COMPARANDO DIFERENTES ESTRATEGIAS DE CONTROLE PARA SISTEMAS

NAO LINEARES INCERTOS BASEADAS EM ESCALONAMENTO DE GANHOS

Mateus Paresqui Berruezo, Leonardo A. B. Torres, Reinaldo Martinez Palhares

Programa de Pos-Graduacao em Engenharia Eletrica Universidade Federal de Minas Gerais
Av. Antonio Carlos 6627, 31270-901, Belo Horizonte, MG, Brasil

Departamento de Engenharia Eletronica Universidade Federal de Minas Gerais

Emails: mateuspberruezo@yahoo.com, leotorres@ufmg.br, rpalhares@ufmg.br

Abstract In this paper, two recent approaches for dealing with approximation and control of nonlinear
systems with parametric uncertainties are presented and compared. These approaches are based on Linear
Parameter Varying (LPV) and polytopic fuzzy Takagi-Sugeno (TS) models, respectively. Details and peculiarities
of each approach are presented along the paper and a numerical example is presented to illustrate the performance
of each one.

Keywords Takagi-Sugeno fuzzy models, LPV models, Uncertainty, Gain scheduled control.

Resumo Neste trabalho, sao apresentadas e comparadas duas abordagens recentes para aproximacao e
controle de sistemas nao lineares com presencas de incertezas parametricas. Essas abordagens sao baseadas,
respectivamente, em modelos lineares por parametros variantes (LPV - do ingles Linear Parameter Varying)
e fuzzy Takagi-Sugeno (TS) com descricoes politopicas. Detalhes e particularidades de cada abordagem sao
apresentadas ao longo do texto e um exemplo numerico e utilizado para ilustrar a performance de cada uma.

Palavras-chave Modelos fuzzy Takagi-Sugeno, Modelos LPV, Incertezas parametricas, Controle por ganho
escalonado.

1 Introducao Na modelagem TS, em geral as variaveis premissas

Ha uma rica literatura propondo diferentes me-
todos para sntese de controladores considerando
diferentes classes de sistemas nao lineares em dife-
rentes aplicacoes. Um passo crucial para este tipo
de metodologia diz respeito a se obter uma repre-
sentacao adequada para a classe de sistemas nao
lineares, e em alguns casos sao necessarias aproxi-
macoes apropriadas nos intervalos de analise an-
tes de proceder a sntese de controle. Pode-se ci-
tar como estrategias de aproximacao: lineariza-
cao local em torno de pontos de operacao; repre-
sentacao por sistemas variantes no tempo e mais
especificamente em subclasses na forma de siste-
mas com parametros variantes (LPV); modelos lo-
cais fuzzy Takagi-Sugeno (TS); aproximacao poli-
nomial multivariavel; transformacoes fracionarias
lineares, dentre outras. A ideia e que dada uma
aproximacao para a classe de sistemas nao line-
ares, a sntese de controle possa ser obtida con-
siderando metodologias mais amigaveis e aplica-
veis a estas diferentes aproximacoes. No entanto
ha agravantes neste tipo de abordagem quando,
por exemplo, o modelo do sistema nao linear a
ser aproximado apresenta incertezas parametricas
tornando a discussao mais desafiadora depen-
dendo da aproximacao.
Na modelagem fuzzy TS, o sistema nao linear
pode ser transformado em uma combinacao con-
vexa de sistemas lineares locais, ponderados por
regras fuzzy com antecedentes dados por variaveis
de escalonamento (variaveis premissas) e regidas
por funcoes de pertinencia (Guerra. et al., 2015).
sao variaveis de estado ou funcoes das mesmas. O
compensador paralelo distribudo fuzzy neste caso
pode ser especificado tambem como uma combina-
cao convexa de controladores lineares locais pon-
derados de forma semelhante ao modelo fuzzy TS
para o sistema nao linear (Guerra. et al., 2015).
Em Campos et al. discute-se conexoes na obten-
cao de uma representacao convexa para um mo-
delo LPV dado via transformacao produto ten-
sorial (TP). O intuito neste ultimo caso e que a
transformacao TP, em conjunto com outros proce-
dimentos, leve a uma representacao TS do modelo
LPV.
Por outro lado, o metodo do ganho escalo-
nado para modelos LPV consiste em obter con-
troladores cujos ganhos variam conforme as re-
gioes de operacao da planta. Vantagens deste tipo
de controle incluem a estabilizacao e controle da
planta em uma ampla faixa de operacao (Rugh
e Shamma, 2000). Claro que se pressupoe que o
sistema nao linear e representado como um mo-
delo LPV. Nesta representacao, o novo modelo e
o controlador terao suas caractersticas alteradas
de acordo com a evolucao das variaveis de escalo-
namento (Rugh e Shamma, 2000). Desvantagens
neste ultimo caso sao a nao trivialidade da trans-
formacao do sistema nao linear em LPV e a falta
de solucoes em alguns casos (Bruzelius, 2004). Va-
riaveis de escalonamento normalmente sao escolhi-
das como grandezas que contribuem significativa-
mente na alteracao da dinamica do sistema. Se
estas variaveis forem completamente externas ao
sistema, ele e denominado LPV, caso algumas ou
todas as variaveis de escalonamento sejam funcoes e tambem incerta, objetivando representar as in-
dos estados do sistema, ele e denominado quase- certezas parametricas originalmente presentes no
LPV (q-LPV). sistema nao linear que se refletem nos parame-
Em ambos os modelos TS e LPV usualmente tros dos modelos lineares locais associados a dife-
tem sido propostas abordagens para o controle ba- rentes regioes de operacao. Trata-se de uma re-
seadas em desigualdades matriciais lineares (LMI presentacao multimodelo do sistema, um politopo
- do ingles Linear Matrix Inequalities) e condi- para a regiao de operacao e outro para as incerte-
coes de estabilidade construdas a partir de fun- zas. Essa representacao multimodelo e ilustrada
coes de Lyapunov. Ha diversos metodos na litera- na Fig. 1.
tura no tocante a modelos LPV (sem descricao po-
litopica para as incertezas) com tecnicas de amos-
tragem no espaco das variaveis de escalonamento
(veja (Bruzelius, 2004), (Marcos e Balas, 2004)
e referencias internas). Ja nos modelos TS, as
LMIs sao descritas por combinacoes dos modelos
locais lineares (Tanaka e Wang, 2001), (Campos
et al., 2013).
A ideia principal neste artigo e lancar luz so-
bre possveis comparacoes e conexoes no projeto
de controle por ganho escalonado para modelos
LPV e controle para modelos fuzzy TS no contexto
de aproximacoes viaveis para classes de sistemas
nao lineares com a presenca de incertezas parame-
tricas e cujos modelos aproximados possam carre-
gar uma estrutura apropriada para a descricao de
incerteza. Figura 1: Representacao multimodelo do sistema
nao linear.
2 Modelagem LPV e TS para Sistemas
Incertos Este tipo de representacao pode introduzir al-
gum grau de conservadorismo, pois e possvel que
2.1 Modelo LPV Incerto sejam consideradas combinacoes de vertices que
Considere o sistema LPV incerto a tempo cont- nao seriam observadas na pratica. Uma alterna-
nuo: tiva seria considerar condicoes relaxadas baseadas
 em funcoes de Lyapunov dependentes de parame-
x(t) = A((t))x(t) + B((t))u(t) tros (Oliveira et al., 2009), mas isto esta fora do
(1)
y(t) = C((t))x(t) + D((t))u(t), escopo que se pretende neste trabalho. A ideia
e estabelecer comparacoes sob um mesmo cenario
no qual x Rn e o vetor de estados, u Rm e no contexto de funcoes de Lyapunov quadraticas.
o vetor de entradas de controle, y Rl e o vetor Busca-se o projeto de uma lei de controle por
de sadas mensuraveis e (t) Rp e o vetor realimentacao linear de estados, com matriz de ga-
de variaveis de escalonamento (parametros) medi- nho que e escalonada valendo-se do conhecimento
das on-line e sua dependencia com o tempo sera das variaveis de escalonamento (t) , dada por
desconsiderada para simplificacao da notacao.
Considere em (1) que as matrizes A, B, C, u(t) = K()x(t), (3)
D incorporam incertezas parametricas na forma PN
politopica da forma: em que K() = i=1 i ()Ki , para matrizes Ki
a serem determinadas.
  X N  
A() B() A Bi
() = = i () i , 2.2 Modelo TS Incerto
C() D() i=1
Ci Di
PN Considere que a i-esima regra de um modelo fuzzy
sendo que () = i=1 i ()i (), com TS incerto a tempo contnuo com r regras seja
PN
i=1 i () = 1, i () 0, i = 1, . . . , N , ; dado por:
e
Se 1 (t) e M1i E . . . E p (t) e Mpi , Entao:
M   M
Aij Bij

x(t) = (Ai + Ai )x(t) + (Bi + Bi )u(t)
X X
i () = ij = ij ij , (2) (4)
Cij Dij y(t) = (Ci + Ci )x(t) + (Di + Di )u(t),
j=1 j=1

PM
com j=1 ij = 1, ij 0, j = 1, . . . , M . Desta sendo 1 (t), . . . ,p (t) as variaveis premissas (ou
maneira cada matriz de um respectivo vertice i variaveis de escalonamento); Mki , k = 1, . . . ,p, sao
conjuntos fuzzy; e as incertezas matriciais Ai , 2.4 Controle fuzzy robusto
Bi , Ci e Di tem norma limitada.
Note que se pode decompor os blocos de incertezas
Considerando o compensador paralelo distri-
em (4) da forma:
budo (PDC - do ingles Parallel Distributed Com-
pensation) obtem-se a i-esima regra do controla- Ai = Dai ai (t)Eai , (9a)
dor:
Bi = Dbi bi (t)Ebi , (9b)
Se 1 (t) e M1i E . . . E p (t) e Mpi , Entao: 1
tais que ai (t) = Tai (t), kai (t)k ai e
u(t) = Ki x(t), T 1
bi (t) = bi (t), kbi (t)k bi . O resultado a
Portanto o modelo pode ser reescrito em uma seguir estabelece a condicao de estabilizabilidade
forma similar a (1) e (3): para este caso.
r
X Teorema 2 (Tanaka e Wang, 2001): O sis-
x(t) = hi (){Ai x(t) + Bi u(t)}, (5) tema fuzzy TS em (4) e estabilizavel via controle
i=1 PDC (2.2) se existirem matrizes P = P T > 0 e
r
X Q0 0 tais que:
y(t) = hi (){Ci x(t) + Di u(t)},
i=1
r
X
! Sii + (s 1)Q1 < 0, s > 1, (10)
u(t) = K()x(t) = hi ()Ki x(t), (6) Tij 2Q2 < 0, i < j sujeito a hi hj 6= ,
i=1 (11)
Qp
sendo hi () = Pri () i () , i () = i
k=1 k (), sendo que Tij e descrito em (12) e
Pr i=1

i=1 hi () = 1 e hi () 0, i = 1, . . . , r, em que (Ai + Bi Ki )T P +

ik e o grau de pertinencia da variavel de escalo- DaiT
P I
namento ao conjunto Mki ; Ai = Ai + Ai ,
T

Sii =
Dbi P 0 I
2
Bi = Bi + Bi , Ci = Ci + Ci , Di = Di + Di . Eai 0 0 ai I
2
Ebi Ki 0 0 0 bi I
2.3 Controle LPV robusto
= (Ai + Bi Kj )T P + (Aj + Bj Ki )T P + ,
 

Considerando a lei de controle por realimentacao Q1 = diag(Q0 , 0, 0, 0, 0),

de estados (3), o modelo em malha fechada do sis-
tema (1) com incertezas e dado por (desconsidere
neste momento y(t)):
h i
x(t) = A() + B()K() x(t) = Acl x(t).
Para se garantir estabilidade quadratica segundo
Lyapunov, basta que exista P = P T > 0 que sa-
tisfaca:
ATcl P + P Acl < 0.
Q2 = diag(Q0 , 0, 0, 0, 0, 0, 0, 0, 0).
O termo s indica o numero de regras simultaneas
que sao ativadas para todo tempo de analise t. Ja
a condicao hi hj 6= impoe que a LMI so deve
ser considerada para regras cujas funcoes de perti-
nencia se sobrepoem. A demonstracao do teorema
se encontra em (Tanaka e Wang, 2001).
(7) 3 Estudo de caso

O problema de se encontrar uma matriz cons- As tecnicas apresentadas anteriormente serao ava-
tante P , simetrica e definida-positiva, que satis- liadas considerando o pendulo amortecido motori-
faca (7), , e equivalente a se encontrar a zado, ilustrado na Fig. 2.
mesma matriz P considerando apenas as matrizes
u
Ai , Bi e Ki associadas aos vertices de uma des-
cricao politopica do problema.
PN Neste contexto,
considerando que K() = i=1 i ()Ki , pode-se
estabelecer o resultado a seguir para o computo do l
ganho de controle utilizando as tradicionais mu-
dancas de variaveis X = P 1 e Yi = Ki X aplica-
das em (7).
m

Teorema 1 Se existir uma matriz X = X T > 0

Figura 2: Pendulo amortecido motorizado.
e N matrizes Yi tais que, i = 1, . . . , N , j =
1, . . . , M :
As equacoes do sistema sao dadas por:
XATij + YiT Bij
T
+ Aij X + Bij Yi < 0, (8)
x1 = x2 , (13)
entao o sistema LPV, com incertezas da forma g b 1
em (2), e estabilizavel com Ki = Yi X 1 . x2 = sin(x1 ) 2
x2 + u,
l ml ml2



T
Dai
TP I
Dbi P
T 0 I
Daj P
T 0 0 I
Tij =
Dbj P 0 0 0 I (12)
2
Eai
0 0 0 0 ai I
2
Ebi Kj
0 0 0 0 0 bi I
2
Eaj 0 0 0 0 0 0 aj I
2
Ebj Ki 0 0 0 0 0 0 0 bj I

sendo que x1 = (,) denota o angulo da Obviamente esta aproximacao nao e valida e indu-
haste do pendulo; x2 = R e a velocidade an- zira a erros grosseiros no modelo TS ou LPV. Uma
gular da haste; b > 0 e o coeficiente de atrito vis- possvel maneira de se contornar esse problema e
coso; m e a massa do pendulo; l e o comprimento reescrever (15) da forma:
da haste rgida de massa desprezvel; g = 9,8 m/s2
e a constante gravitacional; e u e o torque apli- e1 = e2 ,
cado pelo motor na haste. O objetivo e man- e2 = gl sin(e1 + xeq 1 )
b
ml2 x2 (16)
ter o pendulo em um determinado angulo fixo + ml1 2 v + ml1 2 ueq ,
xeq
1 =
ref
6= 0. Observa-se que a dinamica do xint = e1 ,
erro pode ser escrita como:
com ueq = mgl sin(xeq eq
1 ), e v = u u . Note que o
e1 = e2 , sistema continua algebricamente inalterado. Apos
e2 = gl sin(e1 + xeq 1 ) (14) algumas manipulacoes em (16), obtem-se as novas
mlb 2 e2 + ml1 2 u, matrizes:
em que se considerou e1 = x1 xeq

0 1 0 0
1 e e2 = x2
xeq = x . A(e1 ) = gl 1 (t) mlb 2 0 , B = ml1 2 , (17)
1 2
A entrada de equilbrio para (14) e dada por 1 0 0 0
ueq = mgl sin(xeq ref
1 ) = mgl sin( ), tal que u
eq
6= com
ref
0, se 6= 0. Isto e, quando o pendulo atinge
sin(e1 ) 1 cos(e1 )
um angulo desejado que e nao nulo, e necessa- 1 (t) = cos(xeq
1 ) sin(xeq
1 ).
rio aplicar um torque fixo para que ele se mante- e1 e1
nha parado. Garantir essa condicao corresponde a O termo nao linear e agora limitado para todo
modificar a acao de controle, adicionando ueq , i.e. intervalo e1 (,), e pode ser aproximado
u = k1 e1 +k2 e2 +ueq . Entretanto essa estrategia e por regras TS ou por tecnicas LPV politopicas.
pouco robusta, pois ueq depende dos parametros Nos resultados apresentados a seguir adotou-se
incertos do sistema. Uma alternativa e conside- que o angulo final a ser atingido pela haste e de
rar a adicao de uma acao integral, alem da acao xeq
1 = /3 rad, o valor nominal da massa do pen-
de controle ueq ueq nom calculada considerando os dulo e 1 Kg, o comprimento da haste e 0,5 m e o
parametros nominais: coeficiente de atrito viscoso e 1 Kg m2 .
e1 = e2 ,
e2 = gl sin(e1 + xeq 1 ) 3.1.1 Modelo LPV politopico
(15)
mlb 2 e2 + ml1 2 u,
A partir de (17), e notando que e1 esta definido em
xint = e1 ,
um intervalo conhecido, pode-se obter os limites
em que u = k1 e1 + k2 e2 + k3 xint + ueq . para 1 em uma representacao politopica. Isto
e, 1 (1 ,1 ) = (0.8696,0.5518), e o sistema
3.1 Modelagem quase-LPV do sistema LPV politopico e descrito por A(1 ) = 1 (1 )A1 +
2 (1 )A2 e B(1 ) = 1 (1 )B1 + 2 (1 )B2 , com:
Uma possvel representacao quase-LPV para (15)
e da forma:

0 1 0
g b
0 1 0 Ai = 1i l ml 0 , i = 1,2, (18)

eq
0 2

A(e1 ) = gl sin(e1e+x1 ) mlb 2 0 , B = ml1 2 , 1 0 0

1
0

1 0 0 0
Bi = ml1 2 , i = 1,2,
que depende somente de e1 . Porem, note que as
0
condicoes incluem ref = xeq
1 6= 0 e e1 (,), o
que gera: 1 1 (t)
e 11 = 1 , 12 = 1 , 1 (1 ) = 1 1 ,
sin(e1 + xeq
1 ) 1 (t)1
lim = + ou . 2 (1 ) = satisfazendo 1 (1 ), 2 (1 ) 0
e1 0+ ou e1 0 e1 1 1 ,
e 1 (1 ) + 2 (1 ) = 1. As incertezas sao tratadas
de maneira muito similar, porem requerem uma
modificacao em cada um dos vertices A1 , B1 , A2 e
B2 . Para isso considere que os parametros incer-
tos sao limitados da forma: m [m,m] e l [l,l].
Portanto cada vertice do sistema LPV deve permi-
tir as combinacao das incertezas em m e l, i.e., 22
combinacoes gerando 4 vertices. Tomando como
exemplo a matriz A1 :
A1 = (11 A11 + 12 A12 + 13 A13 + 14 A14 ),
de (18), as matrizes A11 , A12 , A13 e A14 sao obti-
das substituindo-se l e m em A1 pela combinacao
2 a 2 de seus limites no intervalo Pde variacao. Note
4
que 1j [0,1] j = 1, . . . , 4 e j=1 1j = 1. Esta
mesma decomposicao deve ser feita para as de-
mais matrizes (i = 1, 2, 3 em (18)). Considerou-se
variacao de 10% na massa do pendulo e no com-
primento da haste. Do Teorema 1 obtem-se as
seguintes matrizes de ganho para o controlador
LPV politopico K(1 ) = 1 (1 )K1 + 2 (1 )K2 : controlador fuzzy. Repetindo este procedimento
 
K1 = 41,2444 4,0545 15,2612 ,

K2 = 40,3348 4,6224 15,2612 .
 Considerando novamente 10% de variacao na
A simulacao do pendulo para o controle LPV,
para diversos valores de massa de pendulo e com-
primento de haste, e ilustrada na Fig. 3.
3.1.2 Modelo Fuzzy Takagi-Sugeno
O principal ponto da modelagem TS e obter as
regras que descrevem o sistema (1) da forma (4).
Para o caso especfico do sistema em (17) sao des-
critas abaixo cinco regras triangulares escalonadas
por e1 para aproximar o termo nao linear, eviden-
ciadas na Fig. 4, gerando:
0 1 0 ambas as abordagens, verifica-se um menor tempo
Ai = i gl ml1 2 0 , i = 1...5,
1 0 0 maior amplitude da acao de controle em relacao
0
Bi = ml1 2 , i = 1...5.
0 de factibilidade nos Teoremas 1 e 2, limitantes su-
com coeficientes i dados na tabela 1.
i 1 2 3 4 5
i -0,5513 -0,8667 -0,8100 0,3859 0,5513
1 , 2 [1,1], tem-se uma representacao de vari-
acao em percentagem do valor de z1 e z2 . Decom-
pondo individualmente cada matriz incerta Ai e
Bi , obtem-se para a primeira regra (considere que
= 0,5513 g, entao:
A1 = A1 + A1 = A1 + Da1 a1 Ea1
0 1 0 0 0
= z1 z2 0 + z1 1 z2 2
1 0 0 0 0
  
1 (t) 0 1 0 0
,
0 2 (t) 0 1 0
B1 = B1 + B1 = B1 + Db1 b1 Eb1 =
0 0 0 
 
z2 + 0 z2 2 1 (t) 0 0
.
0 2 (t) 1
0 0 0
Desta forma obtem-se as matrizes
Da1 , Ea1 , Db1 , Eb1 utilizadas na sntese do
sucessivamente obtem-se todas as matrizes
necessarias para se lancar mao do Teorema 2.
massa do pendulo e no comprimento da haste,
obtem-se os ganhos abaixo, considerando 5 regras,
para o controlador PDC:
 
K1 = 9,7600 2,3467 12,4346 ,
 
K2 = 6,2173 1,9322 10,4341 ,
 
K3 = 8,0236 2,2376 11,9451 ,
 
K4 = 12,3613 1,9322 10,4341 ,
 
K5 = 15,1683 2,3467 12,4346 .
As simulacoes para valores distintos da massa
do pendulo e comprimento da haste estao ilustra-
dos na Fig. 3. Comparando-se os resultados para
de acomodacao para o caso LPV, ao custo de uma
ao caso TS. Futuramente pretende-se aprimorar
essa comparacao, incorporando-se aos problemas
periores para o tempo de acomodacao do sistema
controlado em malha fechada. Ainda, observa-se
que para a sntese do controlador no caso LPV
foi necessario considerar 9 LMIs, e no caso TS 11
LMIs.

Tabela 1: Valores de i para 5 regras.

Para representar as incertezas parametricas,
a ideia e re-escreve-las da forma l1 = z1 (t) e
(ml2 )1 = z2 (t), tal que z1 = z1 (1 + 1 1 (t))
e z2 = z2 (1 + 2 2 (t)), com 1 (t) e 2 (t) ele-
mentos de uma matriz diagonal (t), respeitando
os limites em norma, e z1 e z2 calculados de
acordo com os valores nominais dos parametros
incertos (Senthilkumar, 2010). Se as constantes
4 Conclusoes
Este trabalho procurou apresentar um arcabouco
matematico de como aproximar uma classe de sis-
temas nao lineares com incertezas parametricas.
Abordou-se tambem a sntese de controladores,
considerando modelos LPV e fuzzy TS. Foram
apresentadas semelhancas entre as duas tecnicas,
como a abordagem LMI utilizada na sntese e o
uso de variaveis de escalonamento/premissa para
 ngulo, Velocidade Angular (Controlador LPV) angulo desejado em menor tempo, mas com uma
6
oscilacao maior, fato explicado pelos ganhos ele-
.
5 vados do controlador. Neste trabalho foram utili-
(rad), (rad/s)
4
zadas condicoes de estabilidade quadratica, mas a
3
discussao pode ser adaptada considerando resul-
.
2
tados recentes para funcoes de Lyapunov depen-
dentes de parametros, e outras relaxacoes na area
1
de controle robusto.
0

1
0 0.5 1 1.5 2 2.5 3 3.5 4 Agradecimentos
Tempo (s)

ngulo, Velocidade Angular (Controlador PDC)

TS) O presente trabalho foi realizado com o apoio fi-
2.5
nanceiro da CAPES - Brasil.
.
2
(rad), (rad/s)

1.5 Referencias
. 1
Bruzelius, F. (2004). Linear parameter-varying
0.5 systems and approach to gain scheduling,
0 PhD thesis, Chalmers University of Techno-
logy, Goteborg, Sweden.
0.5
0 0.5 1 1.5 2 2.5 3 3.5 4
Tempo (s) Campos, V. C. S., Souza, F. O., Torres, L. A. B.
e Palhares, R. M. (2013). New stability con-
Figura 3: (a): Simulacao com o controlador LPV ditions based on piecewise fuzzy Lyapunov
(b): Simulacao com o controlador PDC functions and tensor product transformati-
ons, IEEE Transactions on Fuzzy Systems
21: 748760.
Funes de pertinncia das regras TS
1
Campos, V. C. S., Torres, L. A. B. e Palhares,
0.9
R. M. (2015). Revisiting the TP model trans-
0.8
formation: Interpolation and rule reduction,
0.7

Regra 1
Asian Journal of Control 17(2): 392401.
0.6
Pertinncia

Regra 2
0.5 Regra 3
Regra 4
Guerra., T. M., Sala, A. e Tanaka, R. K.
0.4 Regra 5 (2015). Fuzzy control turns 50: 10
0.3 years later, Fuzzy Sets and Systems .
0.2 http://dx.doi.org/10.1016/j.fss.2015.05.005.
0.1

0
4 3
Figura 4: Funcoes de pertinencia da aproximacao
TS para o pendulo
alterar os ganhos do controlador de acordo com
a regiao de operacao. Em suma, as duas aborda-
gens utilizam tecnicas lineares, porem de manei-
ras distintas. As diferencas tambem sao claras, e
encontram-se principalmente na estrutura do mo-
delo aproximado e do controlador, evidenciadas
nas Secoes 2.1 e 2.2. Considerando o exemplo
apresentado, ambas as tecnicas apresentam bom
desempenho, sendo que a aproximacao LPV pode
ser considerada mais simples. Nota-se ainda que
a sntese de controle fuzzy TS requer um numero
maior de LMIs ao contrario do que acontece no
controle LPV, porem isso nao e regra e, no caso
LPV, o numero de LMIs tende a crescer exponen-
cialmente em funcao dos parametros de escalona-
mento e das incertezas. Em relacao ao desempe-
nho, a resposta com o controlador LPV atingiu o
Marcos, A. e Balas, G. (2004). Development of
2 1 0 1 2 3 4
Erro de posio (rad) linear-parameter-varying models for aircraft,
Journal of Guidance, Control, and Dynamics
27(2): 218228.
Oliveira, R. C. L. G., Oliveira, M. C. e Peres, P.
L. D. (2009). Special time-varying Lyapu-
nov function for robust stability analysis of
linear parameter varying systems with boun-
ded parameter variation, IET Control Theory
& Applications 3: 14481461.
Rugh, W. J. e Shamma, J. S. (2000). Research on
gain scheduling, Automatica 36(10): 1401
1425.
Senthilkumar, D. (2010). Design of robust fuzzy
controllers for uncertain nonlinear systems,
PhD thesis, Indian Institute of Technology
Guwahati, Assam, India.
Tanaka, K. e Wang, H. O. (2001). Fuzzy control
systems design and analysis: a linear matrix
inequalities approach, John Wiley & Sons,
New York, United States of America.