Trabalho 7

Backstepping aplicado à plantas de grau relativo 2

com estimador de ordem completa.
Disciplina: Controle adaptativo

Alunos: Thales Silva e Marcus Couto

 Ideia básica do backstepping

• Considere um sistema conhecido do tipo

𝑥ሶ 1 = 𝑥2 − 𝑎𝑥1
ቐ 𝑥ሶ 2 = 𝑢
𝑦 = 𝑥1

• Deseja-se rastrear a trajetória de um sinal de referência 𝑦𝑟 . Estratégia: usar o estado 𝑥2 como controle virtual.
• Erro 1: 𝑧1 = 𝑦 − 𝑦𝑟
𝑧1ሶ = 𝑦ሶ − 𝑦ሶ 𝑟
𝑧1ሶ = 𝑥2 − 𝑎𝑦 − 𝑦ሶ 𝑟
• Note que se 𝑥2 = −𝑘 𝑧1 + 𝑎𝑦 + 𝑦ሶ 𝑟
𝑧1ሶ = −𝑘 𝑧1
• Logo, 𝑧1 → 0 e a trajetória é seguida.
 Exemplo da metodologia

• Jogada 𝑧2 = 𝑥2 − 𝛼;

• Note que se 𝑧2 → 0, então 𝑥2 → 𝛼 e o controle funciona perfeitamente;

𝑧ሶ2 = 𝑥ሶ 2 − 𝛼ሶ = u − 𝛼ሶ
• Considere a candidata a Função de Lyapunov

2𝑉 𝑧1 , 𝑧2 = 𝑧12 + 𝑧22
𝑧1ሶ
𝑉ሶ = 𝑧1 𝑧2 = 𝑧1 (𝑥2 − 𝑎𝑦 − 𝑦ሶ 𝑟 ) + 𝑧2(𝑢 − 𝛼)
ሶ
𝑧ሶ2

• Mas 𝑥2 = 𝑧2 + 𝛼 e 𝛼 = −𝑧1 + 𝑎𝑦 + 𝑦ሶ𝑟

𝑉ሶ = −𝑧12 + 𝑧2(𝑧1 + 𝑢 − 𝛼)
ሶ

• Se 𝑢 = −𝑧2 + 𝛼ሶ − 𝑧1

𝑉ሶ = −𝑧12 − 𝑧22 ≤ 0 ∀ 𝑍 ≠ 0

• Por Lyapunov o sistema é assintóticamente estável. Logo, para 𝑢 tem-se que (𝑧1 , 𝑧2) → 0.
 Abordagem do método com parâmetros
desconhecidos

• Considere a planta na forma canônica observável:

𝑥ሶ 1 −𝑎1 1 𝑥1 0
= + 𝑘𝑝 𝑢
𝑥ሶ 2 −𝑎0 0 𝑥2

• Reescrevendo a planta na forma num forma conveniente:

𝑘𝑝
−𝑘1 1 𝑘 0 −𝑦 0
𝑥ሶ = 𝑥+ 1 𝑦+ 𝑎
−𝑘2 0 𝑘2 𝑢 0 −𝑦 1
𝑎0

𝑥ሶ = 𝐴0𝑥 + 𝑘𝑦 + 𝐹 𝑇 𝜃
 Observador de estados por filtros

• Usando os filtros:
ξሶ = 𝐴0ξ + 𝑘𝑦
൝ 𝑇
Ωሶ = 𝐴0 ΩT + 𝐹 𝑇

• Os estados estimados são

𝑥ො = 𝜉 + Ω𝑇 𝜃

• Sabe-se que
𝑥 = 𝑥ො + 𝜖

𝑥 = 𝜉 + Ω𝑇 𝜃 + 𝜖
 Observador de estados por filtros

• Sejam as colunas de Ω𝑇 = [𝑣0 Ξ]

• Pode-se reescrever 𝑥 da seguinte forma

𝜉1 𝑣0,1 Ξ1 𝑘𝑝 𝜖1
𝑥= + + 𝜖
𝜉2 𝑣0,2 Ξ2 𝑎 2

𝑥2 = 𝜉2 + [𝑣0,2 Ξ2] 𝑘𝑝 + 𝜖2
𝑎

• Substituindo a Eq. anterior em 𝑦ሶ = 𝑥2 − 𝑒1𝑇 𝑎𝑦

𝑘𝑝
𝑦ሶ = 𝑘𝑝𝑣0,2 + 𝜉2 + [0 (Ξ2 − 𝑒1𝑇 )] + 𝜖2 − 𝑒1𝑇 𝑎𝑦
𝑎
𝑣ሶ 0,2 = −𝑘2𝑣0,1 + 𝑢
 Resumo de equações

Filtro 1: 𝜆ሶ = 𝐴0𝜆 + 𝑒2𝑇 𝑢 Tunning function 1: 𝜏1 = 𝜔 − 𝜌ො 𝑦ሶ 𝑟 + 𝛼ത 𝑒1 𝑧1

𝑣0 = 𝜆 𝑑𝛼
Tunning function 2: 𝜏2 = 𝜏1 − 𝜔 𝑧2
𝑑𝑦
Filtro 2: 𝜂ሶ = 𝐴0𝜂 + 𝑒2𝑇 𝑦
Ξ = −[𝐴0 𝜂 𝜂 ]

Regressores: 𝜔𝑇 = 𝑣0,2 (Ξ2−𝑒1𝑇 𝑦)

𝑇
𝜔 = [0 (Ξ2−𝑒1𝑇 𝑦)]

𝑇
Função estabilizante: 𝛼 = 𝜌ො 𝛼ത = 𝜌(−𝑐
ො 1 𝑧1 − 𝑑1 𝑧1 − 𝜉2 − 𝜔 𝜃)

Erro 1: 𝑧1 = 𝑦 − 𝑦𝑟
Erro 2: 𝑧2 = 𝑣0,2 − 𝜌ො 𝑦ሶ 𝑟 − 𝛼

Lei adaptativa: 𝜌ොሶ = −𝛾 𝑠𝑖𝑔𝑛 𝑘𝑝 𝑦ሶ𝑟 + 𝛼ത 𝑧1

𝑑𝛼 𝑑𝛼 𝑑𝛼
Sinal auxiliar: 𝛽 = −𝑘2𝑣0,1 + 𝑢 − 𝜌ොሶ 𝑦ሶ 𝑟 − 𝑑𝑦 𝜉2 + 𝜔𝑇 𝜃መ − 𝑑𝜂 𝐴0𝜂 + 𝑒2𝑦 − 𝑑𝑦 𝑦ሶ 𝑟
𝑟
 Resultados para n=2

• 𝑟 = 𝑑𝑐 + σ𝑛1 𝑎𝑖 sin 𝜔𝑖 𝑡
𝑘𝑝
Planta: 𝑦𝑝 = 𝑢
𝑆 2 +2𝑆+3 • 𝑑𝑐 = 1

• 𝑎 = 0.5 [1 1.5]

• 𝜔 = 2 1.4 3

• Condições iniciais iguais a zero

• Γ=𝛾
 Resultados para Γe 𝛾

Γ=1 Γ = 10
Γ=1 Γ = 10
 Resultados para condições iniciais
da planta

𝒙𝒑 0 = 0 𝒙𝒑 0 = 4
𝒙𝒑 0 = 0 𝒙𝒑 0 = 4
 Resultados para diferentes ganhos
de alta frequência

𝑘𝑝 = 1 𝑘𝑝 = 0.3
𝑘𝑝 = 1 𝑘𝑝 = 0.3
 Resultados para diferentes tipos de
excitação do sistema

• 𝑎 = 0.5 [1 1.5] • 𝑎 = [1 1.5]

• 𝜔 = 2 1.4 3 • 𝜔 = 1.4 3
 Conclusões

• O tipo de excitação do sistema é decisivo. Aumentando a amplitude e frequência da

referência, geralmente mostrou uma convergência mais rápida para os valores ótimos
de 𝜃 ;

• O ambos os ganhos adaptativos mostraram resultados interessantes. Por um lado,

nota-se que o erro converge para zero em um tempo menor, por outro, ambos os
ganhos prejudicaram o comportamento do regime transitório para convergência de θ;

• O valor dos ganhos deve possuir um bom resultado para o erro sem que se
prejudique demasiadamente o comportamento transitório;

• Condições iniciais da planta aumentam o erro inicialmente, colaborando para a

persistência de excitação por um tempo maior;

• Planta com ganho de alta frequência demasiadamente baixo causa problemas no

regime transitório antes da convergência para valores ideais de 𝜃.