Controle II - E - E

 CONTROLE II
ESPAÇO de ESTADOS
Exemplo usando um sistema de 2° ordem:
Solução: (E_E_controle.m)
Alocação_polos.m
 CONTROLE II
ESPAÇO de ESTADOS
Exemplo Utilizando a fórmula ACKERMAN:
Novos polos: -1+2i; -1-2i

 CONTROLE II
ESPAÇO de ESTADOS
Sistema não compensado:

 CONTROLE II
ESPAÇO de ESTADOS
Novos polos: -1+2i; -1-2i = S2 + 2S +5

 CONTROLE II
ESPAÇO de ESTADOS
K = [-1 -3] Sistema compensado

 CONTROLE II
OBSERVADOR de ESTADOS
Quando é realizado o projeto por alocação
de pólos todos os estados devem ser
disponibilizados (medidos) para realizar o
controle. Porém é possível que alguns estados
não sejam acessíveis ou seja inviável utilizar
sensores para medir todos os estados. Ainda
pode não existir conversores A/D disponíveis
no processador que executa o controle para
efetuar a medida. Nestes casos é possível
estimar os estados, usando somente o sinal de
entrada e de saída do processo.
 CONTROLE II
1- Os observadores podem ser implementados

em malha aberta ou malha fechada.
2- Podem ser classificados como:
Ordem plena
Ordem reduzida
Ordem mínima
 CONTROLE II
Aplicações:
– Controle (realimentação de saída).

– Estimação de variáveis de um sistema com
um número reduzido de sensores.
– Predição de sinais.
– Detecção de falhas.
– Filtragem de ruídos.
– Fusão de sinais em sistemas com múltiplos
sensores – robótica móvel.
 CONTROLE II
Um observador de estado estima as variáveis

de estado baseando na medida das variáveis de
saída e das variáveis de controle.
Baseado no Sistema Linear Dinâmico do tipo:

 CONTROLE II
Um observador de estado pode ser aplicado

em malha aberta:
 CONTROLE II
OBSERVADOR de ESTADOS MA
 CONTROLE II
MALHA ABERTA
 CONTROLE II
MALHA FECHADA
Sistema Linear Dinâmico
 CONTROLE II
MALHA FECHADA
 CONTROLE II
MALHA FECHADA
Para projetar um observador de

ordem plena é necessário determinar
um valor para Ke tal que a dinâmica
do erro seja assintoticamente
estável, com velocidade suficiente
de resposta. Consequentemente o
problema resulta em encontrar os
autovalores desejados.
 CONTROLE II
MALHA FECHADA
Matematicamente o problema é o
mesmo de alocação dos polos.
Assim esta propriedade é chamada
de Dualidade.
 CONTROLE II
MALHA FECHADA
Os autovalores (alocação dos polos)

da equação característica podem ser
distintos para o observador desde
que a resposta do observador seja
mais rápido de 2 a 5 vezes em
relação a planta.
 CONTROLE II
MALHA FECHADA
Podendo possuir Polos Iguais
 CONTROLE II
MALHA FECHADA
Podendo possuir Polos Diferentes
 CONTROLE II
MALHA FECHADA
 CONTROLE II
MALHA FECHADA
 CONTROLE II
MALHA FECHADA
Função de transferência do
Controlador - Observador
 CONTROLE II
MALHA FECHADA
Controlador - Observador
 CONTROLE II
MALHA FECHADA
Equação Característica do Sistema

compensado
 CONTROLE II
Ordem Mínima
Quando Algumas das variáveis

podem ser medidas com precisão,
não existindo a necessidade de
serem estimadas, um observador de
Ordem Mínima pode ser
implementado para estimar somente
as variáveis que não permite ser
medidas precisamente.
 CONTROLE II
Ordem Mínima
Sendo n o número de variáveis de

estado, e m as variáveis medidas
diretamente. O Observador de
Ordem mínima será de ordem (n-
m).
 CONTROLE II
Ordem Mínima
 CONTROLE II
Ordem Mínima
Equação de Estado do Observador

 CONTROLE II
Ordem Mínima
 CONTROLE II
Ordem Mínima
 CONTROLE II
Equação de Estado do Observador

Ordem Plena
Ordem Mínima
 CONTROLE II
Ordem Mínima
 CONTROLE II
Ordem Mínima
 CONTROLE II
Saída do Observador
 CONTROLE II
Saída do Observador
 CONTROLE II
Ordem Mínima
 CONTROLE II
Ordem Mínima
Variação do Erro
 CONTROLE II
Ordem Mínima
 CONTROLE II
Ordem Mínima
 CONTROLE II
Ordem Mínima
Eq. Característica antiga do
Observador
Coeficientes 'an'
 CONTROLE II
Ordem Mínima
Observador compensado
 CONTROLE II
Ordem Mínima
 CONTROLE II
Ordem Mínima
Eq. Característica Nova do sistema
compensado
 CONTROLE II
MPC – MODEL PREDICTIVE CONTROL
O MPC é um método baseado em

controle ótimo, isto é, que seleciona as
entradas de controle de forma a
minimizar uma função objetivo. O
cálculo da função objetivo baseia-se
tanto em valores atuais de saídas do
processo quanto em valores preditos por
um MODELO EXPLÍCITO do processo.
 CONTROLE II
A metodologia de projeto de
controladores do tipo MPC é direcionada
para sistemas multivariávies que têm
forte interação entre as variáveis
manipuladas e controladas.
 CONTROLE II
O MPC apresenta vários algoritmos

sendo que todos têm como elemento
básico um modelo nominal da planta
real, gerando assim a denominação de
controle por modelo interno ou IMC (do
inglês Internal Model Control).
 CONTROLE II
Alguns dos algoritmos do MPC são

o MAC (Model Algorithmic Control), o
DMC (Dynamic Matrix Control) e o
GPC (Generalized Predictive Control).
 CONTROLE II
Esta técnica é largamente aplicada a

sistemas que exigem respostas robustas
do seu controlador alinhadas com
eficiência energética.
 CONTROLE II
Um exemplo está no sistema de

controle de um foguete que precisa se
manter em equilíbrio, e que deve ter um
controle o mais eficiente possível pois
quanto mais gastar combustível para
correção de um distúrbio, de mais
combustível ele precisará para levar o
próprio combustível que será utilizado.
 CONTROLE II
A ideia de se utilizar um indicador

para o desempenho de um sistema que
fosse um índice quadrático dos erros de
saída e dos esforços de controle foi
introduzida por Kalman em 1960.
 CONTROLE II
O nome de regulador linear

quadrático LQR foi dado
posteriormente por Athans.
 CONTROLE II
Um indicador de desempenho
calculado pelo erro quadrático de saída já
havia sido proposto em 1957 por
Newton, Gould e Kaiser mas nenhum
algoritmo havia sido proposto por eles
até então.
 CONTROLE II
LQR – Controle Ótimo Linear Quadrático
Se o processo for linear, o MPC se

torna um caso de Controle Ótimo Linear
Quadrático LQR.
 CONTROLE II

Parâmetros de Otimização
Erro = e(t) = R(t)-Y(t) será -X(t)
Para R(t)=0; e X(t) = Y(t)
Energia = u(t)
Indicador de Desempenho (J)
 CONTROLE II

Indicador de Desempenho (J)
Função objetivo (J): função a ser minimizada (que

penaliza o esforço de controle e o erro de predição
do sistema) para encontrarmos o sinal de controle
adequado.
 CONTROLE II
Em que Q e R são matrizes

Hermitianas definidas positivas ou real
simétricas. E que determinam a
importância relativa do erro e do
consumo de energia.
* Matriz Hermitiana Uma matriz é dita
matriz hermitiana ou auto-adjunta se for
idêntica à sua transposta conjungada.
 CONTROLE II

 CONTROLE II
Assim existe pelo menos uma solução para P.

 CONTROLE II
Obtem-se a relação após a derivada.
P deve ser definida positiva e que satisfaça a

equação.
 CONTROLE II
Admitindo que todos os autovalores (polos) sejam

negativos de (A-BK), o sistema ficará estável e
deverá se acomodar no valor de referência,
para sp = 0 teremos X(∞) = 0.
Portanto o índice de desempenho J poderá ser
calculado como:
 CONTROLE II
Podendo ser obtido em termos das condições

iniciais de x(0), xT(0) e P.
 CONTROLE II
Uma vez suposto que R é uma matriz

hermitiana ou real simétrica definida positiva,
pode-se escrever:
T deve ser não singular (determinante

diferente de zero).
 CONTROLE II

 CONTROLE II

Substituindo R dentro dos colchetes.
Para PT = P
 CONTROLE II
A minimização de J com relação a K requer a

minimização de:
 CONTROLE II

minimização de:
 CONTROLE II

minimização de:
 CONTROLE II
Fixando K conseguimos determinar P.

 CONTROLE II
Equação Matricial de RICCATI.

 CONTROLE II
Determinamos o valor da matriz P após a

escolha das matrizes Q e R.
Matriz Q: peso para o índice de erro das variáveis
de estado.
•Valores elevados reduzem o erro em relação
à referência, mas aumentam o esforço de controle.
•Valores reduzidos aumentam o erro e
diminuem o esforço de controle;
 CONTROLE II
Determinamos o valor da matriz P após a

escolha das matrizes Q e R.
Matriz R: Peso para o índice do esforço do
controlador e consumo de energia.
•A redução de R resulta em ganhos que
tenham magnitude que podem não ser
implementáveis na prática (Ganhos com valores
altos);
•O aumento de R eleva o erro.
 CONTROLE II
Exercícios 1
 CONTROLE II
Exercícios 1
 CONTROLE II
Exercícios
 CONTROLE II

Aumentando a prioridade de estabilização da
variável de estado x1 em 5000.
 CONTROLE II

 CONTROLE II

 CONTROLE II

Exercício 2.
 CONTROLE II

Aumentando o esforço de controle R logo R=0.01.
 CONTROLE II

 CONTROLE II

 CONTROLE II

•O controle LQR oferece uma forma metódica de
cálculo dos ganhos de realimentação de estados a
partir da minimização de um fator de desempenho
quadrático J;
•A resposta do sistema depende dos valores
projetados para as matrizes Q e R, as quais
determinam a importância relativa do erro e da
quantidade de energia necessária no processo de
controle, respectivamente;
 CONTROLE II

•As matrizes Q e R são definidas empiricamente,
portanto, estão sujeitas a diferentes respostas, que
serão tão boas quanto maior a faixa de valores
testados, permitindo assim definir a configuração
que melhor se encaixa para um dado projeto;
 CONTROLE II

•Vantagens do conversor LQR:
–Permite a minimização da energia demandada
pelo sistema, resultando em melhor rendimento do
sistema de controle;
•Desvantagens do conversor LQR:
–Limitação da técnica relacionada à maneira
aleatória de definição dos ganhos do controlador,
sendo difícil definir a condição ótima de ganhos.
 CONTROLE II

 CONTROLE II
Equação da dinâmica do sistema.

 CONTROLE II
M=2; m=0.5; l=0.15; g=9.81;

A=[0 1 0 0; (M+m)*g/(M*l) 0 0 0; 0 0 0 1;-m/(M*g) 0 0 0];
B=[0; -1/(M*l); 0; 1/M];
C=[1 0 0 0; 0 1 0 0; 0 0 1 0;0 0 0 1];
D=[0;0;0;0];
Q=[1 0 0 0; 0 1 0 0; 0 0 1 0;0 0 0 1];
R=[1];
[K,P,E]=lqr(A,B,Q,R);
t=0:0.01:15;
sys=ss(A-B*K,B,C,D);
initial(sys,[-1;0;-1;0],t)
X=initial(sys,[-1;0;-1;0],t);
 CONTROLE II
Ex. 12.13
Polos sistema:-2+2√3j, -2-2√3j, -10, -10

Polos do Observador: -15, -16.
 CONTROLE II
m1=1; m2=2; b=0.6; k=36;
A=[0 0 1 0; 0 0 0 1;-k/m1 k/m1 -b/m1 b/m1;

k/m2 -k/m2 b/m2 -b/m2]
B=[0;0;1/m1;0]
C=[1 0 0 0; 0 0 1 0]
D=[0;0]
J=[-2+2*sqrt(3)*i, -2-2*sqrt(3)*i, -10, -10];
K=acker(A,B,J)
K = [130.4444 -41.5556 23.1000 15.4185];
 CONTROLE II
m1=1; m2=2; b=0.6; k=36;
Aab = [1 0;0 1];

Abb = [-0.6 0.6; 0.3 -0.3];
L = [-15 -16];
Ke = place(Abb’,Aab’,L)’;
Ke = [ 14.4000 0.6000 ]
[ 0.3000 15.7000 ]
t=0:0.01:4;
 CONTROLE II
sys=ss(A-B*K,eye(4),eye(4),eye(4));
initial(sys,[0.1;0;0;0],t)
 CONTROLE II
F=[0 0; 0 0; 1 0;0 1];

AA=[A-B*K B*K*F; zeros(2,4) Abb-Ke*Aab];
 CONTROLE II
sys=ss(AA,eye(6),eye(6),eye(6));
initial(sys,[0.1;0;0;0;0.1;0.05],t)
 CONTROLE II
sys=ss(AA,eye(6),eye(6),eye(6));
initial(sys,[0.1;0;0;0;0.1;0.05],t)

Controle II - E - E

Загружено:

Сведения о документе

Оригинальное название

Авторское право

Доступные форматы

Поделиться этим документом

Поделиться или встроить документ

Параметры публикации

Этот документ был вам полезен?

Это неприемлемый материал?

Авторское право:

Доступные форматы

Controle II - E - E

Загружено:

Авторское право:

Доступные форматы

 CONTROLE II

Novos polos: -1+2i; -1-2i

Sistema não compensado:

Novos polos: -1+2i; -1-2i = S2 + 2S +5

K = [-1 -3] Sistema compensado

1- Os observadores podem ser implementados

2- Podem ser classificados como:

– Controle (realimentação de saída).

Um observador de estado estima as variáveis

Baseado no Sistema Linear Dinâmico do tipo:

Um observador de estado pode ser aplicado

Para projetar um observador de

Os autovalores (alocação dos polos)

Equação Característica do Sistema

Quando Algumas das variáveis

Sendo n o número de variáveis de

Equação de Estado do Observador

Equação de Estado do Observador

MPC – MODEL PREDICTIVE CONTROL

O MPC é um método baseado em

MPC – MODEL PREDICTIVE CONTROL

MPC – MODEL PREDICTIVE CONTROL

O MPC apresenta vários algoritmos

MPC – MODEL PREDICTIVE CONTROL

Alguns dos algoritmos do MPC são

MPC – MODEL PREDICTIVE CONTROL

Esta técnica é largamente aplicada a

MPC – MODEL PREDICTIVE CONTROL

Um exemplo está no sistema de

MPC – MODEL PREDICTIVE CONTROL

A ideia de se utilizar um indicador

MPC – MODEL PREDICTIVE CONTROL

O nome de regulador linear

MPC – MODEL PREDICTIVE CONTROL

LQR – Controle Ótimo Linear Quadrático

Se o processo for linear, o MPC se

LQR – Controle Ótimo Linear Quadrático

LQR – Controle Ótimo Linear Quadrático

Função objetivo (J): função a ser minimizada (que

LQR – Controle Ótimo Linear Quadrático

Em que Q e R são matrizes

LQR – Controle Ótimo Linear Quadrático

LQR – Controle Ótimo Linear Quadrático

Assim existe pelo menos uma solução para P.

LQR – Controle Ótimo Linear Quadrático

Obtem-se a relação após a derivada.

P deve ser definida positiva e que satisfaça a

LQR – Controle Ótimo Linear Quadrático

Admitindo que todos os autovalores (polos) sejam

LQR – Controle Ótimo Linear Quadrático

Podendo ser obtido em termos das condições

LQR – Controle Ótimo Linear Quadrático

Uma vez suposto que R é uma matriz

T deve ser não singular (determinante

LQR – Controle Ótimo Linear Quadrático

LQR – Controle Ótimo Linear Quadrático

LQR – Controle Ótimo Linear Quadrático

A minimização de J com relação a K requer a

LQR – Controle Ótimo Linear Quadrático

A minimização de J com relação a K requer a

LQR – Controle Ótimo Linear Quadrático

A minimização de J com relação a K requer a

LQR – Controle Ótimo Linear Quadrático