 , 𝐴4 e 𝐵1 são os módulos das

grandezas complexas 𝑠 + 𝑝1 , 𝑠 + 𝑝2 , 𝑠 + 𝑝3 ,
𝑠 + 𝑝4 e 𝑠 + 𝑧1 , respectivamente.
• Pelo fato dos polos e zeros complexos
conjugados de malha aberta, caso existam,
situarem-se sempre simetricamente em
relação ao eixo real, o lugar das raízes será
sempre também simétrico ao eixo real.
• Portanto, será necessário apenas construir a
metade superior do lugar das raízes e
desenhar a imagem espelhada da metade
superior na metade inferior do plano s.
Exemplo: Para o sistema abaixo, considerando-se que K é
𝐾
não-negativo. Sabendo-se que 𝐺 𝑠 = e𝐻 𝑠 =
𝑠(𝑠+1)(𝑠+2)
1.

➢ Esboce o gráfico do lugar das raízes.

➢ Determine o valor de K para que o coeficiente de
amortecimento 𝜉, relativo ao par de pólos complexos-
conjugados dominantes, a malha fechada, seja 0,5.
• Condição de ângulo

• Condição de módulo
 Passo 1. Determinar o lugar das raízes no eixo real
• Os pólos em malha aberta desse sistema são:
s=0, s=-1, s=-2.
• Seleciona-se um ponto de teste s
1
Se esse ponto de teste estiver no eixo real positivo,
então

Isto indica que a condição angular não pode ser satisfeita.

2
Seleciona-se um ponto de teste no eixo real negativo
entre 0 e -1

A condição angular é satisfeita, por tanto, o segmento do eixo real

negativo entre 0 e -1 constitui uma parte do lugar das raízes.
 –
3 Se um ponto de teste for selecionado entre -1 e -2, então

Observa-se que a condição de ângulo não é satisfeita.

4
Se um ponto de teste for localizado entre −2 e −∞, tem-
se:

e a condição angular será satisfeita.

Como consequência, haverá um lugar das raízes entre 0 e -1 e
entre -2 e −∞.
 Passo 2. Determinar as assíntotas dos lugares das
raízes
Se um ponto de teste for selecionado muito
distante da origem, então

• Condição angular:

ou
Passo 3. Determinar o Ponto de Separação de Partida

• Para determinar o ponto de separação de

𝑑𝑘
partida basta fazer = 0, para a equação
𝑑𝑠
característica (𝐺 𝑆 + 1 = 0) e encontrar as
raízes:
Passo 4. Determinar os Pontos em Que o Lugar das Raízes
cruzam os eixos imaginários
• Deve-se usar o Critério da Estabilidade de Routh
na equação característica para determinar os
pontos de interseção

3𝑠 2 + 𝑘 = 0
𝑠 = ±𝑗 2
ou
w=± 2
Passo 5. Esboçar o Lugar das Raízes com base nas etapas
anteriores
 Continuação do Exercício 1:
Determine o valor de K para que o coeficiente de
amortecimento 𝜉, relativo ao par de pólos
complexos-conjugados dominantes, a malha
fechada, seja 0,5.

• Lembrando:
Usando-se o valor de K , obtém-se o terceiro pólo em 𝑠 = −2,3326.
Regras gerais para esboçar o LGR
R1 – Marcar no plano S os pólos (x) e zeros (o) de malha aberta.
OBS:
a) Número de ramos = número de pólos
b) Os pólos vão caminhar na direção dos zeros e os pólos que “restarem”
(podemos ter mais pólos do que zeros), vão caminhar para 
c) O LGR é simétrico em relação ao eixo real

R2 – Marcar o trecho do LGR que está no eixo real, ou seja, os trechos do

eixo real que na sua direita contem um número impar de pólos+zeros
R3 – Desenhar as assintotas:
- Calcular o ponto por onde passam as assintotas:  
 polos   zeros
- Calcular o ângulo das assintotas N .Polos  N .Zeros
180  k 360 o

N .Polos  N .Zeros
OBS: na prática, 180/(N.Polos – N.Zeros), ou seja:
- 2 pólos sobrando, ângulo = 180/2 = 90º
- 3 pólos sobrando, ângulo = 180/3 = 60º
- n pólos sobrando, ângulo = 180/n
R4 – Calcular os angulos de partida (partida dos pólos ou chegada nos
zeros)
 z  p
    180  k360 o

R5 – Determinar os chamados pontos de quebra (break-points), os quais

associam pontos em que as raízes saem ou chegam no eixo real.
 D( s)   N (s) 
Seja G(s) = N(s) /D(s) N ( s ) d   D ( s )d 0
 ds   ds 

R6 – Usar critério de Routh-Hurwitz para determinar o cruzamento com o

eixo imaginário
 Bibliografia
1. Aguirre, L. A. Introdução a Identificação de Sistemas – Técnicas Lineares e Não-
Lineares Aplicadas a Sistemas Reais, Ed. UFMG, 2000.
2. Claudio Garcia. Modelagem e Simulação (2ª edição). EDUSP, São Paulo, 2005.
3. Katsuhiko Ogata. Engenharia de Controle Moderno, Pearson Education-Br, 5ª
edição, 2011;
4. Ljung, L. System Identification - Theory for the User. 2nd ed., Prentice-Hall,
Englewood Cliffs, N.J, 1999.
5. Nelles, O. Nonlinear System Identification: From Classical Approaches to Neural
Network and Fuzzy Models, Springer, 2001.
6. Haykin, S; Van VEEN, B. Signals and Systems. New York, 1999.
7. Ifeachor, E. C; JERVIS, B. W. Digital Signal Processing - A Pratical Approach, 2nd
edn, Pearson Education, 2002.
8. Coelho, A. A. R; Coelho, L. S. Identificação de Sistemas Dinâmicos Lineares,
UFSC, 2004;

66
 Controladores PID
✓Mais de 90% de todos os controladores usados em processos industriais
empregam esquemas de Controle PID.

✓A popularidade dos controladores PID pode ser atribuída parcialmente ao

seu desempenho robusto sobre uma grande faixa de condições operacionais e
a sua simplicidade operacional.

✓Para se implementar um Controlador PID, três parâmetros devem ser

determinados:
o Ganho Proporcional Kp
o Ganho Integral Ki
o Ganho Derivativo Kd

✓ O processo de selecionar os Parâmetros do Controlador que garantam uma

dada especificação de desempenho é conhecido como Sintonia do
Controlador.
Modelagem e Controle de
67
Sistemas I
 Controladores PID
✓ Seja o sistema:

Modelagem e Controle de
68
Sistemas I
 AÇÃO PROPORCIONAL

Neste tipo de ação, o sinal de controle aplicado à planta é

proporcional à amplitude do sinal de erro. Ou seja a relação entre a
ação de controle u(t) e o erro de atuação e(t) é dado por:
𝑢 𝑡 = 𝑘𝑝 𝑒(𝑡)
ou expresso na variável de Laplace como:
U 𝑠 = 𝑘𝑝 𝐸(𝑠)
Onde 𝑘𝑝 é denominado constante proporcional.
❖ O controlador proporcional é essencialmente um amplificador com
ganho ajustável;
Modelagem e Controle de
69
Sistemas I
• Considere o sistema de controle de nível de liquido. Suponha
que o controlador é proporcional. Admitindo-se que 𝑞𝑖 , 𝑟, ℎ, 𝑞0
são suficientemente pequenos de modo que o sistema pode ser
considerado linear, além de serem medidos em relação aos
respectivos valores em R.P.
Sabendo-se que a F.T. do sistema de nível de líquido é:
ℎ(𝑠) 𝑅 𝑅
• = =
𝑞𝑖 (𝑠) 𝑅𝐶𝑠+1 𝑇𝑠+1
• Regime laminar:𝑄ത = 𝑘 𝐻
ഥ

• Sabendo-se que o controla-

dor é do tipo proporcional, a
variação da vazão de entrada
é proporcional ao erro atuante 𝒆, tal que:
𝑞𝑖 (𝑠) = 𝑘𝑝 𝑘𝑣 𝑒(𝑠) kv é o ganho da válvula
de controle;
𝑣𝑎𝑟𝑖𝑎çã𝑜 𝑑𝑒 𝑛í𝑣𝑒𝑙
•Modelagem
𝑅 =e Controle de
ൗ𝑣𝑎𝑟𝑖𝑎çã𝑜 𝑛𝑎 𝑣𝑎𝑧ã𝑜
70
Sistemas I
• Diagrama de blocos do sistema

• Diagrama de blocos simplificado

em que, 𝑘 = 𝑘𝑝 𝑘𝑣 𝑅 e 𝑇 = 𝑅𝐶

Modelagem e Controle de
71
Sistemas I
• Observe que na saída de um sistema com
controlador proporcional sempre haverá um
erro residual.

Modelagem e Controle de
72
Sistemas I
 CONTROLADOR PROPORCIONAL
➢ Quanto maior Kp menor erro em regime permanente,
isto é, melhor é a precisão em malha fechada;
➢ O erro em regime permanente pode diminuir com o
aumento do ganho mas nunca conseguiremos anular o
mesmo completamente (erro de off-set) ;
➢ Quanto maior Kp, mais oscilatório tende a ficar o
comportamento transitório do sistema em malha
fechada;
➢ O aumento excessivo do ganho proporcional pode levar
o sistema a instabilidade.

Modelagem e Controle de
73
Sistemas I
 AÇÃO INTEGRAL
• - A principal característica da ação
integral é a eliminação do erro de off-set
deixado pela ação proporcional.

• - Assim, a ação integral vai atuar no

processo ao longo do tempo enquanto
existir diferença entre o valor desejado e o
valor medido.

Modelagem e Controle de
74
Sistemas I
 AÇÃO INTEGRAL
Na ação integral, o valor da ação de controle u(t) varia a uma
taxa proporcional ao sinal de erro e(t):

𝑑𝑢(𝑡)
= 𝑘𝑖 𝑒(𝑡)
𝑑𝑡
𝑡

𝑢 𝑡 = 𝑘𝑖 න 𝑒 𝑡 𝑑𝑡
0

𝑈(𝑠) 𝑘𝑖
=
𝐸(𝑠) 𝑠

Modelagem e Controle de
75
Sistemas I
 AÇÃO INTEGRAL

- a ação integral permite, devido a inserção

de um pólo na origem, aumentar o tipo do
sistema,
- assim, o sistema em malha fechada passa
a ter erro nulo em regime permanente,
- tipicamente, a ação integral não é utilizada
sozinha, vindo sempre associada à ação
proporcional.
Modelagem e Controle de
76
Sistemas I
 • Considere a aplicação da ação integral no sistema de controle de
nível de líquido. Tem-se o seguinte diagrama de blocos:

Uma vez que o sistema é estável, considerando uma entrada ao

degrau, tem-se o seguinte erro em regime estacionário (𝑒𝑠𝑠 ):

𝑒𝑠𝑠 = lim 𝑠𝐸(𝑠)

𝑠→0

𝑠(𝑅𝐶𝑠2 +𝑠) 1
=lim =0
Modelagem e Controle de
Sistemas I
𝑠→0 𝑅𝐶𝑠2 +𝑠+𝑘𝑅 𝑠 77
 CONTROLADOR
PROPORCIONAL – INTEGRAL (PI)
- O controlador proporcional - integral utiliza em conjunto as
ações proporcional e integral,
- Esta combinação tem como principais objetivos:
*corrigir os desvios instantâneos (proporcional);
*e eliminar ao longo do tempo qualquer desvio que
permaneça (integral).

• Tem-se então o seguinte algoritmo de controle PI:

𝑘𝑝 𝑡
𝑢 𝑡 = 𝑘𝑝 𝑒 𝑡 + න 𝑒(𝑡) 𝑑𝑡
Modelagem e Controle de 𝑇𝑖 0 78
Sistemas I
 CONTROLADOR
PROPORCIONAL – INTEGRAL (PI)
A função de transferência do controlador PI é
dada por:

𝑈(𝑠) 1
= 𝐾𝑝 1 +
𝐸(𝑠) 𝑇𝑖 𝑠

➢Ti: Tempo Integral.

➢1/Ti é chamado de taxa de reestabelecimento, que é o número
de vezes por minuto que a parte proporcional da ação de
controle é duplicada.
➢pólo na origem: diminui o erro de seguimento em regime
permanente.
Modelagem e Controle de
Sistemas I
79
• Se o sinal de erro atuante e(t) for uma função
degrau unitário, então a saída do controlador
u(t) é:

Modelagem e Controle de
80
Sistemas I
 CONTROLADOR
PROPORCIONAL – INTEGRAL (PI)
➢ Para altos valores de Ti tem-se a predominância da ação
proporcional, sendo que Ti igual a infinito corresponde ao
controlador proporcional;
➢ Diminuindo Ti a ação integral começa a predominar sobre
a ação proporcional e a resposta tende a se aproximar
mais rapidamente da referência, ou seja, o erro em regime
tende a ser anulado mais rapidamente;

Modelagem e Controle de
81
Sistemas I
 AÇÃO DERIVATIVA
- A ação derivativa tem como propósito
melhorar o comportamento transitório do
sistema em malha fechada,
- esta ação corresponde a aplicação de
um sinal de controle proporcional a
derivada do sinal de erro:
𝒅𝒆(𝒕)
𝒖 𝒕 = 𝑻𝒅
𝒅𝒕

Modelagem e Controle de
82
Sistemas I
 AÇÃO DERIVATIVA
A função de transferência desta ação é dada por:

𝑢(𝑠)
𝐺𝑑 𝑠 = = 𝑇𝑑 𝑠
𝑒(𝑠)

Tal função de transferência implica em um ganho que cresce com o

aumento da frequência, fato este que deixaria o sistema
extremamente sensível a ruídos de alta frequência. Assim, é
fisicamente impossível a implementação de um derivador puro.

Modelagem e Controle de
83
Sistemas I
 CONTROLADOR
PROPORCIONAL – DERIVATIVO (PD)
• A ação derivativa tende a aumentar a estabilidade relativa do
sistema e a tornar a resposta transitória do mesmo mais
rápida.
• A ação derivativa combinada com a ação proporcional tem a
função de “antecipar” a ação de controle afim de que o
processo reaja mais rápido.
• Embora o controle derivativo não afete o erro em regime
estacionário, ele introduz amortecimento no sistema e,
portanto, permite o uso de um valor maior do ganho kp.

𝑑𝑒(𝑡)
𝑢 𝑡 = 𝑘𝑝 𝑒 𝑡 + 𝑘𝑝 𝑇𝑑
𝑑𝑡
Modelagem e Controle de
84
Sistemas I
• Se o sinal de erro atuante e(t) for uma função
rampa unitária, então a saída do controlador
u(t) é dada conforme abaixo:

O tempo derivativo Td é responsável em avançar

o efeito da ação de controle proporcional.
Modelagem e Controle de
85
Sistemas I
• Sistema de controle proporcional de uma carga de inércia.

Resposta ao degrau

• Adicionando o controlador derivativo, tem-se:

Resposta ao degrau

Modelagem e Controle de
86
Sistemas I
 CONTROLADOR PROPORCIONAL
INTEGRAL – DERIVATIVO (PID)

A combinação das três ações de controle

proporcional, integral e derivativa forma o
principal controlador industrial.
Tem-se então o seguinte algoritmo de
controle PID:

Modelagem e Controle de
87
Sistemas I
 CONTROLADOR PROPORCIONAL
INTEGRAL – DERIVATIVO (PID)

Contribuição de cada ação no algoritmo PID:

➢ a ação proporcional faz com que a variável
controlada tenda a variável manipulada;

➢ a ação integral elimina o off-set;

➢ a ação derivativa aumenta o amortecimento do

sistema, reduzindo os máximos de
Modelagem e Controle de
ultrapassagem.
Sistemas I
88
 CONTROLADOR PROPORCIONAL
INTEGRAL – DERIVATIVO (PID)
A função de transferência do controlador PID é
dada por:

❖ É importante ressaltar que esta função de

transferência constitui a versão clássica do controlador
PID. Outras versões e variações serão mostradas
posteriormente.
Modelagem e Controle de
Sistemas I
89
Modelagem e Controle de 90
Sistemas I
 CONTROLADOR PROPORCIONAL
INTEGRAL – DERIVATIVO (PID)
➢ Para baixos valores de Td, tem-se a predominância da
ação proporcional, sendo que Ti está constante, tendo assim
uma resposta oscilatória;
➢ Aumentando Td a ação derivativa começa a predominar
sobre a ação proporcional tendo um comportamento
‘antecipatório’, assim a resposta tende a se aproximar mais
rapidamente da referência;

Modelagem e Controle de
91
Sistemas I
 VARIAÇÕES DO ALGORITMO
PID
OU TIPOS DE PID

❖ Por sua simplicidade, o algoritmo PID

possui algumas variações, ou seja, a
forma como ocorre a combinação dos
termos pode variar significativamente
de fabricante para fabricante.

Modelagem e Controle de
92
Sistemas I
 Controladores PID
Algoritmos PID: formas principais

Modelagem e Controle de
93
Sistemas I
 Controladores PID
Algoritmo PID Padrão ISA

Modelagem e Controle de
94
Sistemas I
 Controladores PID
Resumo das características das Ações Proporcional, Integral e Derivativa
✓O controle proporcional atua na resposta transitória do sistema de forma a
diminuir o tempo de subida (tr), diminuindo adicionalmente o erro de regime
permanente.
✓ O controlador integral elimina por completo o erro de regime permanente,
mas pode piorar a resposta transitória do sistema.
✓ A ação derivativa tem o efeito de aumentar a estabilidade do sistema,
reduzindo o sobressinal e o tempo de estabilidade, com isso melhorando a
resposta transitória.

O efeito final na variável saída do sistema, que é ocasionado pela conjunção destas ações de
controle, pode não seguir exatamente as especificações observadas na tabela. Por esta razão, esta
tabela deverá ser empregada somente como um guia rápido de referência, ficando os ajustes finais
Modelagem e Controle de
doSistemas
controlador ao encargo do projetista. 95
I