Baixe o app para aproveitar ainda mais
Prévia do material em texto
1 RELATÓRIO DO PRIMEIRO TRABALHO Guilherme Pereira Marchioro Bertelli, 2013079718 Natal, 2 de abril de 2014. UNIVERSIDADE FEDERAL DO RIO GRANDE DO NORTE CENTRO DE TECNOLOGIA DEPARTAMENTO DE ENGENHARIA ELÉTRICA CONTROLE ADAPTATIVO 1 Guilherme Pereira Marchioro Bertelli RELATÓRIO DO PRIMEIRO TRABALHO Relatório referente ao desenvolvimento do primeiro trabalho da disciplina Controle Adaptativo, correspondente à avaliação da 1º unidade do semestre 2014.1, dos cursos de Engenharia da Computação, Engenharia Mecatrônica e Engenharia Elétrica da Universidade Federal do Rio Grande do Norte, sob orientação do Prof. Aldayr Dantas de Araújo. Natal, 2 de abril de 2014. 2 RESUMO Neste relatório será explicado o desenvolvimento do primeiro trabalho da disciplina, que consiste no projeto de controlador MRAC (Model Reference Adaptive Control) direto, com suas variáveis de estado medidas pela Regra do MIT e pelo Método do Gradiente. Os algoritmos e todas as simulações foram feitos utilizando o MATLAB. A fundamentação teórica necessária para o desenvolvimento do trabalho foi ministrada na disciplina “Controle Adaptativo”, pelo professor Aldayr Dantas de Araújo, do Departamento de Engenharia Elétrica, da Universidade Federal do Rio Grande do Norte. 3 LISTA DE FIGURAS Figura 1 - Diagrama de um sistema de controle MRAC ................................................. 5 Figura 2 - Planta a ser estudada ..................................................................................... 9 Figura 3 - Ajuste dos Parâmetros estimados do Controlador para entrada degrau (Regra do MIT) .............................................................................................................. 11 Figura 4 - Saída do Modelo e saída da planta para uma entrada degrau (Regra do MIT) ............................................................................................................................ 12 Figura 5 - Erro entre comportamento da planta e do modelo para uma entrada degrau (Regra do MIT) ................................................................................................... 12 Figura 6 - Sinal de controle para uma entrada degrau (Regra do MIT) ......................... 13 Figura 7 - Ajuste dos Parâmetros Estimados do controlador para uma entrada rampa (Regra do MIT) ................................................................................................... 14 Figura 8 - Saída do Modelo de Referência, saída da planta e sinal de referência para uma entrada rampa (Regra do MIT) ..................................................................... 14 Figura 9 - Sinal de erro entre planta e modelo de referência para um a entrada rampa (regra do MIT) .................................................................................................... 15 Figura 10 - Sinal de controle para uma entrada rampa (Regra do MIT) ........................ 15 Figura 11 - Ajuste dos parâmetros estimados do controlador para uma entrada senoidal (Regra do MIT) ................................................................................................... 16 Figura 12 - Saída do modelo de referência, saída da planta e sinal de referência para uma entrada senoidal (Regra do MIT) ................................................................. 17 Figura 13 - Erro entra planta e modelo para uma entrada senoidal (Regra do MIT)...... 17 Figura 14 - Sinal de controle para uma entrada senoidal (Regra do MIT) .................... 18 Figura 15 - Ajuste dos parâmetros do controlador para uma entrada degrau (Método do Gradiente) ........................................................................................................... 19 Figura 16 - Saída estimada da planta, saída da planta e sinal de referência para uma entrada degrau (Método do Gradiente) ................................................................ 20 Figura 17 - Erro entra comportamento da planta e do modelo de referência para uma entrada degrau (Método do Gradiente) ................................................................ 20 Figura 18 - Sinal de controle para uma entrada degrau (Método do Gradiente) ............ 21 Figura 19 - Ajuste dos parâmetros do controlador para uma entrada rampa (Método do Gradiente) ........................................................................................................... 22 Figura 20 - Saída da estimada, saída da planta e sinal de referência para uma entrada rampa (Método do Gradiente) .............................................................................. 22 Figura 21 - Erro entre planta e modelo de referência para uma entrada rampa (Método do Gradiente) ...................................................................................................... 23 Figura 22 - Sinal de controle para uma entrada rampa (Método do Gradiente) ............. 23 Figura 23 - Ajuste dos parâmetros do controlador para uma entrada senoidal (Método do Gradiente) ........................................................................................................... 24 Figura 24 - Saída estimada, saída da planta e sinal de referência para uma entrada senoidal (Método do Gradiente) .......................................................................... 25 Figura 25 - Erro entre modelo e planta para uma entrada senoidal (Método do Gradiente) ........................................................................................................... 25 Figura 26 - Sinal de controle para uma entrada senoidal (Método do Gradiente) .......... 26 4 SUMÁRIO 1 INTRODUÇÃO ......................................................................................... 5 1.1 Regra do MIT ................................................................................ 5 1.2 Método do Gradiente..................................................................... 7 2 DESENVOLVIMENTO ........................................................................... 9 2.1 Simulações com a regra do MIT................................................... 11 2.1.1 Entrada Tipo degrau unitário ............................................ 11 2.1.2 Entrada Tipo Rampa ......................................................... 13 2.1.3 Entrada Tipo Senóide ....................................................... 16 2.2 Simulações com o Método do Gradiente....................................... 19 2.2.1 Entrada Tipo degrau unitário ............................................ 19 2.2.2 Entrada Tipo Rampa ......................................................... 21 2.2.3 Entrada Tipo Senóide ....................................................... 24 3 CONCLUSÕES ......................................................................................... 27 4 REFERÊNCIAS BIBLIOGRÁFICAS ................................................... 285 1 INTRODUÇÃO O controle adaptativo por modelo de referência (MRAC) é uma estratégia de controle em que os parâmetros do controlador em malha fechada são atualizados a fim de se obter um desempenho semelhante ao obtido por um sistema modelo de referência excitado pela mesma referência, ou seja, as mudanças nos parâmetros do controlador, providas por um mecanismo de adaptação, têm por objetivo minimizar o erro entre a saída do sistema sob controle e a saída de um modelo de referência (saída desejada). A utilização do MRAC com outras técnicas de controle é muito comum, pois procura suprir a desvantagem de desempenho que o MRAC apresenta no regime transitório e incorporar o bom desempenho que o mesmo possui no regime permanente. No MRAC, o desempenho do sistema é expresso em termos de um modelo de referência, o qual gera uma resposta desejada para um determinado sinal de referência. O erro entre a saída do modelo e a saída da planta é medido, e através de métodos de estimação de parâmetros os parâmetros do controlador são modificados a fim de que o sistema comporte-se como o modelo de referência. Para um melhor entendimento da estratégia MRAC direto observe a Figura 1. Figura 1 - Diagrama de um sistema de controle MRAC Dois dos métodos mais utilizados para medição das variáveis de estado são a Regra do MIT e o Método do Gradiente. 1.1 Regra do MIT Com o uso desta regra, os parâmetros desconhecidos que são necessários para gerar as funções de sensibilidade são substituídos por suas estimativas em tempo real. Infelizmente, com o uso de funções de sensibilidade aproximadas, não é possível, no geral, provar estabilidade global em malha fechada e a convergência do erro desejado para zero. Considerando o projeto de um esquema MRAC para a planta seguinte: Onde a1 e a2 são parâmetros desconhecidos e dy/dt e y podem ser medidos. 6 O modelo de referência à ser correspondido pela planta em malha fechada é dado por: A lei de controle Onde irá conseguir um acompanhamento perfeito do modelo de referência. Esta última equação é chamada de equação de “matching”. Como a1 e a2 são desconhecidos, não é possível calcular os parâmetros desejados e do controlador utilizando essa equação. Portanto, utiliza-se, ao invés da lei de controle citada anteriormente, a seguinte lei de controle: onde θ1e θ2 são ajustados utilizando a regra do MIT como segue: onde e1 = y – ym. Para implementar essa Regra do MIT, deve-se gerar as funções de sensibilidade e em tempo real. Com a equação do modelo de referência à ser correspondido e a segunda lei de controle citada, obtêm-se: Assumindo que a taxa de adaptação é lenta, e são pequenos, e as mudanças de e com respeito a e também são pequenas, pode-se permutar a ordem da derivação para obter: ( ) ( ) ( ) ( ) 7 Que podem ser reescritas como: ( ) ( ) ( ) ( ) onde p é um operador diferencial. Como a1 e a2 são desconhecidos, a função de sensibilidade acima não pode ser utilizada. Usando a regra do MIT, substitui-se a1 e a2 pelas suas estimativas â1 e â2 na equação de matching, relacionando as estimativas com e : Obtendo-se, então, as funções de sensibilidade aproximadas: Essas equações são conhecidas como modelos de sensibilidade ou filtros de sensibilidade e podem facilmente ser implementadas para gerar as funções de sensibilidade aproximadas para a lei adaptativa. 1.2 Método do Gradiente A maior desvantagem dos métodos de sensibilidade usados nos anos 60 é o fato de que a minimização da função de performance de custo levavam a funções de sensibilidade não-implementáveis. Uma forma de evitar esta desvantagem é escolhendo um critério de função de custo que leve a funções de custo que são disponíveis para mensuração. Essa classe de critério de custo é baseada em um erro referido como erro de estimação, que provê a medida de discrepância entre os parâmetros atuais e estimados. A relação do erro de estimação com os parâmetros estimados é escolhida de forma que a função de custo é convexa, e seu gradiente, com relação aos parâmetros estimados, é implementável. Inúmeros métodos de critério de custo podem ser utilizados, como o método do Gradiente, podem ser adotados para gerar as funções de sensibilidade apropriadas. Usando como exemplo a mesma planta utilizada para demonstrar a Regra do MIT, deve-se reescrever a equação em termos dos parâmetros desejados para o controlados, substituindo em obtêm-se 8 Que pode ser reescrita como: Onde são sinais que podem ser gerador por filtragem. Substituindo e por suas estimativas e , obtêm-se: onde é a estimativa de y baseada nas estimativas e . O erro é, portanto, a medida de discrepância entre , e e , respectivamente, e é referido como erro de estimação. As estimativas podem ser ajustadas na direção que minimize um certo critério de custo que envolve . Um critério simples pode ser descrito como ( ) ( ) que deve ser minimizado em relação a e . É evidente que ( ) é uma função convexa de e e, portanto, seu mínimo é dado por ∇ . Utiliza-se, então, o Método do Gradiente para minimizar ( ) e obter as leis adaptativas: onde e , e são sinais implementáveis. 9 2 DESENVOLVIMENTO A planta utilizada para os trabalhos da disciplina pode ser vista abaixo, que consiste em um circuito de armadura, servomotor DC, uma caixa de engrenagens e uma junta robótica. Figura 2 - Planta a ser estudada O sistema acima pode ser definido pela equação diferencial ( ) ( ) ( ) ( ) ( ) ( ) Fazendo ( ) ( ), têm-se: ( ) ( ) ( ) ( ) ( ) ( ) Onde e são, respectivamente, a inércia polar efetiva e o coeficiente de atrito viscoso refletidos ao eixo do motor. Os valores dos parâmetros constam na tabela à seguir:Parâmetro Valor Unidade Nome L 0.006 H Indutância da armadura R 0.6 Ω Resistência da armadura KB 0.02486 V/º/s Constante eletromotriz do motor JM 0.00844 Lbf-in-s Inércia polar do eixo do motor cM 0.00013 Lbf-in/º/s Constante de amortecimento do eixo do motor KT 8.375 Lbf-in/A Constante de torque 10 n 200 Sem unidade Relação de engrenagens JL 1 Lbf-in-s² Inércia polar do eixo da carga cL 0.5 Lbf-in/º/s Constante de amortecimento do eixo da carga Tabela 1 – Parâmetros da planta Reescrevendo a equação do sistema, temos: ( ) ( ) ( ) ( ) ( ) De onde podemos evidenciar: ( ) ( ) Do estudo de sistemas dinâmicos, temos que um sistema de segunda ordem genérico sem zeros possui a seguinte estrutura: Onde y é a entrada do sistema, u é a saída do sistema, ξ é o coeficiente de amortecimento, ωN é a frequência natural do sistema e KP é seu ganho proporcional. Comparando a equação diferencial do sistema, podemos tirar as seguintes conclusões: √ Como ξ = 0.781, temos um sistemas subamortecido. Outros pontos de estudo que podem ser obtidos analisando os parâmetros da planta: tr = 0.061s (tempo de subida) ts = 0.08s (tempo de acomodação) Overshoot = 1,966% 11 2.1 Simulações e Resultados com a Regra do MIT Fazendo uso da regra do MIT, temos que: Que são as leis adaptativas. Os filtros de sensibilidade são: ( ) ( ) ( ) Onde b1, b2, e b3 são os coeficientes do modelo da planta, e r sua entrada. Todas as simulações à seguir foram feitas utilizando o Método de Euler. 2.1.1 Entrada Tipo Degrau Unitário Utilizando o coeficiente adaptativo , com passo de h = 0.001 e tempo total de simulação de 1000s, foram obtidos os seguintes resultados. Figura 3 - Ajuste dos Parâmetros estimados do Controlador para entrada degrau (Regra do MIT) 12 Figura 4 - Saída do Modelo e saída da planta para uma entrada degrau (Regra do MIT) Figura 5 - Erro entre comportamento da planta e do modelo para uma entrada degrau (Regra do MIT) 13 Figura 6 - Sinal de controle para uma entrada degrau (Regra do MIT) Com base nas figuras 3, 4, 5 e 6 percebe-se uma pequena variação dos parâmetros θi, cujas condições iniciais se encontram nas vizinhanças dos valores ótimos. O modelo da planta conseguiu acompanhar com sucesso o planta real, com um erro inicial de apenas -0.0125 e tendendo a zero com o passar da simulação. O tempo de convergência foi consideravelmente alto considerando que após os 1000 segundo, apesar de ser notável a tendência, o erro ainda não havia convergido para zero. 2.1.2 Entrada Tipo Rampa Utilizando como ganho adaptativo, e uma entrada rampa r(t) = t. O passo da simulação foi de h = 0.001 para um tempo de simulação de 10s. Para o erro, foi utilizado um tempo de simulação de 100s, para melhor analise de sua convergência. As figuras 7, 8, 9 e 10 mostram o resultado das simulações utilizando a Regra do MIT. 14 Figura 7 - Ajuste dos Parâmetros Estimados do controlador para uma entrada rampa (Regra do MIT) Figura 8 - Saída do Modelo de Referência, saída da planta e sinal de referência para uma entrada rampa (Regra do MIT) 15 Figura 9 - Sinal de erro entre planta e modelo de referência para um a entrada rampa (regra do MIT) Figura 10 - Sinal de controle para uma entrada rampa (Regra do MIT) 16 Analisando os resultados, pode-se perceber que, apesar da mudança no sinal de entrada, os parâmetros θi continuando mostrando pequenas variações em seus comportamentos. Pela figura 8, nota-se que a adaptação foi quase instantânea, havendo uma pequena discordância próxima aos 10 segundos, mas aumentando o tempo de simulação, percebe-se que o modelo segue a planta com precisão. O erro, por sua vez, atinge um pico de -0.09, aproximadamente, convergindo para zero em cerca de 40 segundos, que é bem mais rápido que no caso para entrada degrau, que após 1000s ainda não convergiu, apesar de sua tendência clara de chegar a zero. 2.1.3 Entrada Senoidal Neste caso, foi submetido a entrada do sistema uma senóide r(t) = 0.3sen(5t), e instanciados os ganhos adaptativos e como sendo 1.5, 2 e 2.5, respectivamente. Para as simulações, foi utilizando um passo de h = 0.001s e um tempo total de simulação de 25s. As figuras 11, 12, 13 e 14 mostram os resultados da simulação. Figura 11 - Ajuste dos parâmetros estimados do controlador para uma entrada senoidal (Regra do MIT) 17 Figura 12 - Saída do modelo de referência, saída da planta e sinal de referência para uma entrada senoidal (Regra do MIT) Figura 13 - Erro entra planta e modelo para uma entrada senoidal (Regra do MIT) 18 Figura 14 - Sinal de controle para uma entrada senoidal (Regra do MIT) Fazendo uma análise dos resultados da simulação, constata-se que os parâmetros θi continuaram variando muito pouco, mas assumindo valores bem maiores (em módulo) que nas entradas rampa e degrau. A saída do modelo de referência pôde acompanhar, quase que instantaneamente, a saída da planta, semelhante a entrada tipo rampa. O erro oscila entre mais ou menos 6x10 -3 , tratando-se de uma senoide amortecida, com uma convergência bastante lenta a zero. Com um tempo de simulação de 1000s, já é possível notar a tendência. 19 2.2 Simulações e Resultados com o Método do Gradiente Pelo método do gradiente, tem-se: ( ) ( ( )) onde ( ) é uma função convexa e seu mínimo é dado por ∇ . Minimizando pelo método do gradiente, obtêm-se as seguintes leis adaptativas: As simulações que seguem foram realizadas utilizando o Método de Euler. 2.2.1 Entrada Tipo Degrau Unitário Utilizando como entrada do sistema um degrau unitário, um passo de h = 0.0005 e um tempo total de simulação de 5 segundos, obtêm-se os resultados presentes nas figuras 15, 16 e 17. Os ganho adaptativos foram e iguais a 0.01, 1 e 0.5, respectivamente. Figura 15 - Ajuste dos parâmetros do controlador para uma entrada degrau (Método do Gradiente) 20 Figura 16 - Saída estimada da planta, saída da planta e sinal de referência para uma entrada degrau (Método do Gradiente) Figura 17 - Erro entra comportamento da planta e do modelo de referência para uma entrada degrau (Método do Gradiente) 21 Figura 18 - Sinal de controle para uma entrada degrau (Método do Gradiente) Analisando os resultados obtidos pela simulações, percebe-se que os parâmetros θi não apresentaramvariações em seu comportamento. Comparando as saídas estimada e da planta, pela figura 16, percebe-se que o modelo seguiu com precisão a planta real, havendo apenas um pequeno salto em aproximadamente 0.1s, mas rapidamente convergindo em seguida. O erro atingiu um máximo de 0.16, mas se estabilizou em aproximadamente 0.2s, convergindo para zero em seguida. Ao compararmos com o erro utilizando a Regra do MIT, percebe-se uma convergência bem mais rápida e uma variação bem menor. 2.2.2 Entrada Tipo Rampa Desta vez, foi utilizada como entrada da planta uma rampa r(t) = t. Utilizando e como ganhos adaptativos, e passo de simulação de h = 0.0005 para um tempo de simulação de 10s, à seguir encontram-se os resultados das simulações utilizando o Método do Gradiente. 22 Figura 19 - Ajuste dos parâmetros do controlador para uma entrada rampa (Método do Gradiente) Figura 20 - Saída da estimada, saída da planta e sinal de referência para uma entrada rampa (Método do Gradiente) 23 Figura 21 - Erro entre planta e modelo de referência para uma entrada rampa (Método do Gradiente) Figura 22 - Sinal de controle para uma entrada rampa (Método do Gradiente) 24 Dessa vez, é possível reparar numa variação dos parâmetros θ2 e θ3, que se estabilizam no instante 8s. θ1 não sofre alterações. Observa-se, na figura 20, que o sinal do modelo de referência acompanha bem o sinal da planta real, havendo um pequeno erro até o segundo 8, e então convergindo para o valor real. O erro foi significativo até o instante 9s, quando convergiu para zero. Este chegou a um pico de 0.4 no instante 4.5s. Em comparação, utilizando a regra do MIT, o erro convergiu em 40 segundos. 2.2.3 Entrada Senoidal Neste caso, foi submetido a entrada do sistema uma senóide r(t) = 0.3sen(5t), e instanciados os ganhos adaptativos e como sendo 0.1, 5 e 3, respectivamente. Para as simulações, foi utilizando um passo de h = 0.0005s e um tempo total de simulação de 25s. As figuras 23, 24, 25 e 26 mostram os resultados da simulação. Figura 23 - Ajuste dos parâmetros do controlador para uma entrada senoidal (Método do Gradiente) 25 Figura 24 - Saída estimada, saída da planta e sinal de referência para uma entrada senoidal (Método do Gradiente) Figura 25 - Erro entre modelo e planta para uma entrada senoidal (Método do Gradiente) 26 Figura 26 - Sinal de controle para uma entrada senoidal (Método do Gradiente) A analise do resultado das simulações nos permite constatar que uma entrada senoidal instabiliza a planta. O parâmetro θ2 tende a crescer enquanto o θ3 tende a diminuir. O modelo da planta não acompanha o aumento da senoide na saída da planta real. O erro é uma senoide com amplitude crescente, o que implica que o mesmo não converge para zero, mas passando sempre pelo ponto referido. Utilizando a regra do MIT, pode-se observar que o erro era uma senoide amortecida. 27 3 CONCLUSÕES Através da aplicação dos conhecimentos adquiridos em sala, foi possível com sucesso, realizar as simulações do controle adaptativo MRAC utilizando a regra do MIT e o Método do Gradiente. Foi perceptível a superioridade do método do gradiente, pois a regra do MIT só possui estabilidade local. Com exceção da entrada senoidal, o método do gradiente apresentou tanto um menor erro e um menor tempo necessário para a convergência. Era previsível que a regra do MIT fosse mais precária, afinal, ela foi pioneira porém não muito satisfatória, o que demandou a elaboração de métodos mais sofisticados. Filtros foram implementados para as variáveis y, e u, tornando ausente os possíveis ruídos, principalmente para o método do gradiente. Também com relação a esse método, notou-se que ele não foi tão eficiente no caso de uma entrada senoidal, com um erro q ue não convergiu para zero e, portanto, não foi possível que o modelo da planta acompanhasse a planta real. Vale salientar que a planta escolhida tem uma resposta no tempo bastante satisfatória. Por fim, vale salientar a importância do estudo realizado para o desenvolvimento desde trabalho, sendo possível ter compreendido, na prática (por simulações), algumas das ações de controle adaptativo. Foi possível adquirir certa sensibilidade quanto aos valores dos ganhos adaptativos, bem como ter uma contato mais aprofundado com a matemática por trás das leis adaptativas. 28 4 REFERÊNCIAS BIBLIOGRÁFICAS [1] P. A. Ioannou and J. Sun. “Robust Adaptive Control”. Prentice Hall, 1996.. [2] Notas de aula do professor Aldayr Dantas de Araújo, da disciplina Controle Adaptativo. [3] K. Ogata. “Engenharia de Controle Moderno”. Prentice Hall do Brasil, 1993. [4] DIAS, Samaherni M. “Controle Adaptativo Robusto para um Modelo Desacoplado de um Robô Móvel”, Tese de doutorado, UFRN, 2010.
Compartilhar