Você está na página 1de 64

Introdução ao Controle Ótimo e Robusto

Introdução ao Controle Ótimo e Robusto

Alberto Luiz Serpa


2008

Este material caracteriza as notas de aulas relacioandas à disciplina ES728


- Controle Avançado de Sistemas considerando a reforma curricular do curso
de Engenharia de Controle Automação da UNICAMP ocorrida em 2006.
Este material representa um guia de estudos e não tem o objetivo de
substituir os bons livros adotados como bibliografia da disciplina.
Esta versão é prelimiar e será ampliada ao longo deste segundo semestre
de 2010.

Prof. Dr. Alberto Luiz Serpa - 2010 1


Introdução ao Controle Ótimo e Robusto

Sumário
1 Controle ótimo 3
1.1 Introdução . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 3
1.2 Otimização de parâmetros . . . . . . . . . . . . . . . . . . . . 4
1.3 Condições de otimalidade . . . . . . . . . . . . . . . . . . . . . 6
1.4 Equações de Euler Lagrange . . . . . . . . . . . . . . . . . . . 7
1.5 Condições de otimalidade e Euler-Lagrange . . . . . . . . . . . 9
1.6 Controle linear quadrático - LQR . . . . . . . . . . . . . . . . 13
1.7 Controle ótimo multivariável . . . . . . . . . . . . . . . . . . . 15
1.7.1 Matriz hamiltoniana . . . . . . . . . . . . . . . . . . . 18

2 Introdução ao controle robusto 19


2.1 Caso SISO . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 20
2.2 Resposta em freqüência multivariável . . . . . . . . . . . . . . 23
2.3 Modelagem da incerteza . . . . . . . . . . . . . . . . . . . . . 29
2.4 Estabilidade robusta . . . . . . . . . . . . . . . . . . . . . . . 32

3 Controle H∞ 46
3.1 Estabilidade segundo Lyapunov . . . . . . . . . . . . . . . . . 50
3.2 H∞ via Riccati . . . . . . . . . . . . . . . . . . . . . . . . . . 52

4 Bibliografia 59

5 Exercı́cios 60
5.1 Exercı́cios referentes à seção 1 . . . . . . . . . . . . . . . . . . 60
5.2 Exercı́cios referentes à seção 2 . . . . . . . . . . . . . . . . . . 62
5.3 Exercı́cios referentes à seção 3 . . . . . . . . . . . . . . . . . . 64

Prof. Dr. Alberto Luiz Serpa - 2010 2


Introdução ao Controle Ótimo e Robusto

1 Controle ótimo
1.1 Introdução
Seja uma medida de desempenho dada por
Z tf
J(u) = g(x, u, t)dt,
t0

onde x representa o estado e u o sinal de controle. O objetivo do controle


ótimo é minimizar J(u).
Algumas medidas de desempenho usuais são apresentadas a seguir.
• Integral do erro quadrático (ISE):
Z tf
J(u) = e2 (t)dt.
t0

• Integral do erro absoluto (IAE):


Z tf
J(u) = |e(t)|dt.
t0

• ITSE: Z tf
J(u) = (t − t0 )e2 (t)dt.
t0

• ITAE: Z tf
J(u) = (t − t0 )|e(t)|dt.
t0

• Mı́nima energia de controle:


Z tf
J(u) = u2 (t)dt.
t0

• Mı́nimo combustı́vel : Z tf
J(u) = |u(t)|dt.
t0

• Mı́nimo tempo: Z tf
J(u) = dt.
t0

• Índice quadrático no estado e no sinal de controle:


Z tf
J(u) = (xt Qx + γu2 )dt.
t0

A escolha do critério de otimização (da função objetivo) é papel do proje-


tista do sistema de controle em função dos requisitos desejados, e o resultado
obtido será uma função desta escolha.

Prof. Dr. Alberto Luiz Serpa - 2010 3


Introdução ao Controle Ótimo e Robusto

1.2 Otimização de parâmetros


Seja uma configuração de controle especificada a prióri. O ajuste dos parâmetros
deste controlador para minimizar algum ı́ndice de desempenho é o que se
chama de otimização de parâmetros.

Exemplo: Seja o ı́ndice de desempenho quadrático dado por


Z tf
J(u) = (xt Qx + γu2 )dt,
t0

e uma realimentação de estados na forma

u = −Kx.

Substituindo a lei de controle no indicador de desempenho tem-se que


Z tf Z tf
J(u) = (xt Qx + γxt Kt Kx)dt = xt (Q + γKt K)xdt.
t0 t0

Exemplo: Seja a planta

Y (s) 1
= ,
U (s) s(s + 1)

e adicionando uma realimentação tacométrica tem-se o esquema da Figura


1.

r + e + u 1
x2 = ẏ x1 = y
1 y
s+1 s
− −

kt

Figura 1: Esquema com a realimentação tacométrica.

Através do esquema é possı́vel escrever que

u = e − kt x2 = r − x1 − kt x2 .

Prof. Dr. Alberto Luiz Serpa - 2010 4


Introdução ao Controle Ótimo e Robusto

Seja um ı́ndice de desempenho quadrático do tipo


Z ∞
J(u) = (e2 + γu2 )dt,
0

sejam as condições iniciais nulas, x1 (0) = x2 (0) = 0 e uma entrada na forma


de degrau unitário r = u(t). Logo, tem-se que o ı́ndice de desempenho na
forma Z ∞
J(u) = [(1 − x1 )2 + γ(1 − x1 − kt x2 )2 ]dt. (1)
0
Da Figura 1 tem-se que
1
X2 (s) s+1 1
= 1 = ,
E(s) 1 + kt s+1 s + 1 + kt
1
Y (s) s(s+1+kt ) 1
= 1 = 2 ,
R(s) 1 + s(s+1+kt ) s + (1 + kt )s + 1
que corresponde a um sistema de segunda ordem em que wn = 1 e 2ξwn =
1 + kt . Verifica-se que:
• Para o caso sub-amortecido, 0 < ξ < 1, tem-se que −1 < kt < 1.
• Para o caso super-amortecido tem-se kt > 1.
• Para a instabilidade tem-se kt < −1.
A resposta do sistema (considerando o caso sub-amortecido) é dada por
e−ξt
y(t) = x1 (t) = 1 − √ sen(wd t + φ),
1 − ξ2

onde wd = wn 1 − ξ 2 e φ = cos−1 (ξ).
A derivada da resposta é
e−ξt
ẏ(t) = x2 (t) = √ sen(wd t).
1 − ξ2
Substituindo os termos calculados anteriormente na expressão do ı́ndice
de desempenho, este torna-se uma função do parâmetro kt , ou seja,
" #2
Z ∞  e−ξt
J(kt ) = √ sen(wd t + φ) +
0  1 − ξ2
" #2 
−ξt −ξt
e e 
+γ √ 2
sen(wd t + φ) − kt √ sen(wd t) dt.
1−ξ 1 − ξ2 

Prof. Dr. Alberto Luiz Serpa - 2010 5


Introdução ao Controle Ótimo e Robusto

Substituindo-se os valores de ξ, wn , wd e φ é possı́vel obter que

1 + 2γ + (kt + 1)2
J(kt ) = .
2(kt + 1)

Nota-se que γ atua como um fator de ponderação para a energia de con-


trole.
Minimizando-se J(kt ) para alguns valores de γ é possı́vel construir a Ta-
bela 1.

Tabela 1: Mı́nimo de J(kt ) para cada valor de γ.


γ 0 0.5 1 1.5

kt 0 0.41 0.73 1

Nota-se que para γ > 1.5 tem-se kt > 1 e então um sistema super-
amortecido.

1.3 Condições de otimalidade


Seja o problema (P ) de minimizar uma função de várias variávei f (x) sujeita
a um conjunto de restrições de desigualdade g(x) ≤ 0, i.e.,
(
min f (x)
(P )
sujeito a g(x) ≤ 0

Define-se a função lagrangiana associada ao problema (P ) como

L(x) = f (x) + λt g(x),

onde λ é o vetor dos multiplicadores de lagrange.


Um par (x̄, λ̄) é ponto de ótimo global do problema (P ) se as seguintes
condições de otimalidade forem satisfeitas:

1. x̄ minimiza L(x, λ̄)


t
2. λ̄ g(x̄) = 0

3. λ̄ ≥ 0

4. g(x) ≤ 0

Prof. Dr. Alberto Luiz Serpa - 2010 6


Introdução ao Controle Ótimo e Robusto

Da condição primeira condição tem-se que


t t
f (x̄) + λ̄ g(x̄) ≤ f (x) + λ̄ g(x).

Usando a segunda condição, o resultado anterior torna-se


t t
f (x̄) ≤ f (x) + λ̄ g(x) ⇒ f (x̄) − f (x) ≤ λ̄ g(x)

Combinando a terceira e a quarta condições verifica-se que


t
λ̄ g(x) ≤ 0,

e consequentemente
f (x̄) ≤ f (x),
provando-se que x̄ é um ponto de ótimo global do problema (P ).

1.4 Equações de Euler Lagrange


Seja uma função objetivo a ser minimizada dada por
Z tf
J(y) = g(y, ẏ, t)dt,
t0

onde y(t) é uma função contı́nua no intervalo [t0 , tf ], y ∗ (t) é a solução ótima
e η(t) é uma variação arbitrária em torno do ótimo conforme ilustrado na
Figura 2.
Para ǫ > 0 pequeno, é possı́vel escrever que

y(t) = y ∗ (t) + ǫη(t).

Considerando que para esta aproximação as condições de contorno devem


ser satisfeitas, tem-se que

y ∗ (t0 ) = y(t0 ), y ∗ (tf ) = y(tf ) e η(t0 ) = η(tf ) = 0.

Portanto, a função objetivo torna-se


Z tf
J(y) = g(y ∗ + ǫη, ẏ ∗ + ǫη̇, t)dt,
t0

e para a condição de mı́nimo com relação ǫ tem-se que


Z tf Z tf !
dJ d ∂g ∂y ∂g ∂ ẏ
= (g(y, ẏ, t))dt = + dt =
dǫ t0 dǫ t0 ∂y ∂ǫ ∂ ẏ ∂ǫ

Prof. Dr. Alberto Luiz Serpa - 2010 7


Introdução ao Controle Ótimo e Robusto

y(t)
y(t)
y ∗ (t)

t0 tf t
η(t)

Figura 2: Representação da variação das funções nas equações de Euler-


Lagrange.

Z !
tf ∂g ∂g
= η+ η̇ dt.
t0 ∂y ∂ ẏ
Mas sabe-se da derivada do produto que
! !
d ∂g d ∂g ∂g
η = η+ η̇,
dt ∂ ẏ dt ∂ ẏ ∂ ẏ
e conseqüentemente escreve-se que
Z tf " ! ! #
dJ ∂g d ∂g d ∂g
= η+ η − η dt =
dǫ t0 ∂y dt ∂ ẏ dt ∂ ẏ
t " ! #
∂g f Z tf ∂g d ∂g
= η + η− η dt.
∂ ẏ t0 t0 ∂y dt ∂ ẏ
Verifica-se que t
∂g f
η = 0,
∂ ẏ t0
pois η(tf ) = η(t0 ) = 0.
Conseqüentemente,
Z tf " !#
dJ ∂g d ∂g
= − ηdt
dǫ t0 ∂y dt ∂ ẏ
dJ
e a condição de mı́nimo estabelece que dǫ
= 0.

Prof. Dr. Alberto Luiz Serpa - 2010 8


Introdução ao Controle Ótimo e Robusto

Para que y(t) → y ∗ (t) então ǫ → 0. Como η(t) deve ser arbitrário, para
que dJ

= 0, então " !#
∂g d ∂g
− = 0,
∂y dt ∂ ẏ y=y∗
que representa e equação de Euler-Lagrange.
No caso de um problema de várias variáveis, y deixa de ser uma função
escalar, e é possı́vel generalizar para o vetor y como
" !#
∂g d ∂g

− =0
∂y dt ∂ ẏ
y = y∗

1.5 Condições de otimalidade e Euler-Lagrange


Seja um problema de controle ótimo formulado como minimizar o indicador
de desempenho J dado por
Z ∞
J(u) = g(x, u, t)dt,
0

sujeto à restrição da equação de estado ẋ = f (x, u, t) e com condições de


contorno x(0) = x0 .
Seja a função lagrangiana associada
L(x, λ, u, t) = g(x, u, t) + λt (f(x, u, t) − ẋ),
onde λ é o vetor dos multiplicadores de Lagrange.
Lembrando que a solução de um problema de otimização com restrições
pode ser obtida através das condições de otimalidade, é possı́vel escrever uma
nova função em termos da função lagrangiana, ou seja,
Z tf

J (u) = L(x, λ, u, t)dt.
t0

Da área de otimização sabe-se que o mı́nimo de J(u) com as respectivas


restrições pode ser encontrado através da minimização de J ′ (u). Escrevendo
as equações de Euler-Lagrange baseadas em J ′ (u) tem-se:
! ! !
d ∂L ∂L d ∂L ∂L d ∂L ∂L
= , = e = .
dt ∂ ẋ ∂x dt ∂ λ̇ ∂λ dt ∂ u̇ ∂u
Calculando explicitamente os termos das equações anteriores tem-se as
três equações de Euler-Lagrange:
!t
∂g ∂f
−λ̇ = + λ,
∂x ∂x

Prof. Dr. Alberto Luiz Serpa - 2010 9


Introdução ao Controle Ótimo e Robusto

0 = f − ẋ ⇒ ẋ = f
!t
∂g ∂f
0= + λ,
∂u ∂u

equações estas que podem ser usadas para a determinação da solução ótima.

Exemplo: Seja o sistema dado por

ẋ = −3x + 4u, x(0) = x0 , x(∞) = 0.

Determinar a lei de controle ótimo tal que o ı́ndice de desempenho


Z ∞
J(u) = (x2 + u2 )dt
0

seja miminizado.
A função lagrangiana correspondente é

L(x, λ, u, t) = |x2 + u2 +λ(−3x


{z } |
+{z4u − ẋ}).
g (f −ẋ)

As derivadas de interesse para as equações de Euler-Lagrange são:


∂g ∂f ∂g ∂f
= 2x, = −3, = 2u, = 4.
∂x ∂x ∂u ∂u
Escrevendo as equações de Euler-Lagrange tem-se que

−λ̇ = 2x − 3λ
ẋ = −3x + 4u
0 = 2u + 4λ ⇒ u = −2λ

Logo,
ẋ = −3x − 8λ
λ̇ = −2x + 3λ
e então, ( ) " #( )
ẋ −3 −8 x
=
λ̇ −2 3 λ
cuja solução é
 4 −5t

( )
5
e + 15 e5t 4 −5t
5
e − 54 e5t ( )
x(t) x0
=


 ,
λ(t) 1 −5t 1 5t 1 −5t 4 5t λ0
5
e − 5
e 5
e + 5
e

Prof. Dr. Alberto Luiz Serpa - 2010 10


Introdução ao Controle Ótimo e Robusto

onde definiu-se λ0 = λ(0). Escreve-se ainda,


   
4 −5t 1 5t 4 −5t 4 5t
x(t) = e + e x0 + e − e λ0 .
5 5 5 5
Para t → +∞ deseja-se que x(t) → 0 e assim escreve-se que
 
1 4 1 4
0 = e5t x0 − e5t λ0 = x0 − λ0 e5t ,
5 5 5 5
1 4 1
0 = x0 − λ0 ⇒ λ0 = x0 .
5 5 4
Conseqüentemente, é possı́vel escrever que
1
x(t) = e−5t x0 , λ(t) = e−5t λ0 = e−5t x0 ,
4
1
u(t) = −2λ(t) = − e−5t x0 ,
2
e então a lei de controle ótimo será
1
u(t) = − x(t).
2
Esta solução pode ser representada em um diagrama de blocos conforme
mostrado na Figura 3.
Considere agora a lei de controle de realimentação de estados u = kx.
Logo, Z ∞ Z ∞
2 2 2
J(u) = (x + k x )dt = (1 + k 2 )x2 dt,
0 0

ẋ = −3x + 4kx ⇒ ẋ = (−3 + 4k)x ⇒ x(t) = e(−3+4k)t x0 .


Portanto, Z ∞
J(k) = (1 + k 2 )e2(−3+4k)t x20 dt =
0

x2 (1 + k 2 ) 2(−3+4k)t
= 0 e .
2(−3 + 4k)
0
3
Para k < 4
tem-se a integral finita e então

x20 (1 + k 2 ) x2
J(k) = = 0 (1 + k 2 )(3 − 4k)−1 ,
2(3 − 4k) 2
e
dJ x2 h i
= 0 2k(3 − 4k)−1 + (1 + k 2 )(−1)(3 − 4k)−2 (−4) =
dk 2

Prof. Dr. Alberto Luiz Serpa - 2010 11


Introdução ao Controle Ótimo e Robusto

u(t) = − 12 x0 e−5t x
1
4 s

u(x) x
1
4 s

− 12
k

Figura 3: Representação do sistema e lei de controle ótimo.

Prof. Dr. Alberto Luiz Serpa - 2010 12


Introdução ao Controle Ótimo e Robusto

" # " #
x0 2k 4(1 + k 2 ) x0 2k(3 − 4k) + 4(1 + k 2 )
= + = = 0,
2 3 − 4k (3 − 4k)2 2 (3 − 4k)2
e então,
1
6k − 8k 2 + 4 + 4k 2 = 0 ⇒ −4k 2 + 6k + 4 = 0 ⇒ k1 = 2 e k2 = − ,
2
e determina-se, escolhendo a situação de estabilidade, que o ganho ótimo é
1
k = k2 = − .
2

1.6 Controle linear quadrático - LQR


Seja a equação de estado
ẋ = Ax + Bu,
x(t0 ) = x0 ,
e a seguinte medida de desempenho quadrática
Z tf
J(u) = (xt Qx + γu2 )dt,
t0

com Q ≥ 0 (positivo semi-definida) e γ > 0.


Para aplicar as equações de Euler-Lagrange define-se que

g = xt Qx + γu2 ,

f = Ax + Bu − ẋ,
e então tem-se
• da primeira equação:

−λ̇ = 2Qx + At λ ⇒ λ̇ = −2Qx − At λ.

• da terceira equação:
1 t
2γu + Bt λ = 0 ⇒ u = − B λ.

• e da segunda equação:
1
ẋ = Ax + Bu = Ax − BBt λ.

Prof. Dr. Alberto Luiz Serpa - 2010 13


Introdução ao Controle Ótimo e Robusto

Considere que existe uma matriz P = Pt > 0 tal que:

λ = 2Px.

Logo,
λ̇ = 2Ṗx + 2Pẋ = −2Qx − At λ,
1
2Ṗx + 2P(Ax − BBt λ) + 2Qx + At λ = 0,

" #
1
2Ṗx + 2P Ax − BBt (2Px) + 2Qx + At (2Px) = 0,

1
Ṗ + PA − PBBt P + Q + At P = 0,
γ
que é conhecida como a equação de Riccati.
Quando a planta é invariante no tempo, a matriz P é constante, ou seja,
Ṗ = 0. Neste caso,
1
Q + At P + PA − PBBt P = 0.
γ
Note que
1 t 1
u=− B (2Px) = − Bt Px.
2γ γ

Exemplo: Seja a planta descrita por

ẋ1 = x2 ,
ẋ2 = −2x1 − 3x2 + u,

com as condições iniciais: x1 (0) = 1 e x2 (0) = 0.


Seja um ı́ndice de desempenho quadrático dado por
1Z ∞ 2
J(u) = (5x1 + 5x22 + u2 )dt.
2 0
Determine a lei de controle ótima.
As matrizes de estado são
" # " #
0 1 0
A= e B= .
−2 −3 1

O ı́ndice de desempenho pode ser escrito matricialmente como


Z " #( ) ! Z ∞
∞ 2.5 0 x1 1
J(u) = [x1 x2 ] + u2 dt = (xt Qx + γu2 )dt,
0 0 2.5 x2 2 0

Prof. Dr. Alberto Luiz Serpa - 2010 14


Introdução ao Controle Ótimo e Robusto

de forma que verifica-se que


" #
2.5 0 1
Q= e γ= .
0 2.5 2

Escrevendo a equação algébrica de Riccati tem-se


1
Q + At P + PA − PBBt P = 0,
γ
" # " #" # " #" #
2.5 0 0 −2 p11 p12 p11 p12 0 1
+ + +
0 2.5 1 −3 p12 p22 p12 p22 −2 −3
" #" # " # " #
1 p11 p12 0 p11 p12 0 0
− [0 1] = ,
0.5 p12 p22 1 p12 p22 0 0
" # " #
2.5 − 4p12 − 2p212 p11 − 3p12 − 2p22 − 2p12 p22 0 0
= ,
p11 − 3p12 − 2p22 − 2p12 p22 2.5 − 2p12 − 6p22 − 2p222 0 0
e resolvendo o sistema de equações não linear obtém-se que
" #
3 0.5
P= .
0.5 0.5

Portanto, a lei de controle ótima é


1
u = − Bt Px,
γ
" #( )
1 3 0.5 x1
u = − [0 1] ,
0.5 0.5 0.5 x2
e finalmente
u = −x1 − x2 .
Verifica-se que os autovalores de P são λ1 = 3.096 e λ2 = 0.4037, e
portanto, P > 0 (positivo definida).

1.7 Controle ótimo multivariável


Seja uma planta a ser controlada descrita por

ẋ = Ax + Bu,

Prof. Dr. Alberto Luiz Serpa - 2010 15


Introdução ao Controle Ótimo e Robusto

e o ı́ndice de desempenho quadrático dado por


Z ∞
J(u) = (xt Qx + ut Ru)dt,
0

onde Q ≥ 0 (semi positivo definida) e R > 0 (positivo definida). A matriz R


deve ser positivo definida para assegurar que o termo do esforço de controle
não seja nulo.
Substituindo no resultado do caso escalar u por u e γ por R, as equações
de Lagrange tornam-se:
1
ẋ = Ax − BR−1 Bt λ,
2
λ̇ = −2Qx − At λ,
1
u = − R−1 Bt λ.
2
A equação de Riccati para o caso multivariável torna-se:

Q + At P + PA − PBR−1 Bt P = 0,

e a lei de controle ótimo é

u = −R−1 Bt Px.

Exemplo: Determinar a lei de controle ótima para controlar a planta

ẋ1 = x2 + u1 ,
ẋ2 = −4x1 − 4x2 + u2 ,

e minimizar o ı́ndice de desempenho quadrático dado por


Z ∞
J(u) = (2x21 − 2x1 x2 + 36x22 + u21 + u22 )dt.
0

A matrizes da planta são


" # " #
0 1 1 0
A= e B= .
−4 −4 0 1

Verifica-se que o sistema possui dois estados e duas entradas, de forma


que os seguintes vetores são definidos
( ) ( )
x1 u1
x= e u= .
x2 u2

Prof. Dr. Alberto Luiz Serpa - 2010 16


Introdução ao Controle Ótimo e Robusto

O ı́ndice de desempenho deve ser escrito na forma matricial para se obter


as matrizes Q e R, ou seja,
Z ∞
J(u) = (xt Qx + ut Ru)dt,
0

com " # " #


2 −1 1 0
Q= e R= .
−1 36 0 1
A equação de Riccati é

Q + At P + PA − PBR−1 Bt P = 0,
" # " #t " # " #" #
2 −1 0 1 p11 p12 p11 p12 0 1
+ + +
−1 36 −4 −4 p12 p22 p12 p22 −4 −4
" #" #" #−1 " #" # " #
p11 p12 1 0 1 0 1 0 p11 p12 0 0
− = ,
p12 p22 0 1 0 1 0 1 p12 p22 0 0
cuja solução é " #
3 −1
P= .
−1 3
Conseqüentemente, a lei de controle ótimo será

u = −R−1 Bt Px,
" #−1 " #" #( )
1 0 1 0 3 −1 x1
u=− ,
0 1 0 1 −1 3 x2
( ) ( )
u1 −3x1 + x2
u= = .
u2 x1 − 3x2
Nota: os autovalores de P são λ1 = 4 e λ2 = 2, verificando que P > 0.

Dois comandos MATLAB relacionados ao controle LQR são:

• are, que determina a matriz P solução da equação de Riccati, i.e.,

P = are(A, B′ , Q), B′ = BR−1 Bt .

• lqr, que determina a matriz de ganhos da realimentação de estados,


i.e.,
K = lqr(A, B, Q, R), K = R−1 Bt P.

Prof. Dr. Alberto Luiz Serpa - 2010 17


Introdução ao Controle Ótimo e Robusto

1.7.1 Matriz hamiltoniana


O problema de controle linear quadrático pode ser colocado em uma forma
matricial conveniente.
Seja o ı́ndice quadrático de desempenho escrito como
1Z ∞ t
J(u) = (x Q̄x + ut R̄u)dt,
2 0
onde Q = 21 Q̄ e R = 12 R̄
Uma função correspondente à função lagrangiana é a função hamiltoniana
definida como
1
H(x, λ, t) = (xt Q̄x + ut R̄u) + λt (Ax + Bu − ẋ).
2
As condições de Euler-Lagrange podem ser aplicadas à função hamiltoni-
ana, ou seja,
! ! !
d ∂H ∂H d ∂H ∂H d ∂H ∂H
= , = e = .
dt ∂ ẋ ∂x dt ∂ λ̇ ∂λ dt ∂ u̇ ∂u

De forma explı́cita tem-se

−λ̇ = Q̄x + At λ,

ẋ = Ax + Bu,
−1
R̄u + Bt λ = 0 ⇒ u = −R̄ Bt λ,
Estas equações podem ser reorganizadas matricialmente na forma
( ) " −1
#( ) ( )
ẋ A −BR̄ Bt x x
= =H ,
λ̇ −Q̄ −At λ λ
| {z }
H
onde H é a chamada matriz hamiltoniana e λ é também conhecido como
co-estado (vetor dos multiplicadores de Lagrange).
Fazendo λ = P̄x é possı́vel escrever
−1
u = −R̄ Bt P̄x = −Kx,
−1
onde K = R̄ Bt P̄ é a matriz de ganhos do controlador.
Escreve-se também que
˙ + P̄ẋ = −Q̄x − At P̄x,
λ̇ = P̄x

Prof. Dr. Alberto Luiz Serpa - 2010 18


Introdução ao Controle Ótimo e Robusto

˙ + P̄(Ax − BR̄−1 Bt P̄x) = −Q̄x − At P̄x,


P̄x
˙ = Q̄x + At P̄x + P̄(A − BR̄ Bt P̄)x,
−P̄x
−1

˙ = At P̄ + P̄A − P̄BR̄ Bt P̄ + Q̄,


−P̄
−1

e para o caso de P̄ invariante, tem-se a equação de Riccati


−1
At P̄ + P̄A − P̄BR̄ Bt P̄ + Q̄ = 0,

associada à respectiva matriz hamiltoniana.

2 Introdução ao controle robusto


A propriedade de um sistema de controle operar adequadamente em condições
reais é chamada de robustez. As condições reais são diferentes das condições
de projeto devido a vários fatores tais como simplificações nos modelos, efei-
tos não lineares desconsiderados, variações de comportamento com a tempe-
ratura, tempo ou idade, condições ambientais, desgaste etc.
Algumas definições usuais são apresentadas a seguir.

• Estabilidade robusta. É a capacidade do sistema de controle ser estável


com as variações a que está submetido.

• Desempenho robusto. É a capacidade do sistema de controle de manter


o desempenho satisfatório mesmo com as variações a que está sujeito.

• Controle Robusto. Campo que estuda os problemas de estabilidade e


desempenho robustos.

• Planta nominal. É o modelo assumido para representar a planta sem


incorporar as incertezas.

• Incertezas. São os erros existentes no modelo.

• Sistemas incertos. São aqueles que incluem na sua formulação uma


representação para as incertezas.

• Planta real. É uma planta que pertence a uma classe descrita pelos
sistemas incertos.

Os requisitos tı́picos de desempenho são:

• Acompanhamento de sinais de referência.

Prof. Dr. Alberto Luiz Serpa - 2010 19


Introdução ao Controle Ótimo e Robusto

• Rejeição de perturbações externas (distúrbios).

• Insensibilidade a variações na planta.

• Rejeição a erros de medida (ruı́dos de medição).

• Esforço de controle adequado.

2.1 Caso SISO


Seja o diagrama da Figura 4 que permite definir:
• R(s): sinal de referência;

• Ē(s): sinal de erro entre a referência e a saı́da medida;

• U (s): sinal de controle;

• D(s): entrada de distúrbio;

• Y (s): sinal de saı́da;

• N (s): ruı́do de medição;

• K(s): função de transferência do controlador;

• G(s): função de transferência da planta;

• K(s)G(s): função de transferência de malha aberta;

• J(s) = 1 + K(s)G(s) : função de transferência diferença de retorno;


1 1
• S(s) = J(s)
= 1+K(s)G(s)
: função de transferência de sensibilidade;
K(s)G(s)
• T (s) = 1+K(s)G(s) : função de transferência de malha fechada (ou sensi-
bilidade complementar).
Verifica-se que
S(s) + T (s) = 1.
Do diagrama de blocos é possı́vel escrever para a saı́da que

Y (s) = D(s) + K(s)G(s)(R(s) − Y (s) − N (s)),

Y (s)(1 + K(s)G(s)) = D(s) + K(s)G(s)R(s) − K(s)G(s)N (s),


K(s)G(s) 1 K(s)G(s)
Y (s) = R(s) + D(s) − N (s),
1 + K(s)G(s) 1 + K(s)G(s) 1 + K(s)G(s)

Prof. Dr. Alberto Luiz Serpa - 2010 20


Introdução ao Controle Ótimo e Robusto

D(s)

R(s) Ē(s) U (s) Y (s)


K(s) G(s)

N (s)

Figura 4: Diagrama de blocos incluindo entrada de distúrbio e ruı́do de


medição.

ou também
Y (s) = S(s)D(s) + T (s)(R(s) − N (s)).
Para o erro é possı́vel escrever que

E(s) = R(s) − Y (s),

E(s) = R(s) − S(s)D(s) − T (s)(R(s) − N (s)),


E(s) = (1 − T (s))R(s) − S(s)D(s) + T (s)N (s),
E(s) = S(s)R(s) − S(s)D(s) + T (s)N (s),
1 1 K(s)G(s)
E(s) = R(s) − D(s) + N (s).
1 + K(s)G(s) 1 + K(s)G(s) 1 + K(s)G(s)
Para o esforço de controle tem-se que

U (s) = K(s)Ē(s) = K(s)(R(s) − N (s) − Y (s)),

e substituindo Y (s) tem-se que

K(s)
U (s) = (R(s) − D(s) − N (s)),
1 + K(s)G(s)

ou ainda
U (s) = K(s)S(s)(R(s) − D(s) − N (s)).
As principais caracterı́sticas requeridas deste sistema são descritas a se-
guir.

Prof. Dr. Alberto Luiz Serpa - 2010 21


Introdução ao Controle Ótimo e Robusto

• Acompanhamento do sinal de referência. Considerando apenas a con-


tribuição de R(s) para E(s) verifica-se que para S(s) pequeno o erro
será pequeno. Isso é equivalente a ter K(s)G(s) grande.
• Rejeição de distúrbios. Para a rejeição de distúrbios a função de sensi-
bilidade S(s) deve ser pequena, e novamente K(s)G(s) deve ser grande.
• Rejeição de ruı́dos de medição. Para a rejeição de ruı́dos de medição
a função de sensibilidade complementar T (s) deve ser pequena, e con-
seqüentemente K(s)G(s) deve ser pequeno.
• Insensibilidade a variações na planta. Seja uma variação na saı́da da
planta ∆Y causada por uma variação na planta ∆G. Uma medida da
sensibilidade da saı́da devido à variação da planta é dada por
∆Y
G ∆Y
SGY = Y
∆G = ,
G
Y ∆G
ou ainda,
G ∂Y
SGY = .
Y ∂G
Considerando a função de transferência de R(s) para Y (s) dada por
K(s)G(s)
Y (s) = R(s),
1 + K(s)G(s)
escreve-se que
" #
G K(s) K 2 (s)G(s)
SGY = − .
Y 1 + K(s)G(s) (1 + K(s)G(s))2

Para que a sensibilidade de Y com relação a G, SGY , seja pequena deve-


se ter K(s)G(s) grande.
• Esforço de controle limitado. Para que o esforço de controle U (s) seja
limitado deve-se limitar K(s)S(s).
Se K(s)G(s) for grande tem-se
K(s) 1
K(s)S(s) = ≈ ,
1 + K(s)G(s) G(s)
e para freqüências altas sabe-se que para os sistemas fı́sicos |G(s)| →
0, de forma que o esforço de controle seria muito alto. Logo, para
um esforço de controle limitado, K(s)G(s) deve ser pequeno em altas
freqüências.

Prof. Dr. Alberto Luiz Serpa - 2010 22


Introdução ao Controle Ótimo e Robusto

As principais conclusões da análise anterior são:


• Para o acompanhamento do sinal de referência, rejeição de perturbações
e insensibilidade a variações na planta deseja-se que K(s)G(s) seja
grande.

• Para rejeição de ruı́dos de medição e esforço de controle limitado,


deseja-se que K(s)G(s) seja pequeno.
Nota-se que há um conflito. Contudo, na maioria dos problemas práticos
tem-se que o sinal de referência, os distúrbios e as variações na planta pos-
suem sua maior contribuição na baixa freqüência e então nesta região o dia-
grama de Bode deve ter ganho grande. O ruı́do de medição tem sua maior
contribuição na alta freqüência, e então o diagrama de Bode deve ter ganho
baixo na alta freqüência, já contribuindo para limitar o esforço de controle.
A Figura 5 mostra o diagrama de Bode tı́pico para atender aos requisitos
discutidos.

dB xxxxxxxxxx
xxxxxxxxxx
xxxxxxxxxx
xxxxxxxxxx
xxxxxxxxxx
xxxxxxxxxx
xxxxxxxxxx
xxxxxxxxxx
xxxxxxxxxx
xxxxxxxxxx
xxxxxxxxxx
xxxxxxxxxx
xxxxxxxxxxxxxxxxxxxxxxx
xxxxxxxxxxxxxxxxxxxxxxx GK xxxxxxxxxx
xxxxxxxxxx
xxxxxxxxxxxxxxxxxxxxxxx xxxxxxxxxx
xxxxxxxxxxxxxxxxxxxxxxx
xxxxxxxxxxxxxxxxxxxxxxx
xxxxxxxxxx
xxxxxxxxxx
xxxxxxxxxxxxxxxxxxxxxxx xxxxxxxxxx
xxxxxxxxxxxxxxxxxxxxxxx xxxxxxxxxx
xxxxxxxxxxxxxxxxxxxxxxx
xxxxxxxxxxxxxxxxxxxxxxx xxxxxxxxxx
xxxxxxxxxxxxxxxxxxxxxxx xxxxxxxxxx
xxxxxxxxxx
xxxxxxxxxxxxxxxxxxxxxxx xxxxxxxxxx
xxxxxxxxxxxxxxxxxxxxxxx
xxxxxxxxxxxxxxxxxxxxxxx xxxxxxxxxx w
xxxxxxxxxxxxxxxxxxxxxxx xxxxxxxxxx
xxxxxxxxxxxxxxxxxxxxxxx xxxxxxxxxx
xxxxxxxxxx
xxxxxxxxxxxxxxxxxxxxxxx
xxxxxxxxxxxxxxxxxxxxxxx xxxxxxxxxx
xxxxxxxxxxxxxxxxxxxxxxx xxxxxxxxxx
xxxxxxxxxxxxxxxxxxxxxxx xxxxxxxxxx
xxxxxxxxxxxxxxxxxxxxxxx
xxxxxxxxxxxxxxxxxxxxxxx
xxxxxxxxxxxxxxxxxxxxxxx
xxxxxxxxxxxxxxxxxxxxxxx
xxxxxxxxxxxxxxxxxxxxxxx
xxxxxxxxxxxxxxxxxxxxxxx
xxxxxxxxxxxxxxxxxxxxxxx
xxxxxxxxxxxxxxxxxxxxxxx
xxxxxxxxxxxxxxxxxxxxxxx
xxxxxxxxxxxxxxxxxxxxxxx
xxxxxxxxxxxxxxxxxxxxxxx
xxxxxxxxxxxxxxxxxxxxxxx

Figura 5: Forma desejada do diagrama de Bode para atender aos requisitos.

A Figura 6 apresenta as formas desejadas para as funções de sensibilidade


e de sensibilidade complementar para atender aos requisitos básicos.

2.2 Resposta em freqüência multivariável


A relação entre entrada e saı́da em freqüência no caso SISO é dada pelos
diagramas de Bode. No caso de sistemas MIMO é necessária uma genera-
lização do conceito de resposta em freqüência. Isto é feito através dos valores
singulares.

Prof. Dr. Alberto Luiz Serpa - 2010 23


Introdução ao Controle Ótimo e Robusto

dB
xxxxxxxxxxx
xxxxxxxxxxx
xxxxxxxxxxx
xxxxxxxxxxx
xxxxxxxxxxx
xxxxxxxxxxx
xxxxxxxxxxx
xxxxxxxxxxx
0dB xxxxxxxxxxx
xxxxxxxxxxx
xxxxxxxxxxx
xxxxxxxxxxx w
xxxxxxxxxxx
xxxxxxxxxxx
xxxxxxxxxxx
xxxxxxxxxxx
xxxxxxxxxxx
xxxxxxxxxxx
|S|

dB
xxxxxxxxxxxxxxxxxx
xxxxxxxxxxxxxxxxxx
xxxxxxxxxxxxxxxxxx
xxxxxxxxxxxxxxxxxx
xxxxxxxxxxxxxxxxxx
xxxxxxxxxxxxxxxxxx
xxxxxxxxxxxxxxxxxx
xxxxxxxxxxxxxxxxxx
0dB xxxxxxxxxxxxxxxxxx
xxxxxxxxxxxxxxxxxx
xxxxxxxxxxxxxxxxxx
xxxxxxxxxxxxxxxxxx
w
xxxxxxxxxxxxxxxxxx
xxxxxxxxxxxxxxxxxx
xxxxxxxxxxxxxxxxxx
xxxxxxxxxxxxxxxxxx
xxxxxxxxxxxxxxxxxx
|T | xxxxxxxxxxxxxxxxxx
xxxxxxxxxxxxxxxxxx
xxxxxxxxxxxxxxxxxx
xxxxxxxxxxxxxxxxxx
xxxxxxxxxxxxxxxxxx
xxxxxxxxxxxxxxxxxx
xxxxxxxxxxxxxxxxxx
xxxxxxxxxxxxxxxxxx
xxxxxxxxxxxxxxxxxx
xxxxxxxxxxxxxxxxxx
xxxxxxxxxxxxxxxxxx

Figura 6: Forma desejada para as função de sensibilidade e sensibilidade


complementar.

Prof. Dr. Alberto Luiz Serpa - 2010 24


Introdução ao Controle Ótimo e Robusto

Sejam os vetores x e seu transposto conjugado x∗ , e as matrizes G e sua


transposta conjugada G∗ .
A norma euclidiana do vetor x é

||x|| = x∗ x.

A norma espectral da matriz G induzida pela norma euclidiana é

||G|| = max ||Gx||.


||x||=1

Uma interpretação da norma de uma matriz é mostrada na Figura 7.

x2 y = Gx y2
y

||G||
1
x1 y1

||x|| = 1

Figura 7: Interpretação da norma de uma matriz.

Demonstra-se que q
||G|| = λmax (G∗ G),
onde λmax (·) é o máximo autovalor de (·).
Os valores singulares da matriz G são definidos como
q
σi (G) = λi (G∗ G) ; i = 1, 2, . . . , m,

onde λi (·) é o i-ésimo autovalor de (·).


Os valores singulares podem ser ordenados na forma

σmax (G) = σ1 (G) ≥ σ2 (G) ≥ . . . ≥ σm (G) = σmin (G),

e conseqüentemente tem-se que

||G|| = σmax (G).

σmin (G) = min ||Gx||.


||x||=1

Prof. Dr. Alberto Luiz Serpa - 2010 25


Introdução ao Controle Ótimo e Robusto

σmin (G)

x2 y = Gx y2

σmax (G)
1
x1 y1

Figura 8: Ilustração de uma matriz grande.

Uma matriz é dita ser grande quando ela produz uma amplificação grande
para todas as direções dos vetores sobre os quais ela opera conforme mostrado
na Figura 8.
Neste caso,

||Gx|| >> 1, ∀x tal que ||x|| = 1,

e portanto
min ||Gx|| >> 1.
||x||=1

Conseqüentemente, σmin (G) >> 1. Logo,

G grande ⇔ σmin (G) >> 1.

Uma matriz é pequena quando ela produz uma grande atenuação para
todas as direções dos vetores sobre os quais ela opera conforme ilustrado na
Figura 9.
Consequentemente,

G pequena ⇔ σmax (G) << 1.

Os diagramas de Bode para sistemas multivariáveis consistem nos gráficos


de σmax (G(jw)) e σmin (G(jw)) em função da freqüência w conforme ilustrado
na Figura 10.
Seja uma entrada u(t) = ūejwt e ||ū|| = 1, sem perda de generalidade,
pois a resposta depende linearmente da entrada (sistema linear). A resposta
de regime é y(t) = ȳejwt , onde ȳ = G(jw)ū.

Prof. Dr. Alberto Luiz Serpa - 2010 26


Introdução ao Controle Ótimo e Robusto

x2 y = Gx y2
σmin

1 σmax
x1 y1

Figura 9: Ilustração de matriz pequena.

dB

σmax (G(jw))

σmin (G(jw))

Figura 10: Resposta em freqüência multivariável através de valores singula-


res.

Prof. Dr. Alberto Luiz Serpa - 2010 27


Introdução ao Controle Ótimo e Robusto

Considerando todos os ū admissı́veis pode-se escrever para cada freqüência


w que
||ȳmax || = σmax (G(jw)) e ||ȳmin || = σmin (G(jw)).
Para um dado w tem-se

• ganho grande se σmin (G(jw)) >> 1 (ou 0dB),

• ganho pequeno se σmax (G(jw)) << 1 (ou 0dB).

De maneira geral pode-se dizer que

• pólos pouco amortecidos correspondem a picos da curva de σmax ,

• zeros correspondem a vales da curva de σmin .

As condições de desempenho estabelecidas para o caso SISO podem ser


extendidas para o caso MIMO usando o conceito de valores singulares. A
resposta para o sistema com entradas de distúrbio, ruı́do de medição e sinal
de referência pode ser escrita como

Y(s) = G(s)K(s)(I + G(s)K(s))−1 R(s)+

+(I + G(s)K(s))−1 D(s) − G(s)K(s)(I + G(s)K(s))N(s),


ou também
Y(s) = S(s)D(s) + T(s)(R(s) − N(s)),
com as matrizes de sensibilidade e sensibilidade complementar definidas como

S(s) = (I + G(s)K(s))−1 e T(s) = G(s)K(s)(I + G(s)K(s))−1 .

Com esta extensão ao caso multivariável, é possı́vel também ampliar as


principais conclusões comentadas anteriormente, ou seja,

• Acompanhamento do sinal de referência.

– Caso SISO: G(s)K(s) >> 1.


– Caso MIMO: σmin (G(s)K(s)) >> 1.

• Rejeição de distúrbios.

– Caso SISO: G(s)K(s) >> 1.


– Caso MIMO: σmin (G(s)K(s)) >> 1.

• Insensibilidade a variações na planta.

Prof. Dr. Alberto Luiz Serpa - 2010 28


Introdução ao Controle Ótimo e Robusto

– Caso SISO: G(s)K(s) >> 1.


– Caso MIMO: σmin (G(s)K(s)) >> 1.

• Rejeição do erro de medida.

– Caso SISO: G(s)K(s) << 1.


– Caso MIMO: σmax (G(s)K(s)) << 1.

• Esforço de controle limitado.

– Caso SISO: G(s)K(s) << 1.


– Caso MIMO: σmax (G(s)K(s)) << 1.

Estas condições podem ser representadas em um diagrama de valores


singulares conforme na Figura 11.

dB
σmax (GK)

xxxxxxxxx
xxxxxxxxx
xxxxxxxxx
xxxxxxxxxxxxxxxxxxxxxxx
xxxxxxxxxxxxxxxxxxxxxxx
xxxxxxxxx
xxxxxxxxx
xxxxxxxxxxxxxxxxxxxxxxx xxxxxxxxx
xxxxxxxxxxxxxxxxxxxxxxx
xxxxxxxxxxxxxxxxxxxxxxx
xxxxxxxxx
xxxxxxxxx
xxxxxxxxxxxxxxxxxxxxxxx xxxxxxxxx
xxxxxxxxxxxxxxxxxxxxxxx
xxxxxxxxxxxxxxxxxxxxxxx
xxxxxxxxx
xxxxxxxxx
xxxxxxxxxxxxxxxxxxxxxxx xxxxxxxxx w
xxxxxxxxxxxxxxxxxxxxxxx
xxxxxxxxxxxxxxxxxxxxxxx
xxxxxxxxx
xxxxxxxxx
xxxxxxxxxxxxxxxxxxxxxxx
xxxxxxxxxxxxxxxxxxxxxxx
xxxxxxxxx
xxxxxxxxx
xxxxxxxxxxxxxxxxxxxxxxx xxxxxxxxx
xxxxxxxxxxxxxxxxxxxxxxx
xxxxxxxxxxxxxxxxxxxxxxx
xxxxxxxxx
xxxxxxxxxxxxxxxxxxxxxxx
xxxxxxxxxxxxxxxxxxxxxxx
xxxxxxxxxxxxxxxxxxxxxxx
σmin (GK)

Figura 11: Forma desejada da resposta em freqüência multivariável.

2.3 Modelagem da incerteza


As incertezas são usualmente classificadas em duas categorias:
• Estruturada: a estrutura da incerteza é conhecida, onde se tem faixas e
limites para os parâmetros incertos do sistema. Exemplo: uma função
de transferência é válida, mas não se conhece exatamente a localização
dos pólos.

• Não-estruturada: assume menor conhecimento do sistema. Considera-


se apenas que a resposta em freqüência do sistema está entre limites.

Prof. Dr. Alberto Luiz Serpa - 2010 29


Introdução ao Controle Ótimo e Robusto

São usuais dois modelos para as incertezas: incerteza aditiva e incerteza


multiplicativa.

• A incerteza aditiva estabelece que a planta real Ḡ é dada por

Ḡ(s) = G(s) + ∆a (s),

onde G(s) é a planta nominal e ∆a (s) é a incerteza aditiva. Uma


representação de sistema com incerteza aditiva está na Figura 12.

∆a (s)

u y
G(s)

Figura 12: Representação da incerteza aditiva.

A incerteza aditiva é usualmente empregada na modelagem de dinâmica


de alta freqüência desconsiderada inicialmente. Nota-se que a incerteza
aditiva representa um erro absoluto.

• A incerteza multiplicativa é representada por

Ḡ = (1 + ∆m (s))G(s),

onde ∆m é a incerteza.
Uma representação da incerteza multiplicativa na entrada da planta é
dada na Figura 13, e uma representação para a incerteza na saı́da da
planta é dada na Figura 14.
O modelo de incerteza multiplicativa considera um erro relativo e é
usado mais freqüentemente.

Exemplo: Seja um modelo dado por s12 (modo rı́gido) e um compensador


em avanço. A malha aberta nominal é dada por:

10(s + 1)
G(s) = .
s2 (s + 5)

Prof. Dr. Alberto Luiz Serpa - 2010 30


Introdução ao Controle Ótimo e Robusto

∆m (s)

u y
G(s)

Figura 13: Incerteza multiplicativa na entrada da planta.

∆m (s)

u y
G(s)

Figura 14: Incerteza multiplicativa na saı́da da planta.

Considere que este sistema também possua um modo flexı́vel (termos de


maior ordem) dado por

s2 + 2(0.1)(12)s + 122 102


× .
s2 + 2(0.05)(10)s + 102 122

A planta real Ḡ deve considerar também o modo flexı́vel. Logo,

10(s + 1) s2 + 2(0.1)(12)s + 122 102


Ḡ(s) = × × .
s2 (s + 5) s2 + 2(0.05)(10)s + 102 122

A incerteza aditiva pode ser determinada como

−3.056s2 + 3.611s + 6.667


∆a (s) = Ḡ(s) − G(s) = .
s4 + 6s3 + 105s2 + 500s
A incerteza multiplicativa pode ser determinada como

Ḡ(s) − G(s) −0.3056s2 + 0.6667s


∆m (s) = = .
G(s) s2 + s + 100

Prof. Dr. Alberto Luiz Serpa - 2010 31


Introdução ao Controle Ótimo e Robusto

2.4 Estabilidade robusta


Seja a planta nominal G(s) e a planta real Ḡ(s).
Para a estabilidade robusta, o controlador projetado deve garantir a es-
tabilidade da malha fechada com base na planta real Ḡ(s).
O Teorema do Ganho Pequeno (Small Gain Theorem) estabelece que se
a planta nominal G(s) e o controlador K(s) são estáveis, então o sistema em
malha fechada, conforme mostrado na Figura 15, permanecerá estável se

|G(s)K(s)| < 1.

R(s) Y (s)
G(s)

K(s)

Figura 15: Representação para o teorema do ganho pequeno.

É possı́vel escrever que |G(s)K(s)| ≤ |G(s)||K(s)| e então a estabilidade


estará garantida se
|G(s)||K(s)| < 1.
A prova do teorema do ganho pequeno é baseada no critério de esta-
bilidade de Nyquist. Se G(s)K(s) é estável, então o seu número de pólos
no semi-plano direiro é nulo (p = 0). Se |G(s)K(S)| < 1, que representa
uma região no interior de um cı́rculo de raio unitário no plano s, então não
há envolvimentos do ponto −1. Conseqüentemente, do critério de Nyquist,
z = 0 + 0 = 0, ou seja, não há pólos da malha manha fechada no semi-plano
direito e esta é estável.
O teorema do ganho pequeno auxilia na resposta de duas questões:

• Se uma incerteza é estável e limitada, a malha fechada será estável


considerando esta incerteza?

• Qual é a menor incerteza que desestabiliza o sistema?

Prof. Dr. Alberto Luiz Serpa - 2010 32


Introdução ao Controle Ótimo e Robusto

∆m

r y
G

Figura 16: Malha fechada com incerteza multiplicativa.

Análise com incerteza multiplicativa


Seja um sistema com incerteza multiplicativa conforme mostrado na Figura
16.
Este sistema deve ser colocado na forma padrão da Figura 15 para a
aplicação do teorema do ganho pequeno.
Seja a Figura 17 que representa a planta M vista pela incerteza ∆m .

∆m

Figura 17: Forma padronizada para aplicação do teorema do ganho pequeno.

A função de transferência M pode ser determinada usando o diagrama o


diagrama da Figura 18, onde se desconsiderou a entrada e saı́da pois deseja-se
apenas a relação entre ∆ e M .
Da Figura 18 é possı́vel escrever as seguintes relações:

o = Gα, α = −K(i + o),

Prof. Dr. Alberto Luiz Serpa - 2010 33


Introdução ao Controle Ótimo e Robusto

∆m

o i
r α y
G

Figura 18: Esquema para determinar a função M .

e então
−GK
o = −GK(i + o) ⇒ (1 + GK)o = −GKi ⇒ o = i = M i.
1 + GK
Portanto,
−GK
M= . (2)
1 + GK
Pelo teorema do ganho pequeno, se ∆m e M são estáveis, então a malha
fechada será robustamente estável se
1
|∆m ||M | < 1 ⇒ |∆| < ,
|M |
ou,
1 1
|∆m | < ⇒ |∆ m | < .
|GK(1 + GK)−1 | |T |
Verifica-se que
1 1 + GK
1 + (GK)−1 = 1 + = = T −1 ,
GK GK
e então escreve-se que
|∆m | < |1 + (GK)−1 |.
Consequentemente, se a incerteza for limitada, |∆m | < γ, então o sistema
em malha fechada será estável se
1
|T | < ou |γT | < 1,
γ

Prof. Dr. Alberto Luiz Serpa - 2010 34


Introdução ao Controle Ótimo e Robusto

que caracteriza a condição para estabilidade robusta em termos de γ.


Como a incerteza deve ser menor que T1 , então ela deve ser menor que o
mı́nimo de T1 . Logo, deve-se considerar o máximo valor de T (valor de pico),
ou seja,
1 1 1
|∆m | < ⇒ |∆m | < min ⇒ |∆m | < ,
|T | |T | max |T |
onde max |T | representa o pico da resposta em freqüência de malha fechada
(pico de ressonância).
Define-se a margem de estabilidade multiplicativa como
1
M SM = ,
maxw |T (jw)|

de forma que para a estabilidade deve-se satisfazer

|∆m | < M SM.

Nota-se que para aumentar a proteção contra incertezas multiplicativas,


M SM deve ser grande, implicando que a função de sensibilidade comple-
mentar seja pequena. Isso é compatı́vel com a rejeição de ruı́dos de medição
e conflitante com o acomnpanhamento do sinal de referência e rejeição de
distúrbios.
Para o caso multivariável, a menor incerteza multiplicativa que desesta-
biliza o sistema é dada por
1
σmax (∆m (jw)) < .
σmax (T(jw))

Nota: no caso de sistemas multivariáveis, existe diferença entre incerteza


multiplicativa na entrada e na saı́da da planta, pois a ordem dos produtos
matriciais é importante. Os resultados anteriores foram deduzidos com base
na incerteza multiplicativa na saı́da da planta. No caso de incerteza multipli-
cativa na entrada, as funções de sensibilidade e sensibilidade complementar
seriam
S = (I + KG)−1 e T = KG(I + KG)−1 .
Uma situação comum é a do controlador estar posicionado antes da planta
e em uma situação de realimentação unitária conforme esquematizado na
Figura 19. Verifica-se neste caso que a mesma função M dada por (2) é
obtida.

Prof. Dr. Alberto Luiz Serpa - 2010 35


Introdução ao Controle Ótimo e Robusto

∆m

o i
∆m

K G

Figura 19: Esquema para a definição da função M na situação de reali-


mentação unitária.

∆a

r G y

Figura 20: Malha fechada com incerteza aditiva.

Prof. Dr. Alberto Luiz Serpa - 2010 36


Introdução ao Controle Ótimo e Robusto

Análise do caso de incerteza aditiva


Seja o caso de uma incerteza aditiva conforme mostrado na Figura 20.
Da mesma forma como foi feito para a incerteza multiplicativa, é preciso
colocar na forma de dois blocos conforme mostrado na Figura 21 para a
aplicação do teorema do ganho pequeno.

∆a

o i
∆a

G

M
K

Figura 21: Esquema para a definição da função M .

Da Figura 21 verifica-se que


−K
o = −K(i + Go) ⇒ (1 + GK)o = −Ki ⇒ o = i = M i,
1 + GK
e conseqüentemente,
−K
M= . (3)
1 + GK
Pelo teorema do ganho pequeno:
1
|∆a ||M | < 1 ⇒ |∆a | < ,
|M |
1 1
|∆a | < −1
⇒ |∆a | < .
|K(1 + GK) | |KS|
Considerando ∆a estável e limitada tem-se
1
|∆a | < γ ⇒ |KS| < ou |γKS| < 1.
γ
Define-se a margem aditiva de estabilidade como
1
ASM = , |∆a | < ASM.
maxw |K(jw)S(jw)|

Prof. Dr. Alberto Luiz Serpa - 2010 37


Introdução ao Controle Ótimo e Robusto

Para o caso multivariável, a menor incerteza aditiva que desestabiliza o


sistema é dada por:
1
σmax (∆a ) < .
σmax (K(jw)S(jw))
Uma situação usual é a do controlador estar posicionado antes da planta
e em realimentação unitária. Neste caso, o esquema correspondente para a
situação de incerteza aditiva é mostrado na Figura 22. Note que a mesma
função M dada por (3) é obtida.

∆a

o i
∆a

K G

Figura 22: Esquema para a definição da função M na situação de reali-


mentação unitária.

Exemplo: Seja a malha aberta nominal já compensada (controlador antes


da planta e realimentação unitária) dada por
10(s + 1)
G(s) = ,
s2 (s + 5)
e a malha aberta real compensada dada por
10(s + 1) s2 + 2(0.1)(12)s + 122 102
Ḡ(s) = × × .
s2 (s + 5) s2 + 2(0.05)(10)s + 102 122
Verifique as condições de estabilidade robusta considerando os modelos
de incerteza aditiva e multiplicativa.
As incertezas multiplicativa e aditiva correspondentes são
−3.056s2 + 3.611s + 6.667
∆a (s) = Ḡ(s) − G(s) = ,
s4 + 6s3 + 105s2 + 500s

Prof. Dr. Alberto Luiz Serpa - 2010 38


Introdução ao Controle Ótimo e Robusto

Ḡ(s) − G(s) −0.3056s2 + 0.6667s


∆m (s) = = .
G(s) s2 + s + 100
O gráfico do lugar das raı́zes das plantas nominal e real são apresentados
nas Figuras 23 e 24 respectivamente. Verifica-se que a malha fechada nominal
será estável para qualquer ganho, enquanto que a malha fechada real torna-se
instável para ganhos muito baixos e também para ganhos muito altos.

Root Locus
5

2
Imaginary Axis

−1

−2

−3

−4

−5
−5 −4 −3 −2 −1 0
Real Axis

Figura 23: Lugar das raı́zes da planta nominal.

Os diagramas de Bode da planta nominal e da planta real são apresentados


na Figura 25. Verifica-se que a planta nominal possui margem de ganho
infinita e margem de fase de 42◦ (boas margens), enquanto que a planta real
possui margem de ganho Gm = 10.6dB e margem de fase tembém de 42◦ ,
notando-se a queda de robustez.
A Figura 26 apresenta a resposta ao degrau das malhas fechadas nominal
e real, onde se verifica a oscilação devido aos modos flexı́veis.
As funções de sensibilidade e sensibilidade complementar são apresenta-
das na Figura 27. Verifica-se que max |T | = 3.74dB e max |S| = 3.57dB
de forma que tem-se M SM = 0.27dB e ASM = 0.28dB. Nota-se que estas
margens são bem mais conservativas que a tradicional margem de ganho Gm.
Para analisar a estabilidade robusta em termos da incerteza multiplicativa
deve-se verificar a validade da relação
1
|∆m | < ,
|T |
através dos respectivos diagramas de Bode de ∆m e T1 , conforme apresentado
na Figura 28.

Prof. Dr. Alberto Luiz Serpa - 2010 39


Introdução ao Controle Ótimo e Robusto

Root Locus
25

20

15

10
Imaginary Axis

−5

−10

−15

−20

−25
−5 −4 −3 −2 −1 0 1 2 3
Real Axis

Figura 24: Lugar das raı́zes da planta real.

Bode Diagram
150

100
Magnitude (dB)

50

−50

−100
−135
Phase (deg)

−180

−225 nominal
real

−270
−2 −1 0 1 2
10 10 10 10 10
Frequency (rad/sec)

Figura 25: Diagrama de Bode das plantas nominal e real.

Prof. Dr. Alberto Luiz Serpa - 2010 40


Introdução ao Controle Ótimo e Robusto

Step Response
1.4
nominal
real
1.2

1
Amplitude

0.8

0.6

0.4

0.2

0
0 1 2 3 4 5
Time (sec)

Figura 26: Resposta ao degrau das malhas fechadas nominal e real.

Bode Diagram
10

−10
Magnitude (dB)

−20

−30

S
−40 T

−50
−1 0 1 2
10 10 10 10
Frequency (rad/sec)

Figura 27: Funções sensibilidade e sensibilidade complementar.

Prof. Dr. Alberto Luiz Serpa - 2010 41


Introdução ao Controle Ótimo e Robusto

Bode Diagram
80
T −1
60
∆m

40
Magnitude (dB)

20

−20

−40

−60

−80
−1 0 1 2
10 10 10 10
Frequency (rad/sec)

1
Figura 28: Diagrama de Bode de ∆m e T
.

Verifica-se que a condição de estabilidade robusta é satisfeita para toda


a faixa de freqüências.
O mesmo tipo de análise pode ser feita para o caso da incerteza aditiva.
Considerando que a incerteza aditiva foi considerada em termos da malha
aberta, tem-se o esquema da Figura 29. Observa-se neste caso que:
−1
o = −1(i + KP o) ⇒ M = = −S.
1 + KP
Neste caso, a condição para estabilidade robusta é
1
|∆a | < .
|S|

O diagrama de Bode para ∆a e S −1 é mostrado na Figura 30.


Verifica-se que a condição da estabilidade robusta para incerteza aditiva
é satisfeita para toda a faixa de freqüências.

Prof. Dr. Alberto Luiz Serpa - 2010 42


Introdução ao Controle Ótimo e Robusto

∆a

o i
∆a

K G

Figura 29: Esquema para a definição da função M na situação de reali-


mentação unitária e incerteza sobre a malha aberta.

Bode Diagram
60
S −1
∆a
40

20
Magnitude (dB)

−20

−40

−60

−80
−1 0 1 2
10 10 10 10
Frequency (rad/sec)

Figura 30: Diagrama de Bode de ∆a e S1 .

Prof. Dr. Alberto Luiz Serpa - 2010 43


Introdução ao Controle Ótimo e Robusto

Exemplo: Seja o mesmo exemplo anterior exceto pelo fato de que

32(s + 1)
G(s) = .
s2 (s + 2)

Analisar a estabilidade robusta considerando incertezas multiplicativa e adi-


tiva.
As Figuras 31 e 32 apresentam a análise de estabilidade robusta. Verifica-
se que tanto para a situação de incerteza aditiva como para incerteza multi-
plicativa, a condição da estabilidade robusta não é satisfeita.

Bode Diagram
60
T −1
∆m
40

20
Magnitude (dB)

−20

−40

−60

−80
−1 0 1 2
10 10 10 10
Frequency (rad/sec)

1
Figura 31: Diagrama de Bode de ∆m e T
.

A resposta ao degrau das malhas fechadas nominal e real é apresentada


na Figura 33.
Verifica-se que em embora o teste de estabilidade robusta tenha falhado,
o sistema é estável. Isso quer dizer que o teorema do ganho pequeno é válido
em apenas uma direção, ou seja, se ele for satisfeito o sistema é robustamente
estável, e um sistema estável pode não satisfazer o teorema coimo visto neste
exemplo.

Prof. Dr. Alberto Luiz Serpa - 2010 44


Introdução ao Controle Ótimo e Robusto

Bode Diagram
80
S −1
60
∆a

40
Magnitude (dB)

20

−20

−40

−60

−80
−1 0 1 2
10 10 10 10
Frequency (rad/sec)

Figura 32: Diagrama de Bode de ∆a e S1 .

Step Response
2.5
nominal
real

2
Amplitude

1.5

0.5

0
0 2 4 6 8 10
Time (sec)

Figura 33: Resposta ao degrau das malhas fechada nominal e real.

Prof. Dr. Alberto Luiz Serpa - 2010 45


Introdução ao Controle Ótimo e Robusto

3 Controle H∞
Se uma função de transferência de malha fechada é estável e própria diz-se
que ela está no H∞ .
A norma infinito é definida da seguinte forma:
• Norma ∞ de matriz:
n
X
||A∞ || = max |aij |.
i
j=1

• Norma ∞ de uma função:


||x(t)||∞ = sup |x(t)|.
t≥0

• Norma ∞ de funções de transferência (SISO):


||T (s)||∞ = sup |T (jw)|,
w

que corresponde ao valor de pico da resposta em freqüência. Verifica-se


que ||T (s)||∞ é finita quando T (s) é própria e não possui pólos no eixo
imaginário.
• Norma ∞ de matrizes de transferência (MIMO):
||T(s)||∞ = sup σmax (T(jw)).
w

A margem de estabilidade multiplicativa pode ser escrita como


1
M SM = .
||T ||∞
O objetivo do controle H∞ é minimizar a norma ∞ da função de trans-
ferência, ou seja, reduzir o pico de amplitude no diagrama de Bode (ou o
pico do maior valor singular no caso MIMO). Esta minimização aumentará
a margem de estabilidade robusta do sistema.
Seja o modelo de estado
ẋ = Ax + Bu,
y = Cx + Du,
cuja função (matriz) de transferência é dada por
P(s) = C(sI − A)−1 B + D.
Uma representação usual do problema H∞ é mostrada na Figura 34, onde

Prof. Dr. Alberto Luiz Serpa - 2010 46


Introdução ao Controle Ótimo e Robusto

• w: entradas exógenas (referência, distúrbios e ruı́dos);

• u: vetor do sinal de controle;

• z: medida de desempenho;

• y: sinal medido e usado para realimentação.

w z
P(s)

u y
K(s)

Figura 34: Representação do problema H∞

O modelo de estados, neste caso, é dado por

ẋ = Ax + B1 w + B2 u,
z = C1 x + D11 w + D12 u,
y = C2 x + D21 w + D22 u.

Com base na Figura 34 é possı́vel escrever que

z = Pzw w + Pzu u,
y = Pyw w + Pyu u,
u = Ky.

A malha fechada será determinada por

y = Pyw w + Pyu Ky,

(I − Pyu K)y = Pyw w,


y = (I − Pyu K)−1 Pyw w,
u = K(I − Pyu K)−1 Pyw w,
z = Pzw w + Pzu K(I − Pyu K)−1 Pyw w,
h i
z = Pzw + Pzu K(I − Pyu K)−1 Pyw w = Tzw w,
| {z }
Tzw

Prof. Dr. Alberto Luiz Serpa - 2010 47


Introdução ao Controle Ótimo e Robusto

Tzw = Pzw + Pzu K(I − Pyu K)−1 Pyw .


A função Tzw é chamada de transformação linear fracional inferior e repre-
senta a função de transferência entre os distúrbios w e a saı́da de desempenho
z.
Um problema usual pode ser representado na forma padrão. Seja como
exemplo o esquema da Figura 35.

r y u v saı́da real
K(s) P (s)

Vm saı́da medida n

Figura 35: Malha fechada com entradas adicionais de distúrbio e ruı́do.

Com base na Figura 35 tem-se que as entradas são:


   
 d 
   w1 
 
w =  r  =  w2  .

n   w3 

A saı́da de desempenho pode ser definida como o erro a ser minimizado,


ou seja,
z = v − r.
O sinal de realimentação para o controlador é dado por

y = r − Vm = r − (v + n) = r − v − n.

Logo, o sinal de desempenho pode ser escrito como

z = v − r = P (s)u + d − r,

ou ainda,
z = w1 − w2 + 0 × w3 + P (s)u.
O sinal de realimentação pode ser escrito como

y = r − v − n = r − P (s)u − d − n,

Prof. Dr. Alberto Luiz Serpa - 2010 48


Introdução ao Controle Ótimo e Robusto

ou ainda,
y = −w1 + w2 − w3 − P (s)u.
Portanto,
( ) " #( )
z 1 −1 0 P (s) w
= .
y −1 1 −1 −P (s) u
| {z } | {z } | {z }
(2×1) (2×4) (4×1)

Então, a planta generalizada pode ser escrita como


" #
1 −1 0 P (s)
P= .
−1 1 −1 −P (s)

O problema da Figura 35 pode ser esquamatizado na forma padrão do


problema H∞ como na Figura 36.

z


 d

w= r P(s)

n

P (s) −
y

K(s)

Figura 36: Forma padrão do problema para o problema H∞ .

Verifica-se que

Pzw = [1 − 1 0], Pzu = P (s),

Pyw = [−1 1 − 1], Pyu = −P (s).


Aplicando a equação da transformação linear fracional, é possı́vel deter-
minar Tzw , ou seja,

Tzw = [1 − 1 0] + P K(1 + P K)−1 [−1 1 − 1],

Prof. Dr. Alberto Luiz Serpa - 2010 49


Introdução ao Controle Ótimo e Robusto

PK
Tzw = [1 − 1 0] + [−1 1 − 1].
1 + PK
Verifica-se que Tzw é uma matriz 1 × 3, pois o problema possui 3 entradas
(r, d, n) e uma saı́da de desempenho (z).
A norma H∞ pode ser escrita como
q
||Tzw ||∞ = max σ(Tzw (jw)) = max λi (T∗zw Tzw ).

O problema H∞ ótimo consiste em determinar o controlador K(s) tal que


||Tzw ||∞ seja minimizada, ou seja,

min ||Tzw ||∞ .


K(s)

É usual trabalhar com o problema H∞ sub-ótimo, que consiste em deter-


minar K(s) tal que ||Tzw ||∞ < γ. Neste caso, γ é reduzido sucessivamente até
um γmin factı́vel. O problema sub-ótimo possui maior facilidade de solução
computacional.
Este problema pode ser resolvido pelo menos de três formas, ou seja,

• busca direta, onde o problema de otimização é resolvido;

• solução das equações de Riccati correspondentes;

• emprego de técnicas baseadas nas desigualdades matriciais lineares, que


é um enfoque mais atual.

3.1 Estabilidade segundo Lyapunov


O conceito de estabilidade de Lyapunov é bastante geral e se aplica também
para sistemas não lineares.
A estabilidade de Lyapunov estabelece que um sistema estável possui uma
função de Lyapunov positiva e que a derivada desta função deve ser negativa,
ou seja,

• V (x, t) > 0, ∀ x 6= 0 e ∀ t.

• V̇ (x, t) < 0, ∀ x 6= 0 e ∀ t.

Seja um sistema na forma ẋ = Ax. Neste caso, é usual considerar a


função de Lyapunov na forma quadrática,

V (x) = xt Px > 0, P > 0.

Prof. Dr. Alberto Luiz Serpa - 2010 50


Introdução ao Controle Ótimo e Robusto

Neste caso, verifica-se que


V̇ (x) = ẋt Px + xt Pẋ = xt At Px + xt PAx =
= xt (At P + PA)x < 0,
ou ainda
At P + PA < 0.
É usual escrever a condição de estabilidade de Lyapunov da seguinte
forma. Um sistema ẋ = Ax é estável se existir uma matriz simétrica P > 0
tal que a inequação de Lyapunov At P + PA < 0 seja satisfeita.
A condição de estabilidade de Lyapunov pode ser escrita na forma de
desigualdades matriciais lineares, ou seja,
At P + PA < 0,
P = Pt > 0.
Usualmente associa-se à função de Lyapunov uma função energia. Neste
caso, o conceito de estabilidade de Lyapunov passa a ter um sentido fı́sico. A
energia é positiva e para a estabilidade do sistema ela deve ser decrescente,
ou seja, ter uma derivada negativa. Uma ilustração associada ao conceito de
estabilidade é mostrada na Figura 37.

x2

x0

x1

Figura 37: Conceito de estabilidade do sistema ẋ = Ax.

Seja Q = Qt > 0 e a chamada equação de Lyapunov


At P + PA + Q = 0.
Se A é estável, então,
Z ∞ t
P= eA t QeAt dt > 0.
0

Prof. Dr. Alberto Luiz Serpa - 2010 51


Introdução ao Controle Ótimo e Robusto

Uma breve demonstração é dada a seguir.


Z ∞   t
 t
  
t
A P + PA = A t
eA t QeAt + eA t QeAt A dt =
0
Z    
d
∞ t t
= eA t QeAt dt = lim eA t QeAt −Q = −Q,
0 dt t→∞
| {z }
0
onde o limite é nulo pois A é estável.

3.2 H∞ via Riccati


Seja o sistema na forma padrão para o problema H∞ :

ẋ = Ax + B1 w + B2 u,

z = C1 x + D12 u,
y = C2 x + D21 w,
e o esquema da Figura 38.

w z
P
u y

Figura 38: Esquema padrão do problema H∞ .

Este sistema pode ser representado através da seguinte notação compacta:


   
A B1 B 2 A B1 B 2
P= C
 1 D11 D 
12  = 
C
 1 0 D12 

C2 D21 D22 C2 D21 0

As equações de estado podem ser representadas conforme na Figura 39.


Define-se o Gramiano de Observabilidade como
Z ∞ t t
P= eA t Ct1 C1 eA dt,
0

Prof. Dr. Alberto Luiz Serpa - 2010 52


Introdução ao Controle Ótimo e Robusto

D12

w z
B1
C1

u x
B2 φ(s) C2

D21

Figura 39: Representação das equações de estado do problema H∞ .

e Gramiano de Controlabiliade como


Z ∞ t t
Q= eA t Bt1 B1 eA dt.
0

Consequentemente é possı́vel escrever as seguintes equações de Riccati


associadas:
At P + PA + Ct1 C1 = 0,
At Q + QA + Bt1 B1 = 0.
Lembrando do problema LQR, tem-se o ı́ndice de desempenho
Z ∞
J= (xt Qx + ut Ru)dt,
0

e a equação de Riccati associada é

At P + PA − PBR−1 Bt P + Q = 0,

com a lei de controle ótimo dada por

u = −R−1 Bt Px.

Quando o indı́ce de desempenho passa a ser baseado na norma H∞ , ou


seja J = ||Tzw ||∞ , é possı́vel obter equações de Riccati associadas. Considere
o problema H∞ sub-ótimo, ou seja,

||Tzw ||∞ < γ.

Prof. Dr. Alberto Luiz Serpa - 2010 53


Introdução ao Controle Ótimo e Robusto

Neste caso, as equações de Riccati correspondentes são:


!
1
t
A X + XA + X 2 B1 Bt1 − B2 Bt2 X + Ct1 C1 = 0,
γ
!
1
YA + AY + Y 2 Ct1 C1 − Ct2 C2 Y + B1 Bt1 = 0.
t
γ
A solução destas equações permite determinar um controlador regido por
!
1
ξ̇ = A + 2 B1 Bt1 X + ZLC2 ξ + B2 u − ZLy,
γ

u = Fξ,
com !−1
1
F= −Bt2 X, L= −YCt2 , Z = I − 2 YX .
γ
Este controlador está representado na Figura 40.

y

u zL

ξ
B2 φ(s) C2

1
B Bt X
γ2 1 1

Figura 40: Representação do controlador H∞ obtido por Riccati.

A malha fechada pode ser obtida da seguinte forma:


!
1
ξ̇ = A + 2 B1 Bt1 X + ZLC2 + B2 F ξ+
γ

− (ZLC2 x + ZLD21 w) ,

Prof. Dr. Alberto Luiz Serpa - 2010 54


Introdução ao Controle Ótimo e Robusto

Logo escreve-se que

ẋ = Ax + B1 w + B2 Fξ,

z = C1 x + D12 Fξ.
Matricialmente tem-se a equação de estados
( ) " #( )
ẋ A B2 F x
= 
1 t
 +
ξ̇ −ZLC2 A + B B
γ2 1 1
X + ZLC 2 + B 2 F ξ
" #
B1
+ w.
−ZLD21
A equação da saı́da é dada por
( ) " #( ) " #
z C1 D12 F x 0
= + w
y C2 0 ξ D21

Para o cálculo de Tzw deve-se considerar então que


( )
x
z = [C1 D12 F] + 0w
ξ

Algoritmo para solução


O seguinte algoritmo pode ser usado para determinar o controlador H∞
através da formulação das equações de Riccati.

1. k = 0, γ0 dado (valor de partida grande).

2. Resolver as equações de Riccati.

3. Determinar o controlador.

4. Fechar a malha.

5. Verificar a estabilidade em malha fechada.

6. Diminuir γ: γk+1 = γk − ∆, ∆ > 0.

7. Voltar para 2).

As iterações são terminadas terminadas quando

• não for possı́vel obter a solução para as equações de Riccati, ou

Prof. Dr. Alberto Luiz Serpa - 2010 55


Introdução ao Controle Ótimo e Robusto

• a malha fechada for instável.

Exemplo: Determinar um controlador H∞ considerando o modelo de es-


tados
ẋ1 = d + u,
ẋ2 = x1 ,
y = x2 + n,
onde d é uma entrada de distúrbio, n é o ruı́do de medição e u é o sinal de
controle. As saı́das de desempenho são x2 e u. Logo,
( ) ( )
d x2
w= e z= .
n u

Este sistema pode ser colocado na forma padrão, ou seja,


( ) " #( ) " #( ) " #
ẋ1 0 0 x1 1 0 d 1
= + + u,
ẋ2 1 0 x2 0 0 n 0
| {z } | {z } | {z }
A B1 B2
( ) " #( ) " #
x2 0 1 x1 0
z= = + u,
u 0 0 x2 1
| {z } | {z }
C1 D12
( ) ( )
x1 d
y = [0 1] + [0 1] .
| {z } x2 | {z } n
C2 D21
O sistema na notação compacta é representado por
 
 
0 0 1 0 1
 
A B1 B 2 

1 0 0 0 0 

P=
 C1 0 D12 =
 0 1 0 0 0 .

C2 D21 D22 
 0 0 0 0 1 

0 1 0 1 0

Um código MATLAB para resolver este problema usando o algoritmo


apresentado anteriormente e também as funções do Robust Control Toolbox
é apresentado a seguir.

clc; clear all; close all;

%modelo do sistema

Prof. Dr. Alberto Luiz Serpa - 2010 56


Introdução ao Controle Ótimo e Robusto

A=[0 0; 1 0]
B1=[1 0; 0 0]
B2=[1; 0]
C1=[0 1; 0 0]
C2=[0 1]
D11=[0 0; 0 0]
D12=[0 ; 1]
D21=[0 1]
D22=0;

%matriz na forma compacta


P=[A B1 B2; C1 D11 D12; C2 D21 D22]

%malha aberta
a=A;
b=[1 0]’;
c=[0 1];
d=0;
pma=ss(a,b,c,d);

%valor de gamma
gamma=2.62

%solucao das equacoes de Riccati


B=(B1*B1’)/(gamma^2)-B2*B2’
C=(C1’*C1)/(gamma^2)-C2’*C2
Q1=C1’*C1
Q2=B1’*B1
X=are(A,-B,Q1)
Y=are(A’,-C’,Q2’)
Z=inv(eye(length(A))-Y*X/gamma^2)
F=-B2’*X
L=-Y*C2’

%Controlador
disp(’Modelo de Estado do Controlador Hinfinito’)
Ak=A+B1*B1’*X/gamma^2+Z*L*C2+B2*F
Bk=-Z*L
Ck=F
Dk=0

Prof. Dr. Alberto Luiz Serpa - 2010 57


Introdução ao Controle Ótimo e Robusto

%Malha Fechada Final (Tzw)


disp(’Malha fechada final’)
Af=[A B2*F; -Z*L*C2 A+B2*F+B1*B1’*X/gamma^2+Z*L*C2]
Bf=[B1; -Z*L*D21]
lC2=size(C2)
cC2=size(D12*F)
Cf=[C1 D12*F]
cD21=size(D21)
Df=[zeros(cC2(1),cD21(2))]
pmf=ss(Af,Bf,Cf,Df)

%verificacao da estabilidade
polosmf=eig(Af)

%calculo da norma Hinfinito


nhinf=normhinf(pmf)
sigma(pmf)

%funcoes de transferencia de malha fechada


ts=tf(pmf)
tswx2=ts(1,1)
tswu=ts(1,2)
tsnx2=ts(2,1)
tsnu=ts(2,2)

%verificacao do desempenho
t=0:0.01:20;
nt=length(t);
disturbio=rand(nt,1)-0.5; %disturbio entre -1 e +1
ruido=0.01*disturbio;

%respostas ao disturbio e ruido


rx2w=lsim(tswx2,disturbio,t);
figure
plot(t,rx2w)

ruw=lsim(tswu,disturbio,t);
figure
plot(t,ruw)

rx2n=lsim(tsnx2,ruido,t);

Prof. Dr. Alberto Luiz Serpa - 2010 58


Introdução ao Controle Ótimo e Robusto

figure
plot(t,rx2n)

run=lsim(tsnu,ruido,t);
figure
plot(t,run)

%SOLUCAO USANDO FUNCOES ESPECIFICAS DO ROBUST CONTROL TOOLBOX

%RESOLVENDO ATRAVES DE RICCATI - HINFRIC


P1=ltisys(A, [B1 B2], [C1; C2], [D11 D12; D21 D22]);
disp(’Solucao obtida com o hinfric do matlab’)
[goptRIC,KRIC,X1,X2,Y1,Y2,Preg] = hinfric(P1,[1 1]);
disp(’gamma otimo encontrado - hinfric’)
disp(goptRIC)
disp(’Solucao das equacoes de Riccati’)
X=X2*inv(X1)
Y=Y2*inv(Y1)
disp(’Malha fechada com controlador hinf’)
clsys=slft(P1,KRIC,1,1)
disp(’Norma Hinf de malha fechada com controlador’)
normhinf(clsys)

%RESOLVENDO ATRAVES DE LMI - HINFLMI


[goptLMI,KLMI,X1,X2,Y1,Y2] = hinflmi(P1,[1 1])
disp(’gamma otimo encontrado - hinflmi’)
disp(goptLMI)
disp(’Solucao das equacoes de Riccati’)
X=X2*inv(X1)
Y=Y2*inv(Y1)
disp(’Malha fechada com controlador hinf’)
clsys=slft(P1,KLMI,1,1)
disp(’Norma Hinf de malha fecada com controlador’)
normhinf(clsys)

4 Bibliografia
1. Shahian B., Hassul M., Control System Design Using Matlab, Prentice-
Hall, 1993.

Prof. Dr. Alberto Luiz Serpa - 2010 59


Introdução ao Controle Ótimo e Robusto

2. Philips C. L., Nagle H. T., Digital Control System Analysis and Design,
Prentice-Hall, 1995.
3. Cruz J. J., Controle Robusto Multivariável, Edusp, 1996.
4. Skogestad S., Postlethwaite I., Multivariable Feedback Control - Analy-
sis and Design, John Wiley & Sons, 1997.
5. Rowland J. R., Linear Control System - Modeling Analysis and Design,
John Wiley & Sons, 1986.

5 Exercı́cios
5.1 Exercı́cios referentes à seção 1
1. Seja o sistema dado por
   
−0.4 0 −0.01 0.3

ẋ =  1 0 0 x +  0 
 
 u,
−1.4 9.8 −0.02 9.8
y = [0 0 1]x,
e um problema padrão LQR.

(a) Considerando R = rI e Q = qI com r = 1 e q = [1 10 102 103 106 ],


estude o comportamento do sistema em termos da resposta a uma
condição inicial, margens de estabilidade e estabilidade. Esta si-
tuação, em que a razão r/q se aproxima de zero é chamada de
cheap control. Verifique também a resposta ao degrau unitário r
considerando a lei de controle u = r − Kx.
(b) Considerando R = rI e Q = qI com r = [1 10 102 103 106 ] e
q = 1, estude o comportamento do sistema em termos da resposta
a uma condição inicial, margens de estabilidade e estabilidade.
Esta situação, em que a razão q/r se aproxima de zero é chamada
de controle de mı́nima energia. Verifique também a resposta ao
degrau unitário r considerando a lei de controle u = r − Kx.

2. Um sistema é descrito por:


ẋ1 = −2x1 + x2 + u1 ; ẋ2 = −x1 − x2 + 3u2 ; y = x2 .
Seja o ı́ndice de desempenho dado por:
Z ∞
J= (2x21 − 2x1 x2 + 20x22 + u21 + 2u22 )dt.
0

Prof. Dr. Alberto Luiz Serpa - 2010 60


Introdução ao Controle Ótimo e Robusto

(a) Determine o controlador ótimo usando a metodologia LQR;


(b) Verifique a estabilidade da malha fechada.
(c) Determine a matriz/função de transferência de malha fechada.
(d) Entenda claramente os efeitos dos pesos dados pelas matrizes Q
e R, ou seja, o que é esperado ao se variar estas matrizes.

3. Uma bancada para testes de vibração possui massa de 1000kg e está


apoiada sobre 4 molas de rigidez 25000N/m. Esta bancada contará com
um sistema de controle de vibração através de um atuador hidráulico
que aplica uma força vertical u(t).

(a) Determine a função de transferência de um controlador LQR para


assegurar que a velocidade da bancada permaneça nula. Considere
como ı́ndice de desempenho a integral de y 2 + 4ẏ 2 + u2 , onde y e
ẏ são a posição e a velocidade verticais da mesa.
(b) Determine a função de transferência do controlador por reali-
mentação de estados que assegure um amortecimento de 0.7 e
uma freqüência natural de 2rad/s.
(c) Determine o máximo esforço de controle (valor absoluto) para os
dois casos anteriores se um deslocamento de 0.1m é imposto à
mesa e esta é solta. Sugestão: obter a resposta graficamente e
extrair o valor do gráfico.

4. O modelo de estado de um pêndulo invertido é dado por


   
0 1 0 0 0
 0 0 −mg/M 0   1/M 
ẋ = 

 
x + 

 u,
 0 0 0 1   0 
0 0 (M + m)g/M l 0 −1/M l

onde o vetor de estados é x = [y ẏ θ θ̇]t . Considere como saı́da o


valor de y. Nota: y é a posição da base móvel e θ é o ângulo da haste.

(a) Sejam os valores l = 1m, M = 1kg, m = 0.1kg, g = 9.8m/s2 .


Determine a função de transferência de u para y.
(b) Verifique a estabilidade do sistema.
(c) Projete um controlador por realimentação de estados para asse-
gurar a estabilidade do sistema (adote os pólos que julgar conve-
niente). Verifique a estabilidade do sistema controlado, as respec-
tivas margens de estabilidade, e a resposta ao impulso.

Prof. Dr. Alberto Luiz Serpa - 2010 61


Introdução ao Controle Ótimo e Robusto

(d) Considere que será usado um observador. Projete um observador


e verifique o desempenho do sistema controlado usando o obser-
vador.

5. Seja o mesmo problema do exercı́cio 4. Escolha um intervalo de amos-


tragem adequado e refaça todas as etapas considerando o sistema dis-
cretizado. Compare os resultados so sistema discreto com os obtidos
anteriormente para o sistema contı́nuo.

6. Considere o ı́ndice de desempenho e o mesmo problema do exercı́cio 4:


Z ∞
J(u) = (xt x + γut u)dt
0

(a) Defina valores de γ e projete um controlador LQR adequado.


(b) Verifque a estabilidade, as respectivas margens de estabilidade e
a resposta ao impulso.
(c) Refine o projeto se necessário.

5.2 Exercı́cios referentes à seção 2


1. Seja G(s) uma planta, K(s) o controlador e σ o valor singular. Assinale
verdadeiro ou falso e justifique sua resposta:

(a) Para bom acompanhamento do sinal de referência: σmax (G(s)K(s)) >>


1.
(b) Para esforço de controle limitado: σmax (G(s)K(s)) << 1.
(c) Para insensibilidade à variações na planta: σmin (G(s)K(s)) >> 1.
(d) Para rejeição do erro de medida: σmin (G(s)K(s)) << 1.
(e) Para rejeição de distúrbios: σmin (G(s)K(s)) >> 1.

2. Seja a planta nominal dada por P (s) = s12 compensada por K(s) =
20(s+1)
s+10
. Considere que o modelo da planta possui uma incerteza adidi-
−1
tiva dada por s2 +s+1 .

(a) Verifique se o controlador K(s) estabiliza a planta nominal.


(b) Verifique se o controlador K(s) estabiliza a planta real.
(c) Encontre a função de transferência M (s) vista pela incerteza.
(d) Verifique a estabilidade robusta do sistema

Prof. Dr. Alberto Luiz Serpa - 2010 62


Introdução ao Controle Ótimo e Robusto

1
3. Seja a planta nominal dada por P (s) = s2
e a planta real já compensada
2(s+1)
dada por P̄ (s)K(s) = s2 (s 2 +s+1) .

(a) Determine a incerteza multiplicativa para o sistema.


(b) Determine a função M (s) vista pela incerteza.
(c) Verifique se a malha fechada é robustamente estável.

4. Um sistema G(s) = s22 deverá ser controlado pelo controlador K(s) =


15(s+1) γ
s+10
. Considere uma incerteza aditiva dada por s2 +s+1 . Determine
o maior valor de γ usando o teorema do ganho pequeno que assegure
a estabilidade robusta com precisão de uma casa decimal (apenas uma
casa).

5. Seja a planta nominal compensada dada por


10(s + 1)
G(s) = ,
s2 (s + 5)
e a planta real compensada dada por
10(s + 1) s2 + 2(0.1)(12)s + 122 102
Ḡ(s) = × × ,
s2 (s + 5) s2 + 2(0.05)(10)s + 102 122
e considere realimentação unitária.

(a) Determine as incertezas aditiva e multiplicativa.


(b) Determine o gráfico do lugar das raı́zes da planta nominal e da
planta real. Discuta estes gráficos.
(c) Determine os diagramas de Bode para sistema nominal e real.
Analise este resultado.
(d) Determine as margens de ganho e de fase para o sistema nominal
e real. Discuta estes resultados.
(e) Determine a resposta ao degrau para o sistema nominal e real.
(f) Determime as funções de sensibilidade e sensibilidade complemen-
tar.
(g) Determine as margens MSM e ASM.
(h) Verifique a estabilidade robusta em termos da incerteza multipli-
cativa (usar daigrama de Bode).
(i) Verifique a estabilidade robusta em termos da incerteza aditiva
(usar diagrama de Bode).

Prof. Dr. Alberto Luiz Serpa - 2010 63


Introdução ao Controle Ótimo e Robusto

6. Repita o análise anterior a planta nominal

32(s + 1)
G(s) = ,
s2 (s + 2)

e discuta o resultado do teorema do ganho pequeno para este caso.

5.3 Exercı́cios referentes à seção 3


1. Um sistema é descrito pelas equações:

ẋ = x + d + 2u; y = −x − n.

Considere como parâmetros de desempenho a variável de estado x e


o sinal de controle u respectivamente, na presença de distúrbios d e
ruı́dos de medição n. Represente este sistema na notação compacta
adequada ao uso da metodologia H∞ e obtenha um controlador H∞ .
Analise o desempenho do controlador.

2. Determinar um controlador H∞ considerando o modelo de estados

ẋ1 = d + u,
ẋ2 = x1 ,
y = x2 + n,

onde d é uma entrada de distúrbio, n é o ruı́do de medição e u é o sinal


de controle. As saı́das de desempenho são x2 e u.
Os principais passos são:

(a) Determinar as matrizes de interesse (A, B1 , B2 , C1 , C2 , D11 , D12 ,


D21 e D22 );
(b) Determinar os termos para as equações de Riccati;
(c) Adotar um valor de γ;
(d) Resolver as equações de Riccati para γ;
(e) Obter a malha fechada e verificar a estabilidade;
(f) Diminuir γ e repetir o procedimento até encontrar um valor sub-
ótimo que as equações de Riccati tenham solução e que a malha
fechada seja estável.
(g) Verificar o desempenho do sistema controlado.

Prof. Dr. Alberto Luiz Serpa - 2010 64