CAMPUS TRINDADE
PROGRAMA DE PÓS-GRADUAÇÃO EM ENGENHARIA DE AUTOMAÇÃO E SISTEMAS
Samuel Bahu Rovea
Controle Preditivo Adaptativo de Cômputo Rápido para Sistemas Dinâmicos
Lineares com Parâmetros Variantes
Florianópolis - SC
2020
Samuel Bahu Rovea
Controle Preditivo Adaptativo de Cômputo Rápido para Sistemas Dinâmicos
Lineares com Parâmetros Variantes
Dissertação submetida ao Programa de Pós-Graduação em Engenharia de Automação e Sistemas da Universi-dade Federal de Santa Catarina para a obtenção do tí-tulo de Mestre em Engenharia de Automação e Siste-mas.
Orientador: Prof. Rodolfo César Costa Flesch, Dr.
Florianópolis - SC
2020
Rovea, Samuel Bahu
Controle preditivo adaptativo de cômputo rápido para sistemas dinâmicos lineares com parâmetros variantes / Samuel Bahu Rovea ; orientador, Rodolfo César Costa Flesch, 2020.
104 p.
Dissertação (mestrado) - Universidade Federal de Santa Catarina, Centro Tecnológico, Programa de Pós-Graduação em Engenharia de Automação e Sistemas, Florianópolis, 2020. Inclui referências.
1. Engenharia de Automação e Sistemas. 2. GPC
Adaptativo. 3. Mínimos Quadrados Recursivo. 4. Programação Quadrática. 5. Microcontrolador. I. Flesch, Rodolfo César Costa. II. Universidade Federal de Santa Catarina.
Programa de Pós-Graduação em Engenharia de Automação e Sistemas. III. Título.
Samuel Bahu Rovea
Controle Preditivo Adaptativo de Cômputo Rápido para Sistemas Dinâmicos
Lineares com Parâmetros Variantes
O presente trabalho em nível de Mestrado foi avaliado e aprovado por banca examinadora
composta pelos seguintes membros:
Prof. Julio Elias Normey Rico, Dr.
Universidade Federal de Santa Catarina
Prof. Marcelo De Lellis Costa de Oliveira, Dr.
Universidade Federal de Santa Catarina
Prof. Roberto Francisco Coelho, Dr.
Universidade Federal de Santa Catarina
CertiĄcamos que esta é a versão original e Ąnal do trabalho de conclusão que foi julgado
adequado para obtenção do título de Mestre em Engenharia de Automação e Sistemas.
Prof. Werner Kraus Junior, Dr.
Coordenador do Programa
Prof. Rodolfo César Costa Flesch, Dr.
Orientador
Florianópolis - SC, 28 de abril de 2020.
Digitally signed by Rodolfo Cesar CostaFlesch:05346687980 Date: 2020.06.02 13:58:17 -03'00'
Documento assinado digitalmente Werner Kraus Junior
Data: 02/06/2020 16:05:18-0300 CPF: 531.085.239-53
AGRADECIMENTOS
Agradeço a Deus pelos dons e talentos que me foram dados. A Ele seja toda a honra e
glória pelo privilégio de servi-lo em minha vida proĄssional.
A toda minha família, em especial aos meus pais, Sadir Rovea e June Bahu Rovea, e
à minha irmã, Vanessa Bahu Rovea, por me amarem incondicionalmente, apoiarem em toda
e qualquer situação, pelo carinho e por todo o incentivo concedido durante a trajetória do
mestrado.
Sou grato pela vida dos meus irmãos em Cristo, em especial da Igreja Presbiteriana
na Trindade (IPT) e Igreja Presbiteriana de Herval D’Oeste (IPHO), que me sustentaram,
fortaleceram a minha fé e caminharam ao meu lado durante o curso de mestrado.
Ao meu orientador, Rodolfo César Costa Flesch, agradeço pelo tempo e dedicação
investidos neste trabalho. Agradeço também pelos ensinamentos, pelo comprometimento e
pela excelência do seu trabalho como professor e na conduta como orientador. Aos avaliadores,
agradeço pelas contribuições a este trabalho.
À Universidade Federal de Santa Catarina (UFSC), ao Programa de Pós-Graduação
em Engenharia de Automação e Sistemas (PPGEAS) e ao Laboratório de Instrumentação e
Automação de Ensaios (LIAE), agradeço pela oportunidade de realizar o curso de mestrado e
por toda a estrutura disponibilizada que favoreceu o término do trabalho com êxito. Agradeço
também à Coordenação de Aperfeiçoamento de Pessoal de Nível Superior (CAPES) pelo
suporte Ąnanceiro.
Por Ąm, aos colegas e amigos, em especial do LIAE, agradeço por contribuírem no
desenvolvimento deste trabalho e permitirem que os objetivos almejados para esta dissertação
fossem alcançados.
RESUMO
Este trabalho propõe uma estrutura de controle preditivo de cômputo rápido com atualização
online
do modelo de acordo com variações paramétricas do processo. O controlador proposto é
baseado no algoritmo de Controle Preditivo Generalizado (GPC, do inglês Generalized Predictive
Control
) e integra o método de identiĄcação de mínimos quadrados recursivo com fator de
esquecimento variável para estimar a cada iteração os parâmetros de um modelo linear usado
para predição de múltiplos instantes à frente. Para um sistema com restrições nas variáveis
de processo, o problema de otimização resultante do GPC é solucionado usando programação
quadrática baseada no Método dos Multiplicadores por Direção Alternada, o qual permite obter
o sinal de controle com baixo esforço computacional. Com o intuito de avaliar o desempenho
da abordagem proposta, são apresentados três estudos de caso experimentais: controle de um
Ąltro RC ativo, controle de velocidade de um motor de corrente contínua e controle da pressão
de descarga de um compressor hermético de refrigeração. Em todos os casos considerados, o
algoritmo proposto é embarcado em um microcontrolador ARM
®com núcleo Cortex-M7. Os
resultados experimentais são comparados com a formulação tradicional do GPC e mostram
que a estrutura de controle preditivo adaptativo rápido proposta é capaz de manter quase
a mesma resposta transitória para todos os pontos de operação considerados no cenário de
controle escolhido, enquanto que o GPC regular apresenta grandes oscilações em condições de
operação distantes daquela para a qual o modelo nominal é obtido. Mesmo que o controlador
precise resolver dois problemas de otimização a cada período de amostragem, ele pode ser
executado pouco mais de 200 vezes por segundo no microcontrolador usado neste estudo.
Palavras-chave: Controle Preditivo Baseado em Modelo. GPC Adaptativo. Mínimos
Quadra-dos Recursivo. Programação Quadrática. Microcontrolador.
This work proposes a fast predictive control structure with online model update according to the
process parametric variations. The proposed controller is based on the Generalized Predictive
Control (GPC) algorithm, and integrates the recursive least squares identiĄcation method with
a variable forgetting factor to estimate at each iteration the parameters of a linear model used
to multi-step ahead prediction. For a system with constraints on the process variables, the
resulting optimization problem of GPC is solved using quadratic programming based on the
Alternate Direction Method of Multipliers, which allows the control signal to be obtained with
small computational effort. In order to assess the performance of the proposed approach three
experimental case studies are presented: control of an active RC Ąlter, speed control of a direct
current motor, and control of the discharge pressure of a hermetic refrigeration compressor.
For all the cases considered in this study, the proposed algorithm is implemented in an ARM
®microcontroller with Cortex-M7 core. Experimental results use as baseline the GPC with Ąxed
model parameters and show that the proposed fast adaptive predictive control structure is able
to keep almost the same transient response for all considered operating points in the chosen
control scenario, while traditional GPC presents high oscillations at operating conditions far
from that for which the nominal model is obtained. Even though the controller needs to solve
two optimization problems at each sampling period, the algorithm can be run more than 200
times in a second in the microcontroller used in this study.
Keywords: Model Predictive Control. Adaptive GPC. Recursive Least Squares. Quadratic
Programming. Microcontroller.
LISTA DE FIGURAS
Figura 1 Ű Diagrama de blocos geral de arquitetura de controle adaptativo. . . 26
Figura 2 Ű Diagrama de blocos geral de uma arquitetura STC. . . 29
Figura 3 Ű Diagrama de blocos de um modelo geral para identiĄcação de um sistema
linear monovariável. . . 32
Figura 4 Ű Diagrama de blocos do modelo ARX. . . 33
Figura 5 Ű Diagrama de blocos do modelo ARMAX. . . 38
Figura 6 Ű Diagrama de blocos da arquitetura proposta de controle adaptativo. . . 49
Figura 7 Ű Esquema geral do sistema de segunda ordem. . . 59
Figura 8 Ű Resultados do controle de um sistema de segunda ordem obtidos sem
arqui-tetura adaptativa com modelo nominal Ąxo (FGPC-MN), sem arquiarqui-tetura
adaptativa que emprega o modelo Ąxo com erro (FGPC-EM), com
arquite-tura adaptativa proposta (FAGPC) e sintonia automática (FAGPC-SA). . . 63
Figura 9 Ű Evolução dos parâmetros do estimador para os controladores FAGPC e
FAGPC-SA. . . 65
Figura 10 Ű Resultados da análise de resíduos do modelo estimado. O gráĄco (a)
apre-senta o histograma dos resíduos, Ý, o gráĄco (b) refere-se à função de
autocorrelação do resíduo, 𝑟
ξ(𝑖), e o gráĄco (c) refere-se à função de
corre-lação cruzada entre o sinal de entrada do sistema e o resíduo 𝑟
uξ(𝑖). . . 67
Figura 11 Ű Resultados obtidos do controle do novo sistema de segunda ordem sem
arqui-tetura adaptativa com modelo nominal Ąxo (FGPC-MN) e com arquiarqui-tetura
adaptativa proposta (FAGPC). . . 69
Figura 12 Ű Evolução dos parâmetros do estimador para o algoritmo FAGPC proposto
aplicado ao novo sistema de segunda ordem. . . 70
Figura 13 Ű Esquema geral do sistema proposto para controle de velocidade de um
motor de corrente contínua. . . 71
Figura 14 Ű Ensaio de resposta ao degrau em malha aberta do sistema proposto para o
estudo de caso experimental. . . 73
Figura 15 Ű Resultados do controle de velocidade do motor CC obtidos sem arquitetura
adaptativa com erro no modelo linearizado (FGPC-EML), com arquitetura
adaptativa proposta iniciando com erro no modelo linearizado
(FAGPC-EML) e com arquitetura adaptativa proposta iniciando com o modelo
linea-rizado (FAGPC-ML). . . 76
Figura 16 Ű Evolução dos parâmetros do estimador para os controladores FAGPC-EML
e FAGPC-ML. . . 78
Figura 17 Ű Evolução dos parâmetros do estimador para os controladores FAGPC-EML
e FAGPC-ML com o emprego do novo motor CC. . . 80
mesmo erro no modelo linearizado para os casos sem arquitetura adaptativa
(FGPC-EML) e com estrutura adaptativa proposta (FAGPC-EML) e
con-siderando a inicialização da abordagem proposta com modelo linearizado
(FAGPC-ML). . . 81
Figura 19 Ű Diagrama de instrumentação da bancada utilizada para ensaios de
compres-sores de refrigeração. . . 82
Figura 20 Ű Característica estática de malha aberta da pressão de descarga do
compres-sor de refrigeração. . . 84
Figura 21 Ű Ensaio de resposta ao degrau em malha aberta do processo na região
escolhida para linearização do modelo. . . 85
Figura 22 Ű Resultados do controle da pressão de descarga do compressor hermético
obtidos sem arquitetura adaptativa com modelo linearizado Ąxo (FGPC) e
com a estratégia proposta (FAGPC). . . 87
Figura 23 Ű Evolução dos parâmetros do estimador para o controlador proposto. . . 89
Figura 24 Ű Resultados do novo controle da pressão de descarga do compressor hermético
obtidos com arquitetura adaptativa proposta sem reinicialização do traço da
matriz de covariância SR), com reinicialização de tr[P ]
(FAGPC-CR) e com reinicialização de tr[P ] e o regulador da pressão de sucção
habilitado (FAGPC-CRRS). . . 91
Figura 25 Ű Evolução dos parâmetros do estimador para os controladores FAGPC-SR,
LISTA DE TABELAS
Tabela 1 Ű Escalares de entrada do algoritmo 2. . . 56
Tabela 2 Ű Valores dos componentes do Ąltro passa-baixa de segunda ordem. . . 60
Tabela 3 Ű Valores de IAE e IASC para comparação de desempenho entre controladores
da Ągura 8. . . 64
Tabela 4 Ű Valores dos componentes do sistema proposto para controle de velocidade
de um motor de corrente contínua. . . 72
Tabela 5 Ű Valores de IAE e TVCS para comparação de desempenho entre controladores
da Ągura 15. . . 77
Tabela 6 Ű Valores de IAE e TVCS para comparação de desempenho entre controladores
da Ągura 18. . . 79
Tabela 7 Ű Valores de IAE e TVCS para comparação de desempenho entre controladores
AD
Analógico-Digital
ADMM
Método de Multiplicadores por Direções Alternadas, do inglês Alternate
Direction Method of Multipliers
ARMA
Autorregressivo com Média Móvel, do inglês AutoRegressive Moving
Ave-rage
ARMAX
Modelo Autorregressivo com Média Móvel e Entradas Exógenas, do inglês
AutoRegressive Moving Average with eXogenous inputs
ARX
Modelo Autorregressivo com Entradas Externas, do inglês AutoRegressive
with eXogenous inputs
CARIMA
Controlador Autorregressivo com Média Móvel Integrada, do inglês
Con-troller AutoRegressive Integrated Moving Average
CC
Corrente Contínua
DA
Digital-Analógico
DMC
Controle por Matriz Dinâmica, do inglês Dynamic Matrix Control
EMQR
Estimador Estendido de Mínimos Quadrados Recursivo
EPSAC
Controle Autoadaptativo de Predição Estendida, do inglês Extended
Pre-diction Self-Adaptive Control
FAGPC
Controle Preditivo Generalizado Adaptativo de Cômputo Rápido, do inglês
Fast Adaptive Generalized Predictive Control
FAGPC-CR
FAGPC-Com Reinicialização do traço da matriz de covariância
FAGPC-CRRS
FAGPC-Com Reinicialização do traço da matriz de covariância e com
Regulador da Sucção habilitado
FAGPC-EML
FAGPC-Erro no Modelo Linearizado
FAGPC-ML
FAGPC-Modelo Linearizado
FAGPC-SA
FAGPC-Sintonia Automática
FAGPC-SR
FAGPC-Sem Reinicialização do traço da matriz de covariância
FGPC
Controle Preditivo Generalizado de Cômputo Rápido, do inglês Fast
Ge-neralized Predictive Control
FGPC-EM
FGPC-Erro no Modelo
FGPC-EML
FGPC-Erro no Modelo Linearizado
FGPC-MN
FGPC-Modelo Nominal
GPC
Controle Preditivo Generalizado, do inglês Generalized Predictive Control
IAE
Integral do Erro Absoluto de Seguimento de Referência, do inglês Integral
of Absolute Error
IASC
Integral do valor Absoluto do Sinal de Controle
MA
Média Móvel, do inglês Moving Average
MAC
Controle Algorítmico Baseado em Modelo, do inglês Model Algorithmic
MPC
Controle Preditivo Baseado em Modelo, do inglês Model Predictive
Con-trol
MPHC
Controle Heurístico Preditivo Baseado em Modelo, do inglês Model
Pre-dictive Heuristic Control
MQ
Mínimos Quadrados
MQR
Mínimos Quadrados Recursivo
MRAS
Sistema Adaptativo por Modelo de Referência, do inglês Model-Reference
Adaptive Systems
NARMAX
Modelo Autorregressivo Não linear com Média Móvel e Entradas
Exóge-nas, do inglês Nonlinear AutoRegressive Moving Average with eXogenous
inputs
NLP
Programação Não Linear, do inglês NonLinear Programming
PID
Proporcional-Integral-Derivativo
PNMPC
Controlador Preditivo Baseado em Modelo Não Linear Prático, do inglês
Practical Nonlinear Model Predictive Control
PRBS
Sinal Binário Pseudo Aleatório, do inglês Pseudo-Random Binary Signal
PWM
Modulador por Largura de Pulso, do inglês Pulse Width Modulation
QP
Programação Quadrática, do inglês Quadratic Programming
RC
Resistor-Capacitor
RISC
Computador com um Conjunto de Instruções Reduzidas, do inglês Reduced
Instruction Set Computer
SISO
Única-Entrada Única-Saída, do inglês Single-Input Single-Output
SRAM
Memória Estática de Acesso Aleatório, do inglês Static Random-Acess
Memory
STC
Controlador Autoajustável, do inglês Self-Tuning Controller
TVCS
Variação Total do Sinal de Controle, do inglês Total Variation of Control
˜
𝐴
Polinômio auxiliar e predição do GPC
𝐵(𝑧)
Zeros de 𝐺(𝑧)
b
Vetor auxiliar da função custo a ser minimizada no problema de otimização
𝐶(𝑧)
Zeros de 𝐻(𝑧)
𝐷(𝑧)𝐴(𝑧)
Polos de 𝐻(𝑧)
dim
Dimensão do vetor
𝐸[
∙]
Esperança matemática
𝐹 (𝑧)𝐴(𝑧)
Polos de 𝐺(𝑧)
f
Vetor de resposta livre
𝐺(𝑠)
Função de transferência do processo no domínio da frequência
𝐺(𝑧)
Função de transferência do processo no domínio 𝒵
G
Matriz dinâmica de resposta ao degrau
𝐺
erro(𝑠)
Função de transferência do processo no domínio da frequência com erro
𝐺
erro(𝑧)
Função de transferência do processo no domínio 𝒵 com erro
𝐻(𝑧)
Função de transferência do ruído para a saída no domínio 𝒵
H
Matriz auxiliar da função custo a ser minimizada no problema de otimização
I
Matriz identidade
𝑖
maxNúmero máximo de iterações do algoritmo 2
𝐽
Função custo do GPC
𝑘
Iteração realizada a cada período de amostragem
𝐾
Ganho em regime permanente da função de transferência do sistema
ˆ
𝐾
ssGanho em regime permanente estimado
K
GP CMatriz de ganho do GPC
𝑘
maxTamanho da janela de amostra de dados
K
M QRMatriz de ganho do estimador
𝐾
ssmaxValor máximo estabelecido para o ganho em regime permanente estimado
𝐾
ssminValor mínimo estabelecido para o ganho em regime permanente estimado
𝐾
sssinalDireção do sinal estabelecida para o ganho em regime permanente estimado
𝑁
Horizonte de predição
𝑛
aGrau do polinômio 𝐴(𝑧)
𝑛
bGrau do polinômio 𝐵(𝑧)
𝑛
dGrau do polinômio 𝐷(𝑧)
𝑛
fGrau do polinômio 𝐹 (𝑧)
𝑛
maxValor máximo do intervalo de iterações das métricas de desempenho
𝑛
minValor mínimo do intervalo de iterações das métricas de desempenho
𝑁
rtNúmero de restrições estabelecidas para o processo
𝑛
tGrau do polinômio 𝑇 (𝑧)
𝑛
vGrau do polinômio 𝐶(𝑧)
𝑛
yNúmero de saídas do sistema
𝑛
θTamanho do vetor de parâmetros estimados
P
Matriz de covariância
̂︀
p
Raízes do polinômio 𝐴(𝑧)
Q
δMatriz de ponderação do erro de seguimento de referência
Q
λMatriz de ponderação da variação do sinal de controle
𝑟
Referência da malha de controle
r
Vetor de referência futura
R
Matriz de restrições do problema de otimização
r
Vetor de restrições do problema de otimização
𝑟
ξFunção de autocorrelação do resíduo do estimador
𝑟
uξFunção de correlação cruzada entre o sinal de entrada do processo e o resíduo do
estimador
𝑅
2CoeĄciente de determinação
𝑠
Variável complexa da Transformada de Laplace
𝑇
Polinômio de Ąltro do GPC
T
Matriz triangular inferior
tr
Traço da matriz
𝑇
sPeríodo de amostragem
𝑢
Entrada do processo
𝑢
maxValor absoluto máximo do sinal de controle
u
maxVetor que contém os valores absolutos máximos do sinal de controle
𝑢
minValor absoluto mínimo do sinal de controle
u
minVetor que contém os valores absolutos mínimos do sinal de controle
𝑣
Ruído branco
𝑉
iTensão de entrada do Ąltro RC ativo de segunda ordem
𝑉
oTensão de saída do Ąltro RC ativo de segunda ordem
𝑦
Saída do processo
̂︀𝑦
Saída do processo estimada
̂︀y
Vetor de predição da saída do processo
𝑦
fSinal de saída do processo Ąltrado
𝑦
modeloSaída do processo predita
𝑦
realSaída do processo medida
¯
𝑦
realMédia do conjunto de dados da saída do processo medida
𝑧
−1Operador de atraso
Ö
Erro de predição uma amostra à frente cometido utilizando o vetor de parâmetros
estimados do instante anterior
Ù
Variável auxiliar de reinicialização da matriz de covariância
Ý
Resíduo do estimador
Ò
Variável auxiliar do estimador
𝜌
Parâmetros de ajuste da adaptabilidade do estimador frente a novas medições
å
Variável auxiliar para o cálculo de Ð
à
Variável auxiliar para o cálculo de Ð
Û
Variável auxiliar para o cálculo de Ð
Ó
Ponderação do erro de seguimento de referência
Ú
Ponderação da variação do sinal de controle
∆
Integrador
∆𝑢
Incremento do sinal de controle
∆u
Vetor de incrementos de controle futuros
∆𝑢
fIncremento de entrada do processo Ąltrado
∆𝑢
maxIncremento de controle máximo
∆𝑢
minIncremento de controle mínimo
∆u
maxVetor que contém os incrementos de controle máximos
∆u
minVetor que contém os incrementos de controle mínimos
𝜖
priCritério de parada do resíduo primal
𝜖
dualCritério de parada do resíduo dual
𝜚
Variável que impacta a convergência do algoritmo 2
æ
nFrequência natural do modelo de segunda ordem
Õ
CoeĄciente de amortecimento do modelo de segunda ordem
Ü
Impulso unitário
á
Constante de tempo do modelo de primeira ordem
Ú
relFator relativo constante
Ú
inicialPonderação inicial da variação do sinal de controle
ϕ
Vetor de regressores
ϕ
∗Vetor estendido de regressores
̂︀
θ
Vetor de parâmetros estimados
̂︀
θ
∗Vetor estendido de parâmetros estimados
SUMÁRIO
1
INTRODUÇÃO . . . .
18
1.1
OBJETIVOS . . . .
23
1.1.1
Objetivo Geral . . . .
23
1.1.2
Objetivos EspecíĄcos . . . .
23
1.2
ESTRUTURA DO DOCUMENTO . . . .
23
2
REVISÃO DA LITERATURA . . . .
25
2.1
CONTROLE ADAPTATIVO . . . .
25
2.2
ESTIMADOR DE MÍNIMOS QUADRADOS RECURSIVO . . . .
31
2.3
ESTIMADOR ESTENDIDO DE MÍNIMOS QUADRADOS RECURSIVO
COM FATOR DE ESQUECIMENTO DIRECIONAL . . . .
37
2.4
CONTROLE PREDITIVO BASEADO EM MODELO . . . .
41
2.5
CONTROLE PREDITIVO GENERALIZADO . . . .
42
2.6
COMENTÁRIOS FINAIS . . . .
45
3
GPC ADAPTATIVO DE CÔMPUTO RÁPIDO . . . .
48
3.1
ARQUITETURA PROPOSTA DE CONTROLE ADAPTATIVO . . . .
48
3.2
IMPLEMENTAÇÃO DO ALGORITMO FAGPC PROPOSTO . . . .
50
3.3
COMENTÁRIOS FINAIS . . . .
56
4
ESTUDOS DE CASO . . . .
58
4.1
CONTROLE DE SISTEMA DE SEGUNDA ORDEM COM PARÂMETROS
VARIANTES . . . .
59
4.2
CONTROLE DE VELOCIDADE DE UM MOTOR DE CORRENTE
CON-TÍNUA . . . .
71
4.3
CONTROLE DA PRESSÃO DE DESCARGA DE UM COMPRESSOR
HER-MÉTICO . . . .
79
4.4
COMENTÁRIOS FINAIS . . . .
94
5
CONSIDERAÇÕES FINAIS . . . .
96
5.1
CONCLUSÕES . . . .
96
5.2
SUGESTÕES PARA TRABALHOS FUTUROS . . . .
98
REFERÊNCIAS . . . .
101
APÊNDICE A Ű MÉTRICAS DE DESEMPENHO PARA
CON-TROLADORES . . . .
104
1 INTRODUÇÃO
Apresentado no Ąnal da década de 1970, o controle preditivo baseado em modelo (MPC,
do inglês Model Predictive Control) é um paradigma de controle avançado bem estabelecido
e aceito na indústria. De modo geral, o MPC utiliza um modelo explícito do processo para
formular um problema de otimização que consiste em encontrar uma sequência de
incremen-tos de controle futuros que minimize uma função custo. Tipicamente, busca-se minimizar a
combinação linear entre um critério que considera o erro de seguimento de referência e outro
que considera a variação do sinal de controle. Além de compensar o atraso de transporte e
fornecer um desempenho ótimo da resposta transitória, o MPC também é capaz de tratar
res-trições nas variáveis de processo e sua formulação pode ser estendida para o caso multivariável
(CAMACHO; BORDONS, 1999; NORMEY-RICO; CAMACHO, 2007; XI; LI, 2019).
As representações com modelos de predição lineares são as abordagens tradicionais
mais aplicadas no âmbito industrial, principalmente devido à facilidade de projeto e sintonia do
controlador apenas com estruturas de modelos baseados em funções de transferência de ordem
reduzida. Os algoritmos de MPC inicialmente desenvolvidos, tais como o controle heurístico
preditivo baseado em modelo (MPHC, do inglês Model Predictive Heuristic Control) e o controle
por matriz dinâmica (DMC, do inglês Dynamic Matrix Control), utilizam os coeĄcientes da
resposta ao impulso ou ao degrau do processo como um modelo não paramétrico, o qual é fácil
de obter a partir dos dados de operação da planta. Alternativamente, motivado principalmente
por aumentar a robustez do sistema de controle frente às incertezas paramétricas do modelo,
outros tipos de algoritmos de MPC foram introduzidos na década de 1980. Dentre eles,
proposto por Clarke, Mohtadi e Tuffs (1987), está o controle preditivo generalizado (GPC, do
inglês Generalized Predictive Control), o qual atraiu particularmente muitas atenções e obteve
amplas aplicações bem sucedidas tanto na academia como na indústria. Devido à sua teoria
mais rigorosa baseada na análise e projeto, as grandes vantagens da formulação do GPC contra
as limitações dos algoritmos que empregam modelos não paramétricos se deve, principalmente,
ao fato de que o GPC pode ser aplicado no controle de processos com características como fase
não mínima, instabilidade em malha aberta e variações ou incertezas no atraso de transporte
(CAMACHO; BORDONS, 1999; NORMEY-RICO; CAMACHO, 2007; XI; LI, 2019).
Embora exista uma grande variedade de algoritmos de MPC apresentados em diferentes
formas, seus princípios metodológicos têm características em comum, ou seja, um modelo é
utilizado para predizer o comportamento dinâmico do sistema e construir um problema de
otimização que deve ser solucionado a cada período de amostragem com desempenho exigido
e sujeito a restrições. Em seguida, apenas a primeira ação de controle calculada é aplicada
na entrada do processo (devido ao horizonte deslizante) e novas informações são coletadas
para realizar uma nova predição do comportamento da planta para o horizonte deslizante.
Logo, são apresentados nos parágrafos seguintes os dois principais fatores que têm promovido
e inĆuenciado pesquisas relevantes na área de controle preditivo, especialmente relacionadas
Capítulo 1. Introdução 19
com o desempenho em malha fechada do controlador e eĄciência computacional, sendo eles:
(i) identiĄcação do modelo de predição; e (ii) otimização do sinal de controle (CAMACHO;
BORDONS, 1999; NORMEY-RICO; CAMACHO, 2007; XI; LI, 2019).
Como pré-requisito do controle otimizado, a principal função do modelo é prever as
futuras variações estáticas e dinâmicas dos estados ou saídas, de acordo com as informações
históricas e as futuras entradas do sistema. Dessa forma, um efetivo procedimento de
identiĄ-cação do modelo do processo é fundamental para manter um índice de desempenho adequado
do sistema de controle em malha fechada e garantir que as restrições dadas sejam satisfeitas no
problema de otimização. Uma das abordagens comumente utilizadas para o projeto e sintonia
do controlador consiste em identiĄcar um modelo linear a partir de um ensaio experimental de
resposta ao degrau em uma região de operação bem estabelecida, calcular offline os parâmetros
de sintonia a partir do modelo identiĄcado e mantê-los Ąxos durante a operação em malha
fechada do controlador. No entanto, apesar dessa metodologia tradicional simpliĄcar a sua
implementação, diversos fatores contribuem para que grande parte dos controladores operem
mal sintonizados (ASTROM; WITTENMARK, 1995; IKONEN; NAJIM, 2002; SPOONER et
al., 2002; VANDOREN, 2003; BOBÁL et al., 2005; YU, 2006; AGUIRRE, 2015; XI; LI, 2019).
Um desses fatores está diretamente associado com a etapa de modelagem e
identiĄ-cação, pois em muitos casos os coeĄcientes Ąxos são mal ajustados devido à baixa qualidade
do modelo empregado ocasionada pela negligência da etapa de validação do modelo. Outro
fator que favorece para que os controladores com parâmetros Ąxos sejam mal sintonizados é o
funcionamento em um ponto de operação distante daquele no qual foi uma vez projetado e
sintonizado. Isso ocorre porque muitos processos apresentam expressiva não linearidade devido
à sua natureza, e quando o controlador é submetido a amplas faixas de operação, a resposta do
sistema em malha fechada é degradada por causa de erros de modelagem. Como resultado, são
obtidos elevados sobressinais, oscilações periódicas e respostas lentas. Além disso, os processos
variantes no tempo também contribuem para a redução de desempenho do controlador, uma
vez que os processos estão suscetíveis a desgastes mecânicos, manutenções, mudança nas
características do ambiente no qual estão inseridos, entre outros fatores (ASTROM;
WITTEN-MARK, 1995; IKONEN; NAJIM, 2002; SPOONER et al., 2002; VANDOREN, 2003; BOBÁL
et al., 2005; YU, 2006; AGUIRRE, 2015).
Algumas alternativas podem ser destacadas para melhoria do desempenho do
controla-dor com parâmetros Ąxos frente aos erros de modelagem. Uma delas é periodicamente obter
um novo modelo de predição e ressintonizar o controlador cada vez que o desempenho se
degradar. Contudo, além de ser uma tarefa tediosa e ineĄciente, este tipo de abordagem
implica aumento nos custos de operação do sistema. Outra alternativa é realizar uma sintonia
mais conservadora considerando todos os pontos de operação desaĄadores do processo. Porém,
se por um lado a possibilidade de maiores sobressinais e oscilações na resposta transitória é
reduzida, por outro uma sintonia conservadora Ąxa poderia elevar os tempos de acomodação
da variável de saída, especialmente nas regiões em que o controlador tem bom desempenho
devido a baixos erros de modelagem. Logo, uma solução encontrada na literatura para resolver
parte dos problemas citados e que traz um aumento signiĄcativo no desempenho de
controla-dores com parâmetros Ąxos devido, principalmente, a variações paramétricas do processo, é o
controle adaptativo (ASTROM; WITTENMARK, 1995; IKONEN; NAJIM, 2002; SPOONER
et al., 2002; VANDOREN, 2003; BOBÁL et al., 2005; YU, 2006; AGUIRRE, 2015).
Apresentada no início da década de 1980, o controle adaptativo é uma técnica que
consiste no desenvolvimento de algoritmos de controle com parâmetros ajustáveis em tempo
real
1, a qual emprega um mecanismo para ajuste desses parâmetros. Estudos presentes na
literatura apontam para uma arquitetura que é capaz de não só estimar os parâmetros do
processo, mas também atualizar os coeĄcientes de sintonia do controlador de forma online,
cujo objetivo principal é fornecer uma melhor resposta transitória do sistema de controle
frente a variações paramétricas, denominado controlador autoajustável (STC, do inglês
Self-Tuning Controller
). O uso dessa técnica autoajustável se mostrou bastante efetivo em diversas
aplicações industriais, resultando em melhoria na eĄciência em malha fechada para processos
variantes no tempo. Com uma arquitetura de adaptação em tempo real bastante versátil, além
de rastrear variações nos parâmetros durante a operação do processo, é possível também
realizar a sintonia automática do controlador, reduzindo os tempos operacionais e extraindo
o máximo de informações contidas nos dados de entrada e de saída do sistema (ASTROM;
WITTENMARK, 1995; IKONEN; NAJIM, 2002; SPOONER et al., 2002; VANDOREN, 2003;
BOBÁL et al., 2005; YU, 2006).
Na literatura são encontrados alguns trabalhos que exploram a utilização dos
me-canismos de controladores autoajustáveis em algoritmos de MPC linear. Zhu e Xia (2016)
apresentam uma abordagem que combina o MPC restrito com uma lei de controle
adapta-tiva para estimação dos parâmetros do modelo de predição sujeito a incertezas paramétricas.
Em continuidade, Saraf e Bemporad (2017) contribuíram para a identiĄcação recursiva de
um modelo de tempo discreto utilizado para predição de múltiplos instantes a frente em um
MPC multivariável. Os estudos mostram que o método é atrativo para os casos em que os
coeĄcientes do modelo linear variam no tempo ou quando o modelo é obtido a partir de uma
linearização na região não linear do processo. Utilizando esse mesmo conceito, recentemente
Koo et al. (2019) investigaram o uso de arquiteturas adaptativas no controle de variáveis de
estado do plasma, como, por exemplo, a densidade de elétrons. O sistema baseado em plasma
tem características sensíveis e variantes no tempo que devem ser consideradas na resolução
do problema de controle. Os estudos evidenciam que a combinação de um estimador recursivo
dos parâmetros do modelo baseado no algoritmo de mínimos quadrados recursivo (MQR) com
o MPC linear alcançou um desempenho superior de 21% em relação ao MPC convencional no
controle da densidade de elétrons. Embora esses trabalhos combinem métodos de identiĄcação
1 A denominação tempo real não está sendo usada neste trabalho com o sentido usual de ciência da computação, mas como sinônimo de algo que pode ser feito online, ou seja, todo o processamento recursivo de estimação ocorre suĄcientemente rápido ao ponto do resultado Ąnal estar disponível para inĆuenciar o processo em apenas um instante de amostragem (AGUIRRE, 2015).Capítulo 1. Introdução 21
recursiva integrados ao MPC linear, eles consideram a formulação em espaço de estados, a
qual não é tão comumente aplicada na indústria de processos quanto formulações baseadas
em modelos entrada-saída.
Diversos trabalhos investigaram a combinação de representações comumente utilizadas
na indústria, GPC e DMC, com abordagens adaptativas. Os trabalhos de Ho, Mjalli e Yeoh
(2012) e Ho, Yeoh e Mjalli (2014) propuseram uma metodologia baseada no MQR com fator
de esquecimento variável para capturar a dinâmica do processo online para Ąns de adaptação
de modelos lineares discretos de primeira e segunda ordem, respectivamente. O algoritmo MQR
que tradicionalmente é usado na estrutura do GPC apenas com a Ąnalidade de adaptação do
modelo, foi estendido para atender também ao autoajuste do controlador. A proposta considera
o recálculo automático e em tempo de execução da ponderação do esforço de controle na
função custo do GPC que originalmente é ajustado offline. Os resultados de simulações em
um processo com não linearidades inerentes mostram que o controlador revelou superioridade
no desempenho do sistema de controle em malha fechada em comparação às abordagens
regulares do GPC e de um PID. Entretanto, apesar dos resultados promissores, o estudo de
caso foi considerado apenas em simulações e para o caso irrestrito. Xiuying et al. (2016)
também exploraram os recursos de estimação e atualização do modelo de predição no GPC,
mas em uma arquitetura conĄgurada em cascata. Devido à grande desvantagem do controle
em cascata de ter que sintonizar o primeiro e o segundo controlador de forma conjunta, foi
investigado introduzir o MQR para atualizar simultaneamente os parâmeros de ambas as malhas
de controle, apresentando resultados eĄcazes e satisfatórios para o cenário de controle proposto.
Mais recentemente, Chikasha e Dube (2017) exploraram o uso do MPC adaptativo no controle
de atitude de um veículo aéreo não tripulado. O trabalho também propôs a utilização do MQR
como estrutura de identiĄcação online do sistema, porém, empregando o algoritmo DMC. O
estudo de caso experimental mostrou que o DMC adaptativo é capaz de melhorar o desempenho
para seguimento de referência e rejeição de perturbações com a estimação de um modelo mais
preciso durante as trocas do ponto de operação do sistema. Contudo, apesar dos estudos
favoráveis para a área de controle preditivo adaptativo, em geral os trabalhos apresentam
algoritmos computacionalmente eĄcientes apenas em relação à estrutura de adaptação online
do modelo de predição. Na maioria dos casos, eles são limitados nas aplicações em sistemas
embarcados que exijam não só eĄciência computacional na identiĄcação online dos parâmetros
do modelo, mas também no cômputo online do problema de otimização do MPC para o caso
que considera restrições na formulação.
A linha de pesquisa direcionada especiĄcamente à eĄciência computacional do problema
de otimização do MPC linear restrito vem ganhando destaque nos últimos anos. Isso é justiĄcado
porque as abordagens de MPC não linear acarretam a solução online de um problema de
programação não linear (NLP, do inglês NonLinear Programming), que não é convexo e
requer algoritmos complexos para a sua resolução. Além do mais, demandam um alto custo
computacional no tempo de convergência do algoritmo e não garantem otimalidade global.
Logo, pesquisadores e engenheiros têm proposto métodos alternativos para evitar a necessidade
de resolução de um NLP por meio de versões de controladores não lineares que, em parte
da formulação, utilizam versões linearizadas do modelo de predição não linear, fazendo com
que o problema de otimização resultante seja de programação quadrática (QP, do inglês
Quadratic Programming
). Outro fator que está impulsionando pesquisas recentes para tornar
eĄciente o problema de otimização do MPC linear restrito está relacionado com a crescente
evolução da tecnologia, a qual tem permitido cada vez mais processar a mesma ou, até
mesmo, maiores quantidades de informações em um hardware com tamanho reduzido e de
baixo custo. Embora a maioria das aplicações de MPC esteja limitada à indústria de processos,
caracterizada por dinâmicas lentas, ele está sendo cada vez mais utilizado em diferentes
domínios do conhecimento, caracterizados por dinâmicas rápidas (CAMACHO; BORDONS,
1999; XI; LI, 2019).
O trabalho de Peccin et al. (2018) explorou reduzir o custo computacional da resolução
de um QP por meio de um solver baseado no método de multiplicadores por direções alternadas
(ADMM, do inglês Alternate Direction Method of Multipliers) para formulações GPC e DMC.
É mostrado que o otimizador ADMM realiza o cômputo rápido e eĄciente das ações de
controle futuras e permite estabelecer critérios de parada e número máximo de iterações,
reduzindo o tempo de execução do algoritmo. Os resultados evidenciam que o ADMM pode
ser implementado usando hardware de alta velocidade e pode ser aplicado em uma grande
variedade de sistemas dinâmicos rápidos. Entretanto, apesar dos resultados promissores do
tempo de execução desta técnica de otimização, o método considera apenas sistemas com
modelo Ąxo. Em continuidade, recentemente Bang e Lee (2019) também contribuíram para
resolver online o problema do MPC linear em sistemas embarcados de desempenho limitado.
No trabalho é proposto um método de implementação do MPC que pode ser executado em um
microcontrolador, melhorando a eĄciência no cálculo da programação quadrática por meio da
resolução de um problema equivalente ao de mínimos quadrados não negativo. Os resultados
do estudo de caso de Bang e Lee (2019), o qual foi um sistema bola e plataforma construído
em laboratório e muito comum na academia devido ao seu problema de controle desaĄador,
indicam que houve um aprimoramento no desempenho do sistema de controle em malha
fechada no quesito seguimento de referência em comparação com abordagens convencionais
que não empregam o controle otimizado. Embora o método proposto permita implementar o
MPC em um microcontrolador e calcular online a ação de controle sob restrições, ele considera
a formulação em espaço de estados.
Diante do exposto, neste trabalho é proposta uma arquitetura de controle preditivo
generalizado adaptativo de cômputo rápido (FAGPC, do inglês Fast Adaptive Generalized
Predictive Control
) para aplicação em sistemas com parâmetros variantes, dinâmica rápida e
sujeitos a restrições. A topologia proposta consiste em, a cada período de amostragem, estimar
e atualizar online os coeĄcientes do modelo dinâmico de predição do GPC por meio dos dados
de entrada e saída medidos do processo operando em malha fechada. Fez-se uso do estimador
Capítulo 1. Introdução 23
MQR com fator de esquecimento variável por ser computacionalmente eĄciente e apresentar
região de convergência ótima dos coeĄcientes estimados, uma vez que a sua formulação
considera a minimização de uma função custo deĄnida como o somatório do quadrado dos
erros entre as medições e as predições de um passo a frente. O cômputo rápido do problema
de otimização para encontrar a sequência ótima de ações de controle futuras é solucionado
pelo algoritmo ADMM, o qual foi implementado em um microcontrolador. Adicionalmente,
três estudos de caso experimentais são apresentados para validar os principais aspectos da
arquitetura FAGPC.
Este trabalho visa contribuir para a literatura principalmente por apresentar a união de
uma técnica de controle preditivo com a adaptação do modelo de predição, o que traz
me-lhorias signiĄcativas no desempenho em malha fechada, especialmente em processos variantes
no tempo. Além disso, a proposta também traz como contribuição um algoritmo
computa-cionalmente eĄciente e que pode ser implementado em um microcontrolador com hardware
reduzido.
1.1 OBJETIVOS
1.1.1
Objetivo Geral
Desenvolver arquitetura de MPC linear com adaptação online do modelo utilizando
dados de malha aberta e malha fechada para o controle de sistemas lineares com parâmetros
variantes, dinâmica rápida e sujeitos a restrições.
1.1.2
Objetivos EspecíĄcos
1. Implementar o algoritmo GPC com modelo Ąxo para o caso irrestrito de controle de
sistemas lineares.
2. Integrar o algoritmo GPC com o otimizador ADMM para o cômputo rápido do problema
de otimização.
3. Implementar um algoritmo para estimação recursiva e adaptação online dos coeĄcientes
de modelos lineares.
4. Integrar a arquitetura de identiĄcação recursiva online com o algoritmo GPC de cômputo
rápido.
5. Comparar o desempenho do controlador proposto por meio de estudos de caso
experi-mentais.
1.2 ESTRUTURA DO DOCUMENTO
No capítulo 2 é apresentada uma revisão da literatura acerca dos principais conceitos
relacionados ao controle adaptativo. Ainda nesse capítulo são mostradas técnicas lineares para
identiĄcação online e estratégias de controle preditivo. Em seguida, no capítulo 3 é apresentada
uma arquitetura de controle adaptativo baseada no estimador de mínimos quadrados recursivo
com fator de esquecimento direcional e controle preditivo baseado em modelo. É apresentado
também um algoritmo de controle sintetizando a implementação da proposta em um sistema
embarcado e as implicações práticas da inicialização de cada variável no algoritmo. Ainda,
no capítulo 4 são mostrados três estudos de caso experimentais, em que é relatada em cada
um deles a comparação de desempenho do controle em malha fechada entre a abordagem
adaptativa proposta e sua implementação tradicional. Por Ąm, no capítulo 5 são apresentadas
as considerações Ąnais de todo o trabalho realizado e sugestões de atividades concomitantes
com o presente tema como propostas de pesquisas futuras.
25
2 REVISÃO DA LITERATURA
Este capítulo está dividido em três principais seções, que têm como propósito
fundamen-tar os temas relacionados a este trabalho. Na seção 2.1 são apresentados os conceitos gerais de
controle adaptativo. Na seção 2.2 são apresentados os fundamentos do estimador de mínimos
quadrados recursivo. Na seção 2.3 é mostrado o estimador estendido de mínimos quadrados
recursivo com fator de esquecimento direcional utilizado neste trabalho para estimação online
dos parâmetros do modelo do sistema usado para predição. Na seção 2.4 são expostos os
aspectos gerais do controle preditivo baseado em modelo. Ainda, na seção 2.5 é apresentado o
controle preditivo generalizado e, por Ąm, a seção 2.6 aborda os comentários Ąnais a respeito
do presente capítulo.
2.1 CONTROLE ADAPTATIVO
Uma abordagem comum para o controle de processos é obter um modelo linear do
sistema, projetar e sintonizar um controlador para manter um desempenho mínimo em malha
fechada, e implementá-lo com os parâmetros Ąxos obtidos na etapa de projeto e sintonia.
Controladores tradicionais com parâmetros Ąxos são suĄcientes e adequados para aplicações
em sistemas lineares ou em regiões especíĄcas de operação de um sistema não linear. À medida
que um processo com signiĄcativa não linearidade passa a operar em pontos distantes do qual
o modelo linear foi obtido ou ocorram variações paramétricas no sistema, o desempenho desse
tipo de controlador é afetado, em que, geralmente, resulta em maiores tempos de acomodação
e sobressinal para a variável de processo (ASTROM; WITTENMARK, 1995; BOBÁL et al.,
2005; YU, 2006).
Uma forma de contornar o desempenho degradado do controlador com parâmetros
Ąxos é realizar continuamente uma nova sintonia manualmente cada vez que o comportamento
do sistema em malha fechada se degradar. Essa abordagem é válida, pois um padrão de
desempenho poderia ser mantido em regiões distantes de operação de um processo não linear
ou sempre que as características dinâmicas e estáticas variarem no tempo. Entretanto, esse
método não é eĄcaz, principalmente quando o comportamento do processo muda com muita
frequência. Desta forma, repetidas interrupções no processo para ressintonizar o controlador
implicam aumento nos custos de operação, elevados tempos de máquinas paradas e se tornam
uma tarefa tediosa entre modelar, projetar e implementar um sistema de controle convencional
(VANDOREN, 2003; BOBÁL et al., 2005; YU, 2006).
Uma alternativa ao controlador com parâmetros Ąxos é a arquitetura de controle
adaptativo. Esta, por sua vez, possibilita rastrear continuamente variações paramétricas no
processo ao longo do tempo, as quais são provenientes, por exemplo, de desgastes mecânicos,
manutenções, mudanças no ambiente, entre outros. Este tipo de estrutura também permite
manter uma adequada qualidade de controle em malha fechada e contribui para o aumento
de desempenho do controlador em regiões de operação com comportamento dinâmico não
linear que ocasionem variações nos coeĄcientes do modelo da planta (SPOONER et al., 2002;
BOBÁL et al., 2005).
Astrom e Wittenmark (1995) deĄnem controle adaptativo não só como um
controla-dor com parâmetros ajustáveis, mas também aquele que emprega em sua estrutura algum
mecanismo para o ajuste desses parâmetros. Segundo Spooner et al. (2002), um controlador
adaptativo reduz os efeitos das variações dos parâmetros da planta por meio do ajuste (ou
adaptação) online do modelo. Já Bobál et al. (2005, p. 8) enfatizam que:
Os sistemas de controle adaptativos adaptam os parâmetros ou a estrutura de uma parte do sistema (o controlador) às mudanças nos parâmetros ou estrutura de outra parte do sistema (o sistema controlado) de forma que o sistema inteiro mantenha um comportamento ótimo de acordo com critérios fornecidos, independentemente de quaisquer mudanças que possam ter ocorrido.
Na Ągura 1 é apresentado um diagrama de blocos geral de um sistema adaptativo. A
arquitetura é composta por duas principais rotinas: rotina de ajuste de parâmetros e rotina de
controle.
Figura 1 Ű Diagrama de blocos geral de arquitetura de controle adaptativo.
Mecanismo
de Adaptação
Planta
Ajuste de
Parâmetros
Perturbações
Entrada
Saída
Não Mensuráveis MensuráveisControlador
Parâmetros de
Sintonia
Referência
Rotina de Ajuste de Parâmetros
Rotina de Controle
Fonte Ű Adaptado de Astrom e Wittenmark (1995) e Bobál et al. (2005).
A lei de controle é implementada especiĄcamente na rotina de controle (normalmente
mais rápida). Na rotina de ajuste de parâmetros (normalmente mais lenta), a entrada e a
saída da planta, bem como as perturbações mensuráveis, são utilizadas para estimação de uma
estrutura de modelo por meio de um mecanismo de adaptação. Em seguida, mediante um
modelo do processo, são realizados ajustes nos parâmetros de sintonia do controlador, com o
intuito de manter constante um critério de desempenho ou uma qualidade mínima de controle
em malha fechada (ASTROM; WITTENMARK, 1995; BOBÁL et al., 2005).
Capítulo 2. Revisão da Literatura 27
Em controle de processos, são encontrados com maior frequência problemas de regulação
da variável de saída. Na arquitetura da Ągura 1, as perturbações mensuráveis são consideradas
estacionárias e de baixa frequência. Logo, se uma perturbação em degrau afetar a saída
em regime permanente e não for mensurável, os parâmetros identiĄcados do modelo não
convergirão para os valores reais do processo, uma vez que a parcela de perturbação será
considerada como uma parte do sistema pelo mecanismo de adaptação. Em outras palavras,
caso uma perturbação em degrau não mensurável com signiĄcativa amplitude seja adicionada à
saída com o processo operando em regime permanente, ocorrerá uma variação rápida e abrupta
nos coeĄcientes estimados, normalmente em sentido aos limites da estabilidade do modelo,
causando oscilações ou, até mesmo, instabilidade no controlador em malha fechada. Dessa
forma, para evitar que os coeĄcientes estimados assumam valores distantes dos parâmetros
corretos do sistema, o distúrbio deve ser levado em conta na estrutura do modelo a ser
identiĄcado, ou seja, a inclusão do modelo da perturbação resulta em melhor precisão na
identiĄcação de apenas mudanças paramétricas relacionadas ao processo. Portanto, a solução
para tratar especiĄcamente do problema de divergência dos parâmetros estimados quando uma
perturbação estacionária em degrau não mensurável afetar a saída do sistema operando em
regime permanente está além do escopo deste trabalho.
Várias abordagens tratam sobre essa situação em controle adaptativo. Uma das
alter-nativas é estimar a perturbação e compensá-la com uma estrutura antecipativa (BOBÁL et
al., 2005). Astrom e Wittenmark (1995) apresentam diversas propostas como solução, sendo
uma delas a modiĄcação do procedimento de estimação e de controle por meio do princípio
do modelo interno. Algumas alternativas também podem ser encontradas nos trabalhos de
Söderström e Stoica (1989) e Mikles e Fikar (2007), em que é sugerido, por exemplo, desabilitar
o estimador quando o sistema entrar em regime permanente, uma vez que não há mais ricas
informações nos dados de entrada e saída medidos para atualização do modelo. Neste trabalho,
são consideradas apenas variações lentas nos parâmetros do modelo, ou seja, decorrentes de
não linearidades no comportamento dinâmico do processo, desgastes mecânicos ocorridos ao
longo do tempo, entre outros fatores.
As condições para as perturbações não mensuráveis da Ągura 1 são que o ruído seja
de alta frequência e aleatório, ou seja, não correlacionado, com distribuição gaussiana e média
zero. Entretanto, quando utilizados mecanismos de adaptação para estimação e atualização do
modelo, se a condição mencionada não for satisfeita, pode ocorrer polarização nos estimadores,
ou seja, um desvio entre o valor esperado da variável estimada e da variável determinística
(ou valor teórico), mesmo que esta não seja conhecida. Por isso, a Ąm de evitar a polarização,
estimativas da variável estocástica de alta frequência podem ser empregadas como uma solução
para reduzir os efeitos da polarização (BOBÁL et al., 2005; AGUIRRE, 2015).
A estrutura geral de controle adaptativo mostrada na Ągura 1 permite ajustar
adequa-damente os parâmetros de sintonia do controlador sem alterar a lei de controle, diante de
condições e dinâmicas pouco conhecidas ou, até mesmo, desconhecidas. Um mecanismo de
adaptação, aliado com uma efetiva escolha da estrutura de modelo que represente bem o
com-portamento das principais características da planta, possibilita ajustar a sintonia do controlador
de forma apropriada, reduzindo assim os efeitos no desempenho de controle por causa das
modiĄcações paramétricas do processo (VANDOREN, 2003; FILATOV; UNBEHAUEN, 2004;
BOBÁL et al., 2005).
A literatura apresenta diversas arquiteturas de controle adaptativo para aplicações
espe-cíĄcas. Em sua maioria, são estruturas com o objetivo de aprimorar o desempenho de controle
e proporcionar um comportamento transitório suave (mesmo sujeito a incertezas na planta).
As três principais abordagens de estruturas para controle adaptativo são: heurística, controle
adaptativo por modelo de referência e controlador autoajustável (ASTROM; WITTENMARK,
1995; FILATOV; UNBEHAUEN, 2004; BOBÁL et al., 2005).
Controladores adaptativos baseados em abordagem heurística fornecem adaptabilidade
avaliando a saída do processo (ou erro da malha de realimentação), como também critérios de
qualidade selecionados para o processo de controle. Normalmente é empregado um controlador
digital PID e selecionado um nível de oscilação na saída do processo como critério. Esses
métodos não requerem identiĄcação do sistema controlado. Uma das aplicações bem sucedidas
dessa abordagem foi proposta por Maršík e Strejc (1989), em que a estratégia envolve deĄnir
o ganho do controlador PID e selecionar uma determinada faixa de oscilação como critério
diretamente mensurável. Outro caso de controlador adaptativo heurístico que tem sido aplicado
em processos práticos foi projetado por Åström e Hägglund (1984), no qual um relé de não
linearidade é inserido em paralelo ao controlador PID e, durante a fase de ajuste, o relé faz com
que a malha de controle oscile em uma frequência crítica. Desta forma, um padrão de onda
senoidal é obtido no erro entre o sinal de referência e a saída do sistema e novos parâmetros de
sintonia do controlador são obtidos por meio de uma análise de expansão por séries de Fourier.
Alguns autores como Nishikawa et al. (1984) também sugeriram ajustar controladores PID
medindo a saída de um processo em malha aberta ou fechada. Neste método, os parâmetros
do controlador PID são otimizados por meio de um critério integral linear ou quadrático para
garantir uma qualidade mínima do processo de controle. Embora a abordagem heurística
satisfaça algumas das aplicações práticas, ela frequentemente é aplicada com sucesso em casos
mais simples de problemas de controle (BOBÁL et al., 2005).
O controle adaptativo por modelo de referência (MRAS, do inglês Model-Reference
Adaptive Systems
) foi originalmente proposto para solucionar um problema no qual
especiĄ-cações de desempenho em malha fechada são dadas em termos de um modelo de referência.
Desse modo, o modelo de referência fornece a resposta que, idealmente, o processo deveria
apresentar para uma variação no sinal de entrada da planta. Essa abordagem é baseada no
ajuste dos parâmetros do controlador a Ąm de tornar o erro (diferença entre a saída real do
sistema e a saída do modelo de referência) o mínimo possível. Em outras palavras, o MRAS
propõe uma convergência das características estáticas e dinâmicas do sistema ajustável para
as características do modelo de referência. O propósito inicial do MRAS foi tornar possível o
Capítulo 2. Revisão da Literatura 29
controle de voo, em que um modelo de referência é empregado a Ąm de descrever a reposta
desejada do avião para diferentes comandos no manche. Embora essa arquitetura apresente
boas perspectivas quando usada tanto para controle como para identiĄcação de parâmetros
do modelo de um processo, ela é limitada pelo fato de ser adequada apenas ao controle
determinístico (ASTROM; WITTENMARK, 1995; BOBÁL et al., 2005).
A arquitetura de controle adaptativo autoajustável (STC) é caracterizada por estimar
online
os parâmetros da planta e atualizar os coeĄcientes de sintonia do controlador por meio
da formulação de um problema de projeto que leva em conta especiĄcações de desempenho
em malha fechada. Na Ągura 2 é mostrado o esquema geral de uma arquitetura STC. Nesta
estrutura, um estimador é empregado a Ąm de obter recursivamente (em tempo de execução)
os coeĄcientes de um modelo que descreve o comportamento dinâmico da planta. Em seguida,
os parâmetros de sintonia do controlador são atualizados a cada período de amostragem a
partir da solução de um problema de projeto usando os parâmetros estimados da planta e
especiĄcações desejadas em malha fechada para manter uma qualidade Ąnal do sistema de
controle (ASTROM; WITTENMARK, 1995; BOBÁL et al., 2005).
Figura 2 Ű Diagrama de blocos geral de uma arquitetura STC.
Estimação
Planta
Projeto do
Controlador
Perturbações
Entrada
Saída
Não Mensuráveis MensuráveisControlador
Referência
Parâmetros da
Planta
Especificações
Controlador AutoajustávelFonte Ű Adaptado de Astrom e Wittenmark (1995) e Bobál et al. (2005).