Documenti di Didattica
Documenti di Professioni
Documenti di Cultura
Controlo Adaptativo
Controlo Adaptativo
Controlo Adaptativo
§ Estimação de Parâmetros;
Projecto Estimação
§ Controlo Adaptativo por
Autosintonização.
Parâmetros do
controlador
Ref Saída
Controlador Processo
u(k)
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).
B - Modelos Matemáticos
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;
§ Metodologia híbrida onde o modelo base é obtido por modelização, sendo contudo alguns
parâmetros estimados por técnicas de identificação (modelos de “caixa-cinzenta”).
§ 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,...);
Todo o modelo não é mais do que uma aproximação mais ou menos grosseira da realidade.
us(t)
uu(t) uy(t)
u(t) y(t)
Sistema
• 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.
(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
Ruído Colorido
O ruído colorido é obtido por filtragem do ruído branco com base num sistema linear.
u (k ) = (1 + 0,2q -1 ) e (k )
3 3
2
(0,1)
2
1 1
0 0
-1 -1
-2 -2
-3 -3
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 )
B (q -1 )
y (k ) = u (k ) + e (k )
Fq( -1
)
q = [b1 b2 ! bnb f1 f2 ! fnf ]T
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
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
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
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
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.
H (z, q ) = H (z, q * )
𝑦 𝑘 = 𝐺 𝑞!" , 𝜃 𝑢 𝑘 + 𝐻 𝑞!" , 𝜃 𝑒 𝑘
q =q*
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:
Alguns Resultados...
yˆ (k | q ) = jT (k ) q
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
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
2 2
q ÎD
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)]
*)
𝜃-% = 𝜃0% − 𝜃& ⟹ 𝜃-% = ∑%
'() 𝜑(𝑘) 𝜑(𝑘)
" ∑%
'() 𝜑(𝑘)e(k)
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
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.
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
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.
2) Se R > 0
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.
( ) ( )
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
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
()./"
1,96
Condição prática de aceitação: Rˆ eu (t ) £ ; t 𝜏³ >0 1
N
-0.2
1 + q -1
y (k ) = q-1
u (k ) + e (k ) -0.4
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
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
[
P (k ) = P -1 (k - 1) + j (k ) jT (k ) ] -1
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
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
§ 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.
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.
Dinâmica do Sistema
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.
O nome regra MIT, deriva do facto de ter sido implementado no Instruments Labs (agora Draper Labs) do Massachutts Institute
of Tecnhnology (MIT).
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
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
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.
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
Condições de Compatibilização:
𝑛; = max 𝑛1 + 𝑛< , 𝑛2 + 𝑛=
3
2𝑞!" + 𝑞!+
𝐺 𝑞!" =
y
1 ± 0,5𝑞!" + 0,2𝑞!+ 2
0
0 0.5 1 1.5 2
Especificações: Tempo [s]
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]