1

UNIVERSIDADE FEDERAL DO RIO GRANDE DO NORTE – UFRN

CENTRO DE TECNOLOGIA – CT
DEPARTAMENTO DE ENGENHARIA ELÉTRICA – DEE
CONTROLE DIGITAL

Trabalho Final

Grupo:
Aristóteles Silva Nunes
Caio Matheus Figueredo Silva
João Pedro Matias Nascimento
Luiz Fellipe Cardoso de Souza
Wesley Iuri Dantas dos Santos

Controle Digital, 2021.2

Allan de Medeiros Martins

Natal
2022
 2

Resumo

O presente trabalho foi realizado com caráter avaliativo para compor a nota da
terceira unidade da disciplina de Controle Digital do semestre letivo 2021.2 do curso de
graduação em Engenharia Elétrica da UFRN. Trata-se de uma pesquisa sobre os seguintes
temas: Espaço de estados discreto; Controladores discretos; Controlador DeadBeat;
Controlador por alocação de polos; Discretização de controladores; Implementação de
controladores; Observadores de estado; Identificação de sistemas. Para cada um dos temas
serão explicados os conceitos e sua utilidade mostrando exemplos e/ou exercícios.
 SUMÁRIO

1. ESPAÇO DE ESTADOS DISCRETO 4

2. CONTROLADORES DISCRETOS 7
3. CONTROLADOR DEADBEAT 11
4. CONTROLADOR POR ALOCAÇÃO DE POLOS 14
5. DISCRETIZAÇÃO DE CONTROLADORES 19
6. IMPLEMENTAÇÃO DE CONTROLADORES 23
7. OBSERVADORES DE ESTADO 25
8. IDENTIFICAÇÃO DE SISTEMAS 31
9. CONCLUSÃO 34
REFERÊNCIAS 35
 4

1. ESPAÇO DE ESTADOS DISCRETO

A análise de sistemas por espaço de estados foi criada para facilitar tal análise
para sistemas que possuem múltiplas entradas e múltiplas saídas.
Esse método é baseado na descrição das equações do sistema em termos de n
equações de diferenças de primeira ordem combinadas em uma matriz de equações
de primeira ordem.
A representação em espaço de estados permite trabalhar com sistemas
multivariáveis, que são os mais comuns, além de permitir a aplicação de diversos
métodos de projeto de controladores tais como por exemplo controle adaptativo e
controle não-linear.
O estado de um sistema dinâmico é o menor conjunto de variáveis tais que o
conhecimento delas em t=t0 em conjunto com o conhecimento da entrada em t >= t0
determina completamente o comportamento do sistema em qualquer momento em t
>= t0. O conjunto das variáveis de estado definem o estado do sistema dinâmico.
Vale salientar que não obrigatoriamente essas variáveis precisam ser quantificadas
ou observáveis para serem definidas como variáveis de estado.
Espaço de estado é o espaço n-dimensional cujos eixos coordenados
consistem de xn eixos.Na análise em espaço de estados trabalhamos com três tipos
de variáveis: variáveis de entrada, de saída e de estado. Elas compõem as
equações de estado dadas como segue.
Equação de estado

Equação de saída

Tratando de sistemas discretos lineares e variantes no tempos, essas equações

são simplificadas para:
 5

Em caso de sistemas invariantes, ficamos com a seguinte simplificação.

Onde:

x(k) = n-vetor (vetor de estados)

y(k)=m-vetor (vetor de saídas)

u(k)=r-vetor (vetor de entradas)

G(k)=nxn - matriz (matriz de estados)

H(k)=nxr - matriz (matriz de entradas)

C(k)=mxn - matriz (matriz de saídas)

D(k)=mxr - matriz (matriz de transmissão direta)

O diagrama de blocos do sistema discreto e invariante no tempo em espaço

de estados é representado da seguinte forma.
 6

Considerando um sistema discreto linear e invariante no tempo descrito em

variáveis de estado

Aplicando transformada Z, temos:

Para condições iniciais nulas, temos:

Logo,

EXEMPLO:
 7

2. CONTROLADORES DISCRETOS

As estruturas dos controladores discretos são os equivalentes discretos das

estruturas de controladores analógicos apresentados. Assim, podemos ter
controladores do tipo proporcional, proporcional-integral, proporcional-derivativo,
proporcional-integral-derivativo e de avanço e atraso de fase. A Tabela abaixo
resume as estruturas dos controladores. Tanto a equação diferença quanto a função
de transferência discreta de cada controlador são apresentadas.

Tipos de Controladores
 8

EXEMPLO:

Para o sistema mostrado acima projetar um controlador discreto para atender aos
seguintes requisitos de projeto: amortecimento é ξ = 0, 5 e tempo de resposta tr2% = 2 seg.
O período de amostragem é T = 0, 2 seg. Pede-se ainda o cálculo da resposta ao degrau e
o erro à rampa.

Solução:
 9

Os polos desejados são sd = 2 ± j3,464. Tipicamente o período de amostragem

é escolhido de tal forma que existam pelo menos 9 amostras por ciclo de oscilação
amortecida. Conferindo no caso acima temos

Portanto a escolha do período de amostragem é satisfatória.

Sendo os pólos dominando no plano z :

Dessa forma, o modelo discreto do sistema acima é

Como Zd deve pertencer ao lugar das raízes, temos

Com isso, um controlador que atende a referida condição de fase é um avanço de fase

Cancelando o polo em 0, 6703 com a escolha α = 0, 6703 temos

O ganho K é determinado com a condição de módulo

Em malha fechada e a resposta ao degrau unitário respectivamente

 10

A sequência y(kT) pode ser obtida pela inversa da transformada Z, tabelas ou

mesmo por simulação

O erro de velocidade é dado por

Como em sistemas analógicos podemos aumentar o ganho Kv, diminuindo o erro de

regime introduzindo um compensador de atraso em cascata. Por exemplo:

A escolha do zero do controlador de atraso deve satisfazer a seguinte condição

 11

3. CONTROLADOR DEADBEAT

A ideia de controle digital preditivo com resposta deadbeat compreende em forçar os

erros de corrente e de tensão anularem-se após um número, pré-determinado, de instantes
de amostragem, dessa forma garantindo o rastreamento do sinal de referência do
controlador. Chamamos esse tipo de comportamento de resposta deadbeat.

A finalidade do controle deadbeat é chegar a uma resposta o mais rápido possível

quando ocorre uma alteração em nossa referência de controle. O projeto do controlador
deadbeat consiste em determinar um sinal de controle que aplicado à planta projeta a sua
saída para um erro de regime zero no menor número de intervalos de amostragem.

Os critérios de projeto para resposta Deadbeat podem ser resumidos em uma resposta
rápida, com tempo de subida e de acomodação mínimos, com no máximo um sobressinal
menor que 2%. Esses critérios podem ser alcançados, ao determinarmos um controlador
(Gc(s)) que resulte em uma resposta em malha fechada do sistema igual à função de
transferência desejada (Td(s)) para o sistema de controle projetado pelo método Deadbeat.

As principais vantagens do controlador deadbeat são: resposta dinâmica rápida, fácil

implementação e projeto intuitivo. Esses controladores são bastante sensíveis à variação de
parâmetros da planta, requerendo grandes esforços instantâneos do controlador, resultando
em ganhos elevados no processo de especificação, isso não representa um problema para
o conversor.
12
 13

EXEMPLO:

Projete um controlador deadbeat para o seguinte sistema:

𝐺(𝑧) = (0. 368𝑧 + 0. 265)/(𝑧² − 1. 368𝑧 + 0. 368)

Solução:

As figuras a seguir mostram a saída da planta e o sinal de controle com o controlador

deadbeat que foi projetado:
 14

4. CONTROLADOR POR ALOCAÇÃO DE POLOS

A técnica de controle por Alocação de Polos parte da suposição de que estabilidade e

várias especificações de desempenho podem ser atingidas com a utilização da
realimentação dinâmica da saída para alocar os polos de malha fechada do sistema em
posições apropriadas do plano complexo através de um ganho de controlador K.

Os polos descrevem o comportamento de sistemas dinâmicos lineares. Através do uso

da alocação de polos é feito uma tentativa de mudar esse comportamento de uma forma
que seja mais favorável ao objetivo esperado. Assim você pode decidir onde os pólos de
malha fechada devem estar e então mantê-los ali através do projeto de um sistema de
controle com o método de alocação de pólos onde o ganho K do controlador coloca os
pólos em seus locais desejados.

Os pólos escolhidos determinam o polinômio característico de malha fechada e devem

ser escolhidos de forma a garantir o tempo de estabilização exigido. A alocação de polos é
uma técnica de projeto viável apenas para sistemas que são controláveis.

Considerando o modelo de planta representada no espaço de estados por:

𝑥' = 𝐴𝑥 + 𝐵𝑢
𝑦 = 𝐶𝑥

Mostrada na figura abaixo:

Em um sistema de controle típico com realimentação, a saída, y, é realimentada para a

junção de soma. Se cada variável de estado fosse realimentada para o controle, u, através
de um ganho, ki, haveriam n ganhos, ki, que poderiam ser ajustados para resultar nos
valores desejados dos polos em malha fechada. A realimentação através dos ganhos, ki,
está representada na Figura abaixo pelo vetor de realimentação -K.
 15

As equações de estado do sistema em malha fechada da Figura acima podem ser

escritas por inspeção como:

Se uma planta é de ordem elevada e não está representada na forma de variáveis de

fase ou na forma canônica controlável, a solução para os ki pode ser complicada. Assim, é
aconselhável transformar o sistema para uma dessas formas, projetar os ki e em seguida
transformar o sistema de volta para a sua representação original

Alocação de Polos para Plantas na Forma de Variáveis de Fase

Para aplicar a metodologia de alocação de polos a plantas representadas na forma de

variáveis de fase, realizamos os passos a seguir:

1. Represente a planta na forma de variáveis de fase.

2. Realimente cada variável de fase para a entrada da planta através de um ganho, ki.

3. Determine a equação característica do sistema em MF representado no Passo 2.

4. Decida a posição dos polos em MF e determine a equação característica equivalente.

5. Iguale os coeficientes de mesma ordem das equações características dos Passos 3 e

4, e resolva para ki.

Seguindo esses passos, a representação em variáveis de fase da planta é dada pela

equação: 𝑥' = 𝐴𝑥 + 𝐵𝑢, com

A equação característica da planta é portanto:

Agora, construa o sistema em malha fechada realimentando cada variável de estado

para u, formando: 𝑢 = − 𝐾𝑥 , em que: 𝐾 = [𝑘1 𝑘2 ... 𝑘𝑛]. Os ki são os ganhos de
realimentação das variáveis de fase.
 16

A matriz de sistema, A-BK, do sistema em malha fechada (MF) é:

Como está na forma de variáveis de fase, a equação característica do sistema em

malha fechada pode ser escrita por inspeção como:

Para plantas representadas na forma de variáveis de fase, podemos escrever por

inspeção a equação característica em malha fechada a partir da equação característica em
malha aberta adicionando o ki apropriado a cada coeficiente. Admita agora que a equação
característica desejada para a alocação de polos adequada é:

onde os di são os coeficientes desejados, obtemos:

a partir do que:

Agora que determinamos o denominador da função de transferência em malha

fechada, vamos obter o numerador. Para sistemas representados na forma de variáveis de
fase aprendemos que o polinômio do numerador é formado a partir dos coeficientes da
matriz de saída C.
 17

EXEMPLO:

Projeto de um controlador para a forma de Variáveis de fase utilização alocação

de polos. Dada a planta:

Projete os ganhos de realimentação das variáveis de fase para resultar em 9,5% de

ultrapassagem e um tempo de acomodação de 0,74 segundo.

Solução: Começamos calculando a equação característica em malha fechada desejada.

Utilizando os requisitos de resposta transitória, os polos em malha fechada são –5,4 ± j7,2.
Como o sistema é de terceira ordem, devemos escolher outro polo em malha fechada. O
sistema em malha fechada terá um zero em –5, o mesmo que o sistema em malha aberta.
Poderíamos escolher o terceiro polo em malha fechada para cancelar o zero em malha
fechada. Contudo, para demonstrar o efeito do terceiro polo e o processo de projeto,
incluindo a necessidade de simulação, vamos escolher –5,1 como a posição do terceiro
polo em malha fechada.

Desenhando o diagrama de fluxo de sinal da planta. Realimentando todas as variáveis de

estado para o controle, u, através de ganhos ki, temos:
 18

Escrevendo as equações de estado do sistema em malha fechada a partir da Figura

acima, temos:

Identificamos a matriz de sistema em malha fechada como:

Obtendo a equação característica do sistema em MF, formando a partir de:

Temos a equação formada a partir dos polos –5,4 + j7,2, –5,4 – j7,2 e –5,1, que
determinamos anteriormente.

Obtemos: k1=413.1; k2=132.08; k3=10.9.

O termo de zero da função de transferência em malha fechada é igual ao termo de zero do

sistema em malha aberta, ou (s+5).Obtemos a seguinte representação no espaço de
estados do sistema em malha fechada:

A função de transferência é:
 19

A Figura abaixo mostra uma simulação do sistema em malha fechada, mostra 11,5%
de ultrapassagem e um tempo de acomodação de 0,8 segundo. Uma revisão do projeto
com o terceiro polo cancelando o zero em –5 irá resultar em um desempenho igual aos
requisitos.

5. DISCRETIZAÇÃO DE CONTROLADORES

● Mapeamento de diferenças

O método de mapeamento de diferenças é conhecido como Backward Difference. O

método é definido a partir da aproximação da derivada pela equação da diferença, que
depois de discretizado por esse método vai transformar um sistema estável em um outro
sistema também estável, ou seja, mantendo a estabilidade do sistema. Podemos verificar,
analisando o mapeamento do plano s no plano z. O semi-plano esquerdo do plano s é
transformado em um círculo de raio 0,5 centrado no ponto [0 0.5] do plano z, conforme
mostra a imagem abaixo.
 20

Neste método a derivada é aproximada através da equação:

dy(t) / dt ≈ [ y(t) - y(t - h) ] / h

Aplicando a transformada de Laplace:

sY(s) ↔ [ y[k] - y[k - 1] ) ] / h

sY(s) ↔ [1 - z^(-1) ] / h

Por fim, é feita a substituição de s por:

s = (z - 1) / (zh)

Ponto positivo é que o método é de fácil aplicação, porém não preserva resposta ao
impulso e em frequência.

EXEMPLO:

Seja, C(s) dado pela função:

C(s) = a / (s + a)
 21

Temos que C(z) é:

C(z) = a / [ [ (z - 1) / (zh) ] + a] = azh / (z + azh - 1)

● Transformação bilinear

O método de transformação bilinear é conhecido como método de tustin. O método

tem a utilidade de transformar uma função de transferência contínua estável em uma função
discreta estável. Podemos verificar, analisando o mapeamento do plano s no plano z. O
semi-plano esquerdo do plano s é transformado em um círculo unitário centrado na origem
do plano z, conforme mostra a imagem abaixo.

O método é definido a partir da substituição de s por:

s = [2 (z - 1) ] / [ h (z + 1) ]

Exemplo:

Seja, C(s) dado pela função:

C(s) = a / (s + a)

Temos que C(z) é:

 22

C(z) = a / ( [2 (z - 1) ] / [ h (z + 1) ] + a) = ah(z + 1) / [ 2(z - 1) + ah(z + 1) ]

● ZOH

O método de ZOH é conhecido como método da resposta invariante. Esse método de

discretização é definido a partir da transformada Z exata que garante a igualdade das
respostas do sistema para um determinado sinal de entrada.

Neste método a função discretizada é obtida da seguinte forma:

Temos uma função de transferência C(s) e uma entrada u(t) e sua Laplace U(s), no
qual obtém uma saída y(t), sendo sua Laplace Y(s).

Y(s) = C(s) U(s)

Para obter a função C(z), temos:

Y(z) = C(z) U(z)

Sendo Y(z) e U(z) a transformada Z de y(t) e u(t), respectivamente.

C(z) = Y(z) / U(z) = Z{Y(s)} / U(z) = Z{C(s) U(s)} / U(z)

Considerando u(t) um degrau unitário, temos:

U(s) = 1 / s

U(z) = z / (z - 1)

Logo, C(z) é dado por:

C(z) = Z{C(s) / s} / [z / (z - 1)] = [ (z - 1) / z ] * Z{C(s) / s}

 23

6. IMPLEMENTAÇÃO DE CONTROLADORES

Neste tópico é discutido alguns pontos que devem ser considerados na implementação
de controladores digitais.

Na implementação de controladores devemos definir a lei de controle e sua

representação discreta para podermos implementar o algoritmo computacional.

A seguir são apresentados alguns pontos importantes que devem ser considerados na
implementação de controladores.

● Interface

A interface entre o sistema de controle e o operador é importante para apresentação

dos dados e/ou alterações nos parâmetros do controlador.

Alguns exemplos de alterações que podem ser feitas no controlador pelo operador por
meio de uma interface é alteração do ganho, tempo derivativo e integrativo, conforme ilustra
a imagem abaixo.

● Atraso Computacional

A implementação de uma le de controle vai provocar um atraso computacional que

pode afetar o desempenho do sistema, pois para sua implementação é necessário tempo
para executar os cálculos computacionais e para os conversores A/D e D/A.

● Não Linearidade
 24

Grande parte dos sistemas reais vão apresentar uma não linearidade. Em
controladores a não linearidade geralmente é presente nos atuadores, sendo a saturação
uma das principais causas da não linearidade.

Um exemplo são as válvulas em processos industriais, pois se comportam de forma

não linear quando estão totalmente abertas ou fechadas, por causa da saturação do
atuador.

● Pré-filtro

O pré-filtro analógico é usado antes da amostragem do sinal com objetivo de impedir

distúrbios e ruídos de frequência superior a frequência de Nyquist. Na imagem abaixo é
ilustrado um sistema com a implementação de um filtro analógico.

Na imagem a seguir é apresentado um exemplo de um circuito analógico que pode ser

implementado no bloco na frente do amostrador para exercer a função de pré-filtro
analógico de segunda ordem, utilizando um amplificador operacional.

A função de transferência do filtro é dada por:

G(s) = W^(2) / [ (s / Wb)^(2) + 2ζW(s / Wb) + W^(2) ]

 25

Em que a largura de banda é Wb e a frequência W = 1 / RC.

7. OBSERVADORES DE ESTADO

Na teoria de controle, um observador de estado ou estimador de estado é um sistema

que fornece uma estimativa do estado interno de um determinado sistema real, a partir de
medições de entrada e saída do sistema real. Normalmente é implementado por
computador e fornece a base para muitas aplicações práticas.

Motivações

- Um controlador por realimentação de estados necessita que todos os estados do

sistema sejam conhecidos a todo instante de tempo;
- Frequentemente nem todos os estados do sistema estão disponíveis;
- Usualmente somente as saídas do sistema são conhecidas e, assim, somente as
saídas estão disponíveis para realimentação.

Como solucionamos esse problema? Utilizando um modelo do sistema para estimar

os estados por meio das saídas do sistema:

Estimativa do vetor de estados:

Controle é alterado de u(t) = −Kx(t) para:

Dado o modelo do sistema LIT de ordem n:

- Dinâmica do modelo não é exatamente igual à realidade ⇒ matrizes do

modelo são conhecidas mas apresentam erros em relação à dinâmica do sistema
real, ou seja, em relação às matrizes A, B, C e D.
- Vetor de entradas u(t) é conhecido
 26

- Vetor de saídas y(t) são medidos

- Vetor de estados x(t) é desconhecido para t ≥ 0.

Com isso, o objetivo é desenvolver um sistema dinâmico cujo vetor de estados é conhecido
e igual ao vetor x(t) para todo tempo t ≥ 0.

Existem duas abordagens:

1) Observador em malha aberta.

2) Observador em malha fechada.

Observador em malha aberta

Como se conhece o modelo do sistema, pode-se simular o sistema usando o modelo

em paralelo com o sistema real.

Usando a equação dos estados do modelo:

Nesse caso tem-se que para todo t ≥ 0 desde que a condição inicial do

vetor de estados, x(0) , seja conhecida e que as matrizes do modelo sejam

iguais às matrizes do sistema real A, B, C e D.

Esquema do observador em malha aberta:

Porém, não conhecemos a condição inicial x(0) e o modelo apresenta erros e não é
igual ao sistema real.
 27

Uma análise do desempenho do observador em malha aberta pode ser realizada

analisando as equações de estado do sistema e do modelo.

Erro de estimação dos estados:

A dinâmica do erro de estimação dos estados é obtida subtraindo:

Assumindo que os erros entre as matrizes e A,B são desprezíveis, tem-se:

Onde a solução é dada por:

Se x(0) for conhecido então , isso garante que para todo t ≥ 0 ⇒ situação
não realista;

Situação mais realista ⇒ se x(0) não é conhecido então assim, somente se os

pólos da matriz A forem estáveis é possível garantir que para t → ∞.

Com isso, chegamos a conclusão que:

- Observador em malha aberta depende da dinâmica do sistema.

- Observador em malha aberta não funciona direito.

Observador em malha fechada

Uma forma óbvia de resolver o problema do observador em malha aberta é usar a

informação disponível dos sensores (saídas y(t)).

Definindo o erro de estimação das saídas do sistema:

 28

Desenvolvendo a equação de , chegamos

a:

O erro de estimação das saídas pode ser realimentado na dinâmica do modelo do

sistema para melhorar a estimativa do vetor de estados.

Dinâmica do observador de estados em malha fechada:

onde “L” é a matriz de ganhos do observador. Dimensão da matriz L ⇒ NxP, onde N é

a ordem do sistema e é o número de saídas.

Esquema do observador em malha fechada:

Diagrama de blocos representando a estrutura do observador:

 29

Equação da dinâmica do erro de estimação dos estados:

, Onde Amf é a matriz da malha fechada do observador de

estados.

Nota-se que:

- Pode selecionar a matriz L de forma a melhorar a dinâmica do observador em malha

fechada.
- Para se projetar um observador de estados em malha fechada o sistema tem que
ser observável.

Similaridade entre os problemas do observador de estados e o regulador de estados:

- Regulador ⇒ Amf = A − BK → Matriz de ganhos K é escolhida para que os pólos do

sistema em malha fechada sejam os desejados
- Observador ⇒ Amf = A − LC → Matriz de ganhos L é escolhida para que os pólos
do observador em malha fechada sejam os desejados.
- Os problemas do regulador e do observador de estados são duais ⇒ ou seja, são
idênticos.
 30

Se o sistema definido pelas matrizes (A, C) for observável, os pólos da matriz do

observador em malha fechada (A − LC) podem ser localizados onde forem desejados.

Localização dos pólos do observador

Pólos do observador devem ser mais rápidos do que os pólos do regulador de estados,
cerca de 2 a 3 vezes mais rápidos, onde a parte real dos pólos do observador em malha
fechada devem ser 2 a 3 vezes maior do que a parte real dos pólos do regulador de
estados.

Não existe problema de saturação no observador nem de excitação de dinâmicas de

alta frequência ⇒ observador somente existe dentro do computador.

Medidas de sensores tem ruídos ⇒ cuidado deve ser tomado ao usar as medidas dos
sensores para estimar os estados do sistema.

Ao se escolher os pólos do observador deve-se considerar:

- Pólos muito rápidos (observador com ganhos “altos”) tendem a acentuar o efeito dos
ruídos de medidas ⇒ estados tendem a seguir as medidas que sempre apresentam
ruídos.
- Pólos lentos (observador com ganhos “baixos”) ⇒ estimativas dos estados tendem a
seguir o modelo da planta.
- Quanto menor o ganho do observador ⇒ observador tende a malha aberta e
aumenta a tendência de ignorar as medidas dos sensores.

Observador de estados ótimo ⇒ Filtro de Kalman: Balanceia os efeitos dos ruídos de

medidas dos sensores e os erros do modelo.

Observação::

- Os ganhos do observador de estados estabilizam somente o erro de estimação ⇒

se o sistema for instável, então, os estados do sistema tendem a infinito, mas o erro
de estimação tende a zero.
 31

8. IDENTIFICAÇÃO DE SISTEMAS

Um dos principais atributos da identificação de sistemas é a construção e a seleção de

modelos de sistemas dinâmicos que servem a propósitos bem definidos.

Um modelo que representa um sistema é determinado pela descrição de todas

suas propriedades ou somente alguma delas, destinado a uma aplicação específica. O

modelo não necessita ser uma descrição precisa do sistema, basta que o mesmo cumpra

com os propósitos definidos.

A classificação dos métodos de identificação de sistemas pode ser feita de duas

formas:

1) Identificação completa: não se tem nenhuma informação do sistema;

2) Identificação parcial: tem-se informações básicas do problema, como por exemplo,
linearidade.

Passos do procedimento de identificação de sistemas:

1) Especificar e parametrizar modelos matemáticos que representem o sistema a ser

identificado;
2) Identificar os parâmetros do modelo escolhido que melhor se relacionam ao sistema;
3) Validar o modelo para verificar se o modelo escolhido corresponde as expectativas
finais.

Diagrama esquemático para a identificação de sistemas:

 32

A metodologia para a identificação dos parâmetros, pode ser a seguinte:

- Off-line: entrada e saída do processo são gravadas e obtêm-se os parâmetros do

modelo para o processo.
- On-line (Identificação em tempo real): os parâmetros são calculados de forma
recursiva à medida que um novo conjunto de dados está disponível, assim, a cada
novo conjunto de dados os parâmetros são corrigidos.

A obtenção dos parâmetros pode ser calculada pelo método de mínimos de quadrados
para sistemas lineares nos parâmetros. Para ajuste de modelos não lineares podem ser
utilizados métodos baseados no gradiente ou algoritmos genéticos.

Mínimos quadrados

A principal ferramenta para a obtenção de parâmetros a partir de dados experimentais.

Há inúmeros outros métodos de obtenção de parâmetros, porém o método dos mínimos
quadrados continua sendo o mais conhecido e mais utilizado entre engenheiros e cientistas.

Muitos dos algoritmos utilizados para a obtenção dos parâmetros na identificação de

sistemas podem ser interpretados como sendo procedimentos de mínimos quadrados.
 33

Assim é possível unificar diversas técnicas de identificação de sistemas dentro da área da

teoria dos mínimos quadrados.

O método dos mínimos quadrados determina o melhor ajuste do modelo aos dados
experimentais a partir da minimização do erro.

Sistema linear com “n” parâmetros:

Assume-se um conjunto de “m” pontos observados de x e y, nos instantes de tempo

dados por t1,t2,...tn e denota-se um conjunto de medidas dados por y(i) e x1(i),x2(i),...,xn(i),
i= 1,2,...,m. Assim, tem-se um conjunto com dado por “m” equações lineares.

Temos que, y = θX, onde:

Desenvolvendo as equações, chegamos ao Estimador por Mínimos Quadrados:

Variáveis de Estado

As variáveis de estado de um sistema dinâmico são o conjunto mínimo de variáveis

que definem seu estado. Deve-se ressaltar que as variáveis de estado não precisam
necessariamente serem grandezas físicas mensuráveis ou observáveis.

Em conjunto de n variáveis de estado x1(t),x2(t),...,xn(t) que representam

completamente o estado do sistema, estas variáveis podem ser definidas como parte de um
vetor x(t) e este vetor é definido como sendo o vetor de estado. Logo um vetor de estado
 34

determina o estado em x(t) de um sistema em qualquer instante t ≥ t0 uma vez que t = t0 é

dado e a entrada para t ≥ t0 está especificada.

Modelos por Função de Transferência

A função transferência para um sistema pode ser definida como sendo a relação entre
a entrada e a saída do sistema no domínio de Laplace.

Para a análise de um sistema dinâmico a função transferência pode ser interpretada

como sendo um ganho entre a saída e a entrada do sistema.

Uma EDO( equação diferencial ordinária) de 1°ordem pode ser representa no domínio

de Laplace como sendo:

Logo escrevendo em termos da função de transferência tem-se:

Sendo a função de transferência de um sistema linear de 1a ordem sendo aplicada

uma perturbação degrau de amplitude M:

, onde K é o ganho estático e τ é a constante de tempo.

A solução da equação é dada por:

, o ganho estático é o valor do ganho para quando t→∞ e a

constante de tempo é definida como τ.

9. CONCLUSÃO
O presente trabalho contribuiu significativamente para a consolidação dos
conhecimentos da referida disciplina. Ademais, a pesquisa acerca dos tópicos
propostos agregou ao conhecimento teórico visto nas disciplinas de Controle no
geral, cumprindo assim o objetivo pedagógico da atividade
 35

REFERÊNCIAS

- NISE, Norman S. Control System Engeneering. 6. ed. California: Wiley,

2011.

- OGATA, Katsuhiko. Engenharia de Controle Moderno. 5. ed. São

Paulo: Pearson, 2010.

- Ogata, K. (1995). Introduction to Discrete-Time Control Systems, Englewood

Cliffs, New Jersey, EUA: Prentice Hall
- SACRAMENTO, Lucas S. B. Estudo Comparativo Entre Técnicas De
Controle Pi E Fuzzy Aplicadas Ao Controle De Nível Em Um Sistema
De Tanques Acoplados. Ouro Preto: UFOP, 2015
- MARTINZ, Fernando O. Estudo Comparativo Entre Técnicas De
Controle Pi E Fuzzy Aplicadas Ao Controle De Nível Em Um Sistema
De Tanques Acoplados. São Paulo: USP 2007
- SILVA, Joacy M., PRADO, Márcia L. M. Projeto de Controladores por
Alocação de Polos Aplicados a um Sistema de Suspensão Ativa
- CONTROLE AVANÇADO, Controle baseado em alocação de pólos. Medium,
2018
- SOARES, Pedro M. O. S. Discretização de controladores continuo.
DEEC/FEUP, Porto 1996
- MONZANI, Rafael C. CONTROLADORES ANALÓGICOS E DIGITAIS UMA
ANÁLISE COMPARATIVA. UEL, Londrina 2010