Baixe o app para aproveitar ainda mais
Prévia do material em texto
Prof. Ronilson Rocha 1 Controle de Sistemas Multivariáveis Realimentação de Estados • Seja um sistema multivariável com l entradas e n saídas expresso pelo seguinte modelo de estados: )()()( )()()( ttt ttt nxlnxm mxlmxm uDxCy uBxAx += +=• • Supondo que todos os m estados sejam acessíveis, a entrada do sistema pode ser tomada como uma função dos estados do sistema (lei de controle): )]([)( tft xu = • Em geral, a lei de controle é especificada como uma função linear dos estados )()( tt Kxru −= , onde K é uma matriz lxm de ganhos constantes, ou seja, o sinal de realimentação é a soma ponderada de todos os estados do sistema: )()()()( )()()()( )()()()( 2211 222212122 121211111 txKtxKtxKrtu txKtxKtxKrtu txKtxKtxKrtu mlmllll mm mm −−−−= −−−−= −−−−= K M K K • Sistema em malha fechada [ ] BrxABrxBKAKxrBAxx +=+−=−+=• )()()]([)()( ttttt f onde Af=A-BK e a equação característica do sistema de malha fechada é dada por: 0=+−=− BKAIAI ss f Prof. Ronilson Rocha 2 • Controlabilidade: o Um estado x de um sistema dinâmico é dito ser controlável se, para qualquer estado inicial x(0) =x0, existe uma entrada u(t) que produza um estado final x(t1)=x1 em um tempo finito t1. o O conceito de controlabilidade descreve como as entradas do sistema influenciam os estados de um sistema dinâmico. Uma variável de estado é incontrolável se for independente da entrada u(t), de forma que não é possível afetá-la por meio dos esforços de controle. Como exemplo: + − −= • • 2 1 2 1 2 1 00 11 20 01 u u x x x x onde percebe-se que é impossível afetar x2 a partir da entrada u. o Um sistema é dito ser controlável se todos os seus estados são controláveis. Um sistema é controlável se e somente se a sua matriz de controlabilidade, definida como: [ ]BABAABBBA, 12)( −= mKS tem posto (“rank”) completo. o Se o par [A,B] é completamente controlável, existe uma matriz K através da qual é possível estabelecer arbitrariamente a posição dos autovalores da matriz do sistema de malha fechada BKAA −=f . Se um ou mais estados são incontroláveis, os autovalores associados a estes estados também são incontroláveis e não podem ser alocados arbitrariamente. Se for possível estabilizar sistema através da realimentação de estados, este sistema é dito estabilizável. Prof. Ronilson Rocha 3 • Projeto por alocação de pólos o O procedimento de projeto por alocação de pólos resulta em uma matriz de ganhos K tal que os seus elementos podem ser calculados a partir da seguinte equação: ( )( ) ( )mssss λλλ +++=+− K21BKAI onde -λ1, -λ2,... e -λm correspondem as posições das raízes da equação característica (autovalores do sistema) requeridas pelas especificações de projeto. o A realimentação de estados conduz a compensadores com banda passante infinita, quando se sabe que componentes reais e compensadores sempre apresentam uma banda passante finita. A principio, as magnitudes das partes reais dos autovalores podem ser feitas arbitrariamente grandes, tornando a resposta do sistema realimentado arbitrariamente rápida. Entretanto, isto implica em maiores ganhos e, conseqüentemente, em sinais de maiores magnitudes, o que pode levar o sistema real para uma região de operação não linear. o A lei de controle designada para o procedimento de alocação de pólos requer que todos os estados da planta sejam medidos e realimentados. Entretanto, muitas vezes não é possível (ou pratico) medir todos os estados da planta, uma vez que na realidade somente alguns estados (ou combinação destes) são acessíveis como saídas, o que inviabiliza a realimentação de estados nestes casos. Prof. Ronilson Rocha 4 Reconstrução de Estados (Observadores) • Considerando que o vetor de estados não está totalmente disponível para medida (mas somente a saída y), e que qualquer compensador prático deve depender somente das entradas e saídas do sistema, a solução do problema para a realimentação de estados consiste em estimar ou reconstruir os estados a partir das informações do modelo, da entrada u e da saída y. • Considerando que as matrizes A e B do modelo de estados sejam conhecidas, uma estimativa xˆ dos estados x pode ser obtida, a principio, através da equação: BuxAx +=• ˆˆ o Sensibilidade à variação de parâmetros, distúrbios, ruído, etc. o Desconhecimento a priori do valor inicial do vetor de estados x(t) no instante to. Visando melhorar a qualidade da estimativa do vetor de estados, acelerar a convergência e reduzir a sensibilidade paramétrica, o termo de correção y-Cx-Du pode ser adicionado à estrutura (observador): ( )DuxCyLBuxAx −−++=• ˆˆˆ onde a matriz Lnxp estabelece a dinâmica de convergência da estimativa do vetor de estados. • Estrutura do observador de estados: Prof. Ronilson Rocha 5 • Observabilidade: o Um estado x é dito ser observável se, para qualquer tempo finito t1 > 0, um estado inicial x(0) = x0 pode determinado a partir do histórico de u(t) e y(t) no intervalo [0, t1] . Um sistema é dito ser observável se todos seus estados são observáveis. o O conceito de observabilidade descreve como os estados de um sistema dinâmico são detectados pela saída do sistema. Uma variável de estado é dita se não observável se a saída y(t) do sistema não é influenciada de algum modo por esta variável, de forma que não é possível estimá-la a partir das informações obtidas na entrada u(t) e na saída y(t) do sistema. o Um sistema é dito ser observável se todos os seus estados são observáveis. O sistema é observável se e somente se a matriz de observabilidade, definida como: = −1 2),( mCA CA CA C CA M O tem posto (“rank”) completo. o Se uma representação em espaço de estados é simultaneamente controlável e observável, ela é dita ser a realização mínima do sistema, não existindo outra representação com um vetor de estados de dimensão menor de que realiza a mesma relação entrada e saída. Prof. Ronilson Rocha 6 • Erro de estimação o Uma vez que o propósito do observador é obter um vetor de estados estimado o mais próximo possível ao vetor de estados verdadeiro, pode-se definir o erro estimado como: xxe ˆ−= o Assim, a dinâmica do erro de estimação será dada por: eA LC)e(A)xLC(x)xA(x )xCL(yBuxABuAxxxe obs= =−=−−−= =−−−−+=−= ˆˆ ˆˆ&ˆ&& Considerando que a equação característica do erro é dada por: 0=+−=− LCAIAI ss obs o erro de estimação do observador irá convergir para zero em um tempo finito se a matriz Aobs=A-LC for estável (autovalores com parte real negativa). • Projeto por alocação de pólos o O projeto da matriz de ganhos L do observador pode ser realizado de forma similar ao procedimento de alocação de pólos, visando garantir a convergência dos estados observados e minimizar a sensibilidade às variações paramétricas. o Em geral, a matriz L é projetada de forma que a dinâmica do observador seja mais rápida que a do sistema realimentado (2 ou 4 vezes mais rápida). Características do sistema em malha fechada • Uma vez que geralmente nem todos os estados se encontram disponíveis, torna-se necessário empregar um observador de estados para realizar a realimentação de estados. Neste contexto, o projeto é dividido em dois passos: o Projeto da matriz de ganho de realimentação K através da alocação de pólos para estabelecer a dinâmica do sistema em malha fechada; o Projeto do observador para estimar as variáveis de estado. Prof. Ronilson Rocha 7 • Uma vez que o observador é inserido na malha fechada, é necessário considerar os efeitos de sua inclusão. o Uma vez que a planta e o observador possuem ordem m, o sistema resultante em malha fechada será de ordem 2m. o Sistema controlador-observador: ( ) [ ] LBKLCAIKG xKu LyxBKLCAx 1)( ˆ ˆˆ −++−=⇒ −= +−−= ssec& o Modelo de estados do sistema em malha fechada: Variáveis de estado: • Vetor de estado do sistema original x; • Vetor erro de estimação e. ( ) BKeBK)x(AexBKAxxBKAxBuAxx +−=−−=−=+= ˆ& − −= e x LCA0 BKBKA e x & & Equação característica do sistema em malha fechada: 0=+−+− LCAIBKAI ss o A adição do observador não desloca os autovalores estabelecidos no projeto do controlador. o O sistema resultante possui 2m raízes: m raízes alocadas no projeto do controlador; m raízes estabelecidas no projeto do observador. o Uma vez que a dinâmica do observador é normalmente projetada para ser mais rápida, os pólos determinados pelo controlador tendem a ser dominantes no sistema de malha fechada. Prof. Ronilson Rocha 8 Observador de ordem reduzida • Considerando que usualmente as saídas medidas do sistema consistem nas próprias variáveis de estado, não é lógico estimar tais estados uma vez que a expectativa é que a medida direta sempre seja mais precisa que qualquer estimativa, excerto quando a medida é muito ruidosa (neste caso, o observador pode funcionar como um filtro para o ruído). • Para obter um observador de ordem reduzida, o sistema é particionado de forma a separar os estados medidos y dos estados a serem estimados x, obtendo-se: u B B x y AA AA x y + = 2 1 2221 1211 & & [ ]uByAxAx 22122 ++=& (estados estimados) xAuByAy 12111 =−−& (estados medidos) • Por analogia, se admitir a equação dos estados estimados como o novo modelo de estados e que a equação dos estados medidos como a nova saída, o observador de ordem reduzida será dado por: [ ] [ ] [ ] [ ] [ ] yLLBBuyLAAxLAA xAuByAyLuByAxAx & && +−+−+−= −−−+++= 1211211222 1211122122 ˆ ˆˆˆ • A eliminação da derivada do vetor y na equação do observador de ordem reduzida é muito interessante, uma vez que a derivada atua como um amplificador de ruídos de alta freqüência presentes na medição. Esta eliminação pode ser executada através de uma mudança de variável: yLxxLyxx &&& +=⇒+= ee ˆˆˆˆ resultando no observador de ordem reduzida: [ ] [ ] [ ] Lyxx uLBByLAALLALAxLAAx e += −+−+−+−= ˆˆ ˆˆ 12112112221222 ee& Prof. Ronilson Rocha 9 Sistemas de controle ótimo baseados na realimentação de estados • Propriedades da realimentação ( ) ( ) ( ) ( ) SdηrTdGKIηrGKIGKy 11 +−=++−+= −− ( ) ( ) ( ) ( ) TηdrSηGKIGKdrGKIyrε 11 +−=++−+=−= −− ( )[ ] olcl HKGIH 1 ∆∆++=∆ − (sensibilidade às incertezas) • Controle ótimo: projeto de um compensador K de forma a satisfazer os seguintes requisitos básicos: o Estabilidade: O sistema nominal realimentado deve ser estável na presença de distúrbios; o Desempenho: Ajuste da referencia, insensibilidade a variações paramétricas, rejeição de ruídos e distúrbios; o Robustez: Os critérios de estabilidade e desempenho devem ser assegurados na presença de incertezas ∆ no modelo. • Essência do projeto de realimentação: o Minimizar S na banda de freqüências onde os distúrbios e/ou a referencia forem elevados (estabilidade e desempenho); o Minimizar T na banda de freqüências onde as incertezas são elevadas (robustez). • Problema da sensibilidade mista: Uma vez que S+T=I, o projeto consiste basicamente de um “jogo de interesse”, onde, em cada faixa de freqüências, uma função de transferência é privilegiada em detrimento da outra de acordo com a importância distúrbio/comando ou incertezas. • Evidentemente, o problema da sensibilidade mista pode ser formulado como um problema de otimização envolvendo as normas H2 e H∞. Prof. Ronilson Rocha 10 • Regulador Linear Quadrático (LQR) o Definição do problema LQR: Considerando que a realização da planta G(s) seja: uDwDxCy uDwDxCz uBwBAxx 21 12111 21 222 ++= ++= ++=& onde x = vetor de estados; u = sinal de controle; w = vetor de ruídos; y = saídas medidas; z consiste em uma combinação linear entre x, y e u que define os objetivos de controle. Admitindo que uma matriz seja pequena se o traço for pequeno e que a lei de controle seja dada por: Kxu −= encontrar para a planta G(s) uma matriz de realimentação de estados K(s) que minimize a função custo: [ ] [ ]( ) [ ]( )∫∫ ∞∞ =+= 00 ωω dTrdTrTrJ HHH SWTTTSSWW onde W é uma função de pesos. No domínio do tempo, este problema de otimização pode ser convertido para encontrar uma matriz K(s) que minimize a função custo: ( ) += ∫∞→ T dtTEJ TTT 01lim RuuQzz onde Q e R são as matrizes de peso, normalmente escolhidas como semidefinidas positivas: 0e0 ≥=≥= TT RRQQ Prof. Ronilson Rocha 11 o Solução do problema LQR (pelo 2o método de Lyapunov) • Considerando: FFRKxu T=−= e e admitindo que D11 e D12 são nulas, o índice J será dado por ( ) ( )∫∫ ∞∞ +=+= 00 1111 dtdtJ TTTTTTTTT xFKFKQCCxFKxFKxxQCCx utilizando o 2º método de Lyapunov: ( ) ( ) ( ) ( )[ ]xBKAPPBKAxxPxxFKFKQCCx −+−−=−=+ ccTTcTTTTT dtd11 isto implica que ( ) ( )[ ] ( ) ( ) ( ) 0111 11 11 =+− − − −++= =−+−++ − −− QCCPBFFBP PBFFKPBFFKAPPA BKAPPBKAFKFKQCC T c TT c c TT T c TT cc T cc TTTT e a minimização de J com relação a K requer que: ( ) ( ) ( ) c T c T c TT T c TT PBRK PBFFKPBFFKPBFFK 2 1 2 1 2 1 2 1 00 − −−− = =′−⇒= − − onde Pc=PcT≥0 deve ser a única solução positiva semidefinida que satisfaz a equação matricial (conhecida como equação de Riccati): 0112 1 2 =+−+ − QCCPBRBPAPPA TcTcccT Embora a solução da equação de Riccati não seja trivial, ela pode ser obtida através de diversos algoritmos. Prof. Ronilson Rocha 12 o Introdução de termos cruzados no projeto LQR Eventualmente, o problema do regulador LQR pode ser estendido para o caso onde termos com produtos cruzados são introduzidos na medida de desempenho quadrática, de forma que a função custo torna-se: = ∫∞→ T dtEJ TTT 0lim uxRN NQux o que equivale a admitir os objetivos de controle são dados por: uDxCz 121 += Neste caso, a matriz de realimentação K que minimiza esta nova função custo é dada por: ( )TcT NPBRK += − 21 onde Pc=PcT≥0 deve ser a única solução positiva semidefinida que satisfaz a seguinte equação de Riccati: ( ) ( ) 011212 =+++−+ − QCCNBPRNBPAPPA TTccccT Este problema pode surgir quando: • É necessário ponderar a potencia em um sistema; • Plantas não lineares; • Índices não são quadráticos. Prof. Ronilson Rocha 13 o Aproximação LQR de Custo Garantido Para um sistema perturbado: )u∆(B)x∆(Ax BA +++= 2& o projeto do controlador LQR pode assegurar um nível de desempenho linear quadrático considerando todos os distúrbios admissíveis na planta, garantindo uma estabilidade robusta para o sistema de malha fechada (aproximação de custo garantido). • Idéia básica: encontrar um sinal de controle tal que o limite superior de um distúrbio independente seja minimizado na medida de desempenho dada por: ( ) += ∫∞0 dtEJ TT RuuQzz • Solução: xPBRKxu c T 2 1−−=−= onde Pc satisfaz a equação de otimização de custo garantido: 0)(112 1 2 =++−+ − cPUQCCPBRBPAPPA TcTcccT A equação de otimização de custo garantido se adapta a diferentes situações, dependendo em particular da seleção da função U(Pc), que por sua vez, depende da natureza do distúrbio ∆A. Na prática, a tarefa de encontrar a função U(Pc) é muito complicada. Prof. Ronilson Rocha 14 [ ]xKBAx 2−=& o Propriedades do regulador LQR O regulador LQR sempre é assintoticamente estável, uma vez que os autovalores da matriz [A-B2K] sempre estão alocados no semiplano aberto esquerdo. Variações de fase de até 60o podem ser toleradas simultaneamente em cada entrada (margem de fase de pelo menos 60o). O ganho pode ser aumentado indefinidamente semperda de estabilidade (margem de ganho infinita). O regulador LQR apresenta robustez contra qualquer incerteza multiplicativa não estruturada ∆ tal que: ( )( ) 2 1≤∆ ωσ j Prof. Ronilson Rocha 15 • Filtro de Kalman o Considerando que nem todos estados da planta G(s) estejam disponíveis, o sinal de medição seja corrompido por ruídos e que A e C2 formam um par completamente observável, a estrutura de um observador de estados é dada por: uDxCy y)yL(uBAxx 2 2 22ˆ ˆˆ += −++=& onde o erro de estimação é dado por: [ ] x)x(Ax)x(LCA x)x(LCxxAy)yL(xxAxx 2 2 −=−−= =−+−=−+−=− ˆˆ ˆ)ˆ(ˆ)ˆ()ˆ( obs dt d o Se Aobs é uma matriz estável, o erro de estimação tende assintoticamente a zero, mesmo que )0()0(ˆ xx ≠ . O projeto do observador pode ser feito visando obter uma estimativa ótima dos estados no sentido que { }x)x(x)x( −− ˆˆ TE seja minimizada. Neste caso, a solução é dada por 1 2 −= VCPL Tf sendo que Pf = PfT≥0 é a única solução semidefinida positiva que satisfaz a seguinte equação de Riccati: 0112 1 2 =+−+ − TfTffTf WBBPCVCPAPAP onde V e W são matrizes de peso, geralmente escolhidas como as matrizes de covariância do ruído de medição e do ruído de estados, respectivamente. o Este observador ótimo é denominado filtro de Kalman, e a sua solução é dual a solução do LQR (basta trocar na equação de Riccati A→AT, B2→C2T, R→V e C1TQ C1 → B1WB1T). Desta forma, o mesmo algoritmo para obtenção do compensador K pode ser utilizado para a obtenção do ganho do observador L. Prof. Ronilson Rocha 16 • Regulador Linear Gaussiano (LQG) o O Regulador Linear Gaussiano (LQG) consiste na combinação do regulador LQR com o filtro de Kalman. Neste contexto, o resultado ótimo é obtido utilizando a estimativa ótima xˆ do filtro de Kalman como a medida exata dos estados x para o regulador ótimo LQR, reduzindo o problema LQG em dois problemas distintos: Subproblema do regulador (LQR) Subproblema da estimativa de estados (filtro de Kalman). o Os autovalores da planta compensada consistem na união dos autovalores alocados pelo regulador LQR e dos autovalores do filtro de Kalman, resultando em um esquema total internamente estável sob todas as condições declaradas. o Estrutura do compensador LQG o Embora tanto o regulador LQR quanto o filtro de Kalman apresentem boas propriedades de robustez e desempenho, o compensador LQG resultante pode exibir uma margem de estabilidade relativamente pobre, uma vez que seria desejável que a razão de retorno do LQR não fosse alterada com a inclusão do filtro de Kalman: Razão de retorno ideal (ponto 2): [ ] 21 BΦKGK −= onde [ ] 1−−= AsIΦ Razão de retorno real (ponto 1): [ ] 2BΦ2C1LΨ2CILΨK1GK −+−= onde [ ] 1−+−= KBAsIΨ 2 Prof. Ronilson Rocha 17 • Recuperação das propriedades de malha (LTR) o Felizmente, é possível forçar a razão de retorno no ponto 1 a ser aproximadamente igual a razão de retorno no ponto 2 através do projeto do filtro de Kalman. Fazendo B1=B2, Σ=I e W=Wo+qΣ, é possível provar que : [ ] [ ]2GKGK =∞→ 1limq o Procedimento LTR 1. Escolher as matrizes de peso Q e R e encontrar o ganho K do LQR; 2. Especificar a matriz de peso W do filtro de Kalman como uma estimativa da covariância do ruído; 3. Selecionar um parâmetro q pequeno e calcular W; 4. Sintetizar o ganho do filtro de Kalman L; 5. Verificar, através dos valores singulares, se houve a recuperação da função de transferência do LQR; 6. Se a recuperação não foi verificada, aumentar o parâmetro q e repetir todo procedimento a partir do passo 4. o Se o parâmetro q for maior que o necessário, existe a tendência que os ganhos altas freqüências caiam a somente 20 dB/dec. o O procedimento LTR simplifica o projeto do compensador LQG, uma vez que reduz o número de matrizes a ser especificado de forma independente: Os requisitos de desempenho podem ser concentrados na manipulação de Q e R do LQR e a recuperação das propriedades de malha é obtida através da sintonia do filtro de Kalman. Também é possível projetar o filtro de Kalman manipulando as matrizes de covariância W e V para obter os requisitos de desempenho, sintonizando o regulador LQR para a recuperação das propriedades de malha. Prof. Ronilson Rocha 18 • Introdução de integradores no projeto LQG o Um dos requisitos mais comuns em um sistema de controle é que o erro estacionário em regime permanente seja nulo para entradas em degrau, o que é garantido sempre com a introdução de uma ação integral ao controlador. A ação de controle integral é garantida sempre que houver um pólo na origem para cada elemento da matriz G(s)K(s). o Quando isso não ocorrer, tal efeito é obtido introduzindo integradores no sistema aumentando o modelo original da planta. Considerando o sistema: Cxy BuAxx = +=& onde y é o vetor das variáveis que se deseja controlar Novos estados ε, definidos como: ( ) ( )∫ −=∫ −= dtdt rCxryε podem ser introduzidos na planta da seguinte forma: −+ ∆= r u I0 0B ε x C 0A ε x & & , onde a matriz ∆→0. Em regime permanente, ε=εs e x=xs. Então: ( )suu0Bsεε s xx ∆C 0A ε x su0 B sε sx ∆C 0A r I 0 − + − − = ⇒ + = & & Admitindo a lei de controle como: sε2Kε2Ksx1Kx1Ksεε sxx 2K1Ksuu +−+−=− −−=− Os termos em regime permanente serão cancelados mutuamente (us=-K1us-K2εs), e uma ação integral é inserida no controlador: ( )∫ −−−= dtry2Kx1Ku o Para obter o controlador LQG, a matriz ∆ não pode ser nula (ideal), uma vez que neste caso os novos estados não seriam controláveis. Um artifício utilizado para obter a ação integral, é adotar uma matriz ∆ tão pequena quanto possível. Prof. Ronilson Rocha 19 • Uso de pesos variáveis o O uso de pesos fixos restringe o projeto LQG somente a obtenção das propriedades de desempenho e robustez. O emprego de pesos variáveis aumenta a flexibilidade do projeto, habilitando-o para a realização de estruturas mais apropriadas às especificações de desempenho e estabilidade. o O uso de pesos variáveis implica na inclusão de variáveis fictícias de estado ao modelo nominal com o propósito de adicionar dinâmicas extras no sistema original (similar à inclusão de integradores). Como exemplo, considere o projeto de um regulador LQG para o seguinte sistema: [ ] ( ) 1e1 4,01 0 20 11 00 2 2 1 2 1 2 1 =+= = + −= R s Q x x z u x x x x & & definindo uma variável de estado auxiliar x3 como: 31313 21 2 xxxx s x −=⇒+= & o problema é convertido para a forma padrão da seguinte maneira: [ ] 11~,100~ 0 0 20 102 011 000 3 2 1 3 2 1 3 2 1 == = + − −= ReQ x x x z u x x x x x x & & & o Uma vez que a ordem do modelo aumenta com a inclusão de dinâmicas extras, o uso de pesos variáveis implica no aumento da complexidade do controlador. Considerando que os novos estados são fictícios, evidentemente não estarão disponíveis para medição direta, sendo necessário o uso do filtro de Kalman. Prof. Ronilson Rocha 20 • Formalização dos requisitos de controle o Uma grande parte dos esforços no projeto da matriz K tem como objetivo configurar o ganho de malha GK para para satisfazer os requisitos de estabilidade, desempenho e robustez, fazendo que as funções sensibilidade S=(I+GK)-1, sensibilidade complementar T=GK(I+GK)-1 e Gwu=-KS (que representa a função de transferência entre as entradas exógenas w e u) sejam pequenas. o Uma vez que é impossível minimizar simultaneamente todas as referidas funções, o “jogo de interesses” no qual uma função de transferência é privilegiada em detrimento das outras para uma determinada faixa pode ser formalizado pelaextensão do modelo nominal G: o Este sistema aumentado depende somente do modelo nominal G e das três matrizes de peso WS, WT e Wu, e apresenta dois tipos de saídas: Sinais de medição disponíveis: y=Gu+w Requisitos de controle: + = = )(3 2 1 wGuW GuW uW z S T u z z z o Se o sinal de u corresponde à realimentação de y (u=-Ky) então a função de transferência de w para z será: w SW TW GW z − − = S T wuu Prof. Ronilson Rocha 21 o Controlador ótimo H2 o O modelo nominal G aumentado com os requisitos de controle pode ser escrito como: ++= ++= ++= ⇔= u2Dw1DxCy u12Dw11Dx1Cz u2Bw1BAxx u w 22G21G 12G11G y z ee ee 222 & o O problema declarado pela teoria de controle ótimo H2 é encontrar um controlador K(s) próprio e real racional que estabilize internamente o sistema G(s), minimizando o critério: ∫∞ ++= 0 2 2)()( 2 2)()( 2 2)()(2 1 ωωωωωωωπ djwujujjTjjSJ GWTWSW que corresponde a minimizar a norma H2 da matriz de transferência de w para z do modelo estendido Ge, dada por: 21G 1 K22GIK12G11GzwG eeee −−+= o Assumindo que G e WS são funções estritamente próprias (no modelo de estados, D=0), a solução do problema H2 é dada por: −= −++= = xP2Bu x2Cy2CPBuxAxK ˆ )ˆ(ˆˆ )( c T T fs & onde Pf e Pc correspondem a solução das seguintes equações de Riccati: 01122 =+−+ TfTffTf BBPCCPAPAP 01122 =+−+ CCPBBPAPPA TcTcccT o O problema do controlador LQG pode ser colocado na forma padrão do problema do controle ótimo H2, consistindo em um caso especial muito importante do controlador ótimo H2. Prof. Ronilson Rocha 22 • Controladores H∞ o Embora o projeto H2 apresente boas propriedades de robustez, essa condição pode ser melhorada com o projeto H∞. o Admitindo a presença de incertezas aditivas ∆ não estruturadas no sistema cuja única informação disponível é o limite superior de ganho r(s), dado por: ( )[ ] )(max ωωσ jrj <∆ para cada ω, O teorema dos pequenos ganhos assegura que a estabilidade do sistema é mantida na presença de todos distúrbios possíveis da planta se: ( ) 11 <+= ∞−∞ GKI∆GK∆T Neste contexto, um objetivo plausível para o projeto de controle é encontrar um compensador K(s) que estabilize internamente o sistema e minimize ||GK(I-GK)-1||∞. o Problema proposto pela teoria de controle ótimo H∞: encontrar um compensador K(s) que estabilize internamente a planta G(s) e minimize ||Tzw||∞ do modelo expandido, onde Tzw representa a função de transferência entre z e w. Prof. Ronilson Rocha 23 o Caracterização do controlador H∞ Uma vez que a caracterização do controlador ótimo H∞ é mais difícil do que para o problema sub-ótimo, normalmente procura-se encontrar todos Ksub(s) admissíveis tais que ||Tzw||∞<γ. Considerando o sistema expandido dado por: ++= ++= ++= ⇔ = u2Dw1DxCy u12Dw11Dx1Cz u2Bw1BAxx u w 22G21G 12G11G y z ee ee 222 & onde é admitido que D11=0 e D22=0 para simplificação das fórmulas, o controlador sub-ótimo H∞ é dado por: ( ) −= −++== ∞ ∞∞∞ xFu xCyLZuBxAx K 2 ˆ ˆˆˆ )( 2 & ssub onde: ( ) 12 2 2 − ∞∞ − ∞ ∞∞∞∞ ∞ − ∞ −= == += XYIZ CYLXBF XBBAA 2 11 γ γ TT T e as matrizes X∞ e Y∞ são as soluções das seguintes equações de Riccati: 0BBYCCYAYYA 0CCXBBXAXXA T 11 TT 1 T 1 TT =+++ =+++ ∞∞∞∞∞∞ ∞∞∞∞∞∞ onde: TTT TTT CCCCCC BBBBBB 2211 2 2211 2 −= −= − ∞∞ − ∞∞ γ γ Prof. Ronilson Rocha 24 o Condições para existência da solução para o problema sub- ótimo H∞: X∞≥0, Y∞≥0, ρmax( X∞Y∞)<γ2. o Solução do problema do controlador ótimo H∞: Procedimento iterativo para encontrar o menor valor de γ que permita satisfazer de forma consistente as condições de existência da solução. o A aproximação para o problema H∞ tem paralelo com a teoria H2. Embora o controlador H∞ apresente certas similaridades com o controlador H2, existem algumas diferenças que refletem o fato do critério H∞ corresponder ao projeto para os piores sinais exógenos: O controlador H∞ é mais conservativo que o controlador H2. Uma diferença fundamental é que o controlador H∞ depende do distúrbio através de B1 enquanto que no análogo H2 o problema de estimação do sinal ótimo de controle é equivalente à estimativa dos estados. • O controlador H∞ pode ser escrito como: ( ) xFu yxCLZuBwBxAx 221 ˆ ˆˆˆˆ ∞ ∞∞ −= −+++= pior& onde: xXBw ˆˆ 1 2 ∞ −= Tpior γ é a estimativa do pior caso de distúrbio no sentido de maximizar 22 22 2 wz γ− e Z∞L∞ corresponde à matriz de ganho ótimo para a estimação do sinal ótimo de controle na presença do distúrbio wpior. • A solução H∞ se aproxima da H2 quando γ→∞, ou seja, o distúrbio wpior=0 para no análogo H2. Prof. Ronilson Rocha 25 o Outras propriedades dos controladores H∞: Representando o sistema G na forma fatorada: INNMM NMG =−+− = − )()()()( )()()( 1 ssss sss TT um controlador H∞ estabilizará todos os sistemas descritos como: ( ) ( )NM ∆N∆MG ++= −1 desde que: [ ] γ 1<∞MN ∆∆ o que significa que 1/γ pode ser utilizado como uma medida da robustez do projeto (quanto menor γ, maior a robustez do sistema realimentado). A função de custo do controle ótimo H∞ permite passar todas as freqüências (filtro passa-tudo), isto é σmax(Tzw)=1 para todo ω∈ℜ; A ordem de um controlador sub-ótimo H∞ é igual à ordem da planta (n estados). Um controlador H∞ ótimo pode ser calculado tendo pelo menos (n-1) estados; Em qualquer problema formulado como sensibilidade mista, o controlador H∞ cancela pólos estáveis da planta com seus zeros de transmissão e desloca qualquer pólo instável para a posição de sua imagem no eixo jω. O projeto de controle H∞ pode facilmente combinar várias especificações, tais como: • Atenuação de distúrbios; • Rastreamento; • Limitação da banda passante; • Estabilidade robusta; • Compromisso entre desempenho e esforços de controle, • Capacidade de estabilização frente a distúrbios não estruturados. Prof. Ronilson Rocha 26 • Seleção das Funções de Peso o O projeto de um controlador consiste basicamente na escolha do modelo nominal da planta e na seleção funções de peso (consideradas os parâmetros livres do projeto). o Considerando que, em diversas circunstâncias, as restrições podem ser formuladas naturalmente como problemas de minimização da norma H2 ou H∞, a manipulação de forma inteligente dos objetivos através das funções de peso é de suma importância para a obtenção de um projeto satisfatório para o controlador. o No caso do projeto de um controlador ótimo, a seleção dos pesos tem como objetivos estabelecer uma adequada limitação das faixas de freqüências do sistema, bem como proporcionar o escalamento das entradas e saídas do sistema. o A seleção das funções de peso do controlador deve refletir o que é razoável, evitando requisitos impossíveis e/ou contraditórios. o Devido à natureza específica do problema, a seleção das matrizes de peso é uma tarefa relativamente complexa, uma vez que não existem regras gerais para construí-las ou modificá-las. Embora não existam regras gerais para a seleção das funções de peso, algumas recomendações podem ser adotadas: Restringir a escolha dos pesos às funções racionais estáveis e de fase mínima; Uma vez que a ordem do controlador resultante é igual à ordem da planta nominal aumentada com os pesos, é desejável adotar funções de ordem pequena; Visando assegurar bom ajuste e boa rejeição de distúrbios, uma função passa-baixa deve ser utilizada para ponderar a função sensibilidade S(s); Uma função passa-alta deve ser usada para ponderar a função sensibilidade complementar T(s) visando limitar a largura de faixa da malha fechada; Utilizar peso nas entradas de todos atuadores do sistema a fim de evitar a saturação dos mesmos. Prof. Ronilson Rocha 27 • “Loop Shaping” o Abordagem de projeto “Loop Shaping”: Uma vez que o comportamento de malha fechada pode ser determinado manipulando os ganhos de malha aberta, os objetivos de malha fechada do sistema compensado podem ser especificados de acordo com os requerimentos dos valores singulares de malha aberta. o A princípio, a execução de um projeto “Loop Shaping” pode ser complicada devido à necessidade de assegurar também a estabilidade do sistema de malha fechada resultante. Entretanto, as metodologias H2/LQG ou H∞ oferecem uma possibilidade de simplificar este processo, uma vez que asseguram automaticamente os requerimentos de estabilidade e robustez do sistema em malha fechada. Assim, os esforços podem ser concentrados apenas na manipulação das funções de peso para se obter a adequada configuração dos valores singulares. A teoria H∞ fornece um procedimento confiável e direto para sintetizar um controlador que satisfaz de maneira ótima as especificações de “Loop Shaping” dos valores singulares. A síntese H2/LQG lida de forma menos direta, utilizando um procedimento iterativo. o Uma das dificuldades com o projeto “Loop Shaping” é que a seleção apropriada dos objetivos de malha fechada e pesos não é direta, e tende a ser específica para cada caso particular. Por outro lado, é possível especificar as funções de malha fechada sem considerar as propriedades da planta nominal, o que pode ser freqüentemente indesejável por resultar em controladores cujos zeros cancelam pólos estáveis da planta, o que é inaceitável quando existem modos levemente amortecidos. Prof. Ronilson Rocha 28 • Procedimento de projeto Loop Shaping: o Normalizar as entradas e saídas da planta com o propósito de melhorar o condicionamento numérico do projeto e simplificar a seleção de pesos. Procurar tornar G o mais diagonal possível; o Selecionar um pré-compensador W1 e/ou um pós-compensador W2 com o propósito de obter as propriedades desejadas de malha aberta especificadas no projeto: O pré-compensador W1 é selecionado para obter a forma básica do ganho de malha GW1 (confinamento dos valores singulares, inserção de integradores, inclinação na freqüência crítica de –20dB/dec, maiores inclinações para altas freqüências, etc). O pós-compensador W2 é selecionado visando ajustar a faixa de passagem e obter um melhor desacoplamento entre canais (diagonal dominância). o A planta nominal G e as funções de peso W1 e W2 são combinadas conforme a figura, formando a planta P= W2GW1. Assume-se que W1 e W2 são selecionados de maneira que P não contenha modos escondidos; o Sintetizar o controlador estabilizante Kc para a planta P. Se γ>4, a robustez do projeto não é tão expressiva, de forma que o pré- compensador W1 deve ser modificado. o O controlador final é construído combinando o controlador Kc com as funções de peso W1 e W2, tal que K= W1KcW2. Prof. Ronilson Rocha 29 • Considerações Finais o Tanto a metodologia H2/LQG como a H∞ tem comprovado a sua utilidade em diversas aplicações devido ao fato que uma soma ponderada de termos é minimizada. As filosofias de projeto H2/LQG e H∞ constituem excelentes alternativas para o projeto de controladores para sistemas onde são importantes requisitos referentes à rejeição de distúrbios e à supressão de ruídos. Através de uma apropriada estratégia de projeto, estas metodologias de projeto também oferecem um bom grau de robustez para variações paramétricas e dinâmicas não modeladas inerentes ao sistema. o Dependendo da complexidade da planta ou da lei de controle, os projetos H2/LQG e H∞ podem resultar em controladores de ordem consideravelmente maior do que a necessária. Isto se deve a geração de variáveis de estados fictícias não observáveis ou não controláveis pelos algoritmos empregados para encontrar o controlador H2/LQG ou H∞. Entretanto, à luz das especificações nominais de projeto, é possível a simplificação do sistema de controle final com pouca alteração no desempenho do sistema através da aplicação de algoritmos confiáveis para a redução de modelos visando eliminar estados supérfluos, reduzindo significantemente a complexidade do controlador. o Em muitos casos práticos, utilizando a norma H∞ como referência, o controlador H2 pode apresentar um desempenho semelhante (ou melhor) ao de um controlador H∞, considerando funções peso fixas. Neste contexto, surgiu o projeto H2/H∞ misto, algumas vezes referido como projeto H∞/LQG combinado, baseado no fato que a solução da equação de Riccati pode ser usada para garantir um limite da norma H∞ e um limite da norma H2 simultaneamente. O primeiro limite pode ser usado para assegurar a estabilidade robusta a distúrbios não estruturados, e o segundo limite pode ser usado para minimizar o custo garantido para um problema LQG nominal. Prof. Ronilson Rocha 30 • Redução de modelos o Controladores projetados utilizando a abordagem H2 e/ou H∞ terão uma dimensão igual ou maior que a ordem da planta devido à geração de variáveis de estados fictícias para acomodar funções de peso variáveis com a freqüência. o Neste contexto, uma questão importante visando simplificar tanto a análise como a implementação de sistemas de controle é a possibilidade de eliminar estados supérfluos, reduzindo a ordem do sistema com pouca alteração no desempenho final. o Um sistema na forma de modelo de estados pode ser representado por outro de menor ordem quando existem modos (combinação de variáveis de estado) que são incontroláveis e/ou não observáveis, os quais podem ser eliminados sem influenciar a relação entrada-saída. Desta forma, um bom ponto de partida para a redução de modelos consiste em encontrar modos que são quase incontroláveis ou quase não observáveis. o Representações em modelo de estados de um sistema Considerando que um sistema controlável e observável na forma de espaço de estados DuCxy BuAxx += +=& pode ser representado em muitas bases diferentes a partir da mudança de variáveis. Definindo um novo vetor de estados como Txξ = e o mesmo sistema será representado por: DuξCTy TBuξTATξ += += − − 1 1& A transformação de um sistema a partir da matriz T permite obter uma representação mais conveniente, na qual determinadas características podem ser mais bem ressaltadas. Mariana Highlight pólos dominantes - null Mariana Highlight Mariana Highlight Prof. Ronilson Rocha 31 Gramiano de controlabilidade: Matriz que descreve a influência das entradas sobre cada estado do vetor x. ∫= ∞ 0 dtee tTtx TAA BBS • Expressando o gramiano de controlabilidade em termos da variável ξ: T xTTSS =ξ • Se T é escolhida de tal forma que Sξ seja diagonal, os elementos da diagonal representam uma medida da controlabilidade relativa de cada variável de estado ξk, ou seja, o quanto ξk é influenciada pela entrada. Gramiano de observabilidade: Matriz que descreve a influência de estado do vetor x sobre a saída: ∫= ∞ 0 dtee tTt T x AA CCO • Expressando em termos da variável ξ: 1−−= TOTO xTξ • Se T é escolhida de tal forma que Oξ seja diagonal, os elementos da diagonal representam uma medida da observabilidade relativa da variável de estado ξk, ou seja, o quanto ξk influencia a saída. Representação balanceada dos estados do sistema • Selecionando uma matriz de transformação T tal que === nσ σ σ ξξ 000 00 00 2 1 MOMM L L ΣOS obtêm-se uma representação dita balanceada que permite visualizar a importância das variáveis de estado na relação entrada-saída. Quanto menor o valor de σk, menor será a influência da correspondente variável ξk na relação entrada-saída do sistema. Mariana Highlight Mariana Highlight Mariana Highlight Mariana Highlight Mariana HighlightMariana Highlight Mariana Highlight Prof. Ronilson Rocha 32 Eliminação de Estados o Um valor pequeno de σk significa que a dinâmica da correspondente variável de estado ξk não é tão importante para as propriedades entrada-saída do sistema. o Tais estados podem ser removidos sem afetar apreciavelmente a dinâmica original, reduzindo a ordem do sistema. Neste contexto, é interessante utilizar a representação balanceada de estados para a redução da ordem do sistema. A partição da equação de estado resulta em: [ ] Du ξ ξ CCy u B B ξ ξ AA AA ξ ξ 2 1 21 2 1 2 1 2221 1211 2 1 + = + = & & Considerando que o vetor ξ2 seja os estados a serem eliminados, a dinâmica de ξ2 deve ser substituída por sua correspondente relação estática para assegurar as propriedades estacionárias originais: ( )uBξAAξξ 212112222 +−=⇒= −0& O modelo de ordem reduzida é obtido substituindo a relação estática de ξ2 na equação dinâmica de ξ1 ( ) ( ) ( ) ( )uBACDξAACCy uBAABξAAAAξ 2 1 222121 1 2221 2 1 22121121 1 2212111 −− −− −+−= −+−=& o qual consiste em uma boa aproximação para o sistema original Validação: Comparações entre o modelo original e o modelo de ordem reduzida utilizando resposta ao degrau e/ou diagramas de Bode. Mariana Highlight Mariana Highlight E2 nao esta variandanullsua derivada é igual a zero
Compartilhar