DISSERTAO DE MESTRADO

LINEARIZAO EXATA ADAPTATIVA

APLICADA AO CONTROLE PREDITIVO
DE PROCESSO DE NVEL MULTIVARIVEL
Alfredo Amrico de Freitas
Braslia, agosto de 2007
UNIVERSIDADE DE BRASLIA
FACULDADE DE TECNOLOGIA
UNIVERSIDADE DE BRASILIA
Faculdade de Tecnologia
DISSERTAO DE MESTRADO
LINEARIZAO EXATA ADAPTATIVA
APLICADA AO CONTROLE PREDITIVO
DE PROCESSO DE NVEL MULTIVARIVEL
Alfredo Amrico de Freitas
Relatrio submetido ao Departamento de Engenharia
Eltrica como requisito parcial para obteno
do grau de Mestre em Engenharia Eltrica
Banca Examinadora
Prof. Dr. Ing Adolfo Bauchspiess, ENE/UnB
Orientador
Prof. PhD Luis Antonio Aguirre, MACSIN
UFMG
Examinador externo
Prof D.Sc. Geovany Arajo Borges, ENE/UnB
Examinador interno
Prof. D.Sc. Joo Yoshiyuki Ishihara
Suplente da Banca
Dedicatria
Este trabalho dedicado a minha sobrinha Luana Freitas de Sousa e minha alhada Luisa
Freitas Frana
Alfredo Amrico de Freitas
Agradecimentos
Agradeo a Deus por tudo de bom em toda minha vida.
Agradeo a todos os professores do departamento de engenharia eltrica da UnB, bem
como a todo o corpo tcnico e colegas de ps-graduao. Agradeo a todos os amigos do
LAVSI e do LARA, especialmente a Gustavo Melo e Mariana Bernardes pelo sistema
de nvel de lquidos e outros trabalhos desenvolvidos no LAVSI, aos amigos Alexandre
Martins, Bruno Vilhena e Ener Diniz Beckmann do LARA e Flavio Vidal do LCVC
pelos momentos de ajuda e descontrao e a todos os outros do GRAV. Agradeo tambm
aos alunos de laboratrio de controle dinmico 2/2006.
Agradeo a todos os meus familiares, expecialmente s minhas irms Ocirema e Nathlia
que me apoiaram e durante o desenvolvimento deste trabalho sempre estiveram ao meu
lado. Agradeo aos meus avs e a minha me, pelo carinho e amor sincero. Agradeo a
todos meus tios, especialmente a Maria Jos Barbosa e Nucilene Lima de Freitas Frana
pela constante torcida e ajuda incondicional. Agradeo todos os meus primos e primas e
demais parentes. Agradeo a Alexandra de Sousa Belchior pelo carinho e pacincia.
Agradeo aos Professores Adolfo Bauchspiess e Geovany Arajo Borges pela ajuda durante
a execuo deste trabalho, pelo apoio no LAVSI e por acreditarem no meu trabalho.
Agradeo todos os meus amigos, especialmente a Assis Santos Silva, Daniel Veloso Aquino
e Hebert Vilson Frana pela leal amizade.
Agradeo a todos os colegas do GRAV pelos momentos de trabalho e cooperao, especi-
almente a Alexandre Matrins, Bruno Vilhena e ao colega Flvio Vidal do Laboratrio de
Controle e Viso por Computador.
Alfredo Amrico de Freitas
Os que aprendem herdaro a terra, enquanto os que j sabem esto magnicamente equipados
para viver num mundo que no existe mais.
Eric Hoer
.
.
RESUMO
LINEARIZAO EXATA ADAPTATIVA APLICADA AO CONTROLE PREDI-
TIVO DE PROCESSO DE NVEL MULTIVARIVEL
Autor: Alfredo Amrico de Freitas
Orientador: Adolfo Bauchspiess
Programa de Ps-graduao em Engenharia Eltrica
Braslia, agosto de 2007
Esta dissertao apresenta uma aplicao de tcnias de controle preditivo linear em sistemas
no-lineares multivariveis. A principal idia baseada na Linearizao Exata Adaptativa que
fornece um modelo dinmico linear desacoplado para ser utilizado como modelo interno do controle
Model Predictive Control (MPC).
A linearizao exata do sistema no-linear fornece dois blocos bsicos, um sistema linear din-
mico e uma tranformao de variveis no-linear esttica. A adaptao ocorre com a incluso de
um ltro de Kalman estendido para estimao conjunta de estados e parmetros do sistema no-
linear. Tem-se assim uma abordagem denominada linearizao exata adaptativa. Com o modelo
linear obtido pode-se aplicar as tcnicas de controle linear como Proporcional-Integral-Derivativo
(PID), controle timo, controle preditivo e outras tcnicas de sistemas lineares.
A abordagem apresentada utiliza tcnicas de controle linear bastante difundidas e utilizadas
no meio acadmico aplicveis a sistemas sistemas reais que, em ltima anlise so no-lineares.
Assim pode-se obter as vantagens do controle linear para controlar sistemas no-lineares utilizando
a linearizao exata adaptativa.
A aplicao da linearizao exata adaptativa associada a controladores dos tipos MPC e PI
aplicado ao sistema de nvel de lquidos do Laboratrio de Automao, Viso e Sistemas Inteligentes
(LAVSI). Assim controla-se um sistema no-linear em toda sua faixa de operao, mesmo sob
variaes paramtricas utilizando controladores lineares.
ABSTRACT
ADAPTIVE FEEDBACK LINEARIZATION APPLIED TO THE MODEL BA-
SED PREDICTIVE CONTROL OF A MULTIVARIABLE LIQUID LEVEL PRO-
CESS
Autor: Alfredo Amrico de Freitas
Orientador: Adolfo Bauchspiess
Programa de Ps-graduao em Engenharia Eltrica
Braslia, agosto de 2007
This thesis presents the application of linear predictive control to multivariable nonlinear sys-
tems. The key contribution is the use of adaptive feedback linearization as internal model for the
Model based Predictive Controller (MPC).
The feedback linearization of the nonlinear system supplies two blocks: a dynamic linear system
and a nonlinear static variable transformation. The adaptation occurs by the use of an extended
Kalman lter, estimating states and parameters of the nonlinear system. This approach produces
the so called adaptive feedback linearization. Linear control techniques as PID, space state, optimal
control, predictive control and other linear techniques can thus be applied employed on resulting
dynamics.
The application of the adaptive feedback linearization in association with MPC and PI is
applied in this thesis to the LAVSIs four tank liquid level process. Simulation results for dierent
conditions and operating point are presented.
The presented approach is expected to be applicable to dierent real nonlinear systems where
the sampling rate and computational eort of the feedback linearization.
SUMRIO
1 Introduo . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1
1.1 Contextualizao ..................................................................... 1
1.2 Definio do problema .............................................................. 2
1.3 Objetivos do projeto................................................................. 3
1.4 Apresentao do Texto ............................................................. 4
2 Estratgias de Controle No-Linear . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 6
2.1 Estimao para Controle........................................................... 6
2.2 Controle Preditivo No-Linear Direto ....................................... 7
2.3 Controle No-Linear Baseado em Modelos Lineares ..................... 8
2.4 Controle No-Linear via Sistemas Inteligentes ............................ 12
2.5 Linearizao Exata Adaptativa ................................................... 12
2.6 Resumo do Captulo .................................................................. 13
2.7 Concluses .............................................................................. 14
3 Sistema de Nvel de Lquidos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 15
3.1 Modelo No-Linear ................................................................... 16
3.2 Limitaes de Atuao e Referncias .......................................... 19
3.3 Concluses .............................................................................. 20
4 Estimao No-Linear Beseada no Filtro de Kalman. . . . . . . . . . . . . . . . 22
4.1 O Filtro de Kalman - FK ........................................................... 23
4.1.1 Algoritmo do filtro de Kalman.................................................. 24
4.2 O Filtro de Kalman Estendido - FKE .......................................... 25
4.2.1 Algoritmo do Filtro de Kalman Estendido .................................. 26
4.2.2 Aplicao ao processo de nvel de lquidos .................................. 27
4.3 Concluses .............................................................................. 30
5 Linearizao Exata Adaptativa . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 31
5.1 Linearizao Exata Adaptativa ................................................... 32
5.2 Linearizao Exata ................................................................... 33
5.3 Linearizao Exata do Sistema de Nvel de 4
a
Ordem .................... 35
5.4 Linearizao Exata Adaptativa do Sistema de Nvel de Lquidos ..... 40
5.5 Concluses .............................................................................. 41
vi
6 Controle Preditivo Baseado em Modelo. . . . . . . . . . . . . . . . . . . . . . . . . . . . . 43
6.1 Controle Preditivo................................................................... 44
6.1.1 O Modelo Interno do Controle Preditivo ................................... 46
6.1.2 A Minimizao da Funo de Custo ............................................. 48
6.2 Aplicao do MPC ao Sistema de Nvel Multivarivel ................... 48
6.3 Concluses .............................................................................. 50
7 Resultados Obtidos. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 51
7.1 Estimao de Estados e Parmetros com o Filtro de Kalman Es-
tendido em Malha Aberta .......................................................... 51
7.2 Aplicao da LEA ao Sistema de Nvel de Lquidos ....................... 56
7.3 Aplicao de Controle Preditivo com LEA ao Sistema de Nvel de
Lquidos ................................................................................... 60
7.3.1 Controle Preditivo Baseado em Modelo com Linearizao Exata ... 67
7.4 Resumo .................................................................................... 69
8 Concluses e Pesquisa Futuras . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 70
8.1 Concluses ............................................................................. 70
8.2 Pesquisa Futuras ...................................................................... 71
REFERNCIAS BIBLIOGRFICAS . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 72
LISTA DE FIGURAS
1.1 Estrutura funcional da linearizao exata adaptativa .......................................... 3
2.1 Estrutura de Controlador Preditivo No-Linear apresentado por Findeisen e All-
gower [Findeisen 2002].................................................................................. 8
2.2 Estrutura do Controlador de Fruzzetti ............................................................. 9
2.3 Sistema de dois tanques acoplados apresentado Poulsen et al. ............................... 10
3.1 Imagem do Processo de Nvel de Lquidos ........................................................ 16
3.2 Esquemtico do Processo de Nvel de Lquidos .................................................. 17
5.1 Estrutura do Controle por Linearizao Exata .................................................. 32
5.2 Estrutura da Linearizao Exata Adaptativa..................................................... 33
5.3 Sistema linear obtido com a linearizao exata do sistemas de nvel de lquidos ........ 36
5.4 Diagrama de Blocos Linearizao Exata do Sistema de Nvel de Lquidos ............... 40
6.1 Estrutura de um controlador preditivo............................................................. 45
6.2 Horizonte Deslizante em Controle Preditivo ...................................................... 46
6.3 Diagrama de Blocos da Linearizao Exata Adaptativa com Controle Preditivo ....... 49
7.1 Sinal dos Atuadores em Malha Aberta............................................................. 52
7.2 Valores Estimados dos Estados em Malha Aberta .............................................. 53
7.3 Resduos de Estimao dos Estados em Malha Aberta ........................................ 54
7.4 Valores Reais e Estimao de k
12
, k
23
e k
34
em Malha Aberta .............................. 54
7.5 Valores Reais e Estimao de k
2
e k
4
em Malha Aberta ...................................... 55
7.6 Diagrama de blocos do associao entre a LEA com o controle PI ......................... 56
7.7 Sinal dos Atuadores - LEA com controle PI ...................................................... 57
7.8 Valores estimados dos estados - LEA com controle PI ......................................... 57
7.9 Resduos de estimao dos estados - LEA com controle PI ................................... 58
7.10 Valores reais e estimados de k
12
, k
23
e k
34
- LEA com controle PI ......................... 58
7.11 Valores reais e estimados de k
2
e k
4
- LEA com controle PI ................................. 59
7.12 Diagrama de blocos do associao entre a LEA com o controle MPC ..................... 60
7.13 Valores estimados dos estados - LEA controle MPC ........................................... 62
7.14 Resduos de estimao dos estados - LEA controle MPC ..................................... 63
7.15 Valores reais e estimados de k
12
, k
23
e k
34
- LEA controle MPC............................ 63
7.16 Valores reais e estimados de k
2
e k
4
- LEA controle MPC.................................... 64
7.17 Sinal dos atuadores - LEA controle MPC ......................................................... 64
viii
7.18 Valores medidos e referncia da aplicao de controle MPC com LEA em toda a
faixa de operao do sistemas de nvel de lquidos .............................................. 66
7.19 Valores estimados dos estados - LE controle MPC.............................................. 67
7.20 Detalhe dos valores estimados dos estados - LE controle MPC.............................. 68
7.21 Sinal dos atuadores - LE controle MPC ........................................................... 68
LISTA DE TABELAS
6.1 Algoritmos de Controle Preditivo ................................................................... 44
7.1 Alteraes no valor de k
12
............................................................................. 52
7.2 Alteraes no valor de k
23
............................................................................. 53
7.3 Alteraes no valor de k
34
............................................................................. 53
x
LISTA DE SMBOLOS
Smbolos
A rea [m
2
]
A
n
Area da seco transversal do tanque n [cm
2
]
C
n
Capacitncia do tanque n [cm
2
]
R
nm
Resistncia do tanque n para o tanque m [s/cm
2
]
h
n
Nivel do tanque n [cm]
H
n
Nivel do tanque n no ponto de operacao [cm]
h
n
Variacao do nivel do tanque n em torno do ponto de operacao [cm]
q
nm
Vazao do tanque n para o tanque m [cm
3
/s]
Q
nm
Vazao do tanque n para o tanque m em regime permanente [cm
3
/s]
P Matriz de covarincia de estado
Q Matriz de covarincia do rudo de processo
R Matriz de covarincia do rudo de medio
y
k
Sinal medido no instante k
x
k
Sinal real no instante k
x
k
Sinal estimado no instante k
x Vetor de estados
x Vetor de estados estimados
y Vetor de sadas do sistema
w Vetor de rudo do processo
xi
Siglas
ABNT Associao Brasileira de Normas Tcnicas
AGPC Adaptive Generalized Predictive Control
ARX Autoregressive with exogenous inputs
CARIMA Controllerd Auto-Regressive Integrated Moving Average
DMC Dynamic Matrix Control
FIR Finite impluse response
FK Filtro de Kalman
FKE Filtro de Kalman Estendido
FKU Filtro de Kalman Unscented
FMP Following Model Predictive control
GPC Generalized Predictive Control
GPCI Generalized Predictive Control with an internal model
GPCT Generalized Predictive Control with a T-Filter
IHPC Innite Horizon Predictive Control
IMC Internal Model Control
LEA Linearizao Exata Adaptativa
LQMPC Linear Quadratic optimal Model Predictive Control
MPC Model Predictive Control
NMPC Nonlinear Model Predictive Control
PFC Predictive Funcional Control
UPC Unied Predictive Control
UT Unscented Transform
Captulo 1
Introduo
Este captulo apresenta a principal motivao
desta dissertao de mestrado. Os objetivos so
apresentados, visando assim satisfazer um con-
junto de caractersticas prescritas para este tra-
balho. Por m, apresenta-se a estrutura do ma-
nuscrito.
1.1 Contextualizao
Sistema dinmicos industriais e acadmicos so freqentemente utilizados em conjuntos com
controladores, visando torn tais sistemas mais rpidos, exatos e conveis baseando-se em requi-
sitos especcos de cada caso. No meio acadmico existem estudos e implementaes de diversas
tcnicas de controle de processos, como controle PID, controle timo, controle preditivo, controle
robusto, controle por alocao de plos, controle por modos deslizantes e outras tcnicas de controle
no-linear.
O controle preditivo juntamente com os controladores Proporcional-Integral-Derivativo (PID)
compem as tcnicas de controle mais utilizadas nas indstrias do mundo como apresentam Ri-
chalet et al. em [Richalet 1993]. As diversas outras tcnicas, como controle H
2
e H

, so
mais restritas ao meio acadmico e esto pouco presentes na engenharia prtica e experimen-
tal [Qin e Badgwell 1996]. Segundo [Findeisen 2002], dentre as tcnicas modernas de controle de
processos, somente o Controle Preditivo Baseado em Modelo est presente de forma signicativa
nas industrias. Poucas tcnicas em Engenharia de Controle gozam do privilgio de estar presente
no mundo dos problemas mais prticos, como a indstria, no meio acadmico e ainda ser uma
tcnica bastante intuitiva e funcional como o controle preditivo.
As pesquisas associadas s estratgias de controle preditivo no-linear tm apresentado grande
crescimento ultimamente, registrando, tambm, um nmero considervel de aplicaes na indstria.
Apesar disso, muitas questes continuam em aberto, especialmente, aquelas associadas estimao,
adaptao, robustez e otimizao.
A representao de um processo complexo atravs de um modelo no-linear, com o objetivo de
melhorar seu desempenho dinmico, tende a prejudicar a simplicidade de projeto do controlador
preditivo. Com o objetivo de unir as vantagens das duas abordagens: a representao da no-
1
linearidade de um processo com a simplicidade de projeto, propoem-se o uso da linearizao exata
adaptativa (LEA) ao controle de sistemas no-lineares.
1.2 Denio do problema
A grande maioria dos sistemas encontrados no mundo fsico possuem no-linearidades das mais
diversas, alm de restries de atuao e medio. Em contrapartida a grande maioria das tcnicas
de controle de processos so tcnicas lineares que, em princpio, deveriam ser aplicadas somente a
sistemas lineares. Assim tem-se uma situao complicada: abordagens lineares para processos no-
lineares, o que restringe a aplicao a prticos. A aplicao direta de tcnicas lineares a sistemas
no-lineares , geralmente, restrita a uma pequena excurso em torno de um ponto de operao
do sistema.
O sistema de nvel de lquidos do LAVSI (Laboratrio de Automao, Viso e Sistemas Inteli-
gentes) um sistema no-linear multivarivel. Este sistema ilustra bem vrias das diculdades da
aplicao de tcnicas de controle linear a sistemas no-lineares [Bernardes et al. 2006]. Entre as
diculdades de controle pode-se destacar a variao do modelo com o ponto de operao (altura
no nvel de lquido como ser visto no Captulo 3). Isso pode ser minimizado utilizando-se con-
trole linear de pequenos sinais em pontos de operao, especcos como ilustrado pelo controle no
espao-de-estados apresentado por Freitas et al. [Freitas, Borges e Bauchspiess 2004].
O controle de sistemas no-lineares utilizando controladores lineares projetados para pontos
de operao gozam de pouca aplicabilidade, pois so restritos aos pontos para os quais foram
projetados. Um controle no ponto de operao do sistema de nvel lquidos projetado para nveis
baixo, at 10cm, no funciona quando se aplica a outro ponto do mesmo sistema, exemplo referncia
em 20cm. Assim torna-se complicado a aplicao de tcnicas de controle linear para controlar o
sistema de nvel de lquidos.
A utilizao de controle por linearizao exata (LE), [Isidori 1989, Sousa 1998], elimina o pro-
blema do ponto de operao, permitindo um bom controle em toda a faixa de operao. Outro
problema surge em decorrente da aplicao direta da Linearizao Exata, a forte dependncia de
uma estrutura de modelo coerente com o processo fsico e corretos valores de seus parmetros.
Asssim aplicando-se a linearizao exata ao processo de nvel de lquidos espera-se que seja possvel
projetar controladores lineares ecientes em toda a faixa de operao do sistema.
Porm mesmo com a linearizao exata o sistema de nvel de lquido no controlado de forma
simples como apresenta Gosmann em [Gosmann 2002] que realiza a aplicao da linearizao exata
a um processo de nvel multivarivel, com trs tanques e duas bombas para entrada de lquido.
Nessa aplicao nota-se uma grande dependncia dos parmetros do processo para que o controle
por linearizao exata seja efetivo. Sabe-se que a variao dos parmetros com o tempo algo que
pode ocorrer neste tipo de processo e assim tambm afeta a acurcia do controlador.
Neste contexto temos dois pontos importante impossiblidade de projetar um controlador linear
que gere resultados satisfatrios em toda a faixa de operao do sistema de nvel de lquidos.
O segundo ponto relativo inuncia da variao paramtrica quando se utiliza a linearizao
2
exata aplicada ao sistema de nvel de lquido, assim a simples aplicao da linearizao exata no
possibilita um controle efetivo do sistema de nvel [Gosmann 2002].
1.3 Objetivos do projeto
Esse trabalho prope a utilizao da linearizao exata adaptativa, que tem o objetivo de
fornecer um modelo linear atualizado, que ser utilizado por um controlador preditivo linear ou
outra tcnica de controle linear. Tem-se assim um controle adaptativo de sistemas no-lineares,
onde as no-linearidades do processo so explicitamente consideradas na parte esttica do controle
do processo e a parte linear dinmica possiblita a aplicao de tcnicas lineares bastante difundidas
no meio acadmico.
A linearizao exata elimina a dependncia do ponto de operao dos sistemas no-lineares
[Sousa 1998] e gera um modelo linear para o controlador. A utilizao do ltro de Kalman es-
tendido associado linearizao exata minimizar os erros de modelagem da linearizao exata,
sendo que este um dos problemas da linearizao exata. Para a validao prtica essa estrat-
gia ser aplicada ao processo desenvolvido por Bernardes et al. em [Bernardes et al. 2006]. Em
[Freitas, Borges e Bauchspiess 2004] o ltro de Kalman estendido (FKE) foi aplicado com sucesso
ao sistema de nvel de lquidos de terceira ordem apresentado por Gosman em [Gosmann 2002].
A linearizao exata adaptativa a proposta apresentada neste trabalho para controle no-
linear. A LEA consiste no uso de um estimador sub-timo, um ltro de Kalman estendido, que
realiza a estimao de estados e parmetros do processo melhorando o controle no-linear por
linearizao exata. Nesta estratgia de controle temos um sistema dinmico composto por blocos
de sistemas SISO, mesmo para um sistema no-linear multivarivel, lineares e desacoplados que
podem ser controlados com tcnicas de sistemas lineares e um bloco de transformao de estados
no-linear esttico [Sousa 1998, Isidori 1989]. A Figura 1.1 apresenta a estrutura funcional da
linearizao exata adaptativa.
Figura 1.1: Estrutura funcional da linearizao exata adaptativa
3
1.4 Apresentao do Texto
Essa seco apresenta resumidamente o contedo dos 7 captulos seguintes desse trabalho.
Captulo 2: Estratgias de Controle No-Linear
No Captulo 2 feita uma reviso bibliogrca sobre o tema em estudo, apresenta estudo sobre
estimao e controle linear e no-linear. Uma reviso sobre controle de sistemas no-lineares feito
apresentando formas bastante utilizadas, desde a linearizao no ponto de operao ao controle no-
linear utilizando funes no-lineares no controlador. Inicialmente apresenta-se trabalhos com o
foco em estimao, tanto em batelada quanto estimadores recursivos baseados no ltro de Kalman,
posteriormente apresenta-se estratgias de controle de sistemas no-lineares, dando-se nfase em
procedimentos que utilizam tcnicas de controle linear aplicado a sistemas no-lineares.
Captulo 3: Sistema de Nvel de Lquidos
O Captulo 3 mostra de forma sucinta o sistema de nvel de lquidos no-linear do LAVSI.
Este processo possui quatro tanques acoplados com duas entradas de lquidos e duas sadas. A
estesistema no-linear a metodologia desenvolvida neste trabalho ser aplicada.
Captulo 4: Estimao No-Linear Beseada no Filtro de Kalman
O Captulo 4 apresenta o ltro de Kalman estendido. O FKE permite a aplicao do ltro
de Kalman a sistemas no-lineares, o ltro de Kalman(FK) um estimador recursivo timo para
sistemas lineares. O FKE um estimador sub-timo para sistemas no-lineares, onde o ltro
de Kalman pode ser aplicado a sistemas no-lineares utilizando o respectivo modelo linearizado
localmente na propagao da matriz de covarincias.
Captulo 5: Linearizao Exata Adaptativa
O Captulo 5 descreve a metodologia empregada no desenvolvimento do projeto da linearizao
exata adaptativa que faz uso da estimao conjunta de estados e parmetros pelo FKE, apresentado
no Captulo4, para adaptar os parmetros da linearizao exata do sistema tornando-a mais robusta
e sensvel a mudanas durante a execuo do controle.
Captulo 6: Controle Preditivo Baseado em Modelo
O Captulo 6 apresenta o controle preditivo baseado em modelo (MPC), uma tcnica de controle
usual para sistemas lineares, aplicado a um sistema no-linear com a linearizao exata adaptativa.
Assim tem-se uma tcnica de controle eciente para processos no-lineares multivariveis.
4
Captulo 7: Resultados Simulados
Resultados de simulaes so discutidos no Captulo 7 com aplicaes da associao entre a
linearizao exata adaptativa e controle preditivo baseado em modelo e proporcional-integral (PI).
Captulo 8: Concluses e Pesquisa Futuras
O Captulo 8 apresenta as concluses desse trabalho.
5
Captulo 2
Estratgias de Controle No-Linear
Este captulo apresenta uma reviso sobre con-
trole e estimao linear de processos no-lineares.
Inicialmente apresenta-se a parte de estimao
para controle seguida de uma apresentao de al-
gumas implementaes de controle para sistemas
no-lineares.
Introduo
O controle de sistemas no-lineares objeto de estudo de diversos trabalhos acadmicos e in-
dustriais. Este captulo apresentar algumas estratgias de estimao e controle de sistemas no-
lineares. Os trabalhos escolhidos so baseados em dissertaes de mestrado, teses de doutorado,
artigos publicados em peridicos ou recentes conferncias. Inicialmente apresenta-se estudos sobre
estimao de sistemas lineares e no-lineares utilizando diversas tcnicas, como estimao multi-
modelos em batelada, estimao recursiva pelo ltro de Kalman e suas derivaes no-lineares
e trabalhos baseados em estimao recursiva pelo mtodo dos mnimos quadrados. Alm disso
mostra-se de forma resumida uma estrutura de controle preditivo no-linear com funes no-
lineares explicitamente utilizadas na funo de custo, alm de diversas aplicaes de tcnicas li-
neares a sistemas no-lineares, controle preditivo e controle robusto. Tcnicas utilizando sistemas
inteligentes para controlar e estimar sistemas sero tambm apresentadas, assim como recentes
publicaes envolvendo alguma forma de adaptao nos parmetros da funo no-linear esttica
da linearizao exata.
2.1 Estimao para Controle
O trabalho de Schn [Schn 2001] apresenta uma tcnica de identicao multi-modelos para
aplicao em controle preditivo. Com foco em identicao de sistemas, com o objetivo de utilizar
modelos como base para um controlador preditivo. Assim o modelo interno do controlador
identicado de diversas formas em diversos pontos de operao com uso de estimao em batelada.
Neste tipo aplicao tem-se diferentes modelos para os diferentes pontos de operao, como
o trabalho trata apenas do problema de identicao para controle preditivo deve-se utilizar o
6
modelo identicado em cada passo da predio ou utilizar um controlador de escalonamento de
ganho.
Bitencourt Junior em [Bitencourt Junior 2003] faz um estudo sobre aplicaes do ltro de
Kalman como estimador recursivo aplicado a sistemas no-lineares. Nesse estudo alm da descrio
original do ltro de Kalman outras duas derivaes do algoritmo so desenvolvidas para sistemas
no-lineares: o ltro de Kalman estendido (EKF) e o Filtro de Kalman Unscented (UKF).
Alm da teria bsica de estimadores recursivos, especialmente sobre o ltro de Kalman, Biten-
court Junior apresenta aplicaes da estimao recursiva de sistemas no-lineares aplicados ao sis-
tema de Lorenz e ao Circuito de Chua [Aguirre 2004, cap. 15],[Aguirre, Rodrigues e Mendes 1997].
Mostra tambm que devido s no-lineares do sistema catico de Chua o UKF apresenta melhores
resultados que o EKF pois este utiliza um modelo linearizado na propagao das covarincias, veja
no captulo 4 seo 4.2, diferente do UKF que utiliza a Transformao Unscented, proposta por
Julier et al. em [Julier, Uhlmann e Durrant-Whyte 2000], para propagao de covarincias como
discutido em [Bitencourt Junior, Torres e Aguirre 2004].
Wan et al. em [Wan, Merwe e Nelson 2000] apresenta o ltro de Kalman Unscented como
derivao do ltro de Kalman baseado na transformada Unscented. O FKU tem-se mostrado
uma tcnica de estimao de sistemas no-lineares bastante ecaz, principalmente em sistemas que
possuem no-linearidades complexas, neste caso o FKU pode-se destacar em relao aplicao
do FKE e mesmo em relao a ltro de partculas [Blviken et al. 2001], veja Borges e Menezes
em [Borges G.A. 2006].
2.2 Controle Preditivo No-Linear Direto
Os processos industriais devem operar sob especicaes de desempenho e segurana, alm de
um conjunto de restries. Assim as diversas tcnicas de aplicao de controle preditivo a sistemas
no-lineares [Findeisen 2002] torna-se uma abordagem interessante. O controle preditivo no-linear
direto
1
utiliza o modelo no-linear do processo diretamente na funo de custo a ser minizada. Isto
leva a um problema que normalmente no tem soluo tima garantida [Qin e Badgwell]. Assim o
controle preditivo no-linear direto ca restrito a problemas onde possvel encontrar uma soluo
tima global garantida. Neste contexto difcil garantir estabilidade e convergncia da soluo.
No caso linear com funo de custo quadrtica tem-se uma nica soluo tima [Rossiter 2003,
Camacho e Bordons 2003]. A Figura 2.1 mostra a estrutura do controlador preditivo no-linear
apresentada por Findeisen e Allgower em [Findeisen 2002].
A Figura 2.1 apresenta os blocos funcionais do controle preditivo direto aplicado por Findeisen
e Allgower: a planta no-linear, um estimador de estados e o controlador preditivo no-linear.
Sendo o controlador composto por: um modelo interno da planta, uma funo de custo associada
a restries nos estados e um otimizador dinmico.
1
O termo Controle Preditivo No-Linear Direto usado neste trabalho para diferenciar do Controle Preditivo
No-Linear baseado em Modelos Lineares, ou seja, este o tipo de controle que utiliza a funo no-linear do sistema
de forma explcita na funo de custo a ser otimizada.
7
Figura 2.1: Estrutura de Controlador Preditivo No-Linear apresentado por Findeisen e Allgower
[Findeisen 2002]
2.3 Controle No-Linear Baseado em Modelos Lineares
O trabalho de Pimenta [Pimenta 2003] apresenta um controle preditivo generalizado adapta-
tivo, do ingls Adaptive Generalized Predictive Control (AGPC) com base em modelos identicados
pelo mtodo dos mnimos quadrado [Isermann R. 1992, Ljung 1999] ou pelo mtodo do gradiente.
Note que o modelo dever ser diferente para cada ponto de predio e assim de forma correspon-
dente ser calculado o sinal de controle com o Generalized Predictive Control (GPC).
A estimao e a modelagem baseada no ltro de Kalman estendido outra forma comum de
utilizao de tcnicas lineares de controle preditivo, como o recente trabalho de Bellemans et al.
[Bellemans, De Schutter B. e De Moor 2006], que faz a aplicao do FKE para identicao de
modelos do processo para uso no controlador linear. Nesse recente trabalho o modelo interno do
controlador alterado a cada instante de amostragem, ou seja, o modelo utilizado um modelo
com estados estimados pelo FKE. Esse modelo , na verdade o mesmo utilizado na propagao da
matriz de covarincias da estimao recursiva via ltro de Kalman, veja mais detalhes nas Sees
4.1 e 4.2.
Uma abordagem comum em aplicaes de controle preditivo linear em sistemas no-lineares
a utilizao de modelos de Hammerstein e de Wiener como apresentam os trabalhos de Go-
mez em [Gomez, Jutan e Baeyens 2004], Bloemen et. al em [Bloemen, Boom e Verbruggen 2000]
e Yun em [Yun et al. 2005]. Tais modelos so compostos por dois elementos bsicos um mode-
lo dinmico linear e um bloco estatico no-linear na entrada, no caso dos modelos de Ham-
merstein, ou na sada, caso de Wiener. Muitos processos podem ser modelados dessa forma
[Fruzzeti, Palazoglu e Mcdonald 1997]. Assim pode-se controlar um sistema no-linear com tcni-
8
cas de controle preditivo linear como apresentado em [Abdennour M. Ksouri 2002] por Abdennour
e por Cervante et al em [Cervantes, Agamennoni e Figueroa 2003] onde se utilizam tcnicas de
estimao recursiva com controle preditivo na parte dinmica linear dos modelos de Hammerstein
e Wiener.
Fruzzetti et al. em [Fruzzeti, Palazoglu e Mcdonald 1997] apresentam um tcnica de controle
preditivo no-linear que utiliza modelo de Hammerstein, cuja estrutura ilustrada na Figura 2.2,
onde F representa um ltro linear, G
c
o controlador preditivo baseado em modelo, do ingls
Model Predictive Control, (MPC) linear, NL o elemento esttico no-linear, NL
I
a inversa da
no-linearidade NL (suas razes), x a sada do controlador, y
m
a sada do modelo e h uma
varivel auxiliar de forma que h = y y
m
.
,
Figura 2.2: Estrutura do Controlador de Fruzzetti
A funo custo a ser minimizada :
J
f
=
N
2

i=N
1
e
2
(t +i) +
N
u

i=1
x
2
(t +i 1), (2.1)
onde e so as respectivas ponderaes de e(t) e x.
Como a no-linearidade do sistema representa por uma expanso polinomial nita, a inversa
da no-linearidade pode ser representada diretamente utilizando suas razes. O projeto do con-
trolador preditivo linear gerando x(t) que, a partir de NLI, gera o sinal de controle, u(t), a ser
aplicado na planta. O sinal de controle deve ser selecionado dentre as razes vlidas (valores reais
que atendam s restries) do polinmio de NL, equao (2.1), sendo recomendvel que este tenha
grau impar para garantir pelo menos uma soluo real.
O controle linear robusto H

aplicado a sistemas no-lineares foi objeto de estudo da tese

de doutorado de Franco [Franco 2006]. Nesse trabalho a aplicao da tcnica de controle robusto
linear foi utilizada como controlador de um sistema no-linear de levitao magntica a partir da
linearizao exata robusta apresentada em [Franco et al. 2006].
A principal decincia da linearizao exata clssica
2
citada na tese a dependncia desta
tcnica dos valores dos parmetros do processo. Um dos objetivos do corrente trabalho resolver
este problema com a adpatao da linearizao exata, ver seo de objetivos 1.3.
2
Temo utilizado pela autora da tese para diferenciar da linearizao robusta proposta em [Franco 2006,
Franco et al. 2006]
9
A linearizao exata robusta uma tcnica que produz como resultado um modelo linearizado
em cada ponto de operao do processo. Seja o seguinte sistema no-linear:
_

_
x = f(x) +g(x)u = f(x) +
m

i=1
g
i
(x)u
i
,
y = (x),
(2.2)
um sistema no-linear quadrado, ou seja, como m entradas e m sadas. O modelo utilizado no
controle robusto via linearizao exata robusta ser obtido como uma aproximao linear do sistema
2.2 em torno de x
0
. O resultado da tal aproximao (escolhido, sem perda de generalidade, como
x
0
= 0)[Franco 2006, cap. 1] dado por:
_
x = A
r
x
r
+B
r
v
r
,
y = C
r
x,
(2.3)
onde:
A
r
=
f
x
|
x=0
, (2.4)
B
r
= g(0), (2.5)
C
r
=

x
|
x=0
, (2.6)
note que o sinal de controle utilizado v
r
e no u
r
, ou seja, este no o sinal que ser aplicado no
processo no-linear, pois se fosse aplicado este diretamente no processo tem-se a linearizao no
ponto de operao. Em [Franco et al. 2006] apresenta-se a transformao necessria para mudar o
sinal de atuao do modelo linear para o sinal de atuao a ser enviado para o processo no-linear.
Novamente ressalta-se o grande interesse acadmico na utilizao de tcnicas lineares aplicadas a
sistemas no-lineares.
Figura 2.3: Sistema de dois tanques acoplados apresentado Poulsen et al.
A aplicao de controle preditivo linear em sistema no-linear de nvel de lquidos foi objeto
de estudo do trabalho apresentado por Poulsen em [Poulsen, Kouvaritakis e Cannon 2001]. Nesse
10
trabalho foi utilizado um sistema de nvel de lquidos com dois tanque acoplados, como mostrado
na Figura 2.3. A equao 2.7 apresenta um modelo modicado do sistema, onde os nvel dos
tanques h
1
e h
2
so as variveis de estado do sistema no-linear e a sada do sistema o nvel do
tanque 2, y = h
2
, os tanques esto acoplados por uma vlvula pela qual passa um uxo dependente
da diferena de nvel. A sada de lquido do sistema ocorre pelo tanque 2, que tambm funo
do nvel neste tanque, q
o
= k
2

h
2
. Assim tem-se o seguinte modelo no-linear do sistema:
_

h
1
= q
i
k
12

h
1
h
2

h
2
= k
12

h
1
h
2
k
2

h
2
(2.7)
A aplicao da linearizao exata foi empregada para possibilitar a aplicao do controle
linear ao sistema. O controle MPC com restries aplicado no modelo fornecido pela Line-
arizao Exata do modelo mostrado em 2.7 foi implementado e comparado a um controlador
PID para aplicaes em pequenos sinais como apresentado na seco de resultados do trabalho
[Poulsen, Kouvaritakis e Cannon 2001]. Vale ressaltar que este processo um sistema SISO e que
o controlador no possui caracterstica antecipativa. Assim, a equao esttica da linearizao
exata :
(u, h) = (
1
u
t
+
2
)
_
h
1
h
2
+
3
(
h
1
h
2
h
2
1)
_
h
2
, (2.8)
onde:

1
=
2C
a
2
, (2.9)

2
= C(2a
2

a
2
1
a
2
)e (2.10)

3
= a
1
C, (2.11)
para maiores detalhes de como a equao (2.8) foi encontrada ver texto original de Poulsen et al.
em [Poulsen, Kouvaritakis e Cannon 2001].
A equao (2.7) foi adaptada para a forma de modelagem utilizada nesse trabalho, pois os
autores no trabalham a notao compacta com k2 e k12. Logo no texto original tem-se que:
k
12
=
1
a
1
_
2g, (2.12)
k
2
=
0
a
0
_
2g, (2.13)
onde:
a
0
= 0, 8cm
2
(2.14)
a rea da seco transverso da conexo entre os tanques,
a
1
= 0, 5cm
2
(2.15)
11
a rea da seco transverso da conexo de sada do tanque 2 e
C = 153, 9cm
2
(2.16)
a rea da seco transversal dos tanques 1 e 2. Assim substitundo os valores de k
12
e k
2
, equaes
(2.12) e (2.13), na equao 2.7 tem-se o modelo original [Poulsen, Kouvaritakis e Cannon 2001].
2.4 Controle No-Linear via Sistemas Inteligentes
As redes neurais articiais so aproximadores universais, como a lgica fuzzy [Ljung 1999],
[Haykin 2001] e [Hangos, Bokor e Szederknyi 2004]. As redes neurais so aplicadas em engenha-
ria de controle tanto na identicao quanto no controle de sistemas no-lineares [Haykin 2001,
Haykin 2001, Huang e Lewis 2003]. O controle preditivo utilizando redes neurais articiais bas-
tante comum como mostram os recentes trabalhos de Peng et al. [Peng, Nakano e Shioya 2007],
Kishor e Singh [Kishor e Singh 2007] e Smith e Hashtrudi-Zaad [Smith e Hashtrudi-Zaad 2005]. A
lgica fuzzy bem como sistemas neuro fuzzy so freqentemente utilizados em sistemas de controle
seja para identicar ou mesmo como controlador de processos no-lineares [Lu e Tsai 2007].
Peng et. al em recente trabalho [Peng, Nakano e Shioya 2007] apresentam uma estrutura mista
com redes neurais de base radial (RBF), acrnimo do ingls radial basis function, com lineariza-
o local baseada em modelos auto-regressivo com entradas exgenas (ARX), acrnimo do ingls
autoregressive with exogenous inputs, para descrever a dinmica de processos industriais que
possuem no-linearidades suaves e no-estacionrias. Essa estrutura permite o tratamento de pro-
cessos variantes no tempo e dependentes do ponto de operao, desde que tenham localmente um
comportamento linear, tendo assim um modelo RBF-ARX, associao entre redes neurais de base
radial e um modeloo auto-regressivo com entradas exgenas.
O modelo RBF-ARX um modelo pseudo-linear previamente identicado, a rede de base ra-
dial servir para denio do ponto de operao, atuando como um escalonador de ganho. Em
[Peng, Nakano e Shioya 2007] apresenta-se tambm um controlador preditivo no-linear baseado
no modelo RBF-ARX, alm disso discute-se a estabilidade do controlador no-linear sob certas
circunstncias. A praticidade e eccia desse controlador, assim como as melhorias, so demons-
tradas com uma aplicao industrial ao processo de decomposio do xido do nitrognio (NO
x
)
em plantas trmicas.
2.5 Linearizao Exata Adaptativa
Os trabalhos de [Zhang e Singh 2001] e [Ko, Strganac e Kurdila 1999] fazem aplicaes de li-
nearizao exata adaptativa em sistemas no-lineares. Esses trabalhos apresentam aplicaes de
linearizao exata com estimadores recursivos para adaptao dos parmetros.
Diferentemente do presente trabalho aqueles autores no aplicam tcnicas de controle preditivo
nem utilizam o ltro de Kalman na estimao dos parmetros. Este dois trabalhos tm foco na
linearizao exata adaptativa associada a estimadores recursivos de estados e parmetros. Neste
12
trabalho o foco ser a associao do ltro de Kalman com a linearizao exata que possibilita
aplicao de tcnicas de controle linear a sistemas no-lineares.
2.6 Resumo do Captulo
O foco deste captulo foi mencionar trabalhos recentes onde houve a aplicao de tcnicas
e aplicaes recentes de controle de sistemas no-lineares, principalmente aplicaes de mtodos
lineares. A seo 2.1 apresentou trabalhos com foco em tcnicas de estimao iniciando com um
trabalho de estimao em batelada. Apresentou tambm trabalhos de estimao baseados no
ltro de Kalman e suas derivaes, assim mostrou-se a importncia acadmica dos estudos de
identicao de sistemas e de estimao de estados e parmetros com o ltro de Kalman estendido
e com o ltro de Kalman unscented, sendo que tambm foi apresentada a origem da transformao
unscented que permite a propagao das covarincias do ltro de Kalman de forma no-linear.
A seo seguinte mostrou alguns trabalhos de controle preditivo utilizando funes no-lineares
diretamente no clculo da funo de otimizao. A seo 2.3 apresentou o contexto principal
deste trabalho: a aplicao de tcnicas de controle linear em sistemas no-lineares. Incialamente
mencionou-se uma tese de doutorado onde estimadores recursivos associados a GPC foi utilizado
para controlar juntas robtica de forma adaptativa. Foi citado um recente trabalho que utiliza o
FKE como estimador recursivo de estados e de modelo linearizado como modelo interno de um
controlador preditivo.
Outros trabalhos que utilizam modelos de Hammerstein e Wiener foram apresentados como
forma de aplicar o conhecimento de controle linear em sistemas no-lineares, tendo um modelo
dinmico linear e uma funo no-linear esttica.
A linearizao exata robusta proposta em [Franco et al. 2006] como tcnica capaz de gerar
sistemas lineares para aplicao de controladores lineares robustos mostra o recente interesse aca-
dmico pela aplicao de tcnicas lineares a sistemas no-lineares como abordagem de controle de
processos.
Ao nal da seo foi mostrado o trabalho [Poulsen, Kouvaritakis e Cannon 2001] desenvolvido
por Poulsen et al. onde utiliza-se linearizao exata associada a controle preditivo baseado em mo-
delo linear para controlar um sistema de nvel SISO, processo de dois tanques acoplados. Poulse
et al. trabalha com um sistema onde as vlvulas no so modicadas durante a operao e com-
para resultados de controle preditivo baseado em modelo como controle proporcional, integral e
derivativo em grandes sinais utilizando degrua de 20 cm de altura para a referncia.
A seo 2.4 citou alguns trabalhos de redes neurais e lgica fuzzy no controle preditivo de
sistemas no-lineares, a seo seguinte mencionou alguns trabalhos de linearizao exata com
adaptaes nos parmetros da funo no-linear, estimados de forma recursiva.
13
2.7 Concluses
Atualmente tcnicas de controle no-linear de diversas formas esto em estudo por pesqui-
sadores, mas a aplicao de tcnicas de controle linear em sistemas reais ainda uma realidade
em pesquisa, como foi apresentado neste captulo, assim pode-se concluir que tcnicas como a
linearizao exata adaptativa possui expressivo interesse para aplicaes prticas de controle de
processos.
14
Captulo 3
Sistema de Nvel de Lquidos
Este captulo apresenta o sistema multivarivel de
nvel de lquidos do laboratrio LAVSI-UnB. Um
processo de quatro tanques, duas entradas e duas
sadas, onde o quarto tanque possui seco tran-
versal varivel a partir de um tero da altura to-
tal.
Introduo
O processo de nvel de lquidos do LAVSI mostrado na Figura 3.1, composto por quatro
tanques acoplados e duas entradas e duas sadas de lquido conforme esquematizado na Figura 3.2.
Pode-se observar que o tanque 1 possui alimentao de lquido atravs da entrada 1, u
1
, e est
acoplado ao tanque 2 por uma vlvula regulvel. O tanque 2 possui sada de lquido atravs de
uma vvlvula de sada e est acoplado ao tanque 3 por uma vlvula regulvel. O tanque 3 possui
alimentao de lquido atravs da entrada 2, u
2
, e est acoplado ao tanque 4 por uma vlvula
regulvel.
As variveis de estado so as alturas de lquido nos tanques, h
1
, h
2
, h
3
e h
4
. As variveis
manipuladas so as vazes das bombas 1 e 2, q
i1
e q
i2
, respectivamente. Nesta congurao tem-se
um sistema multivarivel de quarta ordem. As entradas de lquidos q
i1
e q
i2
esto conectadas nos
tanques 1 e 3, respectivamente. As variveis controladas so as alturas dos nveis dos tanque 2 e
4, repectivamente h
2
e h
4
.
O sinal de controle do sistema pode assumir tanto valores positivos quanto negativos, como
apresentado por Bernardes et al. em [Bernardes et al. 2006]. Isso ocorre porque para cada entrada
tem-se duas bombas uma para colocar e outra para retirada de lquido nos tanques 1 ou 3, veja as
equaes do sistema no-linear em 3.3. Onde pode-se observar as entradas inuenciado as variveis
h
1
e h
3
.
Com isso pode obter diversas conguraes de sistemas SISO, MIMO ou MISO, dependendo
das sadas desejadas, escolhidas dentre as variveis de estado: h
1
, h
2
, h
3
e h
4
. Neste trabalho
apresenta-se principalmente a congurao multivarivel com as variveis de sada sendo as alturas
nos tanques 2 e 4, tem-se assim um sistema com duas entradas e duas sadas, veja equaes (3.3).
15
Figura 3.1: Imagem do Processo de Nvel de Lquidos
3.1 Modelo No-Linear
A modelagem matemtica de um sistema fsico muitas vezes realizada utilizando-se simpli-
caes para permitir simulaes e o estudo dos sistemas dinmicos. Para a modelagem do sistema
de nvel de lquidos assumem-se as seguintes simplicaes:
1. A gua imcompressvel;
2. A perda de carga nos dutos que transportam gua nula;
3. O uxo de sada turbulento (k

h)
1
4. A variao no nvel de tanque dada pela diferena entre entrada e sada de lquidos naquele
tanque. A equao 3.1 mostra essa relao
5. A equao de Bernoulli vlida;
Assim pode-se utilizar a seguinte expresso:
dv
dt
= A
dh
dt
=

q
i

q
o
, (3.1)
1
O uxo de sada turbulento pode ser descrito por q
o
= k

h. De fato, para uma modelagem mais precisa

teriamos que adotar q
o
= k(h)

h. Para uxo laminar teriamos que adotar q

o
= k h
16
Figura 3.2: Esquemtico do Processo de Nvel de Lquidos
para obter a variao do volume em um determinado tanque, onde:
v - volume de lquido no tanque em cm
3
;
A - rea da seco tranversal do tanque em cm
2
;
h - o nvel de lquido no tanque em cm;
q
i
- a vazo de entrada no tanque em cm
3
/s;
q
o
- a vazo de sada do tanque em cm
3
/s;
A equao que determina a vazo de sada de lquido pode ser obtida como conseqncia da
aplicao da equao de Bernoulli. Podemos tambm simplicar tal resultado e colocar apenas um
parmetro, k, e assim a vazo em funo da altura resulta em:
q = k

h, (3.2)
onde o parmetro k depende de diversos fatores como a geometria de vlvula e da acelerao da
gravidade, sua dimenso cm
2,5
/s.
Utilizando as simplicaes aqui apresentadas pode-se obter o seguinte modelo no-linear para
o sistema de nvel de lquidos de quarta ordem:
_

_
A
1

h
1
= q
i1
(t) q
12
(t)signal(h
1
(t) h
2
(t)) q
o1
(t)
A
2

h
2
= q
12
(t)signal(h
1
(t) h
2
(t)) q
23
(t)signal(h
2
(t) h
3
(t)) q
o2
(t)
A
3

h
3
= q
i3
(t) +q
23
(t)signal(h
2
(t) h
3
(t)) q
34
(t)signal(h
3
(t) h
4
(t)) q
o3
(t)
A
4

h
4
= q
34
(t)signal(h
3
(t) h
4
(t)) q
o4
(t)
(3.3)
O modelo apresentado pelas equaes (3.3) considera sada de lquidos em todos os tanques,
como no tanque 1 e 3 temos entrada de lquidos pode-se simplicar o modelo considerando apenas
17
o sinal de atuao nos tanques 1 e 3. Na verdade nestes tanques no existe sada de lquidos, como
mostra [Bernardes et al. 2006], o que ocorre uma sada pela conexo das bombas de entrada e
retirada de lquido. Assim obtm-se o modelo:
_

_
A
1

h
1
= q
1
(t) q
12
(t) signal(h
1
h
2
)
A
2

h
2
= q
12
(t) signal(h
1
h
2
) q
23
(t) signal(h
2
h
3
) q
o2
(t)
A
3

h
3
= q
i3
(t) +q
23
signal(h
2
h
3
) q
34
(t) signal(h
3
h
3
)
A
4

h
4
= q
34
(t) signal(h
3
h
4
) q
o4
(t),
(3.4)
onde:
A
i
- rea da seco tranversal do tanque i em cm
2
em funo do nvelno respectivo tanque,
h
i
- o nvel no tanque i em cm,
q
i1
- a vazo de entrada (positiva ou negativa) de lquido no tanque 1 em cm
3
/s,
q
i3
- a vazo de entrada (positiva ou negativa) de lquido no tanque 3 em cm
3
/s,
q
o2
- a vazo de sada de lquido do tanque 2 em cm
3
/s,
q
o4
- a vazo de sada de lquido do tanque 4 em cm
3
/s,
q
12
- a vazo entre os tanques 1 e 2 em cm
3
/s,
q
23
- a vazo entre os tanques 2 e 3 em cm
3
/s,
q
34
- a vazo entre os tanques 3 e 4 em cm
3
/s,
A funo signal denida da seguinte forma:
signal =
_
1, se x 0
1, se x < 0.
(3.5)
A rea da seco tranverso do tanque 4 sofre variao com o nvel, mas as reas dos tanques 1,
2 e 3 podem ser consideradas constante e iguais a: 60cm
2
. Para o tanque 4 at o nvel de 14, 7cm
a rea da seco transversal de 60cm
2
aps este nvel a rea sofre aumento linear com o nvel do
lquido como mostra a equao
2
A
4
=
_

_
60cm
2
h
4
< 14, 7cm
_
(h
4
14, 7)
20, 2 10
49, 5 14, 7
+ 10
_
6 h
4
14, 7cm.
(3.6)
2
Os valores indicados n frao
20, 2 10
49, 5 14, 7
representam as seguintes caractersticas:
10 - a menor largura do tanque,
20,2 - largura do tanque 4 na altura mxima,
14,7 - altura onde se inicia a variao de largura,
49,5 - altura mxima do tanque.
18
A equao 3.6 mostra que o tanque 4 do sistema de nvel de lquidos do LAVSI possui uma
seco tranversal varivel quando a altura passa de 14, 7 cm. A rea da seco tranversal tem valor
mnimo de 60cm
2
, e atinge o valor de 121, 2 cm
2
quanto o nvel do tanque de 49, 5 cm. Este
tanque possui como anlogo eltrico um capacitor cuja capacitncia varivel.
A variao da rea da seco tranversal gera um sistema que precisa de uma adaptao no
controle para o nvel, pois a linearizao do modelo em um ponto com o ponto de operao do
sistema no satisfatria.
Utilizando a equao (3.2) pode-se obter os valores das vazes entre os tanques do modelo
no-linear, equao (3.3), obtendo as equaes:
q
o2
= k
o2
_
h
2
(t), (3.7)
q
o4
= k
o4
_
h
4
(t), (3.8)
q
12
= k
12
_
|h
1
(t) h
2
(t)|, (3.9)
q
23
= k
23
_
|h
2
(t) h
3
(t)|, (3.10)
q
34
= k
34
_
|h
3
(t) h
4
(t)|, (3.11)
substituindo-se os valores das equaes (3.7) a (3.11) na equao (3.4) temos o seguinte modelo
no-linear:
_

_
A
1

h
1
= q
i1
(t) k
12
_
|h
1
h
2
|signal(h
1
h
2
)
A
2

h
2
= k
12
_
|h
1
h
2
|signal(h
1
h
2
) . . .
k
23
_
|h
2
h
3
|signal(h
2
h
3
) k
o2

h
2
A
3

h
3
= q
i2
(t) +k
23
_
|h
2
h
3
|signal(h
2
h
3
) . . .
k
34
_
|h
3
h
4
|signal(h
3
h
4
)
A
4

h
4
= k
34
_
|h
3
h
4
|signal(h
3
h
4
) k
o4

h
4
(3.12)
3.2 Limitaes de Atuao e Referncias
O atuador do sistema de nvel de lquidos um conjunto formado por duas moto-bombas, assim
tem-se um sinal de atuao positivo e negatio. Porm nem todo par R
2
, R
4
de referncias do nvel
h
2
e h
4
realizvel com as limitaes Q
+i1
e Q
+i2
, estes so os mximos valores das entradas q
i1
e q
i2
, respectivamente. Dene-se tambm os valores mnimos das entradas q
i1
e q
i2
como: Q
i1
e
Q
i2
, respectivamente.
Nesta seo analisa-se duas possibilidades a referncia para o tanque 2 maior que a referncia
para o tanque 4, denidos respectivamente como r
1
e r
2
e o caso contrrio, onde referncia para o
19
tanque 4 maior que a referncia para o tanque 2. No primeiro caso temos que:
q
o1
= k
2
_
R
2
, (3.13)
q
o2
= k
4
_
R
4
, (3.14)
assim podemos encontrar os nveis dos tanques 2, 3 e 4 em regime permanente, denidos como:
H
2
, H
3
e H
4
. logo:
H
2
= R
3
, (3.15)
H
4
= R
4
, (3.16)
H
3
=
k
2
4
H
4
k
2
34
+H
4
, (3.17)
assim tem-se os seguintes sinais de atuao em regime permanente, Q
i1
e Q
i2
, que podem ser
facilmente derivados das equaes (3.7) a (3.11) e o modelo, equao (3.12):
Q
i1
= k
2
_
H
2
+ signalal(h
2
h
3
)k
23
_
|H
2
H
3
|, (3.18)
Q
i2
= k
4
_
H
4
signalal(h
2
h
3
)k
23
_
|H
2
H
3
|, (3.19)
onde k
23
_
|H
2
H
3
| o valor de vazo que ui do tanque 2 para o tanque 3, caso a referncia r
1
seja maior que r
2
, caso contrrio o uxo se dar do tanque 3 para o tanque 2.
Assim, para que o controle com referncias R
2
e R
4
seja exeqvel, deve-se observar as seguintes
restries de atuao:
Q
i1
Q
i1
Q
+i1
, (3.20)
Q
i2
Q
i2
Q
+i2
, (3.21)
no sistema de nvel atual os valores de vazo mxima e mnima so, respectivamente: 75cm
3
/s e
80cm
3
/s para ambas as entradas, como mostrado em [Bernardes et al. 2006].
Assim caso os valores de Q
i1
e Q
i2
, para um dado par de referncias, no estejam dentro dos
intervalos indicados nas equaes (3.20) e (3.21) o par de referncias no ser atingvel devido a
restries de atuao.
3.3 Concluses
Este captulo apresentou o sistema de nvel de lquidos do Laboratrio de Automao Viso e
Sistemas Inteligentes. Sistema este que possui vlvulas congurveis entre tanques interconectados
gerando um sistema no-linear multivarivel que pode ser objeto de estudo e aplicao de tcnicas
de controle de sistemas no-lineares. Uma das grandes vantagens deste sistema a possibilidade
de conguraes das vlvulas entre os tanques.
O sistema congurvel e pode-se ser aplicado a estudos de controle em diversas formas, desde
controle de sistema SISO de primeira e segunda ordem a controle multivarivel de quarta ordem
20
com duas entrdas e duas sadas. Alm disso pode-se realizar comparaes entre algoritimos de
controle e de estimao aplicados a sistemas no-lineares. Outra vantagem a fcil congurao
das vlvulas entre os tanques e a possibilidade de mudana durante a execuo de um experimento.
Apresentou-se tambm uma anlise das limitaes de atuao para um para qualquer de refe-
rncias dos nveis dos tanques 2 e 4. Mostrando assim mais uma das diculdades de controle do
sistema na congurao multivarivel com as sadas sendos os nveis dos tanques 2 e 4.
21
Captulo 4
Estimao No-Linear Beseada no Filtro
de Kalman
Este captulo apresenta a estimao conjunta de
estados e parmetros do modelo do processo pelo
ltro de Kalman Estendido. O FKE um estima-
dor recursivo sub-timo de sistemas no-lineares
bastante utilizado em estimao e controle de pro-
cessos. O FKE responsvel pela parte adap-
tativa da linearizao exata adaptativa, onde os
estados e parmetros so estimados de forma re-
cursiva.
Introduo
O controle de processos pode ser realizado com diversas tcnicas, algumas delas exigem um
modelo de processo acurado, seja em tempo de projeto ou de execuo, como controle adaptativo,
controle timo e controle preditivo. A obteno de um modelo para o processo pode ser feita
pelas leis fsica, tambm denominada modelagem caixa branca, pela identicao caixa preta e
pela identicao caixa cinza [Aguirre 2004].
A modelagem caixa branca baseada num modelo matemtico do processo baseado na aplicao
de leis fsicas que atuam no sistema a ser modelo. A modelagem caixa preta utiliza somente padres
de entrada e sada do processo numa estrutura predenida, no baseado na modelagem fsica do
processo[Ljung e Glad 1994], e ajusta os parmetros deste modelo. A identicao caixa cinza
um meio-termo entre a identicao caixa branca que tem o modelo totalmente baseado em leis
fsicas e a caixa preta, onde desconhece-se o processo em estudo, assim inclui-se termos baseados
no processo e outros genricos [Aguirre 2004]. Em qualquer tipo de modelagem pode-se estimar
os parmetros do modelo com a nalidade de melhorar o modelo para ser utilizado no controle do
processo [Ljung 1999].
O modelo de um sistema fsico pode assumir diversas formas [Rossiter 2003, Ljung 1999],
como Finite impluse response (FIR), Controllerd Auto-Regressive Integrated Moving Average (CA-
RIMA), funes de transferncia, espao-de-estados e outras formas de modelagem de sistemas.
22
Este trabalho utilizar o modelo no espao-de-estados tanto para as equaes no-lineares quanto
para as linearizadas e lineares. Quando se tem um modelo denido pode-se utilizar tcnicas de
estimao para obter os valores de dos parmetros modelados. Neste trabalho utilizamos o ltro
de Kalman e suas derivaes como estimadores recursivos para estados e parmetros do modelo.
As tcnicas de estimao podem ser utilizadas em identicao de sistemas [Aguirre 2004],
sendo assim, uma de suas etapas, para estimar os valores dos parmetros de um modelo de processo
utilizando os dados medidos, tcnica bsica para aplicao de controladores adaptativos. Outra
aplicao a estimao de variveis de estado de sistemas dinmicos, isso com o objetivo de
melhorar a medida de tais variveis que podem estar sob inuncia de rudo ou mesmo para
estimar uma varivel que no pode ser medida diretamente.
A estimao recursiva fornece novas estimativas, para as variveis de estados ou para os par-
metros do modelo, a cada iterao do algoritmo. Aguirre em [Aguirre 2004] apresenta aplicaes
de tcnicas de estimao recursiva de sistemas lineares e no-lineares. A estimao utilizada neste
trabalho utiliza apenas os valores medidos, as entradas do processo e as estimativas na iterao an-
terior para gerar novas estimativas das variveis de estados e dos parmetros do processo, ou seja,
estimao conjunta de variveis e parmetros do modelo utilizando o ltro de Kalman estendido.
4.1 O Filtro de Kalman - FK
O ltro de Kalman um estimador recursivo timo para sistemas lineares e variantes no tempo
[Kalman 1960] que foi desenvolvido por Rudolf Kalman em 1960. Isso signica que a estimao
do vetor de estado realizada com o valor previamente estimado e com as medidas atuais, em
contraste com os mtodos de estimao em batelada. Nestes so necessrios valores histricos de
observaes ou valores estimados. O FK no s funciona muito bem na prtica como uma soluo
teoricamente elegante porque possvel mostrar que de todas as possibilidades de ltragem o FK
a soluo que minimiza a varincia do erro estimao[Simon 2006].
O ltro de Kalman provavelmente o estimador quadrtico recursivo mais utilizado em enge-
nharia de controle. Uma forma de utilizao bastante comum a estimao de estados e parmetros
de um sistema, estimao conjunta, que pode ser feita simultaneamente ou de forma desacoplada
[Jazwinski 1970]. O trabalho original de Kalman [Kalman 1960] era restrito para sistemas mode-
lados em tempo discreto. No ano seguinte Kalman e Bucy [Kalman e Bucy 1961] desenvolveram
uma verso do ltro de Kalman para o caso contnuo, neste caso o ltro tambm conhecido como
ltro de Kalman-Bucy.
A estimao de sistemas utilizando o ltro de Kalman realizada em duas fases, a primeira
denominada predio, equaes 4.7-4.9, e a segunda correo, equaes 4.10 e 4.11. Na predio
utiliza o modelo linear do processo, os estados estimados na iterao anterior, quando for o caso
da estimao conjunta os parmetros anteriormente estimados e a entrada do processo no instante
atual, assim obtm-se os estados ou estados e parmetros preditos.
Na fase de correo utiliza-se as medies do processo para realizar uma ponderao entre a
predio e a medio, assim tem-se os valores estimados pelo ltro timo para sistemas lineares. A
23
inicializao gera os valores iniciais da estimao x
0
e da matriz de covarincia do erro de estimao
P
0
, ver as equaes 4.5-4.6.
4.1.1 Algoritmo do ltro de Kalman
Este o algoritmo bsico do ltro de Kalman para sistemas discreto [Kalman 1960]. As fases
de inicializao, predio e correo so apresentadas para o sistema descrito pela equao 4.1
Seja o seguinte sistema linear, modelado no espao-de-estados:
_
x
k+1
= F
k
x
k
+B
k
u
k
+w
k+1
,
y
k
= H
k
x
k
+v
k
,
(4.1)
onde w
k
e v
k
so rudos Gaussianos independentes de mdia nula e matrizes de covarincias Q
k
e
R
k
, respectivamente, ou seja,
w
k
N(0, Q
k
), (4.2)
v
k
N(0, R
k
). (4.3)
Sendo que w
k
o rudo de processo e v
k
o rudo de medio do sistema modelado no espao-de-
estados.
Inicializao:
k = 0, (4.4)
x
0
= E[x
0
], (4.5)
P
0
= E[(x
0
E[x
0
])(x
0
E[x
0
])
T
]. (4.6)
Fase de predio da estimao:
x

k
= F
k|k1
x
k1
+B
k|k1
u
k
. (4.7)
Propagao da matriz de covarincia do erro de estimao:
P

k
= F
k|k1
P
k1
F
T
k|k1
+Q
k1
. (4.8)
A matriz de ganho de Kalman denida como:
K
k
= P
k
H
T
k
(H
k
P
k
H
T
k
+R
k
). (4.9)
Fase de correo do valor predito
x
+
k
= x

k
+K
k
(y
k
H
k
x

k
). (4.10)
Atualizao da matriz de covarincia do erro de estimao
P
+
k
= (I K
k
H
k
)P

k
. (4.11)
24
4.2 O Filtro de Kalman Estendido - FKE
A maioria dos sistemas presentes na natureza so no-lineares, como comentado no captulo 2, e
o ltro de Kalman um estimador para sistemas lineares, ou seja, como aplicar o FK em sistemas
no-lineares, uma vez que este um estimador timo de sistemas lineares. O FKE permite a
aplicao do ltro de Kalman a sistemas no-lineares, tornando-se assim uma das mais aplicadas
[Haykin 2001] derivaes do FK aplicado a sistemas no lineares [Jazwinski 1970].
Alm do EKF existe tambm o ltro de Kalman unscented que baseado na transformao
unscented apresentada por Julier et al. em [Julier, Uhlmann e Durrant-Whyte 2000]. Wan et
al. apresenta uma aplicao do ltro de Kalman unscented na estimao conjunta de estados e
parmetros em [Wan, Merwe e Nelson 2000][Haykin 2001, cap. 7].
Diversos autores investigaram o uso do ltro de Kalman estendido (FKE) na estimao de
parmetros de sistemas dinmicos (lineares ou no-lineares). Esta idia no recente, como de-
monstra [Jazwinski 1970]. No caso da estimao apenas de parmetros, o problema pode ser
formulado ainda como o de estimao de estados de um sistema dinmico estocstico, onde o ltro
de Kalman possui a mesma formulao do algoritmo de quadrados mnimos recursivo com ganho
normalizado [Ljung 1999]. Quando o problema envolve estimao simultnea de estados e de par-
metros de um processo, podendo servir de base para controle adaptativo ou mesmo para controle
preditivo de forma adaptativa, uma reformulao aumentada do problema em espao-de-estados
a soluo mais comumente empregada [Chen e Liu 2000, Simon 2006].
Entretanto, o emprego deste estimador recursivo inspira cuidado, principalmente por empregar
um modelo linearizado do problema de estimao simultnea dos estados do processo e dos parme-
tros do modelo, o que pode resultar em divergncia. Outros trabalhos empregaram a mesma idia,
como em [Leu e Baratti 2000] que apresenta uma abordagem sistemtica de ajuste das matrizes
de covarincia do ltro.
O FKE foi utilizado por Williams em [Williams 1992] para ajustar os parmetros de redes
neurais recorrentes. Aragones et al. em [Aragones, Borges e Fournier 2002] utilizam o FKE como
estimador de parmetros do modelo cinemtico de um rob mvel omnidirecional objetivando
reduzir erros de odometria. Para problemas de estimao de estados de sistemas no-lineares a
abordagem Bayesiana representada por Monte Carlo (ltro de Partculas) outra soluo sub-tima
que pode reduzir o risco de divergncia como mostrado em [Doucet, Freitas e Gordon 2001].
Na sua derivao, algumas hipteses so estabelecidas [Jazwinski 1970], tais como:
1. Incertezas da distribuio Gaussiana,
2. O conhecimento exato do modelo,
3. A consistncia estatstica da estimativa inicial.
Quando todas as hipteses so respeitadas, a convergncia e a consistncia na estimao so
garantidas. Para sistemas no-lineares discretos, este estimador tem sido aplicado utilizando o
modelo linearizado do processo, que obtido em torno da estimativa precedente (fase de predio)
ou em torno da estimativa predita (fase de correo), quando as observaes so integradas para
25
corrigir a estimativa predita de estado e sua matriz de covarincias. Esta variante do estimador
conhecida como ltro de Kalman estendido (FKE). Entretanto, o FKE um estimador sub-timo
sem garantia de convergncia [Jazwinski 1970].
Algumas tcnicas de projeto e de ajuste tm sido usadas com o intuito de minimizar a possi-
bilidade de divergncia, fazendo do seu ajuste uma arte.
4.2.1 Algoritmo do Filtro de Kalman Estendido
O algoritimo do ltro de Kalman estendido bem semelhante ao apresentado na seco 4.1.1.
O que muda que o modelo do processo agora utiliza as derivadas do modelo no-linear do sistema
real, como mostra a 4.12. A fase de predio do ltro de Kalman estendido pode ser realizada
utilizando o modelo no-linear 4.17, mas no passo de propagao das matrizes de covarincias
utilizam-se a matrizes Jacobianas do sistemas no-linear como mostram as equaes 4.13 e 4.18.
Esta a principal diferena em relao ao ltro de Kalman unscented, pois este no utiliza a
Jacobiana na propagaco de covarincias.
Seja o seguinte sistema no-linear modelado no espao-de-estados:
_
x
k+1
= f(k, x
k
) +w
k
y
k
= h(k, x
k
) +v
k
,
(4.12)
onde w
k
e v
k
so rudos Gausianos independentes de mdia nula e matrizes de covarincias Q
k
e
R
k
, respectivamente. Sejam as denies de F
k
e H
k
:
_

_
F
k
=
f
x
|
x= x
k|k1
,u
k
,
H
k
=
h
x
|
x= x
k|k1
,
(4.13)
ou seja , F
k
e H
k
so as matrizes Jacobianas de f(k, x
k
) e h(k, x
k
)
Inicializao:
k = 0, (4.14)
x
0
= E[x
0
], (4.15)
P
0
= E[(x
0
E[x
0
])(x
0
E[x
0
])
T
]. (4.16)
Fase de predio da estimao:
x
k|k1
= f(k, x
k1|k1
, u
k
, 0). (4.17)
Propagao da matriz de covarincia do erro de estimao:
P

k
= F
k|k1
P
k1
F
T
k|k1
+Q
k1
. (4.18)
A matriz de ganho de Kalman denida como:
26
K
k
= P
k
H
T
k
(H
k
P
k
H
T
k
+R
k
). (4.19)
Fase de correo do valor predito
x
+
k
= x

k
+K
k
(y
k
H
k
x

k
). (4.20)
Atualizao da matriz de covarincia do erro de estimao
P
+
k
= (I K
k
H
k
)P

k
. (4.21)
4.2.2 Aplicao ao processo de nvel de lquidos
Freitas et al. em [Freitas, Borges e Bauchspiess 2004] investigaram a aplicao de um ltro
de Kalman estendido para a estimao on-line dos parmetros de processos no-lineares reais de
um sistema de nvel de lquidos de terceira ordem, o mesmo sistema havia sido controlado via
linearizao exata por Gosmann em [Gosmann 2002]. Em simulaes sabido que no h maiores
diculdades, como tambm vericado neste trabalho, uma vez que no haja discrepncia entre o
modelo gerador dos sinais e o modelo utilizado pelo ltro de Kalman estendido. Neste trabalho
apresenta-se o FKE como estimador de estados e parmetros de um sistema de nvel de lquidos
de quarta ordem.
Como sempre existem discrepncias entre o modelo utilizado no ltro de Kalman e o pro-
cesso real muito provvel que haja diculdades na implementao prtica de um controla-
dor baseado nos parmetros estimados pelo ltro de Kalman. Seja x =
_
h
1
h
2
h
3
h
4
_T
e
=
_
k
2
k
4
k
12
k
23
k
34
_T
vetores representando as variveis de estado e os parmetros de in-
teresse do modelo apresentado no Captulo 3. A estimao recursiva e simultnea destas variveis
feita considerando-se o seguinte modelo estendido para a evoluo em tempo discreto dos estados:
z
k
=
_
x
k

k
_
+w
k
=
_

_
h
1
h
2
h
3
h
4
k
2
k
4
k
12
k
23
k
34
_

_
+w
k
, (4.22)
no qual z
k
o vetor de estados estendido, estados e parmetros do sistema, w
k
N(0, Q
k
) um
rudo Gaussiano branco e k o ndice de tempo discreto. O processo w
k
modela as incertezas na
evoluo de x e de , que incluem imperfeies do modelo. Entretanto, supor que w
k
Gaussiano
pode ser uma aproximao grosseira, principalmente quando se lida com modelos no-lineares. Uma
apropriada escolha de sua matriz de covarincias Q
k
de modo que suas componentes modelem uma
27
incerteza superior s incertezas intrnsecas do processo pode minimizar o risco de divergncia da
estimao [Jazwinski 1970].
Devido diculdade em determinar correlaes entre as incertezas da evoluo de x e de , Q
k
suposta uma matriz diagonal, com os elementos da diagonal principal representando as varincias
dos rudos gaussianos de evoluo de cada varivel de estado do modelo estendido, logo temos:
Q
k
=
_
0, 05 I
44
0
55
0
44
0, 01 I
55
_
, (4.23)
note que mesmo Q
k
podendo variar em funo do ndice de tempo discreto, mas neste trabalho
utiliza-se um valor constante.
De acordo com o formalismo do FKE, com a evoluo no tempo do processo, so mantidas
estimativas de z
k
e de sua matriz de covarincias

P
k
. Por meio da predio, z
k1
e

P
k1
so
propagadas ao instante k, resultando assim em z
k|k1
e

P
k|k1
, como mostrado na sub-seo 4.2.1.
Quando observaes so efetuadas sobre o processo fsico, estas so usadas para corrigir as
estimativas preditas. Para tanto, o seguinte modelo de medio usado:
y
k
=
_
I
44
0
45
0
54
0
55
_
z
k
+v
k
, (4.24)
no qual v
k
N(0, R
k
) um rudo branco de medio, suposto Gaussiano. A integrao das
medies feita usando as frmulas de atualizao do FKE, veja 4.2.1, resultando assim em
estimativas z
k
e

P
k
. Note que a medio ocorre somente nas variveis de estado do sistema, pois
no existe sensor para medir os parmetros do processo. Considerando o novo modelo estendido
de estados e parmetros, 4.22, temos as seguintes matrizes como Jacobianas do novo sistema
J
fk
=
_

_
0
signal(h
1
h
2
)

|h
1
h
2
|
A
0 0 0

h
2
A
signal(h
1
h
2
)

|h
1
h
2
|
A
signal(h
2
h
3
)

|h
2
h
3
|
A
0 0
0 0
signal(h
2
h
3
)

|h
2
h
3
|
A

h
3
h
4
A
0
0 0 0

h
3
h
4
A

h
4
A
4
_

_
, (4.25)
J
fx
=
1
2A
_

_
f
1
h
1
f
1
h
2
f
1
h
3
f
1
h
4
f
2
h
1
f
2
h
2
f
2
h
3
f
2
h
4
f
3
h
1
f
3
h
2
f
3
h
3
f
3
h
4
f
4
h
1
f
4
h
2
f
4
h
3
f
4
h
4
_

_
,
28
onde:
f
1
h
1
=
k
12
signal(h
1
h
2
)
_
|h
1
h
2
|
, (4.27)
f
1
h
2
=
k
12
signal(h
1
h
2
)
_
|h
1
h
2
|
, (4.28)
f
1
h
3
= 0, (4.29)
f
1
h
4
= 0, (4.30)
f
2
h
1
=
k
12
signal(h
1
h
2
)
_
|h
1
h
2
|
, (4.31)
f
2
h
2
=
k
23
signal(h
2
h
3
)
_
|h
2
h
3
|
+
k
12
signal(h
1
h
2
)
_
|h
1
h
2
|

k
2

h
2
, (4.32)
f
2
h
3
=
k
23
signal(h
2
h
3
)
_
|h
2
h
3
|
, (4.33)
f
2
h
4
= 0, (4.34)
f
3
h
1
= 0, (4.35)
f
3
h
2
=
k
23
signal(h
2
h
3
)
_
|h
2
h
3
|
, (4.36)
f
3
h
3
=
k
34
signal(h
3
h
4
)
_
|h
3
h
4
|
+
k
23
signal(h
2
h
3
)
_
|h
2
h
3
|
, (4.37)
f
3
h
4
=
k
34
signal(h
3
h
4
)
_
|h
3
h
4
|
, (4.38)
f
4
h
1
= 0, (4.39)
f
4
h
2
= 0, (4.40)
f
4
h
3
=
k
34
signal(h
3
h
4
)
_
|h
3
h
4
|
, (4.41)
f
4
h
4
=
k
34
signal(h
3
h
4
)
_
|h
3
h
4
|

k
4

h
4
, (4.42)
, (4.43)
assim o modelo linearizado F utilizado na propagao das covarincias do ltro de Kalman esten-
dido aplicado ao sistema de nvel de lquidos :
F
99
=
_
J
fx
J
fk
0
54
I
55
_
,
Nota-se que o modelo de medio incorpora simultaneamente medies de nvel dos quatro
tanques. Estas medies so supostas independentes, o que razovel dado o processo em questo,
resultando em R
k
uma matriz diagonal. E mais, sendo as medies variveis do modelo que
so os nveis de cada tanque, ca mais fcil controlar a convergncia de suas estimativas dadas
pelas quatro primeiras componentes de z
k
. De fato, estas estimativas podem divergir apenas
29
se as componentes associadas ao rudo de processo w
k
forem consideradas de varincia muito
pequena com relao ao rudo de medio v
k
. Isto torna mais fcil determinar as quatro primeiras
componentes Q
k
. R
k
relacionada preciso e repetibilidade do sensor de nvel, e pode ser
determinada experimentalmente.
Por outro lado, determinar as componentes de Q
k
associadas aos parmetros
k
no uma
tarefa fcil. Com um sistema real isto ainda dicultado pelo fato do ltro empregar um modelo de
processo, equao (4.13), aproximado para propagao das covarincias. Neste caso, a convergncia
de x
k
pode levar divergncia de
k
, uma vez que erros de modelagem, modelo apresentado na
equao 4.22, so propagados pelas correlaes cruzadas estabelecidas pelo modelo.
4.3 Concluses
Este captulo apresentou um resumo sobre o ltro de Kalman e sua principal derivao para
sistemas no-lineares, o ltro de Kalman estendido. Alm disso apresentou-se tambm a derivao
do FKE na estimao conjunta de estados e parmetros do sistema de nvel de lquidos com todas
as equaes e parmetros do processo. Os algoritmos bsicos tanto do ltro de Kalman quanto do
FKE foram mostrados de forma resumida, bem como as referncias e outros trabalhos apresentados.
A aplicao do FKE como estimador de parmetros do sistema de nvel de lquidos foi apre-
sentada em detalhe para um sistema tanques acoplados de quarta ordem.
30
Captulo 5
Linearizao Exata Adaptativa
Este captulo apresenta a proposta de controle uti-
lizada neste trabalho para sistemas no-lineares.
A LEA consiste no uso de um estimador sub-
timo, o ltro de Kalman estendido, que realiza
a estimao conjunta de estados e parmetros do
processo melhorando o controle no-linear por li-
nearizao exata. Assim tem-se um modelo linear
para uso no controle preditivo baseado em modelo.
Este modelo dinmico simplicado no sofre in-
uncia dos parmetros do processo.
Introduo
A linearizao de sistemas no-lineares em torno de um ponto de operao e um controlador
linear uma das formas de atuao mais usuais. Esse mtodo tem como principal vantagem
possibilitar a aplicao das tcnicas de sntese de controladores lineares, esta mais consagrada que
a teoria de sistemas no-lineares. A desvantagem que essa aproximao vlida apenas numa
regio em torno do ponto de operao do sistema.
A linearizao exata por realimentao a soluo para eliminao da dependncia do ponto
de operao. Esse mtodo transforma o sistemas no-linear em duas malhas de controle, uma
malha externa dinmica e linear na forma cannica de Brunovsky e uma malha interna esttica
e no-linear, como mostra Figura 5.1. Essa transformao, uma cpia difeomrca do sistema,
ocorre na forma de mudana de variveis de estado e de sinal de controle do sistema, assim h um
sistema linear onde o conjunto de variveis de estado diferente do conjunto do sistema no-linear
original. Neste contexto, as tcnicas de sistemas lineares podem ser aplicadas facilmente na malha
dinmica e linear gerada pela linearizao exata, esta malha composta pela associao entre a
malha interna no-linear e o sistema no-linear. Desta forma, ocorre um cancelamento das no-
linearidades do sistema com as suas inversas na lineararizao exata e gera-se um modelo na forma
de cadeia de integradores que poder ser controlado utilizando-se tcnicas lineares [Isidori 1989].
A linearizao exata um boa tcnica para controle de sistemas no-lineares, mas esta no
aplicvel a qualquer sistema, mas somente a sistemas onde seja possvel encontrar uma trans-
31
formao difeomrca que gere um sistema linear na forma cannica de Brunovsky. Ou seja,
para um conjunto de variveis de estado {x
1
, x
2
, x
3
, ..., x
n
}, e uma transformao de variveis
z = = {z
1
, z
2
, z
3
, ..., z
n
}, onde as funes de coordenadas de forem continuamente diferen-
civeis em relao s variveis {x
1
, x
2
, x
3
, ..., x
n
} e se, alm disso, essa transformao for bijetora.
Resumidamente, para que a aplicao da linearizao exata a sistema no-linear seja possvel
necessrio a existncia de uma transformao de variveis bijetora e continuamente diferencivel.
Utilizando o mtodo da linearizao entrada-sada tem-se que para que um sistema no-linear
seja completamente linearizvel necessrio que este tenha grau relativo igual ao nmero de esta-
dos. Ou seja, seja r
i
um dos graus relativos do sistema multivarivel, para este seja linearizvel
necessrio:

r
i
= n, (5.1)
onde n o nmero de estados do sistema. Quando

r
i
< n tem-se dois sub-sistemas um li-
nearizvel e outro denominado dinmica nulo. Devasia et al. em [Devasia, Chen e Paden 1996]
apresentam um mtodo para eliminao da dinmica nula de um sistema pela adio de um sinal
de atuao ao sinal gerado aps a linearizao exata.
Figura 5.1: Estrutura do Controle por Linearizao Exata
5.1 Linearizao Exata Adaptativa
A proposta de controle no-linear deste trabalho baseado no uso de tcnicas lineares aplicadas
a sistemas no-lineares. O modelo resultante da aplicao da linearizao exata adaptativa a um
sistema no-linear linear e desacoplado. O modelo resultante pode ser controlado com qualquer
tcnica de controle linear como PID, alocao de plos, controle timo, controle preditivo baseado
em modelo, controle robusto linear dentre outras tcnicas lineares.
Umas das grandes desvantagens da linearizao exata a dependncia dos valores do con-
junto de parmetros do modelo no-linear conforme apresentado em [Sousa 1998, Isidori 1989,
Franco 2006]. Am de contornar tal problema a linearizao exata neste trabalho ser associada
ao ltro de Kalman de estendido, apresentado no Captulo 4 utilizado como estimador de estados
e parmetros de forma conjunta. Assim tem-se a linearizao exata adaptativa que fornece um
32
modelo linear para o controlador preditivo baseado em modelo. A adaptao ocorre somente na
parte esttica e no-linear, ver LinearizacaoExata(x, , v) na Figura 5.1, assim o modelo dinmico
permanece o mesmo durante toda a execuo do processo. Isso facilita a aplicao do controlador
e melhora o resultado do sistema como um todo, assim pode-se, por exemplo, aplicar um controle
timo ao sistema linear que este ser vlido em toda a faixa de operao do sistema no-linear. A
Figura 5.1 apresenta a estrutura na forma de diagrama de blocos da linearizao exata adaptativa.
Figura 5.2: Estrutura da Linearizao Exata Adaptativa
5.2 Linearizao Exata
A eliminao da dependncia do ponto de operao e a possibilidade do uso de tcnicas li-
neares de controle de processos so os objetivos alcanados com a linearizao exata de um pro-
cesso. Em Foss et al [Foss, Johansen e Sorenson 1994] apresenta-se uma aplicao de controle
preditivo utizando modelos locais, como os modelos apresentados na seo anterior, ou seja uma
congurao sub-tima que o controle preditivo aplicado a um modelo sub-timo de lineari-
zao local do processo. Com a linearizao exata elimina-se a adaptao no controle que se
faz necessrio quando se utilizam tcnicas como EKF em [Freitas, Borges e Bauchspiess 2004],
ltros de partculas [Liu e Chen 1998] e outras tcnicas sub-timas para estimao de sistemas
[Ljung 1999, Hangos, Bokor e Szederknyi 2004].
Diversos sistemas no-lineares, assim como o sistema de nvel de lquidos do LAVSI, podem ser
descritos como:
1
1
Nesta seo h
i
uma funo no-linear que mapea os estados para uma sada do sistema e no mais representa
um nvel de lquido.
33
_

_
dx
dt
= f(x) +
m+

i
g
i
(x)u
i
y
1
= h
1
(x)
y
2
= h
2
(x)
...
y
m
= h
m
(x)
(5.2)
onde h
i
no representa o nvel de um tanque mas uma funo no-linear entre os estados do sistema
e uma das sada deste.
O sistema possuir grau relativo r se para todo 1 menor ou igual a j que seja menor ou igual
a m, para todo 1 menor ou igual a i que menor ou igual a m para todo k < r
i
1, e para todo
x em uma vizinhana de x
0
e a matriz A (5.3) tiver posto pleno.
L
gi
L
k
f
h
i
(x) = 0
A(x) =
_

_
L
g1
L
r
1
1
f
h
1
(x) L
g2
L
r
1
1
f
h
1
(x) L
gm
L
r
1
1
f
h
i
(x)
L
g1
L
r
2
1
f
h
2
(x) L
1
h
2
(x)
.
.
.
.
.
.
.
.
.
.
.
.
L
g1
L
r
m
1
f
h
m
(x) L
gm
L
r
m
1
f
h
m
(x)
_

_
(5.3)
As funes L
gi
L
k
f
h
i
(x) so denidas recursivamente como
L
gi
L
k
f
h
i
(x) =
L
gi
L
k1
f
h
i
(x)
x
f(x), (5.4)
com L
0
f
h
i
(x) = h
i
(x) . A funo L
f
h
i
(x) chamada de derivada de h
i
ao longo de f (derivada
de Lie) e denida como:
L
f
h(x) =
n

i=1
h
i
(x)
x
f
i
(x), (5.5)
da mesma forma, a derivada de h
i
ao longo de f e depois ao longo de g dada por:
L
g
L
f
h
i
(x) =
L
f
h
i
(x)
x
g(x). (5.6)
Fazendo uma substituio do sinal de atuao do sistema no-linear tem-se o seguinte modelo:
34
dx
dt
= f(x) +g(x)
a
(x) +g(x)
b
(x)
y
1
= h
1
(x)
y
2
= h
2
(x)
...
y
m
= h
m
(x)
(5.7)

a
(x) = A(x)B(x) (5.8)

b
(x) = A
1
(x),
onde A est denida em 5.3 e B denida como
B(x) =
_

_
L
r
1
1
f
h
1
(x)
.
.
.
.
.
.
L
r
m
f
h
m
(x)
_

_
, (5.9)
nesse caso o conjunto de funes

i
k
(x) = L
k1
f
h
i
(x) (5.10)
para todo 1 k r
i
e 1 i m denem uma transformao de coordenadas em x
0
que,
juntamente com a realiamentao de estados
u =
a
+
b
v, (5.11)
levam o sistema para uma representao linear e controlvel.
Note que o sinal de atuao do sistema ser resultado da aplicao de uma funo no-linear
esttica que depende tanto dos estados como dos parmetros do sistema no-linear, de fato, como
ocorrer um cancelamento de no-linearidades este ser efetivo quando o modelo e os parmetros
do modelo estiverem coerentes e prximos dos valores reais. A incluso de estimao sub-tima de
sistemas no-lineares tem como objetivo tornar os parmetros e estados mais prximos dos valores
reais gerando assim um cancelamento de no-linearidades vlido em toda a faixa de operao.
5.3 Linearizao Exata do Sistema de Nvel de 4
a
Ordem
A linearizao do processo de quarta ordem de tanque acoplados, ver Captulo 3, gera um
modelo linear desacoplado, ou seja, obtm-se dois sub-sistemas de segunda ordem na forma de
cadeia de integradores, como mostrado na Figura 5.3
, onde v
1
e v
2
so as sadas variveis manipuladas pelo controlador linear, utilizadas para
diferenciar do sinal de controle, u, aplicado no sistema no-linear.
35
Figura 5.3: Sistema linear obtido com a linearizao exata do sistemas de nvel de lquidos
Utilizando o modelo da equao 3.4 e denindo as alturas dos nveis h
2
e h
4
como as variveis
controladas, tem-se uma congurao multivarivel do sistema de nvel de lquidos pode-se aplicar
as tcnicas de linearizao exata de sistemas no-lineares. Seguindo o formalismo da linearizao
exata apresentado em [Sousa 1998, Isidori 1989] e adotando-se a notao x
i
= h
1
, para 1 i 4
tem-se o seguinte resultado:
x = f(x) +g
1
(x)u
1
+g
2
(x)u
2
, (5.12)
com
y
1
= h
1
(x) = x
2
, (5.13)
y
1
= h
2
(x) = x
4
, (5.14)
(5.15)
sendo estas, no caso do sistema de nvel:
f(x) =
_

_
f
1
(x)
f
2
(x)
f
3
(x)
f
4
(x)
_

_
, g
1
(x) =
_

_
1
A
0
0
0
_

_
g
2
(x) =
_

_
0
0
1
A
0
_

_
, (5.16)
onde, fazendo A
1
= A
2
= A
3
= A na equo 3.12 tem-se:
f
1
(x) =
1
A
(k
12
signal(x
1
x
2
)
_
|x
1
x
2
|) (5.17)
f
2
(x) =
1
A
(k
12
signal(x
1
x
2
)
_
|x
1
x
2
| k
23
signal(x
2
x
3
)
_
|x
2
x
3
| k
o2

x
2
)(5.18)
f
3
(x) =
1
A
(k
23
signal(x
2
x
3
)
_
|x
2
x
3
| k
34
signal(x
3
x
4
)
_
|x
3
x
4
|) (5.19)
f
4
(x) =
1
A
4
(k
34
signal(x
3
x
4
)
_
|x
3
x
4
| k
o4

x
4
), (5.20)
Deve-se calcular L
k
f
h
i
(x):
36
Para i = 1 tem-se:
L
0
f
h
1
(x) = h
1
(x) = x
2
(5.21)
L
1
f
h
1
(x) =
h
1
x
f(x) =
_
0 1 0 0
_
_

_
f
1
(x)
f
2
(x)
f
3
(x)
f
4
(x)
_

_
= f
2
(x) (5.22)
L
2
f
h
1
(x) =
f
2
x
f(x) =
f
2
x
_

_
f
1
(x)
f
2
(x)
f
3
(x)
f
4
(x)
_

_
, (5.23)
onde:
f
2
x
=
1
2A
_
k
12
signal(h1h2)

|h1h2|
k
12
signal(h1h2)

|h1h2|

k
23
signal(h2h3)

|h2h3|

k
2

h2

k
23
signal(h2h3)

|h2h3|
0
_
(5.24)
Para i = 2 tem-se que:
L
0
f
h
2
(x) = h
2
(x) = x
4
(5.25)
L
1
f
h
2
(x) =
h
2
x
f(x) =
_
0 0 0 1
_
_

_
f
1
(x)
f
2
(x)
f
3
(x)
f
4
(x)
_

_
= f
4
(x) (5.26)
L
2
f
h
2
(x) =
f
4
x
f(x)
=
1
2A
_
0 0
k
34
signal(x3x4)

|x3x4|
(
k
34
signal(x3x4)

|x3x4|

k
4

x4
)
_
_

_
f
1
(x)
f
2
(x)
f
3
(x)
f
4
(x)
_

_
, (5.27)
tem-se ainda que a derivada Lie para o sistema de nvel de lquidos de h
i
ao longo de f e depois
ao longo de g :
L
g
1
L
0
f
h
1
(x) =
h
1
x
g
1
(x) =
_
0 1 0 0
_
_

_
1/A
0
0
0
_

_
= 0, (5.28)
L
g
1
L
1
f
h
1
(x) =
f
2
x
g
1
(x) =
_
f
2
x
1
f
2
x
2
f
2
x
3
f
2
x
4
_
_

_
1/A
0
0
0
_

_
= 0, (5.29)
=
1
A
f
2
x
1
= 0, (5.30)
=
1
2A
2
k
12
signal(x1 x2)
_
|x1 x2|
= 0, (5.31)
37
como o resultado no nulo deve-se parar o procedimento e iniciar o mesmo procedimento da
derivada Lie em ao longo de g
2
,
L
g
2
L
0
f
h
1
(x) =
h
1
x
g
2
(x) =
_
0 1 0 0
_
_

_
0
0
1/A
0
_

_
= 0 (5.32)
L
g
2
L
1
f
h
1
(x) =
f
2
x
g
2
(x) =
_
f
2
x
1
f
2
x
2
f
2
x
3
f
2
x
4
_
_

_
0
0
1/A
0
_

_
= 0 (5.33)
=
1
A
f
2
x
3
= 0, (5.34)
logo conclui-se que r
1
= 2. Assim caso r
2
seja igual a 2 teremos o sistema com grau relativo
completo e linearizvel, procede-se ento com o clculo de r
2
L
g
2
L
1
f
h
1
(x) =
1
2A
2
k
23
signal(x2 x3)
_
|x2 x3|
(5.35)
como o resultado no nulo tem-se que r
1
= 2. Da mesma forma:
L
g
1
L
0
f
h
2
(x) =
h
2
x
g
1
=
_
0 0 0 1
_
_

_
1/A
0
0
0
_

_
= 0 (5.36)
L
g
1
L
1
f
h
2
(x) =
f
4
x
g
1
=
_
f
4
x
1
f
4
x
2
f
4
x
3
f
4
x
4
_
_

_
1/A
0
0
0
_

_
= 0, (5.37)
logo para g
2
tem-se:
L
g
2
L
1
f
h
2
(x) =
f
4
x
g
2
=
_
f
4
x
1
f
4
x
2
f
4
x
3
f
4
x
4
_
_

_
0
0
1/A
0
_

_
=
1
2A
2
k
34
signal(x3 x4)
_
|x3 x4|
, (5.38)
ou seja, tem-se que r
2
= 2 logo como o grau relativo do sistema est completo este no possui
dinmica nula para as sadas selecionadas. Assim tem-se as matrizes A e B da equao 5.9 como:
A =
_
L
g
1
L
1
f
h
1
(x) L
g
2
L
1
f
h
1
(x)
L
g
1
L
1
f
h
2
(x) L
g
2
L
1
f
h
2
(x)
_
, (5.39)
substituindo os valores encontrados na equao 5.39 tem-se que:
38
A =
_
_
1
2A
2
k
12
signal(x
1
x
2
)

|x1x2|
1
2A
2
k
23
signal(x
2
x
3
)

|x
2
x
3
|
0
1
2A
2
k
34
signal(x3x4)

|x3x4|
_
_
, (5.40)
nota-se que A tem posto pleno, ou seja, posto(A(x)) = 2.
Assim tem-se que o sistema possui grau relativo r
1
, r
2
= 2, 2 em qualquer ponto x
0
, desde que
que x
1
= x
2
, x
2
= x
3
e x
3
= x
4
. Se x
0
tal que x
1
= x
2
ou x
2
= x
3
ou x
3
= x
4
nenhum grau
relativo pode ser denido.
Sabe-se que:
B =
_
L
2
f
h
1
(x)
L
2
f
h
2
(x)
_
, (5.41)
onde:
L
2
f
h
1
(x) =
f
2
x
f(x) =
_
f
2
x
1
f
2
x
2
f
2
x
3
f
2
x
4
_
_

_
f
1
(x)
f
2
(x)
f
3
(x)
f
4
(x)
_

_
(5.42)
e
L
2
f
h
2
(x) =
f
4
x
f(x) =
_
f
4
x
1
f
4
x
2
f
4
x
3
f
4
x
4
_
_

_
f
1
(x)
f
2
(x)
f
3
(x)
f
4
(x)
_

_
(5.43)
os valores da derivadas parciais foram apresentados no Captulo 4 na seo 4.2.2 e os valores da
funes f
1
(x), f
2
(x), f
3
(x), f
4
(x) esto nas equaes 5.17 a 5.20. As derivadas parciais de interesse
so:
f
2
x
1
=
1
2A
k
12
signal(x
1
x
2
)
_
|x
1
x
2
|
(5.44)
f
2
x
2
=
1
2A
k
23
signal(x
2
x
3
)
_
|x
2
x
3
|
+
1
2A
k
12
signal(x
1
x
2
)
_
|x
1
x
2
|

1
2A
k
2

x
2
(5.45)
f
2
x
3
=
1
2A
k
23
signal(x
2
x
3
)
_
|x
2
x
3
|
(5.46)
f
2
x
4
= 0 (5.47)
f
4
x
1
= 0 (5.48)
f
4
x
2
= 0 (5.49)
f
4
x
3
=
1
2A
k
34
signal(x
3
x
4
)
_
|x
3
x
4
|
(5.50)
f
4
x
4
=
1
2A
k
34
signal(x
3
x
4
)
_
|x
3
x
4
|

1
2A
4
k
4

h
4
. (5.51)
39
O sinal de atuao aplicado ao sistema no-linear ser:
u = AB +A
1
v, (5.52)
onde A e B so as matrizes anteriormente denidas e v o sinal de atuao gerado pelo controlador
linear.
Utilizando-se a equao 5.52 pode-se propagar as restries de atuao do sinal u para o sinal
de sada do controlador v realizando-se a inversa da equao 5.52 assim obtm-se:
V
max
= B +AU
max
, (5.53)
V
min
= B +AU
min
. (5.54)
5.4 Linearizao Exata Adaptativa do Sistema de Nvel de Lqui-
dos
Aplicando a Linearizao Exata no sistema de nvel de lquidos tem-se o seguinte diagrama de
blocos resultante, mostrado na gura 5.4.
Figura 5.4: Diagrama de Blocos Linearizao Exata do Sistema de Nvel de Lquidos
A parte esttica no-linear da linearizao exata adaptativa possui a seguinte assinatura:
u = f(x, , v), (5.55)
a LEA formada pela associao entre o FKE, apresentado no captulo 4 e a LE, demonstrada na
seo 5.2. A atualizao dos parmetros do sistema pode ser feita a uma taxa de amostragem
mltipla da taxa de amostragem do FKE, assim pode-se evitar problemas de estabilidade do
conjunto. O estudo da estabilidade desta abordagem de linearizao exata adaptativa est fora
do escopo deste trabalho. A linearizao exata de sistema de nvel de lquido j aplicada em
40
[Gosmann 2002] e aplicao do FKE num sistema fsico semelhante foi aplicado em simulaes e
experimentos prticos em [Freitas, Borges e Bauchspiess 2004]. Com esta associao procura-se
obter uma estratgia de controle de sistemas no-lineares baseada na aplicao de tcnicas de
controle linear.
O controle de um sistema no-linear com a linearizao exata adaptativa tem forma de con-
trolador no-linear, mas com todas as vantagens do controle de sistemas lineares, aplicando-se
assim estratgias de controle linear, caso mais estudo em cursos de graduao e conhecido pelos
Engenheiros com os sistema fsicos reais.
A associao da linearizao exata adaptativa com o sistema de nvel de lquido gera o seguinte
modelo linear:
z =
_

_
0 0 0 0
1 0 0 0
0 0 0 0
0 0 1 0
_

_
z +
_

_
1 0
0 0
0 1
0 0
_

_
v
y =
_
0 1 0 0
0 0 0 1
_
z.
(5.56)
Nota-se que o modelo 5.56 apresenta dois sistemas lineares desacoplados com a seguinte funo
de transferncia G(s) =
1
s
2
, ou seja, uma cadeia com dois integradores. A desacoplagem do sistema
de nvel facilita aplicaes de tcnicas de controle linear aplicadas a sistemas SISO, pois tem-se dois
sistemas SISO desacoplados e no mais um sistema MIMO acoplado. Assim pode-se representar o
sistema do conjunto LEA + Sistema de Nvel como dois sistemas com o seguinte modelo:
z =
_
0 0
1 0
_
z +
_
1
0
_
v
y =
_
0 1
_
z,
(5.57)
ou seja:
z
1
= v
1
z
2
= z
1
y
1
= z
2
,
(5.58)
z
3
= v
2
z
4
= z
3
y
1
= z
4
,
(5.59)
5.5 Concluses
A Linearizao Exata Adaptativa como estratgia que possibilita a aplicao direta de tcnicas
de controle linear a sistemas no-lineares foi apresentada neste captulo, sendo que o estimador
sub-timo foi apresentado no captulo 4. Assim com a linearizao exata associada a um estimador
41
de estados e parmetros de um sistema no-linear tem-se a linearizao exata adaptativa que possui
os valores dos parmetros da funo no-linear alterados pelo estimador do processo.
Acredita-se que este processo pode ser eciente para diversos sistemas, pois a aplicao da
Linearizao Exata uma alternativa consistente e eciente que foi bastante estudada desde os
anos 80, como apresenta [Isidori 1989], e com o auxlio de estimadores pode-se eliminar sua prin-
cipal desvantagem e aplicar a sistemas de parmetros variantes no tempo e mesmo a sistemas de
parmetros invariantes no tempo, mas onde no se tem o valor exato no momento de projeto do
controlador.
Como resultado da LEA tem-se um sistema linear que pode ser controlador por tcnicas bas-
tante conhecidas e estudadas. Porm neste trabalho aspectos importante no estudo de controle
adpatativo como: garantia de convergncia, estabilidade e dinmica da adaptao no foram trata-
dos de forma terica, pois entende-se que esto fora do escopo deste e podem ser objeto de estudos
de trabalhos futuros. Uma forma de minimizar problemas de adaptao na LEA a utilizao do
FKE para estimar em tempo real somente os parmetros que podem sofre alteraes durante o
experimento. Neste contexto os parmetros que no sofrem mudanas podem ser estimados o-line
ou em experimentos especcos.
A proposta de aplicao da linearizao exata adaptativa a um sistema no-linear baseada
nos seguintes passos:
1. Ajuste e validao do estimador de estados e parmetros;
2. Aplicao do estimador e ajuste dos valores iniciais do ltro para os estimados;
3. Alterao do conjunto de parmetros que ser estimado em tempo real para o conjunto
mnimo necessrio;
4. Aplicao da linearizao exata ao sistema;
5. Escolha da taxa de atualizao dos parmetros estimados para a linearizao exata;
6. Validao dos resultados.
42
Captulo 6
Controle Preditivo Baseado em Modelo
Introduo
O controle preditivo de processos se enquadra nas tcnicas de controle timo como mostra
Imsland em et al. [Imsland, Bar e Foss 2005], pois possui uma funo de custo a ser otimizada.
Alm da funo de custo o controle preditivo possui outros componentes bsicos, um modelo do
processo, um comportamento bsico das predies e o horizonte deslizante de predio e controle
[Camacho e Bordons 2003, Rossiter 2003].
O controle preditivo baseado num modelo processo, modelo este que utilizado para veri-
car o que acontecer com o processo num determinado horizonte [Clark, Mohtadi e Tus 1987,
Clark, Mohtadi e Tus 1987] e um importante fator do controle preditivo, pois s se consegue
um bom controle se houver um bom modelo de predies, ou seja o resultado do seu controle de-
pende diretamente do modelo utilizado, bem como da funo otimizao, do horizonte de predio
e outros fatores. A Figura 6.1 apresenta o horizonte deslizante (recending horizon) utilizado em
controle preditivo que ser atualizado em cada instante de amostragem pelo preditor do sistema.
Uma grande vantagem do controle preditivo a capacidade de considerar na funo de otimi-
zao as diversas restries do processo a ser controlado, como limites de entrada e sadas, limites
nos estados e capacidade de variao do sinal de atuao dentre outras restries. Em ambientes
industriais essa caracterstica bastante utilizada e importante [Findeisen 2002] para aplicaes
nas mais diversas reas, como indstria qumica, economia e processos industriais em geral.
Existem diversas abordagem e algoritmos de controladores preditivos como mostra a Tabela
6.1
1
. A maioria dos algoritmos de controle preditivo baseados em modelos bastante simi-
lar com algumas distines na modelagem e predio. Existem tambm diferenas no uso ou
no de ltros ou mesmo na substituio do sinal de referncia como forma de atuao do con-
trole preditivo, como nos trabalhos de [Bemporad 1997, Bauchspiess, Alfaro e Dobrzanski 2001].
Neste trabalho utiliza-se o Controle Preditivo baeado no Generalized Predictive Control (GPC) de
[Clarke, Mohtadi e Tus 1987].
1
Os termos esto em ingls porque so mais conhecidos neste idioma.
43
Tabela 6.1: Algoritmos de Controle Preditivo
Sigla Algoritmo
DMC Dynamic Matrix Control
GPC Generalized Predictive Control
GPCI Generalized Predictive Control with an internal model
GPCT Generalized Predictive Control with a T-Filter
IHPC Innite Horizon Predictive Control
IMC Internal Model Control
LQMPC Linear Quadratic optimal Model Predictive Control
PFC Predictive Funcional Control
UPC Unied Predictive Control
FMP Following Model Predictive control
6.1 Controle Preditivo
O Controle Preditivo Baseado em Modelo um algoritmo de controle multivarivel que tem os
seguintes mdulos:
Um modelo interno da dinmica do processo,
Um histrico do sinal de controle passado,
Uma funo de custo a ser otimizada sob um horizonte de predio.
A Figura 6.1 mostra os blocos funcionais de um controlador preditivo, onde os princpais
elementos so:
Um ltro de referncias que representa o comportamento do sinal desejado para a sada no
futuro. o conhecimento prvio desta trajetria que garante ao controlador uma caracterstica
antecipativa.
O modelo do sistema o modelo matemtico interno do processo que deve ser capaz de repre-
sentar o seu comportamento dinmico de forma sucientemente precisa. Conforme a necessidade
este modelo pode ser linear ou no-linear e podendo, ainda, ser atualizado atravs de mtodos de
identicao on line conferindo ao controlador uma caracterstica adaptativa. A estrutura apresen-
tada na Figura 2.1 apresentada um controlador com funo interna no-linear, enquanto o controle
preditivo desse trabalho baseado no modelo linear obtido aps a aplicao da linearizao exata
adaptativa no modelo no-linear do processo. A formulao matemtica da linearizao exata foi
apresentada no Captulo 5
O preditor tem como funo fornecer atravs do modelo matemtico uma previso da sada
futura com base na informao atual da planta.
O otimizador realiza a minimizao da funo custo a cada perodo de amostragem de forma
a obter uma ao de controle que garanta um desempenho adequado ao sistema. A funo a
44
ser minimizada pode contemplar, alm de parcelas associadas ao erro futuro e ao incremento no
sinal de controle, outros termos que forneam ao controlador propriedades que melhorem o seu
desempenho frente s particularidades do processo. Quando da utilizao de uma funo custo
quadrtica, modelos lineares e na ausncia de restries o problema de otimizao apresenta uma
soluo analtica, caso contrrio, algum mtodo de otimizao numrica deve ser empregado.
Figura 6.1: Estrutura de um controlador preditivo
O Controle Preditivo considera, de forma explcita, as restries de um sistema. Estas podem
ser restries nos estados ou na sada do controlador. A funo de custo a ser minimizada no
controle preditivo utiliza um horizonte de controle para atingir o valor desejado de referncia,
minimizando o sinal de atuao e gera como resultado mais de um sinal de atuao, dentro do
horizonte de controle que atingir o sinal de referncia dentro do horizonte de predio. Assim o
primeiro sinal aplicado ao sistema e novamente recalcula-se os sinais de sada do controle preditivo
a cada instante de amostragem.
O formato geral de um preditor :
y
k
= H u
k1
+P x
k
, (6.1)
onde H a matriz Toeplitz C
G/
da resposta ao degrau do sistema e P depende da forma direta
dos parmetros do modelo [Rossiter 2003].
A predio pode ser feita com base em diversas tcnicas as mais utilizadas so predio no
espao-de-estados e predio utilizando modelo Controllerd Auto-Regressive Integrated Moving
Average (CARIMA) [Rossiter 2003], esta feita com base no modelo interno do processo, ver
seo 6.1.1.
45
A funo de custo a ser otimizada possui o seguinte formato geral:
J =
n
y

i=n
w
W
y
e
k+1

2
2
+
n
u

i=0
W
u
u
k+i

2
2
, (6.2)
onde:
n
y
o horizonte de predio,
n
u
o horizonte de controle,
n
w
a parte do horizonte de predio onde inicia-se a predio do erro, esta pode ser bastante
interessante para controle de sistemas com atraso de transporte ou mesmo sistemas de fase
no mnima, como explorado em [Rossiter 2003],
W
y
matriz de pesos das sadas do sistema, caso multivarivel como do sistema de nvel de
lquidos,
W
u
matriz de pesos dos sinais de controle do sistema, caso multivarivel como do sistema de
nvel de lquidos.
A gura 6.1 ilustra o horizonte de predio do controle preditivo. O horizonte dito deslizante,
pois faz a predio sempre k passos a frente do instante atual e atua de forma a minizar a ao de
controle e atingir o valor desejado dentro deste horizonte.
Figura 6.2: Horizonte Deslizante em Controle Preditivo
6.1.1 O Modelo Interno do Controle Preditivo
A modelagem de um processo um passo importante no controle preditivo de sistemas. En-
contrar um modelo pode ser indicativo de sucesso ou no da estratgia de controle o modelo
46
utilizado deve procurar ser ao mesmo tempo simples e que fornea predies acurados do processo
[Rossiter 2003]. Pode-se tambm modelar pertubaes internamente com objetivo de rejeit-las na
estratgia de controle, neste caso pode-se utilizar modelos simples e realizar evolues com base
em testes executados. Em alguns casos utiliza-se tambm ltros para reduzir rudo de medio,
como neste trabalho utiliza-se o ltro de Kalman estendido, ver Captulo 4 para estimar estados
do sistema, no se necessita de ltragem de medidas.
Existem diversas formas de modelagem de sistemas como: resposta nita ao impulso, funo
de transferncia, descrio matriz-frao, entre outras. A modelagem utilizada neste captulo
baseada em modelo espao-de-estados de sistemas. A equao 6.3 apresenta um sistema linear
modelado no espao-de-estados que servir de base para o controle desenvolvido neste captulo. A
modelagem apresentado nesta seo segue o padro mostrado em [Rossiter 2003]
_
x
k+1
= Ax
k
+Bu
k
y
k
= Cx
k
,
(6.3)
com este modelo pode-se encontrar o predidor do sistema de forma recursiva utilizando a equao
6.1, assim tem-se que:
x
k+1
= Ax
k
+Bu
k
(6.4)
x
k+2
= A
2
x
k
+ABu
k
+Bu
k+1
(6.5)
x
k+3
= A
3
x
k
+A
2
Bu
k
+ABu
k+1
+Bu
k+2
, (6.6)
logo tem-se o seguinte sistema linear ampliado:
_

_
x
k+1
x
k+2
x
k+3
x
k+4
.
.
.
x
k+n
y
_

_
=
_

_
A
A
2
A
3
A
4
.
.
.
A
n
y
_

_
x
k
+
_

_
B 0 0 ... 0
AB B 0 ... 0
A
2
B AB B ... 0
A
3
B A
2
B AB ... 0
.
.
.
.
.
.
.
.
. ...
.
.
.
A
n
y
1
B A
n
y
2
B A
n
y
3
B ... B
_

_
_

_
u
k
u
k+1
u
k+2
u
k+3
. . .
u
k+n
y
1
_

_
(6.7)
na forma compacta tem-se que:
x
k
= P
xx
x
k
+H
x
u
k1
, (6.8)
onde a sada do sistema :
_

_
y
k+1
y
k+2
y
k+3
y
k+4
.
.
.
y
k+n
y
_

_
=
_

_
CA
CA
2
CA
3
CA
4
.
.
.
CA
n
y
_

_
x
k
+
_

_
CB 0 0 ... 0
CAB CB 0 ... 0
CA
2
B CAB CB ... 0
CA
3
B CA
2
B CAB ... 0
.
.
.
.
.
.
.
.
. ...
.
.
.
CA
n
y
1
B CA
n
y
2
B CA
n
y
3
B ... CB
_

_
=
_

_
u
k
u
k+1
u
k+2
u
k+3
. . .
u
k+n
y
1
_

_
, (6.9)
47
na forma compacta tem-se que:
y
k
= P
x
x
k
+H u
k1
. (6.10)
Assim o modelo para predio de sistemas lineares modelados no espao-de-estados na forma
compacta :
_
_
_
x
k
= P
xx
x
k
+H
x
u
k1
y
k
= P
x
x
k
+H u
k1
(6.11)
6.1.2 A Minimizao da Funo de Custo
Utilizando a modelagem no espao-de-estados a funo denida na equao 6.2, tem-se a se-
guinte funo de custo:
min
u
J = [ x

x
ss
]
T
Q[ x

x
ss
] + [ u

u
ss
]
T
R[ u

u
ss
], (6.12)
onde u
ss
o sinal de controle em regime permanente, estado x
ss
, para a referncia atual do sistema.
A miminizao da funo de custo original J fornece u = Kx com a translao do ponto de
operao temos tem-se que u = K(x x
ss
) +u
ss
. Assim como:
x

= P
xx
x H
x
u

, (6.13)
min
u

J = [P
xx
x H
x
u

]
T
Q[P
xx
x H
x
u

] + u

T
Ru

, (6.14)
u

= [H
T
x
QH
x
+R]
1
H
T
X
QP
xx
x, (6.15)
assim tem-se que:
u
k
u
ss
= e
T
1
[H
T
x
QH
x
+R]
1
H
T
X
QP
xx
(x x
ss
). (6.16)
6.2 Aplicao do MPC ao Sistema de Nvel Multivarivel
Utilizando o modelo obtido pela linearizao exata do processo temos um controle como mostra
a Figura 6.2. O modelo do processo utilizado no controlador preditivo um modelo linear, mas a
ao de controle preditivo qual o sistema no-linear est sujeito uma ao de controle preditivo
no-linear, devido a ao conjunta do controle preditivo baseado em modelo com a linearizao
exata adaptativa. O modelo interno utilizado o modelo obtido pela linearizao exata do sistema
de nvel de lquidos, descrito no Captulo 5:
48
Figura 6.3: Diagrama de Blocos da Linearizao Exata Adaptativa com Controle Preditivo
A =
_

_
0 0 0 0
1 0 0 0
0 0 0 0
0 0 1 0
_

_
,
B =
_

_
1 0
0 0
0 1
0 0
_

_
,
C =
_
0 1 0 0
0 0 0 1
_
,
(6.17)
assim aplica-se um controlador preditivo multivarivel, mas com a desacoplagem do sistema de nvel
gerando dois sub-sistemas na forma de cadeia de integradores pode-se utilizar dois controladores
preditivos, um para cada sub-sistema, neste caso o modelo interno de cada controlador :
A =
_
0 0
1 0
_
,
B =
_
1
0
_
,
C =
_
0 1
_
.
(6.18)
Substituindo-se estes modelos nas equaes predio tem-se a forma de predio para o conjunto
MPC + LE + FKE. Nota-se que devido simplicidade do modelo produzido pela linearizao exata
do sistema de nvel de lquidos do LAVSI.
49
6.3 Concluses
Este captulo apresentou um resumo sobre controle preditivo baseado em modelo e sua associ-
ao com a linearizao exata adaptativa.
Em relao ao controle preditivo mostrou-se seus componentes principais e funcionalidade, bem
como uma lista de diversas abordagens de controle preditivo linear, ver tabela 6.1. A seo 6.1
apresentou a estrutura bsica e o formato genrico de um preditor.
A modelagem no espao-de-estados foi estratgia utilizada para apresentar o modelo interno
do contole preditivo baseado em modelo e uma funo de custo geral foi descrita na sub-seo
6.1.2. Ao nal foi apresentado a forma associada do controlador preditivo com a linearizao exata
adaptativa aplicada ao sistema de nvel de lquido com os modelos que devem ser utilizados no
modelo interno do controlador.
50
Captulo 7
Resultados Obtidos
Este Captulo apresenta resultados experimentais
da aplicao do ltro de Kalman estendido, da li-
nearizao exata e da linearizao exata adapta-
tiva para o sistema de nvel de lquidos do LAVSI.
Introduo
Os resultados apresentados nesse captulo so resultados de simulaes das situaes indicadas,
assim sabe-se os valores corretos das possies das vlvulas do processo, alm dos corretos valores
das variveis de estado. A simulao do Processo de Nvel Lquidos foi realizada utilizando o mtodo
de Euler para simulao, Freitas et al. em [Freitas, Borges e Bauchspiess 2004] foram apresentados
resultados do controle do processo real e simulaes baseadas no mtodo de Euler e os resultados
estavam coerentes com as simulaes realizadas. Esta foi relizada com um intervalo de integrao
10 vezes a frequncia de controle do processo simulado, assim temos uma simulao bastante rpida
num mtodo pouco eciente, mas devido a alta taxa de simulao pode-se considerar os resultados
como satisfatrios [Franklin, Powell e Workman 1997].
A aplicao de ltro de Kalman estendido como estimador de estados e parmetros ser apresen-
tada com experimentos em malha aberta e em malha fechada, ambos com variaes dos parmetros
durante os experimentos, assim pode-se observar a capacidade e qualidade da estimao conjunta
do FKE para o sistema de nvel de lquidos.
As simulaes realizadas incluem nas medidas um rudo gaussiano de varincia de 1,5, tendo
em vista que os sensores capacitivos utilizados no sistema de nvel de lquidos possuem preciso
de 0,5mm [Bernardes et al. 2006] este valor pode ser considirado bom para simular os sensores em
uso no sistema real.
7.1 Estimao de Estados e Parmetros com o Filtro de Kalman
Estendido em Malha Aberta
A aplicao do FKE para estimar os estados e parmetros do sistema de nvel de lquido foi
apresentada de forma terica no Captulo 4 e nesta seo apresenta-se resultados da estimao
51
conjunta de estados e parmetros do sistema. Os sinais de entrada mostrados na Figura 7.1 foram
aplicados no sistema de nvel em malha aberta, com mudana nas vlvulas durante a operao.
A Figura 7.2 mostra os valores estimaos dos estados para a entrada da Figura 7.1 e a Figura 7.3
apresenta os resduos de estimao dos estados no intervalo de conana 3.
Figura 7.1: Sinal dos Atuadores em Malha Aberta
A Figura 7.4 mostra o resultado da estimao dos parmetros k
12
, k
23
e k
34
do modelo no-
linear do sistema de nvel, equao 3.12. Note que os valores dos parmetros k
12
, k
23
e k
34
sofrem
alteraes durante a operao e o FKE consegue acompanhar tal variao. As Tabelas 7.1, 7.2 e
7.3 apresentam os valores dos parmetros k
12
, k
23
e k
34
alterados em funo do tempo.
A Figura 7.1 mostra o resultado da estimao dos parmetros k
2
e k
4
do modelo no-linear
do sistema de nvel, equao 3.12. Estes parmetros no foram testados com mudanas durante
a operao, pois se tratam dos furos nos tanques 2 e 4, assim no se tem mudana durante um
experimento.
Tabela 7.1: Alteraes no valor de k
12
Instante de Tempo (s) Valor real de k
12
0 12,12
300 13,332
700 14,665
52
Figura 7.2: Valores Estimados dos Estados em Malha Aberta
Tabela 7.2: Alteraes no valor de k
23
Instante de Tempo (s) Valor real de k
23
0 4,49
200 4,04
600 3,23
800 4,20
Tabela 7.3: Alteraes no valor de k
34
Instante de Tempo (s) Valor real de k
34
0 16,88
400 18,57
900 20,42
53
Figura 7.3: Resduos de Estimao dos Estados em Malha Aberta
Figura 7.4: Valores Reais e Estimao de k
12
, k
23
e k
34
em Malha Aberta
54
Figura 7.5: Valores Reais e Estimao de k
2
e k
4
em Malha Aberta
55
7.2 Aplicao da LEA ao Sistema de Nvel de Lquidos
A linearizao exata adaptativa facilita o controle de sistemas no-lineares de forma indepen-
dente do ponto de operao, assim como para grandes sinais. No caso do sistema de nvel de
lquidos apresenta-se um resultado da referncia variando 20 cm, na forma de onda quadrada, as-
sim mostra-se a aplicao do conjunto linearizao exata com ltro de Kalman estendido aplicado
a grandes sinais. Neste caso a atualizao dos parmetros para a linearizao exata ocorre a cada
dez instantes de amostragem e no a cada instante de atuao do controlador.
Os sinais de entrada mostrados na Figura 7.7 so a sada do controlador PI que ser uma das
entradas da linearizao exata, juntamente com os estados e parmetros estimados pelo FKE. A
Figura 7.8 mostra os valores estimaos dos estados o controle PI utilizando a linearizao exata
adaptativa e a Figura 7.9 apresenta os resduos de estimao dos estados no intervalo de conana
3. Os valores utilizados no controlador foram P = 0,5 e I = 0,001.
O diagrama de blocos da Figura 7.6 apresenta a estrutura desse controlador, onde pode-se
observar que o PI mesmo contante e linear percebido pelo sistema como um controlador no-
linear.
Figura 7.6: Diagrama de blocos do associao entre a LEA com o controle PI
A Figura 7.10 mostra o resultado da estimao dos parmetros k
12
, k
23
e k
34
do modelo no-
linear do sistema de nvel, equao 3.12. Note que os valores dos parmetros k
12
, k
23
e k
34
sofrem
alteraes durante a operao e o FKE consegue acompanhar tal variao, a alterao a mesma
do experimento em malha aberta. A Figura 7.11 mostra o resultado da estimao dos parmetros
k
2
e k
4
do modelo no-linear do sistema de nvel, equao 3.12.
56
Figura 7.7: Sinal dos Atuadores - LEA com controle PI
Figura 7.8: Valores estimados dos estados - LEA com controle PI
57
Figura 7.9: Resduos de estimao dos estados - LEA com controle PI
Figura 7.10: Valores reais e estimados de k
12
, k
23
e k
34
- LEA com controle PI
58
Figura 7.11: Valores reais e estimados de k
2
e k
4
- LEA com controle PI
59
7.3 Aplicao de Controle Preditivo com LEA ao Sistema de Nvel
de Lquidos
O controle preditivo de processos juntamente com as derivaes do PID o par de tcnicas de
controle com maior uso industrial, mas o controle preditivo possui grande uso e aceitao acadmica
tambm, tornando-se possuidor de uma combinao nica entre industria e pesquisa acadmica.
Assim torna bastante interessante aplicar o MPC ao sistema de nvel de lquidos. O modelo interno
utilizado o modelo obtido pela linearizao exata do sistema de nvel de lquidos:
x =
_

_
0 0 0 0
1 0 0 0
0 0 0 0
0 0 1 0
_

_
x +
_

_
1 0
0 0
0 1
0 0
_

_
v
y =
_
0 1 0 0
0 0 0 1
_
x
, (7.1)
assim aplica-se um controlador preditivo multivarivel, mas com a desacoplagem do sistema de nvel
gerando dois sub-sistemas na forma de cadeia de integradores pode-se utilizar dois controladores
preditivos, um para cada sub-sistema, neste caso o modelo interno de cada controlador :
x =
_
0 0
1 0
_
x +
_
1
0
_
v
y =
_
0 1
_
x
. (7.2)
O diagrama de blocos da Figura 7.12 apresenta a estrutura desse controlador, onde pode-se
observar que o MPC atua como se fosse um NMPC, devido a parte no-linear da linearizao exata
adaptativa. Assim tem-se as vantagens do projeto de controladores lineares aplicado a sistemas
reais.
Figura 7.12: Diagrama de blocos do associao entre a LEA com o controle MPC
60
A linearizao exata adaptativa facilita o controle de sistemas no-lineares de forma indepen-
dente do ponto de operao, assim como para grandes sinais. No caso do sistema de nvel de
lquidos apresenta-se um resultado da referncia variando 20 cm, na forma de onda quadrada, as-
sim mostra-se a aplicao do conjunto linearizao exata com ltro de Kalman estendido aplicado
a grandes sinais. Neste caso a atualizao dos parmetros para a linearizao exata ocorre a cada
dez instantes de amostragem e no a cada instante de atuao do controlador.
A Figura 7.13 mostra os valores estimaos dos estados no experimento com controlador MPC
utilizando a linearizao exata adaptativa e a Figura 7.14 apresenta os resduos de estimao dos
estados no intervalo de conana 3.
A Figura 7.15 mostra o resultado da estimao dos parmetros k
12
, k
23
e k
34
pelo FKE e seus
valroes reais que sofrem alteraes durante a execuo do experimento. A Figura 7.16 mostra o
resultado da estimao dos parmetros k
2
e k
4
pelo ltro de Kalman estendido.
Os sinais de entrada mostrados na Figura 7.17 so a sada do controlador MPC que ser uma
das entradas da linearizao exata, juntamente com os estados e parmetros estimados pelo FKE.
61
Figura 7.13: Valores estimados dos estados - LEA controle MPC
62
Figura 7.14: Resduos de estimao dos estados - LEA controle MPC
Figura 7.15: Valores reais e estimados de k
12
, k
23
e k
34
- LEA controle MPC
63
Figura 7.16: Valores reais e estimados de k
2
e k
4
- LEA controle MPC
Figura 7.17: Sinal dos atuadores - LEA controle MPC
64
A Figura 7.18 apresenta o controle MPC associado a linearizao exata adpatativa sendo exe-
cutado em toda a faixa de operao do sistema de nvel de lquidos. Nota-se que no controle do
nvel do tanque 2 para valores altos de referncia possui uma certa oscilao. Mas neste caso o
fator predominante altura mxima do nvel que est prximo do seu valor limite gerando um
sinal de atuao mais ruidoso que o normal.
65
Figura 7.18: Valores medidos e referncia da aplicao de controle MPC com LEA em toda a faixa
de operao do sistemas de nvel de lquidos
66
7.3.1 Controle Preditivo Baseado em Modelo com Linearizao Exata
O controle MPC associado foi associado a linearizao exata do sistema de nvel de lquidos,
sendo que os valores utilizados no eram os valores reais do sistema, ver Tabelas 7.1, 7.2 e 7.3 de
mudanas nos parmetros durante o experimento. Com isso aplicou-se o controle preditivo sem
caracterstica antecipativa. A Figura 7.19 mostra o resultado da estimao dos estados pelo FKE,
j que a caracterstica que no foi associada foi a estimao dos parmetros.
A Figura 7.20 mostra detalhes do controle. Fica visivelmente claro que o sistema possui uma
caracterstica oscilatria perto da objetivo mais visvel no nvel dos tanques 1 e 2, j no tanque 4 o
resultado deixou um erro em regime permanente. Este fato mostra a importncia dos valores dos
parmetros do modelo no procedimento de linearizao exata. O sinal de controle da linearizao
exata apresentado na Figura 7.21 ressalta que o sistema trabalha de forma semelhante a um
controlador liga-desliga, oscilando entre os valores mximo e mnimo do atuador, na aplicao real
esta caracterstica pode nem mesmo ser percebida, pois dada a freqncia do sinal de atuao pode
ser o atuador ltre parte deste melhorando o resultado do controle.
Figura 7.19: Valores estimados dos estados - LE controle MPC
67
Figura 7.20: Detalhe dos valores estimados dos estados - LE controle MPC
Figura 7.21: Sinal dos atuadores - LE controle MPC
68
7.4 Resumo
Na Seco 7.2 apresentou-se a invarincia ao ponto de operao e mudana de valores nos
parmetros do sistema proveniente da associao entre a linearizao exata adaptativa e o controle
PI de sistemas lineares de uma entrada e uma sada.
Na Seco 7.3 a Figura 7.18 apresentou-se a invarincia do conjunto LEA-MPC em relao ao
ponto de operao do sistema de nvel de lquidos, bem como em relao mudana de valores
nos parmetros durante a execuo de um experimento. Ou seja, esse experimento valida a LEA
associada ao MPC para controle de sistemas no-lineares. O MPC foi aplicado como controlador
de sistemas multivarivel, mas poderia tambm ser decomposto em dois controladores de sistemas
SISO.
A Seco 7.3.1 apresentou-se a associao entre a linearizao exata e o controle preditivo
baseado em modelo que produz um controlador invariante ao ponto de operao do sistema de
nvel de lquidos, porm este controlador depende dos corretos valores de parmetros utilizados na
linearizao exata. Assim pode-se armar que para sistemas como este a aplicao da linearizao
exata insuciente, pois no possui robustez em relao variao dos valores dos parmetros do
sistema no-linear.
69
Captulo 8
Concluses e Pesquisa Futuras
8.1 Concluses
A linearizao exata adaptativa abordada neste trabalho composta pela associao da line-
arizao exata clssica com um estimador recursivo, no caso o ltro de Kalman estendido, foi
detalhadamente apresentada e mostrou-se uma soluo para a aplicao de tcnicas de controle
linear a sistemas no-lineares, assim evita-se os problemas dos sistemas no-lineares com as vanta-
gens do controle linear. A utilizao da Linearizao Exata com controle preditivo mostra-se uma
abordagem mais efetiva que a abordagem de utilizao de modelos locais utilizada e mais simples
que abordagem de uso das equaes no-lineares na funo de custo do controlador.
Os resultados apresentados nesse trabalho mostraram a eliminao da inuncia do ponto de
operao em sistemas lineares no resultado do controle do processo, ou seja o controle gerar os
mesmo resultados em toda a faixa de operao do processo. No captulo 7 a LEA foi aplicada em
conjunto com controle PI e com MPC controlando o sistema de nvel de lquidos em toda sua faixa
de operao, sem necessidade de alteraes no controlador. Como a linearizao exata adaptativa
gera um modelo linear pode aplicar as tcnica de controle linear a sistema como o sistema de nvel
de lquidos, desde que seja possvel realizar a linearizao exata do processo.
Alguns fatores caractersticos de sistemas adaptativos que no esto no escopo do estudo deste
trabalho como a estabilidade podem ter seus problemas minimizados utilizando-se uma taxa de
atualizao dos parmetros superior a taxa de amostragem do sistema. Assim o FKE no realizaria
a atualizao dos parmetros da linearizao exata a cada instante de tempo, mas por exemplo,
a cada 20 amostras. O ltro de Kalman estendido funcionou muito bem para estimao conjunta
de estados e parmetros do sistema, mas outra forma de minimizar possveis problemas seria a
reduo do nmero de parmetros estimados pelo FKE a aqueles que sofrem variaes durante os
experimentos.
O Controle Preditivo Baseado em Modelo uma tcnica que no s tem aceitao acadmica
e industriais como produz bons resultados numa grande diversidade de sistemas. Uma das di-
culdades de utilizao de tcnicas de Controle Preditivo a grande quantidade de parmetros
congurveis, como pesos de entrada e sada, horizontes de controle e predio, bem como quando
aplicar tais horizontes. Ou seja o tunning do controlador preditivo no fcil nem existe uma
70
estratgia unicada e bem denida para tal, se o controle MPC j possui tantas variantes imagine
um controle que a funo a ser minimizada tem com base funes no-lineares nesse contexto de
complicao e grande liberdade o uso da Linearizao Exata para gerar e utilizar o modelo num
controlador MPC bastante ecaz como mostrado nesse trabalho para o caso Multivarivel.
8.2 Pesquisa Futuras
Como pesquisas futuras tem-se as seguintes propostas:
Estudo terico da estabiliade da linearizao exata adaptativa;
Aplicao do controle preditivo com caracterstica antecipativa ao sistema de nvel;
Comparao da linearizao exata adaptativa com outras tcnicas que possibilitam controlar
sistemas no-lineares com tcnicas de controle linear.
71
REFERNCIAS BIBLIOGRFICAS
[Abdennour M. Ksouri 2002]ABDENNOUR M. KSOURI, F. M. R. Nonlinear model-based predic-
tive control using a generalised Hammerstein model and its application to a semi-batch reactor.
The International Journal of Advanced Manufacturing Technology, v. 20, n. 11, p. 844852, No-
vember 2002.
[Aguirre 2004]AGUIRRE, L. A. Introduo Identicao de Sistemas - Tcnicas Lineares e No-
Lineares Aplicadas a Sistemas Reais, Segunda Edio Revista e Ampliada. [S.l.]: Editora UFMG,
2004.
[Aguirre, Rodrigues e Mendes 1997]AGUIRRE, L. A.; RODRIGUES, G. G.; MENDES, E. M.
A. M. Non-linear identication and cluster analysis of chaotic attractors from a real implemen-
tation of chuas circuit. International Journal of Bifurcation and Chaos, v. 7, n. 6, p. 14111423,
1997.
[Aragones, Borges e Fournier 2002]ARAGONES, J.; BORGES, G. A.; FOURNIER, A. Isr2002.
In: Accuracy Improvement for a Redundant Vehicle. [S.l.: s.n.], 2002.
[Bauchspiess, Alfaro e Dobrzanski 2001]BAUCHSPIESS, A.; ALFARO, S. C. A.; DOBRZANSKI,
L. A. Predictive sensor guided robotic manipulators in automated welding cells. Journal of Ma-
terials Processing Technology, 2001.
[Bellemans, De Schutter B. e De Moor 2006]BELLEMANS, T.; De Schutter B., W. G.; De Moor,
B. Model predictive control for ramp metering combined with extended kalman lter-based trac
state estimation. In: Intelligent Transportation Systems Conference, 2006. ITSC 06. IEEE. [S.l.:
s.n.], 2006. p. 406411.
[Bemporad 1997]BEMPORAD, A. Reference Governors: On-Line Set-Point Optimization Techni-
ques for Constraint Fulllment. Tese (Doutorado) Control and Computer Engineering Univer-
sita di Firenze, Italy, 1997.
[Bernardes et al. 2006]BERNARDES, M. et al. Instrumentao e identicao no-linear de um
sistema de nvel de lquido com quatro tanques interligados. In: CBA, Congresso Brasileiro de
Automtica. [S.l.: s.n.], 2006.
[Bitencourt Junior 2003]Bitencourt Junior, H. Mtodos de Estimao Recursiva Baseados no Filtro
de Kalman Aplicados a Sistemas No-Lineares. Dissertao (Mestrado) Programa de Ps-
Graduao em Engenharia Eltrica da Universidade Federal de Minas Gerais, November 2003.
72
[Bitencourt Junior, Torres e Aguirre 2004]Bitencourt Junior, H.; TORRES, L. A. B.; AGUIRRE,
L. A. Estimao conjunta de estados e parmetros com o ltro de kalman unscented: Um estudo
de caso usando o circuito de chua. In: Congresso Brasileiro de Automtica 2004, 2004, Gramado
- RS. Anais do CBA 2004, 2004. [S.l.: s.n.], 2004.
[Bloemen, Boom e Verbruggen 2000]BLOEMEN, H.; BOOM, T.; VERBRUGGEN, H. Model-
based predictive control for Hammerstein systems. In: Decision and Control, 2000. Proceedings
of the 39th IEEE Conference on. [S.l.: s.n.], 2000. p. 49634968.
[Blviken et al. 2001]BLVIKEN, E. et al. Monte Carlo lters for non-linear state estimation.
Automatica, v. 37, p. 177183, 2001.
[Borges G.A. 2006]BORGES G.A., M. L. Uncertainty propagation in transmission line modeling
(tlm) method. Frontiers on Applied computational Electromagnetics, FACE Digest, v. 1, p. 1316,
2006.
[Camacho e Bordons 2003]CAMACHO, E. F.; BORDONS, C. Model Predictive Control. [S.l.]:
Spring, 2003.
[Cervantes, Agamennoni e Figueroa 2003]CERVANTES, A. L.; AGAMENNONI, O. E.; FIGUE-
ROA, J. L. A nonlinear model predictive control system based on Wiener piecewise linear models.
Journal of Process Control, v. 13, n. 7, p. 655666, October 2003.
[Chen e Liu 2000]CHEN, R.; LIU, J. S. Mixture Kalman lters. Journal of the Royal Sta-
tistical Society: Series B (Methodological), v. 62, n. 3, p. 493508, 2000. Disponvel em:
<http://www.people.fas.harvard.edu/ junliu/TechRept/00.html >.
[Clark, Mohtadi e Tus 1987]CLARK, D. W.; MOHTADI, C.; TUFFS, P. Generalized Predictive
Control part i: the basic algorithm. Automatica, 1987.
[Clark, Mohtadi e Tus 1987]CLARK, D. W.; MOHTADI, C.; TUFFS, P. Generalized Predictive
Control part ii: extensions and interpretations. Automatica, 1987.
[Clarke, Mohtadi e Tus 1987]CLARKE, D. W.; MOHTADI, C.; TUFFS, P. S. Generalized pre-
dictive control. i - the basic algorithm. ii - extensions and interpretations. Automatica., v. 23, p.
137160, march 1987.
[Devasia, Chen e Paden 1996]DEVASIA, S.; CHEN, D.; PADEN, B. Nonlinear inversion-based
output tracking. IEEE Transactions on Automatic Control, 1996.
[Doucet, Freitas e Gordon 2001]DOUCET, A.; FREITAS, N. de; GORDON, N. Sequential Monte
Carlo Methods in Practice. [S.l.]: Springer-Verlag, 2001.
[Findeisen 2002]FINDEISEN, F. A. R. An introduction to nonlinear model predictive control. In:
21st Benelux Meeting on Systems and Control, 2002, Veldhoven. [S.l.: s.n.], 2002.
[Foss, Johansen e Sorenson 1994]FOSS, B.; JOHANSEN, T. A.; SORENSON, A. V. Nonlinear
predictive control using local models applied to a batch process. In: IFAC ADCHEM 94,
Kyoto, Japan. [S.l.: s.n.], 1994.
73
[Franco 2006]FRANCO, A. CONTROLE NO LINEAR ROBUSTO: UM MTODO BASEADO
EM UMA LINEARIZAO POR REALIMENTAO. Tese (Doutorado) Departamento de
Automao e Sistemas, Universidade Federal de Santa Catarina - UFSC, 2006.
[Franco et al. 2006]FRANCO, A. et al. Robust nonlinear control associating robust feedback line-
arization and H

control. IEEE Transactions on Automatic Control, v. 51, n. 7, p. 12001207,

2006.
[Franklin, Powell e Workman 1997]FRANKLIN, G. F.; POWELL, J. D.; WORKMAN, M. L. Di-
gital Control of Dynamic Systems. [S.l.]: Addson Wesley Longman, 1997.
[Freitas, Borges e Bauchspiess 2004]FREITAS, A. A.; BORGES, G. A.; BAUCHSPIESS, A. Avali-
ao do ltro de kalman estendido para estimao de parmetros de processo de nvel de lquidos.
In: CBA, Congresso Brasileiro de Automtica. [S.l.: s.n.], 2004.
[Freitas, Borges e Bauchspiess 2004]FREITAS, A. A.; BORGES, G. A.; BAUCHSPIESS, A. State
space control and extended kalman lter estimation applied to a 3rd order liquid level process.
In: INDUSCON. [S.l.: s.n.], 2004.
[Fruzzeti, Palazoglu e Mcdonald 1997]FRUZZETI, K.; PALAZOGLU, A.; MCDONALD, K. Non-
linear model predictive control using Hammerstein models. Journal of Process Control, v. 7, n. 1,
p. 3141, 1997.
[Gomez, Jutan e Baeyens 2004]GOMEZ, J.; JUTAN, A.; BAEYENS, E. Wiener model identica-
tion and predictive control of a pH neutralisation process. IEE Proceedings - Control Theory and
Applications, v. 151, n. 3, p. 329 338, 2004.
[Gosmann 2002]GOSMANN, H. L. Um Sistema Multivarivel de Tanques Acoplados para Avalia-
o de Tcnicas de Controle. Dissertao (Mestrado) Departamento de Engenharia Eltrica,
Universidade de Braslia, 2002.
[Hangos, Bokor e Szederknyi 2004]HANGOS, K.; BOKOR, J.; SZEDERKNYI, G. Analysis and
control of nonlinear process systems. [S.l.]: Springer-Verlag, 2004.
[Haykin 2001]HAYKIN, S. KALMAN FILTERING AND NEURAL NETWORKS. [S.l.]: John Wi-
ley & Sons, 2001.
[Haykin 2001]HAYKIN, S. Redes Neurais : Princpios e Prtica. [S.l.]: Bookman, 2001.
[Huang e Lewis 2003]HUANG, J.-Q.; LEWIS, F. Neural-network predictive control for nonlinear
dynamic systems with time-delay. Neural Networks, IEEE Transactions on, v. 14, n. 2, p. 377
389, 2003.
[Imsland, Bar e Foss 2005]IMSLAND, L.; BAR, N.; FOSS, B. A. More ecient predictive control.
Automatica, 2005.
[Isermann R. 1992]ISERMANN R., L. K.-H. M. D. Adaptive control Systems. [S.l.]: Prentice-Hall,
1992.
[Isidori 1989]ISIDORI, A. Nonlinear Control Systems. [S.l.]: Springer-Verlag, 1989.
74
[Jazwinski 1970]JAZWINSKI, A. H. Stochastic Processes and Filtering Theory. [S.l.]: Academic
Press, 1970.
[Julier, Uhlmann e Durrant-Whyte 2000]JULIER, S. J.; UHLMANN, J.; DURRANT-WHYTE,
H. F. A new method for the nonlinear transformation of means and covariances in lters and
estimators. IEEE Transactions on Robotics and Automation, v. 45, n. 3, p. 477482, 2000.
[Kalman 1960]KALMAN, R. E. A new approach to linear ltering and prediction problems. Tran-
sactions of the ASME - Jornal of Basic Engeneering, v. 82, p. 3545, 1960.
[Kalman e Bucy 1961]KALMAN, R. E.; BUCY, R. S. New results in linear ltering and prediction
theory. Transactions of the ASME - Jornal of Basic Engeneering, v. 83, p. 95107, 1961.
[Kishor e Singh 2007]KISHOR, N.; SINGH, S. Nonlinear predictive control for a nnarx hydro plant
model. Neural Computing & Applications, 2007.
[Ko, Strganac e Kurdila 1999]KO, J.; STRGANAC, T.; KURDILA, A. Adaptive feedback lineari-
zation for the control of a typical wing section with structural nonlinearity. Nonlinear Dynamics,
v. 18, n. 3, p. 289301, 1999.
[Leu e Baratti 2000]LEU, G.; BARATTI, R. An extended kalman ltering approach with a cri-
terion to set its tuning parameters; application to a catalytic reactor. Computer & Chemical
Engineer, v. 23, p. 18391849, 2000.
[Liu e Chen 1998]LIU, J.; CHEN, R. Sequential Monte Carlo methods for dynamic systems. Jour-
nal of the American Statistical Association, v. 93, p. 10321044, 1998.
[Ljung 1999]LJUNG, L. System Identication - Theory for the User. [S.l.]: Prentice-Hall, 1999.
[Ljung e Glad 1994]LJUNG, L.; GLAD, T. Modeling of Dynamic Systems. Information and System
Sciences Series. [S.l.]: Prentice-Hall, 1994.
[Lu e Tsai 2007]LU, C.-H.; TSAI, C.-C. Generalized predictive control using recurrent fuzzy neu-
ral networks for industrial processes. Journal of Process Control, v. 17, n. 1, p. 8392, Janu-
ary 2007. Disponvel em: <http://www.sciencedirect.com/science/article/B6V4N-4M2WP0V-
2/2/d225504227b328ddd28326e1499d7fc1>.
[Peng, Nakano e Shioya 2007]PENG, H.; NAKANO, K.; SHIOYA, H. Nonlinear predictive con-
trol using neural nets-based local linearization ARX modelstability and industrial application.
Control Systems Technology, IEEE Transactions on, v. 15, n. 1, p. 130143, 2007.
[Pimenta 2003]PIMENTA, K. B. Controle de juntas robticas usando Controlador Preditivo Gene-
ralizado Adaptativo Direto. Tese (Doutorado) Universidade Estadual de Campinas, 2003.
[Poulsen, Kouvaritakis e Cannon 2001]POULSEN, N. K.; KOUVARITAKIS, B.; CANNON, M.
Nonlinear constrained predictive control applied to a coupled-tank apparatus. IEE Proceedings -
Control Theory Applications, v. 148, n. 1, January 2001.
[Qin e Badgwell]QIN, S.; BADGWELL, T. An overview of nonlinear model predictive control
applications. Disponvel em: <citeseer.ist.psu.edu/qin00overview.html>.
75
[Qin e Badgwell 1996]QIN, S.; BADGWELL, T. A. An overview of industrial model predictive
control technology. In: Proceedings CPC-V, Lake Tahoe. [S.l.: s.n.], 1996.
[Richalet 1993]RICHALET, J. Industrial applications of model based predictive control. Automa-
tica, v. 29, n. 5, p. 12511274, 1993.
[Rossiter 2003]ROSSITER, J. A. Model-Based Predictive Control - A Pratical Approach. [S.l.]:
CRC Press, 2003.
[Schn 2001]SCHN, T. Identication for Predictive Control - A Multiple Model Approach. Disser-
tao (Mestrado) Department of Electrical Engineering, Linkoping University, Sweden, 2001.
[Simon 2006]SIMON, D. Optimal State Estimation: Kalman, H-innity, and Nonlinear Approa-
ches. [S.l.]: John Wiley & Sons, 2006.
[Smith e Hashtrudi-Zaad 2005]SMITH, A.; HASHTRUDI-ZAAD, K. van. Neural network-based
teleoperation using smith predictors. In: Mechatronics and Automation, 2005 IEEE International
Conference. [S.l.: s.n.], 2005. p. 16541659.
[Sousa 1998]SOUSA, E. de. Sobre o Mtodo de Interpolao Polinomial para o Problema de Line-
arizao Exata. Tese (Doutorado) Universidade Federal de Uberlndia, 1998.
[Wan, Merwe e Nelson 2000]WAN, E. A.; MERWE, R. van der; NELSON, A. T. Dual estima-
tion and the unscented transformation. MIT Press Advances in Neural Information Processing
Systems, v. 12, p. 666672, November 2000.
[Williams 1992]WILLIAMS, R. J. Training recurrent networks using the extended kalman lter.
In: International Joint Conference on Neural Networks. [S.l.: s.n.], 1992. p. 241246.
[Yun et al. 2005]YUN, L.-J. et al. Stability of state feedback two-step mpc for input saturated
uncertain Hammerstein model. In: Machine Learning and Cybernetics, 2005. Proceedings of 2005
International Conference on. [S.l.: s.n.], 2005. p. 574579.
[Zhang e Singh 2001]ZHANG, R.; SINGH, S. N. Adaptive output feedback control of an aeroelastic
system with unstructured uncertainties. Journal of Guidance, Control, and Dynamics, v. 24, n. 3,
p. 502509, 2001.
76