Inserção de Técnica de Modelo Preditivo em Hardware Reconfiguráveisv3

Conteúdo
1. Introdução Matrix Math Package;

2. Desenvolver hardware para realizar operações matriciais;
3. Introdução a Modelo Preditivo;
4. Implementação de Modelo Preditivo em VHDL;
5. Análise através de Simulações.
27/02/2020 FAENG - ENG Soluções Tecnológicas 1

Introdução Matrix Math
Package
The VHDL matrix math packages can be downloaded at:
http://www.vhdl.org/fphdl/real_matrix_pkg.zip
By David Bishop

• A biblioteca VHDL matrix é baseada na funcionalidade das operações realizadas no Matlab.
• Para habilitar a biblioteca deve-se executar os seguintes procedimentos.
vlib ieee_proposed.lib
vmap ieee_proposed ./ieee_proposed.lib
vcom -2008 -work ieee_proposed real_matrix_pkg.vhdl
vcom -2008 -work ieee_proposed real_matrix_pkg_body.vhdl
vcom -2008 -work ieee_proposed complex_matrix_pkg.vhdl
vcom -2008 -work ieee_proposed complex_matrix_pkg_body.vhdl
vcom -2008 -work ieee_proposed fixed_matrix_pkg.vhdl
vcom -2008 -work ieee_proposed fixed_matrix_pkg_body.vhdl
vlib work
vmap work work
vcom -2008 test_real_matrix.vhdl
vcom -2008 test_complex_matrix.vhdl
vcom -2008 test_fixed_matrix.vhdl

Operadores Função exemplo
* Multiplicação entre matrizes real_matrix * real_matrix returna real_matrix

+ Soma de matrizes real_matrix + real_matrix returna real_matrix
- Subtração entre matrizes real_matrix - real_matrix returna real_matrix
/ Divisão entre matrizes real_matrix / real_matrix returna real_matrix
** Matriz elevada a um inteiro real_matrix ** integer returna real_matrix

= Gera igualdade caso as dimensões sejam real_vector = real_matrix
respeitadas. real_vector /= real_matrix
abs Módulo de uma matriz e/ou vetor Retorna o valor absoluto

Função Descrição
Sqrt Extrai a raízes quadrada de cada elemento
Exp Exponencial de elemento por elemento
Log Realiza o logaritmo de elemento por elemento
Det Calcula o determinante da matrix
Inv Realiza a operação inversa de cada matriz
Transpose Encontra a transposta da matriz
Zeros Cria uma matriz de zeros. Zeros (rows, columns)
Ones Gera uma matriz com número 1. Ones (rows, columns)
eye Monta uma matriz identidade. eye (rows, columns)
submatrix Gera uma matriz a partir de outra matriz. submatrix (arg, x, y, rows, columns).
buildmatrix Comando utilizado para construir uma matriz. buildmatrix (arg, result, x, y)
InsertColumn Inseri um vetor coluna em uma matriz
Size Retorna o tamanho da matriz
Exemplo 1:
Dadas as matrizes a e b desenvolva um hardware em VDHL que realize a multiplicação entre estas
matrizes quando o hardware for habilitado (rst = 0). Verifique o resultado desta multiplicação através de
ferramenta de simulação.
Observação: Quando rst = 1, carrega os valores das matrizes.
1.0 6.0
a= 4.0 3.0
2.0 0.5 3.0
7.0 1.0 𝑏=
2.0 5.0 7.0 1.0 0.0

Gerar arquivo de simulação - ModelSim
quit -sim -- sai da simulação

vcom top.vhd -- compila o arquivo top.vhd
vsim work.top -- simula a entidade top
add wave -- adiciona para as formas de ondas
force -- force um valor
run 1000 -- roda 1000ps a simulação
do simula.do

Exemplo 2:
Dada a matriz a e n = 1.5, desenvolva um hardware em VHDL que realize as operações indicadas em
a) e b), quando o hardware estiver habilitado (rst = 1). Verifique os resultados através do ModelSim.
0.5 0.0 1.0

𝑎= 2.0 1.5 1.0
0.0 0.5 2.0
a) 𝑎𝑇
b) n ∗ 𝑎𝑇 + 𝑎 ∗ 𝑎𝑇

Exemplo 3:
Dadas as matrizes A e C determine a matriz F.
1.0 0.5 𝐶𝐴
𝐴= 𝐶 = 0.0 1.0 𝐹=
0.8 0.2 𝐶𝐴2
Exemplo 4:
As matrizes A e B descrevem parte do comportamento de um sistema eletromecânico. Verifique se este sistema é
controlável (usando VHDL).
Observação: o teste de controlabilidade de um sistema é dado por: det[ 𝐵 𝐴𝐵 𝐴2 𝐵 … 𝐴𝑛−1 𝐵 ]. Sendo n a dimensão da
matriz A. Se o determinante da matriz de controlabildade 𝐵 𝐴𝐵 𝐴2 𝐵 … 𝐴𝑛−1 𝐵 for diferente de zero, então o sistema é
controlável. Se o sistema for controlável uma saída S deve ser igual 1, caso contrário S = 0.
1.0 0.5 1.0
𝐴= 𝐵=
0.2 0.0 0.0
Exemplo 5:
Dada a matriz A, encontre a inversa desta matriz caso o determinante seja diferente de zero. O hardware
deverá enviar a mensagem “Gera” caso exista a inversa de A, caso contrário deve ser enviada a mensagem
“Erro”. Em ambos os casos o hardware deverá informar o valor do determinante.
1.0 −0.2 2.0

𝐴 = 0.0 0.5 0.1
4.0 0.0 2.0
Exemplo 6:
Idem ao exercício 5.
1.0 −0.5
𝐴=
2.5 3.0
Exemplo 7:
Um sistema de controle para satélite é apresentado na equação de estado abaixo. Supondo as
condições iniciais 𝑥1 (0) = 0 e 𝑥2 0 = 1, sendo 𝑥1 relacionado ao deslocamento e 𝑥2 relaciona a
velocidade. Projete um hardware em VHDL que calcule os vetores de estados (deslocamento e
velocidade) e o ganho 𝑢 𝑘 correspondente.
𝑥1 (𝑘 + 1) 0.95 0.0825 𝑥1 (𝑘) 𝑥1 (𝑘)

= 𝑢 𝑘 = 10.0 3.5
𝑥2 (𝑘 + 1) −1 0.65 𝑥2 (𝑘) 𝑥2 (𝑘)

Exemplo 8:
Desenvolva um hardware em VHDL que permita ao usuário entrar com as matrizes de estados (A e B) e o
hardware execute as seguintes operações:
a) A*B;
b) 𝐴𝑇 ∗ 𝐵;
c) 𝐴 + 𝐴𝑛 , sendo n definido pelo usuário. Os resultados desta operação deverão ser apresentados para cada
iteração, ou seja, se n = 3, 𝐴 + 𝐴0 , 𝐴 + 𝐴1 , 𝐴 + 𝐴2 𝑒 𝐴 + 𝐴3 .

Exercício 1:
Deseja se aplicar a fórmula de Ackermann para projetar o ganho do controlador K para um satélite. Projete
um hardware em VHDL que encontre o ganho do controlador com base no período (T) estabelecido
pelo usuário. As informações sobre os parâmetros de controle são apresentados nas equações abaixo:
Polinômio característico
𝛼𝑐 ∅ = ∅2 + 𝛼1 ∅ + 𝛼2 𝐼 1.0 𝑇
Sendo: ∅= 𝛼1 = −1.6 𝛼2 = 0.7
0.0 0.1
A matriz de controlabilidade
𝑇2
𝐶 −1 = 𝛿 ∅𝛿 −1
Sendo: 𝛿= 2
𝑇
Ganho do Controlador
𝐾 = 0 1 𝐶 −1 𝛼𝑐 ∅

Introdução a Modelo Preditivo
A técnica de Controlador Preditivo vem crescendo em diversas áreas devido a robustez em trabalhar com
sistemas não lineares e de proporcionar restrições nas variáveis de entrada e saída.
Um Modelo de Controlador Preditivo (Model Predicitive Control) – MPC baseado nas matrizes de estado da
planta e no set-point. Além destas informações no projeto de controlado Preditivo são necessário definir dois
parâmetros: Control Horizon Nc e Predicitive Horizon (Np).
Nc é o horizonte de controle. É usado para informar o número de parâmetros para determinar a futura trajetória
do sinal de controle.
Np é denominado de horizonte de predição. Este parâmetro apresenta o mesmo tamanho da janela de

otimização. Nc deve ser menor ou igual ao valor de Np.

TRAJETÓRIA
DE
REFERÊNCIA
ENTRADAS E
SAÍDAS
PASSADAS SAÍDAS
-+
PREDITAS
MODELO
MPC foi desenvolvido considerando

ENTRADAS ERROS o conceito de predição e a obtenção
FUTURAS FUTUROS do sinal de controle através da
OTIMIZAÇÃO minimização de uma função
objetivo.
FUNÇÃO RESTRIÇÕES
CUSTO

O modelo dinâmico da planta é primordial para projetar o Controlador Preditivo.
Movinghorizonwindow
Janela de horizonte movente: define o tempo que a janela de predição terá: 𝑡𝑖 + 𝑇𝑝 sendo
𝑡𝑖 𝑜 𝑖𝑛𝑖𝑐𝑖𝑜 𝑑𝑎 𝑝𝑟𝑒𝑑𝑖çã𝑜 𝑒 𝑇𝑝 𝑜 𝑡𝑒𝑚𝑝𝑜 𝑝𝑙𝑎𝑛𝑒𝑗𝑎𝑑𝑜 𝑑𝑒 𝑝𝑟𝑒𝑑𝑖çã𝑜.
Prediction Horizon – Horizonte de Predição : dita quanto deseja que o futuro seja previsto.
Função Custo ou função objetivo – Trata-se de uma função erro com base na diferença entre as respostas
desejadas e reais. Esta função é calculada dentro da janela de predição através de algoritmos de otimização.

Considerando o instanteda amostragem 𝑘𝑖, 𝑘𝑖 > 0
O vetor variável de estado é obtido através de medição 𝑥 𝑘𝑖 . Este vetor de estado 𝑥 𝑘𝑖 fornece informações
atuais da planta.
Observação: Em muitos casos o vetor de estado 𝑥 𝑘𝑖 não pode medido.
A predição do estado e da saída são baseadas em dois parâmetros para projetar o Controlador Preditivo.
Nc = é denominado de horizonte de controle, ou seja, o número de parâmetros necessário para alcançar a trajetória
de controle futura.
Dada a informação do vetor de estado 𝑥 𝑘𝑖 , o futuro vetor de estado poderá ser predito com Np número de amostra.
Sendo Np denominado de horizonte de predição. Np define o tamanho da janela de otimização da junção custo.
O horizonte de controle é escolhido para ser menor ou igual ao horizonte de predição.

O Modelo Preditivo é baseado na modelagem das plantas através do Espaço de Estado (Equação 1).
𝑥𝑚 𝑡 = 𝐴𝑚 𝑥𝑚 𝑡 + 𝐵𝑚 ∆𝑢 𝑡
𝑦 𝑡 = 𝐶𝑚 𝑥𝑚 𝑡
𝑥 𝑘 + 1 = 𝐴𝑥 𝑘 + 𝐵∆𝑢 𝑘
(1)
𝑦 𝑘 = 𝐶𝑥 𝑘
1° Passo: Construir as matrizes aumentada A, B e C.
𝑇 𝐵𝑚
𝐴𝑚 𝑜𝑚
𝐴= 𝐵= 𝐶 = 𝑜𝑚 1
𝐶𝑚 𝐴𝑚 1 𝐶𝑚 𝐵𝑚
𝑛1
Sendo
𝑜𝑚 = 0 0…0 𝑛1 𝑎 𝑑𝑖𝑚𝑒𝑛𝑠ã𝑜 𝑑𝑜 𝑣𝑒𝑡𝑜𝑟 𝑒𝑠𝑝𝑎ç𝑜 𝑑𝑒 𝑒𝑠𝑡𝑎𝑑𝑜 𝑥𝑚
A trajetória futura é definida por:
∆𝑢(𝑘𝑖 ), ∆𝑢 𝑘𝑖 + 1 , … , ∆𝑢(𝑘𝑖 + 𝑁𝑐 − 1)
As variáveis de estados futuras são definidas por:
𝑥 𝑘𝑖 + 1 , 𝑥 𝑘𝑖 + 2 , … , 𝑥 𝑘𝑖 + 𝑚 , … , 𝑥 𝑘𝑖 + 𝑁𝑝
𝑥 𝑘𝑖 + 𝑁𝑝 = 𝐴𝑁𝑝 𝑥 𝑘𝑖 + 𝐴𝑁𝑝 −1 𝐵∆𝑢 𝑘𝑖 + 𝐴𝑁𝑝 −2 𝐵∆𝑢 𝑘𝑖 + 1 + … + 𝐴𝑁𝑝 −𝑁𝑐 𝐵∆𝑢(𝑘𝑖 + 𝑁𝑐 − 1)
As variáveis de saída preditas são dadas por:
𝑦 𝑘𝑖 + 1 = 𝐶𝐴𝑥 𝑘𝑖 + 𝐶𝐵∆𝑢(𝑘𝑖 )
y 𝑘𝑖 + 𝑁𝑝 = 𝐶𝐴𝑁𝑝 𝑥 𝑘𝑖 + 𝐶𝐴𝑁𝑝−1 𝐵∆𝑢 𝑘𝑖 + 𝐶𝐴𝑁𝑝−2 𝐵∆𝑢 𝑘𝑖 + 1 + … + 𝐶𝐴𝑁𝑝−𝑁𝑐 𝐵∆𝑢(𝑘𝑖 + 𝑁𝑐 − 1)

Em um sistema SISO os vetores do sinal de controle e da saída são respectivamente:
𝑇
∆𝑈 = ∆𝑢 𝑘𝑖 ∆𝑢 𝑘𝑖 + 1 ∆𝑢 𝑘𝑖 + 2 … ∆𝑢 𝑘𝑖 + 𝑁𝑐 − 1
𝑇
𝑌 = 𝑦 𝑘𝑖 + 1 𝑦 𝑘𝑖 + 2 𝑦 𝑘𝑖 + 3 … 𝑦(𝑘𝑖 + 𝑁𝑝 )

Generalização
MPC
𝑌 = 𝐹𝑥 𝑘𝑖 + ∅∆𝑈 A dimensão de Y é Nc e a
dimensão de U é Np
Com base nas matrizes aumentadas são definidas as matrizes F e  na qual as dimensões dependem diretamente
da escolha do Control Horizon (Nc) e Prediction Horizon (Np).
𝐶𝐴 𝐶𝐵 0 0 … 0
𝐶𝐴2 𝐶𝐴𝐵 𝐶𝐵 0 … 0
𝐹 = 𝐶𝐴3 ∅= 𝐶𝐴2 𝐶𝐴𝐵 𝐶𝐵 0
⋮ ⋮ ⋮ ⋮ ⋮
𝑁𝑝 −2
𝐶𝐴𝑁𝑝 𝐶𝐴𝑁𝑝 −1 𝐵 𝐶𝐴 𝐵 𝐶𝐴𝑁𝑝 −3 𝐵 𝐶𝐴𝑁𝑝 −𝑁𝑐 𝐵

Otimização
Para um determinado setpoint 𝑟 𝑘𝑖 e o tempo de amostragem 𝑘𝑖 dentro da janela de predição, o objetivo do
controlador preditivo é trazer a saída prevista o mais próximo possível para o sinal de setpoint, considerando que
na janela de otimização o setpoint é constante.
O vetor que contem o setpoint é dado por:

𝑁𝑝
𝑅𝑠𝑇 = 1 1 … 1 𝑟 𝑘𝑖
A função custo J reflete o objetivo do controlador.

J= 𝑅𝑠 − 𝑌 𝑇 ത
𝑅𝑠 − 𝑌 + ∆𝑈 𝑇 𝑅∆𝑈
Sendo:
𝑅ത = 𝑟𝑤 𝐼𝑁𝑐 𝑥 𝑁𝑐
Sendo
𝑟𝑤 ≥ 0, 𝑝𝑒𝑠𝑜 𝑝𝑎𝑟𝑎 𝑠𝑖𝑛𝑡𝑜𝑛𝑖𝑎 𝑑𝑜 𝑐𝑜𝑛𝑡𝑟𝑜𝑙𝑎𝑑𝑜𝑟 𝑝𝑟𝑒𝑑𝑖𝑡𝑖𝑣𝑜.
𝐼𝑁𝑐𝑥𝑁𝑐 , 𝑚𝑎𝑡𝑟𝑖𝑧 𝑖𝑑𝑒𝑛𝑡𝑖𝑑𝑎𝑑𝑒 𝑑𝑒 𝑑𝑖𝑚𝑒𝑛𝑠ã𝑜 𝑁𝑐
Derivada da função custo
𝜕𝐽 𝜕𝐽
= −2∅𝑇 𝑅𝑠 − 𝐹𝑥 𝑘𝑖 ത
+ 2(∅𝑇 ∅ + 𝑅)∆𝑈 =0
𝜕∆𝑈 𝜕∆𝑈
A solução ótima para o sinal de controle é dada por:
∆𝑈 = ∅𝑇 ∅ + 𝑅ത −1 ∅𝑇
𝑅𝑠 − 𝐹𝑥 𝑘𝑖
Desde que a matriz Hessian existe.
∅𝑇 ∅ + 𝑅ത −1

Sistema de controle em malha fechada – Ganhos do Controlador preditivo
𝑁𝑐
∆𝑢 𝑘𝑖 = 1 0⋯0 ∅𝑇 ∅ + 𝑅ത −1
∅𝑇 𝑅𝑠 𝑟 𝑘𝑖 − ∅𝑇 𝐹𝑥 𝑘𝑖
= 𝐾𝑦 𝑟 𝑘𝑖 − 𝐾𝑚𝑝𝑐 𝑥(𝑘𝑖 )
Ky é o primeiro elemento de ∅𝑇 ∅ + 𝑅ത −1 𝑇
∅ 𝑅𝑠
Kmpc é a primeira linha de ∅𝑇 ∅ + 𝑅ത −1 ∅𝑇 𝐹
𝑁𝑐
𝐾𝑀𝑃𝐶 = 1 0 0 0 ∅𝑇 ∅ + 𝑅ത −1
(∅𝑇 𝐹) 𝐾𝑚𝑝𝑐 = 𝐾𝑥 𝐾𝑦
Ou seja:
• a parcela ∅𝑇 ∅ + 𝑅ത −1 ∅𝑇 𝑅 𝑟
𝑠 𝑘𝑖 está relacionada com a busca pelo setpoint.
• A parcela ∅𝑇 ∅ + 𝑅ത −1 ∅𝑇 𝐹𝑥 𝑘𝑖 está relacionada com a realimentação.
Diagrama de bloco do Controlador Preditivo Diagrama de bloco do Controlador PID

Exemplo 1: Dado o modelo do sistema discreto, encontre as matrizes aumentadas
1 1 0.5
𝑥𝑚 𝑘 + 1 = 𝑥𝑚 𝑘 + 𝑢 𝑘
0 1 1
𝑦 𝑘 = 1 0 𝑥𝑚 (𝑘)
Exemplo 2: Dado o modelo do sistema discreto, encontre as matrizes aumentadas
𝑥𝑚 𝑘 + 1 = 𝑎𝑥𝑚 𝑘 + 𝑏𝑢 𝑘 Considere:
Np = 4 e Nc = 2
𝑦 𝑘 = 𝑥𝑚 (𝑘)
Set-point = 1
a) Encontre as matrizes aumentadas do modelo no espaço de estado;
b) Determine as matrizes F e ;
c) Calcule os parâmetros que formam a predição das futuras saídas: ∅𝑇 ∅, ∅𝑇 𝐹 𝑒 ∅𝑇 𝑅ത𝑠 ;
Exemplo 3:
Supondo que uma planta é descrita pela equação de estado:
𝑥𝑚 𝑘 + 1 = 𝑎𝑥𝑚 𝑘 + 𝑏𝑢 𝑘
Sendo a = 0.8 e b = 0.1
Considere:
Np = 3 e Nc = 2
Setpoint𝑟 𝑘𝑖 = 1
𝑇
𝑥 10 = 0.1 0.2
b) Determine as matrizes F e ;
d) Encontre a solução ótima ∆U(10) para 𝑟𝑤 = 0 𝑒 𝑟𝑤 = 10.
∆𝑈 = ∅𝑇 ∅ + 𝑅ത −1 ∅𝑇
𝑅𝑠 − 𝐹𝑥 𝑘𝑖

Exemplo 4:
Supondo que uma planta é descrita pela equação de estado:
𝑥𝑚 𝑘 + 1 = 𝑎𝑥𝑚 𝑘 + 𝑏𝑢 𝑘
Sendo a = 0.8 e b = 0.1
Considere:
Np = 10 e Nc = 4
Setpoint𝑟 𝑘𝑖 = 1
b) Determine as matrizes F e ; 𝑇
𝑥 10 = 0.1 0.2
d) Encontre a solução ótima ∆U(10) para 𝑟𝑤 = 0 𝑒 𝑟𝑤 = 10. ∆𝑈 = ∅𝑇 ∅ + 𝑅ത −1 ∅𝑇 𝑅𝑠 − 𝐹𝑥 𝑘𝑖
e) Obtenha os valores dos ganhos do controlador (𝐾𝑚𝑝𝑐 , 𝐾𝑦 𝑒 𝐾𝑥 ).

Repostas

Projeto de um Controlador Peditivo (MPC) - Cosimulação
Dada a planta (equação abaixo), projete um controlador preditivo, para um setpoint = 10, Nc = 3, Np = 5 e rw = 2.0.
Planta
Configuração inicial do
bloco MPC
• Projeto MPC – Matlab/Simulink;

• Projeto MPC – ModelSim;
• Integração Matlab/Simulink e ModelSim.

MPC – Matlab/Simulink
• measured output signal (mo);
• reference signal (ref);
• measured disturbance signal (md);
• manipulated variables (mv).
• Para utilizar o bloco MPC no Simulink é necessário configurar e

compilar o MPC object no Matlab;
• A planta faz parte da configuração e compilação no MPC object

Configuração do MPC object
•MPCobj = mpc(Plant)
MPCOBJ = mpc (MODELS,TS,P,M, W)
•MPCobj = mpc(Plant,Ts)
•MPCobj = mpc(Plant,Ts,p,m,W,MV,OV,DV) • MODELS: Planta;
MPCOBJ
•MPCobj = mpc(Models,Ts,p,m,W,MV,OV,DV)
• TS: Tempo de Amostragem;
• P : Np
• M: Nc
• W: peso

Projeto MPC – Matlab/Simulink

Importar a planta para o MPC

Configuração do MPC – Matlab/Simulink

Projeto MPC – ModelSim

Configuração da Co-simulação










Modelo Preditivo com Observador de Estado

𝑥ො𝑚 𝑘 + 1 = 𝐴𝑚 𝑥ො𝑚 𝑘 + 𝐵𝑚 𝑢 𝑘 + 𝐾𝑜𝑏 (𝑦 𝑘 − 𝐶𝑚 𝑥ො𝑚 𝑘 )
∆𝑢 𝑘𝑖 = 𝐾𝑦 𝑟 𝑘𝑖 − 𝐾𝑚𝑝𝑐 𝑥ො𝑚 (𝑘𝑖 )
𝑦ො 𝑘 = 𝐶𝑚 𝑥ො𝑚 𝑘 )

𝑥ො𝑚 𝑘 + 1 = 𝐴𝑚 𝑥ො𝑚 𝑘 + 𝐵𝑚 𝑢 𝑘 + 𝐾𝑜𝑏 (𝑦 𝑘 − 𝐶𝑚 𝑥ො𝑚 𝑘 )
MATLAB
VHDL

rw = 7.0

rw = 9.0

TRABALHO 2
O trabalho será avaliado nos seguintes tópicos:

a) Código de verificação em Matlab correspondente ao código VHDL;
b) Projeto em Matlab/Simulink do controlador MPC com as mesmas configurações do projeto em VHDL.
c) Projeto em VHDL/ModelSim do Controlador Preditivo;
d) Projeto de Cosimulação Matlab/Simulink com ModelSim;
e) Resultados das Simulações e Cosimulações;
f) Artigo (template): fundamentação teórica sobre modelo preditivo e a “planta”, desenvolvimento do trabalho,
resultados comparativos entre simulações e cosimulações, conclusão e referência bibliográfica.

1. Com base na planta da Figura abaixo, projete um controlador preditivo que atinja o setpoint. Teste o
comportamento do controlador preditivo com diferentes (pelo menos duas configurações diferentes) Np, Nc e rw.
Sistema de levitação magnética

Diagrama de blocos simplificado do

controle do ângulo de manobra de
um veículo guiado automaticamente

Turbina e gerador

Diagrama de blocos de um sistema de estabilização de

rolamento de um navio.

Sistema de controle de antena.

Vista em corte de uma câmara fotográfica

Nikon 35 mm mostrando partes do sistema
CCD de focalização automática

Inserção de Técnica de Modelo Preditivo em Hardware Reconfiguráveisv3

Enviado por

Dados do documento

Direitos autorais

Formatos disponíveis

Compartilhar este documento

Compartilhar ou incorporar documento

Opções de compartilhamento

Você considera este documento útil?

Este conteúdo é inapropriado?

Direitos autorais:

Formatos disponíveis

Inserção de Técnica de Modelo Preditivo em Hardware Reconfiguráveisv3

Enviado por

Direitos autorais:

Formatos disponíveis

Conteúdo

1. Introdução Matrix Math Package;

27/02/2020 FAENG - ENG Soluções Tecnológicas 1

27/02/2020 FAENG - ENG Soluções Tecnológicas 2

27/02/2020 FAENG - ENG Soluções Tecnológicas 3

* Multiplicação entre matrizes real_matrix * real_matrix returna real_matrix

** Matriz elevada a um inteiro real_matrix ** integer returna real_matrix

27/02/2020 FAENG - ENG Soluções Tecnológicas 4

Observação: Quando rst = 1, carrega os valores das matrizes.

27/02/2020 FAENG - ENG Soluções Tecnológicas 7

quit -sim -- sai da simulação

27/02/2020 FAENG - ENG Soluções Tecnológicas 8

0.5 0.0 1.0

27/02/2020 FAENG - ENG Soluções Tecnológicas 9

1.0 −0.2 2.0

𝑥1 (𝑘 + 1) 0.95 0.0825 𝑥1 (𝑘) 𝑥1 (𝑘)

27/02/2020 FAENG - ENG Soluções Tecnológicas 12

27/02/2020 FAENG - ENG Soluções Tecnológicas 13

27/02/2020 FAENG - ENG Soluções Tecnológicas 14

Np é denominado de horizonte de predição. Este parâmetro apresenta o mesmo tamanho da janela de

27/02/2020 FAENG - ENG Soluções Tecnológicas 15

MPC foi desenvolvido considerando

27/02/2020 FAENG - ENG Soluções Tecnológicas 16

27/02/2020 FAENG - ENG Soluções Tecnológicas 17

Observação: Em muitos casos o vetor de estado 𝑥 𝑘𝑖 não pode medido.

O horizonte de controle é escolhido para ser menor ou igual ao horizonte de predição.

1° Passo: Construir as matrizes aumentada A, B e C.

As variáveis de estados futuras são definidas por:

𝑥 𝑘𝑖 + 𝑁𝑝 = 𝐴𝑁𝑝 𝑥 𝑘𝑖 + 𝐴𝑁𝑝 −1 𝐵∆𝑢 𝑘𝑖 + 𝐴𝑁𝑝 −2 𝐵∆𝑢 𝑘𝑖 + 1 + … + 𝐴𝑁𝑝 −𝑁𝑐 𝐵∆𝑢(𝑘𝑖 + 𝑁𝑐 − 1)

As variáveis de saída preditas são dadas por:

y 𝑘𝑖 + 𝑁𝑝 = 𝐶𝐴𝑁𝑝 𝑥 𝑘𝑖 + 𝐶𝐴𝑁𝑝−1 𝐵∆𝑢 𝑘𝑖 + 𝐶𝐴𝑁𝑝−2 𝐵∆𝑢 𝑘𝑖 + 1 + … + 𝐶𝐴𝑁𝑝−𝑁𝑐 𝐵∆𝑢(𝑘𝑖 + 𝑁𝑐 − 1)

27/02/2020 FAENG - ENG Soluções Tecnológicas 20

27/02/2020 FAENG - ENG Soluções Tecnológicas 21

27/02/2020 FAENG - ENG Soluções Tecnológicas 22

O vetor que contem o setpoint é dado por:

A função custo J reflete o objetivo do controlador.

A solução ótima para o sinal de controle é dada por:

Desde que a matriz Hessian existe.

27/02/2020 FAENG - ENG Soluções Tecnológicas 24

Kmpc é a primeira linha de ∅𝑇 ∅ + 𝑅ത −1 ∅𝑇 𝐹

27/02/2020 FAENG - ENG Soluções Tecnológicas 26

Exemplo 2: Dado o modelo do sistema discreto, encontre as matrizes aumentadas

27/02/2020 FAENG - ENG Soluções Tecnológicas 28

27/02/2020 FAENG - ENG Soluções Tecnológicas 29

27/02/2020 FAENG - ENG Soluções Tecnológicas 30

• Projeto MPC – Matlab/Simulink;

27/02/2020 FAENG - ENG Soluções Tecnológicas 34

• Para utilizar o bloco MPC no Simulink é necessário configurar e

27/02/2020 FAENG - ENG Soluções Tecnológicas 35

27/02/2020 FAENG - ENG Soluções Tecnológicas 36

27/02/2020 FAENG - ENG Soluções Tecnológicas 37

27/02/2020 FAENG - ENG Soluções Tecnológicas 39

27/02/2020 FAENG - ENG Soluções Tecnológicas 40

27/02/2020 FAENG - ENG Soluções Tecnológicas 48

27/02/2020 FAENG - ENG Soluções Tecnológicas 54

27/02/2020 FAENG - ENG Soluções Tecnológicas 55

27/02/2020 FAENG - ENG Soluções Tecnológicas 56

27/02/2020 FAENG - ENG Soluções Tecnológicas 57

27/02/2020 FAENG - ENG Soluções Tecnológicas 58

27/02/2020 FAENG - ENG Soluções Tecnológicas 59

27/02/2020 FAENG - ENG Soluções Tecnológicas 60

27/02/2020 FAENG - ENG Soluções Tecnológicas 61

27/02/2020 FAENG - ENG Soluções Tecnológicas 62

27/02/2020 FAENG - ENG Soluções Tecnológicas 63

Matriz elevada a um inteiro real_matrix integer returna real_matrix