Abordagem teórica Aplicação

Sistemas Reguladores Quadráticos Ótimos

Prof. Marcus V. Americano da Costa Fº

Departamento de Engenharia Química

Universidade Federal da Bahia

Salvador-BA, 24 de outubro de 2022.

Abordagem teórica Aplicação

Sumário

1 Abordagem teórica

2 Aplicação
Abordagem teórica Aplicação

Sumário

1 Abordagem teórica

2 Aplicação
Abordagem teórica Aplicação

Introdução

O método de controle quadrático ótimo fornece um modo sistemático de cálculo

da matriz de ganho de controle por realimentação de estado, utilizando um critério
de minimização de função custo (ou índice de desempenho).
Abordagem teórica Aplicação

Conceitos elementares

Forma quadrática: V (x) = x T Px

  
p11 p12 · · · p1n x1
 p12 p22 · · · p2n  x2 
V (x) = [x1 x2 · · · xn ] 
  
.. .. ..  .. 
 . . .  . 
p1n p2n · · · pnn xn

Forma hermitiana: V (x) = x ∗ Px

Critério de Sylvester: Se V (x) é definida positiva, então os determinantes

menores principais sucessivos de P são positivos.

Ex.: Mostre que V (x) = 10x12 + 4x22 + x32 + 2x1 x2 − 2x2 x3 − 4x1 x3 é positiva
definida.
Abordagem teórica Aplicação

Dada a equação do sistema:

ẋ = Ax + Bu,
o problema do regulador quadrático ótimo permite determinar a matriz K do vetor
de controle ótimo

u(t) = −Kx(t)
para minimizar o índice de desempenho
Z ∞
J= (x∗ Qx + u∗ Ru)dt,
0

em que Q é uma matriz hermitiana definida positiva (ou semidefinida positiva) ou

real simétrica e R é uma matriz hermitiana definida positiva ou real simétrica.
Abordagem teórica Aplicação

Sistema Regulador Ótimo

Abordagem teórica Aplicação

Otimização

Para resolver o problema de otimização, deve-se substituir a lei de controle no

sistema:
Abordagem teórica Aplicação

Otimização

Para resolver o problema de otimização, deve-se substituir a lei de controle no

sistema:

_
x = Ax − BKx
Abordagem teórica Aplicação

Otimização

Para resolver o problema de otimização, deve-se substituir a lei de controle no

sistema:

_
x = (A − BK)x
Abordagem teórica Aplicação

Otimização

Para resolver o problema de otimização, deve-se substituir a lei de controle no

sistema:

_
x = (A − BK)x
e substituindo a lei de controle no índice de desempenho, tem-se:
Abordagem teórica Aplicação

Otimização

Para resolver o problema de otimização, deve-se substituir a lei de controle no

sistema:

_
x = (A − BK)x
e substituindo a lei de controle no índice de desempenho, tem-se:
Z ∞
J= (x∗ Qx + x∗ K∗ RKx)dt
0
Abordagem teórica Aplicação

Otimização

Para resolver o problema de otimização, deve-se substituir a lei de controle no

sistema:

_
x = (A − BK)x
e substituindo a lei de controle no índice de desempenho, tem-se:
Z ∞
J= x∗ (Q + K∗ RK)xdt
0
Abordagem teórica Aplicação

Otimização

Para resolver o problema de otimização, deve-se substituir a lei de controle no

sistema:

_
x = (A − BK)x
e substituindo a lei de controle no índice de desempenho, tem-se:
Z ∞
J= x∗ (Q + K∗ RK)xdt
0
Dessa forma, é possível utilizar a seguinte função de Lyapunov:
Abordagem teórica Aplicação

Otimização

Para resolver o problema de otimização, deve-se substituir a lei de controle no

sistema:

_
x = (A − BK)x
e substituindo a lei de controle no índice de desempenho, tem-se:
Z ∞
J= x∗ (Q + K∗ RK)xdt
0
Dessa forma, é possível utilizar a seguinte função de Lyapunov:

d ∗
x∗ (Q + K∗ RK)x = − (x Px)
dt
Abordagem teórica Aplicação

Otimização

Para resolver o problema de otimização, deve-se substituir a lei de controle no

sistema:

_
x = (A − BK)x
e substituindo a lei de controle no índice de desempenho, tem-se:
Z ∞
J= x∗ (Q + K∗ RK)xdt
0
Dessa forma, é possível utilizar a seguinte função de Lyapunov:

x∗ (Q + K∗ RK)x = −ẋ∗ Px − x∗ Pẋ

Abordagem teórica Aplicação

Otimização

Para resolver o problema de otimização, deve-se substituir a lei de controle no

sistema:

_
x = (A − BK)x
e substituindo a lei de controle no índice de desempenho, tem-se:
Z ∞
J= x∗ (Q + K∗ RK)xdt
0
Dessa forma, é possível utilizar a seguinte função de Lyapunov:

x∗ (Q + K∗ RK)x = −x∗ [(A − BK)∗ P + P(A − BK)]x

Abordagem teórica Aplicação

Se A − BK for uma matriz estável, existirá uma matriz definida positiva P que
satisfaça a equação

(A − BK)∗ P + P(A − BK) = −(Q + K∗ RK) (1)

Dessa forma, o índice de desempenho J pode ser calculado como:
Z ∞
J= x∗ (Q + K∗ RK)xdt = −x∗ (∞)Px(∞) + x∗ (0)Px(0)
0
Abordagem teórica Aplicação

É possível escrever a Eq. 1 como:

(A − BK)∗ P + P(A − BK) + Q + K∗ T∗ TK = 0

com R = T∗ T, sendo T uma matriz não singular.

Para a minimização de J, obtém-se a matriz ótima

K = R−1 B∗ P

e a lei de controle ótimo é dada por:

u(t) = −Kx(t).

A matriz P deve satisfazer a Eq. 1 ou a seguinte equação reduzida:

A∗ P + PA − PBR−1 B∗ P + Q = 0

que é denominada equação matricial reduzida de Riccati.

Abordagem teórica Aplicação

Etapas do projeto

Resolva a equação matricial reduzida de Riccati para a matriz P. Se existir

uma matriz definida positiva P, o sistema será estável ou a matriz A − BK
será estável.
Substitua essa matriz P na Eq. 1. A matriz de ganho K resultante é a matriz
ótima.
Finalmente, note que o índice de desempenho pode ser dado em termos do vetor
de saída Z ∞
J= (y∗ Qy + u∗ Ru)dt
0
Z ∞
J= (x∗ C∗ QCy + u∗ Ru)dt
0
Abordagem teórica Aplicação

Sumário

1 Abordagem teórica

2 Aplicação
Abordagem teórica Aplicação

Aplicação

O comando ′ K = lqr (A, B, Q, R)′ no Matlab resolve o problema do regulador

quadrático, linear, de tempo contínuo e a equação de Riccati associada,
fornecendo a matriz de ganho K ótima.
Ainda outro comando

′
[K , P, E] = lqr (A, B, Q, R)′
retorna a matriz de ganho K, o vetor de autovalores E e a matriz P, a única
solução definida positiva da equação matricial associada de Riccati:

A∗ P + PA − PBR−1 B∗ P + Q = 0.

Se a matriz A − BK for uma matriz estável, essa solução definida positiva P

sempre existirá.