Sei sulla pagina 1di 84

Università Mediterranea degli Studi

di Reggio Calabria

Facoltà di Ingegneria
Corso di Laurea in Ingegneria Elettronica
Tesi di Laurea in Tecnologie dei Sistemi di Controllo
e Controlli II

Progetto di un Osservatore
H∞ per la stima di
Temperature e
Concentrazioni in un
Reattore Batch

Candidato: Relatore:
Massimo Talia Chiar.mo Prof.Massimiliano Mattei

Correlatore:
Dott.Ing.Gaetano Paviglianiti

Anno Accademico 2004/2005 - Sessione Invernale


.

Alla mia famiglia, per avermi insegnato


ad affrontare le situazioni con
forza di volontà ed un po’ d’ironia
nello studio e nella vita
Elenco delle figure

1.1 Reattore batch . . . . . . . . . . . . . . . . . . . . . 15


1.2 Reattore CSTR . . . . . . . . . . . . . . . . . . . . . 16
1.3 Reattore PFR . . . . . . . . . . . . . . . . . . . . . . 17
1.4 Reattore batch incamiciato . . . . . . . . . . . . . . . 18
1.5 Modello a zone . . . . . . . . . . . . . . . . . . . . . 24
1.6 Modello a zone con agitatori . . . . . . . . . . . . . . 25

3.1 Osservatore di supervisione . . . . . . . . . . . . . . . 32


3.2 Fault detection . . . . . . . . . . . . . . . . . . . . . 33
3.3 Osservatore a ciclo chiuso . . . . . . . . . . . . . . . 34
3.4 Linear Full-Order Observer . . . . . . . . . . . . . . . 38
3.5 Linear Reduced-Order Observer (a) . . . . . . . . . . 39
3.6 Linear Reduced-Order Observer (b) . . . . . . . . . . 40
3.7 Piano di Gauss . . . . . . . . . . . . . . . . . . . . . 45
3.8 Upper LFT . . . . . . . . . . . . . . . . . . . . . . . 49
3.9 Lower LFT . . . . . . . . . . . . . . . . . . . . . . . 49

4.1 Cinetica di reazione 1 . . . . . . . . . . . . . . . . . . 60


4.2 Cinetica di reazione 2 . . . . . . . . . . . . . . . . . . 61
4.3 Errori di troncamento . . . . . . . . . . . . . . . . . . 61
4.4 Ricoprimento politopico . . . . . . . . . . . . . . . . 63
4.5 Osservatore . . . . . . . . . . . . . . . . . . . . . . . 66

5.1 Schema adattativo . . . . . . . . . . . . . . . . . . . 72


5.2 Concentrazioni con Osservatore adattativo . . . . . . 73
5.3 Errore sulle concentrazioni con Osservatore adattativo 73
5.4 Errore percentuale sulle concentrazioni con Osserva-
tore adattativo . . . . . . . . . . . . . . . . . . . . . 74
5.5 Stima su Q e US con Osservatore adattativo . . . . . 74
Elenco delle figure 3

5.6 Errore ed Errore percentuale su Q con Osservatore


adattativo . . . . . . . . . . . . . . . . . . . . . . . . 75
5.7 Valutazione delle temperature con Osservatore adat-
tativo . . . . . . . . . . . . . . . . . . . . . . . . . . 75
5.8 Errore temperature con Osservatore adattativo . . . . 76
5.9 Errore percent temperature con Osservatore adattativo 76
5.10 Concentrazioni con Osservatore H infinito . . . . . . 77
5.11 Errore sulle concentrazioni con Osservatore H infinito 77
5.12 Errore percentuale sulle concentrazioni con Osserva-
tore H infinito . . . . . . . . . . . . . . . . . . . . . . 78
5.13 Stima su Q e US con Osservatore H infinito . . . . . 78
5.14 Errore ed Errore percentuale su Q con Osservatore H
infinito . . . . . . . . . . . . . . . . . . . . . . . . . . 79
5.15 Valutazione delle temperature con Osservatore H in-
finito . . . . . . . . . . . . . . . . . . . . . . . . . . . 79
5.16 Errore temperature con Osservatore H infinito . . . . 80
5.17 Errore percent temperature con Osservatore H infinito 80
Elenco delle tabelle

1.1 Parametri di modello . . . . . . . . . . . . . . . . . . 20

2.1 Parametri di Simulazione . . . . . . . . . . . . . . . . 29


Indice

Introduzione 8

1 Nozioni di Reattoristica 11
1 Definizioni di base . . . . . . . . . . . . . . . . . . . 11
1.1 Velocità di reazione e ordine di reazione . . . 11
1.2 Legge di Arrhenius . . . . . . . . . . . . . . . 12
1.3 Reazioni singole e multiple . . . . . . . . . . . 13
2 Classificazione dei reattori . . . . . . . . . . . . . . . 14
3 Reattori chimici ideali . . . . . . . . . . . . . . . . . 14
3.1 Il Reattore discontinuo o batch . . . . . . . . 15
3.2 Reattore continuo a perfetta miscelazione . . . 16
3.3 Reattore continuo con flusso a pistone . . . . 17
4 Modellizzazione di un reattore batch incamiciato . . . 18
4.1 Ambito di utilizzo dei reattori batch . . . . . 21
5 Cenni alla modellizzazione dei reattori reali . . . . . . 22
5.1 Fluidodinamica computazionale . . . . . . . . 22
5.2 La modellizzazione a zone . . . . . . . . . . . 24

2 Il modello del reattore 26


1 Introduzione al problema . . . . . . . . . . . . . . . . 26
2 Modello ISU del reattore . . . . . . . . . . . . . . . . 27
3 Dati sperimentali . . . . . . . . . . . . . . . . . . . . 29
4 Conclusioni . . . . . . . . . . . . . . . . . . . . . . . 30

3 Teoria dell’osservazione 31
1 Il problema dell’osservazione . . . . . . . . . . . . . . 31
1.1 La supervisione . . . . . . . . . . . . . . . . . 31
1.2 La fault detection . . . . . . . . . . . . . . . . 32
1.3 Il controllo . . . . . . . . . . . . . . . . . . . . 33
2 Osservabilità . . . . . . . . . . . . . . . . . . . . . . . 34
Indice 6

2.1 Indistinguibilità ed osservabilità . . . . . . . . 34


3 Osservatori lineari . . . . . . . . . . . . . . . . . . . . 36
3.1 Linear Full-Order Observers . . . . . . . . . . 37
3.2 Linear Reduced-Order Observers . . . . . . . 38
3.3 Il principio di separazione . . . . . . . . . . . 41
3.4 Il filtro di Kalman . . . . . . . . . . . . . . . 42
4 Tecniche di progetto di un osservatore . . . . . . . . 44
4.1 Il piazzamento dei poli . . . . . . . . . . . . . 44
4.2 Controllo ottimo . . . . . . . . . . . . . . . . 46
4.3 Controllo H∞ . . . . . . . . . . . . . . . . . . 47

4 Sintesi dell’osservatore H∞ 58
1 Algoritmo di approssimazione LPV . . . . . . . . . . 58
1.1 Interpolazione parabolica per le cinetiche di
reazione . . . . . . . . . . . . . . . . . . . . . 59
1.2 Ricoprimento politopico multiaffine del termi-
ne f (q) = q 2 . . . . . . . . . . . . . . . . . . . 62
1.3 Approssimazione politopica delle cinetiche di
reazione . . . . . . . . . . . . . . . . . . . . . 64
2 Formulazione del problema H∞ nello spazio di stato . 66
3 Sintesi H∞ . . . . . . . . . . . . . . . . . . . . . . . . 69
3.1 Matrice di guadagno dell’Osservatore . . . . . 69

5 Risultati delle simulazioni 71


1 Introduzione alle simulazioni . . . . . . . . . . . . . . 71
2 Schema adattativo . . . . . . . . . . . . . . . . . . . 72
3 Simulazioni con Osservatore Adattativo . . . . . . . . 73
4 Simulazioni con Osservatore H∞ . . . . . . . . . . . . 77
5 Possibili applicazioni . . . . . . . . . . . . . . . . . . 81

Bibliografia 82
Rigraziamenti

É giusto e doveroso ringranziare tutti coloro che hanno reso possibile


la realizzazione di questo lavoro di tesi, senza i quali non sarebbe
stato possibile affrontare un progetto del genere.
Ringrazio innanzitutto il mio relatore di tesi Prof.Ing Massimiliano
Mattei ed il mio correlatore Ing. Gaetano Paviglianiti per aver avuto
la pazienza di seguire il mio percorso di tesi, tutto il gruppo di ricerca
di Automatica dell’Universitá Mediterranea degli Studi di Reggio
Calabria.
Inoltre ringrazio l’Ing S.Candamano e il dipartimento di Chimica per
avermi fornito materiale relativo ai principi di reattoristica, oltre ad
avermi dato delucidazioni in merito.

Dicembre 2005
Massimo Talia
Introduzione
” Parla, Musa, tu dell’eroe scaltro a me:
di lui che andò tanto vagando poi che
di Troia la rocca sacra abbattè.”
- Omero Libro Primo Odissea -

Le tecniche di controllo moderno vengono usate sempre più spes-


so nell’ambito industriale, per risolvere problematiche di controllo
di processo in impianti che presentano non linearità molto spinte,
elevata dimensionalità del vettore degli ingressi, delle uscite o degli
stati, forti incertezze o disturbi esterni.
Il settore della chimica e dell’impiantistica chimica è uno dei settori
industriali in cui sono necessarie sinergie tra ambiti di ricerca diversi
quali l’automazione, il controllo di processo, la reattoristica, la chi-
mica ed altre.
Nei paesi a tecnologia avanzata le maggiori prospettive di sviluppo
del settore chimico sono legate ai processi della chimica fine, i quali
permettono di ottenere prodotti ad alto valore aggiunto attraverso
operazioni ad elevata tecnologia sia chimica che impiantistica.
Esse utilizzano, in genere, reattori agitati meccanicamente ed ope-
ranti in modo discontinuo con cicli produttivi successivi, che risulta-
no particolarmente adatti a piccole produzioni e riutilizzabili anche
per processi differenti. Tali caratteristiche rendono i reattori agitati
più flessibili rispetto ai reattori continui.
Fermentazioni e polimerizzazioni rappresentano esempi classici di
processi che vengono condotti preferibilmente con questo tipo di ap-
parecchiature.
Mentre i reattori continui operano, almeno idealmente,in condizioni
di stato stazionario (con l’esclusione delle poco frequenti operazioni
di avviamento e di fermata), il funzionamento dei reattori discontinui
prevede una fase iniziale di caricamento dei reagenti, il riscaldamento
fino alla temperatura di reazione ed il successivo controllo dell’evolu-
zione nel tempo delle condizioni operative (temperatura, pressione,
Introduzione 9

composizione) lungo un percorso che viene generalmente ottimizzato


rispetto alla qualità del prodotto finale.
Come si può intuire, questi reattori richiedono un accurato controllo
delle condizioni operative, che viene realizzato con dispositivi au-
tomatici o semi automatici, una stima accurata dei parametri non
misurabili in gioco nella reazione, che molto spesso è di difficile valu-
tazione a causa di molteplici fattori dovuti alla natura della reazione
stessa.
La sicurezza di funzionamento dei reattori chimici è essenziale per la
tutela dell’ambiente, dei lavoratori, della popolazione dell’area circo-
stante agli impianti e per l’integrità degli impianti stessi. Tuttavia,
la realizzazione di un controllo accurato, che richiede la conoscenza
dettagliata dei fenomeni fisici e chimici che hanno luogo all’interno
del reattore (fluidodinamica, cinetica della reazione, meccanismi di
trasporto di materia e di calore), risulta più facilmente perseguibi-
le solo in apparecchiature di piccola scala, mentre rappresenta un
obiettivo difficile in reattori su scala industriale.
Un cattiva stima delle temperature e delle concentrazioni del reatto-
re può portare non solo ad ottenere un prodotto di cattiva qualità,
ma, nel caso di reazioni fortemente esotermiche, a fenomeni di runa-
way, in cui la reazione e quindi la produzione di calore accelerano a
tal punto da determinare gravi conseguenze per la sicurezza dell’o-
perazione.
Nella letteratura scientifica il problema è stato già affrontato ed in
particolare è stato proposto un modello di osservatore su schema
adattativo per la valutazione delle variabili di processo in reattori
batch, realizzato attraverso un metodo empirico basato sui criteri di
stabilità di Lyapunov. Il modello proposto tuttavia non garantisce
buone prestazioni sulla stima delle concentrazioni e di conseguenza
del calore rilasciato dalla reazione esotermica.
Per ovviare a questo problema, in questo lavoro di tesi viene svilup-
pato un filtro H∞ di tipo statico per la stima delle temperature e
delle concentrazioni.
La tesi è strutturata nel seguente modo: il primo capitolo tratta
nozioni di reattoristica applicata ai reattori chimici batch; il secon-
do capitolo descrive il modello matematico del reattore in esame,
partendo dalle equazioni fisico chimiche fino alla formulazione mate-
matica del modello in forma ISU (Ingresso-Stato-Uscita) utilizzato
per la sintesi dell’osservatore.
Nel terzo capitolo viene introdotta la teoria dell’osservazione, mentre
Introduzione 10

nel quarto viene proposta una sintesi di osservatore con la tecnica


H∞ . Per poter portare in conto le incertezze di processo e le varia-
zioni parametriche si è anche utilizzato un algoritmo per rendere il
sistema LPV (Linear Parameter Varying) che viene descritto in que-
sto capitolo.
Il quinto capitolo illustra lo schema di simulazione utilizzato, gentil-
mente fornito dall’Università della Basilicata con cui è in atto una
collaborazione, e le simulazioni fatte con il software sviluppato in
ambiente Simunlink.
Capitolo 1
Nozioni di Reattoristica
”The beginning of knowledge is the discovery
of something we do not understand.”
- Frank Herbert -

1 Definizioni di base
1.1 Velocità di reazione e ordine di reazione
Definiamo velocità di reazione:
1 dNa
rA = − · (1.1)
V dt
Dove V è l’unità di volume del reagente,

Na

è il numero di moli nel tempo di reagente. Secondo questa defini-


zione, se i è un prodotto di reazione, la velocità è positiva; se è un
reagente che si consuma, la velocità è negativa; perciò −rA è la ve-
locità di scomparsa del reagente. In generale è possibile scrivere tale
relazione come una funzione di temperatura, pressione e concentra-
zione, ma visto che la pressione è determinabile dalla temperatura e
dalla composizione allora:

rA = f (temperatura, concentrazione) (1.2)

In particolare è possibile stabilire una relazione tra la velocità, la


cinetica di reazione, la quale è responsabile dell’ effettiva buona riu-
scita della reazione oltre che della produzione del prodotto desiderato
1.1.2 Legge di Arrhenius 12

in maniera ottimale, e le concentrazioni dei o del reagente al variare


del loro numero.
ri = ki ·fi (temperatura, concentrazione) (1.3)
Esplicitando la fi in funzione delle concentrazioni e dell’ordine di
reazione supponendo ki costante si ottiene la seguente espressione:
rA = kCAa CBb · · · CD
d
(1.4)
a+b+...+d = n (1.5)
con n ordine di reazione, ossia somma dei coefficienti stechiometrici
della reazione.

1.2 Legge di Arrhenius


E’ possibile scomporre in alcuni casi ideali la velocità di reazione nel
prodotto di due funzioni, una dipendente dalla sola temperatura ed
una dipendente dalla sola concentrazione.
In questo caso la cinetica di reazione dipende dalla temperatura in
maniera esponenziale secondo la legge di Arrhenius:
 E 
a
k(T ) = k0 ·exp − (1.6)
RT
dove k0 prende il nome di fattore di frequenza, Ea è l’energia di
attivazione, mentre R è la costante universale dei gas perfetti.
Quindi si evince che la velocità di reazione per una reazione di ordine
n > 1 può essere scritta al seguente modo:
rA = k(T )CAa CBb · · · CD
d
(1.7)
Se assumiamo di avere ad esempio una reazione del primo ordine con
n=1 in cui A → B si ottiene:
rA = −k(T )CA = rB = k(T )CB (1.8)
L’uguaglianza precedente sussiste poichè la somma delle velocità di
reazione di reagenti e prodotti deve essere nulla.
Essendo la concentrazione dipendente dal tempo, inglobando nella
formula della velocità di reazione l’unità di volume del reagente e il
numero di moli di reagente si ha:
C˙A = −k(T )CA = C˙B = k(T )CB (1.9)
Ovviamente tale ragionamento può essere generalizzato per reazioni
di ordine superiore.
1.1.3 Reazioni singole e multiple 13

1.3 Reazioni singole e multiple


Quando è possibile usare una sola equazione stechiometrica e una
sola equazione cinetica, parliamo di reazione singola; parliamo di
reazioni multiple quando occorrono più equazioni stechiometriche e
più equazioni cinetiche per descrivere la variazione di concentrazione
di tutti i componenti del sistema.
Le reazioni multiple possono essere classificate come segue.
Reazioni in serie:
A→B→C
Reazioni in parallelo che sono di due tipi:

A→B

A→D
competitive
A→B
C→D
indipendenti
Nello studio del modello del reattore batch che andremo a trattare
nel capitolo successivo, ci soffermeremo sull’analisi delle reazioni in
serie, per tale motivo nel proseguo approfondiremo il discorso sulle
reazioni in serie o consecutive.
Molte reazioni avvengono in modo consecutivo, attraverso la forma-
zione di un prodotto intermedio che diventa il reagente di una suc-
cessiva reazione ad esempio: nitrosazione, e nitrificazione, processi
anaerobici, idrolisi di un substrato particolato e successiva degrada-
zione biologica, formazione del deficit di ossigeno in un corso d’acqua,
conseguente riossigenazione, ecc...
Prendendo come riferimento le reazioni in serie precedenti e assu-
mendo che entrambe le reazioni ad esempio siano del primo ordine,
è possibile scrivere l’insieme delle equazioni differenziali che descri-
vono l’andamento nel tempo della concentrazione delle tre specie A,
B e C al variare della temperatura interna T del reattore.

C˙A = −k1 (T )CA (1.10)

C˙B = k1 (T )CA −k2 (T )CB (1.11)


C˙B = −k2 (T )CB (1.12)
1.2 Classificazione dei reattori 14

2 Classificazione dei reattori


Nell’ambito dell’ingegneria chimica, risulta di notevole importanza
ottenere dei prodotti di reazione desiderati, a partire dai reagenti,
in maniera ottimale.Questo è possibile grazie all’utilizzo dei reatto-
ri, che sono per definizione dei contenitori naturali o artificiali nei
quali avvengono trasformazioni fisiche, chimiche o biochimiche o una
combinazione di queste. Note le relazioni cinetiche e stechiometriche
che descrivono il fenomeno, si possono risolvere le equazioni di bi-
lancio di massa che forniscono i valori di output, noti che siano i
valori di input e le condizioni al contorno. Alle equazioni di bilan-
cio di massa, vengono affiancate le equazioni di bilancio termico con
le rispettive condizioni al contorno, le quali forniscono le informa-
zioni sulla termodinamica del processo. Affinchè il processo evolva
nel modo desiderato, è necessario avere un buon compromesso tra
le cinetiche di reazione e i contributi termici.A questo punto risulta
utile fare una prima classificazione delle tipologie di reattori in ba-
se al numero di fasi, all’evoluzione della reazione nel tempo,in base
ai fenomeni di propagazione termica che essi generano. In base al
numero di fasi (liquida, solida,gassosa) un reattore può essere omo-
geneo o monofase, eterogeneo o multifase;in base alla sua evoluzione
nel tempo può essere discontinuo o batch, continuo; in base alla ter-
modinamica può essere adiabatico o esotermo. Nel lavoro di questa
tesi verrà preso in esame il modello di un reattore batch esotermo,
in cui avvengono due reazioni in serie.
Di esso non verrà presa in considerazione il tipo di reazione che entra
in gioco nel sistema, in quanto di pertinenza dell’ingegneria chimica,
ma solo il comportamento fisico-chimico, allo scopo di comprendere
le dinamiche non lineari del sistema. Ma per far ciò, è necessario
premettere alcune nozioni di reattoristica inerenti ai reattori.

3 Reattori chimici ideali


Nonostante la notevole diversità che si manifesta ad un’osservazio-
ne superficiale e che riguarda molti aspetti (stato fisico di reagenti
e prodotti, temperatura, pressione, rilevanza dello scambio termico
con l’ambiente esterno, ecc), è possibile utilizzare una classificazione
funzionale piuttosto semplice dei reattori chimici che si basa su tre
modelli ideali, validi per sistemi monofasici, per i quali si suppone
1.3.1 Il Reattore discontinuo o batch 15

di avere un volume a perfetta miscelazione, cioè concentrazione e


temperatura uguali in ogni punto del reattore.

3.1 Il Reattore discontinuo o batch


Per definizione un reattore chimico batch è un reattore privo di in-
gresso ed uscita, in cui istante per istante vi è uniformità di condizio-
ni. All’istante t0 = 0, sono introdotti nel reattore il o i componenti

Reagenti

Reattore Miscelatore

Figura 1.1: Reattore batch

della reazione, in quantità note, che danno luogo ad una determinata


condizione iniziale.
Successivamente, si segue nel tempo l’evolversi della reazione. Il reat-
tore discontinuo a completa miscelazione funziona secondo un ciclo di
durata finita, che può essere suddiviso in più fasi: caricamento e mi-
scelazione dei reagenti, reazione, arresto, svuotamento dei prodotti.
L’operazione risulta non stazionaria e le concentrazioni

Ck

sono variabili nel tempo (ma costanti nello spazio). Il reattore BR


risulta particolarmente adatto per piccole produzioni ad alto valore
aggiunto che richiedono un preciso controllo di condizioni operative
variabili nel tempo (industria farmaceutica, produzione di polimeri,
industria alimentare).
1.3.2 Reattore continuo a perfetta miscelazione 16

3.2 Reattore continuo a perfetta miscelazione


I reattori continui sono alimentati e producono i prodotti in continuo
e quindi, escludendo il transitorio iniziale nella fase di avviamento,
funzionano in uno stato stazionario (Ck e T costanti nel tempo)e
sono evidentemente più adatti a produzioni su vasta scala.
Nel reattore continuo a perfetta miscelazione (Continuos Stirred

Reagenti

Prodotti

Reattore Miscelatore

Figura 1.2: Reattore CSTR

Tank Reactor, CSTR), le concentrazioni delle varie specie, oltre ad


essere costanti nel tempo, sono costanti anche nello spazio grazie alla
condizione di perfetta miscelazione.
Inoltre è evidente che la corrente in uscita ha la stessa composizione
del fluido interno al reattore.
Nella realtà la condizione di perfetta miscelazione è tanto più difficile
quanto maggiore è il volume, cosı̀ che i reattori reali di tipo batch
e continui si differenziano dai modelli ideali principalmente per gli
effetti derivanti dalla miscelazione non perfetta che può generare
gradienti sia di concentrazione che di temperatura all’interno del
volume di reazione.
1.3.3 Reattore continuo con flusso a pistone 17

3.3 Reattore continuo con flusso a pistone


Il reattore di Figura 1.3 è detto reattore continuo con flusso a pi-
stone (Plug Flow Reactor, PFR) ed è caratterizzato dall’ipotesi di
miscelazione nulla in direzione assiale (ogni elemento di fluido che
attraversa il reattore non si miscela con gli elementi di fluido che lo
precedono o lo seguono) e perfetta miscelazione in direzione radiale
(sono nulli i gradienti delle concentrazioni e della temperatura su
ogni sezione trasversale), ipotesi che si realizza se il reattore opera
in regime turbolento e non laminare.
Di conseguenza le variabili del sistema dipendono solo dalla coordi-

Reattore

Reagenti Prodotti

Linee di flusso

Figura 1.3: Reattore PFR

nata assiale,anche se questa condizione è ideale e non è realizzabile


perfettamente in un reattore reale, che presenta generalmente gra-
dienti non nulli in direzione radiale e un certo grado di miscelazione
in direzione assiale.
In generale, i reattori PFR sono poco adatti per reazioni in fase li-
quida (in particolare per liquidi molto viscosi) a causa delle elevate
perdite di carico, ma hanno un’elevata superficie specifica, e quindi
consentono di scambiare molta energia termica con l’esterno, o di
mettere in contatto in modo efficiente un reagente gassoso con un
catalizzatore solido (ad esempio, nei convertitori catalitici per gas
combusti).
1.4 Modellizzazione di un reattore batch incamiciato 18

4 Modellizzazione di un reattore batch


incamiciato
Il processo di produzione di molti composti (es. resine fenoliche)
avviene in reattori operanti in discontinuo. Nel caso di reazioni for-
temente esotermiche, il reattore è dotato di un sistema di scambio
termico, costituito ad esempio da una camicia di raffreddamento che
circonda il reattore.

Reagenti

Tr
Condensato

Flusso F
Ck di fluido
Fluido

Refrigerante

Tj
Reattore (Vr) Miscelatore
Jacket (Vj)

Figura 1.4: Reattore batch incamiciato

Per un dimensionamento semplificato del reattore, o per la proget-


tazione di un sistema di controllo automatico del sistema di produ-
zione, è possibile descrivere il processo con riferimento al modello
ideale di reattore discontinuo, e quindi utilizzare il concetto di vo-
lume a perfetta miscelazione, cioè di concentrazione e temperatura
uguali in ogni punto del reattore.
Nella maggior parte dei processi chimici la velocità di reazione rA di-
pende fortemente dalla temperatura Tr variabile nel tempo, pertanto
per descrivere il funzionamento del reattore è necessario scrivere sia
un bilancio di materia che un bilancio di energia nel reattore. Tali
equazioni di bilancio nel reattore devono inoltre essere accoppiate
con un bilancio di energia nella camicia di scambio termico, in modo
da avere informazioni sulla dinamica della temperatura del fluido di
servizio.
La generica equazione di bilancio di materia e di energia per un
reattore chimico è:
Qacc = Qin −Qout +Qgen (1.13)
1.4 Modellizzazione di un reattore batch incamiciato 19

Per un reattore discontinuo, poiché il reattore viene caricato all’istan-


te t0 = 0 e quindi durante la fase di reazione nulla viene introdotto
o prelevato, la (1.1) diventa:

Qacc = Qgen (1.14)


Per quanto riguarda il bilancio di energia nella camicia di raffredda-
mento, si può trattare quest’ultima come un CSTR ideale nel quale
non avviene alcuna reazione (Qgen = 0), e quindi la (1.1) diventa:

Qacc = Qin −Qout (1.15)


dove il fluido in uscita Qout ha la stessa temperatura del fluido in-
terno alla camicia.
Esplicitando le equazioni (1.14), (1.15) si ottengono le seguenti equa-
zioni differenziali:
d(Vr Ck )
= −Vr Ck k(Tr ) (1.16)
dt
d(ρr Vr Cpr Tr )
= (−∆Hr )Vr Ck k(Tr )+U S(Tj −Tr ) (1.17)
dt
d(ρj Vj Cpj Tj )
= ρj Cpj F (Tjin −Tj )+U S(Tr −Tj ) (1.18)
dt
1.4 Modellizzazione di un reattore batch incamiciato 20

I parametri che entrano in gioco sono:

Descrizione Parametro
Fattore pre-esponenziale k0
Energia di attivazione Ea
Var.di Entalpia di reazione ∆Hr
Volume del Reattore Vr
Volume del Jacket Vj
Densità soluzione liquida ρr
Densità fluido in camicia ρj
Calore specifico soluzione nel reattore Cpr
Calore specifico fluido in camicia Cpj
Temperatura del fluido in camicia Tj
Temperatura del fluido nel reattore Tr
Concentrazione nel reattore Ck
Coefficiente di scambio termico U
Superficie di scambio S

Tabella 1.1: Parametri di modello


Tenendo conto della (1.6) e delle ipotesi, le equazioni (1.16), (1.17)
e (1.18) diventano:

dCk E 
a
= −Ck k0 ·exp (1.19)
dt RTr
dTr (−∆Hr ) E 
a
= k0 ·exp +U S(Tj −Tr ) (1.20)
dt ρr Cpr RTr
dTj F US
= (Tjin −Tj )+ (Tr −Tj ) (1.21)
dt Vj ρj Vj Cpj

Poiché la reazione avviene in fase liquida, si può supporre che il vo-


lume di reazione V sia costante nel tempo. Inoltre, poiché l’intervallo
di temperatura in cui opera il reattore è piccolo, si può trascurare la
dipendenza delle densità e dei calori specifici rispetto alla tempera-
tura, sia per la soluzione reagente che per il fluido in camicia.
1.4.1 Ambito di utilizzo dei reattori batch 21

4.1 Ambito di utilizzo dei reattori batch


I reattori batch sono dei reattori, come visto in precedenza, che non
hanno uscite, cosicchè i loro prodotti di reazione vengono prelevati
in diverse fasi attraverso l’utilizzo di una pipetta di laboratorio.
Proprio per questa caratteristica, i reattori batch sono detti disconti-
nui e quindi tipicamente non vengono utilizzati in ambito industria-
le, in cui è richiesto un flusso continuo dei prodotti nel tempo con
una corrispondente variazione del volume del contenuto nel reattore
(reattori a flusso continuo), bensı̀ nelle reazioni di laboratorio come
ad esempio quelle biochimiche, biologiche in genere e organiche.
Nella chimica ambientale molto spesso vengono utilizzate tali strut-
ture di laboratorio per effettuare reazioni relative ai fertilizzanti, alla
valutazione di sostanze inquinanti; nella chimica organica per esem-
pio nell’esterificazione del butanolo con acido acetico usando come
catalizzatore acido solforico, la saponizzazione del etil acetato, la
sintesi di resine fenoliche.
1.5 Cenni alla modellizzazione dei reattori reali 22

5 Cenni alla modellizzazione dei reatto-


ri reali
Al contrario di un reattore ideale, in un reattore reale concentrazione
Ck e temperatura Tr non sono in genere costanti nello spazio a causa
della presenza di agitatori meccanici.
Conseguenza è la formazione di zone a concentrazione e temperatu-
ra diverse dai valori di progetto in cui si possono attivare reazioni
secondarie indesiderate, con abbassamento della produttività e pos-
sibili conseguenze sulla sicurezza dell’impianto.
Si utilizzano in genere uno o più agitatori meccanici, che forniscono
al fluido sia un moto macroscopico, per realizzare la dispersione del
fluido sulla scala del reattore, sia uno sforzo di taglio (shear stress),
cioè una velocità diversa tra volumi adiacenti di fluido, per favorire
la miscelazione su scala microscopica.
Gli agitatori si distinguono in assiali e radiali in base alla direzione
prevalente del moto che impongono al fluido, in alcuni casi sono uti-
lizzati per miscelare i reattori utilizzati nei processi industriali. La
corretta progettazione di un reattore miscelato e del relativo sistema
di controllo richiede una conoscenza dettagliata dei fenomeni fisici
che la miscelazione genera al suo interno.
Due comuni approcci modellistici per lo studio degli effetti della non
perfetta miscelazione, che si basano su una discretizzazione del si-
stema e che sono stati entrambi ampiamente validati sulla base di
misure sperimentali, sono basati rispettivamente su metodi di flui-
dodinamica computazionale (Computational Fluid Dynamics, CFD)
e di modellazione a zone (Compartment Model Approach, CMA).

5.1 Fluidodinamica computazionale


La fluidodinamica computazionale permette, in generale, di ottenere
soluzioni numeriche per un vasto insieme di problemi (fluidi compri-
mibili e incomprimibili, regime laminare e turbolento, sistemi rea-
genti e non).
Questo tipo di approccio si è sviluppato soprattutto negli ultimi an-
ni, grazie alla diffusione di calcolatori di elevate prestazioni.
Le equazioni alla base dei modelli CFD sono l’equazione di conti-
nuità (conservazione della materia), le equazioni di Navier-Stockes
(conservazione della quantità di moto) ed il bilancio di energia.
Il sistema risulta cosı̀ descritto da equazioni differenziali parziali non
1.5.1 Fluidodinamica computazionale 23

lineari accoppiate tra loro, la cui risoluzione per via analitica si pre-
senta in genere come una via non percorribile.
Nei casi più semplici è possibile ottenere per via analitica una solu-
zione approssimata, ma solo quando i termini non lineari sono trascu-
rabili rispetto a quelli lineari, come nel caso di flussi perfettamente
sviluppati o di creeping flow (flusso intorno ad oggetti sommersi a
bassi numeri di Reynolds).
Mediante le tecniche CFD, il dominio di interesse viene suddiviso in
elementi infinitesimi e, per ognuno di tali elementi, è possibile sosti-
tuire alla derivata parziale il corrispondente rapporto incrementale
(metodo alle differenze finite).
Il sistema di equazioni differenziali viene cosı̀ sostituito da un siste-
ma di equazioni algebriche che può essere risolto tramite calcolatore
per ottenere la soluzione numerica del problema.
L’errore di calcolo che si commette con tale metodo è proporziona-
le alle dimensioni degli elementi infinitesimi in cui viene suddiviso
il dominio, per cui soluzioni più accurate sono ottenibili mediante
una più fine discretizzazione. Ciò però comporta anche una maggio-
re onerosità di calcolo.
In letteratura sono disponibili numerosi lavori in cui sono riporta-
ti importanti risultati di studi fluidodinamici su reattori miscelati
monofasici ottenuti con tecniche CFD (Bakker, 1992; Hjertager e
Morud, 1993; Kresta e Wood, 1991; Ranade e Joshi, 1990).
La modellazione di reattori agitati può presentarsi anche molto com-
plessa, ad esempio nel caso in cui siano presenti agitatori multipli,
oppure più fasi; alcuni tra i principali risultati ottenuti con tecni-
che CFD per questo tipo di apparecchiature sono stati conseguiti
ad esempio da Noorman (1993), Smith e Rielly (1988), Tragardh
(1993), con particolare attenzione ai sistemi liquido-gas di interesse
nei processi fermentativi.
I risultati ottenuti sono stati generalmente supportati da misure spe-
rimentali di velocità, che, eseguite in punti diversi del reattore, hanno
anche permesso di determinare le condizioni al contorno del problema
e di individuare eventuali incertezze del modello (Lou et al., 1993).
La verifica dei risultati delle simulazioni CFD per reattori industria-
li, tuttavia, si presenta molto difficile.
A volte, infatti, non è possibile condurre una sperimentazione appro-
fondita, altre volte l’installazione di appropriati sensori per la fase
sperimentale risulta troppo costosa.
Questi problemi hanno spesso scoraggiato l’applicazione di tecniche
1.5.2 La modellizzazione a zone 24

CFD per la modellazione di reattori miscelati su scala industriale


(Cui et al., 1996).

5.2 La modellizzazione a zone


La modellazione dei reattori agitati meccanicamente mediante tecni-
ca CMA prevede la suddivisione del volume di reazione in un numero
finito di zone considerate a perfetta miscelazione che scambiano ma-
teria ed energia tra loro.
In altre parole, ogni singola zona può essere considerata come un
reattore continuo perfettamente miscelato (CSTR), attraversato dal-
la corrente principale generata dalle pale dell’agitatore nonché da
portate secondarie di fluido che tengono conto degli effetti della mi-
scelazione nelle altre direzioni. Negli ultimi anni sono stati sviluppati

Miscelatore

Reattore

Figura 1.5: Modello a zone

numerosi modelli a zone per reattori miscelati.


Un modello molto semplice è stato realizzato, ad esempio, da Sin-
clair e Brown (1970) per un reattore con un solo agitatore e prevede
l’esistenza di sole due zone a perfetta miscelazione al suo interno; un
modello molto più complesso è stato sviluppato da Mann e Mavros
(1982) e prevede invece più di due zone.
Cui et al. (1996) hanno elaborato un modello a zone validato utiliz-
zando una tecnica basata sull’iniezione di un fluido tracciante in una
zona prestabilita del reattore.
Analizzando un sistema monofasico in un reattore cilindrico con più
agitatori radiali, Cui et al. (1996) hanno osservato che il flusso gene-
rato dai miscelatori è caratterizzato da una componente principale
1.5.2 La modellizzazione a zone 25

che si sviluppa in direzione radiale alle pale.


In prossimità delle pareti del reattore il flusso principale si suddivide
in due flussi secondari, detti di ricircolo, che si ricongiungono nel
flusso principale in prossimità del miscelatore (Figura 1.5). Cui et

Soluzione

Miscelatori

Reattore

Figura 1.6: Modello a zone con agitatori

al. fanno riferimento ad un reattore discontinuo monofasico dotato


di più agitatori radiali di tipo Rushtone.
La distanza tra gli agitatori è maggiore del doppio dei loro diametri,
e questa condizione consente di assumere che il flusso tra due agita-
tori sia orizzontale e parallelo.
Il modello a zone elaborato da Cui et al. prevede la suddivisione del
reattore in tante regioni quanti sono gli agitatori.
Ogni regione, a sua volta, è suddivisa in un certo numero di zone di
ugual volume e perfettamente miscelate.
Capitolo 2
Il modello del reattore
”Make everything as simple as
possible, but not simpler.”
- Albert Einstein -

1 Introduzione al problema
La modellizzazione matematica nell’ambito del controllo dei processi
chimici e del controllo in generale, è uno strumento di fondamentale
importanza, note che siano le variabili che entrano in gioco nel pro-
blema stesso, che consente di capire il funzionamento di un sistema,
comprendere le interazioni ed i rapporti causa ed effetto, predire gli
effetti delle perturbazioni sul sistema senza necessariamente pertur-
barlo, effettuare diagnostica, gestire in tempo reale il processo.
In questo capitolo verrà finalmente preso in esame il modello di un
reattore batch ideale caratterizzato da forti non linearità, di cui sono
ben noti i dati sperimentali, allo scopo di progettare un osservatore
H∞ , per stimare le temperature d’uscita dal reattore e concentrazio-
ni corrotte da incertezze e disturbi parametrici.
Le forti non linearità del sistema, oltre alla natura fisica del pro-
blema, non consentono la linearizzazione nell’intorno di un punto di
equilibrio ben preciso, per questo motivo verrà scritto un algoritmo
che approssima il sistema con un modello LPV ( Lineare Parametro
Variante), a partire dal quale verrà risolto un problema di ottimizza-
zione attraverso l’uso di LMI (Linear Matrix Inequality) per la deter-
minazione della matrice di retrazione L dell’osservatore non lineare.
Le simulazioni verranno fatte in ambiente Matlab/Simunlink.
2.2 Modello ISU del reattore 27

2 Modello ISU del reattore


Consideriamo un reattore batch incamiciato, in cui avviene una re-
k k
azione in serie del tipo A →1 B →2 C. Questa reazione ad ogni passo
si assume essere del primo ordine e dalla legge del bilancio di massa
si ha:

C˙A = −k1 (Tr )CA (2.1) C˙B = k1 (Tr )CA −k2 (Tr )CB (2.2)
Dove Tr è la temperatura del reattore [K], CA e CB sono le concen-
trazioni [mol/m3 ] di reagente A e di prodotto desiderato B, rispet-
tivamente kimax < ki (Tr ) < kimin i=1,2 sono le cinetiche di reazione
che dipendono dalla temperatura Tr secondo la legge di Arrhenius:

 Ea 
ki (Tr ) = k0i · exp − (2.3)
RTr
Dove R è la costante universale dei gas [kj/molK], Eai sono le ener-
gie di attivazione [Kj/mol] delle due reazioni e k0i sono i fattori
pre-esponenziali [min−1 ]. Il bilancio di energia nel reattore è dalla
seguente equazione differenziale:

Q(CA , CB , Tr ) U S(Tr − Tj )
T˙r = − (2.4)
V r ρr C p r V r ρr C p r
Dove Tj la temperatura [K] del fluido nella camicia (jacket), Vr è il
volume del reattore [m3 ], ρr è la densità della miscela dei reagenti
[Kg/m3 ], Cpr è la capacita termica massica del contenuto all’inter-
no del reattore [Kj/Kg · K], US è il prodotto del coefficiente di
trasmissione del calore U [Kj/m2 · K · min] per la sezione S della
parete del reattore [m2 ]. La differenza dei rapporti al secondo mem-
bro dell’equazione differenziale, rappresenta lo scambio termico tra
la temperatura interna del reattore e la camicia esterna (jacket) tra-
mite la parete di sezione S; il termine Q(CA , CB , Tr ) è il contributo
di calore liberato in seguito alla reazione con dimensione [Kj/min],
dipendente dai valori entalpici di reazione quindi avente la seguente
espressione:

Q(CA , CB , Tr ) = (−∆H1 )k1 (Tr )CA Vr + (−∆H2 )k2 (Tr )CB Vr


2.2 Modello ISU del reattore 28

Sostituendola nella (2.4) si ottiene:

(−∆H1 )k1 (Tr )CA (−∆H2 )k2 (Tr )CB


T˙r = + (2.5)
Vr ρr Cpr V r ρr C p r
Sotto l’assunzione di miscelazione perfetta del fluido di raffredda-
mento nel jacket, il bilancio di energia è regolato dalla seguente
equazione differenziale:

U S(Tr − Tj ) (Tjin − Tj )F
T˙j = + (2.6)
Vj ρjCpj Vj
Posto:
(−∆Hi ) 1 F
αi = (i = 1, 2) α∗ = (∗ = j, r) βj =
ρr Cpr V∗ ρ∗ Cp∗ Vj

   
x1 CA    
 x2   CB  y1 Tr
 x3  =  T r
x=    u = Tjin y= =
 y2 Tj
x4 Tj

Si ottengono le seguenti matrici:


 
−k1 (y1 ) 0 0 0
 k1 (y1 ) −k2 (y1 ) 0 0 
A(y) = 
 α1 k1 (y1 ) α2 k2 (y1 ) −U Sαr
 (2.7)
U Sαr 
0 0 U Sαj −U Sαj − βj

 
0    
 0  0 0 1 0 0
 0  (2.8)
B=  C= (2.9) D= (2.10)
0 0 0 1 0
βj
La matrice dinamica A è una matrice non lineare parametro variante
mentre le altre matrici sono delle semplici matrici lineari.
2.3 Dati sperimentali 29

I problemi principali nell’analisi del sistema sono: le non linearità


della matrice A dovute alle cinetiche di natura esponenziale, e l’as-
senza di un punto di equilibrio stabile del sistema stesso a causa della
non reversibilità della reazione. Questi due problemi non consentono
di formulare il problema di sintesi dell’osservatore in maniera agevo-
le, in quanto le tecniche di sintesi sono applicabili ai sistemi lineari,
e per questo motivo sarà necessario realizzare un algoritmo di sintesi
ad hoc per il problema.

3 Dati sperimentali
Lo studio del sistema è essenzialmente legato ad un contesto rea-
listico, e per questo motivo è necessario fare affidamento a dei da-
ti sperimentali che vengono forniti dopo un serie di simulazioni in
laboratorio. Il set di dati in possesso è il seguente:

Descrizione Parametro Valore


Fattore pre-esponenziale1 k01 5.35 1010 [min−1 ]
Fattore pre-esponenziale2 k02 4.61 1017 [min−1 ]
Energia di attivazione1 Ea1 74.781 [Kj/mol]
Energia di attivazione2 Ea2 124.785 [Kj/mol]
Var.di Entalpia di reazione1 ∆H1 −79.2 [Kj/mol]
Var.di Entalpia di reazione2 ∆H2 −53.0 [Kj/mol]
Coeff. di propag. per sezione US 2052 [Kj/minK]
Var.incerta di US ∆U S ∗ ±718.2 [Kj/minK]
Volume del Reattore Vr 6 [m3 ]
Volume del Jacket Vj 1.8 [m3 ]
Dens.per Cap.termica.reatt ρr C p r 4.19 103 [Kj/m3 K]
Dens. per Cap.termica.jack ρj C p j 4.19 103 [Kj/m3 K]
Concentrazione iniziale CA CA (0) 950 [mol/m3 ]
Concentrazione iniziale CB CB (0) 50 [mol/m3 ]
Incertezza sulla CA (0) ∆CA (0)∗ 47.5 [mol/m3 ]
Incertezza sulla CB (0) ∆CB (0)∗ 2.5 [mol/m3 ]
Temperatura iniziale Tr Tr (0) 293 [K]
Temperatura iniziale Tj Tj (0) 310 [K]
Varianza rumuore Gaussiano σ2 10−3 [W att]

Tabella 2.1: Parametri di Simulazione


2.4 Conclusioni 30

I valori nei punti * della tabella espressi in percentuale sono rispet-


tivamente ±0.35% per ∆U S, ±0.5% per ∆CA (0) e per ∆CB (0).

4 Conclusioni
Una volta determinato il modello matematico del reattore chimico
del sistema, si può passare alla fase realizzattiva del progetto, ovvero
alla fase di sintesi dell’osservatore.
Nel capitolo seguente verranno introdotti i concetti della teoria del-
l’osservazione con riferimento al controllo robusto di tipo H∞ , allo
scopo di rendere chiara la fase di sintesi dell’osservatore, che verrà
trattata nel capitolo 4.
In tale fase verrà elaborato l’algoritmo per la risoluzione del proble-
ma di osservazione H∞ , che consente di rendere (LPV) il modello
del reattore, di poter applicare i teoremi fondamentali del controllo
robusto per la determinazione della matrice di anello L. Una volta
ottenuta tale matrice si andranno a fare delle simulazioni su uno
schema di controllo non lineare adattativo, per verificare i migliora-
menti ottenuti rispetto all’osservatore precedentemente realizzato.
Le stime ottenute avranno un ruolo importante per l’azione del con-
trollo, e quindi più migliora la valutazione delle variabili in gioco,
migliore è l’azione del controllo.
Capitolo 3
Teoria dell’osservazione
”Applied mathematics is a style, not a subject.”
- R.Shaker -

1 Il problema dell’osservazione
In molte applicazioni ingegneristiche è desiderabile avere la stima di
certe quantità che non sono misurabili direttamente, o perchè risulta
molto costoso, o perchè è impossibile installare un sensore fisico de-
dicato. Un interessante alternativa è pertanto produrre una stima a
partire dalle dinamiche del processo noto, ed ottenere l’informazione
di misura attraverso una misura indiretta. Nell’ingegneria dei con-
trolli la misurazione indiretta, prende nome di processo di osserva-
zione e in particolare il blocco sistemistico di osservazione prende il
nome di osservatore. L’osservazione è molto usata per risolvere tre
tipologie di problematiche: la supervisione, la fault detection, il
controllo.

1.1 La supervisione
Un utilizzatore potrebbe aver bisogno di stimare le variabili non note
di un processo per sapere quando può intervenire manualmente sul
sistema: un pilota ad esempio potrebbe voler conoscere l’angolo di
pitch di un aeroplano, allo scopo di sapere se l’aeroplano è prossimo
a fermarsi o un operatore invece lo stato di un processo industriale
di tipo batch.
La funzione di supervisione di un osservatore pertanto consente di
stimare le dinamiche di sistema a partire dalla conoscenza delle sue
uscite e dei suoi ingressi,in particolare, è molto spesso utilizzata
3.1.2 La fault detection 32

per osservare gli stati in presenza di disturbi esterni che inficiano


le dinamiche.

Ingresso Uscita
Processo

Osservatore

Stato stimato

Utilizzatore

Figura 3.1: Osservatore di supervisione

1.2 La fault detection


Molto spesso capita che nei processi industriali avvengano dei guasti
accidendentali come la perdita in una valvola di un impianto, la
rottura di una connessione, l’avaria di un sensore.
Tutto questo potrebbe causare serie conseguenze, se non ci fosse un
modo per rilevare il guasto, correggerlo o controllarlo.
La soluzione al problema è insita nella Fault Detection Isolation
(FDI) che si basa su strategie ben precise: sulla ridondanza hardware
o sulla ridondanza analitica o di modello.
La prima soluzione attualmente è poco usata, perchè può essere non
affidabile nel caso in cui si ha la necessità di rilevare in maniera
veloce un guasto e aumenta di molto la complessità del hardware a
causa della replica di sensori e attuatori; la seconda invece è molto
utilizzata e prevede una replica delle dinamiche di modello mediante
l’uso di osservatori.
L’osservatore stima le dinamiche dell’errore valutando il residuo, il
fault detector invece verifica se, detto ε(t) il vettore della dinamica
dell’errore e detta E(t) la funzione di soglia, ε(t) > E(t).
In tal caso avviene l’errore, altrimenti l’errore non è presente.
L’approccio alla rilevazione del guasto è deterministico se si è in
assenza di rumuore sul sistema, stocastico al contrario.
Quando l’approccio diventa stocastico, la funzione di soglia non è
3.1.3 Il controllo 33

più di tipo deterministico ma diventa di tipo probabilistico e per


questo motivo è necessario fare riferimento a Basseville e Nikiforov
e Gustafsson.
Ingresso Uscita
Processo

Osservatore

Stima Residui

Fault detector
Informazioni di fault

Utilizzatore

Figura 3.2: Fault detection

1.3 Il controllo
L’uso dell’osservatore spesso necessita nei problemi di controllo in
cui gli stati non sono normalmente disponibili alla retroazione e mi-
surabili.
Gli obbiettivi in questo caso sono radicalmente differenti dalle due
precedenti applicazioni, in cui veniva fatta una stima fine a se stes-
sa, poichè si vuole accedere agli stati allo scopo di retroazionarli e
controllarli.
Senza l’ausilio dell’osservatore di stato la lettura degli stati non è
fattibile.
Nella pagina seguente è rappresentato lo schema a blocchi indicativo
che evidenzia questa terza tipologia di problema in cui si usa l’os-
servatore, dove in alto allo schema c’è il solito processo, nel secondo
blocco c’è l’osservatore che stima gli stati, nell’ultimo blocco c’è il
controllore che accetta in ingresso l’uscita dell’osservatore retroazio-
nandolo.
3.2 Osservabilità 34

Ingresso Uscita
Processo

Osservatore

Stima Stati

Controllore

Figura 3.3: Osservatore a ciclo chiuso

2 Osservabilità
L’osservabilità è una proprietà di un sistema dinamico che consente
di determinare lo stato se sono noti gli ingressi e le uscite del sistema
stesso.
Intuitivamente l’osservabilità è la proprietà duale della raggiungibi-
lità: un sistema è raggiungibile se ogni stato può essere raggiunto
mediante una scelta opportuna degli ingressi; è osservabile se, in as-
senza di ingressi, si può determinare lo stato mediante opportuna
elaborazione delle uscite.
Per i sistemi LTI questa intuitiva dualità si traduce in una ben
precisa dualità algebrica.

2.1 Indistinguibilità ed osservabilità


Sia dato il sistema:

ẋ = f (x, u, t) (3.1a)

y = g(x, u, t) (3.1b)
ove u ∈ U con U insieme delle funzioni continue a tratti.
Uno stato x del sistema (2.1) si dice indistinguibile nel futuro inter-
vallo [t0 , t1 ], con t0 < t1 dallo stato x0 se:

g(ϕ(τ, t0 , x, u[t0 ,t1 ) , u(τ ), τ ) = g(ϕ(τ, t0 , x0 , u[t0 ,t) , u(τ ), τ ) (3.2)

Essa è valida ∀τ ∈ [t0 , t1 ] e ∀u ∈ U, dove il sottoinsieme di stati di


non distinguibilità si indica con Xnd (t0 , t1 , x0 ).
3.2.1 Indistinguibilità ed osservabilità 35

Da questa definizione uno stato x del sistema (2.1) si dice indistin-


guibile dall’istante t0 da x0 se ∀t1 > t0 x ∈ Xnd (t0 , t1 , x0 ).
Per un sistema lineare tempo variante uno stato x è indistinguibile
da x0 per l’uscita in evoluzione libera se:

C(τ )Φ(τ, t0 ) = C(τ )Φ(τ, t0 )x0 ∀τ ∈ [t0 , t1 ] (3.3)


E’ possibile dedurre la definizione di non osservabilità, a partire dalla
definizione di indistinguibilità e per questo si dice che un sistema
lineare tempo variante è non osservabile (indistinguibile nel futuro
dallo stato zero) nell’intervallo [t0 , t1 ] se:

C(τ )Φ(τ, t0 )x = 0 ∀τ ∈ [t0 , t1 ] (3.4)

L’insieme di tali stati si indica con Xno (t0 , t1 ) e diventa completa-


mente osservabile se l’insieme degli stati non osservabili all’istante t0
con t1 > t0 coincide con l’insieme vuoto ossia Xno (t0 ) = {0}.
Nel caso si sistemi lineari tempo varianti si può dimostrare che il
sottoinsieme di osservabilità è un sottospazio lineare e che è deter-
minabile calcolando il sottospazio nullo o kernel della funzione:
Z t1
Q(t, t0 ) = ΦT (τ, t0 )C T (τ )C(τ )Φ(τ, t0 ) dτ (3.5)
t0

dove Φ(τ, t0 ) è la funzione di transizione, mentre C(τ ) è la matrice


degli stati del sistema in uscita. Quindi si ha che:

Xno = N(Q(t0 , t1 )) (3.6)


Nel caso di sistema lineare stazionario un sottospazio è non osserva-
bile se:

Ce(τ −t0 ) x0 = 0 ∀τ ∈ [t0 , t1 ] (3.7)


Da tale definizione è possibile ricavare il sottospazio di non osser-
vabilità, derivando più volte rispetto al tempo la (3.7) ottenendo il
seguente vettore:
 
C
 CA 
Xno = N .. (3.8)
 

 . 
CA(n−1)
3.3 Osservatori lineari 36

Da un teorema di algebra lineare per la risoluzione dei sistemi lineari,


dato un sistema lineare M si ha che N⊥ (M ) = R(M ) con N⊥ (M ) il
sottospazio nullo ortogonale, con R(M ) il range di M .
In virtù di questo teorema è possibile dire che Xno = Xo⊥ e questo
significa che il sottospazio di osservabilità è:

Xo = R C T AT C T · · · AT (n−1) C T
 
(3.9)
E si può dimostrare che la condizione di completa osservabilità è
verificata se il rango della matrice di osservabilità è pieno:

rank[C T AT C T · · · AT (n−1) C T ] = n (3.10)

3 Osservatori lineari
Un osservatore per un sistema dinamico S(x, y, u) con stato x, uscita
y, ingresso u è un altro sistema dinamico Ŝ(x̂, y, u) che ha la proprietà
che lo stato x̂ dell’osservatore Ŝ converge allo stato x del processo S,
in modo indipendentemente dall’ingresso o dallo stato x.
Il concetto di osservatore per un processo dinamico fu introdotto nel
1966 da D.Luenberger, ma la versione più generale di osservatore o
osservatore generalizzato apparı̀ alcuni anni dopo sotto il nome di
filtro di Kalman, il quale è stato ottimizzato per abbattere il rumore
presente in fase di osservazione.
Tra la classe di osservatori lineari ricordiamo: gli osservatori lineari
di ordine pari a quello del sistema dinamico (Full-Order Observers),
gli osservatori di ordine ridotto (Reduced-Order Observers).
All’interno dell’insieme di queste due classi di osservatori rientrano
le metodologie di progetto che possono essere riassunte come segue:
progetto mediante l’algoritmo del piazzamento dei poli, attraverso la
tecnica di controllo LQR, LQG (Fitro di Kalman), LTR, attraverso
il controllo robusto (H2 ,H∞ ) e cosı̀ via.
Da quanto detto si può evidenziare il fatto che l’osservazione è duale
ai problemi di controllo, e ciò significa che ad un problema di con-
trollo corrisponde un problema di osservazione: infatti alla coppia di
matrici (A, B) in un problema di controllo corrisponde ad una coppia
(AT , C T ) di un problema di osservazione.
3.3.1 Linear Full-Order Observers 37

3.1 Linear Full-Order Observers


Dato un sistema dinamico continuo:

ẋ = Ax+Bu (3.11a)

y = Cx+Du (3.11b)

Un full-order observer ha la seguente forma.

x̂˙ = Âx̂+Ky+Hu (3.12)

dove la dimensione dello stato x̂ dell’osservatore coincide con quella


dello stato del processo.
Le matrici Â, K e H che appaiono nell’equazione dell’osservatore
sono ricavate attraverso la valutazione della dinamica dell’errore.

e := x−x̂ (3.13)

Dalle equazioni (3.11), (3.12) la stima dell’errore:

ė = Âx̂+Bu−Â(x−e)−KCx−Hu = Âe+(−Â+A−KC)x+(B−H)u
posto:

 = A−KC (3.14)

H=B (3.15)
si ottiene la dinamica dell’errore:

ė = Âe (3.16)
e converge a zero se e soltanto se la matrice  è una matrice stabile.
Dal momento che le matrici A,B, e C sono definite dall’impianto, la
sola libertà nel progetto dell’osservatore è la scelta della matrice di
guadagno K.
Per enfatizzare il ruolo della matrice di guadagno dell’osservatore, e
tenere in conto delle equazioni (3.14), (3.15) l’osservatore può essere
riscritto come:

x̂˙ = Ax̂+Bu+K(y−C x̂) (3.17)

La quantità:

r := y−C x̂ = y−ŷ (3.18)


3.3.2 Linear Reduced-Order Observers 38

spesso chiamata residuo, è la differenza tra l’attuale osservazione y


e l’osservazione sintetizzazata dall’osservatore.
L’osservatore può essere visto come un sistema retroazionato proget-
tato per portare il residuo a zero, in modo tale che, non appena il
residuo va a zero, l’osservatore approssima il suo vettore degli stati
con quello del processo originale.
u
Ingresso di controllo

B
Osservazione
y
+ + x 1
-
K + s

y
C

Figura 3.4: Linear Full-Order Observer

3.2 Linear Reduced-Order Observers


L’osservatore descritto nella precedente sezione ha lo stesso ordine
dell’impianto di partenza, mentre un osservatore ridotto di ordine
n-m, dove n è la dimensione del vettore degli stati ed m è il numero
di osservazioni, è un osservatore che viene utilizzato per stimare la
parte delle dinamiche di un sistema non direttamente misurabili.
Suddividendo il vettore degli stati in due parti, cioè nella parte misu-
rabile direttamente ed in quella non misurabile, si ottiene il seguente
vettore:
 
x1
x =  ···  (3.19)
x2

con x1 ∈ Rm vettore degli stati direttamente misurabili e x2 ∈ R(n−m)


vettore degli stati non direttamente misurabili. In termini di x1 e x2
le dinamiche dell’impianto sono:
x˙1 = A11 x1 +A12 x2 +B1 u (3.20a)
x˙2 = A21 x1 +A22 x2 +B1 u (3.20b)
3.3.2 Linear Reduced-Order Observers 39

Per il sottostato x1 , no c’è nessun osservatore

y = x1 = x̂1 (3.21)
Per il rimanente sottostato x2 , definiamo l’osservatore ridotto come
segue:

xˆ2 = Ky+z (3.22)


dove z è lo stato del sistema di ordine n-m:

ż = Âz+Ly+Hu (3.23)

Osservazione y=x1 x1

L K

u + z 1 z +
H + s +
x2
Ingresso di controllo

Figura 3.5: Linear Reduced-Order Observer (a)

Anche in questo caso, come avveniva nel caso di di Full-Order Obser-


ver, le matrici Â, L, H e K sono scelte in modo tale che la dinamica
dell’errore converga a zero.
Per cui le matrici possono essere scritte al seguente modo dall’espli-
citazione dell’errore:

 = A22 −KA12 (3.24)

L = A21 −KA11 +ÂK (3.25)


H = B2 −KB1 (3.26)
E quindi ritroviamo la dinamica dell’errore (3.16). Dal momento che
la matrice di anello K deve essere scelta in modo che gli autovalori
di  siano a parte reale negativa, A22 e A12 nell’osservatore di ordine
ridotto assumono il ruolo della matrice A e della matrice C dell’os-
servatore di ordine intero.
3.3.2 Linear Reduced-Order Observers 40

Progettata K sull’osservatore di ordine intero, conseguentemente è


possibile determinare H ed L.
La specifica forma della nuova matrice L nell’equazione (3.25) sug-
gerisce un’altra tipologia implementativa dell’osservatore di ordine
ridotto:

ż = Âx̂2 +L̄y+Hu (3.27)


dove

L̄ = A21 −KA11 (3.28)

Osservazione y=x1 x1

L K

u + z 1 z +
H + s +
x2
Ingresso di controllo

Figura 3.6: Linear Reduced-Order Observer (b)


3.3.3 Il principio di separazione 41

3.3 Il principio di separazione


L’uso predominante di un osservatore è stimare lo stato allo scopo
di realizzare un controllo in retroazione di stato. In particolare, in
un sistema lineare con stato disponibile totalmente alla retroazione
si verifica che:

u = −Gx (3.29)
Quando lo stato x non è direttamente disponibile alla retroazione,
lo stato x̂ dell’osservatore è usato in luogo dello stato attuale x nel-
l’equazione (3.29).
Perciò il controllo è stato implementato usando:

u = −Gx̂ (3.30)
dove

x̂ = x−e (3.31)
Pertanto quando è usato un osservatore, le dinamiche a ciclo chiuso
sono date in parte da:

x̂ = Ax−BG(x−e) = (A−BG)x+BGe (3.32)


Questa equazione insieme a quella per la propagazione dell’errore,
definisce l’insieme delle dinamiche del sistema a ciclo chiuso.
Quando è utilizzato un osservatore non ridotto:

ė = Âe = (A−KC)e (3.33)


E quindi le dinamiche totali sono data dalla seguente matrice:
    
ẋ A − BG BG x
= · (3.34)
ė 0 A − KC e
Le dinamiche a ciclo chiuso sono governate dalla matrice:
 
A − BG BG
A= (3.35)
0 A − KC
Dove gli autovalori della matrice (A − BG) sono gli autovalori a ciclo
chiuso del sistema retroazionato, mentre gli autovalori della matrice
(A − KC) sono quelli delle dinamiche dell’osservatore.
3.3.4 Il filtro di Kalman 42

Il che significa che è possibile progettare le dinamiche a ciclo chiu-


so del sistema e le dinamiche dell’osservatore in maniera del tutto
separata, assicurando che i poli del sistema dinamico a ciclo chiuso
appartengano alla matrice del controllo, mentre quelle dell’osservato-
re appartengano alla matrice retroazione dell’osservatore, per questo
che il principio prima enunciato prende il nome di principio di sepa-
razione.
Quando è usato un osservatore di grado ridotto la matrice delle
dinamiche a ciclo chiuso sono date dalla seguente matrice:
    
ẋ A − BG BG2 x
= · (3.36)
e˙2 0 A22 − KA12 e2
Anche in questo caso il principio di separazione viene utilizzato.

3.4 Il filtro di Kalman


L’ algoritmo del filtro di Kalman è un algoritmo che è usato per
stimare le variabili di stato di un sistema continuo LTI soggetto a
disturbi stocastici sulla base di misure del rumuore di certe variabili
d’uscita.
Per questo motivo tale algoritmo combina le informazioni riguar-
danti le dinamiche dell’impianto, le informazioni circa la natura dei
disturbi che influenzano le variabili di stato di processo, e di quelli
di misura.
L’invezione di tale algoritmo è dovuta a Dr.Rudolph E.Kalman, che
ha proposto l’idea tra la fine del 1950 e l’inizio del 1960.
Il contributo di Kalman mise insieme il problema della stima del
modello nello spazio stato e il concetto nuovo di controllabilità ed
osservabilità.
Dopo aver introdotto un pò di storia sul filtro di Kalman, introdu-
ciamo la problematica del filtro in maniera rigorosa.
Sia dato il seguente sistema corrotto da diturbo di processo p(t) e
disturbo di misura n(t):
ẋ = Ax+Bu+p (3.37a)
y = Cx+Du+n (3.37b)

Dove disturbi sono modellizzati come disturbi stocastici di natura


gaussiana di tipo bianco, di cui il primo inficia le dinamiche dell’im-
pianto, mentre il secondo quelle dei sensori sulla catena di misura.
3.3.4 Il filtro di Kalman 43

In tutto ciò sono note le proprietà statistiche dei segnali e in parti-


colare si sa che:

E[p(t)] = E[n(t)] = 0 Media (3.38)

E[p(t)p(t)T ] = Πδ(t − τ ) Covarianza di processo (3.39)


E[n(t)n(t)T ] = N δ(t − τ ) Covarianza di misura (3.40)
E[n(t)p(t)T ] = 0 Rumuori scorrelati fra di loro (3.41)

In base a queste ipotesi ha senso definire il filtro di Kalman al


seguente modo:

x̂˙ = Ax̂+Bu+Kf (y−C x̂) (3.42a)

y = x̂ (3.42b)

A partire dal filtro si può stimare la dinamica dell’errore che è la


seguente:

ê˙ = ẋ− x̂˙ = (A−Kf C)(x−x̂)+p+Kf n (3.43)

Ψ = p−Kf n (3.44)
Si può osservare che il filtro di Kalman pùo essere visto come un os-
servatore di natura stocastica che viene progettato attraverso la riso-
luzione di un problemma di ottimizzazione; i particolari di progetto
verranno illustrati nei paragrafi successivi.
3.4 Tecniche di progetto di un osservatore 44

4 Tecniche di progetto di un osservatore


Questo paragrafo ha lo scopo di illustrare, senza voler pretendere di
fare un a panoramica esauriente, i metodi di progetto più utilizzati
per retroazionare gli osservatori.
In particolare verranno trattati alcuni algoritmi che hanno senza
dubbio le origini nella teoria del controllo moderno, che vengono uti-
lizzati sia nei problemi di controllo che in quelli di osservazione.
Dal teorema di dualità, infatti, si sa che tutti i problemi di control-
lo sono riconducibili a problemi di osservazione e viceversa, per cui
formulare un problema di controllo equivale a formulare il suo duale
di osservazione.
La dualità scaturisce dalle definizioni di controllabilità (stabilizzabi-
lità) e osservabilità (rivelabilità), dal legame duale tra la matrice A
e AT e tra la matrice B e C T e tra matrice di retroazione L ed LT .
Tra le tecniche che verranno presentate verrà trattato l’algoritmo del
piazzamento dei poli, la tecnica LQG, quella H∞ .
Nel paragrafo finale ci saranno cenni sugli osservatori non lineari e
la tecnica più comune di progetto sul non lineare.

4.1 Il piazzamento dei poli


Molto spesso c’è l’esigenza di scegliere nel modo desiderato le di-
namiche di un sistema a ciclo chiuso, e per questo nel progetto di
sistemi di controllo MIMO si utilizza l’algoritmo del piazzamento dei
poli.
In virtù della dualità tra problemi di osservazione e di controllo, è
possibile piazzare i poli sul piano complesso anche per le dinamiche
dell’osservatore. L’algoritmo è articolato al seguente modo:
1. Si calcola il polinomio caratteristico di A come

|sI − A| = sn + a1 sn−1 + · · · + an−1 s + an

2. Si ricava il vettore dei coefficienti del polinomio del punto 1

a = [a1 a2 · · · an ]T

3. Si fissano i poli del polinomio desiderato e lo si calcola come

|sI − Â| = sn + â1 sn−1 + · · · + ân−1 s + ân


3.4.1 Il piazzamento dei poli 45

4. Si ricava il vettore dei coefficienti del polinomio del punto 3

â = [â1 â2 · · · ân ]T

5. Si costruisce la matrice di osservazione

O = [C T AT C T · · · AT (n−1) C T ]

6. Si costruisce la matrice alla Toeplitz


 
1 a 1 · · · an
 0 1 · · · an−1 
W =  .. .. .. .. 
 
 . . . . 
0 0 ··· 1

7. Si calcola L come

L = [(OW )T ]−1 (â − a)

Attraverso l’algoritmo sopra enunciato è possibile quindi posizionare


nel modo desiderato i poli sul piano di Gauss nel semipiano sinistro,
laddove il sistema è asintoticamente stabile.
Im

Zona a parte
Re<0

Re

Ascissa di convergenza

Figura 3.7: Piano di Gauss


3.4.2 Controllo ottimo 46

4.2 Controllo ottimo


Un’altro dei metodi per progettare la matrice di retroazione dell’os-
servatore passa per la teoria del controllo ottimo.
E’ noto in letteratura che il controllo ottimo è una delle tecniche usa-
te per controllare e di conseguenza osservare sistemi MIMO, si basa
sul concetto di minimizzazione di un funzionale di costo, vincolato
all’impianto in analisi.
Nell’ambito del controllo ottimo vengono distinte le seguenti tipolo-
gie di problemi: problemi LQR o LTR che sono deterministici, pro-
blema LQG che è stocastico.
E’ possibile dimostrare che c’è una relazione di dualità tra il proble-
ma LQR e quello LQG, cosicchè è possibile risolvere un problema
stocastico conoscendo il suo duale deterministico e viceversa.
La soluzione di un problema di controllo ottimo è racchiusa, consi-
derando di lavorare su un’orizzonte temporale di osservazione o di
controllo infinito, nell’equazione algebrica di Riccati.
Per il controllo LQR l’equazione di Riccati prende il nome di ARE
(Algebric Riccati Equation), mentre per il controllo LQG FARE (Fil-
ter Algebric Riccati Equation).
Adesso soffermiamoci sul problema del filtraggio formulando l’algo-
ritmo per progettare l’osservatore ottimo stocastico di Kalman.
1. Verificare che la coppia di matrici (A, C) è rivelabile
2. Verificare che la coppia di matrici (A, Π1/2 ) è stabilizzabile
3. Determinare la soluzione S ≥ 0 simmetrica della FARE

AS + SAT + Π − SC T N −1 CS = 0

4. Calcolare Kf = SC T N −1
Lo stesso problema può essere risolto come problema deterministico
applicando la dualità alle matrici Π ed N , ponendo Π = Q e ponendo
R = N.
3.4.3 Controllo H∞ 47

4.3 Controllo H∞
Lo scopo del controllo robusto è quello di fornire un insieme di tec-
niche di progetto che garantiscano l’invarianza di alcune proprietà
essenziali dei sistemi di controllo sotto l’effetto di perturbazioni di-
sturbi ed incertezza di modello. La maggior parte dei metodi classici
garantiscono robustezza limitata nei confronti delle perturbazioni
inferiori all’unità. Il concetto di controllo H∞ è legato alla minimiz-
zazione della norma del funzionale H : Cn → Cm , in particolare alla
norma infinito che è definita al seguente modo:

kHk∞ = sup kH(ω)k2 (3.45)


ω∈ℜ

Ovviamente non è molto semplice calcolare tale valore per un sistema


generico, al contrario per sistemi LTI stabili, si può dimostrare che
kH(ω)k∞ in frequenza coincide con kM k2 del sistema espresso nello
spazio di stato. Dal legame tra il raggio spettrale e la norma euclidea,
si ottiene che σ̄[H(ω)] = kHk2 e quindi la definizione (3.45) viene
ad essere modificata come riportato nella (3.46).

kHk∞ = sup σ̄[H(ω)] (3.46)


ω∈ℜ

Quello che si vuole fare nella pratica nel progetto dell’osservatore,


al di là della definizione stessa di norma, è andare ad abbattere in
maniera drastica la norma 2 degli ingressi di controllo dell’errore,
rispetto al vettore dei disturbi sempre in norma 2, imponendo che
questo rapporto sia inferiore ad un numero positivo γ.
La soluzione del problema di osservazione può essere formulata al
seguente modo:

kez k2
sup ≤ γopt γopt ∈ ℜ+ (3.47)
π∈P ,w∈L2 ,kwk2 ≤I kwk2
Laddove P è l’insieme dei parametri, L2 è l’insieme dei segnali di
disturbo al quadrato sommabili, scelti in modo tale che kwk2 ≤ I,
w è il vettore di disturbo, ez è il canale di controllo dell’errore.
Ci siamo messi ovviamente nel caso più generale di sistema lineare
ossia quello parametro variante.
Visto che nel capitolo successivo andremo a trattare il progetto di un
osservatore col la tecnica H∞ , cercheremo di approfondire un pò più
questa tecnica rispetto alle altre, introducendo il concetto di sistema
incerto.
3.4.3 Controllo H∞ 48

Rappresentazione dell’incertezza
Tipicamente l’incertezza può essere di due tipi: additiva, moltiplica-
tiva in ingresso o in uscita. Il primo tipo di incertezza è un incertezza
sul modello del sistema, la seconda è propria degli attuatori (in in-
gresso) e dei sensori (in uscita). Nel progetto del controllo robusto di
un sistema MIMO, l’incertezza viene rappresentata mediante la LFT
(Linear Fractal Trasformation) che è una trasformazione lineare in-
vertibile nel campo complesso che mappa la matrice M,giù definita,
in un espressione polinomiale in cui è presente l’incertezza. La LFT
pùo essere Upper o Lower sulla base dei blocchi della matrice M che
intervengono nella LFT ed è definita con la seguente scrittura:

Fu (M, ∆) := M22 +M21 ∆(I −M11 ∆)−1 M12 Upper (3.48)

Fl (M, ∆) := M11 +M12 ∆(I −M22 ∆)−1 M21 Lower (3.49)


dove la matrice M di trasferimento, che mette in relazione il ri-
ferimento con l’errore e il disturbo con la variabile di controllo, è
partizionata a blocchi al seguente modo:
 
M11 M12
M= (3.50)
M21 M22
con:

M11 = −K(s)(I+G(s)K(s))−1 (3.51)

M12 = K(s)(I+G(s)K(s))−1 (3.52)


M21 = −(I+G(s)K(s))−1 (3.53)
M22 = +(I+G(s)K(s))−1 (3.54)
Ognuna di queste funzioni di trasferimento ha un ruolo importante,
perchè la loro scelta influenza le prestazioni o la robustezza del si-
stema.
Dal controllo classico è noto che kM11 k = M12 è la funzione di sensi-
tività al controllo, mentre kM21 k = M22 è la funzione di sensitività.
La prima garantisce robustezza, la seconda invece le prestazioni. Se
l’incertezza compare visivamente nella parte alta del sistema, allora
il sistema utilizza una Upper LFT, nel caso contrario usa una Lower
LFT come mostrato nella figure di seguito.
3.4.3 Controllo H∞ 49

z w

G(S)

y u

K(s)

Figura 3.8: Upper LFT

z
K(s)
w

G(S)

y u

Figura 3.9: Lower LFT


3.4.3 Controllo H∞ 50

Le LFT hanno senso se si verifica che le matrici (I − M22 ∆) e


(I − M11 ∆) sono invertibili (non singolari) e questo si verifica se
i loro determinanti sono diversi da zero.
Introdotte le LFT è necessario caratterizzare l’insieme delle incertez-
ze e per tale motivo dato il sistema G LTI, definiamo l’insieme delle
incertezze come ∆ = {∆∈ RH∞ : k∆k∞ < γ} dove RH∞ è l’insieme
delle funzioni razionali fratte stabili. A partire da questa definizione
diamo l’enunciato dei teoremi principali del piccolo guadagno:
Teorema 1 (Teorema1 del piccolo guadagno) Sia ∆ l’insieme
delle incertezze, sia k∆k < M111 . Allora (I − M11 δ) ha un inversa
stabile per tutti i δ∈ ∆.
Teorema 2 (Teorema2 del piccolo guadagno) Sia M11 LTI. Il
sistema (I − M11 δ) ha un’inversa propria e stabile per tutti i δ∈ ∆
stabili LTI con kδk∞ < γ se e solo se kM11 k ≤ γ −1 .
Questi due teoremi pongono dei limiti sulla scelta di δ, della fun-
zione di sensitività al controllo M11 e del valore di γ, in modo tale
che il termine (I − M11 δ) sia invertibile e che quindi la LFT abbia
senso. C’è da osservare che negli enunciati precedenti è stato preso in
considerazione il termine M11 poichè si è ipotizzato di utilizzare una
Upper LFT, se si fosse utilizzato una Lower LFT si avrebbe avuto
il termine M22 . Chiariti questi concetti fondamentali, ipotizziamo di
voler costruire una funzione di trasferimento matriciale generalizzata
del sistema e per evitare di avere un modello poco accurato del siste-
ma alle alte frequenze, andiamo a scalare con opportune funzioni di
trasferimento dette peso la matrice M. A partire dall’espressione di
M, aggiungendo le funzioni peso, si impongono le condizioni per la
stabilità robusta e le prestazioni. Tali condizioni si traducono in due
disuguaglianze in norma H∞ delle funzioni di sensitività al controllo
e di sensitività pesate come esposto qui di seguito:

k−Wz K(I +GK)−1 Ww k∞ ≤ 1 Stabilità Robusta (3.55)

kWz (I +GK)−1 Wr k∞ ≤ 1 Prestazioni Nominali (3.56)


3.4.3 Controllo H∞ 51

Ma andare ad imporre le due condizioni insieme ha costo computa-


zionale elevato e per questo si preferisce andare ad imporre un’unica
condizione con controllore fissato del tipo:

−Wz K(I + GK)−1 Ww Wz K(I + GK)−1 Wr

−We (I + GK)−1 Ww
≤ 1 (3.57)
We (I + GK)−1 Wr

ovvero:

kM̃ k∞ ≤ 1 (3.58)

Formulazione del problema di sintesi


Eliminando dal blocco il controllore, che era stato supposto noto, è
possibile passare alla formulazione generalizzata del problema H∞ ,
costruendo la matrice generalizzata di sistema partizionata a blocchi
come segue:
 
  0 0 Wz
P11 P12
P = =  −We Ww We Wr −We G  (3.59)
P21 P22
−Ww Wr −G

Ovviamente gli elementi della matrice sono funzioni complesse nel


dominio complesso, e da esse è possibile passare alla formulazione
nello spazio di stato, che è quella che tipicamente si utilizza nel
processo di sintesi attraverso LMI. Pertanto la formulazione nello
spazio di stato è:

 ẋ = Ax + B1 w + B2 u
z = C1 x + D11 w + D12 u (3.60)
y = C2 x + D21 w + D22 u

In tale sistema vengono evidenziate 3 canali importanti che sono: il


canale della dinamica degli stati, quello dell’ingresso all’incertezza, e
quello di uscita. Il primo fornisce informazioni sull’evoluzione degli
stati, il secondo sugli ingressi all’incertezza, il terzo sulle uscite del
sistema. Le variabili che entrano in gioco sono il vettore degli stati
x, la variabile di controllo u, ed il vettore dei disturbi w. Il vettore
w è scelto in modo tale che kwk∞ < 1 poichè la tecnica H∞ rie-
sce a reiettare i disturbi inferiori all’unità, cioè disturbi parametrici,
garantendo buoni valori di robustezza.
3.4.3 Controllo H∞ 52

Problema standard H∞
Per dare la formulazione del problema H∞ è necessario definire i
concetti di stabilizzabilità e rivelabilità:
• un sistema è stabilizzabile se non esistono dinamiche a parte
reale positiva nella parte non controllabile del sistema.
• un sistema è rivelabile se non esistono dinamiche a parte reale
positiva nella parte non osservabile del sistema.
A partire da questi concetti molto importanti è possibile formulare
il problema di controllo robusto H∞ al seguente modo, considerando
l’impianto G nella forma dello spazio di stato:
 
A B1 B2
G =  C1 0 D12  (3.61)
C2 D21 0
dato γ, sintetizzare un controllore K(s) LTI stabilizzante significa
trovare una trasformazione Tzw = LF T (G, K) tale che kTzw k∞ < γ
imponendo le seguenti condizioni:
1. (A,B2 ) stabilizzabile, (A,C2 ) rivelabile
2. (A,B1 ) stabilizzabile, (A,C1 ) rivelabile
3. C1T D12 = 0, B1 D21 = 0
T
4. D12 ha rango pieno colonna con D12 D12 = I
T
5. D21 ha rango pieno riga con D21 D21 = I
Sotto le condizioni (1-5) data la matrice Hamiltoniana H∞ cosı̀
definita:

γ −2 B1 B1T − B2 B2T
 
A
H∞ = T (3.62)
−C1 C1 −AT
e la sua duale J∞ :

AT γ −2 C1T C1 − C2T C2
 
J∞ = T (3.63)
−B1 B1 −A

Esiste un controllore stabilizzante K(s) tale per cui:


1. H∞ ∈ dom(Ricc), X∞ := Ricc(H∞ ) ≥ 0
2. J∞ ∈ dom(Ricc), Y∞ := Ricc(H∞ ) ≥ 0
3. ρ(X∞ , Y∞ ) < γ 2
4. K(s) = LF Tl (M∞ , Q)
3.4.3 Controllo H∞ 53

Indichiamo con M∞ la matrice di trasferimento dipendente da X∞


e da Y∞ , mentre Q ∈ RH∞ una matrice razionale fratta. La prima
ha la seguente rappresentazione nello spazio di stato:
 
A∞ −Z∞ L∞ Z∞ B2
M∞ =  F∞ 0 I  (3.64)
−C2 I 0
con:

A∞ = A + γ −2 B1 B1T X∞ + B2 F∞ + Z∞ L∞ C2

F∞ = −B2T X∞
L∞ = −Y∞ C2T
Z∞ = (I − γ 2 Y∞ X∞ )−1

Approccio LMI al controllo H∞


L’approccio del paragrafo precedente è il cosidetto approccio alla
Riccati modificato, in cui si vuole risolvere la ARI (Algebric Riccati
Inequality) AT P + P A + Q − P RP < 0 passando alla Hamiltoniana.
In questo paragrafo si utilizzerà un approccio alternativo, nato negli
anni 90, che è l’approccio LMI basato sul Bounded Real Lemma, il
quale risolve la disuguaglianza di Riccati, come disuguaglianza ma-
triciale o LMI. Prima di andare avanti con l’enunciato del Bounded
Real Lemma andiamo a definire una LMI e le tipologie di problemi
LMI.
Una disuguaglianza lineare matriciale o (LMI) è un vincolo di disu-
guaglianza della forma:

A(x) := A0 +x1 A1 +· · ·+xn An (3.65)


dove x = (x1 , x2 , · · · , xn ) è un vettore di variabili non note dette
di decisione o di ottimizzazione, mentre A1 , A2 , · · · , An sono matrici
simmetriche la cui loro combinazione lineare è definita negativa. Il
set di soluzioni, chiamato set di fattibilità o ammissibilità, è un sotto
insieme convesso di Rn e quindi trovare una soluzione x, se esiste, è un
problema di ottimizzazione convessa. La convessità ha un importante
conseguenza, come detto nel paragrafo (3.2), che è quella di garantire
l’esistenza di una soluzione numerica, anche se non esiste soluzione
analitica al problema.
3.4.3 Controllo H∞ 54

E’ possibile generalizzare il concetto di LMI con il concetto di sistema


di LMI, che è quello che ci interessa, ed è il seguente:

 A1 (x) < 0

.. ⇐⇒ A(x) := diag(A1 (x), · · · , An (x)) < 0 (3.66)
 .
 A (x) < 0
n

Dove diag(A1 (x), · · · , An (x)) denota la matrice diagonale a blocchi


che ha sulla sua diagonale principale le matrici A1 (x), A2 , · · · , An (x).
Tra i vari problemi di ottimizzazione convessa che fanno uso di
sistemi di LMI ricordiamo:

A(x) < 0 FP (3.67)

min C T x LOMP (3.68)


A(x)≤0

 min λ GEMP (3.69)






A(x) < λB(x)

B(x) > 0
C(x) < 0


Tra i problemi prima elencati quello che risulta di interesse per la


valutazione della matrice di guadagno dell’osservatore è il feasibility
problem, poichè nel controllo H∞ è importante determinare una re-
gione di ammissibilità all’interno della quale ha soluzione la disugua-
glianza stretta di Riccati o (ARI). Infatti calcolare numericamente
la soluzione di un sistema LMI equivale a determinare la soluzione
numerica della (ARI) che è l’equazione risolutiva di un qualsiasi pro-
blema di controllo di tipo H∞ .
In questo paragrafo usiamo la manipolazione di LMI per ottenere
la caratterizzazione di controllori H∞ sub-ottimi, ossia l’insieme di
controllori ottenibili al variare del valore di γ < γopt .
La scelta della sintesi di controllori sub-ottimi è dovuta al fatto che,
impostare un problema H∞ ottimale è molto arduo ed oneroso dal
punto di computazionale. Adesso andremo ad enunciare alcuni teo-
remi che sono alla base del LMI problem resolution di cui il teorema
rappresentativo è il Bounded Real Lemma.
3.4.3 Controllo H∞ 55

Una soluzione al prolema H∞


Come detto nel paragrafo precedente qui di seguito vengono enun-
ciati alcuni teoremi di grande utilità per la determinazione di una
delle possibili soluzioni del problema H∞ .

Teorema 3 (Bounded Real Lemma) Sia G(s) la funzione di


trasferimento di sistema con G(s) = C(SI − A)−1 B + D, sia la
kG(s)k < γ, γ ∈ ℜ+ , Allora esite P = P T > 0 tale che
 T
A P + P A P B CT

 BT P −γI DT  < 0 (3.65)
C D −γI
La soluzione del Bounded Real lemma enunciato determina la regione
di ammissibilità del controllore sub-ottimo H∞ . Nella pratica, vista
la grande difficoltà nel poter esprimere in forma chiusa la P, che si
pùo vedere come soluzione della disuguaglianza di Riccati, allora è
necessario dare il Boundend Real Lemma in forma diversa.

Teorema 4 Dato un controllore K(s) che ha la seguente rappresen-


tazione nello spazio di stato:
 
Ak B k
K(s) = (3.66)
Ck Dk

e dato G(s) l’impianto espresso nella forma (3.62) con D22 = 0 e


D11 6= 0, dove la coppia (A, B2 ) è stabilizzabile e la coppia (A, C2 ) è
rivelabile, esiste un controllore stabilizzante che rende a ciclo chiuso
kTzw k < γ, ∀γ > 0 se e soltanto se le seguenti LMI nelle variabili
matriciali R, S sono ammissibili:

AR + RAT RC1T B1
 
NRT
   
0  NR 0
· C1 R −γI D11 ·
 <0 (3.67)
0 I T T 0 I
B1 D11 −γI

AS + RS T RC1T B1
 
NST
   
0  N S 0
· C1 S −γI D11  · <0 (3.68)
0 I T T 0 I
B1 D11 −γI
 
R I
≥0 (3.69)
I S
3.4.3 Controllo H∞ 56

Dove NR e NS sono matrici le cui le colonne formano una base del


kernel rispettivamente di [B2T D12T
] e [C2 D21 ]. In particolare l’insieme
di controllori di ordine k è non vuoto se e solo se rank(I − RS) ≤ k.
L’utilizzo del secondo teorema risulta molto utile per progettare
controllori di ordine k inferiori ad n strettamente propri.

Piazzamento dei poli con LMI


Anche nel caso dell’uso di LMI è possibile sintetizzare un algoritmo
per il piazzamento dei poli per retroazionare o gli stati o le uscite di
un sistema, allocando in maniera desiderata le dinamiche.
Come visto in figura (3.7) il piano di Gauss è suddiviso in tre settori:
la zona in cui i poli sono a parte Re(s) < 0, quella in cui Re(s) = 0
e quella infine in cui sono a Re(s) > 0.
Per il verificarsi dell’asintotica stabilità è noto che bisogna scegliere
la zona in cui i poli sono strettamente a parte reale negativa e a bas-
so coefficiente di smorzamento ζ = cos(ϑ), in particolare nella zona
rossa della figura (3.7).
Tale regione è definita come l’insieme S(α, r, ϑ) del numero comples-
so x + y tale che:
x < −α < 0, |x+y| < r, tan(ϑ)x < |−y| (3.70)
A questo punto definiamo regioni LMI un sotto insieme D del piano
complesso dove esiste una matrice simmetrica α = [αkl ] ∈ Rm×m e
matrice β = [βkl ] ∈ Rm×m tale che:
D = {z ∈ C : fD (z) < 0} (3.71)
con
fD (z) := α+zβ+zβ T (3.72)
Tale funzione caratteristica fD mappa i valori dei z ∈ C nello spazio
delle matrici Hermitiane definite negative.
In altre parole una regione LMI è un sotto insieme del piano com-
plesso che è rappresentabile da una LMI in z e z o equivalentemente,
una LMI in x = Re(z) e y = Im(z).
Come risultato si ha che le regioni LMI sono convesse e per di più
sono simmetriche rispetto all’asse reale.
In particolare il posizionamento dei poli in una data regione LMI
può essere caratterizzata in termini della matrice a blocchi m × m:
MD (A, X) := α⊗X+β⊗(AX)+β T ⊗(AX)T (3.73)
3.4.3 Controllo H∞ 57

dove ⊗ è il simbolo di Kronècker. Come conseguenza di questa defi-


nizione, vale l’enunciato di seguente teorema:

Teorema 5 La matrice A è D-stabile se e solo se esiste una matrice


simmetrica X tale che:
MD (A, X) < 0 X > 0 (3.74)
Da tale teorema scaturisce l’idea del piazzamento dei poli per un
sistema stabile, e come conseguenza altri importanti teoremi per la
risoluzione e la sintesi di problemi di ammissibilità nel controllo ro-
busto. In questa tesi non si approfondirà moltissimo la problematica
del piazzamento LMI per casi generali di controllori dinamici, ma
solo per il caso di controllori statici. Verrà dato il set di LMI utiliz-
zato per la sintesi nel capitolo successivo che consente la risoluzione
di un problema H∞ parametro variante.
 
L11 L12 L13
 ∗ −γI D11 (π)T  < 0 (3.75)
∗ ∗ −γI
Dove:
L11 = A(π)T P T +P A(π)+C2T W T +W C2 +2αmin P (3.76)
L12 = P B1 (π)+W D21 (π) (3.77)
L13 = C1T (3.78)
 
−ωnmax P P A(π) + W C2
<0 (3.79)
∗ −ωnmax P

L˜11 L˜12
 
<0 (3.80)
∗ L˜22
Dove:
L˜11 = L˜22 = sinϑ(A(π)T P T + P A(π) + C2T W T + W C2 ) (3.81)
L˜12 = cosϑ(A(π)T P T − P A(π) + C T W T − W C2 )
2 (3.82)
−1
ϑ = cos (ζmin ) (3.83)

Risolvere queste LMI consente di ottenere una matrice di retroa-


zione dell’osservatore piazzando i poli nelle posizioni desiderate sul
piano complesso, scegliendo la frequenza naturale, lo smorzamento
desiderato, garantendo per altro la stabilità.
Capitolo 4
Sintesi dell’osservatore H∞
”Fatti non foste a viver come bruti,
ma per seguir virtute e canoscenza.”
D.Alighieri-Inferno-cantoXXVI

1 Algoritmo di approssimazione LPV


Prima di passare alla formulazione del problema di sintesi vero e pro-
prio, è necessario riuscire ad approssimare il modello non lineare del
reattore con un sistema lineare parametrico variante attraverso un
opportuno algoritmo numerico, visto che non è possibile linearizzare
in un intorno del punto di equilibrio. Partiamo dall’osservazione che
la matrice dinamica del sistema dipende da esponenziali come visto
nella (2.7) è quindi l’algoritmo di approssimazione deve prevedere le
seguenti fasi:
Algoritmo di approssimazione
1. Definizione di uno sviluppo parabolico per la cinetiche
ki (y1 ) i=1,2.
2. Interpolazione parabolica degli esponenziali mediante
problema ai minimi quadrati di tipo pseudoinversa minima
sinistra.
3. Approssimazione convessa del termine di secondo grado
mediante il metodo politopico.
4.1.1 Interpolazione parabolica per le cinetiche di reazione 59

1.1 Interpolazione parabolica per le cinetiche di


reazione
Un primo passo per andare ad approssimare il modello del reatto-
re batch ad un modello LPV, è quello di approssimare le cinetiche
di reazione esponenziali con una funzione poliniomiale quadratica.
E’ noto dal modello che le cinetiche di reazione hanno la seguente
espressione:

E 
a
ki (y1 ) = k0i ·exp i = 1, 2 (4.1)
Ry1
Supponiamo di andare a fissare un modello parametrico di tipo
parabolico del tipo:

ki (y1 ) = ai +bi y1 +ci y12 +resi i = 1, 2 (4.2)


Una volta fissato il modello parametrico, si passa alla formulazione
del problema dei minimi quadrati di tipo pseudo inversa minima
sinistra utilizzando dei dati sperimentali forniti dall’Università della
Basilicata. Usando il vettore delle temperature del reattore y1 =
Tr = x3 , costituito da dieci campioni:

y1 = [293.15, 300, 310, 315, 320, 329.02, 325, 320, 315, 308.15] (4.3)
Si costruisce il seguente sistema lineare di dati stimati per le cinetiche
di reazione k1 , k2 indicando il generico valore della cinetica nel punto
come ki [y1 (j)] i=1,2, j = 1 · · · 10:
     
ki [y1 (1)] ai + bi [y1 (1)] + ci [y1 (1)]2 resi (1)
 ki [y1 (2)]   ai + bi [y1 (2)] + ci [y1 (2)]2   resi (2) 
.. = .. + ..  (4.4)
     

 .   .   . 
ki [y1 (10)] ai + bi [y1 (10)] + ci [y1 (10)]2 resi (10)
Posto:
   
ki [y1 (1)] ai + bi [y1 (1)] + ci [y1 (1)]2
 ki [y1 (2)]   ai + bi [y1 (2)] + ci [y1 (2)]2 
b= ..  G= ..
   

 .   . 
ki [y1 (10)] ai + bi [y1 (10)] + ci [y1 (10)]2
4.1.1 Interpolazione parabolica per le cinetiche di reazione 60

 
resi (1)  
 resi (2)  ai
ε= .. v =  bi 
 

 . 
ci
resi (10)

Si ottiene la seguente formulazione in forma compatta del problema


dei minimi quadrati:

min kεk2 (4.5)


Gv=b−ε

A partire dalla risoluzione del problema precedente si ottengono i


seguenti grafici approssimanti:

Cinetica k2 e Cinetica k2 approssimata


0.07
k1=k01*exp(−Ea1/(R*y1))
2
k1cap=a1+b1*y1+c1*y1
0.06
Variazioni cinetiche [min 1]

0.05

0.04

0.03

0.02

0.01

295 300 305 310 315 320 325


Tempertura [K]

Figura 4.1: Cinetica di reazione 1

La curva in blu rappresenta la cinetica k1 mentre la curva in verde


rappresenta la parabola k1cap interpolante. Si può notare dal grafico
come la curva parabolica fitta l’esponenziale con buona approssima-
zione.
4.1.1 Interpolazione parabolica per le cinetiche di reazione 61

In questa pagina successiva viene visualizzato il grafico che mette a


confronto la cinetica di reazione k2 in rosso e quella approssimata
k2cap in nero. Anche in questo caso l’andamento delle due curve è
simile.
−3 Cinetica k2 e Cinetica k2 approssimata
x 10

k2=k02*exp(−Ea2/(R*y1))
2
k2cap=a2+b2*y1+c2*y1
6

5
Variazioni cinetiche [min−1]

0
295 300 305 310 315 320 325
Tempertura [K]

Figura 4.2: Cinetica di reazione 2

L’ultimo grafico è inerente alla variazione degli errori di tronca-


mento res1 , res2 negli sviluppi parabolici nel range di temperature
[292K ÷ 329K]. Ovviamente il loro valore è oscillante nel range di
temperature considerate, con un valore dell’ordine di 10−3 .
−3 Scarto tra k1 e k1cap e Scarto tra k2 e k2cap
x 10

5 res1=k1−k1cap
res2=k2−k2cap

4
Variazioni cinetiche [min 1]

−1

295 300 305 310 315 320 325


Tempertura [K]

Figura 4.3: Errori di troncamento


4.1.2 Ricoprimento politopico multiaffine del termine f (q) = q 2 62

1.2 Ricoprimento politopico multiaffine del ter-


mine f (q) = q 2
Una condizione molto importante, che molto spesso non è verificata
in modo naturale da un generico sistema, è la convessità. E’ noto
che un sott’insieme Ω⊆ Rn è convesso se e soltanto se ∀x1 , x2 ∈ Ω ∧
∀α∈ [0, 1], α1 x1 + (1 − α2 )x2 ∈ Ω. Se tale ipotesi è verificata significa
che la soluzione del problema di ottimizzazione associato al vincolo
convesso rappresentato dal sistema, può esistere numericamente, è
unica ed esprimibile in forma chiusa. Nel caso del sistema in analisi vi
sono due problemi fondamentali, uno dei quali è stato risolto, l’altro
deve essere risolto: il primo riguarda la presenza di funzioni espo-
nenziali nella matrice dinamica di sistema, che agilmente sono state
interpolate con parabole; il secondo è inerente all’approssimazione
del sistema quadratico di cui nel punto precedente in uno lineare
parametro variante (LPV) di tipo convesso. Per risolvere la seconda
problematica usiamo un algoritmo che trasforma il termine quadrati-
co dell’espansione parabolica precedente in uno dipendente in manie-
ra lineare da parametri, lo proietta su un sottospazio convesso. Come
conseguenza la matrice dinamica sarà LPV. Per comprendere l’algo-
ritmo è necessario premettere il concetto di politopo. Un politopo P è
un poliedro su un sottospazio di Rn tale che P = {x ∈ Rn : Ax ≤ b}.
Un politopo P è convesso invece se è un poliedro convesso limitato
tale che
n
X m
X
n i
P ⊆ R , P = {x : x = αi v αi ≥ 0 αi = 1}
i=1 i=1

Lo scopo di un politopo nella teoria dei controlli è quello di ren-


dere il vincolo del problema di ammissibilità convesso, attraverso
un ricoprimento del dominio del problema. Adesso andremo a intro-
durre in maniera più dettagliata la procedura generale. Supponiamo
di considerare un generico termine quadratico del tipo f (q) = q 2 ,
con q ∈ [q, q] parametro, e definiamo una funzione multivoca det-
ta multi-affine dipendente dal parametro q e da δ∈ [0, 1]. Essa è
tale da ricoprire politopicamente il termine quadratico e renderlo
parametro dipendente, questo comporta che F (q, δ) = f (q) con
F : [q, q] × [0, 1] → R. Andiamo a visualizzare nel caso in cui
lavoriamo con un parametro l’approssimazione.
4.1.2 Ricoprimento politopico multiaffine del termine f (q) = q 2 63

Il grafico qui sotto mostra come un politopo ricopre una parabola.


Le funzioni f (q) e f (q) sono le funzioni componenti della funzione
multi-affine F (q, δ).

q2

f(q)

q2
f(q)
q q q

Figura 4.4: Ricoprimento politopico

f (q) = (q + q)q − qq (4.6)

f (q) = f (q) + 2q(q − q) (4.7)

Le funzioni precedenti si ottengono facilmente calcolando le equazio-


ni delle rette passanti rispettivamente per due punti e tangente in
un punto. La loro combinazione lineare al variare di δ∈ [0, 1] descri-
ve la iper-superficie politopica di figura. L’espressione analitica della
funzione multi-affine è la seguente:

F (q, δ) = δf (q) + (1 − δ)f (q) (4.8)

Una volta determinata la funzione multiaffine si dimostra che calco-


lare un problema di ottimizzazione vincolata su un politopo, equi-
vale a risolvere lo stesso problema sui vertici del politopo mediante
la funzione multi affine. Si può dimostrare che il numero di vertici
del politopo è pari a 2s , dove s è il numero di parametri. Nel caso
precedente abbiamo 2 parametri q e δ, quindi i vertici sono 4.
4.1.3 Approssimazione politopica delle cinetiche di reazione 64

I vertici vengono valutati per le coppie di valori estremi dei parametri


e nell’ esempio precedente abbiamo i seguenti valori:

F (q, 0) = q 2 (4.9a)

F (q, 1) = q 2 (4.9b)
F (q, 0) = q 2 (4.9c)
F (q, 1) = q 2 + 2q(q − q) (4.9d)

Generalizzando il problema per più parametri è più suddivisioni il


numero di vertici cresce, non è più 2s bensı̀ N s dove N è il numero
di indici ed s è il numero di parametri.
Infatti detto K = {(k1 · · · ks ) : kj = 1 · · · N ∀j = 1 · · · s} l’insieme
finito degli indici, ad ogni indice corrisponde un sotto iper-rettangolo
dell’iper-rettangolo Rk = [qk1 −1 , qk1 ] × · · · × [qks −1 , qks ], δj ∈ [0, 1],
j = 1 · · · s. Per cui la funzione multiaffine generalizzata sarà definita
al seguente modo F kj : Rk × [0, 1]s → R e chiaramente dipenderà
affinemente dal vettore β := (p1 , · · · , ps , δ1 , · · · , δs ), detto vettore dei
parametri. Dall’esempio generale passiamo adesso al problema più
vicino a noi che è quello si approssimare il termine parabola delle
curve interpolanti le cinetiche di reazione del reattore chimico.

1.3 Approssimazione politopica delle cinetiche


di reazione
A questo punto noti i concetti del paragrafo precedente ci mettiamo
nel caso in cui s = 5 (numero di parametri), N = 2 (numero di indici)
e supponiamo che la funzione multiaffine F dipenda affinemente dal
vettore parametrico π = (y1 , y2 , res1 , res2 , δ).
Questo significa che il termine f (y1 ) = y12 della (4.2) pùo essere
scritto come F (π) = f (y1 ) = y12 e che quindi il termine quadratico è
stato proiettato in un sottospazio affine convesso di cinque parametri.
L’espressione della (4.2) cambia al seguente modo:

ki (π) = ai + bi y1 + ci F (π) + resi i = 1, 2 (4.10)


La matrice (2.7) può essere riscritta in forma LPV (Lineare Para-
metro Variante) come volevamo fare da principio e assume la forma
seguente.
4.1.3 Approssimazione politopica delle cinetiche di reazione 65

La matrice dinamica è:


 
−k1 (π) 0 0 0
 k1 (π) −k2 (π) 0 0 
A(π) = 
 α1 k1 (π) α2 k2 (π) −U Sαr
 (4.11)
U Sαr 
0 0 U Sαj −U Sαj − βj
Le altre matrici rimangono le stesse:
 
0    
 0  0 0 1 0 0
B=  0  (4.12) C = 0 0 1 0 (4.13)
 D= (4.14)
0
βj
4.2 Formulazione del problema H∞ nello spazio di stato 66

2 Formulazione del problema H∞ nello


spazio di stato
Una volta approssimata la matrice dinamica con una LPV si pùo
passare alla formulazione effettiva del problema H∞ nello spazio di
stato in funzione dell’errore visto dall’osservatore. Ovviamente per
ragioni di natura teorica il progetto di sintesi verrà fatto sull’osser-
vatore LPV, successivamente verrà impiantato su quello non lineare,
inoltre dalla dualità il sistema in analisi non sarà più 1 ingresso e
2 uscite, come in partenza, ma 4 ingressi e 2 uscite. Lo schema di
progetto è il seguente:

e ew

Observer

ey eu

Figura 4.5: Osservatore

Andiamo ad elaborare le matrici ottenute dalle approssimazioni pre-


cedenti aggiungendo l’incertezza ∆U S alla matrice A(π) e conside-
rando la presenza del rumore gaussiano bianco.
Ponendo quindi:

ė = ẋ − x̂˙ (4.15) ez = x − x̂ (4.16) ey = y − ŷ (4.17)


Si ottiene la seguente rappresentazione ISU del sistema:

 ė = A(π)e + B1 (π)ew + B2 eu
ez = C1 e + D11 ew + D12 eu (4.18)
ey = C2 e + D21 ew + D22 eu

4.2 Formulazione del problema H∞ nello spazio di stato 67

Dove le matrici di sistema sono:


 
−k1 (π) 0 0 0
 k1 (π) −k2 (π) 0 0 
A(π) =  α1 k1 (π) α2 k2 (π) −U Sαr
 (4.19)
U Sαr 
0 0 U Sαj −U Sαj − βj
 
0 0 0 0
 0 0 0 0 
B1 (π) = 
 −(y1 − y2 )
 (4.20)
0 0 0 
0 (y1 − y2 ) 0 0
 
1 0 0 0
 0 1 0 0 
B2 = −   0 0 1 0 
 (4.21)
0 0 0 1
 
1 0 0 0
 0 1 0 0 
C1 = 
 0
 (4.22)
0 1 0 
0 0 0 1

 
0 0 1 0
C2 = (4.23)
0 0 0 1

 
0 0 0 0
 0 0 0 0 
D11 =  (4.24)
 0 0 0 10−1 
0 0 10−1 0

 
0 0 0 0
 0 0 0 0 
D12 =
 0
 (4.25)
0 0 0 
0 0 0 0

 
0 0 0 0
 0 0 0 0 
D21 =  (4.26)
 0 0 0 10−1 
0 0 10−1 0
4.2 Formulazione del problema H∞ nello spazio di stato 68

 
0 0 0 0
 0 0 0 0 
D22 =
 0
 (4.27)
0 0 0 
0 0 0 0

Una volta formulato il problema nello spazio di stato è necessa-


rio passare alla fase di sintesi effettiva in cui verrà determinata la
matrice L di retroazione dell’osservatore, attraverso un problema di
ottimizzazione LMI con vincolo di disuguaglianza.
4.3 Sintesi H∞ 69

3 Sintesi H∞
Il problema di sintesi può essere affrontato numericamente se e sol-
tanto se si ha a disposizione di un set finito di matrici da manipolare;
nel caso in esame le matrici ottenute precedentemente, in partico-
lare le matrici A(π) e B(π), sono matrici dipendenti da parametri.
Nella teoria della calcolo numerico e della ricerca operativa esiste un
teorema condizione necessaria e sufficiente, che assicura che, dato un
sistema LPV multiaffine, vincolo di un problema di ottimizzazione è
andare a determinare la regione di ammissibilità equivale ad andare
a calcolare il problema su un sott’insieme convesso ottenuto sosti-
tuendo al modello LPV i vertici del politopo approssimante.
Siccome il numero di parametri è s=5 ed il numero di indici è N=2,
allora il numero di matrici A(π) e B1 (π) da valutare sono 25 , le al-
tre, che non dipendono da parametri si ripetono. Costruito l’insieme
di matrici è possibile impostare il problema di ammissibilità per il
calcolo della matrice di retroazione L dell’osservatore e questo è pos-
sibile farlo impostando un set di 3 LMI per ogni matrice delle 32
ottenute, quindi 96 LMI in tutto.

3.1 Matrice di guadagno dell’Osservatore


La procedura utilizzata per effettuare il calcolo della matrice di gua-
dagno dell’osservatore si basa essenzialmente su un set di tre LMI
che vengono utilizzati per posizionare i poli in termini frequenziali,
in termini di smorzamento, e determinare, se esistono due matrici
definite positive P ∈ R4×4 e W ∈ R4×2 tali che L = −P −1 W . Quin-
di il set di matrici, al variare dei parametri valutati nei vertici del
politopo, sono:
 
L11 L12 L13
 ∗ −γI D11 (π)T  < 0 (4.32)
∗ ∗ −γI
Dove:

L11 = A(π)T P T +P A(π)+C2T W T +W C2 +2αmin P (3.31)

L12 = P B1 (π)+W D21 (π) (4.33)


L13 = C1T (4.34)
4.3.1 Matrice di guadagno dell’Osservatore 70

 
−ωnmax P P A(π) + W C2
<0 (4.35)
∗ −ωnmax P

L˜11 L˜12
 
<0 (4.36)
∗ L˜22
Dove:

L˜11 = L˜22 = sinϑ(A(π)T P T + P A(π) + C2T W T + W C2 ) (4.37)

L˜12 = cosϑ(A(π)T P T − P A(π) + C2T W T − W C2 ) (4.38)


ϑ = cos−1 (ζmin ) (4.39)
*1 Le matrici sopra scritte vengono valutate in ambiente numeri-
co tutte e tre insieme, avendo scelto come posizione dei poli αmin =
10−5 , come smorzamento minimo ζmin = 0.701, come pulsazione mas-
sima ωnmax = 95rad/s, come guadagno γ = 0.6.
La scelta di γ è giustificabile dal fatto che è compatibile col teore-
ma del piccolo guadagno, secondo il quale l’incertezza deve essere in
modulo minore di γ ossia k∆k < γ.
Si determina la soluzione numericamente e si evince che il risultato
è il seguente:
 
0.00021691966310 0.00000000398845
 0.00024409969922 0.00000000981469 
L=  87.75407066909948 0.08521503945220 
 (4.40)
0.26893884651675 83.74593517539775
Nel prossimo capitolo verranno effettuate le simulazioni sullo schema
di controllo adattativo fornito per le simulazioni.

1
trasposti degli elementi di posto (i,j) al di sopra della diagonale principale
Capitolo 5
Risultati delle simulazioni
”Quelli che si innamorano di pratica sanza scienza,
son come il nocchiere,
che entra nel navilio senza timone o bussola,
che mai ha certezza dove si vada.”
- Leonardo-

1 Introduzione alle simulazioni


Un aspetto fondamentale del progetto di un sistema di controllo, è
relativo a come esso si comporti in un contesto reale. Molto spesso,
infatti, esistono discrepanze tra il progetto teorico e quello reale, per
cui nell’ambito dell’ingegneria dei controlli, come in ogni altro ambito
delle scienze ingegneristiche, è di notevole importanza riprodurre uno
scenario reale effettuando delle simulazioni tramite software di mo-
dellazione numerica. Nell’ambito di questa tesi verranno effettuate
delle simulazioni tramite il pacchetto software Matlab 7.01/Simun-
link 6.0 sullo schema di controllo adattativo fornito dall’Università
della Basilicata, per testare gli effettivi miglioramenti di stima del-
l’osservatore con tecnica H∞ rispetto a quello realizzato con tecnica
adattativa. Infatti la novità apportata nello schema in questione è
proprio la sintesi H∞ proposta, il cui scopo è rendere robusto il si-
stema rispetto a parametri incerti, migliorando le prestazioni a ciclo
chiuso. Nel caso dell’Osservatore realizzato con tecnica adattativa,
non si è riusciti ad ottenere un buon livello robustezza e per tale
motivo si è passati ad un approccio di controllo robusto. Nel para-
grafo seguente si andrà a descrivere in breve il controllo adattativo,
per poi passare successivamente al commento della serie dei grafici
ottenuti dalle simulazioni.
5.2 Schema adattativo 72

2 Schema adattativo
Come detto nel paragrafo precedente, lo schema di controllo utilizza-
to per le varie simulazioni è stato realizzato con tecnica adattativa,
che è una tecnica di controllo utilizzata per modelli non lineari e si
basa sull’adattamento o (Tuning) tra la risposta del sistema in uscita
e quella desiderata in riferimento tramite un controllo disaccoppia-
to. L’approccio utilizzato per il controllo risulta abbastanza positivo,
mentre la stima delle temperature da parte dell’osservatore, realizza-
to sempre in maniera adattativa, inficia sulle concentrazioni e sulla
stima di del calore rilasciato. Quindi allo scopo di rendere robusto
l’osservatore in presenza di variazioni parametriche, si è progettata
la matrice di guadagno dell’osservatore con tecnica H∞ come visto
nel capitolo precedente. Lo schema utilizzato è il seguente:
Tr_d Tj_d
+ Jacket + Reactor
Temperature Temperature Plant
- Controller - Controller

y2=Tj y1=Tr
u=Tj_in

Observer

Estimate of Q

Figura 5.1: Schema adattativo


Come si vede dallo schema il controllo è disaccoppiato: è presen-
te un controllore di tipo PID per il reattore e uno per la camicia,
ogni controllo riceve in ingresso la differenza tra il valore di tempe-
ratura in uscita dell’impianto e la temperatura desiderata allo scopo
di minimizzare il loro scostamento, le temperature di uscita vengono
utilizzate per effettuare la stima adattativa del calore rilasciato dalla
reazione all’interno del reattore. Quindi il progetto di un osservatore
che stimi in maniera sub ottima le temperature è di notevole impor-
tanza, poichè un tale procedimento si reflette sulla stima del calore
generato dalla reazione e sulla stima delle concentrazioni.
5.3 Simulazioni con Osservatore Adattativo 73

3 Simulazioni con Osservatore Adatta-


tivo
Adesso andiamo a mostrare i grafici di simulazione ottenuti pro-
gettando l’osservatore in forma adattativa, partendo innanzitutto
dalle concentrazioni, dal calore stimato rilasciato in maniera adatta-
tiva e dalle temperature: Dai grafici precedenti si può osservare che

1500
Valore stimato
1000 Valore reale
CA [mol/m3]

500

−500
0 10 20 30 40 50 60 70 80 90
tempo [min]

1500
CB [mol/m3]

1000

500

0
0 10 20 30 40 50 60 70 80 90
tempo [min]

Figura 5.2: Concentrazioni con Osservatore adattativo

la concentrazione CA stimata indicata con la linea continua ha un


andamento approssimativamente uguale a quello della linea reale a
tratto verde, mentre la concentrazione stimata CB si discosta mol-
tissimo dall’andamento desiderato. Questo è dovuto essenzialmente
alla tecnica di progetto dell’osservatore, che non garantisce buone
performance.

200
errore su CA [mol/m3]

100

−100

−200
0 10 20 30 40 50 60 70 80 90
tempo [min]

1000
errore su CB [mol/m3]

−1000

−2000
0 10 20 30 40 50 60 70 80 90
tempo [min]

Figura 5.3: Errore sulle concentrazioni con Osservatore adattativo


5.3 Simulazioni con Osservatore Adattativo 74

Anche le variazioni di errori tendono a mantenersi alte per entram-


be le concentrazioni, infatti l’errore per la concentrazione CA varia
nell’intervallo [−200, 100] [mol/m3 ], mentre CB in una fascia ancora
maggiore compresa tra [−10000, 10000] [mol/m3 ]. Tale risultato può
anche essere visto in valori percentuali:

600
errore % su CA

400

200

−200
0 10 20 30 40 50 60 70 80 90
tempo [min]

500
errore % su CB

−500

−1000
0 10 20 30 40 50 60 70 80 90
tempo [min]

Figura 5.4: Errore percentuale sulle concentrazioni con Osservatore


adattativo
Adesso invece andiamo a plottare la stima del calore generato sempre
in modo adattativo, e la stima di US:
4
x 10
3
Valore stimato
Qgen [Kj/min]

2 Valore reale

−1
0 10 20 30 40 50 60 70 80 90
tempo [min]

2200

2000
US [Kj/minK]

1800

1600

1400

1200
0 10 20 30 40 50 60 70 80 90
tempo [min]

Figura 5.5: Stima su Q e US con Osservatore adattativo


5.3 Simulazioni con Osservatore Adattativo 75

Il calore generato sembra avere una buona stima, mentre in realtà,


l’approssimazione può essere migliorata; per quanto riguarda US il
valore si discosta molto. Anche dal punto di vista degli errori sul
calore è possibile plottare i grafici che sono indicativi dell’andamento.
errore su Qgen [KJ/min]

5000

−5000

−10000
0 10 20 30 40 50 60 70 80 90
tempo [min]

400
errore % su Qgen

200

−200
0 10 20 30 40 50 60 70 80 90
tempo [min]

Figura 5.6: Errore ed Errore percentuale su Q con Osservatore


adattativo

I grafici che rimangono da visulizzare sono quelli inerenti alle tem-


perature, che sembra abbiano una buona approssimazione, ma ciò
non toglie il fatto che la stima in maniera adattativa delle tempe-
rature, non consente di avere una buona stima del calore Q, delle
concentrazioni.

330
Valore stimato
320 Valore reale
Tr [K]

310

300

290
0 10 20 30 40 50 60 70 80 90
tempo [min]

340

330
Tj [K]

320

310

300

290
0 10 20 30 40 50 60 70 80 90
tempo [min]

Figura 5.7: Valutazione delle temperature con Osservatore adattativo


5.3 Simulazioni con Osservatore Adattativo 76

Anche il plotting degli errori sulle temperature sono buoni, in quanto


stanno sotto un range compreso fra [−0.1, 0.1]:

errore su Tr [K] 0.2

0.1

−0.1

−0.2
0 10 20 30 40 50 60 70 80 90
tempo [min]

0.2
errore su Tj [K]

0.1

−0.1

−0.2
0 10 20 30 40 50 60 70 80 90
tempo [min]

Figura 5.8: Errore temperature con Osservatore adattativo


E’ possibile anche analizzare l’andamento dell’errore in percentuale
che è il seguente:

0.1
errore % su Tr

0.05

−0.05

−0.1
0 10 20 30 40 50 60 70 80 90
tempo [min]

0.1
errore % su Tj

0.05

−0.05

−0.1
0 10 20 30 40 50 60 70 80 90
tempo [min]

Figura 5.9: Errore percent temperature con Osservatore adattativo


5.4 Simulazioni con Osservatore H∞ 77

4 Simulazioni con Osservatore H∞


In maniera alternativa a quella proposta, andiamo a mostrare l’an-
damento delle stime in presenza dell’osservatore H∞ realizzato per
questo lavoro di tesi, andando a dimostrare l’effettiva potenzialità
del controllo robusto sulle prestazioni dell’osservatore. Qui di sotto i
grafici relativi disposti secondo lo stesso ordine visto in precedenza.

1000
Valore stimato
800 Valore reale
CA [mol/m3]

600

400

200

0
0 10 20 30 40 50 60 70 80 90
tempo [min]

1000

800
CB [mol/m3]

600

400

200

0
0 10 20 30 40 50 60 70 80 90
tempo [min]

Figura 5.10: Concentrazioni con Osservatore H infinito

Già dai grafici relativi alle concentrazioni si evince che la tecnica


H∞ adottata per retroazionare l’osservatore, migliora sensibilmente
i risultati a tal punto che l’andamento stimato delle concentrazioni
è molto vicino a quello reale per entrambe le concentrazioni.

0
errore su CA [mol/m3]

−20

−40

−60
0 10 20 30 40 50 60 70 80 90
tempo [min]

0
errore su CB [mol/m3]

−10

−20

−30

−40
0 10 20 30 40 50 60 70 80 90
tempo [min]

Figura 5.11: Errore sulle concentrazioni con Osservatore H infinito

Anche la curva degli errori relativi alle concentrazioni si riduce mol-


tissimo rispetto a quella ottenuta con osservatore adattativo, e si ha
quindi la garanzia di una buona approssimazione degli errori.
5.4 Simulazioni con Osservatore H∞ 78

Di conseguenza anche la percentuale degli errore sulle concentrazioni


stesse è diminuita mantenendosi nell’ordine del 5%.

errore % su CA −4.98

−5

−5.02

−5.04
0 10 20 30 40 50 60 70 80 90
tempo [min]

−4.98
errore % su CB

−5

−5.02

−5.04
0 10 20 30 40 50 60 70 80 90
tempo [min]

Figura 5.12: Errore percentuale sulle concentrazioni con Osservatore


H infinito
Migliora anche la stima del calore generato dalla reazione, che è
come conseguenza della metodologia di progetto proposta, tuttavia
la stima di US rimane uguale.
4
x 10
3
Valore stimato
Qgen [Kj/min]

Valore reale
2

0
0 10 20 30 40 50 60 70 80 90
tempo [min]

2200

2000
US [Kj/minK]

1800

1600

1400

1200
0 10 20 30 40 50 60 70 80 90
tempo [min]

Figura 5.13: Stima su Q e US con Osservatore H infinito


5.4 Simulazioni con Osservatore H∞ 79

Di conseguenza sia l’errore tra calore stimato e calore generato, come


anche l’errore percentuale è migliorato come mostrano i grafici qui
di sotto.
errore su Qgen [KJ/min]

−500

−1000

−1500
0 10 20 30 40 50 60 70 80 90
tempo [min]

−3
errore % su Qgen

−4

−5

−6

−7
0 10 20 30 40 50 60 70 80 90
tempo [min]

Figura 5.14: Errore ed Errore percentuale su Q con Osservatore H


infinito
Passiamo analogamente alla stima delle temperature, e dei vari errori
sulle temperature e si evince che i risultati sono analoghi a quelli
ottenuti con lo schema adattativo.

330
Valore stimato
320 Valore reale
Tr [K]

310

300

290
0 10 20 30 40 50 60 70 80 90
tempo [min]

340

330
Tj [K]

320

310

300

290
0 10 20 30 40 50 60 70 80 90
tempo [min]

Figura 5.15: Valutazione delle temperature con Osservatore H


infinito
5.4 Simulazioni con Osservatore H∞ 80

Anche gli errori di stima hanno la stessa escursione di valori.

0.2

errore su Tr [K]
0.1

−0.1

−0.2
0 10 20 30 40 50 60 70 80 90
tempo [min]

0.2
errore su Tj [K]

0.1

−0.1

−0.2
0 10 20 30 40 50 60 70 80 90
tempo [min]

Figura 5.16: Errore temperature con Osservatore H infinito

Di conseguenza anche l’errore percentuale ha un escursione percen-


tuale in una fascia compatibile a quella dell’errore.

0.1
errore % su Tr

0.05

−0.05

−0.1
0 10 20 30 40 50 60 70 80 90
tempo [min]

0.1
errore % su Tj

0.05

−0.05

−0.1
0 10 20 30 40 50 60 70 80 90
tempo [min]

Figura 5.17: Errore percent temperature con Osservatore H infinito


5.5 Possibili applicazioni 81

5 Possibili applicazioni
Dai risultati ottenuti precedentemente si evincono le seguenti consi-
derazioni: l’osservatore adattativo garantisce una stima analoga delle
temperature a quella dell’osservatore H∞ , per contro non riesce a sti-
mare in maniera corretta le due concentrazioni e il calore rilasciato
dalla reazione all’interno del reattore, cosa che viene ben ottenu-
ta tramite l’osservatore H∞ . La matrice di anello determinata con
tecnica robusta H∞ conferisce all’osservatore buone prestazione per
l’abbattimento di incertezze parametriche inferiori all’unità: infatti
riesce a mantenere lo scostamento tra il valore effettivo del calore ge-
nerato e quello stimato dell’ordine del 4%, quello delle concentrazioni
invece, dell’ordine del 5%. L’approccio adattativo non risulta essere
totalmente adatto a risolvere tutte le problematiche presenti nel pro-
getto, mentre quello H∞ ha sicuramente contribuito ad apportare ad
esso miglioramenti. Gli sviluppi futuri della ricerca saranno quelli di
proporre approcci nuovi di progetto con schemi più complessi, al fine
di migliorare ancora i risultati.
Bibliografia
[1] F.Caccavale, M.Iamarino, F.Pierri, V.Tufano
”Model based Control of Chemical Batch Reactors.”
DIFA (Dipartimento di Ingegneria e Fisica dell’Ambiente) -
http://www.ing.unibas.it

[2] F.Caccavale, M.Iamarino, F.Pierri, V.Tufano


”Stability Analysis of Novel Adaptative Control Scheme for Che-
mical Batch Reactors.” DIFA (Dipartimento di Ingegneria e
Fisica dell’Ambiente) - http://www.ing.unibas.it

[3] F.Caccavale, M.Iamarino, F.Pierri, V.Tufano


”A Controller Observer Scheme for Adaptative Control of Chemi-
cal Batch Reactors.” DIFA (Dipartimento di Ingegneria e Fisica
dell’Ambiente) - http://www.ing.unibas.it

[4] Ing Francesca Malpei (2004) ”Reattoristica Ambientale” DIIAR


sezione ambientale - http://www.ing.polimi.it

[5] Ing S.Cadamano ”Dispense Reattoristica ” DIMET (Diparti-


mento di Informatica, Matematica, Elettronica e Trasporti,
Università di Reggio Calabria) - http://www.ing.unirc.it

[6] Dott.Ing Andreas Johansson ”Nonlinear Observers with applica-


tions in the steel industry ” (Department of Computer Scien-
ce and Electrical Engineering, Lulea University of Technology
(Sweden)

[7] F.Amato, M.Corless, M.Mattei, R.Setola


”A Multivariable stability margin in the presence of time varying,
bounded rate gains.” Dipartimento di informatica e Sistemistica,
Università di Napoli Federico II - http://www.ing.unina.it
Bibliografia 83

[8] M.Mattei, G.Paviglianiti


”Managing sensor hardware redundancy on a small commercial
aircraft with H∞ FDI Observers.” DIMET (Dipartimento di In-
formatica, Matematica, Elettronica e Trasporti, Università di
Reggio Calabria) - http://www.ing.unirc.it

[9] Michael Athans ”Kalman Filtering”


Massachusetts Institute of Technology- Cambridge, Ma
Control handbook

[10] Bernard Friedland ”Observers”


Department of Electrical and Computer Engineering,
- New Jersey Institute of Technology, Newark, Nj
Control handbook

[11] Mahmoud Chilali, Pascal Gahinet


”H∞ Design with pole placement constraints: an LMI approach”
IEE Transaction on automatic Control, vol 41, n◦ 3,
March 1996

[12] Gary Balas, Richard Chiang, Andy Packard, Michael Safonov


”Robust Control Toolbox.” - http://www.mathworks.com

[13] Dott.Ing Gianni Bianchini


”Synthesis of Robust controllers for uncertain plants
with rank one real perturbations.” Università di Bologna-
http://www.unibo.it

[14] K.Zhou, J.C.Doyle, K.Glover


”Robust and Optimal Control.” Prentice Hall, Upper Saddle
River, New Jersey 07458 -http://www.prentincehall.com

[15] Ricardo S.Sànchez-Peña,Mario Sznaier


”Robust Systems Theory and Application .” Wiley and Sons,Inc
-http://www.wileyandsons.com

[16] V.Comincioli
”Analisi numerica metodi modelli e applicazioni.” McGrawHill-
http://www.mcgrawhilllibri.it

Potrebbero piacerti anche