Controlo Adaptativo

Controlo Inteligente
Identificação e Controlo Adaptativo
Paulo Gil, 2023

NOVA – School of Science & Technology, Decision and Control Group
Identificação e Controlo Adaptativo
Programa Esquema de Controlo

Autosintonizável
§ Estruturas de Modelos Lineares
em Tempo Discreto; Parâmetros do modelo
§ Estimação de Parâmetros;
Projecto Estimação
§ Controlo Adaptativo por
Autosintonização.
Parâmetros do
controlador
Ref Saída
Controlador Processo
u(k)
Paulo Gil, 2023

I- Identificação de Sistemas
1. Generalidades...
Um modelo consiste na representação das características mais ou menos relevantes de um sistema com
vista a um determinado fim.
A - Tipos de Modelos
§ Cognitivos (conceitos humanos) - modelos conceptuais subjacentes ao raciocínio humano,
percepção, indução, planeamento, decisão;
§ Normativos: traduzem o propósito ou objectivo subjacente a um dado sistema ou processo (e.g.
normas relativas ao projecto de sistemas ou legislação);
§ Descritivos: representam o sistema do ponto de vista do seu comportamento:
o Quantitativos – envolvendo números ou parâmetros (e.g. funções de transferência)
o Qualitativos – caracterizados por informação classificativa (e.g. modelos difusos)
§ Funcionais: reproduzem relações funcionais entre subsistemas (e.g. diagrama de blocos).
O estudo incidirá sobre modelos descritivos do tipo analítico quantitativo.
Paulo Gil, 2023

B - Modelos Matemáticos
A importância e utilização de modelos de sistemas dinâmicos tem vindo a ser crescentemente

expandida não só no campo da engenharia como também na economia, astronomia ou biologia, para
efeitos de predição, dimensionamento, monitorização, detecção de falhas, controlo, entre outras
aplicações.
Obtenção de modelos:
§ A partir dos fenómenos físicos que regem o comportamento do sistemas (modelos do tipo “caixa-
branca”) – este processo designa-se por modelação analítica;
§ Seguindo uma abordagem empírica consubstanciada na recolha de dados do sistema e na

estimação de parâmetros da estrutura adoptada (modelos do tipo “caixa-preta”) – a esta via
designa-se identificação (modelação experimental);
§ Metodologia híbrida onde o modelo base é obtido por modelização, sendo contudo alguns
parâmetros estimados por técnicas de identificação (modelos de “caixa-cinzenta”).
Paulo Gil, 2023

2. Etapas da Identificação
§ Especificação de ensaios: envolve a definição dos sinais a medir, caracterização dos sinais de
excitação, escolha do intervalo de amostragem;
§ Recolha de dados: durante a execução dos ensaios as entradas e saídas do processo são
amostradas com uma periodicidade previamente definida;
§ Selecção da estrutura: nesta fase é escolhida uma estrutura para o sistema de entre um conjunto
de modelos candidatos (ordem do sistema, atrasos...) – esta fase é de crucial importância
(combinação de conhecimento a priori sobre o sistema, intuição,...);
§ Estimação de parâmetros: por meio de uma metodologia específica os parâmetros da estrutura

seleccionada são manipulados por forma a que o modelo reproduza o comportamento dinâmico do
sistema expresso pelos dados;
§ Validação do modelo: através de testes avaliam-se as qualidades do modelo descrito pela

estrutura seleccionada e pela parametrização obtida (análise dos resíduos e validação cruzada).
Todo o modelo não é mais do que uma aproximação mais ou menos grosseira da realidade.
Paulo Gil, 2023

3. Modelos Lineares Invariantes
A - Sistema Sujeito a Perturbações (Ruído)
§ As perturbações, sob a forma de ruído, são aditivas;

§ perturbações sobre o actuador tem o efeito de entradas;
§ perturbações no interior do sistema são incorporadas na entrada.
us(t)
uu(t) uy(t)
u(t) y(t)
Sistema
Paulo Gil, 2023

Ruído Branco Gaussiano Discreto
• O ruído branco Gaussiano e(t) é um processo estocástico com densidade espectral constante;
• Consiste numa sucessão de variáveis aleatórias independentes {e(t)} igualmente distribuídas, de
média nula e variância s2.
Média: Densidade espectral

N f (w )
1
E éëe (k ) ùû = lim
N ®¥ N
å e (k ) = 0 s2
2p
k =1
Variância:
N p w
1
E éëe (k ) ùû = lim
2
N ®¥ N
å e (k ) = s
2 2
3
Sucessão de ruído branco
k =1
2 (0,1)
Covariância: 1
(indepedência) 0
N
1 -1
E éëe (k ) e (k - i ) ùû = lim
N ®¥ N
å e (k ) e (k - i ) = 0 -2
k =i +1 -3
Paulo Gil, 2023

Ruído Colorido
O ruído colorido é obtido por filtragem do ruído branco com base num sistema linear.
Ruído branco Ruído colorido
u (k ) = (1 + 0,2q -1 ) e (k )
3 3
2
(0,1)
2
1 1
0 0
-1 -1
-2 -2
-3 -3
Paulo Gil, 2023

B - Modelos Paramétricos
Formulação geral
e( k)
H(q,q ) y(k ) = G (q,q ) u (k ) + H (q,q ) e(k )
u(k)
Com q o vector de parametrização de dimensão
u(k) y(k) d, tal que q ÎDMÌ Rd; e(k) ruído branco com
G(q,q)
função de densidade de probabilidade p(x, q).
Exemplo:
ìïA(q -1 ) = 1 + a 1q -1 + ! + a na q -na
A(q -1 ) y (k ) = B (q -1 ) u (k ) + e (k ) í
ïîB (q -1 ) = b1q -1 + ! + bnbq -nb
onde
y (k ) = -a 1y (k - 1) - ! - a na y (k - na ) + b1u (k - 1) + ! + bnbu (k - nb ) + e (k )
Paulo Gil, 2023

Modelo do Erro da Saída(OE)
B (q -1 )
y (k ) = u (k ) + e (k )
Fq( -1
)
q = [b1 b2 ! bnb f1 f2 ! fnf ]T
Estrutura ARMAX (Auto Regressive Moving Average with eXogenous input)
Modelo auto regressivo com média móvel e entrada exógena
A(q -1 ) y (k ) = B (q -1 ) u (k ) + C (q -1 ) e (k )
q = [a 1 a 2 ! a na b1 b2 ! bnb c1 c 2 !cnc ] T
Paulo Gil, 2023

Estrutura ARX (Auto Regressive with eXogenous input) e(t)
A(q ) y (k ) = B (q ) u (k ) + e (k )
-1 -1 1
( )
A q -1
v(t)
q = [a 1 a 2 ! a na b1 b2 ! bnb ] T u(t)
( )
B q -1 y(t)
( )
A q -1
Nota: Do ponto de vista físico esta estrutura aparenta ser muito pouco natural dado o ruído branco
submeter-se à dinâmica do denominador A(q-1) antes de ser adicionado à saída. Possui, como
aliciante, a propriedade do respectivo preditor definir uma regressão linear.
Preditor yˆ (k ) = [1 - A (q -1 ) ]y (k ) + B (q -1 ) u (k )
Regressão Linear ˆ (k ) = j T (k ) q
y
j (k ) = [- y (k - 1)! - y (k - na ) u (k - 1)!u (k - nb )]T
Paulo Gil, 2023

Estrutura de Box-Jenkins
e(k)
B (q )
-1
C (q ) -1 ( )
C q -1
y (k ) = u (k ) + e (k ) ( )
D q -1
F (q )
-1
D (q )
-1
v(k)
u(k) ( )
B q -1 y(k)
( )
F q -1
Estrutura Geral de Modelos Lineares

As estruturas anteriormente apresentadas são casos particulares da seguinte estrutura genérica:
Polinómios Estrutura
B (q -1 ) C (q -1 )
B FIR
A(q ) y (k ) =
-1
u (k ) + e (k ) AB ARX
F (q -1 ) D (q -1 ) ABC
AC
ARMAX
ARMA
BF OE
BFCD B-J
Paulo Gil, 2023

C - Propriedades de Identificabilidade
O conceito de identificabilidade diz respeito à representação inequívoca (única) da descrição de um
sistema no seio de uma estrutura de modelos, ou seja, o processo de identificação produz um vector
de parametrização q único.
Definição 1: Uma dada estrutura M é globalmente

q (q)
identificável em q* se:
M 𝜃 = M 𝜃 ∗ , 𝜃 ∈ 𝐷$ ⟹ 𝜃 ≡ 𝜃 ∗ q* (q*)
Nota: Modelos iguais implica igualdade de parametrizações.
Definição 2: Uma estrutura M é globalmente identificável

se é globalmente identificável em quase todos os q* Î DM.
G (z, q ) = G (z, q * )
H (z, q ) = H (z, q * )
𝑦 𝑘 = 𝐺 𝑞!" , 𝜃 𝑢 𝑘 + 𝐻 𝑞!" , 𝜃 𝑒 𝑘
𝑦 𝑘 = 𝐻 !" 𝑞!" , 𝜃 𝐺 𝑞!" , 𝜃 𝑢 𝑘 + 1 − 𝐻 𝑞!" , 𝜃 𝑦 𝑘
q =q*
Paulo Gil, 2023

Teorema: Considere-se a estrutura de modelos M correspondente a:
Aq( )-1
y (k ) =
( )
B q -1
u (k ) +
( )
C q -1
e (k )
( )
F q -1 ( )
D q -1
com na,..., nf os graus dos respectivos polinómios. Estas estruturas são globalmente identificáveis em
q* se e só se:
§ Não existirem factores comuns a zna A* (z ), znbB * (z ), zncC * (z )
§ Não existirem factores comuns a z nb B * (z ), z n f F * (z )
§ Não existirem factores comuns a zncC * (z ), znd D * (z )
§ Se na ³ 1 não existirem factores comuns a z nd D * (z ), z n f F * (z )
Alguns Resultados...
§ A estrutura ARX é globalmente identificável;

§ A estrutura OE é globalmente identificável se não existirem factores comuns a z nb B * (z ), z n f F * (z )
Paulo Gil, 2023

4. Método dos Mínimos Quadráticos
A - Critério
Considere-se o preditor definido pela seguinte regressão linear:
yˆ (k | q ) = jT (k ) q
Com j o vector de regressão constituído por entradas e saídas passadas.

Para o caso da estrutura ARX o regressor apresenta a seguinte forma:
T
j (k ) = éë -y (k - 1) ! - y (k - na ) u (k - 1) !u (k - nb )ùû
Os pares {[y(k),u(k)], k=1,...,N} são obtidos por meio de ensaios sobre o sistema a identificar.
O problema consiste na determinação dos parâmetros q de forma a minimizar o seguinte critério:
2
(
V q,Z N
) 1 N
[
= å y (k ) - jT (k ) q
2 k =1
] Z N = {y (k ) , u (k )} , k = 1, ! , N
e (k, q ) Erro de Modelação
Paulo Gil, 2023

B - Solução do Problema
Como o preditor é definido por uma regressão linear e o critério a minimizar é quadrático, o problema
é convexo e admite uma solução analítica.
Defina-se: Matriz de Autocorrelação
!
𝜑" 1 N
Y= 𝑦 1 ,⋯,𝑦 𝑁 Φ= ⋮ RN = F (N )F(N ) =
T
å j (k )jT (k )
1 "
𝜑 𝑁 k =1
V (q , Z ) = Y - Fq
N 2
2
Teorema: O critério de erro V(q ,ZN) é mínimo para os parâmetros q tal que:
Equação Normal
( ) ( )
N
-1
qˆN = arg min VN q , Z N = FT F FTY = PN å j (k ) y (k )
q ÎD
k =1 FT F q = FTY
Sob a condição da inversa de RN existir, ou seja, FT(N)F(N) ser não singular.
C - Mínimos Quadráticos Ponderados

1 1
V (q , Z N ) = Y - F q W = (Y - F q ) W (Y - F q )
2 T
2 2
qˆN = arg min VN (q , Z N ) = (FTW F ) FTWY

-1
q ÎD
Paulo Gil, 2023

D - Propriedades do Estimador dos Mínimos Quadráticos
Admita que os valores amostrados são gerados pelo seguinte sistema: y (k ) = j (k ) q 0 + e (k )

T
onde {e(k), k=1,...,N} é uma sucessão de variáveis aleatórias independentes com média nula e
variância s2 (Ruído Gaussiano):
1) O estimador é não enviesado
-1
ìïæ N öüï
{ } ö æN N
E qˆN = E íçç å j (k )j (k )T ÷÷ çç å j (k )j (k )T q 0 + å j (k )e (k )÷÷ý
ïîè k =1 ø è k =1 k =1 øïþ
-1
æN ö ìN ü
= q 0 + çç å j (k )j (k )T ÷÷ E íå j (k )e (k )ý = q 0
è k =1 ø îk =1 þ
Determinística
ìN ü ìN ü
j(k) e e(k) são estatisticamente independentes: E íå j (k )e (k )ý = E íå j (k )ýE {e (k )} = 0
îk =1 þ îk =1 þ
Nota: Se duas variáveis a e b são estatisticamente independentes então:
E (a × b) = E (a ) E (b)
E [g(a ) × h (b)] = E [g(a )]E [h (b)]
Paulo Gil, 2023

!
2) Covariância do estimador 𝑃$#% = 𝐸(𝜃-% 𝜃-% )
*)
𝜃-% = 𝜃0% − 𝜃& ⟹ 𝜃-% = ∑%
'() 𝜑(𝑘) 𝜑(𝑘)
" ∑%
'() 𝜑(𝑘)e(k)
Calcule-se o momento de 2ª ordem, considerando RN determinística
ìïé -1 N ù é -1 N ù üï
T
ìN N
ü
Pq~ = E íêRN å j (k )e (k )ú êRN å j (k )e (k )ú ý = RN -1E íå j (k )e (k ) å jT (k )e (k )ýRN -1
N
ïîë k =1 ûë k =1 û ïþ îk =1 k =1 þ
N
= RN -1 å j (k )jT (k ) E {e (k )e (k )}RN -1 = s 2RN -1
k =1
Ou Pq~N = s F F
2 T
( )
-1
§ e(k), k=1,...,N são independentes;
§ matriz FTF é simétrica logo:
A covariância da estimativa é determinada
pela variância dos resíduos e pelas
propriedades dos regressores.
[(F F) ] = [(F F) ]
T -1 T T T -1
(
= FT F )
-1
Paulo Gil, 2023

E - Excitação Persistentemente Excitante
As propriedades dos dados recolhidos na fase de ensaio e utilizados posteriormente na estimação dos
parâmetros são relevantes para a qualidade do modelo obtido. O paradigma do conjunto de “dados
informativo” está intimamente relacionado com o conceito de entrada persistentemente excitante.
Considere-se o seguinte sistema do tipo

y (k ) = b1u (k - 1) + b2u (k - 2) + !bn u (k - n )
Resposta Impulsional Finita (FIR):
com, q = [b1 , b2 , ! , bn ]
T
y (k ) = jT (k )q
é N N N
ù
ê å u 2 (k - 1) å u (k - 1)u (k - 2) ! å u (k - 1)u (k - n )ú
ê N k =n +1 k =n +1
N
k =n +1
N ú
ê ! å u (k - 2 )u (k - n )ú
RN = FT F = ê å u (k - 1)u (k - 2 ) å u (k - 2)
2
k =n +1 k =n +1 k =n +1
ú
ê " " " " ú
ê N N N ú
ê å u (k - 1)u (k - n ) å u (k - 2)u (k - n ) ! å u (k - n ) úú
2
êëk =n +1 k =n +1 k =n +1 û
Equação normal com solução única (

car FT F = n ) Condição de excitação!
Paulo Gil, 2023

Abordagem Espectral
Para um número de observações elevado os somatórios em F TF podem ser tomados de 1 a N. Tendo
em consideração que:
N
1
R (t ) = lim å u (k )u (k - t ) = R (- t )
N ®¥ N
k =1
vem,
é R (0 ) R (1) ! R (n - 1)ù
ê R (1) R (0 ) ! R (n - 2)ú
1
R = lim RN = ê ú
N ®¥ N ê " " " " ú
ê ú
ëR (n - 1) R (n - 2 ) ! R (0 ) û
Para um número elevado de observações a equação normal apresenta solução única se a matriz R for
definida positiva, i.e. R > 0
Nota: Uma matiz é definida positiva se todos os seus valores próprios são positivos.
Paulo Gil, 2023

Definição (Persistência de excitação)
Um sinal u é designado “persistentemente excitante” (PE) de ordem n se:
N
1
1) Se existir R (t ) = lim å u (k )u (k - t ), t = 0, ! , n - 1
N ®¥ N
k =1
2) Se R > 0
Exemplo de alguns sinais...
Impulso Degrau Ruído Branco

u(t) u(t) 3
2
... 1
d(t) a
0
-1
-2
-3
0 k 0 1 2 3 4 k
R (t ) = 0, "t R (t ) = a ,
2
"t R (0) = s 2 ; R (t ) = 0, "t ¹ 0
car (R ) = 1 car (R ) = n
Não é PE de qualquer ordem PE de ordem 1 PE de ordem n
Paulo Gil, 2023

5. Validação de Modelos
Avalia-se a capacidade de um dado modelo representar de forma adequada o comportamento dinâmico
do sistema a identificar:
Validação cruzada;
Análise dos resíduos.
A - Validação Cruzada
Comparar, segundo um critério V(.), o desempenho do modelo, para um conjunto de dados diferente.
Para tal, simula-se o comportamento do sistema com o modelo a validar e aplica-se em seguida a
métrica.
1 * +
𝑉 𝜃, 𝑍&' = 5 𝑦 𝑘 − 𝑦(𝑘,
6 𝜃) 8
𝑁 ()"
Se o somatório dos erros quadráticos for da ordem de grandeza do obtido com base no conjunto de
estimação então o modelo poderá ser considerado aceitável para os fins em vista. Caso tal não se
verifique terá de se procurar outro modelo: alterando a ordem dos polinómios ou seleccionando uma
outra estrutura.
Paulo Gil, 2023

B - Teste dos Resíduos
Os resíduos entre as saídas do sistema e do modelo deverão apresentar-se como um ruído branco e
serem independentes da entrada para que o modelo descreva adequadamente o sistema.
Análise do Erro de Estimação
( ) ( )
N -t
1
Resíduos: e k,qˆN = y(k ) - yˆ k | qˆN Covariância: Rˆ e (t ) = å e (k ) e (k + t )
N k =1
Rˆ (t )
Covariância Normada: Rˆ e (t ) = ˆ e
Re (0)
Condição prática para que os resíduos possam ser considerados uma sucessão de variáveis aleatórias
independentes:
1,96
Rˆ e (t ) £ ; t ³1
N
Representa um nível de confiança de 95%, a que corresponde um intervalo de confiança

[-1,96/(N)½; 1,96/(N)½] para uma distribuição assintótica normal de cada componente.
Paulo Gil, 2023

Independência entre Resíduos e Entradas Passadas
Permite aferir se existe informação contida na saída, originada pela entrada u(k-t) que não seja
reproduzida de forma adequada pelo modelo (...rever a ordem do polinómio B(q)).
*
1
Covariância: 𝑅8,- = 5 𝜀 𝜏 𝑢= 𝑘 − 𝜏 , 𝑢= 𝑘 = 𝑢 𝑘 − 𝑢>
𝑁
()./"
onde 𝑢> corresponde ao valor médio do sinal de excitação 𝑢.

Rˆ eu (t )
Covariância Normada: Rˆ eu (t ) =
Rˆ (0 )Rˆ (0 )
e u
1,96
Condição prática de aceitação: Rˆ eu (t ) £ ; t 𝜏³ >0 1
N
A existência de correlação entre os resíduos e entradas futuras corresponde à existência de retroacção.

Para o seu estudo consideram-se valores de t negativos. A sua manifestação não é condição forçosa de
rejeição...
Paulo Gil, 2023

Modelo ARX [2 2 1]
Exemplo 0.2
Covariância dos resíduos
-0.2
1 + q -1
y (k ) = q-1
u (k ) + e (k ) -0.4
1 - 1,1q -1 + 0,3q -2 -0.6

-20 -15 -10 -5 0 5 10 15 20
Covariância entre resíduo e entrada
0.3
Saída y(k)
5 0.2
4 0.1
3
0
-0.1
2 -20 -15 -10 -5 5 10 15 20
0
1
t
0 Modelo ARX [5 4 1]
-1 Covariância dos resíduos
0 50 100 150 200 250 300 350 400 450 500 0.2
Amostras
0.1
Entrada u(k)
1 0
0.9
-0.1
0.8
0.7
-20 -15 -10 -5 0 5 10 15 20
0.6 Covariância entre resíduo e entrada
0.5 0.2
0.4
0.3
0
0.2
0 50 100 150 200 250 300 350 400 450 500
Amostras
-20 -15 -10 -5 0 5 10 15 20

t
Paulo Gil, 2023

6. Método dos Mínimos Quadráticos Recursivos
Na identificação em linha as observações surgem sequencialmente em tempo real, pelo que se torna
conveniente uma implementação recursiva.
k
Seja qˆ (k ) = P (k )å j (s ) y (s ) uma estimativa no instante k para o vector de parametrização
s =1
ék -1 ù k -1
q (k ) = P (k )êå j (s ) y (s ) + j (k ) y (k )ú Þ P (k ) q (k ) = å j (s ) y (s ) + j (k ) y (k )
ˆ -1 ˆ
ës =1 û s =1
P, Matriz de Covariância
pelo que P (k ) qˆ (k ) = P -1 (k - 1) qˆ (k - 1) + j (k ) y(k )
-1 (1)
k k -1
como P -1 (k ) = å j (s ) jT (s ) = å j (s ) jT (s ) + j (k ) jT (k ) = P -1 (k - 1) + j (k ) jT (k )
s =1 s =1
vem P -1 (k - 1) = P -1 (k ) - j (k ) jT (k ) (
yˆ k | qˆ (k - 1) )
Substituindo a expressão anterior em (1) qˆ (k ) = qˆ (k - 1) + P (k ) j (k ) éëy (k ) - j T (k ) qˆ (k - 1)ùû
= qˆ (k - 1) + P (k ) j (k ) e (k )
Forma recursiva
Paulo Gil, 2023

Cálculo recursivo de P(k):
[
P (k ) = P -1 (k - 1) + j (k ) jT (k ) ] -1
Implica a inversão de uma matriz n×n, com n a dimensão do vector de parametrização...

Em alternativa, transformar a expressão com base no “Lema da Inversão de Matrizes”.
Lema da Inversão de Matrizes
(A + BCD )-1 = A-1 - A-1B (C -1 + DA -1B ) DA -1

-1
Fazendo: A = P -1 (k - 1); B = j (k ); C = I; D = jT (k ) P(k) é a matriz de covariância.

§ Proporcional à covariância
do erro de estimação
Obtém-se:
§ P(k) > 0
é j (k ) jT (k ) P (k - 1) ù
P (k ) = P (k - 1) êI n - ú § Influencia a qualidade do
ëê 1 + jT (k ) P (k - 1) j (k ) ûú
modelo
Paulo Gil, 2023

A - Identificação no Contexto de Sistemas Variantes
Solução
Reconfiguração abrupta da estrutura Reinicialização da matriz de covariância: P(k) = P(0)
Solução
Alteração suave de parâmetros, e.g. por desgaste Incorporação de um factor de esquecimento
ou alteração das características de alguns componentes
l, factor de esquecimento
0,95 £ l £ 1
P ( k - 1) é j (k ) jT (k ) P (k - 1) ù 2
P (k ) =
l
êI n - ú
l + jT (k ) P (k - 1) j (k ) úû
(
V q,Z N
) 1 N N -k
= ål
2 k =1
[
y (k ) - jT (k ) q ]
êë
Critério de selecção: escolher l de forma que V(.) contenha basicamente as observações mais relevantes
para a descrição do sistema tendo em conta que a janela de amostras relevantes (horizonte de memória)
pode ser calculada através de: 1
NJ =
1-l
Paulo Gil, 2023

B - Inicialização do Algoritmo Recursivo
Assumir valores iniciais para P(0) e θ(0), os quais reflectem considerações prévias sobre o vector de
parametrização e respectiva incerteza.
Vector de Parametrização
a) Considerar, caso se conheça, uma estimativa obtida previamente, e.g., através de um método não
recursivo;
b) Se não existe qualquer estimativa, considerar uma distribuição normal N(0,1).
Matriz de Covariância
P(0) deverá ser uma matriz diagonal de dimensão n×n, com n a dimensão do vector de parametrização.
ép11 0 ! 0 ù
ê0 • P(0) elevado, pressupõe incerteza na estimação de θ(0);
p22 0 0 ú
P (0 ) = ê ú • P(0) baixo reflecte θ(0) relativamente fidedigno;
ê # 0 " 0 ú
ê ú • Se 𝜃 0 = 𝜃8* , 𝑃 0 = 𝜎 + 𝑅*!" (𝑅* = Φ0 Φ)
ë0 0 ! pnn û
Paulo Gil, 2023

II- Controlo Adaptativo
Paulo Gil, 2023

1. Ideias Gerais...
§ Adaptar significa alteração de comportamento de modo a fazer face a modificações ocorridas num
dado ambiente, por exemplo, alteração da curva característica de uma válvula por desgaste;
§ Um controlador adaptativo é uma estrutura em que a sua dinâmica é alterada como resposta a
alterações na dinâmica do processo e/ou nas características de eventuais perturbações.
Definição: Um controlador adaptativo é um controlador constituído por parâmetros ajustáveis e

munido de um mecanismo de adaptação.
Em virtude do ajuste/sintonização em linha (tempo-real) dos parâmetros, os controladores adaptativos

apresentam um comportamento não-linear.
Paulo Gil, 2023

Diagrama de Blocos de um sistema adaptativo
Um sistema de controlo adaptativo é

constituído por duas malhas (anéis):
§ O anel de retroacção associado ao
controlador;
§ Anel de adaptação de parâmetros.
Nota: A dinâmica do anel de adaptação deverá ser mais lenta do que a do anel de controlo, de modo a
assegurar um funcionamento suave do controlador.
Paulo Gil, 2023

Escolha do tipo de controlador
Sistemas lineares variantes; Sistemas moderadamente não-lineares...
Dinâmica do Sistema
Variante e/ou Linear invariante

não-linear
Controlador com Controlador de

parâmetros parâmetros fixos
ajustáveis
Dinâmica
Dinâmica
Previsível (conhecida)
Imprevisível
Controlador com Tabela de
adaptação Ganhos
Paulo Gil, 2023

2. Alguns Esquemas Adaptativos
A - Tabela de Ganhos (Gain Scheduling)
Consiste numa aplicação (mapeamento)
entre as condições de operação e os
parâmetros do controlador.
São as condições de operação que

determinam os ganhos do controlador.
Implementação: Exemplo:
§ através de uma função; Comutação entre vários controladores PID
§ selecção de valores previamente inseridos previamente sintonizados para diferentes
numa tabela. regimes de operação.
Paulo Gil, 2023

B - Controlador Adaptativo por Modelo de Referência (MRAC)
• Nesta arquitectura as especificações para Modelo de ym(k)

Referência
o sistema de controlo são definidas sob a
Mecanismo de
forma de um modelo de referência, Parâmetros do
controlador
Adaptação
representando este modelo a resposta ideal uc(k)

y(k)
do sistema em anel fechado. Controlador Processo
u(k)
Saída
• O mecanismo de adaptação actualiza os
parâmetros do controlador de forma a que uma
métrica baseada no erro entre a saída do
modelo de referência e a saída do sistema seja
g Coeficiente de adaptação;
minimizado (integral do erro quadrático).
q Parâmetros do controlador;
dq ¶e
Regra MIT: = -g e ; e (q ) = y (q ) - ym ¶e Sensibilidade do erro em relação aos parâmetros
dt ¶q ¶q do controlador.
O nome regra MIT, deriva do facto de ter sido implementado no Instruments Labs (agora Draper Labs) do Massachutts Institute
of Tecnhnology (MIT).
Paulo Gil, 2023

C - Controlador Adaptativo Autosintonizável
(Controlo adaptativo indirecto)
• Neste esquema de controlo os

parâmetros do controlador são obtidos
de forma indirecta a partir do modelo do
processo;
• Paralelamente, os parâmetros do modelo
são actualizados em-linha de modo a
fazer face a eventuais alterações na
dinâmica do processo (identificação em-
linha).
Princípio da Equivalência Certa: O processo é em cada instante discreto

representado de forma perfeita pelo modelo (erro de modelação nulo).
Paulo Gil, 2023

2. Projecto por Colocação de Pólos
Objectivo:
O projecto assenta na determinação dos parâmetros do controlador, tal que o sistema em anel fechado
apresente os pólos desejados.
54 6 !"
Seja o sistema descrito por um modelo do tipo ARX 𝑛1 , 𝑛2 , 𝑛( : 𝑦 𝑘 = 𝑞!3 𝑢(𝑘)
7 6 !"
𝐵> 𝑞!" = 𝑏" 𝑞!" + ⋯+ 𝑏82 𝑞!82
Controlador: r (k ) u (k )
( )
-1
1 ( )
B q -1 y (k )
Hq
( )
F q -1 A (q )
-1
Fq( )u (k ) = H (q )r (k ) - G (q )y(k )
-1 -1 -1
( )
F q -1 = 1 + f1 q -1 + f2 q -2 + ! + fn f q
-n f
G (q ) = g G (q -1 )
-1 -n g
0 + g1 q -1 + g2 q -2 + ! + gn g q
H (q ) = h
-1
0 + h1 q -1 + h2 q -2 + ! + hn h q -n h Controlador
Projecto: Obtenção de F(q-1), G (q-1), e H (q-1)
Paulo Gil, 2023

Função de Transferência do Sistema em Anel Fechado:
𝐵L 𝑞!" 𝐵 𝑞!" 𝐻 𝑞!" 𝐵L 𝑞!"

= 𝑦 𝑘 = 𝑟 𝑘
𝐴M 𝑞!" 𝐴 𝑞!" 𝐹 𝑞!" + 𝐵 𝑞!" 𝐺 𝑞!" 𝐴M 𝑞!"
A - Colocação de Pólos sem Cancelamento de Zeros
Equação de Diophantine ou identidade de Bezout: 𝐴 𝑞!" 𝐹 𝑞!" + 𝐵 𝑞!" 𝐺 𝑞!" = 𝐴9 𝑞!"

𝐴9 𝑞!" = 1 + 𝛼" 𝑞!" + 𝛼+ 𝑞!+ + ⋯ + 𝛼8# 𝑞!8#
As raízes de 𝐴9 𝑞!" representam os pólos desejados
𝑛; = max 𝑛1 + 𝑛< , 𝑛2 + 𝑛= para o sistema em anel fechado.
Condições de Identificabilidade
A F + B G = Am FeG Para que a equação apresente solução única A e B não
Métdo dos coeficientes indeterminados
poderão ter factores comuns; nf = nb–1+d; ng = na–1;
d = nk-1
𝐴 𝑞!" 𝐹 𝑞!" + 𝑞!" 𝐵 𝑞!" 𝐺 𝑞!" Para um erro em regime final nulo
ℎ: = |𝑞!" = 1
𝐵 𝑞!" o ganho estático deverá ser
unitário
Paulo Gil, 2023

B - Cancelamento Parcial de Zeros
Nesta abordagem ao problema da colocação de pólos efectua-se o cancelamento dos zeros que se
encontram no interior do circulo unitário.
Para esse efeito, factorize-se o polinómio B(q-1) em dois termos: B+(q-1) e B-(q-1), correspondendo,
respectivamente, aos zeros fora e dentro do circulo unitário.
𝐵L 𝑞!" 𝐵 𝑞!" 𝐻 𝑞!"

Função de transferência do sistema em anel fechado: =
𝐴M 𝑞!" 𝐴 𝑞!" 𝐹 𝑞!" + 𝐵 𝑞!" 𝐺 𝑞!"
Para que ocorra o cancelamento de zeros localizados no interior do círculo unitário o polinómio F(q-1) tem
de apresentar um factor B-(q-1): 𝐹 𝑞!" = 𝐹 ∗ 𝑞!" 𝐵 ! 𝑞!"
Dinâmica desejada
Equação de Diophantine: 𝐴 𝑞!" 𝐹 ∗ 𝑞!" + 𝐵 / 𝑞!" 𝐺 𝑞!" = 𝐴9 𝑞!"
𝑛<∗ = 𝑛2% − 1 + 𝑑 !"

𝐵9 𝑞!"
𝐻 𝑞 = / !"
𝑛= = 𝑛1 − 1 𝐵 (𝑞 )|6 !" )"
Paulo Gil, 2023

C - Incorporação de acção Integral no Controlador
Para que o controlador apresente acção integral o polinómio F(q-1) terá de possuir um factor (1- q-1).
Nestas condições o sistema de controlo apresentará um erro estático nulo.
𝐹 𝑞!" = 1 − 𝑞!" 𝐹 ∗ 𝑞!"
pelo que, 𝐹 𝑞!" |" = 1 + 𝑓" + 𝑓+ + ⋯ + 𝑓8& = 0
Condições de Compatibilização:
𝑛; = max 𝑛1 + 𝑛< , 𝑛2 + 𝑛=
O grau do polinómio Am vem incrementado

ìn f = n b + d
em uma unidade í
în g = n a
Paulo Gil, 2023

D – Exemplo: Projecto sem cancelamento de zeros
Considere-se o sistema dinâmico descrito pela Resposta em anel aberto
5
seguinte função de transferência discreta:
4
3
2𝑞!" + 𝑞!+
𝐺 𝑞!" =
y
1 ± 0,5𝑞!" + 0,2𝑞!+ 2
0
0 0.5 1 1.5 2
Especificações: Tempo [s]
§ Não está previsto o cancelamento de zeros nem efeito integral

§ Os pólos do sistema em anel fechado deverão ser: 𝑧" = 0,2; 𝑧+ = 0,7; 𝑧> = 0,8
§ Erro estático nulo em regime final.
Paulo Gil, 2023

D – Exemplo: Projecto sem Cancelamento de Zeros
1
0.8
0.6
y
0.4
0.2
0
0 0.5 1 1.5 2 2.5 3 3.5 4 4.5 5
Tempo [s]
0.3
0.2
u
0.1
0
0 0.5 1 1.5 2 2.5 3 3.5 4 4.5 5
Tempo [s]
Paulo Gil, 2023

D – Exemplo: Projecto sem cancelamento de zeros (MATLAB)
na = 2; nb=2; nk=1;
A = [1 -0.5 .2]; S = solve(eqns,[f1 g0 g1])
B = [0 2 1];
sys_open = tf(B,A,.1)% discrete time f1c = vpa(S.f1);
[Y,T]=step(sys_open) g0c = vpa(S.g0);
stairs(T*.1,Y,'b') g1c = vpa(S.g1);
xlabel('Tempo [s]') Fc = [1 double(f1c)];
ylabel('y') Gc =[double(g0c) double(g1c)];
title('Resposta em anel aberto')
h0 = (sum(A)*sum(Fc)+sum(B)*sum(Gc))/sum(B);
d = nk -1;
nf = nb + d -1; fprintf('F = [1 %4.2f]\n', f1c)
ng = na-1; fprintf('G = [%4.2f %4.2f]\n', Gc)
nalfa = max(na+nf,nb+ng); fprintf('h0 = %4.2f\n', h0)
syms f1 g0 g1
F = [1 f1]; Af = conv(A,Fc)+conv(B,Gc)
G = [g0 g1]; Bf = B*h0
sys = tf(Bf,Af,.1)
% Af = A*F+B*G step(sys)
Af = sconv(A,F) + sconv(B,G)
Am = poly([.2 .7 .8])
AAf = Af(2:end)
AAm = Am(2:end)
eqns = [AAf(1) == AAm(1), AAf(2) == AAm(2), AAf(3) ==
AAm(3)];
Paulo Gil, 2023


Controlo Adaptativo

Caricato da

Copyright:

Formati disponibili

Potrebbero piacerti anche

Controlo Adaptativo

Caricato da

Informazioni sul documento

Titolo originale

Copyright

Formati disponibili

Condividi questo documento

Condividi o incorpora il documento

Opzioni di condivisione

Hai trovato utile questo documento?

Questo contenuto è inappropriato?

Copyright:

Formati disponibili

Controlo Adaptativo

Caricato da

Copyright:

Formati disponibili

Controlo Inteligente

Identificação e Controlo Adaptativo

Paulo Gil, 2023

Programa Esquema de Controlo

Paulo Gil, 2023

O estudo incidirá sobre modelos descritivos do tipo analítico quantitativo.

Paulo Gil, 2023

A importância e utilização de modelos de sistemas dinâmicos tem vindo a ser crescentemente

§ Seguindo uma abordagem empírica consubstanciada na recolha de dados do sistema e na

Paulo Gil, 2023

§ Estimação de parâmetros: por meio de uma metodologia específica os parâmetros da estrutura

§ Validação do modelo: através de testes avaliam-se as qualidades do modelo descrito pela

Paulo Gil, 2023

§ As perturbações, sob a forma de ruído, são aditivas;

Paulo Gil, 2023

Média: Densidade espectral

Paulo Gil, 2023

Ruído branco Ruído colorido

Paulo Gil, 2023

Paulo Gil, 2023

Modelo do Erro da Saída(OE)

Estrutura ARMAX (Auto Regressive Moving Average with eXogenous input)

Modelo auto regressivo com média móvel e entrada exógena

Paulo Gil, 2023

j (k ) = [- y (k - 1)! - y (k - na ) u (k - 1)!u (k - nb )]T

Paulo Gil, 2023

Estrutura Geral de Modelos Lineares

Paulo Gil, 2023

Definição 1: Uma dada estrutura M é globalmente

Nota: Modelos iguais implica igualdade de parametrizações.

Definição 2: Uma estrutura M é globalmente identificável

𝑦 𝑘 = 𝐻 !" 𝑞!" , 𝜃 𝐺 𝑞!" , 𝜃 𝑢 𝑘 + 1 − 𝐻 𝑞!" , 𝜃 𝑦 𝑘

Paulo Gil, 2023

§ Não existirem factores comuns a zna A* (z ), znbB * (z ), zncC * (z )

§ Não existirem factores comuns a z nb B * (z ), z n f F * (z )

§ Não existirem factores comuns a zncC * (z ), znd D * (z )

§ Se na ³ 1 não existirem factores comuns a z nd D * (z ), z n f F * (z )

§ A estrutura ARX é globalmente identificável;

Paulo Gil, 2023

Considere-se o preditor definido pela seguinte regressão linear:

Com j o vector de regressão constituído por entradas e saídas passadas.

e (k, q ) Erro de Modelação

Paulo Gil, 2023

Sob a condição da inversa de RN existir, ou seja, FT(N)F(N) ser não singular.

C - Mínimos Quadráticos Ponderados

qˆN = arg min VN (q , Z N ) = (FTW F ) FTWY

Paulo Gil, 2023

Admita que os valores amostrados são gerados pelo seguinte sistema: y (k ) = j (k ) q 0 + e (k )

Paulo Gil, 2023

Calcule-se o momento de 2ª ordem, considerando RN determinística

Paulo Gil, 2023

Considere-se o seguinte sistema do tipo

Equação normal com solução única (

Paulo Gil, 2023

Paulo Gil, 2023

Exemplo de alguns sinais...

Impulso Degrau Ruído Branco

Paulo Gil, 2023