Você está na página 1de 128

Introdução ao controle de sistemas não lineares

Magno Enrique Mendoza Meza1

1 Universidade Federal do Rio de Janeiro

COPPE - Programa de Engenharia Elétrica


E-mail: magno@pee.coppe.ufrj.br

Fevereiro de 2007

LNCC

Magno E. M. Meza (UFRJ) Mini-curso Fevereiro de 2007 1 / 110


Sumário da Parte I

1 Resumo

2 Motivação

3 Tipos de não linearidades


Não linearidades suaves (dinâmicas ou contı́nuas)
Não linearidades duras (estáticas ou descontı́nuas)

4 Comportamento de sistemas não lineares

5 Sistema Autônomo e Não Autônomo

LNCC

Magno E. M. Meza (UFRJ) Mini-curso Fevereiro de 2007 2 / 110


Parte I

Dia 05 de fevereiro de 2007

LNCC

Magno E. M. Meza (UFRJ) Mini-curso Fevereiro de 2007 3 / 110


Resumo

Resumo
O objetivo do curso é dar uma breve introdução ao controle de sistemas
não lineares, tendo em vista que uma vasta gama de aplicações utilizam
modelos não lineares. Esses modelos podem apresentar caracterı́sticas, tais
como, múltiplos atratores, ciclo-limite, dinâmicas caóticas, dentre outras.
Estes fenômenos serão mostrados mediante exemplos de simulação, bem
como o projeto de um controlador para sistemas não lineares.

LNCC

Magno E. M. Meza (UFRJ) Mini-curso Fevereiro de 2007 4 / 110


Motivação

Motivação
Pesquisadores e projetistas nas áreas da aeronáutica, robótica, controle de
processos, engenharia biomédica, processos quı́micos e bio-quı́micos,
biologia, ecologia têm mostrado recentemente muito interesse no
desenvolvimento e aplicações de metodologias de controle não linear
(Slotine and Li, 1991; Khalil, 1992; Leigh, 1983).

Razões pelo interesse:


1 Faixa de operação é maior.
2 Análise de não linearidades fortes (duras), e.g., saturação, zona
morta, histérese.
3 Lida com incertezas nos modelos.
4 Simplicidade de projeto.
LNCC

Magno E. M. Meza (UFRJ) Mini-curso Fevereiro de 2007 5 / 110


Tipos de não linearidades
Não linearidades suaves (dinâmicas ou contı́nuas)

Não linearidades suaves


Funções analı́ticas simples
Potência
Senóide
Exponencial
Produto
Exemplo:
ẋ1 = x2
(
g k (1)
ẋ2 = − sin(x1 ) − x2
l m

ẋ1 = a x1 − b x1 x2
(2)
ẋ2 = −c x2 + d x1 x2

A caracterı́stica significante
dessas funções é que elas são suaves o suficiente e podem ser linearizadas,
i.e., aproximadas por funções lineares em uma vizinhança de qualquer
LNCC
ponto de operação dado (Cook, 1986).
Magno E. M. Meza (UFRJ) Mini-curso Fevereiro de 2007 6 / 110
Tipos de não linearidades
Não linearidades suaves (dinâmicas ou contı́nuas)

Não linearidades suaves


Funções analı́ticas simples
Potência
Senóide
Exponencial
Produto
Exemplo:
ẋ1 = x2
(
g k (1)
ẋ2 = − sin(x1 ) − x2
l m

ẋ1 = a x1 − b x1 x2
(2)
ẋ2 = −c x2 + d x1 x2

A caracterı́stica significante
dessas funções é que elas são suaves o suficiente e podem ser linearizadas,
i.e., aproximadas por funções lineares em uma vizinhança de qualquer
LNCC
ponto de operação dado (Cook, 1986).
Magno E. M. Meza (UFRJ) Mini-curso Fevereiro de 2007 6 / 110
Tipos de não linearidades
Não linearidades suaves (dinâmicas ou contı́nuas)

Não linearidades suaves


Funções analı́ticas simples
Potência
Senóide
Exponencial
Produto
Exemplo:
ẋ1 = x2
(
g k (1)
ẋ2 = − sin(x1 ) − x2
l m

ẋ1 = a x1 − b x1 x2
(2)
ẋ2 = −c x2 + d x1 x2

A caracterı́stica significante
dessas funções é que elas são suaves o suficiente e podem ser linearizadas,
i.e., aproximadas por funções lineares em uma vizinhança de qualquer
LNCC
ponto de operação dado (Cook, 1986).
Magno E. M. Meza (UFRJ) Mini-curso Fevereiro de 2007 6 / 110
Tipos de não linearidades
Não linearidades suaves (dinâmicas ou contı́nuas)

Não linearidades suaves


Funções analı́ticas simples
Potência
Senóide
Exponencial
Produto
Exemplo:
ẋ1 = x2
(
g k (1)
ẋ2 = − sin(x1 ) − x2
l m

ẋ1 = a x1 − b x1 x2
(2)
ẋ2 = −c x2 + d x1 x2

A caracterı́stica significante
dessas funções é que elas são suaves o suficiente e podem ser linearizadas,
i.e., aproximadas por funções lineares em uma vizinhança de qualquer
LNCC
ponto de operação dado (Cook, 1986).
Magno E. M. Meza (UFRJ) Mini-curso Fevereiro de 2007 6 / 110
Tipos de não linearidades
Não linearidades duras (estáticas ou descontı́nuas)

Não linearidades duras


Saturação
Zona morta
Relé ideal
Relé com histerese

Elementos modelados
Válvulas de apertura gradual; Transformadores e motores; Materiais
ferromagneticos; Folga de engrenagens; Tambor hidráulico e pneumático
com mudança de direção; Linearização de elementos elétricos e eletrônicos.

Caracterı́stica significante
dessas não linearidades é que não podem ser linearizadas.
LNCC

Magno E. M. Meza (UFRJ) Mini-curso Fevereiro de 2007 7 / 110


Tipos de não linearidades
Não linearidades duras (estáticas ou descontı́nuas)

Não linearidades duras


Saturação
Zona morta
Relé ideal
Relé com histerese

Elementos modelados
Válvulas de apertura gradual; Transformadores e motores; Materiais
ferromagneticos; Folga de engrenagens; Tambor hidráulico e pneumático
com mudança de direção; Linearização de elementos elétricos e eletrônicos.

Caracterı́stica significante
dessas não linearidades é que não podem ser linearizadas.
LNCC

Magno E. M. Meza (UFRJ) Mini-curso Fevereiro de 2007 7 / 110


Tipos de não linearidades
Não linearidades duras (estáticas ou descontı́nuas)

Não linearidades duras


Saturação
Zona morta
Relé ideal
Relé com histerese

Elementos modelados
Válvulas de apertura gradual; Transformadores e motores; Materiais
ferromagneticos; Folga de engrenagens; Tambor hidráulico e pneumático
com mudança de direção; Linearização de elementos elétricos e eletrônicos.

Caracterı́stica significante
dessas não linearidades é que não podem ser linearizadas.
LNCC

Magno E. M. Meza (UFRJ) Mini-curso Fevereiro de 2007 7 / 110


Tipos de não linearidades
Não linearidades duras (estáticas ou descontı́nuas)

Não linearidades duras


Saturação
Zona morta
Relé ideal
Relé com histerese

Elementos modelados
Válvulas de apertura gradual; Transformadores e motores; Materiais
ferromagneticos; Folga de engrenagens; Tambor hidráulico e pneumático
com mudança de direção; Linearização de elementos elétricos e eletrônicos.

Caracterı́stica significante
dessas não linearidades é que não podem ser linearizadas.
LNCC

Magno E. M. Meza (UFRJ) Mini-curso Fevereiro de 2007 7 / 110


Tipos de não linearidades
Não linearidades duras

Exemplo
Saturação Zona morta

Relé Relé com histerese

LNCC

Magno E. M. Meza (UFRJ) Mini-curso Fevereiro de 2007 8 / 110


Comportamento de sistemas não lineares
Comparação Sistemas Lineares vs Sistemas Não Lineares

ẋ = A x
ou ẋ = f (x)
ẋ = A x − b

Ponto de Um só ou uma Um ou mais


Equilı́brio infinidade não isolados ou não
sistema isolada
autónomo

Princı́pio de
superposição Válido Não válido

LNCC

Magno E. M. Meza (UFRJ) Mini-curso Fevereiro de 2007 9 / 110


Exemplo 1: Comportamento de sistemas não lineares
Pontos de equilı́brio multiplos


ẋ(t) = y (t)
ẏ (t) = −sin(x(t)) − 0.5 y (t)

y 0
-10 -5 0 5 10
x
-2

-4

LNCC
-6
Magno E. M. Meza (UFRJ) Mini-curso Fevereiro de 2007 10 / 110
Comportamento de sistemas não lineares
Comparação Sistemas Lineares vs Sistemas Não Lineares

ẋ = A x
ou ẋ = f (x)
ẋ = A x − b

∃ de ciclo
limite Não existe
(solução Pode existir
periodica
isolada)

Bifurcação
Mudança ∃ são
qualitativa de ∃ mas são possivelmente
comportamento simples complicados
em função de
um parámetro

Caos 6∃ ∃
LNCC

Magno E. M. Meza (UFRJ) Mini-curso Fevereiro de 2007 11 / 110


Exemplo 2: Comportamento de sistemas não lineares
Ciclo limite


ẋ(t) = y (t)
ẏ (t) = −x(t) + 0.2 1 − (x(t))2 y (t)


y 0
-4 -2 0 2 4
x

-2

LNCC
-4
Magno E. M. Meza (UFRJ) Mini-curso Fevereiro de 2007 12 / 110
Exemplo 3: Comportamento de sistemas não lineares
Caos


ẋ(t) = y (t)
ẏ (t) = 7.5 cos(t) − 0.05 y (t) − (x(t))3

x(t)0
0 10 20 30 40 50
t

-2

LNCC
-4
Magno E. M. Meza (UFRJ) Mini-curso Fevereiro de 2007 13 / 110
Exemplo 4: Comportamento de sistemas não lineares
Bifurcação

 x  ε
ẋ = r x 1− − ε x ⇒ x1eq = 0, x2eq = K 1−
K r
xeq

K estável
instável

0 r ε
LNCC

Magno E. M. Meza (UFRJ) Mini-curso Fevereiro de 2007 14 / 110


Sistema Autônomo e Não Autônomo
Consideremos uma notação geral para os sistemas lineares

ẋ = A(t) x, x ∈ Rn×1 A matriz n × n, (3)

e para os sistemas não lineares

ẋ = f (x, t), x ∈ Rn×1 , f n × 1, (4)

Sistemas lineares são classificados como:


1 Variantes no tempo, i.e., matrix A variante com o tempo (SLVT - LTV)
2 Invariantes no tempo, i.e., matriz A invariante como o tempo (SLIT - LTI)
Em um contexto mais geral dos sistemas não lineares, esses adjetivos são substituidos por
autônomo e não autônomo.

Definição
O sistema não linear (4) é dito autônomo se f não depende explicitamente do tempo, i.e., se o
sistema de equações de estado podem ser escritos como

ẋ = f (x). (5)

Caso contrario, o sistema é chamado não autônomo. LNCC

Magno E. M. Meza (UFRJ) Mini-curso Fevereiro de 2007 15 / 110


Sumário da Parte II

6 Análise de sistemas não lineares


Conceitos da análise do plano de fase
Exemplo retrato de fase
Pontos singulares
Construção do retrato de fase
Método Analı́tico
Método de isóclinas

7 Análise do plano de fase de sistemas lineares

8 Análise do plano de fase de sistemas não lineares

LNCC

Magno E. M. Meza (UFRJ) Mini-curso Fevereiro de 2007 16 / 110


Parte II

Dia 06 de fevereiro de 2007

LNCC

Magno E. M. Meza (UFRJ) Mini-curso Fevereiro de 2007 17 / 110


Conceitos da análise do plano de fase

O metodo do plano de fase está envolvido com o estudo gráfico de


sistemas de segunda ordem descritos por

ẋ1 = f1 (x1 , x2 )
(6)
ẋ2 = f2 (x1 , x2 )

no qual x1 e x2 são os estados do sistema, e f1 e f2 são funções não


lineares dos estados. Geometricamente, o plano de estado deste sistema é
um plano que tem como coordenadas x1 e x2 . Chama-se este plano de
plano de fase.
Dada uma condição inicial x(0) = x0 , a equação (6) define a solução x(t).
Com o tempo variando de zero a infinito, a solução x(t) pode ser
representada geometricamente como uma curva no plano de fase. Dita
curva é chamada como uma trajetória do plano de fase. Uma familia de
trajetórias do plano de fase correspondentes a varias condições iniciais é
chamada de retrato de fase de um sistema. LNCC

Magno E. M. Meza (UFRJ) Mini-curso Fevereiro de 2007 18 / 110


Exemplo retrato de fase

Sistema massa-mola

ẍ + x = 0 (7)
1111111111
0000000000
0000000000
1111111111
Condição inicial x0 . Solução da 0000000000
1111111111
0000000000
1111111111

equação é
k =1
x(t) = x0 cos(t) 0 x
ẋ(t) = x0 sin(t) 11111
00000
00000
11111
00000
11111
00000
11111 m=1
00000
11111
Equação da trajetória:

x 2 + ẋ 2 = x02

LNCC

Magno E. M. Meza (UFRJ) Mini-curso Fevereiro de 2007 19 / 110


Pontos singulares

Definição
Ponto singular é um ponto de equilı́brio no plano de fase. Desde que um
ponto de equilı́brio é definido como um ponto onde o sistemas de estados
pode permanecer para sempre, sua localização pode ser obtida de resolver

f1 (x1 , x2 ) = 0 f2 (x1 , x2 ) = 0

O ponto singular do sistemas (7) é a origem (0, 0) do plano de fase.


Para sistemas lineares, existe freqüentemente um único ponto singular.
Embora em alguns casos pode existir infinitos pontos singulares, como o
mostrado pelo sistema
ẍ + ẋ = 0

LNCC

Magno E. M. Meza (UFRJ) Mini-curso Fevereiro de 2007 20 / 110


Construção do retrato de fase

Existe vários métodos para constroir trajetórias do plano de fase para


sistemas lineares ou não lineares, tais como:
Método analı́tico
Método de isóclinas
Método delta
Método de Lienard
Método de Pell
Nós discutiremos dois destes métodos: (i) Método analı́tico; (ii) Método
de isóclinas.

LNCC

Magno E. M. Meza (UFRJ) Mini-curso Fevereiro de 2007 21 / 110


Método Analı́tico

Esta técnica envolve resolver as equações (6) para x1 e x2 como funções


do tempo t, i.e.,
x1 (t) = g1 (t) x2 (t) = g2 (t)
e então eliminando o tempo t destas equações, levam a uma relação
funcional da forma
g (x1 , x2 , c) = 0
no qual a constante c representa os efeitos da condição inicial (e,
possivelemente, de sinais de entrada externa). Plotando esta relação no
plano de fase para diferentes condições iniciais, producem um retrato de
fase.

LNCC

Magno E. M. Meza (UFRJ) Mini-curso Fevereiro de 2007 22 / 110


Método Analı́tico
Exemplo

Sistema massa-mola

ẍ + x = 0 (8)

1

x1 = x x2 = ẋ
ẋ1 = x2 x1 = x0 cos(t)

ẋ2 = −x1 x2 = −x0 sin(t)

x12 + x22 = x02 0 x


2

„ «„ «
d ẋ dx d ẋ
ẍ = ⇒ ẋ +x =0
dx dt dx

Integrando esta equação resulta em:

ẋ 2 + x 2 = x02 LNCC

Magno E. M. Meza (UFRJ) Mini-curso Fevereiro de 2007 23 / 110


Método de isóclinas

Definição
Isóclina é definida como o lugar geométrico dos pontos com uma
inclinação tangencial dada. Uma isóclina com inclinação α é definida como

d x2 f2 (x1 , x2 )
= =α
d x1 f1 (x1 , x2 )

Este método, envolve eliminação direta da variável tempo, i.e., que os


pontos na curva
f2 (x1 , x2 ) = α f1 (x1 , x2 )
tem a mesma inclinação tangencial.
Passos para gerar o retrato de fase como o métodos das isóclinas:
1 Um campo de direções das tangentes às trajetórias é obtido.
2 As trajetórias do plano de fase são formadas do campo de direções.
LNCC

Magno E. M. Meza (UFRJ) Mini-curso Fevereiro de 2007 24 / 110


Análise do plano de fase de sistemas lineares
A forma geral de um sistema de segunda order linear é
   
ẋ1 = a x1 + b x2 a b x1
= (9)
ẋ2 = c x1 + d x2 c d x2

Manuseando matemáticamente, podemos considerar o sistema linear de


segunda ordem descrito por

ẍ + e ẋ + f x = 0 (10)

e a equação caracterı́stica é

s 2 + e s + f = (s − λ1 )(s − λ2 ) = 0

As raizes (autovalores) λ1 e λ2 podem ser representadas explicitamente


como
p p
λ1 = (−e + e 2 − 4 f )/2 λ2 = (−e − e 2 − 4 f )/2 LNCC

Magno E. M. Meza (UFRJ) Mini-curso Fevereiro de 2007 25 / 110


Classificação convencional dos Pontos de Equilı́brio para
Sistemas de Segunda Ordem

λi = j ω + σ

Comportamento da solução Nome dado ao Autovalores λ1 , λ2


ponto singular
Soluções chegam monotona- nó estável Ambos reais e negativos
mente ao ponto singular
Soluções deixam o ponto singu- nó instável Ambos reais e positivos
lar e crescem monotonamente
Soluções são oscilatorias e che- foco estável Ambos complexos conjugados, com
gam ao ponto singular parte real negativa
Soluções são oscilatorias e dei- foco instável Ambos complexos conjugados, com
xam o ponto singular parte real positiva
Somente soluções monotonas, sela Ambos reais e de sinal oposto
chegam e deixam o ponto sin-
gular
Soluções são elipses aninhadas centro Ambos imaginários conjugados puros.
concentricamente em torno do
ponto singular
LNCC

Magno E. M. Meza (UFRJ) Mini-curso Fevereiro de 2007 26 / 110


Retrato de fase de sistemas lineares

jω x2
Nó estável

σ x1

jω x2
Nó instável

σ x1

LNCC

Magno E. M. Meza (UFRJ) Mini-curso Fevereiro de 2007 27 / 110


Retrato de fase de sistemas lineares

jω x2
Foco estável

σ x1

jω x2
Foco instável

σ x1

LNCC

Magno E. M. Meza (UFRJ) Mini-curso Fevereiro de 2007 28 / 110


Retrato de fase de sistemas lineares

jω x2
Sela

σ x1

jω x2
Centro

σ x1

LNCC

Magno E. M. Meza (UFRJ) Mini-curso Fevereiro de 2007 29 / 110


Análise do plano de fase de sistemas não lineares

Ao tratar da análise do plano de fase de sistemas não lineares, devemos ter


em mente dois pontos:
A análise do plano de fase de sistemas não lineares está relacionada
ao de sistemas lineares, porque o comportamento local de um sistema
não linear pode ser aproximado pelo comportamento de um sistema
linear.
Sistemas não lineares podem exibir padrões muito mais complicados
no plano de fase, tais como múltiplos pontos de equilı́brio e ciclo
limites.

LNCC

Magno E. M. Meza (UFRJ) Mini-curso Fevereiro de 2007 30 / 110


Plano de fase

1 Calcular os P.S.
2 Estudar localmente os P.S. (sela, nó, foco, etc.)
3 Esboçar o plano de fase local nos P.S.
4 Usar outras iscóclinas se necessário para ter uma idéia melhor do
plano de fase local.
5 Usar simulação para confirmar.

LNCC

Magno E. M. Meza (UFRJ) Mini-curso Fevereiro de 2007 31 / 110


Plano de fase - Método de isóclinas
Exemplo: Pêndulo linear sem atrito

 
ẋ1 = x2 ẋ1 = x2 x1 x1
α=− ⇒ x2 = −
ẋ2 = −sin(x1 ) ẋ2 = −x1 x2 α

x2
α Isóclina

0 x1 = 0

x1

0 LNCC

Magno E. M. Meza (UFRJ) Mini-curso Fevereiro de 2007 32 / 110


Plano de fase - Método de isóclinas
Exemplo: Pêndulo linear sem atrito

 
ẋ1 = x2 ẋ1 = x2 x1 x1
α=− ⇒ x2 = −
ẋ2 = −sin(x1 ) ẋ2 = −x1 x2 α

x2
α Isóclina

0 x1 = 0
∞ x2 = 0


x1

0 LNCC

Magno E. M. Meza (UFRJ) Mini-curso Fevereiro de 2007 32 / 110


Plano de fase - Método de isóclinas
Exemplo: Pêndulo linear sem atrito

 
ẋ1 = x2 ẋ1 = x2 x1 x1
α=− ⇒ x2 = −
ẋ2 = −sin(x1 ) ẋ2 = −x1 x2 α

x2
α Isóclina

0 x1 = 0
∞ x2 = 0
1 x2 = −x1 ∞
x1

1
0 LNCC

Magno E. M. Meza (UFRJ) Mini-curso Fevereiro de 2007 32 / 110


Plano de fase - Método de isóclinas
Exemplo: Pêndulo linear sem atrito

 
ẋ1 = x2 ẋ1 = x2 x1 x1
α=− ⇒ x2 = −
ẋ2 = −sin(x1 ) ẋ2 = −x1 x2 α

x2
α Isóclina

0 x1 = 0
∞ x2 = 0
1 x2 = −x1 ∞
x1
−1 x2 = x1

−1 1
0 LNCC

Magno E. M. Meza (UFRJ) Mini-curso Fevereiro de 2007 32 / 110


Plano de fase - Método de isóclinas
Exemplo: Pêndulo linear sem atrito

 
ẋ1 = x2 ẋ1 = x2 x1 x1
α=− ⇒ x2 = −
ẋ2 = −sin(x1 ) ẋ2 = −x1 x2 α

x2
α Isóclina

0 x1 = 0
∞ x2 = 0
1 x2 = −x1 ∞
x1
−1 x2 = x1

−1 1
0 LNCC

Magno E. M. Meza (UFRJ) Mini-curso Fevereiro de 2007 32 / 110


Plano de fase - Método de isóclinas
Exemplo: Pêndulo linear com atrito


ẋ1 = x2 x2 − x 1 x1
α= ⇒ x2 = −
ẋ2 = −x1 − x2 x2 α+1
x2
α Isóclina 0

0 x2 = −x1

x1

LNCC

Magno E. M. Meza (UFRJ) Mini-curso Fevereiro de 2007 33 / 110


Plano de fase - Método de isóclinas
Exemplo: Pêndulo linear com atrito


ẋ1 = x2 x2 − x 1 x1
α= ⇒ x2 = −
ẋ2 = −x1 − x2 x2 α+1
x2
α Isóclina 0

0 x2 = −x1
∞ x2 = 0


x1

LNCC

Magno E. M. Meza (UFRJ) Mini-curso Fevereiro de 2007 33 / 110


Plano de fase - Método de isóclinas
Exemplo: Pêndulo linear com atrito


ẋ1 = x2 x2 − x 1 x1
α= ⇒ x2 = −
ẋ2 = −x1 − x2 x2 α+1
x2
α Isóclina 0

0 x2 = −x1
∞ x2 = 0
−1 x1 = 0 ∞
x1

−1
LNCC

Magno E. M. Meza (UFRJ) Mini-curso Fevereiro de 2007 33 / 110


Plano de fase - Método de isóclinas
Exemplo: Pêndulo linear com atrito


ẋ1 = x2 x2 − x 1 x1
α= ⇒ x2 = −
ẋ2 = −x1 − x2 x2 α+1
x2
α Isóclina 0

0 x2 = −x1
∞ x2 = 0
−1 x1 = 0 ∞
x1
−2 x2 = x1

−2
−1
LNCC

Magno E. M. Meza (UFRJ) Mini-curso Fevereiro de 2007 33 / 110


Plano de fase - Método de isóclinas
Exemplo: Pêndulo linear com atrito


ẋ1 = x2 x2 − x 1 x1
α= ⇒ x2 = −
ẋ2 = −x1 − x2 x2 α+1
x2
α Isóclina 0

0 x2 = −x1
∞ x2 = 0
−1 x1 = 0 ∞
x1
−2 x2 = x1

−2
−1
LNCC

Magno E. M. Meza (UFRJ) Mini-curso Fevereiro de 2007 33 / 110


Plano de fase - Método de isóclinas
Exemplo: Pêndulo não linear sem atrito


ẋ1 = x2 sin(x1 ) sin(x1 )
α=− ⇒ x2 = −
ẋ2 = −sin(x1 ) x2 α

x2
α isóclina α = −1/4

0 x1 = 0
α = −1/2
∞ x2 = 0
α = −1
1 x2 = −sin(x1 )
−1 x2 = sin(x1 )
1 x1
2 x2 = −2sin(x1 ) α=1
− 21 x2 = 2sin(x1 ) α = 1/2
1
4 x2 = −4sin(x1 )
− 41 x2 = 4sin(x1 ) α = 1/4

LNCC

Magno E. M. Meza (UFRJ) Mini-curso Fevereiro de 2007 34 / 110


Plano de fase - Método de isóclinas
Exemplo: Pêndulo não linear com atrito


ẋ1 (t) = x2 (t)
ẋ2 (t) = −sin(x1 (t)) − 0.5 x2 (t)

y 0
-10 -5 0 5 10
x
-2

-4

LNCC
-6
Magno E. M. Meza (UFRJ) Mini-curso Fevereiro de 2007 35 / 110
Sumário da Parte III

9 Estabilidade de Sistemas Não Lineares

10 Objetivo de controle

LNCC

Magno E. M. Meza (UFRJ) Mini-curso Fevereiro de 2007 36 / 110


Parte III

Dia 07 de fevereiro de 2007

LNCC

Magno E. M. Meza (UFRJ) Mini-curso Fevereiro de 2007 37 / 110


Análise do plano de fase de sistemas não lineares
Comportamento local de sistemas não lineares

Sistema: Pêndulo com atrito



ẋ(t) = y (t)
(11)
ẏ (t) = −sin(x(t)) − 0.5 y (t)

y 0
-10 -5 0 5 10
x
-2

-4

-6 LNCC

Magno E. M. Meza (UFRJ) Mini-curso Fevereiro de 2007 38 / 110


Análise do plano de fase de sistemas não lineares
Comportamento local de sistemas não lineares

No retrato de fase, na Figura anterior, podemos notar, em comparação a


sistemas lineares, existe varios PSs. Podemos notar também, que as
caracterı́sticas das trajetórias de fase na vizinhança dos PSs se parecem
muito aqueles de sistemas lineares. Esta similaridade a um sistema linear
em uma região local de cada PS pode ser formalizado pela linearização do
sistema não linear.
Se o P.S. de interesse não é a origem, podemos deslocar o P.S. à origem.
Portanto, sem perda de generalidade, poderı́amos considerar a equação (6)
com um PS em 0. Utilizando expansão de Taylor, a equação (6) pode ser
reescrita como
ẋ1 = a x1 + b x2 + g1 (x1 , x2 )
ẋ2 = c x1 + d x2 + g2 (x1 , x2 )
no qual g1 e g2 contém od termos de ordem maior.
LNCC

Magno E. M. Meza (UFRJ) Mini-curso Fevereiro de 2007 39 / 110


Análise do plano de fase de sistemas não lineares
Ciclo limite

No plano de fase, um ciclo limite é definida como uma curva fechada e


isolada. A trajetória tem que ser fechada, indicando a natureza periodica
do movimento, e isolada, indicando a natureza limitada do ciclo (como
trajetórias próximas convergindo ou divergindo dele).
Dependendo do padrão de movimento nas trajetórias na vizinhança do
ciclo limite, podemos distingüir três tipos de ciclos limites
1 todas as trajetórias na vizinhança do ciclo limite convergem a ele
como t → ∞.
2 todas as trajetórias na vizinhança do ciclo limite divergem dele como
t → ∞.
3 algumas das trajetórias na vizinhança convergem a ele, enquanto
outras divergem dele como t → ∞.

LNCC

Magno E. M. Meza (UFRJ) Mini-curso Fevereiro de 2007 40 / 110


Análise do plano de fase de sistemas não lineares
Ciclo limite - Esboço

x2 x2 x2

x1 x1 x1

Estável Instável Semi-estável

(a) (b) (c)

LNCC

Magno E. M. Meza (UFRJ) Mini-curso Fevereiro de 2007 41 / 110


Análise do plano de fase de sistemas não lineares
Ciclo limite - Exemplo simulação

2 2 2

1 1 1

y 0 y 0 y 0
-2 -1 0 1 2 -2 -1 0 1 2 -2 -1 0 1 2
x x x

-1 -1 -1

-2 -2 -2

(a) (b) (c)

estável instável semi-estável

LNCC

Magno E. M. Meza (UFRJ) Mini-curso Fevereiro de 2007 42 / 110


Estabilidade de Sistemas Não Lineares
Conceito de estabilidade

Sistema Não Linear


ż = f (z) (12)
z ∈ Rn , f (z) contı́nua e localmente Lipschitz ∀ z ∈ D ⊂ Rn
Ponto Singular (Ponto de Equilı́brio)

ż = f (z) = 0. (13)

Seja z = 0 é um ponto de equilı́brio, sem perda de generalidade.


Aqui definiremos conceitos de estabilidade de maneira formal, para
sistemas autônomos.
Notação: Denota-se a região esférica (ou bola) como BR definida por
kxk < R no espaço de estados, e a esfera em si como SR , definida por
kxk = R.
LNCC

Magno E. M. Meza (UFRJ) Mini-curso Fevereiro de 2007 43 / 110


Estabilidade de Sistemas Não Lineares
Conceito de estabilidade

Definição r z0

0
Seja z(t) a solução de (12) para c.i.
z(t0 ) = z0 ⇒ z = 0 é: R

Liapunov estável se para cada


R > 0, existe um r = r (R) > 0 tal que

kz(0)k < r =⇒ kz(t)k < R, ∀t ≥ 0.


r z0

Instável se não é estável. 0

LNCC

Magno E. M. Meza (UFRJ) Mini-curso Fevereiro de 2007 44 / 110


Estabilidade de Sistemas Não Lineares
Conceito de estabilidade

Definição
Seja z(t) a solução de (12) para c.i. r z0
z(t0 ) = z0 ⇒ z = 0 é: 0
Assintoticamente estável se é R
estável e r pode-se escolher de modo
que

kz(0)k < r =⇒ lim z(t) = 0.


t→∞
r z0
Marginalmente estável se é 0
Liapunov estável mas não é
assintoticamente estável. R

LNCC

Magno E. M. Meza (UFRJ) Mini-curso Fevereiro de 2007 45 / 110


Estabilidade de Sistemas Não Lineares
Conceito de estabilidade

Definição
z0
z(t) a solução de (12) para c.i. z(t0 ) = z0
⇒ z = 0 é exponencialmente estável se
existe α e λ tais que
0
−λ t
kz(t)k ≤ α kz(0)k exp α≥1
r
∀ kz(0)k < r e algum r > 0

Definição O dominio de atração é


Dominio de atração de um ponto de em geral dificil ou
equilı́brio, é definido como o conjunto de impossı́vel de se achar
todos os pontos z tal que limt→∞ z(t) = 0. analiticamente.
LNCC

Magno E. M. Meza (UFRJ) Mini-curso Fevereiro de 2007 46 / 110


Estabilidade de Sistemas Não Lineares
Conceito de estabilidade - Método Indireto de Liapunov

Seja a matriz Jacobiana


∂f
A= (z) .
∂z z=0
Então, denotando com λi os autovalores de A (i = 1, . . . , n.)
A origem é assintóticamente estável se ℜ{λi } < 0, para todo λi .
A origem é instável se ℜ{λi } > 0 para um ou mais autovalores de A.

LNCC

Magno E. M. Meza (UFRJ) Mini-curso Fevereiro de 2007 47 / 110


Estabilidade de Sistemas Não Lineares
Conceito de estabilidade

Seja V : D → R um campo escalar continuamente diferenciável definido no domı́nio D ∈ Rn que


contema origem, então:
V (z) se diz que é uma função definida positiva se V (0) = 0 e V (z) > 0 em D − {0}.
V (z) se diz que é uma função semidefinida positiva se V (0) = 0 e V (z) ≥ 0 em D.
V (z) se diz que é uma função definida negativa se −V (z) é definida positiva.
V (z) se diz que é uma função semidefinida negativa se −V (z) é semidefinida positiva.
A derivada temporal del V sobre as trajetórias de (12) se chama derivada orbital,
denotase V̇ (z), e é dada por:

∂V ∂V
V̇ (z) = ż = f (z) = ∇V (z) · f (z)
∂z ∂z
f1 (z)
0 1

∂V ∂V ∂V
«B f2 (z) C
= ··· . (14)
B C
..
B C
∂z1 ∂z2 ∂zn @ A
fn (z)

Conseqüentemente, se V̇ (z) é negativa, V será decrescente sobre as trajetórias solução de (12).


LNCC

Magno E. M. Meza (UFRJ) Mini-curso Fevereiro de 2007 48 / 110


Estabilidade de Sistemas Não Lineares
Conceito de estabilidade - Método Direto de Liapunov

Seja V : D → R função escalar C 1 em D ∈ Rn que contem a origem,


então
Se V (z) é definida positiva e V̇ (z) é semidefinida negativa, a
origem é um ponto de equilı́brio estável.
Se V (z) é definida positiva e V̇ (z) é definida negativa, a origem é
um ponto de equilı́brio assintóticamente estável.
Uma função V (z) que cumpre as condições impostas denomina-se Função
de Liapunov (FL).

LNCC

Magno E. M. Meza (UFRJ) Mini-curso Fevereiro de 2007 49 / 110


Sistemas Não Lineares
Objetivo de controle

O estudo de controle de sistemas não lineares se foca em:


1 Estabilidade está relacionada em determinar aqueles estados iniciais
que, sob uma lei de controle de realimentação, serão transferidos e
mantidos em um conjunto alvo especificado.
2 Controlabilidade está relacionada em determinar aqueles estados
iniciais onde um controle de realimentação existente transferirá o
estado a um alvo especificado.

LNCC

Magno E. M. Meza (UFRJ) Mini-curso Fevereiro de 2007 50 / 110


Pausa

LNCC

Magno E. M. Meza (UFRJ) Mini-curso Fevereiro de 2007 51 / 110


Modelo pêndulo

R
θ

m
LNCC

Magno E. M. Meza (UFRJ) Mini-curso Fevereiro de 2007 52 / 110


Modelo pêndulo

1 Dados

v2
ac = at = R θ̈ v = R θ̇
R
2 Eixo radial
“ ”2 R
T − mg cos(θ) = R θ̇
θ
3 Eixo tangencial
T

−mg sin(θ) − bv = R θ̈ m
mg sin(θ)
4 Espaço de estados
θ mg cos(θ)
x1 = θ x2 = θ̇
mg

ẋ1 = x2
ẋ2 = − Rg sin(x1 ) − b x2

LNCC

Magno E. M. Meza (UFRJ) Mini-curso Fevereiro de 2007 53 / 110


Modelo pêndulo

1 Dados

v2
ac = at = R θ̈ v = R θ̇
R
2 Eixo radial
“ ”2 R
T − mg cos(θ) = R θ̇
θ
3 Eixo tangencial
T

−mg sin(θ) − bv = R θ̈ m
mg sin(θ)
4 Espaço de estados
θ mg cos(θ)
x1 = θ x2 = θ̇
mg

ẋ1 = x2
ẋ2 = − Rg sin(x1 ) − b x2

LNCC

Magno E. M. Meza (UFRJ) Mini-curso Fevereiro de 2007 53 / 110


Modelo pêndulo

1 Dados

v2
ac = at = R θ̈ v = R θ̇
R
2 Eixo radial
“ ”2 R
T − mg cos(θ) = R θ̇
θ
3 Eixo tangencial
T

−mg sin(θ) − bv = R θ̈ m
mg sin(θ)
4 Espaço de estados
θ mg cos(θ)
x1 = θ x2 = θ̇
mg

ẋ1 = x2
ẋ2 = − Rg sin(x1 ) − b x2

LNCC

Magno E. M. Meza (UFRJ) Mini-curso Fevereiro de 2007 53 / 110


Modelo pêndulo

1 Dados

v2
ac = at = R θ̈ v = R θ̇
R
2 Eixo radial
“ ”2 R
T − mg cos(θ) = R θ̇
θ
3 Eixo tangencial
T

−mg sin(θ) − bv = R θ̈ m
mg sin(θ)
4 Espaço de estados
θ mg cos(θ)
x1 = θ x2 = θ̇
mg

ẋ1 = x2
ẋ2 = − Rg sin(x1 ) − b x2

LNCC

Magno E. M. Meza (UFRJ) Mini-curso Fevereiro de 2007 53 / 110


Sumário da Parte IV

11 Métodos de Controle
Função de Liapunov com Controle (CLF)
Backstepping
Controle de Estrutura Variável (VSC)

LNCC

Magno E. M. Meza (UFRJ) Mini-curso Fevereiro de 2007 54 / 110


Parte IV

Dia 08 de fevereiro de 2007

LNCC

Magno E. M. Meza (UFRJ) Mini-curso Fevereiro de 2007 55 / 110


Métodos de Controle

1 Função de Liapunov com Controle (CLF) (Sontag, 1989)


2 Backstepping (Back) (Sepulchre et al., 1997)
3 Controle de Estrutura Variável (VSC) (Utkin, 1992)

LNCC

Magno E. M. Meza (UFRJ) Mini-curso Fevereiro de 2007 56 / 110


Métodos de Controle
Função de Liapunov com Controle (CLF) (Sontag, 1989)

Para o sistema não linear (SÑL)

ż = f (z) + g (z) u, (15)

z ∈ Rn , f (z) contı́nua e localmente Lipschitz ∀ z ∈ D ⊂ Rn .


V (z) é uma CLF se, ∀z 6= 0,

Lg V (z) = 0 → Lf V (z) < 0. (16)

Se (15) é estabilizável, uma CLF existe.

Uma forma de estabilizar SÑL, é selecionar V (z) e tentar achar u(z) que
torne V̇ (z, u(z)) negativa definida.

LNCC

Magno E. M. Meza (UFRJ) Mini-curso Fevereiro de 2007 57 / 110


Métodos de Controle
Função de Liapunov com Controle (CLF) - Exemplo 1


ẋ = y
(17)
ẏ = 2y − x + u
4
Define-se
2

z2
V (z) = ,
2 -4 -2
y 0
0 2 4
x

onde z = [x y ]T . Tarefa: Achar u(z) -2

tal que -4

 
  x
V̇ (z) = y 2y − x + u < 0.
y

Controle: Retrato de fase do


u = −3 y sistema sem controle LNCC

Magno E. M. Meza (UFRJ) Mini-curso Fevereiro de 2007 58 / 110


Métodos de Controle
Função de Liapunov com Controle (CLF) - Simulação Exemplo 1

4 4

2 2

y 0 y 0
-4 -2 0 2 4 -4 -2 0 2 4
x x

-2 -2

-4 -4

Sem Controle Controle CLF


LNCC

Magno E. M. Meza (UFRJ) Mini-curso Fevereiro de 2007 59 / 110


Métodos de Controle
Função de Liapunov com Controle (CLF) - Exemplo 2


ẋ = y
(18)
ẏ = 2 y2 − x + u 4

Define-se 2

z2 y 0

V (z) = , -4 -2 0
x
2 4

2 -2

onde z = [x y ]T . Tarefa: Achar u(z) -4

tal que
 
 2
 x
V̇ (z) = y 2y − x + u < 0.
y Retrato de fase do
sistema sem controle
Controle: u = −2 y 2 − y LNCC

Magno E. M. Meza (UFRJ) Mini-curso Fevereiro de 2007 60 / 110


Métodos de Controle
Função de Liapunov com Controle (CLF) - Simulação Exemplo 2

4 4

2 2

y 0 y 0
-4 -2 0 2 4 -4 -2 0 2 4
x x

-2 -2

-4 -4

Sem Controle Controle CLF


LNCC

Magno E. M. Meza (UFRJ) Mini-curso Fevereiro de 2007 61 / 110


Métodos de Controle
Backstepping (Sepulchre et al. 1997)

ż = f (z) + g (z) u
   
f1 (z) g (z) y
= + (19)
f2 (z) u2 (z)

y = u1 (x) (lei de controle virtual) 1a equação, ⇒


1
V1 = x 2 como uma CLF
2
então, para manter V̇1 negativa, procura-se u1 (x).
y − u1 (x), erro para ser regulado para 0, por u2 , ⇒
1
V2 (z) = V1 (x) + (y − u1 (x))2
2
LNCC
uma candidata CLF para o sistema todo (19).
Magno E. M. Meza (UFRJ) Mini-curso Fevereiro de 2007 62 / 110
Métodos de Controle
Backstepping - Exemplo 1


ẋ = y
(20)
ẏ = 2 y − x + u2
Seja o controle fictı́cio y = u1 (x), e define-se
x2
V1 = . Achar u1 (x) tal que
2
V̇1 = ẋ x = u1 (x) x < 0 ⇒ u1 = −x.
Seja y − u1 o erro a ser regulado para zero por u2 , e define-se
(y − u1 )2
V2 = V1 + . Achar u tal que
2
V̇2 = ẋ x + (y − u1 )(ẏ − u̇1 ) < 0.
Controle
u2 = −4 y LNCC

Magno E. M. Meza (UFRJ) Mini-curso Fevereiro de 2007 63 / 110


Métodos de Controle
Backstepping - Simulação Exemplo 1

4 4

2 2

y 0 y 0
-4 -2 0 2 4 -4 -2 0 2 4
x x

-2 -2

-4 -4

Sem Controle Controle Back


LNCC

Magno E. M. Meza (UFRJ) Mini-curso Fevereiro de 2007 64 / 110


Métodos de Controle
Backstepping - Exemplo 2


ẋ = y
(21)
ẏ = 2 y 2 − x + u2
Seja o controle fictı́cio y = u1 (x), e define-se
x2
V1 = . Achar u1 (x) tal que
2
V̇1 = ẋ x = u1 (x) x < 0 ⇒ u1 = −x.
Seja y − u1 o erro a ser regulado para zero por u2 , e define-se
(y − u1 )2
V2 = V1 + . Achar u tal que
2
V̇2 = ẋ x + (y − u1 )(ẏ − u̇1 ) < 0.
Controle
u2 = −2 y 2 − y LNCC

Magno E. M. Meza (UFRJ) Mini-curso Fevereiro de 2007 65 / 110


Métodos de Controle
Backstepping - Simulação Exemplo 2

4 4

2 2

y 0 y 0
-4 -2 0 2 4 -4 -2 0 2 4
x x

-2 -2

-4 -4

Sem Controle Controle Back


LNCC

Magno E. M. Meza (UFRJ) Mini-curso Fevereiro de 2007 66 / 110


Métodos de Controle
Controle de Estrutura Variável (VSC) (Utkin 1992)

Caracterı́sticas:
Controle robusto.
Invariança: O sistema é insensı́vel às incertezas paramétricas e
perturbações externas.
Exemplo:

ẋ = y
ẏ = 2y − x + u (22)
u = ψx

4 quando s(x, y ) > 0
ψ =
−4 quando s(x, y ) < 0
s(x, y ) = x σ, σ = 0.5 x + y (23)
LNCC

Magno E. M. Meza (UFRJ) Mini-curso Fevereiro de 2007 67 / 110


Métodos de Controle
VSC – Diagrama de Blocos - Plano de fase

σ=0
s<0 s>0

4
u R y R x x
s<0
−4 s>0
2
linhas de comutação
s(x, y ) = 0
x =0

σ = 0.5 x + y = 0.5 x + ẋ = 0 (24)


LNCC

Magno E. M. Meza (UFRJ) Mini-curso Fevereiro de 2007 68 / 110


Métodos de Controle
VSC – Comportamento

4 4 10

2 2 5

y 0 y 0 y 0
-4 -2 0 2 4 -4 -2 0 2 4 -10 -5 0 5 10
x x x

-2 -2 -5

-4 -4 -10

(a) (b) (c)

(a) s(x, y ) = x σ > 0.


(b) s(x, y ) = x σ < 0.
(c) u = x ψ.
LNCC

Magno E. M. Meza (UFRJ) Mini-curso Fevereiro de 2007 69 / 110


Métodos de Controle
VSC – Modos de Alcance

As trajetórias do Sistema passam por duas fases


1 Fase de alcance (Modo não deslizante) as trajetórias começam em qq
condição inicial e se movimentam em direção da superfı́cie de
comutação e alcançam a superfı́cie em tempo finito.
2 Fase de deslizamento na qual as trajetórias tendem assintoticamente
à origem.

LNCC

Magno E. M. Meza (UFRJ) Mini-curso Fevereiro de 2007 70 / 110


Métodos de Controle
VSC – Idéias Básicas VSC

1 Desde que a origem representa o estado de equilı́brio do sistema, o


modo deslizante representa o comportamento do sistema durante o
periodo transitório.
2 Durante o modo deslizante, a dinâmica de trajetórias é de uma ordem
menor que o modelo original.
3 No decurso do modo deslizante, a dinâmica do sistema é governada
somente pelos parâmetros que descrevem a linha σ = 0.
4 O modo deslizante é uma trajetória que não é inerente a uma das
duas estruturas.

LNCC

Magno E. M. Meza (UFRJ) Mini-curso Fevereiro de 2007 71 / 110


Métodos de Controle
VSC – Métodos para Superar o Chaveamento em Alta Freqüência - Camada Lı́mite

   
4, s(x, y ) > 0 s +σ
ψ(s) = ψ(s, σ) = −4+8 max 0, min 1,
−4, s(x, y ) < 0 2σ

ψ ψ
4 4

−σ
σ
s(x, y ) s(x, y )

−4 −4

LNCC

Magno E. M. Meza (UFRJ) Mini-curso Fevereiro de 2007 72 / 110


Métodos de Controle
VSC – Métodos para Superar o Chaveamento em Alta Freqüência - Camada Lı́mite

10 10

5 5

y 0 y 0
-10 -5 0 5 10 -10 -5 0 5 10
x x

-5 -5

-10 -10

8
−4 x(t), s(x, y ) < −σ 8
< −4 x(t), s(x, y ) < −σ
>
s(x, y ) + σ
>
< „ «
u= −4 + 4 x(t), −σ < s(x, y ) < σ u= 4 y (t), −σ < s(x, y ) < σ
>
> σ : 4 x(t), s(x, y ) > σ
4 x(t), s(x, y ) > σ
:
LNCC

Magno E. M. Meza (UFRJ) Mini-curso Fevereiro de 2007 73 / 110


Sumário da Parte V

12 Aplicações em Diferentes Áreas de Pesquisa


Enunciado do Problema
Conceitos utilizados
Aplicação na Ecologia Matemática: Modelo de Uma Espécie
Aplicação na Ecologia Matemática: Modelo de Duas Espécies
Controle com Histérese - Problema em aberto
Aplicação na Virologia
Controle de processo

LNCC

Magno E. M. Meza (UFRJ) Mini-curso Fevereiro de 2007 74 / 110


Parte V

Dia 09 de fevereiro de 2007

LNCC

Magno E. M. Meza (UFRJ) Mini-curso Fevereiro de 2007 75 / 110


Enunciado do Problema

Controle de modelos matemáticos do tipo predador–presa


Caracterı́sticas especiais:
1 Incerteza nas medidas de populações
2 Exige simplicidade de controle
3 Sem provocar extinção ou manter em nı́veis baixos

LNCC

Magno E. M. Meza (UFRJ) Mini-curso Fevereiro de 2007 76 / 110


Conceitos utilizados
Polı́tica de Limiar

Polı́tica de Limiar −→ controle comuta no limiar (threshold)


Em termos matemáticos

 f1 (z, u1 ) , z ∈ G 1

ż = f2 (z, u2 ) , z ∈ G 2 (25)
z(0) = z0 ∈ R2+

z = [x y ]T , R2+ = z ∈ R2 | x > 0, y > 0 , M divide R2+ em regiões




G j , j ∈ {1, 2}, fj : G j → R2 .

LNCC

Magno E. M. Meza (UFRJ) Mini-curso Fevereiro de 2007 77 / 110


Conceitos utilizados
Equilı́brio Virtual

G1 τ (z) = 0
zGeq2 f1 V (τ ) = 12 τ 2
u1
zsleq Região de V̇ = τ τ̇
Modo Deslizante ⇒ τ τ̇ < 0
τ (z) > 0 f2
zGeq1
τ (z) < 0
u2
G2

Limiar x

Definição
Seja zGeqi | fi zGeqi , ui = 0 para algum ui em (1). Então zGeqi ∈ G i é


chamado equilı́brio real e zGeqi ∈ G j é chamado equilı́brio virtual, j 6= i.


LNCC

Magno E. M. Meza (UFRJ) Mini-curso Fevereiro de 2007 78 / 110


Modelos de uma espécie

Noy–Meir (1975)
Collie–Spencer (1993)
Outros (Holling tipo I, II, III).
Modelo geral (engloba N–M, C–S e outros)

ẋ = x f (x) sistema sem controle

sistema com controle do tipo


ẋ = x f (x) − x u ‘esforço constante’ (i.e. controle
proporcional) x densidade
u = ε φ(·)
populacional

LNCC

Magno E. M. Meza (UFRJ) Mini-curso Fevereiro de 2007 79 / 110


Polı́tica de Limiar - Modelo Uma Espécie

x f (x), x u
εmax τ =0

Região sem Região com Com termo consumo,


Controle Controle com excesso de colheita
Com polı́tica limiar

Ponto de Equilı́brio Ponto de Equilı́brio


Virtual do Sistema Virtual do Sistema
com Controle sem Controle

xth x

LNCC

Magno E. M. Meza (UFRJ) Mini-curso Fevereiro de 2007 80 / 110


Simulação: Polı́tica de Limiar - Modelo Uma Espécie


dx  x 1 if τ > 0
=rx 1− − u x, u = ε φ (τ ) , φ (τ ) = (26)
dt K 0 if τ ≤ 0,
7

6.5

5.5

x(t)5

4.5

3.5

3
0 1 2 3 4 5 6
Time LNCC

Magno E. M. Meza (UFRJ) Mini-curso Fevereiro de 2007 81 / 110


Aplicação na Ecologia Matemática: Modelo Não Linear
Modelo Rosenzweig-MacArthur

   x y

 ẋ
 = x r 1− − x+A ,
 K 
sA (x − J)
 ẏ
 = y
(J + A) (x + A)
x : densidade populacional da presa
y : densidade populacional do predadore
r : taxa de crescimento intrı́nseca da presa
K : capacidade de carga do meio ambiente
A : taxa meia de saturação
s : eficácia da conversão do predador
J : mı́nima população das presas para o qual o predador pode
sobreviver debaixo da capacidade de carga K , J < K .
LNCC

Magno E. M. Meza (UFRJ) Mini-curso Fevereiro de 2007 82 / 110


Aplicação na Ecologia Matemática: Modelo Não Linear
Modelo Rosenzweig-MacArthur - Simulação sem controle

Phase portrait
90

80

70

60

50
y
40

30

20

10

0
0 10 20 30 40 50 60 70
x

LNCC

Magno E. M. Meza (UFRJ) Mini-curso Fevereiro de 2007 83 / 110


Aplicação na Ecologia Matemática: Modelo Não Linear
Modelo Rosenzweig-MacArthur com controle

   x y

 ẋ = x r 1− − x+A ,
K


  
sA (x − J)
ẏ = y − y u2


 (J + A) (x + A)
u2 = ε2 φ(τ ),

Caracterı́sticas especiais do controle u2


1 Exige simplicidade de controle
2 Sem provocar extinção
3 Restrição: x > 0 e y > 0
4

0 se τ <0
φ(τ ) = (27)
1 se τ >0
LNCC

Magno E. M. Meza (UFRJ) Mini-curso Fevereiro de 2007 84 / 110


Aplicação na Ecologia Matemática: Modelo Não Linear
Modelo Rosenzweig-MacArthur - Esboço CLF+ “Backstepping”

  x y

ẋ = x r 1− − x+A ,
 K 
sA (x − J) (28)
ẏ = y − y u2
(J + A) (x + A)
u2 = ε2 φ(τ ),
Idéia:
1 Em (28) y atua como controle fictı́cio u1 (x) (backstepping).
2 CLF: V1 (x) = 12 (x − xd )2 ; u1 = ε x e V̇1 < 0.
3 u2 é escolhido para fazer com que y rastreie u1 (x).
4 Escolha do limiar: τ = y − u1 = y − ε x.
5 CLF: V2 = 12 τ 2 ; ε e ε2 e V̇2 < 0.

LNCC

Magno E. M. Meza (UFRJ) Mini-curso Fevereiro de 2007 85 / 110


Modelo Rosenzweig–MacArthur: Resultados de simulação

Phase portrait Phase portrait Phase portrait


90
70 70

80
60 60
70

50 50
60

50 40 40
y y y
40
30 30

30
20 20
20

10 10
10

0 0 0
0 10 20 30 40 50 60 70 0 10 20 30 40 50 60 70 0 10 20 30 40 50 60 70
x x x

Sem Controle Controle Polı́tica


Proporcional Limiar

LNCC

Magno E. M. Meza (UFRJ) Mini-curso Fevereiro de 2007 86 / 110


Sistema de Pastagem

dV /dt = (h W ⋆ (V ) − l − b H) V


dH/dt = (e b V − d) H,
V,H
W ⋆ (V ) disponibilidade de água como função da vegetação
h crescimento da vegetação / disponibilidade água
l perda devido a velhice da vegetação
b consumo dos herbı́voros
e coeficiente de conversão
d morte natural dos herbı́voros

LNCC

Magno E. M. Meza (UFRJ) Mini-curso Fevereiro de 2007 87 / 110


Sistema de Pastagem com Polı́tica de Limiar

dV /dt = (hW ⋆ (V ) − l − φ1 (τ )) V ,


dH/dt = (φ2 (τ ) − d) H,

0 if τ (V , H) > 0,
φ1 (τ ) =
bH if τ (V , H) < 0,

k1 if τ (V , H) > 0, k1 ≤ d
φ2 (τ ) =
ebV if τ (V , H) < 0,

LNCC

Magno E. M. Meza (UFRJ) Mini-curso Fevereiro de 2007 88 / 110


Comportamento do Sistema de Pastagem

H H

fs

Predator
PSfrag repla ements
iso line
Z Prey


s
fs
4 PSfrag repla ements iso line

Prey
iso line
Predator
iso line

Z1f s Z2f s Z3f s V Z1 Z2


s s
Z3 V
s

LNCC

Magno E. M. Meza (UFRJ) Mini-curso Fevereiro de 2007 89 / 110


Aplicação na Ecologia Matemática: Modelo Não Linear
Modelo dependente da razão: duas espécies

ẋ = f1 (x) + f2 (x/y )y
ẏ = y (f3 (x/y ) − d) + f4 (y )u2
u2 = ε2 φ(τ ),

e.g.
f1 = a x (1 − x/K ) f2 = −c x/ (m y + x)
f3 = f x/ (m y + x) f4 = −y

LNCC

Magno E. M. Meza (UFRJ) Mini-curso Fevereiro de 2007 90 / 110


Aplicação na Ecologia Matemática: Modelo Não Linear
Modelo dependente da razão adimensional: duas espécies

t −→ at x −→ x/K y −→ my /K

ẋ = f1 (x) + f2 (x/y )y ,
ẏ = δ y f3 (x/y ) + f4 (y )u2 ,
u2 = ε2 φ(τ )

f1 = x (1 − x) f2 = −s x/ (y + x)
f3 = x/ (y + x) − r f4 = −y
c f d
s= , δ= , r=
ma a f

LNCC

Magno E. M. Meza (UFRJ) Mini-curso Fevereiro de 2007 91 / 110


Aplicação na Ecologia Matemática: Modelo Não Linear
Modelo tipo Gause: duas espécies

(x, y ) −→ (u, y ) , u = x/y , y = y

u̇ = g (u) − ϕ(u)y ,
ẏ = ψ(u)y + f4 (y )u2 ,
u2 = ε2 φ(τ ),

g (u) = u(1 + δr − s + (1 + δr − δ)u)/(1 + u) ϕ(u) = u 2


ψ(u) = δ(u/(u + 1) − r ) f4 = −y
c f d
s= , δ= , r=
ma a f

LNCC

Magno E. M. Meza (UFRJ) Mini-curso Fevereiro de 2007 92 / 110


Caracterı́sticas da dependência da razão

Dinâmica rica e mais realista biologicamente


Predador e presa podem ir a extinção (observação clássica Gause,
1934)
Não apresenta o paradoxo de enriquecimento
O fenômeno denominado “paradoxo” de controle biológico pode
ocorrer (densidade baixa e estável)

LNCC

Magno E. M. Meza (UFRJ) Mini-curso Fevereiro de 2007 93 / 110


Paradoxo de Enriquecimento

Instável

Estável

0 K x

“ “ x” y

ẋ = x r 1− − x+A ,
„ K «
sA (x − J)
ẏ = y .
(J + A) (x + A)

LNCC

Magno E. M. Meza (UFRJ) Mini-curso Fevereiro de 2007 94 / 110


Controle com Histérese


1, se τ > 0, 
1, se τ > −σ e τ̇ < 0,
φ(τ, t) = φhys (τ, t) =
−1, se τ < 0. −1, se τ < σ e τ̇ > 0,

φ
φhys
1
1

τ −σ σ
τ
−1
−1

LNCC

Magno E. M. Meza (UFRJ) Mini-curso Fevereiro de 2007 95 / 110


Definição Polı́tica de Limiar com Histerese

H
G1 :  (Z ) >   (Z ) = 0

Z eq
G2

PSfrag repla ements

M 0
Z eq
G1

M1 G2 :  (Z ) < 

V
LNCC

Magno E. M. Meza (UFRJ) Mini-curso Fevereiro de 2007 96 / 110


Controle com Histérese
Controle com Histérese - Modelo de Uma Espécie

= g x 1 − Kx − x uhys ,


(29)
uhys = ε φhys (τ )
0.9

0.8

0.7
M0
Vegetation density

0.6

0.5

0.4

M1
0.3

0.2

0.1

0
0 1 2 3 4 5 6 7 8 9 10
Time

LNCC

Magno E. M. Meza (UFRJ) Mini-curso Fevereiro de 2007 97 / 110


Controle com Histérese
Aplicação: Modelo de Duas Espécies

  x y

ẋ = x r 1− − x+A ,
 K 
sA (x − J) (30)
ẏ = y − y u2
(J + A) (x + A)
u2 = ε2 φhys (τ ),

Phase portrait Phase portrait Phase portrait


90
70 70

80
60 60
70

50 50
60

50 40 40
y y y M
0
40
30 30
M
30 1

20 20
20

10 10
10

0 0 0
0 10 20 30 40 50 60 70 0 10 20 30 40 50 60 70 0 10 20 30 40 50 60 70
x x x

(a) (b) (c)


LNCC

Magno E. M. Meza (UFRJ) Mini-curso Fevereiro de 2007 98 / 110


Sistema de Pastagem com Polı́tica de Limiar: Simulação
Limiar Horizontal (Herbı́voro)

Vegetation Vegetation
40 40

30 30
V V
20 20

10 10

0 0
0 100 200 300 400 500 600 700 0 100 200 300 400 500 600 700 800 900 1000
Time Time
Herbivore Herbivore
15 15

H10 H10

5 5

0 0
0 100 200 300 400 500 600 700 0 100 200 300 400 500 600 700 800 900 1000
Time Time

Sem Histerese Com Histerese

LNCC

Magno E. M. Meza (UFRJ) Mini-curso Fevereiro de 2007 99 / 110


Dinâmica de Vı́rus HIV
Modelo Nowak & May


 ẋ = λ − d x − β x v,
ẏ = β x v − a y, (31)
v̇ = k y − u v,

x : densidade populacional das células não infectadas (células CD4+


y : densidade populacional das células infectadas (células CD4+ infectadas)
v : densidade populacional dos vı́rus livres infecciosos
λ : taxa de produção das células não infectadas
d : taxa de morte natural das células não infectadas
β : taxa de infecção que o vı́rus infecta as células não infectadas
a : taxa de morte natural das células infectadas
k : taxa de duplicação do vı́rus depois de infectar uma célula CD4+
u : taxa de morte natural do vı́rus

LNCC

Magno E. M. Meza (UFRJ) Mini-curso Fevereiro de 2007 100 / 110


Exemplo: Comportamento de dinâmica de vı́rus HIV
Modelo Nowak & May

6
x 10
6
x
y
5 v

0
0 5 10 15 20 25 30 35 40 45 50
Time LNCC

Magno E. M. Meza (UFRJ) Mini-curso Fevereiro de 2007 101 / 110


Dinâmica de Vı́rus HIV
Dinâmica de Vı́rus HIV com terapia de drogas



 ẋ = λ − d x − (1 − εTR ) β x v ,
ẏ = (1 − εTR ) β x v − a y ,

(32)

 v̇ = (1 − εIP ) k y − u v ,
ẇ = εIP k y − u w ,

εTR : eficácia do inibidor da transcriptase reversa


εIP : eficácia do inibidor da protease
w : densidade populacional dos vı́rus livres não-infeccioso

Objetivo de controle
é manter o nı́vel das células não infectadas o mais alto possı́vel e o nı́vel
do vı́rus o mais baixo possı́veis.

LNCC

Magno E. M. Meza (UFRJ) Mini-curso Fevereiro de 2007 102 / 110


Dinâmica de Vı́rus HIV
Dinâmica de Vı́rus HIV - Modelo Jeffrey, Xia & Craig

  
1−x
 ẋ = λ+px − d x − β x v,


Tm
(33)

 ẏ = β x v − a y,
v̇ = N a y − u v,

x : densidade populacional das células não infectadas (células CD4+


y : densidade populacional das células infectadas (células CD4+ infectadas)
v : densidade populacional dos vı́rus livres infecciosos
λ : taxa de produção das células não infectadas
Tm : máxima capacidade de proliferação
p : taxa constante de proliferação
d : taxa de morte natural das células não infectadas
β : taxa de infecção que o vı́rus infecta as células não infectadas
a : taxa de morte natural das células infectadas
N : partı́culas livres do vı́rus produzidas por célula infectada CD4+
u : taxa de morte natural do vı́rus

LNCC

Magno E. M. Meza (UFRJ) Mini-curso Fevereiro de 2007 103 / 110


Exemplo: Comportamento de dinâmica de vı́rus HIV
Modelo Jeffrey, Xia & Craig

4000
x
3500
y
v

3000

2500

2000

1500

1000

500

0
0 100 200 300 400 500 600 700 800
Time
LNCC

Magno E. M. Meza (UFRJ) Mini-curso Fevereiro de 2007 104 / 110


Dinâmica de Vı́rus HIV
Modelo Kirschner & Webb

λ2 v p1 x v


 ẋ = λ1 − −dx + − βx v

 Bs + v C +v
 p2 y v
ẏ = βx v − a y − (34)
Ci + v
p3 y v gs v



 v̇
 = − kv x v +
Ci + v B +v

LNCC

Magno E. M. Meza (UFRJ) Mini-curso Fevereiro de 2007 105 / 110


Exemplo: Comportamento de dinâmica de vı́rus HIV
Modelo Kirschner & Webb

1500
x
y
v

1000

500

0
0 500 1000 1500 2000 2500 3000 3500
Time
LNCC

Magno E. M. Meza (UFRJ) Mini-curso Fevereiro de 2007 106 / 110


Controle de processos bio-quı́micos

1 processos quı́micos, bio-quı́micos


2 tratamento de águas residuais
3 industria farmacêutica
4 modelo quimiostato
5 Objetivo
Estabilizar substrato, e.g. contaminante tóxico, produto farmacêutico,
em nı́vel aceitável

LNCC

Magno E. M. Meza (UFRJ) Mini-curso Fevereiro de 2007 107 / 110


Controle de processos bio-quı́micos

1 processos quı́micos, bio-quı́micos


2 tratamento de águas residuais
3 industria farmacêutica
4 modelo quimiostato
5 Objetivo
Estabilizar substrato, e.g. contaminante tóxico, produto farmacêutico,
em nı́vel aceitável

LNCC

Magno E. M. Meza (UFRJ) Mini-curso Fevereiro de 2007 107 / 110


Modelo quimiostato simples

0
 m1 xy m2 xz
 ẋ = x − x (D0 + φ (z) D) − a1 +x − a2 +x

ẏ = m 1 xy
a1 +x − (D0 + φ (z) D1 ) y (35)
ż = am22+x
xz
− (D0 + φ (z) D2 ) z


α1 if z > zth
φ (z) = (α1 , α2 > 0),
α2 if z < zth
x : concentração do nutriente limitante
x0 : concentração de entrada do nutriente (mantido
constante)
y ez : concentrações dos microorganismos
Di , (i = 0, 1, 2) : taxas de diluição
m1 , m2 : taxas máximas de crescimento de cada micro-
organismo
a1 , a2 : constantes meias de saturação
αi , (i = 1, 2) : constantes adimensionais as quais dictam as
LNCC
novas taxas de diluição
Magno E. M. Meza (UFRJ) Mini-curso Fevereiro de 2007 108 / 110
Aplicação na Ecologia Matemática: Modelo Quimiostato
Resultados de simulação - Costa & Meza (2006)

Phase portrait Phase portrait Phase portrait


5.5 4.5
2.5

5
4

4.5
2
3.5
4

3.5 3
1.5
3

z
z

z
2.5
2.5

1
2 2

1.5
1.5
0.5
1
1
0.5

0 0 0.5
0 0.2 0.4 0.6 0.8 1 1.2 1.4 1.6 1.8 0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8
y y y

zth = 5 zth = 2.5 zth = 4

LNCC

Magno E. M. Meza (UFRJ) Mini-curso Fevereiro de 2007 109 / 110


Bibliografia

Cook, P. A., 1986. Nonlinear Dynamical Systems. Prentice / Hall


International, UK.
Khalil, H. K., 1992. Nonlinear Systems. Macmillan Publishing.
Leigh, J. R., 1983. Essentials of nonlinear control theory. IEE Topics in
Control Series 2. Short Run Press, Lodon, UK.
Sepulchre, R., Janković, M., Kokotović, P., 1997. Constructive Nonlinear
Control. Series on Communications and Control Engineering (CCES).
Springer-Verlag, London.
Slotine, J.-J. E., Li, W., 1991. Applied Nonlinear Control. Prentice Hall,
Englewood Cliffs, New Jersey.
Sontag, E. D., 1989. A ‘universal’ construction of Artstein’s theorem on
nonlinear stabilization. Systems and Control Letters 13, 117–123.
Utkin, V. I., 1992. Sliding Modes In Control And Optimization.
Springer-Verlag, Berlin. LNCC

Magno E. M. Meza (UFRJ) Mini-curso Fevereiro de 2007 110 / 110