Te Seita

Tese apresentada Pr-Reitoria de Ps-Graduao e Pesquisa do Instituto
Tecnolgico de Aeronutica, como parte dos requisitos para obteno

do ttulo de Mestre em Cincias no Curso de Engenharia Eletrnica e
Computao, rea de Sistemas e Controle
Adilson de Souza Cndido
DESENVOLVIMENTO DE ESTRATGIAS DE
CONTROLE PREDITIVO PARA APLICAES
AERONUTICAS EMPREGANDO OTIMIZAO
MULTI-OBJETIVO
Tese aprovada em sua verso nal pelos abaixo assinados:
Prof. Dr. Roberto Kawakami Harrop Galvo
Orientador
Prof. Dr. Takashi Yoneyama
Co-orientador
Prof. Dr. Celso Massaki Hirata
Pr-Reitor de Ps-Graduao e Pesquisa
Campo Montenegro
So Jos dos Campos, SP - Brasil
2010
Dados Internacionais de Catalogao-na-Publicao (CIP)
Diviso de Informao e Documentao
Cndido, Adilson de Souza
Desenvolvimento de Estratgias de Controle Preditivo para Aplicaes Aeronuticas Empregando
Otimizao Multi-Objetivo / Adilson de Souza Cndido.
So Jos dos Campos, 2010.
222f.
Tese de Mestrado Curso de Engenharia Eletrnica e Computao. rea de Sistemas e Controle
Instituto Tecnolgico de Aeronutica, 2010. Orientador: Prof. Dr. Roberto Kawakami Harrop
Galvo. Co-orientador: Prof. Dr. Takashi Yoneyama.
1. Controle Preditivo. 2. Controle de Aeronaves. 3. Otimizao Multi-Objetivo. I. Comando-
Geral de Tecnologia Aeroespacial. Instituto Tecnolgico de Aeronutica. Diviso de Engenharia
Eletrnica e Computao. II. Desenvolvimento de Estratgias de Controle Preditivo para Aplica-
es Aeronuticas Empregando Otimizao Multi-Objetivo.
REFERNCIA BIBLIOGRFICA
CNDIDO, Adilson de Souza. Desenvolvimento de Estratgias de Controle Pre-
ditivo para Aplicaes Aeronuticas Empregando Otimizao Multi-Objetivo.
2010. 222f. Tese de Mestrado Instituto Tecnolgico de Aeronutica, So Jos dos Cam-
pos.
CESSO DE DIREITOS
NOME DO AUTOR: Adilson de Souza Cndido
TITULO DO TRABALHO: Desenvolvimento de Estratgias de Controle Preditivo para
Aplicaes Aeronuticas Empregando Otimizao Multi-Objetivo.
TIPO DO TRABALHO/ANO: Tese / 2010
concedida ao Instituto Tecnolgico de Aeronutica permisso para reproduzir cpias
desta tese e para emprestar ou vender cpias somente para propsitos acadmicos e
cientcos. O autor reserva outros direitos de publicao e nenhuma parte desta tese
pode ser reproduzida sem a autorizao do autor.
Rua Deolinda de Carvalho Bim, 390
CEP 14056-040 Ribeiro PretoSP
DESENVOLVIMENTO DE ESTRATGIAS DE
CONTROLE PREDITIVO PARA APLICAES
AERONUTICAS EMPREGANDO OTIMIZAO
MULTI-OBJETIVO
Composio da Banca Examinadora:
Prof. Dr. Karl Heinz Kienitz Presidente - ITA
Prof. Dr. Roberto Kawakami Harrop Galvo Orientador - ITA
Prof. Dr. Takashi Yoneyama Co-orientador - ITA
Prof. Dr. Paulo Augusto Valente Ferreira Membro Externo - UNICAMP
Prof. Dr. Pedro Paglione Membro - ITA
ITA
Dedico esta tese s pessoas
mais importantes de minha
vida.
Agradecimentos
Primeiramente a Deus por esta oportunidade de vida e conhecimento.
minha me Maria, meu pai Antnio, minha namorada Geisa,
meus irmos Ailton e Anderson e minha sobrinha Analice,
pelo incentivo e apoio em todos os momentos de minha vida.
Aos orientadores Prof. Dr. Roberto Kawakami Harrop Galvo
e Prof. Dr. Takashi Yoneyama por todo conhecimento e
experincia transmitidos.
Ao Instituto Tecnolgico de Aeronutica - ITA pela
oportunidade de estudo e pela utilizao de suas instalaes.
todo o corpo docente do ITA e aos amigos formados
durante a realizao deste trabalho, que caro
marcados por toda a minha vida.
Ao corpo docente da Universidade Estadual Paulista - UNESP
que me concederam os primeiros conhecimentos e incentivos.
Por m, agradeo a Fundao de Amparo Pesquisa do Estado
de So Paulo - FAPESP (Processo: 2007/57665-3) por todo
o apoio nanceiro, fundamental para a elaborao deste trabalho.
Voar preciso, mesmo que com
os ps presos no cho.
Resumo
O desenvolvimento do sistema de controle de vo est diretamente relacionado ao
desempenho, segurana e qualidade de vo da aeronave. H a necessidade da concepo
de abordagens de controle que assegurem, de uma maneira ecaz, que estes requisitos
sejam satisfeitos mesmo na presena de distrbios, rudos de medida e imprecises na
modelagem. Neste contexto, o presente trabalho prope o uso de tcnicas de otimizao
multi-objetivo para a sintonizao de controladores empregando formulaes preditivas
baseadas em modelo. Adicionalmente, proposta uma abordagem grca de anlise do de-
sempenho dessas tcnicas de otimizao e controle por meio da fronteira tima de Pareto.
Para o estudo de caso foi utilizado um modelo longitudinal de uma aeronave semelhante
ao Airbus A-310 e vericou-se o desempenho de trs abordagens de controle preditivo
(formulaes em espao de estados no-incremental, incremental e no-incremental com
erro acumulado) segundo os critrios de velocidade de resposta e sensibilidades ao rudo
de medida e turbulncia atmosfrica. O problema de otimizao multi-objetivo foi re-
solvido por meio de duas tcnicas (busca em grade e goal attainment), e as solues foram
comparadas atravs da anlise grca baseada em fronteiras de Pareto. Os resultados
obtidos indicam a superioridade do desempenho da formulao de controle preditivo em
espao de estados no-incremental com erro acumulado e do algoritmo de otimizao goal
attainment. Por m, foi analisada a ecincia do controlador preditivo sujeito a restries
sobre as taxas de variaes e excurses das variveis de controle.
Abstract
The design of ight control systems is directly related to the performance, safety and
ight quality of the aircraft. Controllers should be developed to address those objectives,
in a eective manner, so that adequate performance is achieved even in the presence of
disturbances, measurement noise and model imperfections. In this context, the present
work proposes the use of multi-objective optimization approaches for optimal tuning of
predictive controllers for ight control system. For the case study the longitudinal model of
an aircraft similar to the Airbus A-310 was employed to analyze the performance of three
predictive controller formulations (non-incremental state-space, incremental state-space
and non-incremental state-space with accumulated error) with respect to response time,
and sensitivity to measurement noise and to atmospheric turbulence. These objectives were
analyzed by two multi-objective optimization approaches (grid search and goal attainment),
and the solutions were compared using graphical techniques based on the Pareto solutions.
The results showed that the non-incremental state-space formulation with accumulated
error provided the best performance. Moreover, as expected goal attainment was found to
be numerically superior than the grid search method. In addition, the performance of the
predictive controllers subjected to amplitude and rate saturation constraints in the actuator
was analyzed.
Sumrio
Lista de Figuras . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . xiii
Lista de Tabelas . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . xvii
Lista de Cdigos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . xix
Lista de Abreviaturas e Siglas . . . . . . . . . . . . . . . . . . . . xxi
Lista de Smbolos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . xxii
1 Introduo . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 23
1.1 Organizao do trabalho . . . . . . . . . . . . . . . . . . . . . . . . . . . 26
2 Controle Preditivo baseado em Modelo . . . . . . . . . . . 28
2.1 Denies bsicas . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 29
2.2 MPC em espao de estados no-incremental . . . . . . . . . . . . . . . 31
2.2.1 Modelo da planta . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 32
2.2.2 Equao de predio . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 32
2.2.3 Funo de custo . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 36
2.3 MPC em espao de estados incremental . . . . . . . . . . . . . . . . . . 38
2.3.1 Modelo da planta . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 39
2.3.2 Equao de predio . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 40
2.3.3 Funo de custo . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 44
SUMRIO x
2.4 MPC em espao de estados no-incremental com erro acumulado . 45
2.4.1 Modelo da planta . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 45
2.4.2 Equao de predio . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 46
2.4.3 Funo de custo . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 46
2.5 Soluo na ausncia de restries . . . . . . . . . . . . . . . . . . . . . . 49
2.5.1 Controle timo para a formulao MPC em espao de estados no-incremental
e incremental . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 49
2.5.2 Controle timo para a formulao MPC em espao de estados no-incremental
com erro acumulado . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 51
2.6 Estabilidade e desempenho em malha fechada na ausncia de res-
tries ativas . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 54
2.6.1 Formulao MPC em espao de estados no-incremental . . . . . . . . . . . 56
2.6.2 Formulao MPC em espao de estados incremental . . . . . . . . . . . . . 58
2.6.3 Formulao MPC em espao de estados no-incremental com erro acumulado 60
2.7 Restries . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 61
2.7.1 Restries em termos do incremento do sinal de controle . . . . . . . . . . 63
2.7.2 Restries em termos do sinal de controle . . . . . . . . . . . . . . . . . . . 66
3 Otimizao Multi-Objetivo . . . . . . . . . . . . . . . . . . . . . 69
3.1 Solues no-dominadas e fronteira de Pareto . . . . . . . . . . . . . 71
3.2 Busca em grade . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 73
3.3 Goal attainment . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 75
4 Modelo Dinmico da Aeronave . . . . . . . . . . . . . . . . . . 81
4.1 Modelo longitudinal para atmosfera no-estacionria . . . . . . . . . 84
4.2 Foras e momentos aerodinmicos . . . . . . . . . . . . . . . . . . . . . 85
SUMRIO xi
4.3 Modelo propulsivo . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 87
4.4 Modelo de atmosfera . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 87
4.5 Linearizao do modelo . . . . . . . . . . . . . . . . . . . . . . . . . . . . 89
4.6 Turbulncia atmosfrica . . . . . . . . . . . . . . . . . . . . . . . . . . . . 92
4.7 Resposta dinmica para perturbaes e rudos aleatrios . . . . . . . 96
4.7.1 Propagao da turbulncia do modelo Dryden . . . . . . . . . . . . . . . . 97
4.7.2 Propagao do rudo de medida . . . . . . . . . . . . . . . . . . . . . . . . 102
5 Especificao de Condies de Vo . . . . . . . . . . . . . . 107
6 Resultados . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 112
6.1 Comparao entre as estimativas e o clculo da varincia do sinal
de sada simulado . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 114
6.1.1 Formulao MPC em espao de estados no-incremental . . . . . . . . . . . 114
6.1.2 Formulao MPC em espao de estados incremental . . . . . . . . . . . . . 116
6.1.3 Formulao MPC em espao de estados no-incremental com erro acumulado117
6.2 Comparao do desempenho das formulaes de controle preditivo 118
6.2.1 Anlise do desempenho das formulaes de controle com base na sada de
velocidade . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 119
6.2.2 Anlise do desempenho das formulaes de controle com base na sada de
altitude . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 120
6.3 Anlise comparativa dos mtodos de otimizao goal attainment e
busca em grade . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 128
6.4 Incluso das restries de atuao no controlador . . . . . . . . . . . 130
7 Concluses . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 135
SUMRIO xii
7.1 Contribuies . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 137
7.2 Sugestes para trabalhos futuros . . . . . . . . . . . . . . . . . . . . . . 137
Referncias Bibliogrficas . . . . . . . . . . . . . . . . . . . . . . . 139
Apndice A Ambiente de Simulao . . . . . . . . . . . . . . . 145
A.1 Formulaes de controle preditivo . . . . . . . . . . . . . . . . . . . . . 146
A.1.1 MPC em espao de estados no-incremental . . . . . . . . . . . . . . . . . 146
A.1.2 MPC em espao de estados incremental . . . . . . . . . . . . . . . . . . . . 149
A.1.3 MPC em espao de estados no-incremental com erro acumulado . . . . . . 152
A.2 Modelo longitudinal da aeronave . . . . . . . . . . . . . . . . . . . . . . 155
A.3 Testes de estabilidade e estimativas das covarincias dos sinais de
sada para as formulaes de controle preditivo . . . . . . . . . . . . . 161
A.4 Mtodo de otimizao por meio da busca em grade . . . . . . . . . . 169
A.5 Mtodo de otimizao goal attainment . . . . . . . . . . . . . . . . . . 175
A.6 Anlise grca dos resultados . . . . . . . . . . . . . . . . . . . . . . . . 185
Anexo A Equaes do Movimento da Aeronave . . . . . . 205
A.1 Sistemas de coordenadas . . . . . . . . . . . . . . . . . . . . . . . . . . . 205
A.2 Transformao de sistemas de coordenadas . . . . . . . . . . . . . . . . 207
A.2.1 Transformao de grandezas lineares . . . . . . . . . . . . . . . . . . . . . 207
A.2.2 Transformao de grandezas angulares . . . . . . . . . . . . . . . . . . . . 209
A.3 Equao do movimento da aeronave . . . . . . . . . . . . . . . . . . . . 211
A.3.1 Movimento translacional . . . . . . . . . . . . . . . . . . . . . . . . . . . . 212
A.3.2 Movimento rotacional . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 214
A.3.3 Equaes do movimento longitudinal . . . . . . . . . . . . . . . . . . . . . 216
Lista de Figuras
FIGURA 2.1 Horizontes de controle e predio do controlador preditivo. . . . . . 29
FIGURA 2.2 Controlador preditivo em tempo discreto empregando realimentao
de estado. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 30
FIGURA 2.3 Estrutura do controlador para a formulao em espao de estados
no-incremental sem restries. . . . . . . . . . . . . . . . . . . . . . 52
incremental sem restries. . . . . . . . . . . . . . . . . . . . . . . . 52
no-incremental com erro acumulado sem restries. . . . . . . . . . 54
FIGURA 3.1 Relao de dominncia entre as solues em relao a soluo f
_
(7)
para dois objetivos. . . . . . . . . . . . . . . . . . . . . . . . . . . . 72

FIGURA 3.2 Fronteira de Pareto e exemplos de solues dominadas e no-dominadas
para m = 2 objetivos. . . . . . . . . . . . . . . . . . . . . . . . . . . 73
FIGURA 3.3 Fronteira de Pareto para m = 2 objetivos e = [
1
,
2
]. . . . . . . . 75
FIGURA 3.4 Mtodo goal-attainment para o caso de dois objetivos. . . . . . . . . 76
FIGURA 3.5 Fluxograma do mtodo de interpolao das funes-objetivo. . . . . 78
FIGURA 4.1 Superfcies bsicas de uma aeronave. . . . . . . . . . . . . . . . . . . 81
FIGURA 4.2 Movimento de Rolamento. . . . . . . . . . . . . . . . . . . . . . . . 82
FIGURA 4.3 Movimento de Guinada. . . . . . . . . . . . . . . . . . . . . . . . . . 82
FIGURA 4.4 Movimento de Arfagem. . . . . . . . . . . . . . . . . . . . . . . . . . 82
FIGURA 4.5 Movimentos de rolamento, arfagem e guinada da aeronave. . . . . . 83
LISTA DE FIGURAS xiv
FIGURA 4.6 Vetores do vento w, velocidade total v
I
e velocidade relativa v
a
. . . 84
FIGURA 4.7 Filtro de transformao de um rudo branco para um rudo colorido. 94
FIGURA 4.8 Sistema de controle preditivo discreto por realimentao de estado
corrompido por um rudo de medida. . . . . . . . . . . . . . . . . . 102
FIGURA 5.1 Aeronave Airbus A-310 . . . . . . . . . . . . . . . . . . . . . . . . . 107
FIGURA 6.1 Fronteiras de Pareto para as formulaes de MPC em relao a sada
de velocidade. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 119
FIGURA 6.2 Resposta simulada do sistema na presena de (a) rudos de medidas
e (b) perturbaes causadas por rajadas de vento. . . . . . . . . . . 120
FIGURA 6.3 Estimativas das fronteiras de Pareto para as formulaes de contro-
ladores preditivos em relao a sada de altitude. . . . . . . . . . . . 121
FIGURA 6.4 Simulaes das respostas dos controladores segundo os critrios de
(a) sensibilidade a perturbaes causadas por turbulncias (b) sen-
sibilidade a rudo de medida e (c) velocidade de resposta. . . . . . . 122
FIGURA 6.5 Fronteiras de Pareto para as formulaes MPC em espao de estados
(a) no-incremental, (b) incremental e (c) no-incremental com erro
acumulado. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 123
FIGURA 6.6 Formulaes MPC no-incremental (Verde), incremental (Azul) e
no-incremental com erro acumulado (Vermelho), e projees da
fronteira tima de Pareto. . . . . . . . . . . . . . . . . . . . . . . . 124
FIGURA 6.7 Sistema de coordenadas esfricas. . . . . . . . . . . . . . . . . . . . 125
FIGURA 6.8 Fronteira de Pareto normalizada (a) das formulaes MPC no-
incremental (Verde), incremental (Azul) e no-incremental com erro
acumulado (Vermelho), e curvas de nveis da fronteira de Pareto
do MPC (b) no-incremental, (c) incremental e (d) no-incremental
com erro acumulado. . . . . . . . . . . . . . . . . . . . . . . . . . . 126
LISTA DE FIGURAS xv
FIGURA 6.9 Curvas de nveis representadas com base na distncia da soluo
no-dominada e nos valores das funes-objetivos e parmetros. . . 127
FIGURA 6.10 Fronteiras de Pareto da sada relacionada a velocidade para a formu-
lao MPC em espao de estados no-incremental com parmetros
denidos pelo mtodo de busca em grade e pelo mtodo goal attain-
ment. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 129
FIGURA 6.11 Comparao do desempenho do controlador MPC no-incremental
com erro acumulado, em relao ao sinal de sada de altitude, com
parmetros ajustados por meio do mtodo de busca goal attainment
(a) e em grade (b). . . . . . . . . . . . . . . . . . . . . . . . . . . . 130
FIGURA 6.12 Simulaes de regulao do sinal de sada referente velocidade da
aeronave sujeita a turbulncias atmosfricas (a) quando as restries
so incorporadas na formulao MPC - sinal de controle do profun-
dor (b) e da manete (c), e quando as restries so impostas atravs
de saturadores na malha de controle - sinal de controle do profundor
(d) e da manete (e) antes do saturador. . . . . . . . . . . . . . . . . 132
aeronave cujo sensores esto corrompidos com rudos (a) quando as
restries so incorporadas na formulao MPC - sinal de controle do
profundor (b) e da manete (c), e quando as restries so impostas
atravs de saturadores na malha de controle - sinal de controle do
profundor (d) e da manete (e) antes do saturador . . . . . . . . . . 133
FIGURA 6.14 Comparao do desempenho do controlador MPC no-incremental
com restries em relao sada de velocidade. . . . . . . . . . . . 134
FIGURA A.1 Modelo em Simulink do sistema controlado pela formulao MPC
em espao de estados no-incremental. . . . . . . . . . . . . . . . . 147
FIGURA A.2 Mscara correspondente ao controlador MPC em espao de estados
no-incremental. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 147
LISTA DE FIGURAS xvi
em espao de estados incremental. . . . . . . . . . . . . . . . . . . . 150
incremental. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 150
em espao de estados no-incremental com erro acumulado. . . . . . 153
no-incremental com erro acumulado. . . . . . . . . . . . . . . . . . 153
FIGURA A.1 Sistemas de coordenadas terrestre. . . . . . . . . . . . . . . . . . . . 206
FIGURA A.2 Sistemas de coordenadas da aeronave. . . . . . . . . . . . . . . . . . 206
FIGURA A.3 Transformao de grandezas lineares entre sistemas de coordenadas. 208
FIGURA A.4 Transformao de grandezas angulares entre sistemas de coordenadas.210
FIGURA A.5 ngulo de trajetria e foras que atuam sobre a aeronave. . . . . . . 219
Lista de Tabelas
TABELA 3.1 Grade de parmetros para = [
1
,
2
] . . . . . . . . . . . . . . . . . 74
TABELA 4.1 Constantes fsicas da atmosfera ISA . . . . . . . . . . . . . . . . . . 88
TABELA 5.1 Parmetros geomtricos e propriedades de massa . . . . . . . . . . . 108
TABELA 5.2 Derivadas de estabilidade e controle . . . . . . . . . . . . . . . . . . 108
TABELA 5.3 Modelo propulsivo . . . . . . . . . . . . . . . . . . . . . . . . . . . . 108
TABELA 5.4 Localizao dos motores . . . . . . . . . . . . . . . . . . . . . . . . 108
TABELA 5.5 Rudo branco das variveis medidas . . . . . . . . . . . . . . . . . . 109
TABELA 5.6 Parmetros do distrbio atmosfrico . . . . . . . . . . . . . . . . . . 110
TABELA 6.1 Parmetros do controlador . . . . . . . . . . . . . . . . . . . . . . . 115
TABELA 6.2 Estimativas, simulaes e erros percentuais relativos . . . . . . . . . 115
TABELA 6.3 Estimativas, simulaes e erros percentuais relativos . . . . . . . . . 116
TABELA 6.4 Tempo total gasto e valores mdios do erro percentual relativo para
um conjunto de 60 ajustes distintos da formulao MPC em espao
de estados no-incremental . . . . . . . . . . . . . . . . . . . . . . . 116
de estados incremental . . . . . . . . . . . . . . . . . . . . . . . . . 117
de estados no-incremental com erro acumulado . . . . . . . . . . . 117
TABELA 6.7 Parmetros da busca em grade . . . . . . . . . . . . . . . . . . . . . 118
LISTA DE TABELAS xviii
TABELA 6.8 Valores das funes-objetivo para as trs formulaes de controla-
dores preditivos em espao de estados . . . . . . . . . . . . . . . . . 123
TABELA 6.9 Tempo total gasto e nmero de pontos analisados no processo de
sintonia do controlador MPC em espao de estados no-incremental,
considerando as restries nos atuadores . . . . . . . . . . . . . . . 134
TABELA A.1 Equaes diferenciais do movimento da aeronave . . . . . . . . . . . 216
Lista de Cdigos
A.1 Construo das matrizes relacionadas formulao MPC em espao de
estados no-incremental . . . . . . . . . . . . . . . . . . . . . . . . . . . . 147
A.2 Controlador MPC em espao de estados no-incremental . . . . . . . . . . 148
estados incremental . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 149
A.4 Controlador MPC em espao de estados incremental . . . . . . . . . . . . . 151
estados no-incremental com erro acumulado . . . . . . . . . . . . . . . . . 152
A.6 Controlador MPC em espao de estados no-incremental com erro acumulado154
A.7 Determinao do modelo longitudinal da aeronave em espao de estados . . 155
A.8 Busca numrica da condio de equilbrio . . . . . . . . . . . . . . . . . . . 157
A.9 Modelo dinmico dos estados do sistema dada uma condio para as vari-
veis de entrada . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 158
A.10 Modelo da dinmica longitudinal no-linear da aeronave em s-function . . . 159
A.11 Modelo atmosfrico . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 160
A.12 Algoritmo de testes de estabilidade e estimaes das covarincias dos sinais
de sada para as formulaes de controle MPC . . . . . . . . . . . . . . . . 161
A.13 Mtodo de otimizao busca em grade utilizando as estimativas das cova-
rincias dos sinais de sadas obtidos pela resoluo da equao de Lyapunov 169
A.14 Mtodo de otimizao goal attainment para a formulao MPC em espao
de estados no-incremental utilizando as estimativas das covarincias dos
sinais de sada . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 176
CDIGO xx
A.15 Estimativas dos valores das funes-objetivo e procedimento de interpola-
o para a formulao MPC em espao de estados no-incremental . . . . . 178
A.16 Grcos das fronteiras de Pareto . . . . . . . . . . . . . . . . . . . . . . . 186
A.17 Grcos das fronteiras de Pareto representadas no sistema de coordenadas
esfricas . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 190
A.18 Grcos das curvas de nveis das fronteiras de Pareto . . . . . . . . . . . . 197
Lista de Abreviaturas e Siglas
FCS Flight Control System (sistema de controle de vo)
MPC Model-based Predictive Control (controle preditivo baseado em modelo)
MPHC Model Predictive Heuristic Control (controle preditivo baseado em modelo
heurstico)
DMC Dynamic Matrix Control (controle por matriz dinmica)
GPC Generalized Predictive Control (controle preditivo generalizado)
PFC Predictive Functional Control (controle preditivo funcional)
EHAC Extended Horizon Adaptive Control (controle adaptativo de horizonte
estendido)
FOPDT First Order Plus Dead-Time (primeira ordem mais tempo morto)
RSM Response Surface Methodology (metodologia de superfcie de resposta)
QP Quadratic Programming (programao quadrtica)
SQP Sequential Quadratic Programming (programao quadrtica sequncial)
CG Centro de Gravidade
ICAO International Civil Aviation Organization (organizao da aviao civil
internacional)
ISA International Standard Atmosphere (atmosfera padro internacional)
Lista de Smbolos
N, M Horizontes de predio e controle
y(k+i[k), u(k+i[k) Predies da sada e da entrada no instante k +i, condicionadas s
informaes disponveis at o instante atual k
W
y
, W
u
, W
z
Matrizes de ponderaes de sada, entrada e erro acumulado
u(k +i[k) Incremento do sinal predito u
0
pq
Matriz com todos os elementos nulos de dimenso p q
I
p
Matriz identidade de dimenso p p
T
p
M
Matriz bloco-triangular inferior com M M blocos, tendo blocos
no-nulos iguais a I
p
_
M
Matriz formada pelo empilhamento vertical de M blocos
(i)
j
i-simo valor do parmetro de projeto j
f
k
() Funo-objetivo k
(), () Aproximaes de () para o valor inteiro anterior e posterior
(a b), (a b) Produto vetorial e produto escalar entre as grandezas a e b
(o
I
x
I
y
I
z
I
) Sistema de coordenadas inercial centralizado no centro da Terra
(CGx
B
y
B
z
B
) Sistema de coordenadas do corpo da aeronave
, , , , ngulos de ataque, derrapagem, guinada, arfagem e inclinao lateral
H
B
I
Matriz de rotao do sistema de coordenadas inercial para o sistema
de coordenadas do corpo da aeronave
1 Introduo
Desde as primeiras aeronaves, datadas do incio do sculo XX (BARROS, 2006), at
os dias atuais, h uma crescente demanda e necessidade por maior segurana, reduo
de custo e melhorias na qualidade de vo (BUSNARDO, 2006; BONF et al., 2006). Es-
tes requisitos exigem aprimoramentos nas tcnicas de modelagem e controle de aeronaves
(MOTODA; STENGEL; MIYAZAWA, 2002; CURVO, 2001). No entanto, esta tarefa di-
cultada pela complexidade do sistema, que envolve uma dinmica rpida e no-linear,
mltiplas variveis manipuladas, distrbios atmosfricos, rudos de medidas e restries
nos atuadores (CURVO, 2001). Essas restries limitam o envelope de vo da aeronave
(MACIEJOWSKI, 2002) e interferem na qualidade do vo.
Particularmente, o efeito dos distrbios atmosfricos sobre a aeronave tem se tor-
nado um importante parmetro de projeto, tanto do ponto de vista estrutural quanto de
desempenho (ABDULWAHAB; HONGQUAN, 2008). A rejeio desses distrbios requer o uso
de sistemas de controle de vo (Flight Control System FCS) em malha fechada. Para
isso, a aeronave deve ser convenientemente instrumentada com sensores que forneam os
sinais de realimentao a serem empregados por este controlador. Contudo, o uso de
realimentao traz a necessidade de se considerar a propagao de rudo de medida, bem
como a possibilidade de falhas nos sensores.
Recentemente, as abordagem de controle preditivo baseadas em modelo (Model-based
Predictive Control MPC) tm atrado ateno no mbito aeronutico (KEVICZKY;
BALAS, 2006; ALMEIDA, 2008; ALMEIDA; LEISSLING, 2009). Este fato deve-se, princi-
CAPTULO 1. Introduo 24
palmente, ao aumento da capacidade de processamento embarcado, aos estudos para a
garantia da estabilidade e concepo de algoritmos de otimizao ecientes para uso
em tempo real (CARNEIRO; GALVO, 2009; MILAM et al., 2005; JADBABAIE; YU; HAUSER,
2001).
O termo MPC abrange um conjunto de tcnicas de controle que procuram otimizar
a resposta futura da planta, com base nas previses de um modelo, ao longo de um
horizonte mvel. A primeira abordagem de MPC foi o Model Predictive Heuristic Control
(MPHC) desenvolvida no nal da dcada de 70 (RICHALET et al., 1978). Dois anos depois
foi proposto o Dynamic Matrix Control (DMC) (CUTLER; RAMAKER, 1980), seguido por
diversas outras formulaes, tais como Generalized Predictive Control (GPC), Predictive
Functional Control (PFC) e Extended Horizon Adaptive Control (EHAC) (CAMACHO;
BORDONS, 1999).
A grande vantagem do MPC a possibilidade de considerar, explicitamente, as
restries de diversas grandezas tais como entradas, sadas e estados, durante a fase
de projeto (MACIEJOWSKI, 2002). Alm desta, pode-se destacar o carter intrnseco
de recongurao e adaptao, e a capacidade de controle de plantas com atrasos de
transporte, fase no-mnima e vrias entradas e sadas (CNDIDO; GALVO; YONEYAMA,
2009a). Estas caractersticas fazem do MPC uma abordagem de controle com grande
potencial para aplicaes em reas onde o desempenho e o atendimento a restries so
crticos (KEVICZKY; BALAS, 2006). Alm do setor aeronutico (RICHARDS; HOW, 2003;
MILAM et al., 2005), pode-se destacar aplicaes desta tecnologia no transporte ferrovirio
de alta velocidade (YANG; TANG, 2005), rolamentos magnticos (SCHRODER et al., 2001)
e sistemas biomdicos (KOSAKA et al., 2007; CHETOUANI; DELINCHANT; REYNE, 2007).
J em 1997, Qin e Badgwell (QIN; BADGWELL, 1997) destacaram mais de 2200 aplicaes
do MPC.
Por outro lado, uma possvel desvantagem do MPC a existncia de diversos pa-
rmetros de projeto a serem ajustados bem como a diculdade de comparao do de-
sempenho das diversas formulaes existentes de controle preditivo (CNDIDO; GALVO;
YONEYAMA, 2009b).
Uma tcnica de ajuste simples, porm pouco eciente, consiste na sintonia manual
por tentativa e erro. Este processo pode ser lento e laborioso, alm de no prover garantias
com relao a caractersticas importantes como estabilidade e robustez. Para contornar
essa diculdade, Lee e Yu (LEE; YU, 1994) propuseram regras de ajuste baseadas na an-
lise no domnio da frequncia do comportamento em malha fechada dos controladores
MPC. Posteriormente, Shridhar e Cooper (SHRIDHAR; COOPER, 1997; SHRIDHAR; COO-
PER, 1998) apresentaram uma frmula analtica para a sintonia destes controladores. No
entanto, estas abordagens so limitadas para MPC sem restries e para sistemas estveis
que possam ser representados por uma dinmica de primeira ordem com atraso (First
Order Plus Dead-Time FOPDT). No entanto, modelos FOPDT podem no representar
perfeitamente dinmicas de alta ordem e/ou processos instveis (ALI, 2003). Como al-
ternativa, Jiang e Jutan (JIANG; JUTAN, 2000), empregaram uma abordagem estatstica
(Response Surface Methodology RSM) para o ajuste destes parmetros, mas de difcil
aplicao na prtica.
O presente trabalho aborda o uso de tcnicas de otimizao multi-objetivo como
uma ferramenta para a sintonia e comparao de controladores preditivos, tendo em vista
a concepo de sistemas de elevada conabilidade e desempenho sujeito a restries.
Os resultados obtidos foram aplicados para a concepo do sistema de controle de
vo de uma aeronave semelhante ao Airbus A-310 com o objetivo de minimizao do tempo
de resposta e sensibilidades ao rudo de medida e perturbao atmosfrica. Para isso foi
proposta uma metodologia para estimar o efeito deste rudo e perturbao, e comparou-se
duas tcnicas de otimizao multi-objetivo (busca em grade e goal attainment) para trs
formulaes de controle preditivo (em espao de estados no-incremental, incremental e
no-incremental com erro acumulado). Adicionalmente, foi analisada a ecincia deste
controlador ao considerar as restries nos atuadores do sistema.
Este trabalho d continuidade a investigaes anteriores de Jacqueline Bittencourt
Veloso (VELOSO, 2005) e Elias Jorge Roque Pinheiro (PINHEIRO, 2009). No primeiro
caso investiga-se o desempenho do MPC para o controle longitudinal de uma aeronave,
considerando restries nos estados, sem levar em conta perturbaes, rudos e a sintonia
deste controlador. J o segundo caso investiga a sintonia do MPC, por meio do m-
todo de busca em grade, aplicado ao controle de ventiladores mecnicos para assistncia
respiratria, sem considerar restries nos atuadores, estados e sadas deste sistema.
1.1 Organizao do trabalho
Os demais captulos deste trabalho esto organizados da seguinte maneira:
Captulo 2: Aborda alguns conceitos do controlador preditivo baseado em modelo
destacando as formulaes em espao de estados no-incremental, incremental e no-
incremental com erro acumulado. Adicionalmente, abordada a soluo do problema
de otimizao na ausncia de restries e destacado um mtodo para se vericar a
estabilidade destes controladores nesta condio de operao.
Captulo 3: Apresenta alguns conceitos de otimizao multi-objetivo, destacando
os mtodos de otimizao de busca em grade e goal attainment. Neste captulo intro-
duzido um procedimento de interpolao das funes-objetivo para tratar o carter de
otimizao mista inerente ao ajuste dos horizontes de predio e controle do MPC.
Captulo 4: Apresenta alguns conceitos de dinmica de vo, detalhando as equaes
no-lineares do modelo longitudinal da aeronave. Adicionalmente, apresentada uma
metodologia para estimar as propagaes de rudo de medida e de perturbaes causadas
por turbulncias atmosfricas.
Captulo 5: Particulariza a condio de vo da aeronave, utilizada neste trabalho,
destacando as intensidades da turbulncia atmosfrica e as intensidades do rudo de me-
dida presentes na aeronave. Por m, apresentado o modelo linearizado, em torno desta
condio de vo, em espao de estados.
Captulo 6: Apresenta e analisa os resultados deste trabalho.
Captulo 7: Apresenta as principais concluses e contribuies do trabalho, bem
como sugestes para investigao futura.
2 Controle Preditivo baseado em
Modelo
O Controle Preditivo Baseado em Modelo (Model-based Predictive Control, MPC)
compreende uma classe de tcnicas que, com base em predies realizadas empregando o
modelo da planta, determinam a melhor sequncia de controle ao longo de um horizonte
mvel. A cada instante de amostragem o horizonte deslocado e o processo de otimizao
repetido.
Dentre as diversas tcnicas existentes de controle preditivo (MACIEJOWSKI, 2002),
este trabalho ir abordar formulaes em espao de estados. Tais formulaes permitem
o uso da teoria j consolidada para o controle de processos representados por modelos
determinsticos no espao de estados e tambm facilitam a generalizao para casos mais
complexos, como sistemas com distrbios estocsticos e rudos de medida (CAMACHO;
BORDONS, 1999).
Particularmente, sero abordadas as formulaes MPC em espao de estados no-
incremental, incremental e no-incremental com penalizao do erro acumulado. Nos dois
primeiros casos adota-se uma funo de custo expressa em termos dos incrementos de
controle a m de obter erro de regime nulo para referncia degrau (MACIEJOWSKI, 2002).
J para o terceiro caso, no ser necessrio expressar a funo de custo em termos dos
incrementos de controle. Portanto, ser adotado um custo como funo dos valores de
controle, ao invs de seus incrementos.
CAPTULO 2. Controle Preditivo baseado em Modelo 29
2.1 Denies bsicas
A Figura 2.1 representa as predies da sada y, do instante atual kT at o nal do
horizonte de predio (k+N)T, e as predies do sinal de controle u, do instante atual
at o nal do horizonte de controle (k +M1)T, onde T o perodo de amostragem
do processo. Doravante, os instantes de tempo sero designados simplesmente por seus
ndices (k, k+1, . . . , k+N), omitindo-se o perodo de amostragem T, por brevidade de
notao.
kT (k+1)T (k+2)T
. . .
(k+M1)T (k+M)T
. . .
(k+N)T
Horizonte de controle
Horizonte de predio
y(k)
y(k+1[k)
y(k+2[k)
. . .
y(k+M1[k)
y(k+M[k)
u(k1)
u(k[k)
u(k+1[k)
. . .
u(k+M1[k) u(k+M[k)
Tempo
y(k+N[k)
Sada
Entrada
FIGURA 2.1 Horizontes de controle e predio do controlador preditivo.
Os termos y(k+i[k) e u(k+i[k) correspondem, respectivamente, s predies da sada
e da entrada no instante k+i, condicionadas s informaes disponveis at o instante atual
k. Como ilustrado na Figura 2.1, impe-se que os valores preditos de controle permaneam
constantes aps M N passos, isto , u(k +i[k) = u(k +i[k) u(k +i 1[k) = 0 para
M i N (MACIEJOWSKI, 2002). Tal imposio possibilita que a inuncia das aes
de controle efetuadas no horizonte de predio sejam de fato ponderadas pelo controlador
durante este intervalo de tempo. Adicionalmente, h um ganho computacional associado
reduo dos graus de liberdade no sinal de controle a ser otimizado.
As estimativas de controle, u(k+i 1[k) para i = 1, . . . , M, so obtidas por meio da
minimizao de uma funo de custo, conforme a Figura 2.2. Tipicamente, essa funo
pondera o erro entre a estimativa da sada da planta y(k+i[k) e um dado sinal de referncia
r(k+i), bem como o esforo de controle. A otimizao pode ainda considerar as restries
impostas, por exemplo, sobre a entrada e a sada do sistema.
de Custo
r(k +i)
i = 1, . . . , N
u(k +i 1[k)
Otimizador
Modelo da
u
(k[k)
x(k)
Controlador Preditivo
Planta
Planta
x(k +i[k)
i = 1, . . . , M i = 1, . . . , N
Restries
Funo
y(k)
FIGURA 2.2 Controlador preditivo em tempo discreto empregando realimentao de
estado.
Neste trabalho, considera-se que todas as informaes dos estados do sistema x(k)
esto disponveis para realimentao, conforme a Figura 2.2. Caso contrrio, pode-se
agregar estimadores de estado ao controlador preditivo (MACIEJOWSKI, 2002).
Como resultado da otimizao, obtm-se uma sequncia de controle u
(k[k), u
(k+
1[k), . . . , u
(k+M1[k). No entanto, apenas o primeiro elemento u
(k[k) efetivamente
aplicado planta. Com efeito, no prximo instante de amostragem novas informaes do
processo estaro disponveis fazendo com que u
(k+1[k) possa ser diferente de u
(k+1[k+
1). Tal procedimento, denominado horizonte retrocedente (ROSSITER, 2003), proporciona
maior robustez com respeito a incertezas ou aproximaes realizadas no modelo e permite
compensar o efeito de pertubaes exgenas (LOPES, 2007).
possvel obter uma expresso analtica para o sinal de controle timo para o caso
em que a funo de custo quadrtica, o modelo linear, e no h restries ativas. Caso
contrrio, necessrio utilizar mtodos iterativos de otimizao (CAMACHO; BORDONS,
1999).
Nas prximas sees, ser empregada a seguinte notao:
0
pq
Matriz com todos os elementos nulos de dimenso p q
I
p
Matriz identidade com dimenso p p
T
p
M
Matriz bloco-triangular inferior de dimenso M M blocos, com blocos
no-nulos iguais a I
p
_
M
Matriz formada pelo empilhamento vertical de M blocos
Quando conveniente, as dimenses de uma matriz sero explicitadas na forma de
ndices.
2.2 MPC em espao de estados no-incremental
As formulaes de controle preditivo diferem entre si quanto forma de represen-
tao do processo e dos distrbios, e funo de custo utilizada (CAMACHO; BORDONS,
1999). Sendo assim, o desenvolvimento terico da formulao MPC em espao de esta-
dos no-incremental, destacado a seguir, ser apresentado segundo os elementos bsicos
constituintes do controlador preditivo: modelo da planta, equao de predio e funo
de custo.
2.2.1 Modelo da planta
Esta formulao de controle utiliza o modelo do processo representado em espao
de estados no-incremental. Para uma planta de p entradas, n estados e q sadas, este
modelo expresso por:
_
_
x(k + 1)
n1
= A
nn
x(k)
n1
+B
np
u(k)
p1
y(k)
q1
= C
qn
x(k)
n1
(2.1)
2.2.2 Equao de predio
Para a formulao MPC em espao de estados no-incremental, a equao de pre-
dio relaciona as variveis preditas de sada com as predies dos incrementos do sinal
de controle. Esta equao pode ser obtida primeiramente destacando a relao entre os
valores preditos dos sinais de sadas y(k+i[k) e de controle u(k+i1[k) para i = 1, . . . , N,
e posteriormente por meio da expresso que relaciona as predies dos sinais de controle
com os respectivos incrementos u(k+i1[k) = u(k+i1[k) u(k+i2[k) para i = 1, . . . , N.
A relao entre as predies das variveis de sada com os sinais de entrada de-
terminada observando a lei de formao destas predies at o instante N, baseado no
modelo do processo (2.1), como descrito a seguir:
x(k + 1[k) = Ax(k) +B u(k[k)
y(k + 1[k) = C x(k + 1[k)
x(k + 2[k) = A x(k + 1[k) +B u(k + 1[k) = A
2
x(k) +AB u(k[k) +B u(k + 1[k)
y(k + 2[k) = C x(k + 2[k)
x(k + 3[k) = A
3
x(k) +A
2
B u(k[k) +AB u(k + 1[k) +B u(k + 2[k)
y(k + 3[k) = C x(k + 3[k)
.
.
.
x(k +N[k) = A
N
x(k) +A
N1
B u(k[k) +A
N2
B u(k + 1[k) + +B u(k +N 1[k)
y(k +N[k) = C x(k +N[k)
Assim:
_
_
y(k + 1[k)
y(k + 2[k)
y(k + 3[k)
.
.
.
y(k +N[k)
_
_
. .
Y
Nq1
=
_
_
CB 0
qp
0
qp
. . . 0
qp
CAB CB 0
qp
. . . 0
qp
CA
2
B CAB CB . . . 0
qp
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
CA
N1
B CA
N2
B CA
N3
B . . . CB
_
_
. .
H
NqNp
U +
_
_
CA
CA
2
CA
3
.
.
.
CA
N
_
_
. .
Q
Nqn
x(k)
onde
U =
_
_
u(k[k)
u(k + 1[k)
.
.
.
u(k +N 1[k)
_
_
Np1
Portanto,
Y
Nq1
= H
NqNp
U
Np1
+Q
Nqn
x(k)
n1
(2.2)
importante salientar que os ltimos (NM)p elementos da matriz U sero iguais
a u(k+M1[k), considerando que a entrada de controle u(k[k) poder variar somente
at o instante M (CAMACHO; BORDONS, 1999; MACIEJOWSKI, 2002). Assim, pode-se
utilizar uma matriz, (H
SUM
)
(NqMp)
, cuja ltima coluna corresponda soma das colunas
Mp at Np da matriz H original. Assim:
H
SUM
=
_
_
CB 0
qp
0
qp
. . . 0
qp
CAB CB 0
qp
. . . 0
qp
CA
2
B CAB CB . . . 0
qp
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
CA
N1
B CA
N2
B CA
N3
B . . .
N
n=M
CA
Nn
B
_
_
(2.3)
Com um abuso de notao, nas sees posteriores a matriz H
SUM
ser referida por
H. Assim, pode-se expressar a relao entre as predies das variveis de sada e de
entrada por
Y
Nq1
= H
NqMp
U
Mp1
+Q
Nqn
x(k)
n1
(2.4)
A relao entre as predies das variveis de entradas e seus incrementos pode ser
obtida das equaes a seguir:
u(k[k) = u(k[k) +u(k 1)
u(k + 1[k) = u(k + 1[k) + u(k[k) = u(k + 1[k) + u(k[k) +u(k 1)
u(k +2[k) = u(k +2[k) + u(k +1[k) = u(k +2[k) + u(k +1[k) + u(k[k) +u(k 1)
.
.
.
u(k +N[k) = u(k +N[k) + u(k +N 1[k) + + u(k +1[k) + u(k[k) +u(k 1)
ou seja,
_
_
u(k[k)
u(k + 1[k)
.
.
.
u(k +N 1[k)
_
_
=
_
_
I
p
0
pp
0
pp
I
p
I
p
0
pp
.
.
.
.
.
.
.
.
.
.
.
.
I
p
I
p
I
p
_
_
_
_
u(k[k)
u(k + 1[k)
.
.
.
u(k +N 1[k)
_
_
+
_
_
I
p
I
p
.
.
.
I
p
_
_
u(k 1)
Considerando novamente que o sinal de controle poder variar at o horizonte de
controle M, tem-se
_
_
u(k[k)
u(k + 1[k)
.
.
.
u(k +M 1[k)
_
_
. .
U
Mp1
=
_
_
I
p
0
pp
0
pp
I
p
I
p
0
pp
.
.
.
.
.
.
.
.
.
.
.
.
I
p
I
p
I
p
_
_
. .
(T
p
M
)
MpMp
_
_
u(k[k)
u(k + 1[k)
.
.
.
u(k +M 1[k)
_
_
. .
U
Mp1
+
_
_
I
p
I
p
.
.
.
I
p
_
_
. .
_
Ip
Mpp
u(k1)
ou seja,
U = T
p
M
U +
_
I
p
M
u(k 1) (2.5)
Substituindo (2.5) em (2.4) obtida a equao de predio a seguir:
Y = H
_
T
p
M
U +
_
I
p
M
u(k 1)
_
+Q x(k)
= H T
p
M
. .
G
NqMp
U +H
_
I
p
M
u(k 1) +Q x(k)
. .
F
Nq1
(2.6)
ou seja,
Y = G U +F (2.7)
2.2.3 Funo de custo
A funo de custo do controlador preditivo em espao de estados no-incremental
relaciona o compromisso de minimizao do erro de rastreamento da sada, em um hori-
zonte de predio N, e a minimizao dos incrementos de controle, em um horizonte de
controle M, conforme a Eq. (2.8) a seguir:
J =
N
i=1
| y(k +i[k) r(k +i)|
2
P
()
+
M
i=1
| u(k +i 1[k)|
2
P
()
(2.8)
onde
() =
_
1
0 0
0
2
0
.
.
.
.
.
.
.
.
.
.
.
.
0 0
q
_
_
qq
() =
_
1
0 0
0
2
0
.
.
.
.
.
.
.
.
.
.
.
.
0 0
p
_
_
pp
Para o caso em que a matriz de ponderao do erro de rastreamento,

() > 0, e a
matriz de ponderao do esforo de controle,

() > 0, so constantes ao longo de todo
horizonte de predio e controle, tem-se
W
y
=
_
() 0
qq
0
qq
0
qq
() 0
qq
.
.
.
.
.
.
.
.
.
.
.
.
0
qq
0
qq

()
_
_
NqNq
W
u
=
_
() 0
pp
0
pp
0
pp
() 0
pp
.
.
.
.
.
.
.
.
.
.
.
.
0
pp
0
pp

()
_
_
MpMp
Pode-se reescrever a funo de custo (2.8) como sendo
J(U) = (Y R)
T
W
y
(Y R) + U
T
W
u
U (2.9)
onde
Y =
_
_
y(k+1[k)
y(k+2[k)
.
.
.
y(k+N[k)
_
_
Nq1
R =
_
_
r(k+1)
r(k+2)
.
.
.
r(k+N)
_
_
Nq1
U =
_
_
u(k[k)
u(k+1[k)
.
.
.
u(k+M1[k)
_
_
Mp1
A m de se destacar a relao entre os sinais Y e U da funo de custo, pode-se
substituir a equao de predio (2.7) na funo de custo (2.9), ou seja,
J(U) = [G U +F R]
T
W
y
[G U +F R] + U
T
W
u
U
=
_
(G U)
T
+ (F R)
T
W
y
[G U +F R] + U
T
W
u
U
= (G U)
T
W
y
GU + (G U)
T
W
y
(F R) + (F R)
T
W
y
GU +
+(F R)
T
W
y
(F R) + U
T
W
u
U
= U
T
G
T
W
y
GU +
_
(F R)
T
W
y
GU
T
+ (F R)
T
W
y
GU +
+(F R)
T
W
y
(F R) + U
T
W
u
U
Uma vez que
_
(F R)
T
W
y
GU
T
= (F R)
T
W
y
GU, a funo de custo para a
abordagem MPC em espao de estados no-incremental ser:
J(U) = U
T
_
G
T
WyG+W
u
_
U+2(F R)
T
W
y
GU+(F R)
T
W
y
(F R) (2.10)
2.3 MPC em espao de estados incremental
A segunda estratgia de controle, investigada neste trabalho, a formulao MPC
em espao de estados incremental. Embora a funo de custo seja a mesma utilizada para
o caso da formulao MPC em espao de estados no-incremental, o modelo do processo
neste caso emprega a representao incremental do sistema.
O desenvolvimento terico ser baseado nos trs elementos bsicos da formulao
MPC: modelo da planta, equao de predio e funo de custo.
O modelo da planta considera os incrementos nos sinais de controle u(k) = u(k)
u(k 1) e do estado x(k) = x(k) x(k 1). Tais incrementos podem ser relacionados
entre si da seguinte forma:
x(k + 1) = A x(k) +B u(k)
() x(k) = A x(k 1) +B u(k 1)
x(k + 1) x(k) = A [x(k) x(k 1)] +B [u(k) u(k 1)]
ou seja,
x(k + 1) = A x(k) +B u(k) (2.11)
O incremento nas variveis de sadas y(k) = y(k) y(k 1) dado por:
y(k) = C x(k)
() y(k 1) = C x(k 1)
y(k) y(k 1) = C [x(k) x(k 1)]
ou seja,
y(k) = C x(k) (2.12)
Assim, pode-se obter o modelo em espao de estados incremental do sistema
_
_
x(k + 1)
n1
= A
nn
x(k)
n1
+B
np
u(k)
p1
y(k)
q1
= C
qn
x(k)
n1
(2.13)
Novamente, o desenvolvimento da equao de predio ser dividido em duas etapas.
A primeira consiste na determinao do vnculo entre as predies dos incrementos dos
sinais de sada e de controle, do instante k + 1 at o instante k + N. Posteriormente,
determina-se a relao entre as predies y(k +i[k) e y(k +i[k) para i = 1, . . . , N.
Atravs das predies da Eq. (2.13) N passos a frente, pode-se determinar as relaes
entre os incrementos dos estados e os incrementos dos sinais de controle. Assim,
x(k + 1[k) = Ax(k) +B u(k[k)
y(k + 1[k) = C x(k + 1[k)
x(k + 2[k) = A x(k + 1) +B u(k + 1[k) = A
2
x(k) +AB u(k[k) +B u(k + 1[k)
y(k + 2[k) = C x(k + 2[k)
x(k + 3[k) = A
3
x(k) +A
2
B u(k[k) +AB u(k + 1[k) +B u(k + 2[k)
y(k + 3[k) = C x(k + 3[k)
.
.
.
x(k+N[k) = A
N
x(k)+A
N1
B u(k[k)+A
N2
B u(k+1[k)+ +B u(k+N1[k)
y(k +N[k) = C x(k +N[k)
Estas equaes podem ser combinadas na forma matricial (LOPES, 2007)
_
_
y(k+1[k)
y(k+2[k)
y(k+3[k)
.
.
.
y(k+N[k)
_
_
. .
Y
Nq1
=
_
_
CB 0
qp
0
qp
. . . 0
qp
CAB CB 0
qp
. . . 0
qp
CA
2
B CAB CB . . . 0
qp
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
CA
N1
B CA
N2
B CA
N3
B . . . CB
_
_
. .
H
NqNp
_
_
u(k[k)
u(k+1[k)
u(k+2[k)
.
.
.
u(k+N1[k)
_
_
. .
U
Np1
+
+
_
_
CA
CA
2
CA
3
.
.
.
CA
N
_
_
. .
Q
Nqn
x(k)
ou seja,
Y = H U +Q x(k) (2.14)
Para o caso em que u(k 1 + i[k) = 0 para M i N, a Eq. (2.14) pode ser
simplicada da forma
Y =
_
_
CB 0
qp
0
qp
. . . 0
qp
0
qp
. . . 0
qp
CAB CB 0
qp
. . . 0
qp
0
qp
. . . 0
qp
CA
2
B CAB CB . . . 0
qp
0
qp
. . . 0
qp
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
CA
N1
B CA
N2
B . . . . . . CA
NM
B CA
NM1
B . . . CB
_
_
u(k[k)
u(k + 1[k)
.
.
.
u(k +M 1[k)
0
.
.
.
0
_
_
+Q x(k)
ou seja,
Y =
_
_
CB 0
qp
0
qp
. . . 0
qp
CAB CB 0
qp
. . . 0
qp
CA
2
B CAB CB . . . 0
qp
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
CA
N1
B CA
N2
B CA
N3
B . . . CA
NM
B
_
_
. .
(H
TRUNC
)
NqMp
_
_
u(k[k)
u(k + 1[k)
.
.
.
u(k +M 1[k)
_
_
. .
(U
TRUNC
)
Mp1
+
+Q x(k)
Novamente, por abuso de notao, a matriz H
TRUNC
ser referida por H e U
TRUNC
por U.
A relao entre as predies y(k + i[k) e y(k + i[k) para i = 1, . . . , N pode ser
obtida atravs das seguintes equaes:
y(k + 1[k) = y(k + 1[k) +y(k)
y(k + 2[k) = y(k + 2[k) + y(k + 1[k) = y(k + 2[k) + y(k + 1[k) +y(k)
.
.
.
y(k +N[k) = y(k +N[k) + y(k +N 1[k) + + y(k + 1[k) +y(k)
Assim,
_
_
y(k + 1[k)
y(k + 2[k)
.
.
.
y(k +N[k)
_
_
. .
Y
=
_
_
I
q
0
qq
0
qq
I
q
I
q
0
qq
.
.
.
.
.
.
.
.
.
.
.
.
I
q
I
q
I
q
_
_
. .
(T
q
N
)
NqNq
_
_
y(k + 1[k)
y(k + 2[k)
.
.
.
y(k +N[k)
_
_
. .
Y
Nq1
+
_
_
I
q
I
q
.
.
.
I
q
_
_
. .
_
Iq
Nqq
y(k)
ou seja,
Y = T
q
N
Y +
_
I
q
N
y(k) (2.15)
Finalmente, substituindo (2.14) em (2.15), determina-se a equao de predio
Y = T
q
N
H
. .
G
U + (T
q
N
)
NqNq
Q
Nqn
x(k)
n1
+
__
I
q
N
_
Nqq
y(k)
q1
. .
F
(2.16)
ou seja,
Y = G U +F (2.17)
Pode-se observar que (2.17) a mesma relao encontrada para a formulao em
espao de estados no-incremental (2.7). No entanto, deve-se atentar ao fato de que
embora seja possvel mostrar que as matrizes G em ambos os casos sejam iguais, as
matrizes F so obtidas de diferentes formas. No primeiro caso, F depende de x(k) e
u(k 1), como mostra a Eq. (2.6). J no segundo depende de x(k) e y(k), Eq. (2.16).
Esta diferena pode gerar mudanas no comportamento do controlador na presena de
rudos de medidas e incertezas na modelagem.
2.3.3 Funo de custo
A funo de custo para o controlador preditivo em espao de estados incremental
tambm relaciona o compromisso de minimizao do erro de rastreamento da sada com
a minimizao do incremento de controle, como j destacado pela Eq. (2.10) na seo
2.2.3, ou seja,
J(U) = U
T
_
G
T
W
y
G+W
u
_
U+2(F R)
T
W
y
GU+(F R)
T
W
y
(F R)
2.4 MPC em espao de estados no-incremental com
erro acumulado
A terceira formulao de MPC analisada neste trabalho inclui o erro de rastreamento
acumulado z denido por
z(k) = z(k 1) +r(k) y(k) (2.18)
que ser usado para conferir ao integral na malha de controle. Assim, no h a necessi-
dade de ponderar a variao dos sinais de controle, a m de garantir erro de regime nulo
para referncia degrau.
Novamente, o desenvolvimento desta formulao de controle ser baseado na iden-
ticao dos trs elementos bsicos da formulao MPC: modelo da planta, equao de
predio e funo de custo.
O modelo da planta para a formulao MPC em espao de estado no-incremental
com erro acumulado ser o mesmo utilizado na seo 2.2.1, Eq. (2.1), representado a
seguir:
_
_
x(k + 1)
n1
= A
nn
x(k)
n1
+B
np
u(k)
p1
y(k)
q1
= C
qn
x(k)
n1
A equao de predio obtida de maneira similar ao procedimento realizado na
seo 2.2.2. No entanto, ao invs de se utilizar a Eq. (2.7), que relaciona os valores preditos
de sada com os incrementos de controle, utiliza-se a Eq. (2.4) descrita novamente a seguir:
Y
Nq1
= H
NqMp
U
Mp1
+Q
Nqn
x(k)
n1
2.4.3 Funo de custo
A funo de custo para este caso penaliza as estimativas do erro de rastreamento,
do esforo de controle e do erro acumulado de rastreamento z(k+i[k)= z(k+i1)+r(k+
i) y(k+i[k), ou seja,
J =
N
i=1
| y(k +i[k) r(k +i)|
2
P
()
+
M
i=1
| u(k +i 1[k)|
2
P
()
+
N
i=1
| z(k +i[k)|
2
P
()
que pode ser reescrita como
J = (Y R)
T
W
y
(Y R) +U
T
W
u
U +Z
T
W
z
Z (2.19)
onde
W
z
=
_
() 0
qq
0
qq
0
qq
() 0
qq
.
.
.
.
.
.
.
.
.
.
.
.
0
qq
0
qq

()
_
()=
_
1
0 0
0
2
0
.
.
.
.
.
.
.
.
.
.
.
.
0 0
q
_
_
Z=
_
_
z(k + 1[k)
z(k + 2[k)
.
.
.
z(k +N[k)
_
_
conveniente destacar a relao das matrizes Z e Y com a matriz de previses de
controle U, a m de facilitar a obteno da expresso analtica do controle timo que ser
descrita nas sees posteriores. Com este objetivo, primeiramente destaca-se a relao da
matriz Z com Y e posteriormente substitudo neste resultado a equao de predio j
obtida em (2.4).
O vnculo entre as estimativas do erro acumulado Z e a sada Y obtido atravs da
predio N passos a frente da expresso do erro acumulado (2.18), ou seja,
z(k + 1[k) = z(k) +r(k + 1) y(k + 1[k)
z(k + 2[k) = z(k + 1[k) +r(k + 2) y(k + 2[k)
= z(k) + [r(k + 1) y(k + 1[k)] + [r(k + 2) y(k + 2[k)]
z(k + 3[k) = z(k + 2[k) +r(k + 3) y(k + 3[k)
= z(k) +[r(k +1) y(k +1[k)] +[r(k +2) y(k +2[k)] +[r(k +3) y(k +3[k)]
.
.
.
z(k+N[k) = z(k)+[r(k+1) y(k+1[k)]+[r(k+2) y(k+2[k)]+ +[r(k+N) y(k+N[k)]
que pode ser expresso por
_
_
z(k + 1[k)
z(k + 2[k)
.
.
.
z(k +N[k)
_
_
. .
Z
Nq1
=
_
_
I
q
I
q
.
.
.
I
q
_
_
. .
_
Iq
Nqq
z(k) +
_
_
I
q
0
qq
0
qq
I
q
I
q
0
qq
.
.
.
.
.
.
.
.
.
I
q
I
q
I
q
_
_
. .
(T
q
N
)
NqNq
_
_
r(k + 1) y(k + 1[k)
r(k + 2) y(k + 2[k)
.
.
.
r(k +N) y(k +N[k)
_
_
. .
(RY )
Nq1
ou seja,
Z =
_
I
q
N
z(k) +T
q
N
R T
q
N
Y (2.20)
Substituindo a equao de predio (2.4) em (2.20), tem-se
Z =
_
I
q
N
z(k) +T
q
N
R T
q
N
Y
=
_
I
q
N
z(k) +T
q
N
R T
q
N
[H U +Q x(k)]
=
_
I
q
N
z(k) +T
q
N
R T
q
N
H U T
q
N
Q x(k) (2.21)
Finalmente, atravs de (2.4) e (2.21) pode-se salientar o vnculo entre a funo de
custo (2.19) com as predies dos sinais entrada U da forma
J(U) =[HU +Qx(k) R]
T
W
y
[HU +Qx(k) R] +U
T
W
u
U +
+
__
I
q
N
z(k)+T
q
N
[RHUQx(k)]
_
T
W
z
__
I
q
N
z(k)+T
q
N
[RHUQx(k)]
_
=U
T
_
H
T
W
y
H +W
u
+ (T
q
N
H)
T
W
z
(T
q
N
H)
U + [Qx(k) R]
T
W
y
[Qx(k) R] +
+2
_
[Qx(k)R]
T
W
y
H
__
I
q
N
z(k)+T
q
N
RT
q
N
Qx(k)
T
W
z
T
q
N
H
_
U+
+
__
I
q
N
z(k) +T
q
N
R T
q
N
Qx(k)
T
W
z
__
I
q
N
z(k) +T
q
N
R T
q
N
Qx(k)
(2.22)
2.5 Soluo na ausncia de restries
O sinal de controle timo a ser aplicado no sistema, na ausncia de restries ativas,
possui uma expresso analtica. Esta ser descrita nas prximas sees para as formulaes
MPC em espao de estados no-incremental, incremental e no-incremental com erro
acumulado.
2.5.1 Controle timo para a formulao MPC em espao de es-
tados no-incremental e incremental
A expresso analtica, que relaciona o controle timo a ser aplicado no sistema, ser
a mesma para a formulao incremental e no-incremental, visto que a funo objetivo e
a equao de predio destas formulaes so descritas de maneira semelhante.
O gradiente e a matriz hessiana da funo de custo (2.10) so dados por:
J(U)
U
= 2(G
T
W
y
G+W
u
)U + 2G
T
W
y
(F R) (2.23)
2
J(U)
U
2
= 2(G
T
W
y
G+W
u
)
T
(2.24)
Pode-se notar que a matriz Hessiana positivo-denida, visto que esta composta
pela soma de uma matriz positivo-semidenida (G
T
W
y
G) com uma matriz semidenida
positiva (W
u
) (LOPES, 2007). Desse modo, o controle timo U
que minimiza J(U)

ser o ponto que anula o vetor gradiente, ou seja,
J(U)
U
U=U
= 2(G
T
W
y
G+W
u
)U
+ 2G
T
W
y
(F R) = 0
U
= (G
T
W
y
G+W
u
)
1
G
T
W
y
(R F) (2.25)
Pela estratgia de horizonte retrocedente, o controle incremental timo no instante
k dado pelo primeiro elemento de U
, ou seja,
u
(k[k) = K
MPC
(R F) (2.26)
onde
K
MPC
= [I
p
0
pp
0
pp
]
. .
pMp
(G
T
W
y
G+W
u
)
1
G
T
W
y
. .
MpNq
(2.27)
Finalmente, o controle a ser aplicado na planta dado atravs de um integrador de
tempo discreto, conforme descrito a seguir:
u
(k[k) = u(k 1) + u
(k[k) (2.28)
Portanto, recorrendo s equaes de F denidas em (2.6) e (2.16), para as formu-
laes MPC em espao de estados no-incremental e incremental, pode-se representar o
controle timo por meio das Figuras 2.3 e 2.4, referentes ao conjunto de equaes a seguir:
Formulao em espao de estados no-incremental
_
_
u
(k[k) = K
MPC
(R F)
u
(k[k) = u(k 1) + u
(k[k)
F = H
_
I
p
M
u(k 1) +Q x(k)
(2.29)
Formulao em espao de estados incremental
_
_
u
(k[k) = K
MPC
(R F)
u
(k[k) = u(k 1) + u
(k[k)
F = T
q
N
Q x(k) +
_
I
q
N
y(k)
(2.30)
2.5.2 Controle timo para a formulao MPC em espao de es-
tados no-incremental com erro acumulado
O gradiente e a matriz hessiana da funo de custo da formulao MPC em espao
de estados no-incremental com erro acumulado expresso atravs da Equao (2.22), so
K
MPC
Planta
z
1
H
_
I
p
M
Q
_
I
q
N
u
(k[k)
u
(k[k)
y(k)
x(k)
u(k 1)
r(k)
Controlador
FIGURA 2.3 Estrutura do controlador para a formulao em espao de estados no-
incremental sem restries.
K
MPC
_
I
q
N
Planta
T
q
N
Q
_
I
q
N
u
(k[k)
u
(k[k)
y(k)
z
1
z
1
x(k)
x(k)
r(k)
Controlador
FIGURA 2.4 Estrutura do controlador para a formulao em espao de estados incre-
mental sem restries.
dados por:
J(U)
U
=2
_
H
T
W
y
H +W
u
+ (T
q
N
H)
T
W
z
(T
q
N
H)
U + (2.31)
+2
_
[Q x(k)R]
T
W
y
H
__
I
q
N
z(k)+T
q
N
RT
q
N
Qx(k)
T
W
z
T
q
N
H
_
T
2
J(U)
U
2
=2
_
H
T
W
y
H +W
u
+ (T
q
N
H)
T
W
z
(T
q
N
H)
T
(2.32)
Pode-se observar que a matriz hessiana (2.32) ser sempre positivo-denida, uma
vez que a matriz W
u
positivo-denida e as demais, H
T
W
y
H e (T
q
N
H)
T
W
z
(T
q
N
H), so
semidenidas positivas. Portanto, o controle timo U
ser o ponto que anula o gradiente

(2.31), ou seja,
J(U)
U
U=U
= 0
U
=
_
H
T
W
y
H +W
u
+ (T
q
N
H)
T
W
z
(T
q
N
H)
_
[Q x(k) R]
T
W
y
H
__
I
q
N
z(k) +T
q
N
R T
q
N
Q x(k)
T
W
z
T
q
N
H
_
T
Por meio da estratgia de horizonte retrocedente, o controle timo no instante k
ser o primeiro elemento de U
, ou seja
u
(k[k) = [I
p
0
pp
0
pp
]
. .
pMp
_
H
T
W
y
H +W
u
+ (T
q
N
H)
T
W
z
(T
q
N
H)
_
[Qx(k) R]
T
W
y
H
__
I
q
N
z(k) +T
q
N
R T
q
N
Qx(k)
T
W
z
T
q
N
H
_
T
. .
fqp/2
Manipulando a expresso f
qp
tem-se:
f
T
qp
/2 = [Qx(k)]
T
W
y
H R
T
W
y
H + [T
q
N
Qx(k)]
T
W
z
T
q
N
H
__
I
q
N
z(k) +T
q
N
R
T
W
z
T
q
N
H
=x(k)
T
_
Q
T
W
y
H+[T
q
N
Q]
T
W
z
T
q
N
H
_
z(k)
T
_
_
I
q
T
N
W
z
T
q
N
H
_
R
T
_
W
y
H+(T
q
N
)
T
W
z
T
q
N
H
_
Assim, o controle timo para o instante k pode ser expresso por:
u
(k[k) =

K
_
Q
T
W
y
H + [T
q
N
Q]
T
W
z
T
q
N
H
_
T
. .
Kx
x(k) +

K [W
z
T
q
N
H]
T
_
I
q
N
. .
Kz
z(k) +
+

K
_
W
y
H + (T
q
N
)
T
W
z
T
q
N
H
_
T
. .
Kr
R
onde
K = [I
p
0
pp
0
pp
]
. .
pMp
_
H
T
W
y
H +W
u
+ (T
q
N
H)
T
W
z
(T
q
N
H)
1
. .
MpMp
Portanto,
u
(k[k) = (K
x
)
pn
x(k) (K
z
)
pq
z(k) + (K
r
)
pNq
R (2.33)
Pode-se representar gracamente o controle timo (2.33), tendo como base a Eq.
(2.18), conforme a Figura 2.5.
r(k)
_
I
q
N
K
r
z
1
z(k)
K
z
u
(k[k)
K
x
Planta
Controlador
y(k)
x(k)
R
FIGURA 2.5 Estrutura do controlador para a formulao em espao de estados no-
incremental com erro acumulado sem restries.
2.6 Estabilidade e desempenho em malha fechada na
ausncia de restries ativas
O controlador preditivo, na ausncia de restries ativas, comporta-se como um
controlador linear, conforme observado na seo 2.5. Sendo assim, considerando um
problema de regulao das variveis de sada em torno da condio de equilbrio, o controle
timo pode ser representado por meio de uma realimentao linear do estado. Para isso,
faz-se necessrio empregar uma representao do sistema na forma
_
_
(k + 1) = A
(k) +B
u(k)
y(k) = C
(k)
(2.34)
sendo o estado aumentado denido de modo conveniente. Como ser visto nesta seo,
a lei de controle para cada uma das formulaes de MPC adotadas pode ser expressa
como u
(k[k) = K
(k), sendo K
uma matriz de ganho constante. Assim,

(k + 1) = A
(k) +B
u(k)
= A
(k) +B
[K
(k)]
= (A
)
. .
A
T
(k) (2.35)
Portanto, com base nos autovalores da matriz A
T
possvel analisar a estabilidade e
o desempenho do sistema. As sees 2.6.1, 2.6.2 e 2.6.3, destacam a forma (2.34) para as
formulao MPC em espao de estados no-incremental, incremental e no-incremental
com erro acumulado.
2.6.1 Formulao MPC em espao de estados no-incremental
Das Equaes (2.6), (2.26) e (2.27), referentes as sees 2.2 e 2.5.1, tem-se que
_
_
u
(k[k) = u(k1)+ u
(k[k)
u
(k[k) = K
MPC
(RF)
K
MPC
= [I
p
0
pp
0
pp
]
. .
pMp
_
G
T
W
y
G+W
u
_
1
G
T
W
y
. .
MpNq
F = H
_
I
p
M
u(k 1) +Q x(k)
Assim,
u
(k[k) = u(k1)+ u
(k[k)
= u(k1)+K
MPC
(RF)
= u(k1)+K
MPC
_
R
_
H
_
I
p
M
u(k 1) +Q x(k)
_
= (I
p
K
MPC
H
_
I
p
M
)u(k1)K
MPC
Q x(k) +K
MPC
R (2.36)
Para o caso de regulao (R = 0)
u
(k[k) =
_
I
p
K
MPC
H
_
I
p
. .
(Ku)
pp
u(k1) K
MPC
Q
. .
(Kx)
pn
x(k)
= K
u
u(k 1) K
x
x(k) (2.37)
Denindo o estado aumentado (k) =
_
x
T
(k) u
T
(k 1)
T
, pode-se obter, a partir
de (2.1), a relao
_
_
_
_
x(k + 1)
u(k)
_
_
. .
(k+1)
=
_
_
A
nn
0
np
0
pn
0
pp
_
_
. .
(A
)
(n+p)(n+p)
_
_
x(k)
u(k 1)
_
_
. .
(k)
+
_
_
B
np
I
p
_
_
. .
(B
)
(n+p)p
u(k)
y(k) =
_
C
qn
0
qp
_
. .
(C
)
q(n+p)
_
_
x(k)
u(k 1)
_
_
(2.38)
Por m, a matriz A
T
pode ser obtida substituindo (2.37) em (2.38), ou seja,
(k + 1) = A
(k) +B
u(k)
= A
(k) +B
[K
u
u(k 1) K
x
x(k)]
= A
(k) +B
_
K
x
K
u
_
. .
(K
)
p(n+p)
_
_
x(k)
u(k 1)
_
_
. .
(k)
= (A
)
. .
(A
T
)
(n+p)(n+p)
(k) (2.39)
Assim, com base nos autovalores da matriz A
T
possvel analisar a estabilidade e o
desempenho do controlador preditivo em espao de estados no-incremental na ausncia
de restries ativas.
2.6.2 Formulao MPC em espao de estados incremental
Das Equaes (2.16) e (2.26), referentes as sees 2.3 e 2.5.1, tem-se que
_
_
u
(k[k) = u(k1)+ u
(k[k)
u
(k[k) = K
MPC
(R F)
K
MPC
= [I
p
0
pp
0
pp
]
. .
pMp
_
G
T
W
y
G+W
u
_
1
G
T
W
y
. .
MpNq
F = T
q
N
Q
N
x(k) +
_
I
q
N
y(k)
Assim,
u
(k[k) = u(k 1) + u
(k[k)
= u(k 1) +K
MPC
(R F)
= u(k 1) +K
MPC
_
R
_
T
q
N
Q x(k) +
_
I
q
N
y(k)
_
= u(k 1) +K
MPC
_
R T
q
N
Q[x(k) x(k 1)]
_
I
q
N
C x(k)
_
= I
p
..
Ku
u(k 1) +
_
K
MPC
_
I
q
N
C K
MPC
T
q
N
Q
. .
Kx
x(k) +K
MPC
T
q
N
Q
. .
K
x1
x(k 1) +
+K
MPC
R (2.40)
Para o caso de regulao,
u
(k[k) = K
u
u(k 1) K
x
x(k) K
x1
x(k 1) (2.41)
_
x
T
(k) x
T
(k 1) u
T
(k 1)
_
T
pode-se obter
o modelo discreto
_
_
_
_
x(k + 1)
x(k)
u(k)
_
_
. .
(k+1)
=
_
_
A
nn
0
nn
0
np
I
n
0
nn
0
np
0
pn
0
pn
0
pp
_
_
. .
(A
)
(2n+p)(2n+p)
_
_
x(k)
x(k 1)
u(k 1)
_
_
. .
(k)
+
_
_
B
np
0
np
I
p
_
_
. .
(B
)
(2n+p)p
u(k)
y(k) =
_
C
qn
0
qn
0
qp
_
. .
(C
)
q(2n+p)
_
_
x(k)
x(k 1)
u(k 1)
_
_
(2.42)
Substituindo (2.41) em (2.42), tem-se
(k + 1) = A
(k) +B
u(k)
= A
(k) +B
[K
x
x(k) K
x1
x(k 1) K
u
u(k 1)]
= A
(k) +B
_
K
x
K
x1
K
u
_
. .
(K
)
p(2n+p)
_
_
x(k)
x(k 1)
u(k 1)
_
_
. .
(k)
= (A
)
. .
(A
T
)
(2n+p)(2n+p)
(k) (2.43)
A estabilidade desse sistema de controle, na ausncia de restries ativas, pode ser
vericada com base na anlise dos autovalores da matriz A
T
.
com erro acumulado
O controle timo para a formulao MPC em espao de estados no-incremental
com erro acumulado, descrito em (2.33), pode ser reescrito para o caso de regulao como
sendo
u
(k[k) = K
x
x(k) K
z
z(k) (2.44)
Das Equaes (2.1) e (2.18), tem-se
z(k + 1) = z(k) +r(k + 1) y(k + 1)
= z(k) +r(k + 1) C x(k + 1)
= z(k) +r(k + 1) C [A x(k) +Bu(k)] (2.45)
_
x
T
(k) z
T
(k)
T
e de (2.45), tem-se a relao:
_
_
_
_
x(k + 1)
z(k + 1)
_
_
. .
(k+1)
=
_
_
A
nn
0
nq
CA I
q
_
_
. .
(A
)
(n+q)(n+q)
_
_
x(k)
z(k)
_
_
. .
(k)
+
_
_
B
np
CB
_
_
. .
(B
)
(n+q)p
u(k)
y(k) =
_
C
qn
0
qq
_
. .
(C
)
q(n+q)
_
_
x(k)
z(k)
_
_
(2.46)
Assim, atravs das Equaes (2.44) e (2.46), tem-se
(k + 1) = A
(k) +B
u(k)
= A
(k) +B
[K
x
x(k) K
z
z(k)]
= A
(k) +B
_
K
x
K
z
_
. .
(K
)
p(n+q)
_
_
x(k)
z(k)
_
_
. .
(k)
= (A
)
. .
(A
T
)
(n+q)(n+q)
(k) (2.47)
De maneira semelhante ao procedimento realizado nas subsees anteriores, pode-se
vericar a estabilidade do sistema de controle, na ausncia de restries ativas, com base
na anlise dos autovalores da matriz A
T
, Eq. (2.47).
2.7 Restries
Uma das grandes vantagens dos controladores preditivos a possibilidade de se
considerar, explicitamente, durante a fase de projeto, as restries do processo a ser
controlado (MACIEJOWSKI, 2002). No entanto, no momento em que h restries ativas
o problema de controle deixa de ser linear e portanto as solues obtidas nas sees 2.5
e 2.6 deixam de ser vlidas. Neste caso necessrio o uso de mtodos numricos para a
resoluo do problema de otimizao.
Tipicamente, o problema de otimizao com restries expresso como um problema
de programao quadrtica (Quadratic Programming, QP) (MACIEJOWSKI, 2002), isto :
= arg min
_
1
2

T
+
T
_
sujeito a
(2.48)
para R
pM1
, R
pMpM
, R
1pM
, R
(4pM+2qN)pM
e R
(4pM+2qN)1
.
H diversos tipos de algoritmos para a resoluo de problemas de QP, tais como
Conjuntos Ativos (Active Set) e Pontos Interiores (Interior Point) (NOCEDAL; WRIGHT,
1999; BERTSIMAS; TSITSIKLIS, 1997).
Pode-se destacar o problema QP da funo de custo (2.10), utilizada na formulao
incremental e no-incremental, como sendo
J(U) = U
T
. .
T
_
G
T
W
y
G+W
u
_
. .
U
..
+2(F R)
T
W
y
G
. .
T
U
..
De maneira semelhante, para a funo de custo utilizada na formulao MPC em

espao de estados no-incremental com erro acumulado (2.22), tem-se que
J(U) = U
T
..
T
_
H
T
W
y
H +W
u
+ (T
q
N
H)
T
W
z
(T
q
N
H)
. .
U
..
+
+2
_
[Qx(k)R]
T
W
y
H
__
I
q
N
z(k)+T
q
N
RT
q
N
Qx(k)
T
W
z
T
q
N
H
_
. .
T
U
..
Em ambos os casos, possvel observar que a matriz positivo denida, o que

garante que o problema de otimizao seja convexo (MACIEJOWSKI, 2002). Portanto, se o
conjunto de solues factveis denido por for no-vazio, haver uma soluo tima
global (minimizador global) para o problema e no existiro outros pontos de mnimos
locais.
As restries consideradas neste trabalho so descritas em (2.49) e referem-se aos
limites sobre as excurses dos sinais de controle e de sada, bem como sobre a taxa de
variao dos sinais de controle.
_
_
U
min
u(k 1 +i[k) U
max
, i = 1, . . . , M
U
min
u(k 1 +i[k) U
max
, i = 1, . . . , M
Y
min
y(k +i[k) Y
max
, i = 1, . . . , N
(2.49)
As restries de desigualdade sero descritas nas subsees seguintes, em
termos do incremento do sinal de controle, ou seja = U, e em termos do sinal de
controle, ou seja = U.
2.7.1 Restries em termos do incremento do sinal de controle
2.7.1.1 Restries sobre a excurso do controle
Pode-se representar a primeira relao de (2.49) em forma matricial por
_
_
I
p
I
p
.
.
.
I
p
_
_
. .
_
Ip
M
U
min

_
_
u(k[k)
u(k + 1[k)
.
.
.
u(k +M 1[k)
_
_
. .
U
_
I
p
I
p
.
.
.
I
p
_
_
. .
_
Ip
M
U
max
ou seja,
_
I
p
M
U
min
U
_
I
p
M
U
max
(2.50)
Vale salientar que as desigualdades (2.50) aplicam-se elemento a elemento. Substi-
tuindo a expresso que relaciona a entrada de controle U e a variao de controle U,
obtida em (2.5), na equao (2.50) resulta
_
I
p
M
U
min
U
_
I
p
M
U
max
_
I
p
M
U
min
T
p
M
U +
_
I
p
M
u(k 1)
_
I
p
M
U
max
_
I
p
M
[U
min
u(k 1)] T
p
M
U
_
I
p
M
[U
max
u(k 1)]
Portanto,
_
_
T
p
M
U
_
I
p
M
[U
max
u(k 1)]
T
p
M
U
_
I
p
M
[U
min
u(k 1)]
(2.51)
2.7.1.2 Restries sobre a taxa de variao do controle
A segunda relao da Equao (2.49) pode ser expressa por:
_
_
I
p
I
p
.
.
.
I
p
_
_
. .
_
Ip
M
U
min

_
_
u(k[k)
u(k + 1[k)
.
.
.
u(k +M 1[k)
_
_
. .
U
_
I
p
I
p
.
.
.
I
p
_
_
. .
_
Ip
M
U
max
(2.52)
Portanto,
_
_
U
_
I
p
M
U
max
U
_
I
p
M
U
min
(2.53)
2.7.1.3 Restries sobre a excurso da sada
Pode-se re-escrever a terceira relao de (2.49) como sendo
_
_
I
q
I
q
.
.
.
I
q
_
_
. .
_
Iq
N
Y
min

_
_
y(k + 1[k)
y(k + 2[k)
.
.
.
y(k +N[k)
_
_
. .
Y
_
I
q
I
q
.
.
.
I
q
_
_
. .
_
Iq
N
Y
max
(2.54)
Substituindo a equao de predio, obtida em (2.6), em (2.54), tem-se
_
I
q
N
Y
min
Y
_
I
q
N
Y
max
_
I
q
N
Y
min
G U +F
_
I
q
N
Y
max
_
I
q
N
Y
min
F G U
_
I
q
N
Y
max
F
ou seja,
_
_
G U
_
I
q
N
Y
max
F
G U
_
I
q
N
Y
min
+F
(2.55)
2.7.1.4 Resumo
Das equaes (2.51), (2.53) e (2.55) pode-se escrever as restries de desigualdade
como sendo:
_
_
T
p
M
T
p
M
_
I
p
_
I
p
M
G
G
_
_
U
_
_
_
I
p
M
[U
max
u(k 1)]
_
I
p
M
[U
min
u(k 1)]
_
I
p
M
U
max
_
I
p
M
U
min
_
I
q
N
Y
max
F
_
I
q
N
Y
min
+F
_
_
(2.56)
2.7.2 Restries em termos do sinal de controle
2.7.2.1 Restries sobre a excurso do controle
A restrio sobre a excurso de controle, obtida em (2.50), pode ser expressa por:
_
_
_
I
p
_
I
p
M
_
_
U
_
_
_
I
p
M
U
max
_
I
p
M
U
min
_
_
(2.57)
2.7.2.2 Restries sobre a taxa de variao do controle
Substituindo a expresso (2.5), que relaciona as predies do sinal de controle U
com seus respectivos incrementos U, em (2.52), pode-se obter que
T
p
M
_
I
p
M
U
min
+
_
I
p
M
u(k 1) U T
p
M
_
I
p
M
U
max
+
_
I
p
M
u(k 1) (2.58)
ou seja,
_
_
U T
p
M
_
I
p
M
U
max
+
_
I
p
M
u(k 1)
U T
p
M
_
I
p
M
U
min

_
I
p
M
u(k 1)
(2.59)
2.7.2.3 Restries sobre a excurso da sada
De maneira anloga aos casos anteriores, substituindo (2.4), que relaciona o sinal de
sada predito Y com as predies do sinal de controle U, em (2.54), tem-se
_
I
q
N
Y
min
Y
_
I
q
N
Y
max
_
I
q
N
Y
min
HU +Qx(k)
_
I
q
N
Y
max
_
I
q
N
Y
min
Qx(k) HU
_
I
q
N
Y
max
Qx(k)
ou seja,
_
_
H U
_
I
q
N
Y
max
Qx(k)
H U
_
I
q
N
Y
min
+Qx(k)
(2.60)
2.7.2.4 Resumo
Finalmente, das equaes (2.57), (2.59) e (2.60) pode-se escrever as restries de
desigualdade como sendo
_
_
_
I
p
_
I
p
M
_
I
p
_
I
p
M
H
H
_
_
U
_
_
_
I
p
M
U
max
_
I
p
M
U
min
T
p
M
_
I
p
M
U
max
+
_
I
p
M
u(k 1)
T
p
M
_
I
p
M
U
min

_
I
p
M
u(k 1)
_
I
q
N
Y
max
Qx(k)
_
I
q
N
Y
min
+Qx(k)
_
_
(2.61)
3 Otimizao Multi-Objetivo
Problemas de controle, em sua grande maioria, envolvem vrios ndices de desempe-
nho (ou objetivos), que devem ser otimizados simultaneamente. No entanto, na prtica,
nem sempre isto possvel uma vez que alguns destes objetivos podem ser conitantes
entre si (CNDIDO; GALVO; YONEYAMA, 2009c). Pode-se desejar, por exemplo, a mi-
nimizao do erro de rastreamento e do esforo de controle ou que a estabilidade e o
desempenho sejam robustos a incertezas no modelo da planta e perturbaes exgenas
(NAGY; BRAATZ, 2004). Adicionalmente, pode-se especicar que a malha de controle
seja tolerante ocorrncia de falhas em sensores, atuadores ou mesmo em componentes
internos do processo (ISERMANN, 2006; VACHTSEVANOS et al., 2006).
Considerando R
o vetor de parmetros de projeto que devem ser ajustados e

f() = f
1
(), f
2
(), . . . , f
m
() um funcional de m objetivos, um problema de otimizao
multi-objetivo pode ser expresso por (LIU; YANG; WHIDBORNE, 2003):
otimizar f()
sujeito a
=
_
_
R
g
i
() 0 i = 1, , m
1
h
j
() = 0 j = 1, , m
2
_
_
sendo = [
1

]
T
(3.1)
onde g
i
() e h
j
() so respectivamente funes associadas s restries de desigualdade e
igualdade.
CAPTULO 3. Otimizao Multi-Objetivo 70
Tipicamente, as funes-objetivo f() so conitantes entre si (LIU; YANG; WHID-
BORNE, 2003). Assim, o problema de otimizao multi-objetivo no possui em geral uma
soluo tima nica, a qual consiga otimizar todos os objetivos simultaneamente. Neste
caso h um conjunto de solues igualmente ecientes, ou no-inferiores, denominado
conjunto timo de Pareto (DEB, 2001; COLLETTE; SIARRY, 2003; TAKAHASHI, 2007; LIU;
YANG; WHIDBORNE, 2003). Posteriormente, atravs de um processo de deciso, pode
ser escolhida a soluo mais adequada, pertencente a este conjunto timo, que pondere
ecientemente todos os objetivos propostos pelo projetista.
Dependendo de como incorporada essa etapa de deciso ao processo de busca das
solues timas, pode-se destacar trs classes de otimizao multi-objetivo (COLLETTE;
SIARRY, 2003):
Mtodos de otimizao a priori: O projetista, antes de iniciar o processo de busca
da soluo tima, dene explicitamente qual o compromisso que se deseja obter em
relao aos ndices de desempenho considerados. Neste caso, realizada apenas uma
etapa de busca, cujo resultado ir reetir o compromisso denido pelo projetista.
Mtodos de otimizao progressivos: O processo de otimizao neste caso reali-
zado em vrias iteraes. A cada passo, o tomador de deciso prove informaes
parciais de preferncias de solues, de modo a reorientar a busca para solues que
exprimam o compromisso desejado.
Mtodos de otimizao a posteriori: Neste caso, o algoritmo de otimizao procura
um conjunto de solues pertencentes ao conjunto de Pareto. Posteriormente, o
tomador de deciso seleciona aquela que melhor satisfaa o compromisso proposto.
Neste trabalho, sero abordados os mtodos de busca em grade e goal attainment
para a obteno da fronteira tima de Pareto. Esta fronteira ir representar o compro-
misso de minimizao de trs ndices de desempenho (velocidade de resposta, sensibilidade
a rudos de medida e sensibilidade a perturbaes no estado) atravs do ajuste dos par-
metros do controlador preditivo: horizonte de predio, horizonte de controle, ponderao
do esforo de controle, ponderao das variveis de sada e ponderao do erro acumulado,
ou seja, = (N, M, W
u
, W
y
, W
z
). importante salientar que, conforme j explicitado na
seo 2, as variveis N M 1 so inteiras e as matrizes de ponderao W
u
, W
y
e
W
z
so diagonais positivo-denidos, sendo W
z
utilizado apenas para o caso da formula-
o MPC no-incremental com erro acumulado. Portanto, o ajuste destes parmetros de
ponderao efetuado apenas nos elementos da diagonal principal.
A abordagem de busca em grade pode ser classicada como um mtodo de otimizao
a posteriori, no qual as solues so obtidas mediante busca exaustiva em uma grade
denida no espao de parmetros, conforme ser abordado na seo 3.2. J o mtodo
goal attainment pode ser classicado como um mtodo de otimizao a priori (LIU; YANG;
WHIDBORNE, 2003), tendo como resultado uma soluo nica. No entanto, para este caso,
pode-se obter a fronteira de Pareto variando-se as preferncias do tomador de deciso
(COLLETTE; SIARRY, 2003), como ser discutido na seo 3.3.
3.1 Solues no-dominadas e fronteira de Pareto
Considerando, sem perda de generalidade, que as funes-objetivo do problema (3.1)
devem ser minimizadas, a soluo
(2)
dita ser dominada por
(1)
se as seguintes condies
forem satisfeitas (DEB, 2001):
A soluo
(1)
no pior que a soluo
(2)
para nenhum objetivo, ou seja, f
j
(
(1)
)
f
j
(
(2)
) para todo j 1, . . . , m.
A soluo
(1)
estritamente melhor que a soluo
(2)
para pelo menos um objetivo,
ou seja, f
j
(
(1)
) < f
j
(
(2)
) para algum j 1, . . . , m.
Esta relao de dominncia est representada na Figura 3.1 para o caso em que
esto envolvidos apenas dois objetivos f
1
e f
2
.
Objetivo 1(f
1
)
O
b
j
e
t
i
v
o
2
(
f
2
)
(1)
(2)
(3)
Solues indiferentes
(4)
(5)
(6)
f
_
(7)
Solues dominadas por f

_
(7)
(8)
Solues indiferentes
(9)
(10)
(11)
(12)
(13)
Solues que dominam f
_
(7)
FIGURA 3.1 Relao de dominncia entre as solues em relao a soluo f

_
(7)
para
dois objetivos.
Se a soluo
(1)
no dominada por nenhuma outra soluo R
, ento
(1)
dita ser uma soluo no-dominada no espao de busca do problema. Esta propriedade
tambm pode ser denida como em (LIU; YANG; WHIDBORNE, 2003), onde a soluo
(1)
dita ser eciente (no-inferior, no-dominada ou Pareto-tima) para o problema de
otimizao (3.1) se no existe ( ,=
(1)
) tal que f() f(
(1)
) e f() ,= f(
(1)
). O
conjunto de todas estas solues no-dominadas corresponde Fronteira tima de Pareto,
conforme ilustrado na Fig. 3.2.
Objetivo 1
O
b
j
e
t
i
v
o
2
Fronteira
de Pareto
Solues no-dominadas
Solues dominadas
FIGURA 3.2 Fronteira de Pareto e exemplos de solues dominadas e no-dominadas
para m = 2 objetivos.
As solues que compem a fronteira de Pareto so timas no sentido que no
existe, dentro do universo de busca, qualquer outra soluo melhor que elas quando todos
os objetivos so considerados simultaneamente. Deste modo, a soluo do problema de
otimizao multi-objetivo deve estar necessariamente situado na fronteira de Pareto (LIU;
YANG; WHIDBORNE, 2003).
3.2 Busca em grade
A metodologia de busca em grade para otimizao pode ser dividida em duas etapas.
A primeira consiste na obteno dos valores das funes-objetivo para um conjunto de
solues admissveis e a segunda envolve a seleo das solues no-dominadas.
Assim, na primeira etapa especicada a grade combinatorial do parmetro de
ajuste , de modo a respeitar as restries do problema. Posteriormente, para cada
elemento desta grade avaliado o valor das funes-objetivo.
Denindo
(i)
j
como sendo o valor i do elemento j do parmetro de ajuste, conside-
rando parmetros de ajustes que podem assumir s valores, pode-se denir a grade de
parmetros segundo o diagrama abaixo:
_
(1)
1
,
(1)
2
, . . . ,
(1)
_
//
_
(2)
1
,
(1)
2
, . . . ,
(1)
_
//
_
(s)
1
,
(1)
2
, . . . ,
(1)
_
rreeeeeeeeeeeeeeeeeeeeeeeeeeeee
_
(s)
1
,
(2)
2
, . . . ,
(1)
_
//
_
(s)
1
,
(3)
2
, . . . ,
(1)
_
//
_
(s)
1
,
(s)
2
, . . . ,
(1)
_
rr _
(s)
1
,
(s)
2
, . . . ,
(2)
_
//
_
(s)
1
,
(s)
2
, . . . ,
(3)
_
//
_
(s)
1
,
(s)
2
, . . . ,
(s)
_
Portanto, a grade de busca para o caso em que o problema de otimizao multi-
objetivo envolve apenas dois parmetros de ajuste = [
1
,
2
], considerando que estes
possam assumir s valores, est representado na Tabela 3.1.
TABELA 3.1 Grade de parmetros para = [
1
,
2
]

(1)
2

(2)
2

(s)
2
(1)
1
[
(1)
1
,
(1)
2
] [
(1)
1
,
(2)
2
] [
(1)
1
,
(s)
2
]
(2)
1
[
(2)
1
,
(1)
2
] [
(2)
1
,
(2)
2
] [
(2)
1
,
(s)
2
]
(3)
1
[
(3)
1
,
(1)
2
] [
(3)
1
,
(2)
2
] [
(3)
1
,
(s)
2
]
.
.
.
.
.
.
.
.
.
.
.
.
(s)
1
[
(s)
1
,
(1)
2
] [
(s)
1
,
(2)
2
] [
(s)
1
,
(s)
2
]
Posteriormente, os valores obtidos para os objetivos so comparados segundo a de-
nio de dominncia de Pareto, de modo a selecionar aquelas solues no-dominadas no
espao de busca do problema. Finalmente, a fronteira tima de Pareto pode ser estimada
a partir das solues no-dominadas, conforme a Figura 3.3 para o caso de dois objetivos
e dois parmetros de ajuste. Neste trabalho, optou-se por realizar uma interpolao linear
destas solues.

(1)
2

(2)
2
. . .

(m)
2
(1)
1
(2)
1
.
.
.
(m)
1
f()
f
2
f
2
f
1
f
1
Fronteira
de Pareto [
(1)
1

(1)
2
]
[
(2)
1

(1)
2
]
.
.
.
[
(m)
1

(1)
2
]
[
(1)
1

(2)
2
]
[
(2)
1

(2)
2
]
.
.
.
[
(m)
1

(2)
2
]
. . .
. . .
.
.
.
. . .
[
(1)
1

(m)
2
]
[
(2)
1

(m)
2
]
.
.
.
[
(m)
1

(m)
2
]
Seleo e
interpolao
f[
(i)
1

(j)
2
]
FIGURA 3.3 Fronteira de Pareto para m = 2 objetivos e = [
1
,
2
].
3.3 Goal attainment
O mtodo de otimizao multi-objetivo goal attainment associado ao vetor f() =
f
1
(), f
2
(), . . . , f
m
() pode ser expresso da seguinte forma (COLLETTE; SIARRY, 2003):
Dados
i
0 para i = 1, . . . , m com

m
i=1
i
= 1, e F = (F
1
, F
2
, . . . , F
m
), obter R,
R
de modo a
minimizar
sujeito a f
1
()
1
F
1
.
.
.
f
m
()
m
F
m
g() 0
e h() = 0
(3.2)
onde o grau de super ou subestimao da soluo, o vetor que representa a direo
da busca, F o vetor de inicializao dos objetivos, g e h so as funes associadas s
restries de desigualdade e igualdade, respectivamente.
A Figura 3.4 ilustra este mtodo de otimizao para o caso onde esto envolvidos
apenas dois objetivos a serem minimizados. Nesta gura, S e S
representam respectiva-
mente a regio de solues admissveis e a fronteira tima de Pareto.
F +
S
f
2
f
2
f
1
f
F
FIGURA 3.4 Mtodo goal-attainment para o caso de dois objetivos.
Primeiramente, o algoritmo goal attainment inicializado denindo os vetores F e
, relacionados a direo da busca, de modo a reetir o compromisso que se deseja obter
em relao s funes-objetivo consideradas. O problema de otimizao equivalente a
encontrar
tal que F+
pertena a S e esteja o mais prximo possvel da origem. Neste

caso, F +
certamente ser uma soluo no-dominada. Repetindo este procedimento

diversas vezes, para diversos valores de e F, pode-se obter diferentes pontos sobre a
fronteira tima de Pareto.
O algoritmo de otimizao goal attainment pode ser implementado atravs do m-
todo de programao sequencial quadrtica (Sequential Quadratic Programming - SQP)
(BRAYTON et al., 1979). Vale salientar que este mtodo apresenta um bom resultado,
mesmo para o caso em que a fronteira de Pareto seja no-convexa (COLLETTE; SIARRY,
2003). No entanto, este algoritmo de otimizao exige que tanto as funes-objetivo,
f(), quanto os parmetros a serem ajustados, = (N, M, W
u
, W
y
, W
z
), assumam valores
contnuos.
Uma vez que os parmetros N e M do controlador MPC podem assumir apenas
valores inteiros positivos, prope-se neste trabalho um procedimento de interpolao das
funes-objetivo f = (f
1
, f
2
, f
3
) (CNDIDO; GALVO; YONEYAMA, 2009c). Este procedi-
mento de interpolao pode ser implementado com base no uxograma representado na
Figura 3.5, referentes aos algoritmos 1, 2, 3 e 4. A notao f(1, 2, 3) corresponde aos
valores impostos s funes-objetivo f
1
, f
2
e f
3
.
O Algoritmo 1 verica se o processo de otimizao violou a restrio sobre os ho-
rizontes de predio e controle imposta pelo MPC em que N M. Se esta restrio
no for satisfeita, faz-se N = M. Adicionalmente, caso estes valores no sejam inteiros,
utiliza-se uma interpolao linear para a obteno dos valores das funes-objetivo. Neste
algoritmo, os smbolos () e () correspondem respectivamente s aproximaes de ()
N, M, W
u
, W
y
, W
z
N < 1
ou M < 1
ou W
u
< 0
ou W
y
< 0
ou W
z
< 0
N < M
N, M
Inteiro
N Inteiro
M No-Inteiro
N No-Inteiro
M Inteiro
Fazer f(1, 2, 3)
grande
Usar
Algoritmo 1
Calcular
f(1, 2, 3)
Usar
Algoritmo 2
Usar
Algoritmo 3
Usar
Algoritmo 4
Apresentar f(1, 2, 3)
SIM
SIM
SIM
SIM
SIM
NO
NO
NO
NO
NO
FIGURA 3.5 Fluxograma do mtodo de interpolao das funes-objetivo.
para o valor inteiro anterior e posterior, R
1
e R
2
correspondem s distncias do valor N
no-inteiro at as aproximaes inteiras anterior e posterior, e Pb
1,2,3
e Pt
1,2,3
correspon-
dem aos valores atribudos s funes-objetivo tendo como base as aproximaes inteiras
correspondentes a N ou M. O valor de f(1, 2, 3) ento calculado como uma mdia
ponderada de Pb
1,2,3
e Pt
1,2,3
.
Algoritmo 1 Restrio N < M
SE N < M ENTO
Faa N M
SE N for inteiro ENTO
Calcule os valores de f
1
, f
2
e f
3
SENO
Faa interpolao linear:
R
1
R
2
N
N N
Pb
1,2,3
Pt
1,2,3
M M
sendo
R
1
= N N
R
2
= N N
f(1, 2, 3) =
1/R
1
Pb
1,2,3
+ 1/R
2
Pt
1,2,3
1/R
1
+ 1/R
2
FIM SE
FIM SE
Por m, caso N M em que pelo menos um destes parmetros seja no-inteiro,
utilizam-se os Algoritmos 2, 3 ou 4. O Algoritmo 2 verica se N inteiro e M no-
inteiro, o algoritmo 3 verica se somente M inteiro e N no-inteiro e o algoritmo 4
determina a interpolao bilinear das funes-objetivo para o caso em que nenhuma das
condies anteriores forem satisfeitas.
Algoritmo 2 Caso N inteiro e M no-inteiro
SE N inteiro E M no-inteiro ENTO
Faa interpolao linear em relao a M:
R
1
R
2
M
M
M
Pb
1,2,3
Pt
1,2,3
sendo
R
1
= M M
R
2
= M M
F(1, 2, 3) =
1/R
1
Pb
1,2,3
+ 1/R
2
Pt
1,2,3
1/R
1
+ 1/R
2
FIM SE
Algoritmo 3 Caso N no-inteiro e M inteiro
SE N no-inteiro E M inteiro ENTO
Faa interpolao linear em relao a N:
R
1
R
2
N
N
N
Pb
1,2,3
Pt
1,2,3
sendo
R
1
= N N
R
2
= N N
F(1, 2, 3) =
1/R
1
Pb
1,2,3
+ 1/R
2
Pt
1,2,3
1/R
1
+ 1/R
2
FIM SE
Algoritmo 4 Caso N M
SE N M ENTO
Faa interpolao bilinear:
M M
f()
N
N
R
2
R
3
R
1
R
4
Pt1
1,2,3
Pt2
1,2,3
Pb2
1,2,3
Pb1
1,2,3
M
N
sendo
R
1
=
_
(N N)
2
+ (M M)
2
R
2
=
_
(N N)
2
+ (M M)
2
R
3
=
_
(N N)
2
+ (M M)
2
R
4
=
_
(N N)
2
+ (M M)
2
F(1, 2, 3) =
1/R
1
Pb1
1,2,3
+ 1/R
2
Pt1
1,2,3
+ 1/R
3
Pt2
1,2,3
+ 1/R
4
Pb2
1,2,3
1/R
1
+ 1/R
2
+ 1/R
3
+ 1/R
4
FIM SE
4 Modelo Dinmico da Aeronave
Com o advento dos computadores digitais, a anlise da dinmica das aeronaves por
meio da integrao das equaes de movimento foi extremamente facilitada (STENGEL,
2004). Atualmente, os sistemas de controle adquiriram uma posio de destaque na
caracterizao do movimento e na qualidade de vo da aeronave (COOK, 2007).
Embora as aeronaves sejam projetadas para uma grande variedade de propsitos,
geralmente, seus componentes principais so os mesmos (ADAMS; DAVID, 2003). Tipica-
mente, pode-se dividi-los em componentes xos (asas, fuselagem, cauda, motor, estabi-
lizador vertical e estabilizador horizontal) e componentes mveis (profundores, ailerons
e leme) (BUSNARDO, 2006), conforme Figura 4.1. Vale ressaltar que algumas aeronaves
possuem estabilizadores mveis.
Leme
Profundor
Estabilizador
Vertical
Horizontal
Estabilizador
Aileron
FIGURA 4.1 Superfcies bsicas de uma aeronave.
Por meio da deexo das superfcies mveis possvel realizar movimentos de rotao
sobre o centro de gravidade da aeronave: movimento de rolamento, guinada e arfagem.
Atravs da deexo anti-simtrica dos pares de ailerons (aileron esquerdo e aileron direito),
CAPTULO 4. Modelo Dinmico da Aeronave 82
conforme Figura 4.2, possvel obter o movimento de rolamento. J o movimento de
guinada pode ser obtido atravs da deexo do leme, conforme Figura 4.3, e o movimento
de arfagem pode ser obtido por meio da deexo do profundor, conforme Figura 4.4.
Contudo, importante salientar que os movimentos (principalmente o ltero-direcional)
so acoplados entre si.
Menor Sustentao
Maior Sustentao
Rolamento
FIGURA 4.2 Movimento de Rolamento.
Fora
lateral
Guinada
FIGURA 4.3 Movimento de Guinada.
Arfagem
Fora
FIGURA 4.4 Movimento de Arfagem.
Segundo a viso do piloto, no rolamento positivo a asa da direita abaixa, na arfagem
positiva o nariz levanta e na guinada positiva o nariz se movimenta para a direita, conforme
Figura 4.5.
Rolamento
Guinada
Arfagem
CG
x
z
y
FIGURA 4.5 Movimentos de rolamento, arfagem e guinada da aeronave.
No Anexo A consta o desenvolvimento das equaes no-lineares que descrevem
o movimento da aeronave. Ser apresentada neste captulo a particularizao destas
equaes para o caso da atmosfera no-estacionria. Posteriormente, sero apresentados
os modelos de foras, momentos aerodinmicos, propulsivo e atmosfrico. Por m ser
destacado os procedimentos para linearizao do modelo no-linear e ser investigada a
inuncia de rudos de medidas e pertubaes exgenas (causadas por rajadas de vento)
na dinmica da aeronave.
4.1 Modelo longitudinal para atmosfera no-estacionria
Considerando a atmosfera no-estacionria, pode-se representar a velocidade total
da aeronave expressa no sistema de coordenadas aerodinmico como sendo
v
I
=
_
_
V
0
0
_
_
. .
va
+H
W
I
_
_
w
x
0
w
h
_
_
. .
w
(4.1)
onde H
W
I
corresponde matriz de transformao do referencial inercial para o sistema de
coordenadas aerodinmico, v
a
a velocidade relativa da aeronave expressa no sistema de
coordenadas aerodinmico e w a velocidade do vento em relao ao referencial inercial
expresso no sistema de coordenadas inercial, conforme Figura 4.6.
CG
x
B
z
B
y
B
v
a
w
v
I
FIGURA 4.6 Vetores do vento w, velocidade total v
I
e velocidade relativa v
a
Ser considerado que um vento de proa aumenta a velocidade relativa e que o vetor
v
a
seja constante sobre uma regio muito maior que o comprimento da aeronave. Assim,
de maneira semelhante ao que foi realizado na seo A.3.3, pode-se expressar o conjunto
de equaes no-lineares que representam o movimento longitudinal da aeronave por:
_
V =
F
T
cos(
F
) D mg sin
m
( w
x
cos + w
h
sin )
=
F
T
sin(
F
) +L mg cos
mV
+
w
x
sin w
h
cos
V
q =
M
J
y
= q
H = V sin +w
h
x = V cos +w
x
(4.2)
4.2 Foras e momentos aerodinmicos
As foras e momentos que atuam sobre a aeronave podem ser representadas como
produtos de coecientes adimensionais, que possibilitam a comparao dos dados aerodi-
nmicos para vrias conguraes de aeronaves, com quantidades que possuem dimenso
(STENGEL, 2004). Assim, pode-se expressar, respectivamente, as foras de arrasto D,
lateral S
F
e de sustentao L por:
D = C
D
qS (4.3)
S
F
= C
SF
qS (4.4)
L = C
L
qS (4.5)
onde S (m
2
) a rea da asa, q = V
2
A
/2 (N/m
2
) a presso dinmica, (kg/m
3
) a
densidade de ar e V
A
a velocidade da aeronave considerando a velocidade do vento nula.
Geralmente os coecientes de sustentao e arrasto so tabelados como funes de
vrios movimentos e variveis de controle (STENGEL, 2004), ou seja,
C
L
= C
L
(, M, F) +C
L
q
(, M, F) q +C
L
E
(, M, F)E
C
D
= C
D
(, M, F) +C
D
q
(, M, F) q +C
D
E
(, M, F)E
onde q = q c/(2V ) a taxa normalizada de arfagem, F a congurao dos aps e E
o ngulo do profundor.
De maneira similar, pode-se expressar, respectivamente, os momentos de rolagem
L
r
, arfagem M e guinada N por:
L
r
= C
l
qSb (4.6)
M = C
m
qS c (4.7)
N = C
n
qSb (4.8)
onde b a envergadura e c a corda mdia aerodinmica.
Os coecientes aerodinmicos so tipicamente modelados como funes lineares dos
ngulos da aeronave em relao ao vento, taxas angulares e conguraes das superfcies
de controle (STENGEL, 2004). Assim, para a velocidade de equilbrio V
e
, tem-se:
C
l
= C
l
0
+C
l
+C
l
p
p +C
l
r
r +C
l
A
A +C
l
R
R
C
m
= C
m
0
+C
m
+C
m
q
q +C
m
E
E
C
n
= C
n
0
+C
n
+C
n
p
p +C
n
r
r +C
n
A
A+C
n
R
R
onde p = pb/(2V
e
), r = rb/(2V
e
), e A, E e R so os ngulos da deexo do aileron,
profundor e leme, respectivamente.
4.3 Modelo propulsivo
Basicamente, a trao do motor funo da densidade do ar, da velocidade de vo
e da posio da manete de trao (VELOSO, 2005).
Um modelo normalmente adotado para condio de vo em cruzeiro baseado na
porcentagem do comando fornecida manete de combustvel [0, 1], na trao mxima
F
max,i
medida na condio de altitude onde a densidade do ar vale
i
e na velocidade de
operao V
i
(PAGLIONE; ZANARDI, 1991):
F = F
max,i
_
i
_
n
_
V
V
i
_
n
V
(4.9)
onde
n
V
=
_
_
1 para aeronaves hlice
0 para turbofan ou jato subsnico
1 para jato com ps-queimador ligado
n
=
_
_
0,7 at 0,85 para H 11000 m
1 para H > 11000 m
4.4 Modelo de atmosfera
Mudanas na densidade do ar acarretam alteraes nas foras aerodinmicas e na
performance do dispositivo de propulso, que inuenciam diretamente no vo da aeronave
(NELSON, 1989).
Pode-se dividir a atmosfera em quatro regies (troposfera, estratosfera, mesosfera e
termosfera). A massa de ar na camada troposfrica (aproximadamente de 0 a 20km)
caracterizada por ventos no-estacionrios e turbulncias, que interferem diretamente na
integridade estrutural e no comportamento do vo (NELSON, 1989). Particularmente, o
fenmeno de turbulncia ser abordado na seo 4.6.
Uma vez que as caractersticas atmosfricas variam em relao ao tempo e lugar, foi
publicado em 1962 pela ICAO (International Civil Aviation Organization) um modelo at-
mosfrico padro conhecido como ISA (International Standard Atmosphere) (BUSNARDO,
2006; VELOSO, 2005). As constantes fsicas da atmosfera ISA so listadas na Tabela 4.1.
TABELA 4.1 Constantes fsicas da atmosfera ISA
Grandeza Valores
Presso p
0
= 1,01325 10
5
N/m
2
Densidade do ar
0
= 1,225 kg/m
3
Temperatura T
0
= 288,15 K
Acelerao da gravidade g
0
= 9,80665 m/s
2
Velocidade do som a
0
= 340,294 m/s
Viscosidade do ar
0
= 17,894 10
6
kg/ms
Constante de gases para o ar R
0
= 287,043 m
2
/kgs
2
possvel obter um modelo atmosfrico em que todas as propriedades so funes
apenas da altitude (STENGEL, 2004). Por exemplo, para a densidade do ar atmosfrico,
, e para a temperatura esttica do ar atmosfrico, T, tem-se os modelos a seguir:
=
_
0
(1 2,2558 10
5
h)
4,2558774
para h < 11000 m
0,29707
0
exp [1,5769 10
4
(11000 h)] para 11000 m h 20000 m
T =
_
_
T
0
(1 2,2558 10
5
h) para h 11000 m
216,65 K para 11000 m h 20000 m
(4.10)
4.5 Linearizao do modelo
A linearizao do modelo efetuada em relao a uma condio de equilbrio de vo
em cruzeiro com asas niveladas e velocidade constante em mdulo e direo. Portanto,
no equilbrio:
_
_
V = V
e
= 0
q = 0
=
e
H = H
e
=
_
V = 0
= 0
q = 0
= 0
H = 0
(4.11)
Pode-se observar que as trs primeiras relaes de (4.11) so condies sucientes
para que as duas ltimas sejam satisfeitas. Assim, dado uma condio de vo desejado,
possvel determinar as variveis de controle de equilbrio (ngulo de ataque
e
, deexo
do profundor
pe
e manete do combustvel
e
) por meio da resoluo do sistema de trs
equaes algbricas no-lineares,
_
V (
e
,
pe
,
e
) = 0
(
e
,
pe
,
e
) = 0
q(
e
,
pe
,
e
) = 0
(4.12)
Tipicamente, a resoluo de (4.12) realizada atravs de mtodos numricos (VE-
LOSO, 2005).
O modelo no-linear obtido em (4.2) pode ser representado por:
_
_
x(t) = f[x(t), u(t), w(t), t]
y(t) = h[x(t), u(t), w(t), t]
(4.13)
onde x(t) = [V q H]
T
o vetor de estado, u(t) = [
p
]
T
o vetor de controle, e
w(t) = [w
x
w
x
w
h
w
h
]
T
o vetor de distrbios atmosfricos.
Pode-se expressar as relaes (4.13) como sendo uma soma do valor de equilbrio
()
e
mais perturbaes () (STENGEL, 2004), ou seja,
x(t) = x
e
(t) +x(t)
u(t) = u
e
(t) +u(t)
w(t) = w
e
(t) +w(t)
y(t) = y
e
(t) +y(t)
Assim, pode-se reescrever a Eq. (4.13) como
_
_
x
e
(t) + x(t) = f[x
e
(t) +x(t), u
e
(t) +u(t), w
e
(t) +w(t), t]
y
e
(t) +y(t) = h[x
e
(t) +x(t), u
e
(t) +u(t), w
e
(t) +w(t), t]
(4.14)
Aplicando a expanso de Taylor de primeira ordem a Eq. (4.14) tem-se
x
e
(t) + x(t) f[x
e
(t), u
e
(t), w
e
(t), t] +
f
x
..
Ac(t)
x(t) +
f
u
..
Bc(t)
u(t) +
f
w
..
Lc(t)
w(t)
y
e
(t) +y(t) h[x
e
(t), u
e
(t), w
e
(t), t] +
h
x
..
C(t)
x(t) +
h
u
..
D(t)
u(t) +
h
w
..
K(t)
w(t)
onde as matrizes Jacobianas expressam a sensibilidade linear de f e h para as perturbaes
x, u e w. Por exemplo, o Jacobiano de f em relao a x ser:
f
x
=
_
_
f
V
V
e
f
V
e

f
V
H
e
f
e
f
e

f
e
.
.
.
.
.
.
.
.
.
.
.
.
f
H
V
e
f
H
e

f
H
H
e
_
_
(4.15)
onde [][
e
representa a condio de equilbrio x = x
e
, u = u
e
e w = w
e
.
Para o caso em que x
e
, u
e
e w
e
so constantes e f no funo do tempo (como
por exemplo no caso de vo em cruzeiro em que desprezada a taxa de consumo de
combustvel) as matrizes Jacobianas so aproximadamente constantes (STENGEL, 2004).
Assim, dada uma condio inicial, a representao do modelo linearizado em espao de
estados ser:
_
_
x(t) = Ac x(t) +Bc u(t) +Lcw(t)
y(t) = C x(t) +D u(t) +Kw(t)
(4.16)
Por abuso de notao o smbolo (), que representa a variao de () em relao ao
valor de equilbrio, ser subentendido.
As matrizes Jacobianas podem ser obtidas de maneira analtica ou numrica. O
procedimento numrico ser adotado para a obteno de Ac, Bc e C. Por exemplo, para
V pequeno o suciente, pode-se aproximar
f
V
V
f
V
(V
e
+V,
e
, q
e
,
e
, H
e
,
pe
,
e
, w
e
) f
V
(V
e
V,
e
, q
e
,
e
, H
e
,
pe
,
e
, w
e
)
2V
J a matriz Jacobiana Lc pode ser obtida analiticamente de (4.2), denindo o estado
de perturbao oriundo das rajadas de ventos como w(t) = [w
x
w
x
w
h
w
h
]
T
, resultando
em
Lc =
_
_
0 cos
e
0 sin
e
0
sin
e
V
e
0
cos
e
V
e
0 0 0 0
0 0 0 0
0 0 1 0
_
_
(4.17)
4.6 Turbulncia atmosfrica
O vento o distrbio natural de maior predominncia e complexidade que interfere
na aeronave (STENGEL, 2004). Este distrbio pode ser decomposto em trs componentes
que variam com o tempo e posio: longitudinal (u
g
), vertical (w
g
) e lateral (v
g
). Tipi-
camente as variaes destes componentes so pequenas em relao aeronave (NELSON,
1989; SCHMIDT, 1998).
O vetor do vento pode ser expresso por (STENGEL, 2004):
w(r, t) = w
0
(r, t) + w(r, t) (4.18)
onde w
0
(r, t) caracteriza a parcela determinstica do vento que persiste sobre uma dada
regio e tempo, e w(r, t) um processo aleatrio que descreve a turbulncia atmosfrica.
Embora o modelo de von Krmn descreva com maior preciso a turbulncia at-
mosfrica, tipicamente utiliza-se o modelo Dryden devido a facilidades na representao
em espao de estados (STENGEL, 2004). As densidades espectrais de potncia do modelo
de Dryden longitudinal, lateral e vertical, podem ser expressas, respectivamente, por (U.
S. MILITARY SPECIFICATION, 1980):
u
() =
2
2
u
L
u
V
1
1 +
_
L
u
V
_
2

p
() =

2
w
V L
w
0.8
_
L
w
4b
_
1/3
1 +
_
4b
V
_
2
(4.19)
v
() =

2
v
L
v
V
1 + 3
_
L
v
V
_
2
_
1 +
_
L
v
V
_
2
_
2

r
() =
_
V
_
2
1 +
_
3b
V
_
2
v
() (4.20)
w
() =

2
w
L
w
V
1 + 3
_
L
w
V
_
2
_
1 +
_
L
w
V
_
2
_
2

q
() =
_
V
_
2
1 +
_
4b
V
_
2
w
() (4.21)
onde representa a intensidade da turbulncia, b a envergadura e L o fator de escala.
Nos desenvolvimentos posteriores sero consideradas apenas o efeito de turbulncia lon-
gitudinal, u
g
e w
g
.
O sinal de turbulncia colorido pode ser obtido atravs de um ltro excitado por um
rudo branco gaussiano de varincia unitria, n, conforme a Figura 4.7 (ABDULWAHAB;
HONGQUAN, 2008; FIDKOWSKI et al., 2008; PAPOULIS; PILLAI, 2001).
x

y
n
H(s)
Rudo Branco Rudo Colorido
FIGURA 4.7 Filtro de transformao de um rudo branco para um rudo colorido.
Desta forma:
y
() = [H(s)[
2
s=j
x
() (4.22)
= [H(s)[
2
s=j
(4.23)
ou seja,
[H
u
(s)[
2
s=j
=
2
2
u
L
u
V
1
1 +
_
L
u
V
_
2
[H
w
(s)[
2
s=j
=

2
w
L
w
V
1 + 3
_
L
w
V
_
2
_
1 +
_
L
w
V
_
2
_
2
Portanto, a funo de transferncia da turbulncia longitudinal e vertical de Dryden,
em termos da varivel de Laplace, pode ser expressa por:
H
u
(s) =
u
_
2L
u
V
1
1 +
L
u
V
s
= K
u
1
u
+s
(4.24)
H
w
(s) =
w
_
L
w
V
1 +
3L
w
V
s
_
1 +
L
w
V
s
_
2
= K
w
_
s +
w
(s +
w
)
2
_
(4.25)
onde
K
u
=
u
_
2V
L
u
u
=
V
L
u
K
w
=
w
_
3V
L
w
w
=
V
3
3L
w
w
=
V
L
w
As Equaes (4.24) e (4.25) podem ser representadas em espao de estados resul-
tando no conjunto de equaes a seguir:
_
_
_
_
x
1u
x
2u
_
_
=
_
u
0
0
u
_
_
_
_
x
1u
x
2u
_
_
+
_
_
K
u
u
K
u
_
_
n(t)
_
_
w
u
w
u
_
_
=
_
_
1 0
0 1
_
_
_
_
x
1u
x
2u
_
_
+
_
_
0
K
u
_
_
n(t)
(4.26)
_
_
_
_
x
1w
x
2w
_
_
=
_
_
0 1
2
w
2
w
_
_
_
_
x
1w
x
2w
_
_
+
_
_
K
w
K
w
( 2
w
)
_
_
n(t)
_
_
w
w
w
w
_
_
=
_
_
1 0
0 1
_
_
_
_
x
1w
x
2w
_
_
+
_
_
0
K
w
_
_
n(t)
(4.27)
4.7 Resposta dinmica para perturbaes e rudos ale-
atrios
Considere um sistema linear invariante no tempo excitado por um rudo branco
gaussiano de mdia zero,
x(k + 1) = Ax(k) +Gn(k) (4.28)
onde x(k) R
r
e n(k) R
l
o ruido de entrada com covarincia
2
I
l
.
Tomando-se o valor esperado de cada termo na Eq. (4.28), tem-se
E [x(k + 1)] = E [Ax(k) +Gn(k)]
= AE [x(k)] +GE [n(k)] (4.29)
Visto que neste caso considera-se um rudo com mdia zero, isto E[n(k)] = 0,
segue de (4.29) que
x(k + 1) = A x(k) (4.30)
em que

() denota o valor mdio de ().
possvel obter a propagao da matriz de covarincia atravs das relaes:
P
x(k+1)
= E
_
[x(k + 1) x(k + 1)] [x(k + 1) x(k + 1)]
T
_
= E
_
[Ax(k) A x(k) +Gn(k)] [Ax(k) A x(k) +Gn(k)]
T
_
= AE
_
[x(k) x(k)] [x(k) x(k)]
T
_
A
T
+GE
_
n(k) [x(k) x(k)]
T
_
A
T
+
+AE
_
[x(k) x(k)] n(k)
T
_
G
T
+GE
_
n(k)n(k)
T
_
G
T
= AP
x(k)
A
T
+G
2
I
l
G
T
que em regime estacionrio pode ser expressa por:
APA
T
P +G
2
I
l
G
T
= 0 (4.31)
A Eq. (4.31) corresponde a uma equao de Lyapunov, que pode ser resolvida
de forma numrica (SCHMIDT, 1998). Nas subsees posteriores sero analisadas, por
meio desta equao de Lyapunov, as propagaes da turbulncia Dryden e do rudo de
medida para as formulaes de controle preditivo em espao de estados no-incremental,
incremental e no-incremental com erro acumulado.
4.7.1 Propagao da turbulncia do modelo Dryden
Conforme j discutido anteriormente, pode-se utilizar a equao de Lyapunov (4.31)
para estimar a propagao da perturbao de entrada devido ao da turbulncia.
Com este objetivo, primeiramente dene-se um estado x
g
que corresponda s aes da
turbulncia longitudinal e vertical, e posteriormente dene-se um estado aumentado que
incorpore a dinmica deste distrbio com a dinmica do sistema de controle.
Das Equaes (4.26) e (4.27), pode-se obter a dinmica do modelo de turbulncia
como sendo:
_
_
_
_
x
1u
x
2u
x
1w
x
2w
_
_
=
_
u
0 0 0
0
u
0 0
0 0 0 1
0 0
2
w
2
w
_
_
. .
Agc
_
_
x
1u
x
2u
x
1w
x
2w
_
_
. .
xg(t)
+
_
_
K
u
u
K
u
K
w
K
w
( 2
w
)
_
_
. .
Bgc
n(t)
_
_
w
u
w
u
w
w
w
w
_
_
. .
w(t)
=
_
_
1 0 0 0
0 1 0 0
0 0 1 0
0 0 0 1
_
_
. .
Cg
_
_
x
1u
x
2u
x
1w
x
2w
_
_
+
_
_
0
K
u
0
K
w
_
_
. .
Dg
n(t)
ou seja
_
_
x
g
(t) = A
gc
x
g
+B
gc
n(t)
w(t) = C
g
x
g
+D
g
n(t)
(4.32)
Ser detalhado nas prximas sees o estado aumentado que dene o sistema linear
excitado por um rudo branco gaussiano para as formulaes de controle preditivo em
espao de estados no-incremental, incremental e no-incremental com erro acumulado.
4.7.1.1 Sistema linear para a estimao da turbulncia para a formulao
MPC em espao de estados no-incremental
De (2.38) e dada a representao discreta de (4.17), pode-se expressar o modelo
discreto da formulao MPC em espao de estados no-incremental por:
_
_
(k + 1) = A
(k) +B
u(k) +L
w(k)
y(k) =
_
C
qn
0
qp
_
. .
C
(k)
(4.33)
onde
A
=
_
_
A
nn
0
np
0
pn
0
pp
_
_
B
=
_
_
B
np
I
p
_
_
(k) =
_
_
x(k)
u(k 1)
_
_
L
=
_
_
L
n4
0
p4
_
_
Tendo como base o controle timo deste sistema na ausncia de restries ativas,
obtido na seo 2.6.1 atravs da Eq. (2.37),
u(k) =
_
K
x
K
u
_
. .
K
_
x(k)
u(k 1)
_
_
pode-se reescrever a Eq. (4.33) como sendo
_
_
(k + 1) = A
(k) B
(k) +L
w(k) = (A
) (k) +L
w(k)
y(k) = C
(k)
(4.34)
Assim, dado a representao discreta da Eq. (4.32), tem-se:
_
_
_
_
(k + 1)
(n+p)1
x
g
(k + 1)
41
_
_
=
_
_
A
C
g
0
4(n+p)
A
g
_
_
_
_
(k)
x
g
(k)
_
_
+
_
_
L
D
g
B
g
_
_
n(k)
y(k) =
_
C
0
q4
_
_
_
(k)
x
g
(k)
_
_
(4.35)
onde n(k) um rudo branco gaussiano de varincia unitria.
MPC em espao de estados incremental
De maneira semelhante ao procedimento realizado na seo anterior, pode-se utilizar
os resultados da seo 2.6.2 e denir um estado aumentado que incorpore a dinmica do
controlador preditivo dinmica da perturbao. Portanto, das Equaes (2.42) e (2.43)
tem-se
_
_
(k + 1) = (A
)(k) +L
w(k)
y(k) =
_
C
qn
0
qn
0
qp
_
. .
C
(k)
(4.36)
onde
A
=
_
_
A
nn
0
nn
0
np
I
n
0
nn
0
np
0
pn
0
pn
0
pp
_
_
B
=
_
_
B
np
0
np
I
pp
_
_
(k) =
_
_
x(k)
x(k 1)
u(k 1)
_
_
L
=
_
_
L
n4
0
n4
0
p4
_
_
pode-se vericar que
_
_
_
_
(k + 1)
(2n+p)1
x
g
(k + 1)
41
_
_
=
_
_
A
C
g
0
4(2n+p)
A
g
_
_
_
_
(k)
x
g
(k)
_
_
+
_
_
L
D
g
B
g
_
_
n(k)
y(k) =
_
C
0
q4
_
_
_
(k)
x
g
(k)
_
_
(4.37)
MPC em espao de estados no-incremental com erro acumulado
Finalmente de (2.46) e (2.47) pode-se estimar a covarincia das sadas por meio da
resoluo da equao de Lyapunov do sistema
_
_
_
_
(k + 1)
(n+q)1
x
g
(k + 1)
41
_
_
=
_
_
A
C
g
0
4(n+q)
A
g
_
_
_
_
(k)
x
g
(k)
_
_
+
_
_
L
D
g
B
g
_
_
n(k)
y(k) =
_
C
0
q4
_
_
_
(k)
x
g
(k)
_
_
(4.38)
onde
A
=
_
_
A
nn
0
nq
CA I
q
_
_
B
=
_
_
B
np
CB
_
_
(k) =
_
_
x(k)
z(k)
_
_
L
=
_
_
L
n4
0
q4
_
_
importante salientar que as Equaes (4.35), (4.37) e (4.38) so expressas de
maneira semelhante exceto pelas dimenses das matrizes envolvidas.
4.7.2 Propagao do rudo de medida
De maneira semelhante, pode-se utilizar a equao de Lyapunov (4.31) para estimar
a propagao do rudo de medida. Ser considerado que apenas o sinal de realimentao
(k) esteja corrompido pelo sinal rudo v(k), conforme Figura 4.8.
_
(k + 1) =A
(k)+B
u(k)
y(k) =C
(k)
y(k)
(k)
v(k)
K
u(k)
FIGURA 4.8 Sistema de controle preditivo discreto por realimentao de estado cor-
rompido por um rudo de medida.
Ser detalhado nas prximas sees o estado aumentado que dene o sistema linear
excitado por um rudo de medida para as formulaes de controle preditivo em espao de
estados no-incremental, incremental e no-incremental com erro acumulado.
4.7.2.1 Sistema linear para a estimao do rudo de medida para a formulao
MPC em espao de estados no-incremental
Da Eq. (2.38) pode-se escrever o modelo discreto da formulao do controlador
preditivo em espao de estados no-incremental por:
_
_
(k + 1) = A
(k) +B
u(k)
y(k) =
_
C
qn
0
qp
_
. .
C
(k)
(4.39)
onde
A
=
_
_
A
nn
0
np
0
pn
0
pp
_
_
B
=
_
_
B
np
I
p
_
_
(k) =
_
_
x(k)
u(k 1)
_
_
Para o caso em que no h restries ativas e considerando que o sinal de realimen-
tao de estado est contaminado com um rudo de medida n(k)
n1
, de (2.37), pode-se
expressar o controle timo como sendo
u(k) =
_
K
x
K
u
_
. .
K
_
_
_
x(k)
u(k 1)
_
_
. .
(k)
+
_
_
n(k)
0
p1
_
_
. .
v(k)
_
_
(4.40)
Assim, de (4.39) e (4.40), pode-se obter o sistema linear invariante no tempo
_
_
(k + 1) = (A
)(k) B
v(k)
y(k) = C
(k)
(4.41)
MPC em espao de estados incremental
De maneira semelhante realizada na seo anterior, de (2.42) tem-se
_
_
(k + 1) = A
(k) +B
(k)u(k)
y(k) =
_
C
qn
0
qn
0
qp
_
. .
C
(k)
(4.42)
onde
A
=
_
_
A
nn
0
nn
0
np
I
n
0
nn
0
np
0
pn
0
pn
0
pp
_
_
B
=
_
_
B
np
0
np
I
p
_
_
(k) =
_
_
x(k)
x(k 1)
u(k 1)
_
_
Novamente, considerando que as variveis do estado esto contaminadas com rudos
n(k), de (2.41) pode-se obter o controle timo
u(k) =
_
K
x
K
x1
K
u
_
. .
K
_
_
_
x(k)
x(k 1)
u(k 1)
_
_
. .
(k)
+
_
_
n(k)
n(k 1)
0
p1
_
_
. .
v(k)
_
_
(4.43)
No entanto, para este caso o sinal v(k) associado ao rudo de medida no descorre-
lacionado no tempo. Este fato viola a condio imposta para a estimao da covarincia
do rudo por meio da resoluo da equao de Lyapunov. Para levar em conta esta res-
trio pode-se denir um novo estado aumentado
n
(k) =
_
x(k)
T
x
n
(k)
T
u(k 1)
T
_
T
para x
n
(k) = x(k 1) +n(k 1), ou seja,
n
(k + 1) =
_
_
x(k + 1)
x
n
(k + 1)
u(k)
_
_
=
_
_
Ax(k) +Bu(k)
x(k) +n(k)
u(k)
_
_
=
_
_
Ax(k) +B
_
_
_
K
x
[x(k) +n(k)] K
x1
xn(k)
..
[x(k 1) +n(k 1)] K
u
u(k 1)
_
_
_
x(k) +n(k)
K
x
[x(k) +n(k)] K
x1
[x(k 1) +n(k 1)]
. .
xn(k)
K
u
u(k 1)
_
_
Assim, pode-se obter o sistema
_
n
(k + 1) =
_
_
ABK
x
BK
x1
BK
u
I
n
0
nn
0
np
K
x
K
x1
K
u
_
_
_
_
x(k)
x
n
(k)
u(k 1)
_
_
+
_
_
BK
x
I
n
K
x
_
_
n(k)
y(k) =
_
C
qn
0
qn
0
qp
_
_
_
x(k)
x
n
(k)
u(k 1)
_
_
(4.44)
MPC em espao de estados no-incremental com erro acumulado
De (2.46) tem-se
_
_
(k + 1) = A
(k) +B
(k)u(k)
y(k) =
_
C
qn
0
qq
_
. .
C
(k)
onde
A
=
_
_
A
nn
0
nq
CA I
q
_
_
B
=
_
_
B
np
CB
_
_
(k) =
_
_
x(k)
z(k)
_
_
Novamente, considerando a degradao do sinal de realimentao devido um rudo
de medida, pode-se expressar o controle timo na ausncia de restries
u(k) =
_
K
x
K
z
_
. .
K
_
_
_
x(k)
z(k)
_
_
. .
(k)
+
_
_
n(k)
0
q1
_
_
. .
v(k)
_
_
(4.45)
Por m, de (4.45) e (2.46), pode-se obter o modelo linear do sistema em malha
fechada
_
_
(k + 1) = (A
)(k) B
v(k)
y(k) = C
(k)
(4.46)
5 Especicao de Condies de Vo
Este trabalho ir considerar o modelo longitudinal de uma aeronave semelhante ao
Airbus A-310 (VELOSO, 2005), ilustrado na Figura 5.1, na condio de vo em cruzeiro
com velocidade de V
e
= 250 m/s e a uma altitude de H
e
= 5000 m.
FIGURA 5.1 Aeronave Airbus A-310
Os parmetros utilizados no modelo no-linear desta aeronave, apresentado no ca-
ptulo 4, esto representados nas Tabelas 5.1, 5.2 e 5.3. Estes parmetros podem ser
obtidos atravs da anlise dos dados de ensaios experimentais em tnel de vento (BONF
et al., 2006). Esta aeronave utiliza o modelo propulsivo simplicado, expresso na seo
4.3, cujos parmetros esto representados nas Tabelas 5.3 e 5.4.
CAPTULO 5. Especicao de Condies de Vo 108
TABELA 5.1 Parmetros geomtricos e propriedades de massa
Parmetro Descrio Valor
m Massa 1,20 10
5
kg
I
yy
Momento de Inrcia 9,72 10
6
kg m
2
I
xx
6
kg m
2
I
zz
6
kg m
2
I
xz
4
kg m
2
I
xy
Momento de Inrcia 0 kg m
2
I
yz
Momento de Inrcia 0 kg m
2
S rea de referncia da asa 260 m
2
c Corda mdia aerodinmica 6,61 m
TABELA 5.2 Derivadas de estabilidade e controle
C
L,0
0,0 C
M,0
0,025 C
D,0
0,0175
C
L,
4,982 C
M,
1,246 k
1
0,0
C
L,p
0,435 C
M,p
1,46 k 0,06
C
l,q
0,7 C
M,q
15,0
C
L,
0,3 C
M,
5,0
TABELA 5.3 Modelo propulsivo
Parmetro Valor
F
max,i
240000 N
H
i
Nvel do mar - 0 m
V
i
250 m/s
n
1
n
V
0
TABELA 5.4 Localizao dos motores
Parmetro Valor
x
F
2,0 m
z
F
0,5 m
F
2,0
De (MARCOS; GANGULI; BALAS, 2005) foram obtidos os valores tpicos de restries

dos atuadores para uma aeronave comercial, dados a seguir:
Profundor:
_
_
Excurso mxima: 23
<
e
< 17
Taxa de variao mxima: 37
/s
Manete de combustvel:
_
_
Excurso mxima: 0 < < 100 %
Taxa de variao mxima: 50 %/s
Adicionalmente, foram considerados os efeitos dos rudos de medida (velocidade
da aeronave V , ngulo de ataque , ngulo de trajetria , velocidade de arfagem q e
altitude H) obtidos de dados experimentais do laboratrio de engenharia aeroespacial da
Universidade de Bologna na Itlia (BONF et al., 2006). Neste trabalho ser considerada
apenas a componente modelada por um rudo branco gaussiano nas variveis medidas,
conforme Tabela 5.5.
TABELA 5.5 Rudo branco das variveis medidas
Sensor de Entrada Desvio padro do rudo
Velocidade 0,5 m/s
ngulo de trajetria 2
Velocidade de Arfagem 0,06
/s
ngulo de ataque 2
Altitude 1 m
Por m, foi considerado o efeito de uma turbulncia Dryden moderada, com fatores
de escala (L
u
= L
v
= L
w
) e intensidades de turbulncia (
u
=
v
=
w
) representados na
Tabela 5.6 (PAIVA; GALVO; RODRIGUES, 2009; U. S. MILITARY SPECIFICATION, 1980).
Embora as simulaes posteriores utilizem o modelo longitudinal no-linear da ae-
ronave, as formulaes do controlador preditivo utilizadas neste trabalho empregam o
modelo discreto, linearizado na condio de equilbrio, representado em espao de es-
TABELA 5.6 Parmetros do distrbio atmosfrico
Classicao Fator de escala (ft) Intensidade (ft/s)
Brando 1750 5
Moderado 1750 15
Severo 1750 25
tados. Este ponto de equilbrio foi obtido atravs de mtodos numricos, com base na
condio de vo V
e
= 250 m/s e H
e
= 5000 m, e est relacionado condio de operao
e
= 20% e
e
= 2
. Assim, com um perodo de amostragem T = 0,1 s pode-se obter o

modelo em espao de estados a seguir:
_
_
x(k + 1) = A x(k) + B u(k) +L w(k)
y(k) = C x(k)
(5.1)
onde
A =
_
_
0.9992 0.9803 0.0260 0.6043 0.0000
0.0000 1.0000 0.0042 0.0943 0.0000
0.0000 0.0000 0.7873 0.3844 0.0000
0.0000 0.0000 0.0851 0.8854 0.0000
0.0004 24.9998 0.0342 1.2023 1.0000
_
_
B =
_
_
0.0475 0.1198
0.0074 0.0000
0.5244 0.0008
0.0347 0.0000
0.1000 0.0005
_
_
L =
_
_
0.0000 0.1000 0.0000 0.0002
0.0000 0.0000 0.0000 0.0004
0.0000 0.0000 0.0000 0.0000
0.0000 0.0000 0.0000 0.0000
0.0000 0.0000 0.1000 0.0050
_
_
C =
_
_
1 0 0 0 0
0 0 0 0 1
_
_
sendo x(k) = [V q H]
T
, u(k) = [
e
]
T
, y(k) = [V H] e w(k) representa o
vetor de distrbios atmosfricos, para ngulos em radianos.
6 Resultados
Sero apresentados neste captulo os principais resultados relativos s aplicaes das
trs abordagens de controle preditivo (formulaes em espao de estados no-incremental,
incremental e no-incremental com erro acumulado descritas no captulo 2) no controle
de altitude H e velocidade V do modelo longitudinal da aeronave descrita no captulo 5.
Foram analisados os critrios (ou funes-objetivo): minimizao do tempo de res-
posta, da sensibilidade a rudo de medida e da sensibilidade a perturbaes externas cau-
sadas por turbulncias. Todos os valores destas funes-objetivo foram obtidos mediante
simulaes do modelo no-linear do sistema aeronutico, visto que no h uma expresso
analtica que relacione o parmetro de projeto, , com o vetor de funes-objetivo, f().
Para comparao, os valores das funes-objetivos para os dois ltimos critrios tambm
foram obtidos atravs do procedimento de estimao da covarincia com base na resoluo
da equao de Lyapunov (4.31).
O tempo de subida T
r
, relacionado ao primeiro objetivo, corresponde ao tempo
necessrio para que a sada da planta H atinja 90% do valor de regime. Para este caso foi
considerada uma referncia degrau de 1 m para a altitude na ausncia de rudo de medida
e perturbaes. A sensibilidade ao rudo de medida
MEDIDA
, relacionada ao segundo
objetivo, foi obtida a partir da varincia dos sinais de sadas H e V , quando h rudos de
medida, para o caso em que as referncias so nulas e no existem perturbaes causadas
por turbulncia atmosfricas. Por m, o terceiro objetivo, representado pela sensibilidade
do sistema a perturbaes exgenas
V ENTO
, tambm foi obtido atravs da varincia das
CAPTULO 6. Resultados 113
sadas H e V para o caso de regulao quando h turbulncia moderada na ausncia de
rudos de medida.
Todas as simulaes foram realizadas no ambiente MatLab/Simulink congurado
com um passo xo de 0,001 s e solver Runge-Kutta de 4
a
ordem em dois microcompu-
tadores. O primeiro microcomputador, referenciado daqui por diante por PC1, possui
processador Intel Core 2 com frequncia de operao de 2,13 GHz e com uma mem-
ria RAM de 3 GB. O segundo, referenciado PC2, trata-se de um Intel Core 2 Quad de
2,33 GHz com 3 GB de RAM.
Os resultados esto organizados segundo a distribuio a seguir:
Seo 6.1: so expostas comparaes do desempenho das solues oriundas das
estimativas e atravs do clculo da varincia do sinal de sada simulado.
Seo 6.2: foram comparados os desempenhos das formulaes de controle preditivo,
na ausncia de restries, considerando o ajuste dos parmetros efetuados pelo m-
todo de busca em grade. Adicionalmente, so apresentados mtodos de visualizao
das fronteiras de Pareto de modo a auxiliar o projetista na escolha do melhor ajuste
do controlador preditivo.
Seo 6.3: so comparados o desempenho do controlador, na ausncia de restries,
com parmetros ajustados pelo mtodo de otimizao goal attainment e pelo mtodo
de busca em grade.
Seo 6.4: expe o desempenho do controlador, com parmetros ajustados pelo
mtodo goal attainment, considerando as restries do sistema.
6.1 Comparao entre as estimativas e o clculo da va-
rincia do sinal de sada simulado
Nas prximas sees sero investigados para as trs formulaes de controle os erros
relativos entre a utilizao da estimao segundo a resoluo da equao de Lyapunov e o
clculo direto da varincia dos sinais de sada (altitude e velocidade) para as sensibilidades
a rudo de medida e a turbulncias.
Primeiramente, foram aleatoriamente escolhidos 10 combinaes de parmetros para
a formulao de controle preditivo em espao de estados no-incremental, representados
na Tabela 6.1. Para cada combinao, foram obtidos os valores para as funes-objetivo
calculadas segundo a resoluo da equao de Lyapunov e segundo o clculo da vari-
ncia do sinal de sada. Posteriormente foram analisados os erros percentuais relativos,
conforme Tabelas 6.2 e 6.3. Nessas tabelas, Est, T10, T100 e T1000 representam os resul-
tados obtidos da resoluo da equao de Lyapunov e os resultados em 10s, 100s e 1000s
de simulao, respectivamente. Adicionalmente, E10, E100 e E1000 representam, respec-
tivamente, os erros percentuais relativos entre as estimativas e os resultados em 10s, 100s
e 1000s de simulao. Como se pode notar, os valores obtidos pela equao de Lyapunov e
pela simulao tornam-se prximos caso o tempo de simulao seja sucientemente longo.
Este processo foi repetido, no microcomputador PC1, para um novo conjunto de
60 combinaes aleatrias de parmetros do controlador preditivo, conforme Tabela 6.4.
TABELA 6.1 Parmetros do controlador
Formulao no-incremental
N M W
u
W
y
200 2 [500 100] [150 156]
200 2 [500 100] [150 157]
200 2 [500 100] [150 158]
200 2 [500 100] [150 159]
200 2 [500 100] [150 161]
200 2 [500 100] [110 121]
200 2 [500 100] [110 122]
200 2 [500 100] [130 138]
200 2 [500 100] [130 141]
200 2 [500 100] [130 142]
TABELA 6.2 Estimativas, simulaes e erros percentuais relativos
Formulao no-incremental - Sada Altitude -
2
V ENTO
Est(m
2
) T10(m
2
) T100(m
2
) T1000(m
2
) E10(%) E100(%) E1000(%)
8.93 3.14 10.16 9.50 65 14 6
8.92 3.14 10.16 9.49 65 14 6
8.92 3.14 10.16 9.49 65 14 6
8.91 3.14 10.15 9.48 65 14 6
8.91 3.14 10.15 9.48 65 14 6
8.90 3.14 10.13 9.46 65 14 6
8.90 3.14 10.13 9.46 65 14 6
8.91 3.14 10.15 9.48 65 14 6
8.90 3.14 10.14 9.47 65 14 6
8.90 3.14 10.13 9.46 65 14 6
Formulao no-incremental - Sada Altitude -
2
MEDIDA
Est(m
2
) T10(m
2
) T100(m
2
) T1000(m
2
) E10(%) E100(%) E1000(%)
24.59 3.35 19.62 22.12 86 20 10
24.59 3.35 19.62 22.12 86 20 10
24.58 3.35 19.62 22.11 86 20 10
24.57 3.35 19.61 22.10 86 20 10
24.56 3.35 19.61 22.10 86 20 10
24.55 3.34 19.61 22.09 86 20 10
24.54 3.34 19.61 22.08 86 20 10
24.58 3.35 19.62 22.11 86 20 10
24.55 3.35 19.61 22.10 86 20 10
24.55 3.35 19.61 22.08 86 20 10
Pode-se observar que os resultados obtidos mediante resoluo da equao de Lyapunov
so uma boa estimativa para a varincia da sada do modelo no-linear de simulao.
TABELA 6.3 Estimativas, simulaes e erros percentuais relativos
Formulao no-incremental - Sada Velocidade -
2
V ENTO
Est(m/s)
2
T10(m/s)
2
T100(m/s)
2
T1000(m/s)
2
E10(%) E100(%) E1000(%)
0.065 0.035 0.065 0.060 46.18 0.14 6.62
0.065 0.035 0.065 0.061 46.38 0.21 6.59
0.066 0.035 0.066 0.061 46.60 0.27 6.57
0.066 0.035 0.066 0.062 46.79 0.34 6.54
0.067 0.035 0.068 0.063 47.19 0.46 6.49
0.074 0.038 0.073 0.068 47.94 0.50 7.55
0.075 0.039 0.074 0.069 48.19 0.42 7.52
0.068 0.036 0.068 0.063 46.83 0.20 7.04
0.070 0.037 0.070 0.065 47.51 0.02 6.96
0.071 0.037 0.071 0.066 47.74 0.09 6.93
Formulao no-incremental - Sada Velocidade -
2
MEDIDA
Est(m/s)
2
T10(m/s)
2
T100(m/s)
2
T1000(m/s)
2
E10(%) E100(%) E1000(%)
0.187 0.094 0.184 0.190 50.02 1.82 1.58
0.189 0.094 0.186 0.192 50.22 1.91 1.51
0.191 0.095 0.187 0.194 50.42 2.00 1.45
0.193 0.095 0.189 0.196 50.62 2.08 1.39
0.197 0.096 0.192 0.199 51.00 2.25 1.27
0.183 0.083 0.178 0.185 54.59 2.65 1.47
0.185 0.084 0.180 0.188 54.83 2.78 1.38
0.184 0.088 0.180 0.186 51.94 2.14 1.58
0.190 0.090 0.185 0.192 52.60 2.45 1.36
0.192 0.091 0.187 0.194 52.81 2.55 1.29
TABELA 6.4 Tempo total gasto e valores mdios do erro percentual relativo para um
conjunto de 60 ajustes distintos da formulao MPC em espao de estados no-incremental
Est T10 T100 T1000
Tempo total gasto 23,64s 2min35,11s 18min31s 3h 2min21,98s
ALTITUDE -
2
V ENTO
65 % 13 % 6 %
ALTITUDE -
2
MEDIDA
86 % 20 % 10 %
VELOCIDADE -
2
V ENTO
50 % 3 % 10 %
VELOCIDADE -
2
MEDIDA
58 % 3 % 6 %
6.1.2 Formulao MPC em espao de estados incremental
O procedimento efetuado na seo anterior foi repetido para um novo conjunto
aleatrio de 60 parmetros do controlador preditivo em espao de estados incremental.
O resultado obtido, no ambiente computacional PC2, est representado na Tabela 6.5.
Novamente pode-se observar a convergncia das estimativas dos rudos para tempos de
simulaes sucientemente grandes.
conjunto de 60 ajustes distintos da formulao MPC em espao de estados incremental
Est T10 T100 T1000
Tempo total gasto 0,77s 42s 6min25,18s 1h 3min37,57s
ALTITUDE -
2
V ENTO
25.3 % 0.1 % 0.3 %
ALTITUDE -
2
MEDIDA
21.1 % 1.5 % 3.6 %
VELOCIDADE -
2
V ENTO
20.4 % 32.4 % 41.7 %
VELOCIDADE -
2
MEDIDA
28.8 % 2.6 % 2.3 %
com erro acumulado
Por m, novamente para um conjunto de 60 parmetros aleatrios, tem-se o re-
sultado representado na Tabela 6.6 para a formulao MPC em espao de estados no-
incremental com erro acumulado.
conjunto de 60 ajustes distintos da formulao MPC em espao de estados no-incremental
com erro acumulado
Est T10 T100 T1000
Tempo total gasto 1,95s 1min27,56s 12min50,75s 2h 12min0,91s
ALTITUDE -
2
V ENTO
63 % 23 % 7 %
ALTITUDE -
2
MEDIDA
14 % 10 % 10 %
VELOCIDADE -
2
V ENTO
3 % 2 % 15 %
VELOCIDADE -
2
MEDIDA
4 % 24 % 22 %
Assim, pode-se observar que a estimativa por meio da resoluo da equao de
Lyapunov, alm de exigir um tempo computacional menor, apresenta uma boa acurcia
comparada com o clculo direto da varincia da sada. Devido a estes motivos, nos
desenvolvimentos posteriores, sero utilizadas apenas as estimativas, segundo a resoluo
da equao de Lyapunov, para a obteno das funes-objetivo
2
MEDIDA
e
2
V ENTO
.
6.2 Comparao do desempenho das formulaes de
controle preditivo
Nesta seo ser investigado o desempenho das trs formulaes de controle anali-
sadas neste trabalho por meio da visualizao das fronteiras timas de Pareto. A grade
de parmetros de ajustes utilizada para este procedimento est representada na Tabela
6.7.
TABELA 6.7 Parmetros da busca em grade
Abordagens de Grade de Parmetros
Controle Valor Inicial Valor Final Nmero de Pontos
N 1 151 11
Espao de Estados M 1 151 11
No-Incremental e W
u
[0.5 0.5] [111.5 111.5] 9
Incremental W
y
[0.5 0.5] [111.5 111.5] 9
N 50 155 8
Espao de Estados M 1 151 11
No-Incremental W
u
[0.5 0.5] [60 119.5] 6
com Erro Acumulado W
y
[0.5 0.5] [60 60] 4
W
z
[0.5 0.5] [60 60] 4
O desenvolvimento da anlise do desempenho destas formulaes de controle, pre-
sente nesta seo, est organizada da seguinte forma: a seo 6.2.1 aborda a performance
destes controladores observando apenas o sinal de sada relacionada a velocidade, j a
seo 6.2.2 destaca este desempenho com base no sinal de altitude.
6.2.1 Anlise do desempenho das formulaes de controle com
base na sada de velocidade
Para o sinal de sada de velocidade foi analisado o desempenho dos controladores em
relao a sensibilidade a rudo de medida
MEDIDA
e em relao a turbulncias atmosfri-
cas
V ENTO
. Visto que h apenas dois objetivos, a anlise grca pode ser realizada com
base no grco de duas dimenses das fronteiras de Pareto, obtidas da interpolao linear
das solues no-dominadas referentes aos parmetros da Tabela 6.7, conforme Figura
6.1.
0.02 0.04 0.06 0.08 0.1 0.12 0.14 0.16 0.18 0.2
0
0.05
0.1
0.15
0.2
0.25
0.3
0.35
MEDIDA
2
(m/s)
2
V
E
N
T
O
2

(
m
/
s
)
2

Formulao noincremental
Formulao incremental
Formulao noincremental com erro acumulado
FIGURA 6.1 Fronteiras de Pareto para as formulaes de MPC em relao a sada de
velocidade.
Para ilustrao foram simuladas a resposta do sistema de regulao para as trs for-
mulaes de controle considerando apenas a presena de rudo de medida, Figura 6.2(a),
e considerando apenas a presena de perturbaes causadas por turbulncias atmosfrica,
Figura 6.2(b). Os parmetros de ajuste destes controladores foram: N = 16; M = 1;
U1
= 111,5;
U2
= 0,5;
Y 1
= 111,5;
Y 2
= 0,5 para a formulao MPC em espao de es-
tados no-incremental e N = 50; M = 1;
U1
= 0,5;
U2
= 0,5;
Y 1
= 0,5;
Y 2
= 60;
Z1
=
60;
Z2
= 0,5 para a formulao MPC em espao de estados no-incremental com erro
acumulado. Estes parmetros constam na grade denida na Tabela 6.7 e referem-se aos
valores das funes-objetivo (0,0322; 0,0879) e (0,0322; 0,1663), destacados na Figura 6.1
por crculos amarelos.
0 10 20 30 40 50 60
249.2
249.4
249.6
249.8
250
250.2
250.4
250.6
t (s)
y
M
E
D
I
D
A

(
m
/
s
)

(a)
0 10 20 30 40 50 60
248.5
249
249.5
250
250.5
251
251.5
t (s)
y
V
E
N
T
O

(
m
/
s
)

(b)
FIGURA 6.2 Resposta simulada do sistema na presena de (a) rudos de medidas e (b)
perturbaes causadas por rajadas de vento.
Analisando a Figura 6.1, pode-se concluir que a formulao de controle preditivo
em espao de estados no-incremental apresentou o melhor desempenho, uma vez que sua
respectiva fronteira est disposta mais prxima a origem do sistema (soluo utpica onde
as sensibilidades ao rudo de medida e pertubao so mnimas, ou seja, a varincia do
sinal de sada nula).
6.2.2 Anlise do desempenho das formulaes de controle com
base na sada de altitude
De maneira semelhante realizada na seo anterior, os desempenhos das formu-
laes de controle foram analisados para o sinal de sada relacionado altitude segundo
os critrios de sensibilidade a rudo de medida
MEDIDA
e sensibilidade a turbulncia
atmosfrica
V ENTO
. As estimativas das fronteiras de Pareto para estes objetivos foram
obtidas segundo a grade de parmetros denida na Tabela 6.7 e esto representadas na
Figura 6.3.
6 7 8 9 10 11 12 13 14
0
0.1
0.2
0.3
0.4
0.5
0.6
0.7
0.8
MEDIDA
2
(m
2
)
V
E
N
T
O
2

(
m
2
)

FIGURA 6.3 Estimativas das fronteiras de Pareto para as formulaes de controladores
preditivos em relao a sada de altitude.
Novamente, para ilustrao, foram analisadas as simulaes do sistema de controle
para os casos:
1. Sistema excitado por perturbaes provenientes de turbulncias atmosfricas, sem
considerar os rudos de medida e com referncias nulas para altitude e velocidade;
2. Sistema sujeito a rudos nos sensores de medidas, sem considerar o efeito das tur-
bulncias atmosfricas e com referncias nulas para altitude e velocidade;
3. Sistema submetido a um degrau unitrio no sinal de referncia relacionado altitude,
sem considerar os efeitos de perturbaes e rudos.
Para os casos citados anteriormente, os controladores foram ajustados segundo a
grade de parmetros pr-denida na Tabela 6.7 de modo que as estimativas dos valores das
funes-objetivo correspondessem aos pontos em destaque na Figura 6.3: (7,2455; 0,2340),
(9,0800; 0,1615) e (9,0372; 0,0736). Este ajuste dado por: N = 16; M = 16;
U1
=
111,5;
U2
= 0,5;
Y 1
= 0,5;
Y 2
= 111,5 para a formulao MPC em espao de estados
no-incremental, N = 16; M = 1;
U1
= 0,5;
U2
= 0,5;
Y 1
= 0,5;
Y 2
= 111,5
para a formulao MPC em espao de estados incremental e N = 50; M = 16;
U1
=
60;
U2
= 0,5;
Y 1
= 0,5;
Y 2
= 60;
Z1
= 0,5;
Z2
= 0,5 para a formulao MPC em
espao de estados no-incremental com erro acumulado. Os resultados destas simulaes
esto representadas na Figura 6.4.
0 10 20 30 40 50
4999
4999.5
5000
5000.5
5001
5001.5
t (s)
y
V
E
N
T
O

(
m
)

(a)
0 10 20 30 40 50 60
4990
4995
5000
5005
5010
5015
t (s)
y
M
E
D
I
D
A

(
m
/
s
)

(b)
0 2 4 6 8 10
5000
5000.5
5001
5001.5
t (s)
y
T
E
M
P
O

(
m
)

(c)
FIGURA 6.4 Simulaes das respostas dos controladores segundo os critrios de (a)
sensibilidade a perturbaes causadas por turbulncias (b) sensibilidade a rudo de medida
e (c) velocidade de resposta.
Os valores das funes-objetivo simulados relacionados covarincia do sinal de
altitude do sistema excitado por turbulncias atmosfricas (
V ENTO
), relacionados co-
varincia do sinal de altitude do sistema cujos sinais de realimentao esto corrompidos
por rudos de medida (
MEDIDA
), e relacionados ao tempo de resposta mudanas no
sinal de referncia da altitude (T
r
), esto representadas na Tabela 6.8.
TABELA 6.8 Valores das funes-objetivo para as trs formulaes de controladores
preditivos em espao de estados
2
MEDIDA
(m
2
)
2
V ENTO
(m
2
) T
r
(s)
MPC no-incremental 9,45 0,13 0,8
MPC incremental 13,85 0,15 2,2
MPC no-incremental com erro acumulado 9,61 0,06 0,7
Da anlise dos resultados presentes na Tabela 6.8 pode-se vericar que, para este
caso, embora as covarincias
2
MEDIDA
e
2
V ENTO
possuam valores semelhantes para as
trs formulaes de controle, h uma considervel disparidade de valores relacionados
ao tempo de resposta do sistema. Este fato motiva a investigao do desempenho dos
controladores para este terceiro objetivo.
Assim, foram estimadas as fronteiras de Pareto segundo os critrios de minimizao
do tempo de resposta, minimizao da sensibilidade a rudo de medida e minimizao da
sensibilidade a perturbaes, conforme a Figura 6.5. importante salientar que os pontos
cujos resultados foram ilustrados na Figura 6.4 foram destacados na Figura 6.5 atravs
de crculos na cor magenta.
(a) (b)
0.4
0.6
0.8
0
20
40
60
0.02
0.03
0.04
0.05
0.06
T
r
(s)
MEDIDA
2
(m
2
)
V
E
N
T
O
2

(
m
2
)
(c)
FIGURA 6.5 Fronteiras de Pareto para as formulaes MPC em espao de estados (a)
no-incremental, (b) incremental e (c) no-incremental com erro acumulado.
Da Figura 6.5 pode-se vericar que a anlise comparativa do desempenho das for-
mulaes de controle no uma tarefa trivial. A primeira abordagem desenvolvida para
auxiliar o projetista nessa anlise, exposta em (CNDIDO; GALVO; YONEYAMA, 2009a),
projeta cada fronteira de Pareto em cada plano formado por dois objetivos, conforme
Figura 6.6, onde os crculos representados nesta gura na cor magenta representam os
ajustes previamente simulados da Figura 6.4.
5 10 15 20
0
0.1
0.2
0.3
0.4
V
E
N
T
O

(
m
2
)
MEDIDA
(m
2
)
0.5 1 1.5 2 2.5
0
0.1
0.2
0.3
0.4
V
E
N
T
O

(
m
2
)
T
r
(s)
0.5 1 1.5 2 2.5
5
10
15
20
T
r
(s)
M
E
D
I
D
A

(
m
2
)
FIGURA 6.6 Formulaes MPC no-incremental (Verde), incremental (Azul) e no-
incremental com erro acumulado (Vermelho), e projees da fronteira tima de Pareto.
Pode-se concluir da anlise da Figura 6.6, que quando o projetista deseja satisfazer
os objetivos
2
MEDIDA
e
2
V ENTO
simultaneamente, pode utilizar a formulao MPC em
espao de estados no-incremental (verde) ou a no-incremental com erro acumulado
(vermelho). J se este deseja satisfazer, por exemplo, os critrios
2
V ENTO
e T
r
, deve
utilizar a formulao MPC em espao de estado no-incremental com erro acumulado
(vermelho).
Tambm foi proposta em (CNDIDO; GALVO; YONEYAMA, 2009a) uma outra me-
todologia de anlise da melhor formulao de controle quando os trs (ou mais) objetivos
so considerados simultaneamente. Primeiramente, este procedimento realizado nor-
malizando, no intervalo [0; 1], as funes-objetivo. Posteriormente, a fronteira de Pareto
para cada formulao de controle estimada mediante interpolao cbica das solues
no-dominadas, conforme Figura 6.8(a). Por m, estas curvas so transformadas, do sis-
tema de coordenadas cartesianos para o sistema de coordenadas esfricas, para cada uma
das trs formulaes de controle.
O ngulo denido como o ngulo de azimute (ngulo formado entre o eixo T
r
positivo e a linha que une a origem com a projeo da soluo no-dominada), denido
como o ngulo de elevao (ngulo formado entre a linha que liga a soluo no-dominada
origem e o plano formado entre a origem e os eixos
2
MEDIDA
e T
r
), conforme Figura
6.7.
T
r
2
MEDIDA
2
V ENTO
R
f()
FIGURA 6.7 Sistema de coordenadas esfricas.
Pode-se representar este resultado em um grco de curvas de nveis da fronteira de
Pareto, expresso no sistema de coordenadas esfricas, por meio de um conjunto de cores
relacionada distncia R de cada soluo no-dominada a origem, conforme Figura 6.8.
Vale salientar que os pontos simulados anteriormente (representados na Figura 6.4) foram
destacados na Figura 6.8 atravs de crculos na cor magenta.
Da anlise dos grcos representados na Figura 6.8, pode-se observar que a for-
(a) (b)
(c) (d)
FIGURA 6.8 Fronteira de Pareto normalizada (a) das formulaes MPC no-incremental
(Verde), incremental (Azul) e no-incremental com erro acumulado (Vermelho), e curvas
de nveis da fronteira de Pareto do MPC (b) no-incremental, (c) incremental e (d) no-
mulao de controle preditivo no-incremental com erro acumulado apresentou o melhor
desempenho quando so considerados a minimizao simultnea dos trs objetivos, uma
vez que as curvas de nveis da fronteira de Pareto apresentaram solues com as menores
distncias e ngulos de elevao e azimute.
Por m, tambm foi proposta, baseado em (BLASCO et al., 2008), uma metodologia
de ajuste timo dos parmetros das formulaes de controle preditivo. Esta abordagem
tambm baseada na normalizao das fronteiras de Pareto, representada na Figura
6.8(a), no entanto para este caso as distncias de cada soluo no-dominada at a origem
(obtida com base em alguma norma) so plotadas segundo cada funo-objetivo e cada
parmetro de ajuste. Os grcos resultantes deste procedimento, obtidos com a norma 2,
esto representados na Figura 6.9.
0.25 0.3 0.35 0.4 0.45 0.5 0.55 0.6
0.45
0.5
0.55
0.6
0.65
0.7
T
r
(s)
2
n
o
r
m

Formulao Incremental
Formulao NoIncremental
Formulao NoIncremental Erro Acumulado
0.05 0.1 0.15 0.2 0.25 0.3 0.35 0.4
0.45
0.5
0.55
0.6
0.65
MEDIDA
2
(m
2
)
2
n
o
r
m

0 0.005 0.01 0.015 0.02
0.45
0.5
0.55
0.6
0.65
0.7
VENTO
2
(m
2
)
2
n
o
r
m

0 20 40 60 80 100
0.4
0.45
0.5
0.55
0.6
0.65
0.7
0.75
0.8
U1
2
n
o
r
m

0 20 40 60 80 100 120
0.4
0.45
0.5
0.55
0.6
0.65
U2
2
n
o
r
m

0 20 40 60 80 100
0.4
0.45
0.5
0.55
0.6
0.65
0.7
0.75
0.8
Y1
2
n
o
r
m

0 20 40 60 80 100
0.4
0.45
0.5
0.55
0.6
0.65
0.7
Y2
2
n
o
r
m

0 10 20 30 40 50 60
0.415
0.42
0.425
0.43
0.435
0.44
0.445
0.45
0.455
Z1
2
n
o
r
m

0 0.5 1 1.5 2 2.5
0.42
0.44
0.46
0.48
0.5
0.52
0.54
Z2
2
n
o
r
m

20 40 60 80 100 120 140 160
0.4
0.45
0.5
0.55
0.6
0.65
0.7
N
2
n
o
r
m

20 40 60 80 100 120 140 160
0.45
0.5
0.55
0.6
0.65
0.7
0.75
M
2
n
o
r
m

FIGURA 6.9 Curvas de nveis representadas com base na distncia da soluo no-
dominada e nos valores das funes-objetivos e parmetros.
A anlise dos grcos representados na Figura 6.9 conrma o resultado, j obtido por
meio das curvas de nveis da fronteira de Pareto representada no sistema de coordenadas
esfricas, que a formulao de controle no-incremental com erro acumulado a que
apresenta o melhor desempenho, visto que as solues no-dominadas desta formulao
so as que apresentam a menor distncia origem. A informao adicional que possvel
obter deste conjunto de grcos o ajuste timo do controlador. Pode-se vericar que o
ponto timo para a formulao no-incremental com erro acumulado obtido com uma
distncia de 0,4129 at a origem, com parmetros ajustados em N = 155, M = 16,
U1
= 0.5,
U2
= 119.5,
Y 1
= 0.5,
Y 2
= 60,
Z1
= 60 e
Z2
= 0.5.
Assim, com base nestes resultados, nos desenvolvimentos posteriores ser utilizada a
abordagem de controle preditivo em espao de estados no-incremental para as anlises re-
lacionadas com a varivel de sada velocidade, e a abordagem de controle no-incremental
com erro acumulado para as anlises relativas a varivel de altitude.
6.3 Anlise comparativa dos mtodos de otimizao goal
attainment e busca em grade
Esta seo ir destacar o desempenho dos controladores com parmetros ajustados
segundo os mtodos de otimizao busca em grade e goal attainment. Como j discutido
anteriormente, em relao sada de velocidade utilizou-se a formulao no-incremental
e em relao sada de altitude utilizou-se a formulao no-incremental com erro acu-
mulado. Ambos os mtodos de otimizao empregam as estimativas de Lyapunov para o
clculo de
2
MEDIDA
e
2
V ENTO
.
A grade de parmetros do mtodo de busca em grade foi a mesma utilizada na
seo anterior, Tabela 6.7. J os parmetros do mtodo de busca goal attainment foi
tal que este proporcionasse um tempo total de computao semelhante ao gasto com o
mtodo de busca em grade. Este tempo foi de 2 horas 48 minutos e 36 segundos, para o
mtodo de busca goal attainment e de 2 horas 27 minutos e 55 segundos para o mtodo
de busca em grade, ambos empregando a plataforma PC2. Neste caso, em relao sada
de velocidade, foi obtido o resultado representado na Figura 6.10.
0.02 0.04 0.06 0.08 0.1 0.12 0.14 0.16 0.18
0.02
0.03
0.04
0.05
0.06
0.07
0.08
0.09
0.1
MEDIDA
2
(m/s)
2
V
E
N
T
O
2

(
m
/
s
)
2

Algoritmo de busca em grade
Algoritmo de otimizao goal attainment
FIGURA 6.10 Fronteiras de Pareto da sada relacionada a velocidade para a formulao
MPC em espao de estados no-incremental com parmetros denidos pelo mtodo de
busca em grade e pelo mtodo goal attainment.
Da anlise do grco da Figura 6.10 possvel concluir que o mtodo de otimiza-
o goal attainment proporcionou solues no-dominadas com desempenho superior s
encontradas pelo mtodo de busca em grade, visto que sua respectiva fronteira est mais
prxima da origem do sistema de coordenadas.
J para a sada relacionada a altitude, foi utilizado o mtodo de visualizao por
meio das curvas de nveis das funes-objetivos representadas no sistema de coordenadas
esfricas, conforme Figura 6.11.
(a) (b)
FIGURA 6.11 Comparao do desempenho do controlador MPC no-incremental com
erro acumulado, em relao ao sinal de sada de altitude, com parmetros ajustados por
meio do mtodo de busca goal attainment (a) e em grade (b).
Pode-se observar da Figura 6.11 que para a sada altitude a estratgia de otimizao
goal attainement tambm apresentou solues no-dominadas melhores que a estratgia
de busca em grade.
6.4 Incluso das restries de atuao no controlador
As estimativas das varincias dos rudos de medida e das perturbaes por meio
da soluo da equao de Lyapunov, quando as restries do sistema de controle so
consideradas, deixam de ser vlidas. Ademais, conforme j discutido anteriormente, o teste
para vericar a estabilidade do sistema em malha fechada com o controlador preditivo
tambm deixa de ser vlido.
Esta seo ir comparar o desempenho das formulaes de controle MPC em espao
de estados no-incremental e no-incremental com erro acumulado quando as restries do
controlador so incorporadas na formulao MPC com o caso em que estas so dispostas
somente no processo a ser controlado por meio de saturadores.
Inicialmente para ilustrao, em relao sada de velocidade, foram comparados os
desempenhos da formulao MPC em espao de estados no-incremental para o caso em
que as restries foram incorporadas na formulao do controlador e para o caso em que
estas foram incorporadas atravs de saturadores na malha de controle. Este controlador
foi ajustado com N = 100; M = 10;
U1
= 0.10;
U2
= 0.10;
Y 1
= 100;
Y 2
= 0.01. Os
resultados destas simulaes esto representados na Figura 6.12, para o caso de regulao
da aeronave sujeita a rajadas de vento, e na Figura 6.13, para o caso de regulao da
aeronave sujeita a ao de rudos de medida. importante salientar que aps 10s de
simulao o sistema cujas restries foram incorporadas atravs de saturadores na malha
de controle apresentou um comportamento instvel.
A anlise das Figuras 6.12 e 6.13 sugerem a superioridade da formulao de controle
preditivo em tratar as restries do sistema. Isto deve-se ao fato de que ao se considerar
as restries nas leis de controle preditivo o sistema atende as restries: restries sobre
o sinal de controle do profundor (
e
MIN
= 23
o
,
e
MAX
= 17
o
e taxa de variao mxima
de 37
o
/s), e restries sobre a manete de potncia (
MIN
= 0,
MAX
= 100% e taxa
de variao mxima de 50%/s). J quando estas restries foram impostas atravs de
saturadores na malha de controle o sistema apresentou um comportamento instvel.
Para comprovar este fato foram estimadas as fronteiras de Pareto relacionadas ao
desempenho das formulaes de MPC para o controle dos sinais de sada de velocidade
e altitude. Este desempenho analisado para o caso em que as restries so desconsi-
deradas, para o caso em que estas so consideradas atravs de saturadores na malha de
controle e por m para o caso em que estas restries so incorporadas nas formulaes
0 1 2 3 4 5 6 7 8 9 10
180
200
220
240
260
280
t (s)
y
V
E
N
T
O

(
m
/
s
)

Restries MPC
Restries PLANTA
(a)
0 2 4 6 8 10
20
10
0
10
20
t (s)
e

(
o
)
(b)
0 2 4 6 8 10
50
60
70
80
90
100
t (s)

(
%
)
(c)
0 2 4 6 8 10
0
500
1000
1500
2000
2500
t (s)
e

(
o
)
(d)
0 2 4 6 8 10
0
1
2
3
4
5
x 10
4
t (s)

(
%
)
(e)
aeronave sujeita a turbulncias atmosfricas (a) quando as restries so incorporadas
na formulao MPC - sinal de controle do profundor (b) e da manete (c), e quando as
restries so impostas atravs de saturadores na malha de controle - sinal de controle do
profundor (d) e da manete (e) antes do saturador.
de controle preditivo.
Para o caso em que so desconsideradas as restries utilizou-se a metodologia de
sintonia atravs do goal attainment com as varincias dos rudos de medida e perturbaes
estimadas a partir do clculo da equao de Lyapunov, conforme procedimento j exposto
na seo 6.3. J para o caso em que as restries so consideradas, estas varincias so
0 1 2 3 4 5 6 7 8 9 10
180
200
220
240
260
280
t (s)
y
M
E
D
I
D
A

(
m
/
s
)

Restries MPC
Restries PLANTA
(a)
0 2 4 6 8 10
20
10
0
10
20
t (s)
e

(
o
)
(b)
0 2 4 6 8 10
50
60
70
80
90
100
t (s)

(
%
)
(c)
0 2 4 6 8 10
2000
1000
0
1000
2000
t (s)
e

(
o
)
(d)
0 2 4 6 8 10
0
1
2
3
4
5
x 10
4
t (s)

(
%
)
(e)
FIGURA 6.13 Simulaes de regulao do sinal de sada referente velocidade da aero-
nave cujo sensores esto corrompidos com rudos (a) quando as restries so incorporadas
na formulao MPC - sinal de controle do profundor (b) e da manete (c), e quando as
restries so impostas atravs de saturadores na malha de controle - sinal de controle do
profundor (d) e da manete (e) antes do saturador
obtidas pelo mtodo de Monte Carlo.
A Tabela 6.9 apresenta o tempo total gasto, por meio da plataforma computacio-
nal PC2, e o nmero total de pontos analisados para a formulao MPC em espao de
estado no-incremental para a sada de velocidade. As fronteiras de Pareto referentes
este conjunto de dados esto representadas na Figura 6.14. J para a formulao MPC
no-incremental com erro acumulado, referente sada de altitude, aps um tempo de
aproximadamente 40 horas (145 pontos analisados), no foi possvel obter nenhum ponto
estvel quando as restries dos atuadores so consideradas apenas atravs de saturadores
no sistema.
TABELA 6.9 Tempo total gasto e nmero de pontos analisados no processo de sintonia
do controlador MPC em espao de estados no-incremental, considerando as restries
nos atuadores
No-Incremental
Tempo total Pontos
Sem Restries 2h48min 420
Restries PLANTA 42h54min 79
Restries MPC 87h13min 7
0 5 10 15 20 25 30
0.06
0.08
0.1
0.12
0.14
0.16
0.18
MEDIDA
2
(m/s)
2
V
E
N
T
O
2

(
m
/
s
)
2

Sem restries
Restries MPC
Restries PLANTA
FIGURA 6.14 Comparao do desempenho do controlador MPC no-incremental com
restries em relao sada de velocidade.
Pode-se concluir que o problema de sintonia com restries por meio do mtodo
goal attainment exige uma maior carga computacional. Adicionalmente, conforme Figura
6.14, o desempenho do controlador quando as restries dos atuadores so consideradas
na formulao MPC inferior ao caso em que estas so desconsideradas. No entanto,
esse desempenho superior que o caso em que estas so dispostas somente atravs de
saturadores no processo.
7 Concluses
Este trabalho apresenta uma metodologia para a comparao do desempenho e para
auxlio na escolha dos parmetros de projeto de trs formulaes de controladores predi-
tivos (formulaes em espao de estados no-incremental, incremental e no-incremental
com erro acumulado), por meio de dois mtodos de otimizao multi-objetivo (busca em
grade e goal attainment). A metodologia ilustrada atravs de uma aplicao de controle
da dinmica longitudinal de uma aeronave.
Das trs estratgias de controle preditivo analisadas neste trabalho, a abordagem de
controle em espao de estados no-incremental foi a que apresentou o melhor desempenho
para o controle do sinal de sada relacionado a velocidade, quando so considerados os
critrios de reduo da sensibilidade a rudo de medida e reduo da sensibilidade a per-
turbaes externas causadas por turbulncias atmosfricas. J em relao ao controle do
sinal de sada relacionada a altitude, a melhor formulao MPC foi a em espao de estados
no-incremental com erro acumulado, quando so considerados os dois critrios citados
anteriormente com a incluso da reduo do tempo de resposta mudanas no sinal de re-
ferncia. Portanto, a abordagem de controle preditivo em espao de estados incremental,
que foi adotada em trabalhos anteriores (VELOSO, 2005; LOPES, 2007; MATOS, 2008), no
se revelou a mais adequada para nenhum dos casos analisados neste trabalho (controle
da velocidade e controle da altitude). Pode-se argumentar que o clculo das diferenas
dos estados x(k) x(k 1) na prtica torna essa formulao particularmente sensvel
ao rudo de medida, trazendo uma desvantagem com respeito s outras duas abordagens
CAPTULO 7. Concluses 136
estudadas.
Adicionalmente, os resultados ilustraram as vantagens de se tratar explicitamente
as restries do atuador na formulao de controle preditivo, ao invs de se considerar
somente a ao de saturadores na malha de controle.
Dos mtodos de otimizao analisados neste trabalho, o algoritmo goal attainment
foi o que apresentou melhores resultados, uma vez que proporcionou solues que melhor
satisfaziam os objetivos propostos.
Pode-se observar que embora o algoritmo de otimizao goal attainment adicione
mais dois parmetros de projeto (w e F) ao problema de otimizao, esta abordagem
mais intuitiva do que realizar a busca sistemtica em grade dos parmetros originais
do controlador preditivo ( N, M, W
u
, W
y
, W
z
). Este fato deve-se a relao direta dos
parmetros w e F a direo de busca e ao vetor de inicializao dos objetivos, respec-
tivamente. Assim, com base nos resultados da otimizao j obtidos, pode-se escolher
convenientemente os parmetros w e F, na prxima iterao, de modo a se obter uma
boa distribuio das solues na fronteira de Pareto.
Outro ponto importante a ser observado que o mtodo de estimao da covarincia
da sada, por meio do clculo da equao de Lyapunov, reduz a carga computacional,
comparado ao processo de clculo da varincia do sinal de sada simulado.
Deve-se salientar a convenincia da determinao de toda a extenso da fronteira
de Pareto para o caso de re-ajuste do controlador na ocorrncia de uma possvel falha
no sistema. Por exemplo, caso se constate uma degradao do sensor de velocidade,
que acarreta em uma leitura mais ruidosa, pode-se rapidamente comutar para a melhor
formulao de controle, ou apenas re-ajustar os parmetros do controlador, de modo a
minimizar a inuncia desta falha.
Nas prximas sees sero apontadas as principais contribuies deste trabalho,
bem como sugestes para trabalhos futuros que poderiam melhorar e dar continuidade ao
trabalho desenvolvido.
7.1 Contribuies
Metodologia de sintonia e comparao de controladores, no restrita somente classe
MPC, por meio de mtodos de otimizao multi-objetivo.
Metodologia de interpolao das funes-objetivos para tratar o caso de otimizao
multi-objetivo mista.
Obteno de expresses que permitem a anlise da estabilidade dos controladores
preditivos na ausncia de restries.
Uso da equao de Lyapunov para a estimao de rudos de medida e perturbaes
causadas por turbulncias.
7.2 Sugestes para trabalhos futuros
Investigao do grau de sub-otimalidade quando aplicado o procedimento de in-
terpolao das funes-objetivo.
Estudo de outras tcnicas de otimizao multi-objetivo e outras estruturas de con-
trole no restritas somente classe MPC.
Estudo de tcnicas de comutao entre formulaes de controle ou re-ajuste do
controlador em tempo real, tendo como base a fronteira de Pareto, na ocorrncia de
falhas ou perturbaes.
Analise do ajuste timo dos parmetros do controlador tendo como base os requisitos
de qualidade de vo da aeronave.
Vericar a inuncia das diversas normas para o clculo das distncias das solues
no-dominadas origem, no processo de visualizao das curvas de nvel.
Investigar outras formas de visualizar e comparar fronteiras de Pareto para mais de
dois objetivos, tais como a tcnica de navegao de Pareto (ESKELINEN et al., 2010).
Referncias Bibliogrcas
ABDULWAHAB, E. N.; HONGQUAN, C. Aircraft response to atmospheric turbulence
at various types of the input excitation. Space Research Journal, v. 1, n. 1, p. 1728,
2008.
ADAMS, B.; DAVID, F. Pilots Handbook of Aeronautical Knowledge. Washing-
ton, DC, 2003.
ALI, E. Heuristic on-line tuning for nonlinear model predictive controllers using fuzzy
logic. Journal of Process Control, v. 13, n. 5, p. 383396, August 2003.
ALMEIDA, F. A. Waypoint navigation using constrained innite horizon model predictive
control. In: AIAA Guidance, Navigation and Control Conference and Exhibit.
Honolulu, Hawaii: [s.n.], 2008.
ALMEIDA, F. A.; LEISSLING, D. Fault-tolerant ight control system using model pre-
dictive control. In: 3rd CTA-DLR Workshop on Data Analysis & Flight Control.
S. J. Campos, SP, Brazil: [s.n.], 2009.
BARROS, H. L. de. Santos Dumont e a Inveno do Avio. 1. ed. Rio de Janeiro:
Centro Brasileiro de Pesquisas Fsicas - CBPF, 2006. 20 p.
BERTSIMAS, D.; TSITSIKLIS, J. N. Introduction to Linear Optimization. [S.l.]:
Athena Scientic, 1997. ISBN 1886529191.
BLASCO, X.; HERRERO, J. M.; SANCHIS, J.; MARTINEZ, M. A new graphical visua-
lization of n-dimensional pareto front for decision-making in multiobjective optimization.
Information Sciences: an International Journal, v. 178, n. 20, p. 39083924, 2008.
BONF, M.; CASTALDI, P.; GERI, W.; SIMANI, S. Fault detection and isolation for
on-board sensors of a general aviation aircraft. International Journal of Adaptive
Control and Signal Processing, v. 20, n. 8, p. 381408, 2006.
BRAYTON, R. K.; DIRECTOR, S. W.; HACHTEL, G. D.; VIDIGAL, L. A new algo-
rithm for statistical circuit design based on quasi-newton methods and function splitting.
IEEE Transactions on Circuits and Systems, CAS-26, p. 784794, 1979.
REFERNCIAS BIBLIOGRFICAS 140
BUSNARDO, O. Times Assncronos utilizando Algoritmos Multi-Critrio em
Sistemas de Controle para Aeronaves. So Jos dos Campos,SP: Tese de Mestrado,
Instituto Tecnolgico de Aeronutica, 2006. 94 p.
CAMACHO, E. F.; BORDONS, C. Model Predictive Control. [S.l.]: Springer, 1999.
280 p. ISBN 3-540-76241-8.
CNDIDO, A. S.; GALVO, R. K. H.; YONEYAMA, T. Comparative assessment of pre-
dictive controllers for an inverted pendulum with three conicting control objectives. In:
20th International Congress of Mechanical Engineering - COBEM. Gramado,
RS, Brazil: [s.n.], 2009a.
CNDIDO, A. S.; GALVO, R. K. H.; YONEYAMA, T. Multi-objective evaluation of
predictive controllers for a magnetic levitation system. In: XIII International Sympo-
sium on Dynamic Problems of Mechanics - DINAME. Angra dos Reis, RJ, Brazil:
[s.n.], 2009b.
CNDIDO, A. S.; GALVO, R. K. H.; YONEYAMA, T. Sintonizao multiobjetivo de
controladores preditivos empregando goal attainment. In: IX Simpsio Brasileiro de
Automao Inteligente - SBAI. Brasilia, DF, Brazil: [s.n.], 2009c.
CARNEIRO, G. L.; GALVO, R. K. H. Model based predictive control of an aircraft
with actuator failure in a terrain following task. In: 2009 Brazilian Symposium on
Aerospace Engineering and Applications. So Jos dos Campos, SP, Brazil: [s.n.],
2009. Disponvel em: <http://www.cta-dlr2009.ita.br/ Proceedings /start.htm>.
CHETOUANI, H.; DELINCHANT, B.; REYNE, G. Ecient modeling approach for opti-
mization of a system based on passive diamagnetic levitation as a platform for bio-medical
applications. COMPEL: The International Journal for Computation and Mathe-
matics in Electrical and Electronic Engineering, v. 26, n. 2, p. 345355, 2007.
COLLETTE, Y.; SIARRY, P. Multiobjective Optimization: Principles and case stu-
dies. 1. ed. [S.l.]: Springer, 2003. 293 p. ISBN 3-540-40182-2.
COOK, M. V. Flight Dynamics: Principles. 2. ed. [S.l.]: Elsevier, 2007. 491 p. ISBN
978-0-7506-6927-6.
CURVO, M. Modelagem aerodinmica e controle estocstico adaptativo de aero-
naves de alto desempenho por redes neurais articiais e estimao de parme-
tros. 173 p. Tese (Doutorado) Instituto Nacional de Pesquisas Espaciais, So Jos dos
Campos, 2001. Disponvel em: <http://urlib.net/dpi.inpe.br/lise/2002/11.18.18.40>.
CUTLER, C. R.; RAMAKER, B. L. Dynamic matrix control - a computer control algo-
rithm. In: Automatic Control Conference. San Franciso, CA: [s.n.], 1980.
DEB, K. Multi-Objective Optimization Using Evolutionary Algorithms. [S.l.]:
John Wiley, 2001. 497 p.
ESKELINEN, P.; MIETTINEN, K.; KLAMROTH, K.; HAKANEN, J. Pareto navigator
for interactive nonlinear multiobjective optimization. OR Spectrum, v. 32, p. 211227,
2010.
FIDKOWSKI, K. J.; ENGELSEN, F.; WILLCOX, K. E.; KROO, I. M. Stochastic gust
analysis techniques for aircraft conceptual design. In: AIAA/ISSMO Multidiscipli-
nary Analysis and Optimization Conference. Canada: [s.n.], 2008.
ISERMANN, R. Fault-Diagnosis Systems: An Introduction from Fault Detection
to Fault Tolerance. [S.l.]: Springer Verlag, 2006.
JADBABAIE, A.; YU, J.; HAUSER, J. Unconstrained receding-horizon control of non-
linear systems. IEEE Transactions on Automatic Control, v. 46, n. 5, p. 776783,
May 2001.
JIANG, A.; JUTAN, A. Response surface tuning methods in dynamic matrix control of
a pressure tank system. Industrial & engineering chemistry research, v. 39, n. 10,
p. 38353843, August 2000.
KEVICZKY, T.; BALAS, G. J. Receding horizon control of an f-16 aircraft: A compara-
tive study. Control engineering practice, v. 14, n. 9, p. 10231033, August 2006.
KOSAKA, R.; YAMANE, T.; MARUYAMA, O.; NISHIDA, M.; YADA, T.; SAITO, S.;
HIRAI, S. Improvement of hemolysis in a centrifugal blood pump with hydrodynamic
bearings and semi-open impeller. Proceedings of the 29th Annual International
Conference of IEEE-EMBS, p. 39823985, 2007.
LEE, J. H.; YU, Z. H. Tuning of model predictive controllers for robust performance.
Computers & Chemical Engineering, v. 18, n. 1, p. 1537, January 1994.
LIU, G. P.; YANG, J. B.; WHIDBORNE, J. F. Multiobjective optimisation and
control. [S.l.]: Research Studies Press Ltd., 2003. 320 p. ISBN 0-86380-264-8.
LOPES, R. V. Modelagem e Controle Preditivo de um Helicptero com trs
graus de liberdade. So Jos dos Campos,SP: Tese de Mestrado, Instituto Tecnolgico
de Aeronutica, 2007. 136 p.
MACIEJOWSKI, J. M. Predictive Control with constraints: with constraints. Har-
low: Prentice-Halll, 2002. 331 p.
MARCOS, A.; GANGULI, S.; BALAS, G. J. An application of h
fault detection and

isolation to a transport aircraft. Control Engineering Practice, v. 13, n. 1, p. 105119,
2005.
MATOS, M. S. Controle preditivo com mltiplos modelos para a acomodao de
falhas. So Jos dos Campos,SP: Tese de Mestrado, Instituto Tecnolgico de Aeronutica,
2008. 73 p.
MILAM, M.; FRANZ, R.; HAUSER, J.; MURRAY, R. Receding horizon control of vecto-
red thrust ight experiment. IEE Proceedings - Control Theory and Applications,
IEE, v. 152, n. 3, p. 340348, 2005. Disponvel em: <http://link.aip.org /link /?ICT /152
/340 /1>.
MOTODA, T.; STENGEL, R. F.; MIYAZAWA, Y. Robust control system design using
simulated annealing. Journal of guidance, control and dynamics, v. 25, n. 2, p.
267274, 2002.
NAGY, Z. K.; BRAATZ, R. D. Open-loop and closed-loop robust optimal control of batch
processes using distributional and worst-case analysis. Journal of Process Control,
v. 14, p. 411422, 2004.
NELSON, R. C. Flight Stability and Automatic Control. 1. ed. [S.l.]: McGraw-Hill,
1989. 284 p. ISBN 0-07-046218-6.
NOCEDAL, J.; WRIGHT, S. J. Numerical Optimization. 1. ed. New York: Springer-
Verlag, 1999.
PAGLIONE, P.; ZANARDI, M. C. F. de P. S. Estabilidade e controle de aeronaves.
1. ed. So Jos dos Campos,SP: CTA/ITA, 1991.
PAIVA, H. M.; GALVO, R. K. H.; RODRIGUES, L. A wavelet-based multivariable
approach for fault detection in dynamic systems. Revista Controle e Automao,
2009.
PAPOULIS, A.; PILLAI, S. U. Probability, Random Variables and Stochastic
Processes. 4. ed. [S.l.]: McGraw-Hill Science/Engineering/Math, 2001. 304 p.
PINHEIRO, E. J. R. Controle Preditivo de Ventiladores Mecnicos para assitn-
cia respiratria empregando otimizao multi-objetivo. So Jos dos Campos,SP:
Tese de Mestrado, Instituto Tecnolgico de Aeronutica, 2009. 129 p.
QIN, S. J.; BADGWELL, T. A. An overview of industrial model predictive control tech-
nology. In: . [S.l.: s.n.], 1997. p. 232256.
RICHALET, J.; RAULT, A.; TESTUD, J. L.; PAPON, J. Model predictive heuristic
control: applications to industrial processes. Automatica, v. 14, p. 413 428, 1978.
RICHARDS, A.; HOW, J. P. Model predictive control of vehicle maneuvers with guaran-
teed completion time and robust feasibility. In: American Control Conference. [S.l.:
s.n.], 2003. v. 5, p. 40344040.
ROSSITER, J. A. Model-based Predictive Control. [S.l.]: CRC Press, 2003. 344 p.
ISBN 0849312914.
SCHMIDT, L. V. Introduction to Aircraft Flight Dynamics. 1. ed. Virginia: Ame-
rican Institute of Aeronautics and Astronautics, 1998. 397 p. ISBN 1-56347-226-0.
SCHRODER, P.; GREEN, B.; GRUM, N.; FLEMING, P. J. On-line evolution of robust
control systems: an industrial active magnetic bearing application. Control Enginee-
ring Practice, v. 9, n. 1, p. 3749, 2001.
SHRIDHAR, R.; COOPER, D. J. A tuning strategy for unconstrained siso model predic-
tive control. Industrial & Engineering Chemistry Research, v. 36, n. 3, p. 729746,
March 1997.
SHRIDHAR, R.; COOPER, D. J. A tuning strategy for unconstrained multivariable model
predictive control. Industrial & Engineering Chemistry Research, v. 37, n. 10, p.
40034016, September 1998.
STENGEL, R. F. Flight Dynamics. 1. ed. [S.l.]: Princeton University Press, 2004. 845 p.
ISBN 0-691-11407-2.
STEVENS, B. L.; LEWIS, F. L. Aircraft Control and Simulation. 1. ed. [S.l.]: John
Wiley and Sons, 1992. 640 p. ISBN 0-471-61397-5.
TAKAHASHI, R. H. C. Notas de Aula: Otimizao Escalar e Vetorial: Conceitos
preliminares, otimizao escalar e otimizao vetorial. [S.l.]: Universidade Federal de
Minas Gerais, 2007. 304 p.
U. S. MILITARY SPECIFICATION. MIL-F-8785C. US Department of Defense, No-
vember 1980. 95 p.
VACHTSEVANOS, G.; LEWIS, F. L.; BOEMER, M.; HESS, A.; WU, B. Intelligent
Fault Diagnosis and Prognosis for Engineering Systems. [S.l.]: John Wiley, Ho-
boken, 2006.
VELOSO, J. B. Controle Preditivo Aplicado ao Movimento Longitudinal de
uma Aeronave. So Jos dos Campos,SP: Tese de Mestrado, Instituto Tecnolgico de
Aeronutica, 2005. 89 p.
YANG, G.; TANG, Z. The analysis of high-speed wheel-rail train and high-speed maglev
train safety systems. International Conference on Services Systems and Services
Management, v. 2, p. 14031407, 2005.
Apndice A - Ambiente de Simulao
Neste captulo sero apresentados o ambiente de simulao e anlise desenvolvidos
nesta tese. As demais sees deste captulo esto organizadas da seguinte maneira:
Apndice A.1: Apresenta as implementaes das formulaes de controle predi-
tivo em espao de estados no-incremental, incremental e no-incremental com erro
acumulado.
Apndice A.2: Apresenta as implementaes do modelo no-linear longitudinal da
aeronave e as rotinas para a obteno da representao deste modelo em espao de
estados.
Apndice A.3: Aborda o algoritmo para a vericao da estabilidade do sistema
de controle na ausncia de restries ativas. Adicionalmente, esta seo apresenta
as rotinas para a obteno das estimativas das covarincias dos sinais de sada na
presena de rudos de medidas e turbulncias atmosfricas.
Apndice A.4: Aborda a implementao do algoritmo de otimizao atravs da
busca em grade.
Apndice A.5: Aborda a implementao do algoritmo de otimizao goal attain-
ment para os casos em que so utilizados as estimativas da covarincia do sinal de
sada e para o caso em que estas covarincias so obtidas por meio da anlise e
simulao dos sinais de sada. Adicionalmente, esta seo aborda o caso em que so
consideradas as restries dos atuadores.
CAPTULO A. Ambiente de Simulao 146
Apndice A.6: Apresenta as rotinas de anlise grca dos resultados por meio das
estimativas das fronteiras de Pareto.
importante salientar que todo o ambiente de simulao foi desenvolvido atravs
do software MatLab c _ por meio de rotinas implementadas em Simulink c _, S-function e
M-le.
A.1 Formulaes de controle preditivo
Sero apresentados nesta seo as rotinas de simulao das formulaes de controle
preditivo em espao de estados no-incremental, incremental e no-incremental com erro
acumulado.
A.1.1 MPC em espao de estados no-incremental
A Figura A.1 ilustra o sistema de controle, implementado em Simulink c _, para a
formulao MPC em espao de estados no-incremental.
O controlador MPC, representado atravs do bloco em verde na Figura A.1, foi
desenvolvido atravs de uma mscara, representado na Figura A.2. Na inicializao
desta mscara chamada a funo descrita no cdigo A.1 para a obteno das ma-
trizes Aqp, Hqp, G, Q e H relacionadas formulao MPC em espao de estados no-
incremental. Os parmetros de entrada desta funo so o modelo do sistema a ser
controlado em espao de estados e os parmetros de ajuste do controlador.
Adicionalmente, como pode ser observado na Figura A.2, esta mscara simula o
FIGURA A.1 Modelo em Simulink do sistema controlado pela formulao MPC em
espao de estados no-incremental.
controlador mpc_nincremental expresso atravs do cdigo A.2, desenvolvido na linguagem
S-function.
FIGURA A.2 Mscara correspondente ao controlador MPC em espao de estados no-
incremental.
Cdigo A.1 Construo das matrizes relacionadas formulao MPC em espao de
estados no-incremental
function [ Aqp , Hqp, G, Q, H] = matri z_ni ncremental (A, B, C, N,M,Wu,Wy)
p = si ze (B, 2 ) ; q = si ze (C, 1 ) ; n = si ze (A, 1 ) ;
Q = [ ] ; P = zeros ( qN, pN) ;
for i =1:N
Q = [Q; CAî ] ;
for j =1: i
P([ 1+q( i 1) : q i ] , [ 1+p( j 1) : p j ] ) = CA^( i j ) B;
end
10 end
H = P( : , [ 1 : p(M1) ] ) ;
% I ns e r i r soma das mat ri zes na ul t i ma col una
for i =1:N
S = zeros ( q , p) ;
for j =M: N
S = S + P([ 1+q( i 1) : q i ] , [ 1+p( j 1) : p j ] ) ;
end
H([ 1+q( i 1) : q i ] , [ 1+p(M1) : pM] ) = S ;
20 end
TM = zeros ( pM, pM) ;
for i =1:M
for j =1:min( [ i ,M] )
TM([ 1+p( i 1) : p i ] , [ 1+p( j 1) : p j ] ) = eye( p) ;
end
end
G = HTM;
30
% Mat ri z para sol ucao MPC i r r e s t r i t o
Hqp = 2(G (WyG) + Wu) ; Hqp=(Hqp+Hqp ) /2;
% Mat ri z r e s t r i c o e s
Aqp = [TM;TM; eye( pM) ;eye( pM) ;G;G] ;
Cdigo A.2 Controlador MPC em espao de estados no-incremental
function [ sys , past_x0 , s t r , t s ] = mpc_nincremental ( t , past_x , i nputs , fl ag , C, G,
Hqp , Aqp, dumax , dumin , umax, umin , ymax , ymin , al pha , N,M, T, Q, H,Wy)
n = si ze (Q, 2 ) ; p = si ze (umax, 1 ) ; q = si ze (C, 1 ) ;
s wi t ch fl ag ,
cas e 0
[ sys , past_x0 , s t r , t s ] = md l I n i t i a l i z e S i z e s (T, n , p , q) ;
cas e 2
s ys =[ ] ;
cas e {1 , 4 , 9}
10 s ys = [ ] ;
cas e 3
yr e f = i nput s ( 1 : q) ; % Si nal de Ref erenci a
xk = i nput s ( q + 1 : q + n) ; % Est ados medidos
uk_1 = i nput s (endp+1:end) ; % Ul t i mo c ont r ol e apl i cado a pl ant a
yk = Cxk ;
Alpha = diag ( al pha ) ;
R = [ ] ;
20 aux1 = ( eye( q) Alpha ) yk + Alpha yr e f ;
R = aux1 ;
for i = 2 :N
aux = ( eye( q) Alpha ) aux1 + Alpha yr e f ;
R = [ R; aux ] ;
aux1 = aux ;
end
F = Hrepmat ( eye( p) ,M, 1 ) uk_1 + Qxk ;
bqp=[ repmat ( ( umaxuk_1) ,M, 1 ) ;
30 repmat ( ( uminuk_1) ,M, 1 ) ;
repmat (dumax ,M, 1 ) ;
repmat ( dumin ,M, 1 ) ;
repmat (ymax , N, 1 ) F;
repmat ( ymin , N, 1 ) + F] ;
f qp = 2G Wy(F R) ;
opt i ons = opti mset ( LargeScale , off , Display , off) ;
DUk = quadprog(Hqp, fqp , Aqp, bqp , [ ] , [ ] , [ ] , [ ] , [ ] , opt i ons ) ;
s ys = DUk( 1 : p) ;
end
40
function [ sys , past_x0 , s t r , t s ] = md l I n i t i a l i z e S i z e s (T, n , p , q)
s i z e s = s i ms i z e s ;
s i z e s . NumContStates = 0 ;
s i z e s . NumDi scStates = 0 ;
s i z e s . NumOutputs = p ;
s i z e s . NumInputs = q + n + p ;
s i z e s . Di rFeedthrough = 1 ;
s i z e s . NumSampleTimes = 1 ;
s ys = s i ms i z e s ( s i z e s ) ;
50
past_x0 = [ ] ; % i n i t i a l i z e t he i n i t i a l c ondi t i ons
s t r = [ ] ; % s t r i s al ways an empty mat ri x
t s = [ T 0 ] ; % i n i t i a l i z e t he array of sampl e t i mes
A.1.2 MPC em espao de estados incremental
De maneira semelhante ao procedimento efetuado na subseo anterior, a Figura
A.3 representa o modelo em Simulink c _ para a formulao MPC em espao de estados
incremental.
A Figura A.4 ilustra a mscara do controlador MPC em espao de estados incremen-
tal e os cdigos A.3 e A.4 representam, respectivamente, as funes para a obteno das
matrizes relacionadas formulao de controle e o modelo do controlador em S-function.
espao de estados incremental.
FIGURA A.4 Mscara correspondente ao controlador MPC em espao de estados in-
cremental.
estados incremental
function [ Aqp , Hqp, G, Q, H,TN] = matri z_i ncremental (A, B, C, N,M,Wu,Wy)
Q = [ ] ;
H = zeros ( qN, pM) ;
for i =1:N
Q = [Q; CAî ] ;
for j =1:min( [ i ,M] )
H([ 1+q( i 1) : q i ] , [ 1+p( j 1) : p j ] ) = CA^( i j ) B;
10 end
end
TN = zeros ( qN, qN) ;
for i =1:N
for j =1: i
TN([ 1+q( i 1) : q i ] , [ 1+q( j 1) : q j ] ) = eye( q) ;
end
end
G = TNH;
20 TM = zeros ( pM, pM) ;
for i =1:M
for j =1: i
TM([ 1+p( i 1) : p i ] , [ 1+p( j 1) : p j ] ) = eye( p) ;
end
end
Hqp = 2(G (WyG) + Wu) ; Hqp=(Hqp+Hqp ) /2;
Aqp = [TM;TM; eye( pM) ;eye( pM) ;G;G] ;
Cdigo A.4 Controlador MPC em espao de estados incremental
function [ sys , past_x0 , s t r , t s ] = mpc_i ncremental ( t , past_x , i nputs , fl ag , C, G,
Hqp , Aqp, dumax , dumin , umax, umin , ymax , ymin , al pha , N,M, T, Q, H, Wy,TN)
s wi t ch fl ag ,
cas e 0
cas e 2
s ys = mdlUpdate ( t , i nputs , q , n) ;
cas e {1 , 4 , 9}
10 s ys = [ ] ;
cas e 3
yr e f = i nput s ( 1 : q) ; % Si nal de Ref erenci a
xk = i nput s ( q + 1 : q + n) ; % Est ados medidos
uk_1 = i nput s (endp+1:end) ; % Ul t i mo c ont r ol e apl i cado
yk = Cxk ;
Alpha = diag ( al pha ) ; % Si nal de r e f e r e nc i a
R = [ ] ;
aux1 = ( eye( q) Alpha ) yk + Alpha yr e f ;
R = aux1 ;
20 for i = 2 :N
R = [ R; aux ] ;
aux1 = aux ;
end
xk_1 = past_x ;
F = TNQ( xkxk_1)+repmat ( eye( q) ,N, 1 ) yk ; % Respost a l i v r e
bqp=[ repmat ( ( umaxuk_1) ,M, 1 ) ;
repmat ( ( uminuk_1) ,M, 1 ) ;
repmat ( dumax ,M, 1 ) ;
30 repmat ( dumin ,M, 1 ) ;
repmat (ymax , N, 1 ) F;
repmat ( ymin , N, 1 ) + F] ;
f qp = 2G Wy(F R) ;
DUk = quadprog(Hqp, fqp , Aqp , bqp , [ ] , [ ] , [ ] , [ ] , [ ] , opt i ons ) ;
s ys = DUk( 1 : p) ;
end
40 s i z e s = s i ms i z e s ;
s i z e s . NumDi scStates = n ;
s i z e s . NumOutputs = q ;
s i z e s . NumInputs = q + n + p ;
past_x0 = zeros ( n , 1 ) ;
50
function s ys = mdlUpdate ( t , i nputs , q , n)
s ys = i nput s ( q + 1 : q + n) ; % Housekeepi ng
A.1.3 MPC em espao de estados no-incremental com erro acu-
mulado
A Figura A.5 ilustra o sistema controlado pela formulao de controle preditivo em
espao de estados no-incremental com erro acumulado.
O bloco em verde da Figura A.5 representa a mscara do sistema relacionado ao
controlador MPC, conforme a Figura A.6. Este controlador simulado atravs do modelo
em S-function, exposto no cdigo A.6, o qual utiliza as matrizes obtidas atravs da funo
matriz_acumulado, denida no cdigo A.5.
estados no-incremental com erro acumulado
function [ Aqp , Hqp, Q, H, TN,TM] = matriz_acumulado (A, B, C, N,M,Wu, Wy,Wz)
Q = [ ] ;
P = zeros ( qN, pN) ;
espao de estados no-incremental com erro acumulado.
FIGURA A.6 Mscara correspondente ao controlador MPC em espao de estados no-
for i =1:N
Q = [Q; CAî ] ;
for j =1: i
P([ 1+q( i 1) : q i ] , [ 1+p( j 1) : p j ] ) = CA^( i j ) B;
10 end
end
H = P( : , [ 1 : p(M1) ] ) ;
for i =1:N
for j =M: N
S = S + P([ 1+q( i 1) : q i ] , [ 1+p( j 1) : p j ] ) ;
end
H([ 1+q( i 1) : q i ] , [ 1+p(M1) : pM] ) = S ;
end
20 TN = zeros ( qN, qN) ;
for i =1:N
for j =1: i
TN([ 1+q( i 1) : q i ] , [ 1+q( j 1) : q j ] ) = eye( q) ;
end
end
for i =1:M
for j =1: i
TM([ 1+p( i 1) : p i ] , [ 1+p( j 1) : p j ] ) = eye( p) ;
30 end
end
Hqp = 2(H WyH + Wu + (TNH) Wz(TNH) ) ; Hqp=(Hqp+Hqp ) /2;
Aqp = [ eye( pM) ;eye( pM) ; eye( pM) ;eye( pM) ; H;H] ;
Cdigo A.6 Controlador MPC em espao de estados no-incremental com erro acumu-
lado
function [ sys , past_x0 , s t r , t s ] = mpc_acumulado( t , past_x , i nputs , fl ag , C, Hqp,
Aqp , dumax , dumin , umax, umin , ymax , ymin , al pha , N,M, T, Q, H,Wy, Wz,TM,TN)
s wi t ch fl ag ,
cas e 0
cas e 2
s ys =[ ] ;
cas e {1 , 4 , 9}
s ys = [ ] ;
10 cas e 3
yr e f = i nput s ( 1 : q) ;
xk = i nput s ( q + 1 : q + n) ;
zk = i nput s ( q + n + 1 : q + n + q) ;
uk_1 = i nput s (endp+1:end) ;
yk = Cxk ;
Alpha = diag ( al pha ) ;
R = [ ] ;
aux1 = ( eye( q) Alpha ) yk + Alpha yr e f ;
20 R = aux1 ;
for i = 2 :N
R = [ R; aux ] ;
aux1 = aux ;
end
bqp=[ repmat ( ( umax) ,M, 1 ) ;
repmat ( ( umin) ,M, 1 ) ;
TMrepmat ( dumax ,M, 1 )+repmat ( ( uk_1) ,M, 1 ) ;
TMrepmat ( dumin ,M, 1 )repmat ( ( uk_1) ,M, 1 ) ;
30 repmat (ymax , N, 1 ) Qxk ;
repmat ( ymin , N, 1 ) + Qxk ] ;
f qp = 2( (QxkR) WyH(repmat ( eye( q) ,N, 1 ) zk+TNRTNQxk) WzTNH) ;
Uk = quadprog(Hqp, fqp , Aqp , bqp , [ ] , [ ] , [ ] , [ ] , [ ] , opt i ons ) ;
s ys = Uk( 1 : p) ;
end
40 s i z e s . NumContStates = 0 ;
s i z e s . NumOutputs = p ;
s i z e s . NumInputs = q + n + p + q ;
past_x0 = [ ] ;
A.2 Modelo longitudinal da aeronave
Nesta seo sero apresentados os cdigos relativos a dinmica no-linear do modelo
longitudinal da aeronave, os cdigos para a determinao da condio de equilbrio e os
cdigos para a determinao do modelo em espao de estados.
A varivel de estado, considerada neste trabalho, dada por: X =
_
Velocidade;
ngulo de trajetria; Velocidade angular de arfagem; ngulo de ataque; Altitude

. O
modelo em espao de estados da dinmica longitudinal da aeronave obtido por meio do
algoritmo A.7.
Cdigo A.7 Determinao do modelo longitudinal da aeronave em espao de estados
global g m S I y l a l f a f xf z f Cd0 k1 k Cl0 Cl a l f a Cl al f ap Clq Cldp . . .
Cm0 Cmalfa Cmalfap Cmq Cmdp Fmaxi nro nv r o i Vi a l f a p A B
% Car ac t e r s t i c as da Aeronave [ SI ] :
m = 120000; % Massa da aeronave [ Kg ]
S = 260; % Area de r e f e r nc i a [m^2]
l = 6 . 6 1 ; % Corda mdia aerodi nmi ca [m]
I y = 9. 72 e6 ; % Momento de i n r c i a em r el acao ao ei x o Y
% Pol ar de Arrast o : Cd = Cd0 + k1Cl + kCl ^2 / [ Adi mensi onal ]
Cd0 = 0 . 0 1 7 5 ;
10 k1 = 0 ;
k = 0 . 0 6 ;
% Parmetros pr opul s i v os / Modelo apresent ado no r ot e i r o .
Fmaxi = 240000; % Trao mxima i (N)
Hi = 0 ; % Al t i t ude da medio (m)
Vi =250; % Vel oci dade para Fmax , em m/s
nro =1; % Expoent e de depednci a da densi dade ( nro )
nv=0; % Expoent e de dependnci a da v e l oc i dade ( nv )
xf =2; % Local i z ao do bero do motor r e l a t i v o ao CG[m]
z f =0. 5; % Local i z ao do bero do motor r e l a t i v o ao CG[m]
20 a l f a f =2pi /180;% Angulo do ei x o de s i met r i a do motor f az com
% o ei x o de s i met r i a do CG. [ Graus ]
% Coe f i c i nt e s de der i vadas de e s t a b i l i d a d e
% CL=CL0+(CLal f a a l f a )+(CLdel t ap de l t ap )+(CLal f apnt ( al f apnt l /Ve) )+
% +(CLq( q l /Ve) )
Cl0 = 0 ; % Sust ent acao com t odos es t ados e c ont r ol e s nul os .
Cl a l f a = 4 . 9 8 2 ;% Se ns i b i l i dade s us t ent acao em r el acao ao a l f a .
Cl al f ap = 0. 3;% Se ns i b i l i dade r el acao a deri vada de a l f a .
Clq = 0. 7; % Se ns i b i l i dade s us t ent acao em r el acao a q .
Cldp = 0 . 4 3 5 ; % Se ns i b i l i dade s us t ent acao em r el acao ao prof undor
30 % Modelo de momento aerodi nmi co
% CM=CM0+(CMalfa a l f a )+(CMdeltap de l t ap )+(CMal fapnt ( al f apnt l /Ve) )+
% +(CMq( q l /Ve) )
Cm0=0.025; % Momento com t odos es t ados e c ont r ol e s nul os
Cmalfa =1.246;% Se ns i b i l i dade do momento em r el acao ao a l f a
Cmalfap=5; % Momento em r el acao a deri vada do angul o de at aque
Cmq=15; % Se ns i b i l i dade do momento em r el acao a q
Cmdp=1.46; % s e n s i b i l i d a d e do momento em r el acao ao prof undor .
% Condio de Vo
Ve = 250; % Vel oci dade de e q u i l i b r i o .
40 He = 5000; % Al t ura de e q u i l i b r i o .
r oe = atmosf era (He) ; % Densi dade no e q u i l i b r i o .
r o i = atmosf era ( Hi ) ; % Densi dade na al t ur a da t racao .
g = 9. 80665; % Acel eracao da gravi dade .
% Busca dos es t ados no e q u i l i b r i o ( x_ponto = 0)
% 1) Aproximacao do angul o de at aque , angul o de prof undor e
% porcent agem de manete de t racao i n i c i a i s .
% L = mg / Est i mat i va do a l f a de e q u i l i b r i o .
al f a_e s t = (2mg /( r oe Ve^2S)Cl0 ) / Cl a l f a ;
% F = D / Est i mat i va de porcent agem da manete de combus t i vel .
50 dpi _est = ( 0 . 5 r oe Ve^2S(Cd0+k1 ( Cl0+Cl a l f a al f a_e s t ) +. . .
k( Cl0+Cl a l f a al f a_e s t ) ^2) ) /( Fmaxi ( r oe / r o i )^nro (Ve/Vi )^nv) ;
% M = 0 / Est i mat i va de angul o de prof undor de e q u i l i b r i o .
dp_est = (Cm0+Cmalfa al f a_e s t ) /Cmdp;
% Vetor de condi coes i n i c i a i s das equacoes nao l i ne ar e s .
X_est = [ dp_est dpi _est al f a_e s t ] ;
disp( Condicoes aproximadas :) ; disp( )
disp( Profundor[
o
] Manete[%] ngulo de ataque[
o
]) ;
disp ( [ X_est ( 1) 180/pi , X_est ( 2) 100 , X_est ( 3) 180/pi ] ) ;
% 2) Busca do e q u i l b r i o
60 opt i ons = opti mset ( Display , iter) ;
X = f s o l v e ( @e qui l i br i o , X_est , opti ons , Ve , He , 0 ) ; disp( )
disp( As condies de equilbrio so: ) ; disp( )
disp( Profundor[
o
] Manete[%] ngulo de ataque[
o
]) ;
disp ( [ X( 1) 180/pi , X( 2) 100 ,X( 3) 180/pi ] ) ;
dpe = X( 1) ; dpi e = X( 2) ; a l f a e = X( 3) ;
% Def i ne o est ado de e q u i l i b r i o de angul o de at aque .
a l f a p = 0 ;
% Li neari zacao do si st ema
% Met odol ogi a das v ar i anc i as
70 % Mat ri z A da di nami ca .
Xe = [ Ve 0 0 a l f a e He ] ; % Val ores de e q u i l i b r i o .
for i = 1 : 5 , % Numero de equacoes da di nami ca .
xe = Xe ;
xe ( i ) = xe ( i )+1e 4;
% Vetor de es t ados pert urbado em r el acao ao est ado xe ( i )
apl s = di nami ca ( 0 , xe , dpe , dpi e , Ve, 1) ;
a l f a p = 0 ;
xe = Xe ;
xe ( i ) = xe ( i )1e 4;
80 amns = di nami ca ( 0 , xe , dpe , dpi e , Ve, 1) ;
a l f a p = 0 ;
Ac ( : , i ) = ( apl s amns ) /2e 4;
end
% Mat ri z B da di nami ca .
apl s = di nami ca ( 0 , xe , dpe+1e 4, dpi e , Ve, 1) ; a l f a p = 0 ;
amns = di nami ca ( 0 , xe , dpe1e 4, dpi e , Ve, 1) ; a l f a p = 0 ;
Bc ( : , 1 ) = ( apl s amns ) /2e 4;
apl s = di nami ca ( 0 , xe , dpe , dpi e+1e 4,Ve, 1) ; a l f a p = 0 ;
amns = di nami ca ( 0 , xe , dpe , dpi e 1e 4,Ve, 1) ; a l f a p = 0 ;
90 Bc ( : , 2 ) = ( apl s amns ) /2e 4;
% Mat ri z C da di nami ca .
C = [ 1 0 0 0 0; 0 0 0 0 1 ] ;
D = zeros ( 2) ;
% Di s c r e t i z ac ao
[ A, B] = c2dm(Ac , Bc , C, D, T, zoh) ;
% Mat ri z Ex ( Vento Longi t udi nal ) Eh ( Vento Ve r t i c al )
gammaEQ = 0 ; % Condicao de e q u i l . para gamma ( Angulo de t r a j e t o r i a )
Veq = 250; % Vel oci dade do avi ao em r el acao ao vent o de e q u i l .
100 Ec = [ 0 cos (gammaEQ) 0 si n (gammaEQ) ;
0 si n (gammaEQ) /Veq 0 cos (gammaEQ) /Veq ;
0 0 0 0 ; 0 0 0 0 ; 0 0 1 0 ] ;
E = (expm(AcT) eye( si ze (A, 1 ) ) ) inv( Ac) Ec ;
Primeiramente, o algoritmo A.7 determina numericamente o estado de equilbrio da
aeronave, por meio da busca pela condio de controle e estado que anula a sada da funo
equilibrio implementada no algoritmo A.8, e posteriormente atravs da metodologia de
pequenas variaes do controle so obtidas as matrizes do modelo da dinmica longitudinal
da aeronave em espao de estados.
Cdigo A.8 Busca numrica da condio de equilbrio
function eq=e q u i l i b r i o (X, V, H, gama)
Cm0 Cmalfa Cmalfap Cmq Cmdp Fmaxi nro nv r o i Vi
% Vetor de ent rada X
dp=X( 1) ; dpi=X( 2) ; a l f a=X( 3) ;
ro=atmosf era (H) ; % Densi dade at mos f er i ca
F=dpi Fmaxi ( ro / r o i )^nro (V/Vi )^nv ; % At ual i zacao da t racao .
Cl=Cl0+Cl a l f a a l f a+Cldpdp ; % Coe f i c i e nt e de s us t ent acao .
Cd=Cd0+k1Cl+kCl ^2; % At ual i z a c o e f i c i e n t e de ar r as t o
10 L=0.5 roV^2SCl ; % Cal cul a a s us t ent acao des t a i t e r ac ao .
D=0.5 roV^2SCd; % Cal cul a o ar r as t o des t a i t e r ac ao .
Cm=Cm0+Cmalfa a l f a+Cmdpdp ; % Coe f i c i e nt e de momento
M=0.5 roV^2S l Cm; % Cal cul a o momento des t a i t e r ac ao .
% Cal cul o das der i vadas de V, gama e q da expressao da di nami ca
Vp=(Fcos ( al f a a l f a f )Dmg si n ( gama) ) /m;
gamap=(Lmgcos ( gama)+Fsi n ( al f a a l f a f ) ) /(mV) ;
qp=(MF si n ( a l f a f ) xf+Fcos ( a l f a f ) z f ) / I y ;
% Vetor de e q u i l i b r i o
eq=[Vp, gamap , qp ] ;
O algoritmo A.9 descreve a funo dinamica, utilizada no algoritmo A.7, a qual
simula os valores dos estados dada uma pequena perturbao nas variveis de entrada.
Cdigo A.9 Modelo dinmico dos estados do sistema dada uma condio para as variveis
de entrada
function di n=di nami ca ( t , X, dp , dpi , Ve , dt )
Cm0 Cmalfa Cmalfap Cmq Cmdp Fmaxi nro nv r o i Vi a l f a p
% Associ a os v al or e s do e q u i l i b r i o aos es t ados
V=X( 1) ; gama=X( 2) ; q=X( 3) ; a l f a=X( 4) ; H=X( 5) ;
ro=atmosf era (H) ; % Val or da densi dade at mos f er i ca
F=dpi Fmaxi ( ro / r o i )^nro (V/Vi )^nv ; % Cal cul a f or ca de t racao .
Cl=Cl0+Cl a l f a a l f a+Cldpdp+(Clqq+Cl al f ap a l f a p ) l /Ve ;
Cd=Cd0+k1Cl+kCl ^2; % At ual i z a o c o e f i c i e n t e de ar r as t o .
10 L=0.5 roV^2SCl ; D=0.5 roV^2SCd; % Sust ent acao e ar r as t o .
a l f a p=q(Lmgcos ( gama)+F si n ( al f a a l f a f ) ) /(mV) ;
Cm=Cm0+Cmalfa a l f a+Cmdpdp+(Cmqq+Cmalfap a l f a p ) l /Ve ;
M=0.5 roV^2S l Cm; % Cal cul a o momento sobre a aeronave .
di n =[ (Fcos ( al f a a l f a f )Dmg si n ( gama) ) /m,
(Lmgcos ( gama)+Fsi n ( al f a a l f a f ) ) /(mV) ,
(MF si n ( a l f a f ) xf+Fcos ( a l f a f ) z f ) /Iy ,
al f ap ,
V si n ( gama) ] ;
A dinmica no-linear do modelo longitudinal da aeronave, representado atravs do
bloco na cor magenta nas Figuras A.1, A.3 e A.5, foi implementada atravs da estrutura
de simulao S-function e est descrita no algoritmo A.10.
Cdigo A.10 Modelo da dinmica longitudinal no-linear da aeronave em s-function
function [ sys , x0 , s t r , t s ] = c s f unc ( t , x , u , fl ag , X0, Ve , dt )
global cont
cont = 0 ;
s wi t ch fl ag ,
cas e 0
[ sys , x0 , s t r , t s ] = md l I n i t i a l i z e S i z e s (X0) ;
cas e 1
s ys = mdl Der i vat i ves ( t , x , u , Ve , dt ) ;
cas e 3
10 s ys = mdlOutputs ( t , x , u) ;
cas e { 2 , 4 , 9 }
s ys = [ ] ;
ot he r wi s e
error ( [ Unhandled flag = , num2str( f l ag ) ] ) ;
end
function [ sys , x0 , s t r , t s ] = md l I n i t i a l i z e S i z e s (X0)
20 s i z e s . NumOutputs = 6 ;
s i z e s . NumInputs = 6 ;
x0 = X0; % Est ado i n i c i a l
s t r = [ ] ;
t s = [ 0 0 ] ;
function s ys = mdlOutputs ( t , x , u)
s ys = x ;
30 function di n = mdl Der i vat i ves ( t , X, u , Ve , dt )
global cont
% Car ac t e r s t i c as da Aeronave ( SI ) :
m = 120000; S = 260; I y = 9. 72 e6 ; l = 6 . 6 1 ;
% Pol ar de Arrast o : Cd = Cd0 + k1Cl + kCl ^2
Cd0 = 0 . 0 1 7 5 ; k1 = 0 ; k = 0 . 0 6 ;
% Parmetros pr opul s i v os
Fmaxi = 240000; Hi = 0 ; Vi = 250; nro = 1 ; nv = 0 ; xf = 2 . 0 ;
z f = 0 . 5 ; a l f a f = 2pi /180;
% Deri vadas de Es t ab i l i dade
40 Cl0 = 0 ; Cl a l f a = 4 . 9 8 2 ; Cl al f ap = 0. 3; Clq = 0. 7;
Cldp = 0 . 4 3 5 ; Cm0 = 0. 025; Cmalfa = 1. 246; Cmalfap = 5;
Cmq = 15; Cmdp = 1. 46;
g = 9. 80665;
r o i = atmosf era ( Hi ) ;
i f cont == 0
a l f a p = 0 ;
end
V = X( 1) ; gama = X( 2) ; q = X( 3) ; a l f a = X( 4) ; H = X( 5) ; x = X( 6) ;
50 % Var i avei s de ent radas r el aci onadas ao vent o
Wx=u( 3) ; dWxdt=u( 4) ; Wh=u( 5) ; dWhdt = u( 6) ;
% Var i avei s de ent radas r el aci onadas ao s i nai s de c ont r ol e
dp = u( 1) ; dpi = u( 2) ;
ro = atmosf era (H) ;
F = dpi Fmaxi ( ro/ r o i )^nro (V/Vi )^nv ;
Cl = Cl0+Cl a l f a a l f a+Cldpdp+(Clqq+Cl al f ap a l f a p ) l /Ve ;
Cd = Cd0+k1Cl+kCl ^2;
L = 0. 5 ro V^2SCl ;
60 D = 0. 5 ro V^2SCd;
a l f a p = q(Lmgcos ( gama)+F si n ( al f a a l f a f ) ) /(mV) ;
Cm = Cm0+Cmalfa a l f a+Cmdpdp+(Cmqq+Cmalfap a l f a p ) l /Ve ;
M = 0. 5 ro V^2S l Cm;
eX( 1) =(Fcos ( al f a a l f a f )Dmg si n ( gama) ) /mdWhdt si n ( gama)dWxdt
cos ( gama) ;
eX( 2) =(Lmgcos ( gama)+F si n ( al f a a l f a f ) ) /(mV)+(dWhdtcos ( gama)+
+dWxdt si n ( gama) ) /V;
eX( 3) =(MF si n ( a l f a f ) xf+Fcos ( a l f a f ) z f ) / I y ;
eX( 4)=a l f a p ;
70 eX( 5)=Vsi n ( gama)+Wh;
eX( 6)=Vcos ( gama)+Wx;
% Cor r i gi r erro numero de si mul acao para o caso de i n s t a b i l i d a d e
i f abs (eX( 1) ) > 1e20 | | abs ( eX( 2) ) > 1e20 | | abs (eX( 3) ) > 1e20 | |
abs (eX( 4) ) > 1e20 | | abs ( eX( 5) ) > 1e20 | | abs (eX( 6) ) > 1e20
di n=[1e20 , 1e20 , 1e20 , 1e20 , 1e20 , 1e20 ] ;
el se
di n=[eX( 1) , eX( 2) , eX( 3) , eX( 4) , eX( 5) , eX( 6) ] ;
end
function [ ro , drodh , Vsound , dvsdh]=atmosf era (H)
80 i f H <= 11000
ro = 1. 225(1 6. 5e3H/288. 15) ^4. 2557;
drodh = ( 1. 2254. 2557( 1 6. 5 e3H/288. 15) ^(4. 2557 1) ) ( 6. 5e 3/288. 15) ;
Vsound = 20. 04 sqrt (288. 15 6. 5 e3H) ;
dvsdh = 0.06513/ sqrt (288. 15 0. 0065H) ;
el se
ro = . 36exp( 1. 17e 4(H11000)) ;
drodh = ( . 3 6 exp( 1. 17e 4(H11000)) ) ( 1. 17e 5) ;
Vsound = 294. 9695;
dvsdh = 0 ;
90 end
Os algoritmos A.8, A.9 e A.10 empregam a funo atmosfera, implementada no
cdigo A.11. Esta funo descreve o modelo atmosfrico relativos aos sinais da densidade
do ar, da velocidade do som, da taxa de variao da velocidade do som e da taxa de
variao da densidade do ar.
Cdigo A.11 Modelo atmosfrico
function [ ro , drodh , Vsound , dvsdh]=atmosf era (H)
i f H <= 11000
ro = 1. 225(1 6. 5e3H/288. 15) ^4. 2557;
drodh = ( 1. 2254. 2557( 1 6. 5 e3H/288. 15) ^(4. 2557 1) ) ( 6. 5e 3/288. 15) ;
Vsound = 20. 04 sqrt (288. 15 6. 5 e3H) ;
dvsdh = 0.06513/ sqrt (288. 15 0. 0065H) ;
el se
ro = . 36exp( 1. 17e 4(H11000)) ;
drodh = ( . 3 6 exp( 1. 17e 4(H11000)) ) ( 1. 17e 5) ;
10 Vsound = 294. 9695;
dvsdh = 0 ;
end
A.3 Testes de estabilidade e estimativas das covarin-
cias dos sinais de sada para as formulaes de con-
trole preditivo
O algoritmo A.12 implementa os procedimentos de testes de estabilidade dos sis-
temas de controle na ausncia de restries ativas, apresentada na seo 2.6, para as
formulaes MPC em espao de estados no-incremental, incremental e no-incremental
com erro acumulado. Adicionalmente, este algoritmo tambm implementa a resoluo da
equao de Lyapunov para as estimaes das covarincias dos sinais de sada na presena
de rudos de medidas e perturbaes causadas por turbulncias atmosfricas, apresentado
na seo 4.7.
Cdigo A.12 Algoritmo de testes de estabilidade e estimaes das covarincias dos sinais
de sada para as formulaes de controle MPC
function [ e s t a bi l i da de , Prui do , Ppert ]=t e s t e _e s t a bi l i da de (T, A, B, C, E, si gV ,
sigGamma , sigQ , si gAl pha , si gH , codi go_control ador , N,M,Wu,Wy, Wz, Veq , Lwx,
sigWx , Lwh, sigWh , GUST)
%
% Sai das
%
% e s t a b i l i d a d e : 1 I ndi ca i n s t a b i l i d a d e e 0 Es t ab i l i dade
% Prui do : Mat ri z de covar i anci a obt i da da e s t i mat i v a de Lyapunov
% para o rui do de medida
% Ppert : Mat ri z de covar i anci a obt i da da e s t i mat i v a de Lyapunov
% para a pert urbacao causada por t ur b ul e nc i as at mos f er i cas
10 %
% Ent radas
%
% Parametros do si st ema : T, A, B, C, E, sigV , sigGamma , sigQ , si gAl pha , sigH ,
% ,N,M,Wu,Wy, Wz, Veq , Lwx , sigWx , Lwh, sigWh ,GUST
% codi go_cont rol ador == 0 MPC naoi ncrement al
% codi go_cont rol ador == 1 MPC i ncrement al
% codi go_cont rol ador == 2 MPC naoi ncrement al com erro acumulado
%
20 %% Es t ab i l i dade / Est i mat i va para MPC Nao Increment al
%
i f codi go_cont r ol ador == 0
p = si ze (B, 2 ) ; % Numero de est ados , ent radas e s ai das do
q = si ze (C, 1 ) ; % cont r ol ador
n = si ze (A, 1 ) ;
Q = [ ] ; % Const rucao das mat ri zes Q e H do MPC
for i =1:N
30 Q = [Q; CAî ] ;
for j =1: i
P([ 1+q( i 1) : q i ] , [ 1+p( j 1) : p j ] ) = CA^( i j ) B;
end
end
H = P( : , [ 1 : p(M1) ] ) ;
for i =1:N % I ns e r i r soma na ul t i ma col una
for j =M: N
40 S = S + P([ 1+q( i 1) : q i ] , [ 1+p( j 1) : p j ] ) ;
end
H([ 1+q( i 1) : q i ] , [ 1+p(M1) : pM] ) = S ;
end
TM = zeros ( pM, pM) ;% Mat ri z Tm do MPC
for i =1:M
for j =1:min( [ i ,M] )
TM([ 1+p( i 1) : p i ] , [ 1+p( j 1) : p j ] ) = eye( p) ;
end
50 end
G = HTM; % Const rucao da mat ri z G e Hqp do MPC
Hqp = 2(G (WyG) + Wu) ;
Hqp=(Hqp+Hqp ) /2;
% TESTE DE ESTABILIDADE DO SISTEMA SEM RESTRICOES
Kmpc = [ eye( p) repmat ( zeros ( p) , 1 ,M1) ] inv(Hqp/2) G Wy;
Ku = KmpcHrepmat ( eye( p) ,M, 1 ) + eye( p) ;
Kx = KmpcQ;
60 Kpi = [ Kx Ku ] ;
Api = [ A zeros ( n , p) ; zeros ( p , n) zeros ( p) ] ;
Bpi = [ B; eye( p) ] ;
KT =Api Bpi Kpi ;
autvet = ei g (KT) ; % Aut oval or da mat ri z KT
j = 0 ;
for i = 1 : si ze ( autvet , 1 )
i f abs ( autvet ( i ) ) > 1
j = 1 ;
70 aut I ns t = abs ( autvet ( i ) ) ;
end
end
i f j == 1
disp( ) ; disp( SISTEMA INSTAVEL) ; disp( ) ;
disp( Modulo Autovalor: ) ; disp( aut I ns t ) ;
e s t a bi l i da de = 1 ; % Parametro de ret orno : I nt av e l == 1
el se
disp( ) ; disp( SISTEMA ESTAVEL)
80 e s t a bi l i da de = 0 ; % Parametro de ret orno : Es t avel == 0
end
% ESTIMATIVA DE LYAPUNOV COVARIANCIA DO RUIDO DE MEDIDA
i f e s t a bi l i da de == 0 % O si st ema e e s t a v e l ?
i f si gV ~= 0 | si gH ~= 0 % Ex i s t e rui do de medida?
Arui do = KT; % Est ado aumentado com rui do
Brui do = Bpi Kpi ;
Cpi = [ C zeros ( q , p) ] ;
s ys = s s ( Aruido , Bruido , Cpi , zeros ( 2 , 7) ,T) ;
90 Prui do = covar ( sys , diag ( [ si gV , sigGamma , sigQ , si gAl pha , . . .
si gH , zeros ( 1 , p) ] ) ) ;
el se
Prui do = zeros ( q) ;
end
el se
end
% ESTIMATIVA DE LYAPUNOV PERTURBACAO VENTO
i f e s t a bi l i da de == 0 % O si st ema e e s t a v e l ?
100 i f GUST == 1 % Es i s t e t ur b ul e nc i a ?
Epi = [ E; zeros ( p , si ze (E, 2 ) ) ] ;
Cpi = [ C zeros ( q , p) ] ;
% Parametros do modelo Dryden
lambdaX = Veq/Lwx ;
kX = sigWx sqrt (2Veq/(Lwxpi ) ) 0 . 3 0 4 8 ;
lambdaH = Veq/Lwh;
kH = sigWh sqrt (3Veq/(Lwhpi ) ) 0 . 3 0 4 8 ;
110 thetaH = Veqsqrt ( 3) /(3Lwh) ;
% Espaco de Est ados Cont i nuos
Agc = [lambdaX 0 0 0 ; 0 lambdaX 0 0 ; 0 0 0 1 ;
0 0 lambdaH^2 2lambdaH ] ;
Bgc = [ kX; lambdaXkX; kH; kH( thetaH2lambdaH) ] ;
Cg = eye ( 4) ;
Dg = [ 0 ; kX; 0 ; kH] ;
% Di s c r e t i z ac ao da di nami ca do modelo Dryden
120 T = 0 . 1 ;
[ Ag, Bg ] = c2dm( Agc , Bgc , Cg, Dg, T, zoh) ;
% Modelo MPC com est ado aumentado
Apert = [KT Epi Cg ; zeros ( 4 , ( n+p) ) Ag ] ;
Bpert = [ Epi Dg ; Bg ] ;
s ys = s s ( Apert , Bpert , [ Cpi zeros ( q , 4 ) ] , zeros ( 2 , 1) ,T) ;
Ppert = covar ( sys , 1 ) ;
el se
Ppert = zeros ( q) ;
130 end
el se
end
end
%
%% Es t ab i l i dade / Est i mat i va para MPC Increment al
%
i f codi go_cont r ol ador == 1
140 p = si ze (B, 2 ) ;
q = si ze (C, 1 ) ;
n = si ze (A, 1 ) ;
Q = [ ] ;
H = zeros ( qN, pM) ;
for i =1:N
Q = [Q; CAî ] ;
for j =1:min( [ i ,M] )
H([ 1+q( i 1) : q i ] , [ 1+p( j 1) : p j ] ) = CA^( i j ) B;
150 end
end
for i =1:N
for j =1: i
TN([ 1+q( i 1) : q i ] , [ 1+q( j 1) : q j ] ) = eye( q) ;
end
end
G = TNH;
160
for i =1:M
for j =1: i
TM([ 1+p( i 1) : p i ] , [ 1+p( j 1) : p j ] ) = eye( p) ;
end
end
Hqp = 2(G (WyG) + Wu) ;
Hqp=(Hqp+Hqp ) /2;
170
% TESTE DE ESTABILIDADE DO SISTEMA SEM RESTRICOES
Kmpc = [ eye( p) repmat ( zeros ( p) , 1 ,M1) ] inv(Hqp/2) G Wy;
Ku = eye( p) ;
Kx = Kmpcrepmat ( eye( q) ,N, 1 ) C + KmpcTNQ;
Kx1 = KmpcTNQ;
Kpi = [ Kx Kx1 Ku ] ;
% Mat ri z real i ment acao de es t ados
Api = [ A zeros ( n , n) zeros ( n , p) ; eye( n) zeros ( n) zeros ( n , p) ;
zeros ( p , n) zeros ( p , n) zeros ( p) ] ;
180 Bpi = [ B; zeros ( n , p) ; eye( p) ] ;
KT = Api Bpi Kpi ;
autvet = ei g (KT) ;
j = 0 ;
j = 1 ;
aut I ns t = abs ( autvet ( i ) ) ;
end
190 end
i f j == 1
disp( ) ; disp( SISTEMA INSTAVEL) ; disp( ) ;
e s t a bi l i da de = 1 ; % Parametro de ret orno : I nt av e l == 1
el se
disp( ) ; disp( SISTEMA ESTAVEL)
e s t a bi l i da de = 0 ; % Parametro de ret orno : Es t avel == 0
end
200 % ESTIMATIVA DE LYAPUNOV COVARIANCIA DO RUIDO DE MEDIDA
i f e s t a bi l i da de == 0
i f si gV ~= 0 | si gH ~= 0
Arui do = [ ABKx BKx1 BKu;
eye( n) zeros ( n , n) zeros ( n , p) ;
Kx Kx1 Ku ] ;
Brui do = [BKx; eye( n) ;Kx ] ;
Crui do = [ C zeros ( q , n) zeros ( q , p) ] ;
s ys = s s ( Aruido , Bruido , Cruido , zeros ( q , n) ,T) ;
W = diag ( [ si gV , sigGamma , sigQ , si gAl pha , si gH ] ) ;
210 Prui do = covar ( sys ,W) ;
el se
end
el se
end
220 i f GUST == 1
Cpi = [ C zeros ( q , n) zeros ( q , p) ] ;
Epi = [ E; zeros ( n , si ze (E, 2 ) ) ; zeros ( p , si ze (E, 2 ) ) ] ;
% Parametros Modelo Dryden
lambdaX = Veq/Lwx ;
lambdaH = Veq/Lwh;
230 thetaH = Veqsqrt ( 3) /(3Lwh) ;
% Espaco Est ado Dryden Continuo
Cg = eye ( 4) ;
Dg = [ 0 ; kX; 0 ; kH] ;
240 T = 0 . 1 ;
% MPC est ado aumentado
Apert = [KT Epi Cg ; zeros ( 4 , ( 2n+p) ) Ag ] ;
el se
250 end
el se
end
end
%
%% Es t ab i l i dade / Est i mat i va para MPC Nao Increment al com erro acumulado
%
260 i f codi go_cont r ol ador == 2
p = si ze (B, 2 ) ;
q = si ze (C, 1 ) ;
n = si ze (A, 1 ) ;
Q = [ ] ;
for i =1:N
Q = [Q; CAî ] ;
for j =1: i
270 P([ 1+q( i 1) : q i ] , [ 1+p( j 1) : p j ] ) = CA^( i j ) B;
end
end
H = P( : , [ 1 : p(M1) ] ) ;
% I ns e r i r soma das mat ri zes na ul t i ma col una
for i =1:N
for j =M: N
280 S = S + P([ 1+q( i 1) : q i ] , [ 1+p( j 1) : p j ] ) ;
end
H([ 1+q( i 1) : q i ] , [ 1+p(M1) : pM] ) = S ;
end
for i =1:N
for j =1: i
TN([ 1+q( i 1) : q i ] , [ 1+q( j 1) : q j ] ) = eye( q) ;
end
290 end
for i =1:M
for j =1: i
TM([ 1+p( i 1) : p i ] , [ 1+p( j 1) : p j ] ) = eye( p) ;
end
end
Hqp = 2(H WyH + Wu + (TNH) Wz(TNH) ) ;
Hqp=(Hqp+Hqp ) /2;
300
% Ve r i f i c ar Es t ab i l i dade
Kmpc = [ eye( p) repmat ( zeros ( p) , 1 ,M1) ] inv(Hqp/2) ;
Kx = Kmpc(Q WyH+(TNQ) WzTNH) ;
Kz = Kmpc(WzTNH) repmat ( eye( q) ,N, 1 ) ;
Kpi = [ Kx Kz ] ;
% Mat ri z real i ment ada
Api = [ A zeros ( n , q) ; CA eye( q) ] ;
Bpi = [ B;CB] ;
310 KT = Api Bpi Kpi ;
autvet = ei g (KT) ;
j = 0 ;
j = 1 ;
aut I ns t = abs ( autvet ( i ) ) ;
end
end
i f j == 1
320 disp( ) ; disp( SISTEMA INSTAVEL) ; disp( ) ;
e s t a bi l i da de = 1 ;
el se
disp( ) ;
disp( SISTEMA ESTAVEL)
e s t a bi l i da de = 0 ;
end
% ESTIMATIVA DE LYAPUNOV COVARIANCIA DO RUIDO DE MEDIDA
330 i f e s t a bi l i da de == 0
i f si gV ~= 0 | si gH ~= 0
Arui do = KT;
Brui do = Bpi Kpi ;
Cpi = [ C zeros ( q) ] ;
s ys = s s ( Aruido , Bruido , Cpi , zeros ( 2 , 7) ,T) ;
W = diag ( [ si gV , sigGamma , sigQ , si gAl pha , si gH ,
zeros ( 1 , q) ] ) ;
Prui do = covar ( sys ,W) ;
el se
340 Prui do = zeros ( q) ;
end
el se
end
i f GUST == 1
Cpi = [ C zeros ( q) ] ;
350 Epi = [ E; zeros ( q , si ze (E, 2 ) ) ] ;
% Parametros do Modelo Dryden
lambdaX = Veq/Lwx ;
lambdaH = Veq/Lwh;
thetaH = Veqsqrt ( 3) /(3Lwh) ;
360 % Espacao de es t ados Cont i nuos
Cg = eye ( 4) ;
Dg = [ 0 ; kX; 0 ; kH] ;
T = 0 . 1 ;
370
% Est ado aumentado do MPC
Apert = [KT Epi Cg ; zeros ( 4 , ( n+p) ) Ag ] ;
el se
end
el se
380 Ppert = zeros ( q) ;
end
end
A.4 Mtodo de otimizao por meio da busca em grade
O algoritmo A.13 apresenta o mtodo de otimizao busca em grade, exposto na
seo 3.2, em que os valores das funes-objetivo so estimados a partir da resoluo da
equao de Lyapunov, calculada atravs do algoritmo A.12.
Cdigo A.13 Mtodo de otimizao busca em grade utilizando as estimativas das cova-
rincias dos sinais de sadas obtidos pela resoluo da equao de Lyapunov
cl ear al l ; cl ose al l ; cl c ;
%
% INICIALIZACAO
%
% Var i avei s do vent o
Veq = 250; % Vel oci dade de Eq u i l i b r i o (m/s )
Lwx = 1750; % Scal e Lengt h ( f t )
sigWx = 15; % Turbul ence I nt e ns i t y ( f t /s )
Lwh = 1750;
10 sigWh = 15;
% Var i avei s do rui do de medida
DsigV = 0 . 2 5 ; % Vari anci a Vel oci dade (m/s )
DsigGamma = deg2rad ( 2) ^2; % Vari anci a Path Angl e ( rad )
DsigQ = deg2rad ( 0 . 0 6 ) ^2; % Vari anci a Vel oci dade Arfagem ( rad/s )
Dsi gAl pha = deg2rad ( 2) ^2; % Vari anci a angul o at aque ( rad )
DsigH = 1 ;
% Tempo de Di s c r e t i z ac ao
T = 0 . 1 ;
% Obt er a di nami ca l ong i t u di nal da aeronave l i ne ar i z ada
20 l o ng i t udi na l
dt = 10; % Tempo t o t a l de si mul acao .
X0 = [ Ve , 0 , 0 , a l f a e , He , 0 ] ; % Condicao i n i c i a l do est ado
% Parametros do cont r ol ador
% Parametro N
Nfim=160; % Maximo Hori zont e de Previ sao
Pn=15; % Passo do N
Nin = 1 ; % I ni c i o N
% Parametro M
Mfim=160; % Maximo Hori zont e de Cont rol e
30 Pm = 15; % Passo de M
Min = 1 ; % I ni c i o de M
% Parametro Wu
rhoU1fim = 160; % Maximo rhoU1 Def l exao do Prof undor
rhoU1i n = 0 . 5 ; % I ni c i o do rhoU1
rhoU2fim = 160; % Maximo rhoU2 Manete de Combust i vel
rhoU2i n = 0 . 5 ; % I ni c i o do rhoU2
Prho = 5 5 . 5 ; % Passo de rho
% Parametro Wy
gammaY1fim = 160; % Maximo v al or do gammaU1 Vel oci dade
40 gammaY1in = 0 . 5 ; % I ni c i o do gammaY1
gammaY2fim = 160; % Maximo v al or do gammaY2 Al t ura
gammaY2in = 0 . 5 ; % I ni c i o do gammaY2
PgammaY = 5 5 . 5 ; % Passo de gammaY
% Parametro Wz
muZ1fim = 160; % Maximo v al or do muZ1 Vel oci dade
muZin1 = 0 . 5 ; % I ni c i o do muZ1
muZ2fim = 160; % Maximo v al or do muZ2 Al t ura
muZin2 = 0 . 5 ; % I ni c i o do muZ2
PmuZ = 5 5 . 5 ; % Passo de muZ
50 %Res t r i coes = [PROFUNDOR ; MANETE] ;
% Res t r i coes do MPC
Ddumax = [ deg2rad ( 37) T; 0. 5T] ;
Ddumin = [ deg2rad( 37)T; 0. 5T] ;
Dumax = [ deg2rad ( 17) dpe ; 1 dpi e ] ;
Dumin = [ deg2rad( 23) dpe ; 0 dpi e ] ;
Dymax = [ i n f ; i n f ] ;
Dymin = [i n f ;i n f ] ;
% Res t r i coes PLANTA
DRdelta = deg2rad ( 37) ; % Rate Li mi t er PROFUNDOR
60 DLSatDelta = deg2rad( 23) ; % Lower Li mi t PROFUNDOR
DUSatDelta = deg2rad ( 17) ; % Upper Li mi t PROFUNDOR
DRmanete = 0 . 5 ; % Rate Li mi t er MANETE
DLSatManete = 0 ; % Lower Li mi t MANETE
DUSatManete = 1 ; % Upper Li mi t MANETE
save varsi m T DRdelta DLSatDelta DUSatDelta DRmanete DLSatManete
DUSatManete DsigV DsigGamma DsigQ Dsi gAl pha DsigH dt X0 Nfim Pn
Nin Mfim Pm Min rhoU1fim rhoU1i n rhoU2fim rhoU2i n Prho gammaY1fim
gammaY1in gammaY2fim gammaY2in PgammaY muZ1fim muZin1 muZ2fim
muZin2 PmuZ Ddumax Ddumin Dumax Dumin Dymax Dymin Veq Lwx sigWx
70 Lwh sigWh
ti c % I n i c i a l i z a a contagem do tempo t o t a l
%
% Cal cul o do MPC Espaco de Est ados Nao Increment al
%
disp( Calculo atraves da Formulacao Nao Incremental)
i =1;
for N=Nin : Pn: Nfim
N
80 for M=Min :Pm: min( [ N, Mfim] )
M
for gammaY1=gammaY1in : PgammaY: gammaY1fim
for rhoU1=rhoU1i n : Prho : rhoU1fim
Wu = diag ( repmat ( [ rhoU1 ; rhoU2 ] ,M, 1 ) ) ;
Wy = diag ( repmat ( [ gammaY1; gammaY2] , N, 1 ) ) ;
nome_control ador = simnincremental.mdl ;
codi go_cont r ol ador = 0 ; % MPC Nao i ncrement al
90 si gV = DsigV ; % Vari anci a Vel oci dade
sigGamma = DsigGamma ; % Vari anci a Path Angl e
si gQ = DsigQ; % Vari anci a q
si gAl pha = Dsi gAl pha ; % Vari anci a angul o at aque
si gH = DsigH ; % Vari anci a Al t i t ude
GUST = 1 ; % At i va vent o na si mul acao
% Wz = di ag ( repmat ( [ muZ1; muZ2] , N, 1) ) ;
Wz = diag ( repmat ( [ 0 ; 0 ] , N, 1 ) ) ;
[ e s t a bi l i da de , Prui do , Ppert ]=t e s t e _e s t a bi l i da de (T, A, B, C, E, si gV , sigGamma ,
sigQ , si gAl pha , si gH , codi go_control ador , N,M,Wu,Wy, Wz, Veq , Lwx, sigWx , Lwh,
100 sigWh , GUST) ;
i f e s t a bi l i da de == 1 % Se i n s t a v e l
cont i nue
el se
% di s p ( SEM RESTRICOES )
% De s ab i l i t ar r e s t r i c o e s MPC
dumax =[ i n f ; i n f ] ; dumin = [i n f ;i n f ] ;
umax = [ i n f ; i n f ] ; umin = [i n f ;i n f ] ;
ymax = [ i n f ; i n f ] ; ymin = [i n f ;i n f ] ;
% De s ab i l i t ar r e s t r i c o e s PLANTA
110 Rdel ta = i n f ; LSatDel ta = i n f ;
USatDel ta = i n f ; Rmanete = i n f ;
LSatManete = i n f ; USatManete = i n f ;
% Cal cul ar tempo de subi da
% Degrau uni t ar i o na a l t i t u d e sem rui do/ vent o
Vref = 0 ; Href = 1 ; si gV = 0 ; sigGamma = 0 ;
si gQ = 0 ; si gAl pha = 0 ; si gH = 0 ; GUST = 0 ;
opt i ons = s i ms et ( SrcWorkspace , Current) ;
[ tsml k , xsmlk , ysmlk ] = sim( nome_control ador ,
120 [ 0 dt ] , opt i ons ) ;
t i met r=find ( ( outHHe) >0.9 Href ) ;
i f isempty( t i met r )
disp( Erro nao encontrou o tempo)
el se
p( i , 1 )=t i met r ( 1) T; %Tempo de subi da
end
% GRAVAR DADOS DA ITERACAO
% di s p ( Gravar Dados )
% Parametros u t i l i z a d o s nest a i t e r ac ao
130 p( i , 1 6 )=M; p( i , 1 7 )=N; p( i , 1 8 )=rhoU1 ;
p( i , 1 9 )=rhoU2 ; p( i , 2 0 )=gammaY1;
p( i , 2 1 )=gammaY2;
p( i , 2 2 ) = Prui do ( 1 , 1) ; % Ruido Vel oci dade
p( i , 2 3 ) = Prui do ( 2 , 2) ; % Ruido Al t ura
p( i , 2 4 ) = Ppert ( 1 , 1) ; % Vento Vel oci dade
p( i , 2 5 ) = Ppert ( 2 , 2) ; % Vento Al t ura
i=si ze ( p , 1 ) +1
end
end
140 end
end
end
end
end
pNI = p ; disp( Tempo total para a simulacao) ; TempoGradeNI = toc ;
% Sal var r e s ul t ados
save r e s pNI r e s t r i c o e s TempoGradeNI pNI Nfim Pn Nin Mfim Pm Min rhoU1fim
rhoU1i n rhoU2fim rhoU2i n Prho gammaY1fim gammaY1in gammaY2fim gammaY2in
PgammaY muZ1fim muZin1 muZ2fim muZin2 PmuZ V6
150 %
% Cal cul o do MPC Espaco de Est ados Increment al
%
disp( Calculo atraves da Formulacao Incremental)
cl ear al l ; load varsi m ; l o ng i t udi na l ;
i =1;
N
for M=Min :Pm: min( [ N, Mfim] )
M
160 for gammaY1=gammaY1in : PgammaY: gammaY1fim
nome_control ador = simincremental.mdl ;
codi go_cont r ol ador = 1 ; % MPC i ncrement al
si gV = DsigV ; % Vari anci a Vel oci dade
sigGamma = DsigGamma ; % Vari anci a Path Angl e
170 si gQ = DsigQ; % Vari anci a q
si gAl pha = Dsi gAl pha ; % Vari anci a angul o at aque
si gH = DsigH ; % Vari anci a Al t i t ude
GUST = 1 ; % At i va vent o
% Wz = di ag ( repmat ( [ muZ1; muZ2] , N, 1) ) ;
Wz = diag ( repmat ( [ 0 ; 0 ] , N, 1 ) ) ;
sigWh , GUST) ;
i f e s t a bi l i da de == 1 % Se i n s t a v e l
180 cont i nue
el se
% SEM RESTRICOES
% De s ab i l i t ar r e s t r i c o e s MPC
dumax =[ i n f ; i n f ] ; dumin = [i n f ;i n f ] ;
umax = [ i n f ; i n f ] ; umin = [i n f ;i n f ] ;
ymax = [ i n f ; i n f ] ; ymin = [i n f ;i n f ] ;
Rdel ta = i n f ; LSatDel ta = i n f ;
190 USatDel ta = i n f ; Rmanete = i n f ;
% Degrau uni t ar i o sem vent o / rui do
Vref = 0 ; Href = 1 ; si gV = 0 ; sigGamma = 0 ;
si gQ = 0 ; si gAl pha = 0 ; si gH = 0 ; GUST = 0 ;
opt i ons = s i ms et ( SrcWorkspace , Current) ;
[ tsml k , xsmlk , ysmlk ] = sim( nome_control ador ,
[ 0 dt ] , opt i ons ) ;
200 t i met r=find ( ( outHHe) >0.9 Href ) ;
disp( Nao encontrou o tempo )
el se
p( i , 1 )=t i met r ( 1) T; %Tempo de subi da
end
% Parametros u t i l i z a d o s nest a i t e r ac ao
p( i , 1 6 )=M; p( i , 1 7 )=N; p( i , 1 8 )=rhoU1 ;
p( i , 1 9 )=rhoU2 ; p( i , 2 0 )=gammaY1; p( i , 2 1 )=gammaY2;
210 p( i , 2 2 ) = Prui do ( 1 , 1) ; % Ruido Vel oci dade
p( i , 2 3 ) = Prui do ( 2 , 2) ; % Ruido Al t ura
p( i , 2 4 ) = Ppert ( 1 , 1) ; % Vento Vel oci dade
p( i , 2 5 ) = Ppert ( 2 , 2) ; % Vento Al t ura
i=si ze ( p , 1 ) +1
end
end
end
end
end
220 end
end
pI = p ; disp( Tempo total para a simulacao) ; TempoGradeI = toc ;
save r e s p I r e s t r i c o e s pI TempoGradeI Nfim Pn Nin Mfim Pm Min rhoU1fim
%
% Cal cul o do MPC Espao de Est ados Nao Increment al
% com Erro Acumulado
230 %
disp( Calculo atraves da Formulacao Nao Incremental com Erro Acumulado)
cl ear al l ; load varsi m ; l o ng i t udi na l ;
i =1;
% N
for M=Min :Pm: min( [ N, Mfim] )
% M
240 for rhoU1=rhoU1i n : Prho : rhoU1fim
for muZ1=muZin1 : PmuZ: muZ1fim
for muZ2=muZin2 : PmuZ: muZ2fim
Wz = diag ( repmat ( [ muZ1 ; muZ2 ] , N, 1 ) ) ;
nome_control ador = simacumulado.mdl ;
codi go_cont r ol ador = 2 ;
si gV = DsigV ; sigGamma = DsigGamma ;
250 si gQ = DsigQ ; si gAl pha = Dsi gAl pha ;
si gH = DsigH ; GUST = 1 ;
sigWh , GUST) ;
i f e s t a bi l i da de == 1 % Se i s n t a v e l
cont i nue
el se
% SEM RESTRICOES
260 % De s ab i l i t ar r e s t r i c o e s MPC
dumax=[ i n f ; i n f ] ; dumin=[i n f ;i n f ] ;
umax=[ i n f ; i n f ] ; umin=[i n f ;i n f ] ;
ymax=[ i n f ; i n f ] ; ymin=[i n f ;i n f ] ;
Rdel ta=i n f ; LSatDel ta=i n f ;
USatDel ta= i n f ; Rmanete=i n f ;
LSatManete=i n f ; USatManete=i n f ;
270 Vref = 0 ; Href = 1 ; si gV = 0 ;
sigGamma=0; si gQ=0; si gAl pha =0;
si gH = 0 ; GUST = 0 ;
opt i ons=s i ms et ( SrcWorkspace , Current) ;
[ tsml k , xsmlk , ysmlk ] = sim( nome_control ador , [ 0 dt ] , opt i ons ) ;
t i met r=find ( ( outHHe) >0.9 Href ) ;
disp( Nao encontrou o tempo)
el se
p( i , 1 )=t i met r ( 1) T;
280 end
p( i , 1 6 )=M; p( i , 1 7 )=N; p( i , 1 8 )=rhoU1 ;
p( i , 1 9 )=rhoU2 ; p( i , 2 0 )=gammaY1;
p( i , 2 1 )=gammaY2; p( i , 2 2 )=muZ1 ;
p( i , 2 3 )=muZ2 ;
% Previ sao das v ar i anc i as
% Ruido de medida Vel oci dade
p( i , 2 4 ) = Prui do ( 1 , 1) ;
% Ruido de medida Al t ura
290 p( i , 2 5 ) = Prui do ( 2 , 2) ;
% Pert ubacao vent o Vel oci dade
p( i , 2 6 ) = Ppert ( 1 , 1) ;
% Pert ubacao vent o Al t ura
p( i , 2 7 ) = Ppert ( 2 , 2) ;
i=si ze ( p , 1 ) +1
end
end
end
end
300 end
end
end
end
end
pA = p ; disp( Tempo total para a simulacao) ; TempoGradeA = toc ;
save r e s pAr e s t r i c o e s pA TempoGradeA Nfim Pn Nin Mfim Pm Min rhoU1fim
A.5 Mtodo de otimizao goal attainment
Nesta seo sero apresentados os procedimentos para as implementaes das rotinas
do mtodo de otimizao multi-objetivo goal attainment para as formulaes de controle
preditivo em espao de estados no-incremental e no-incremental com erro acumulado.
Os valores das funes-objetivo deste mtodo de otimizao empregam as estimativas
das covarincias dos sinais de sada do sistema excitado por turbulncias atmosfricas e
as estimativas das covarincias dos sinais de sada do sistema corrompido com rudos
de medida. J para o caso em que h restries ativas, estas estimativas deixam de ser
vlidas e h a necessidade de se obter os valores das funes-objetivo por meio do clculo
das varincias dos sinais de sada simulados.
O algoritmo A.14 descreve a rotina do mtodo de otimizao goal-attainment para
a obteno das solues no-dominadas referentes formulao de controle preditivo em
espao de estados no-incremental aplicado ao controle da sada de velocidade. Neste caso,
os valores das funes-objetivo so obtidos por meio das estimativas das covarincias dos
sinais de sada. Este algoritmo, emprega a funo OtimNiGOALv, descrita no algoritmo
A.15, que estima os valores das funes-objetivo e realiza o procedimento de interpolao
destas solues para tratar o problema de otimizao mista.
Cdigo A.14 Mtodo de otimizao goal attainment para a formulao MPC em espao
de estados no-incremental utilizando as estimativas das covarincias dos sinais de sada
cl c ; cl ose al l ; cl ear al l ;
%
% INICIALIZACAO
%
% Xi ni c i al = [ N,M, gammaY1, gammaY2, rhoU1 , rhoU2 ]
% goal = [ Tr si gVdryden sigVmedida ]
%
% % Parametros do cont r ol ador pr e di t i v o
10 % Wu = di ag ( repmat ( [ rhoU1 ; rhoU2 ] ,M, 1) ) ;
% Wy = di ag ( repmat ( [ gammaY1; gammaY2] , N, 1) ) ;
%% Var i avei s do vent o
Veq = 250; % Vel oci dade de Eq u i l i b r i o (m/s )
Lwx = 1750; % Scal e Lengt h ( f t )
sigWx = 15; % Turbul ence I nt e ns i t y ( f t /s )
Lwh = 1750;
sigWh = 15;
GUST = 1 ; % At i var raj ada de vent o
%% Si mul ar di nami ca l ong i t u di nal da aeronave
20 T = 0 . 1 ; % Tempo de di s c r e t i z ac ao
l o ng i t udi na l ; % Mat ri zes em espaco de es t ados
dt = 10; % Tempo t o t a l em cada si mul acao
%% Var i avei s do rui do de medida
DsigV = 0 . 2 5 ; DsigGamma = deg2rad ( 2) ^2; DsigQ = deg2rad ( 0 . 06 ) ^2;
Dsi gAl pha = deg2rad ( 2) ^2; DsigH = 1 ;
%% Res t r i coes
% Cont rol ador MPC
dumax =[ i n f ; i n f ] ; dumin = [i n f ;i n f ] ; umax = [ i n f ; i n f ] ;
umin = [i n f ;i n f ] ; ymax = [ i n f ; i n f ] ; ymin = [i n f ;i n f ] ;
30 % Res t r i coes PLANTA
Rdel ta = i n f ; LSatDel ta = i n f ; USatDel ta = i n f ; Rmanete = i n f ;
%% Var i avei s do modelo l ong i t u di nal da aeronave
VAR{1} = a l f a e ; VAR{2} = He ; VAR{3} = A; VAR{4} = B; VAR{5} = C;
VAR{6} = E; VAR{7} = Ve ; VAR{8} = Lwx; VAR{9} = Veq ; VAR{10} = sigWx ;
VAR{11} = Lwh; VAR{12} = Veq ; VAR{13} = sigWh ; VAR{14} = dpe ;
VAR{15} = dpi e ; VAR{16} = Ve ; VAR{17} = dumax ; VAR{18} = dumin ;
VAR{19} = umax; VAR{20} = umin ; VAR{21} = ymax ; VAR{22} = ymin ;
VAR{23} = Rdel ta ; VAR{24} = LSatDel ta ; VAR{25} = USatDel ta ;
40 VAR{26} = Rmanete ; VAR{27} = LSatManete ; VAR{28} = USatManete ;
save VARIAVEIS
% Parametros do Cont rol ador e do Al gori t mo Goal At t ai nment
W1in = 0 . 1 ; W1pa = 0 . 2 ; W1fim = 1 ;
W2in = 0 . 1 ; W2pa = 0 . 2 ; W2fim = 1 ;
W3in = 0 . 1 ; W3pa = 0 . 1 ; W3fim = 1 ;
Nfim = 150; Npa = 25; Nin = 10;
Mfim = 150; Mpa = 25; Min = 10;
50 rhoU1fim = 100; rhoU1pa = 50; rhoU1i n = 50;
rhoU2fim = 100; rhoU2pa = 50; rhoU2i n = 50;
gammaY1fim = 110; gammaY1pa = 110; gammaY1in = 110;
gammaY2fim = 1 ; gammaY2pa = 1 ; gammaY2in = 1 ;
muZ1in = 1 ; muZ1pa = 1 ; muZ1fim = 1 ;
muZ2in = 1 ; muZ2pa = 1 ; muZ2fim = 1 ;
save PARAMETROS W1in W1pa W1fim W2in W2pa W2fim W3in W3pa W3fim Nfim Npa
Nin Mfim Mpa Min rhoU1fim rhoU1pa rhoU1i n rhoU2fim rhoU2pa rhoU2i n
gammaY1fim gammaY1pa gammaY1in gammaY2fim gammaY2pa gammaY2in muZ1in
muZ1pa muZ1fim muZ2in muZ2pa muZ2fim
%
60 % Cal cul o do MPC Espaco de Est ados Nao Increment al
% SAIDA: : VELOCIDADE
%
nome_control ador = simnincremental.mdl ;
codi go_cont r ol ador = 0 ; % Codigo que r epr es ent a o MPC Nao i ncrement al
muZ1 = 1 ; muZ2 = 1 ;
i = 1 ;
for W1 = W1in: W1pa: W1fim
for W2 = W2in: W2pa: W2fim
70 i f W1+W2 == 1
for N = Nin : Npa : Nfim
for M = Min : Mpa: min( [ N, Mfim] )
for rhoU1 = rhoU1i n : rhoU1pa : rhoU1fim
for rhoU2 = rhoU2i n : rhoU2pa : rhoU2fim
for gammaY1 = gammaY1in : gammaY1pa : gammaY1fim
for gammaY2 = gammaY2in : gammaY2pa : gammaY2fim
cl ear F tsml k xsmlk ysmlk t i met r FVAL
80 Wz = diag ( repmat ( [ muZ1 ; muZ2 ] , N, 1 ) ) ;
GUST = 1 ; si gV = DsigV ; sigGamma = DsigGamma ;
si gQ = DsigQ; si gAl pha = Dsi gAl pha ; si gH = DsigH ;
[ e s t a bi l i da de , Prui do , Ppert ]=t e s t e _e s t a bi l i da de (T, A, B, C, E, si gV , sigGamma , sigQ
, si gAl pha , si gH , codi go_control ador , N,M,Wu, Wy, Wz, Veq , Lwx, sigWx , Lwh, sigWh ,
GUST) ;
i f e s t a bi l i da de == 1 % Se i ns t a v e l
cont i nue
el se
cl ear e s t a bi l i da de Prui do Ppert Wz
Xi ni c i a l = [ N,M, gammaY1, gammaY2, rhoU1 , rhoU2 ] ;
goal = [ 0 ; 0 ] ;
90 wei ght = [W1; W2] ;
[ X FVAL] = OtimNiGOALv( wei ght , Xi ni c i a l , goal , nome_control ador , dt , T, VAR, DsigV
, DsigGamma , DsigQ , DsigAlpha , DsigH , codi go_control ador , GUST) ;
i f FVAL == 0
disp( ERRO: Nenhum ponto realizavel.)
cont i nue
end
p( i , 1 ) = N; p( i , 2 ) = M; p( i , 3 ) = round(X( 1) ) ;
p( i , 4 ) = round(X( 2) ) ; p( i , 5 ) = X( 3) ;
p( i , 6 ) = X( 4) ; p( i , 7 ) = X( 5) ; p( i , 8 ) = X( 6) ;
p( i , 1 2 ) = W1; p( i , 1 3 ) = W2;
100 i = i + 1
end
end
end
end
end
end
end
end
end
110 end
% Cal cul o das f uncoesob j e t i v o
for i = 1 : si ze ( p , 1 )
N = p( i , 3 ) ;
M = p( i , 4 ) ;
gammaY1 = p( i , 5 ) ;
gammaY2 = p( i , 6 ) ;
rhoU1 = p( i , 7 ) ;
rhoU2 = p( i , 8 ) ;
X0 = [ Ve , 0 , 0 , a l f a e , He , 0 ] ; % Condicao i n i c i a l do est ado
120 Wu = diag ( repmat ( [ rhoU1 ; rhoU2 ] ,M, 1 ) ) ;
% Cal cul o da Vari anci a Ruido/Pert urbacao
si gV=DsigV ; sigGamma=DsigGamma ; si gQ=DsigQ; si gAl pha=Dsi gAl pha ;
si gH = DsigH ; GUST = 1 ;
Wz = diag ( repmat ( [ 0 ; 0 ] , N, 1 ) ) ;
GUST) ;
Fy( 2)=Prui do ( 1 , 1) ; % Est i mat i va do Ruido de Medida VELOCIDADE
Fy( 3)=Ppert ( 1 , 1) ; % Est i mat i va da t ur b ul e nc i a VELOCIDADE
% At ual i zando a mat ri z da ITERACAO p
130 p( i , 1 0 ) = Fy( 2) ; % Ruido de medida
p( i , 1 1 ) = Fy( 3) ; % Pert ubacao vent o
end
% Renomear para e v i t ar c o n f l i t o
pNIv = p ;
save respNIvGoal pNIv W1in W1pa W1fim W2in W2pa W2fim W3in W3pa W3fim Nfim
Npa Nin Mfim Mpa Min rhoU1fim rhoU1pa rhoU1i n rhoU2fim rhoU2pa rhoU2i n
gammaY1fim gammaY1pa gammaY1in gammaY2fim gammaY2pa gammaY2in muZ1in
muZ1pa muZ1fim muZ2in muZ2pa muZ2fim V6
Cdigo A.15 Estimativas dos valores das funes-objetivo e procedimento de interpola-
o para a formulao MPC em espao de estados no-incremental
% Parametros de aj us t e : Xi ni c i al = [ N,M, gammaY1, gammaY2, rhoU1 , rhoU2 ]
% N=X(1) ;M=X(2) ; gammaY1=X(3) ; gammaY2=X(4) ; rhoU1=X(5) ; rhoU2=X(6) ;
%
% Funcoesob j e t i v o :
% F(1) = Ruido de medida
% F(2) = Pert ubacao vent o
function [ X FVAL] = OtimNiGOALv( wei ght , Xi ni c i a l , goal , nome_control ador , dt , T,
VAR, DsigV , DsigGamma , DsigQ , DsigAlpha , DsigH , codi go_control ador ,GUST)
% Vetor de ent radas
10 a l f a e = VAR{1}; He = VAR{2}; A = VAR{3}; B = VAR{4}; C = VAR{5};
E = VAR{6}; Ve = VAR{7}; Lwx = VAR{8}; Veq = VAR{9}; sigWx = VAR{10};
Lwh = VAR{11}; Veq = VAR{12}; sigWh = VAR{13}; dpe = VAR{14};
dpi e = VAR{15}; Ve = VAR{16}; dumax = VAR{17}; dumin = VAR{18};
umax = VAR{19}; umin = VAR{20}; ymax = VAR{21}; ymin = VAR{22};
Rdel ta = VAR{23}; LSatDel ta = VAR{24}; USatDel ta = VAR{25};
Rmanete = VAR{26}; LSatManete = VAR{27}; USatManete = VAR{28};
% Condicao i n i c i a l do modelo l ong i t u di nal da areronave
X0 = [ Ve , 0 , 0 , a l f a e , He , 0 ] ;
20
% Opcoes do al gor i t mo de ot i mi zacao f g o a l a t t a i n
opt i ons = opti mset ( GoalsExactAchieve , length( goal ) , Display , iter ,
TolX , 0 . 5 , TolFun , 0 . 5 , MaxIter , 20) ;
% Res t r i coes : : LB <= Parametros de pr oj e t o <= UB
LB = [ 1 ; 1 ; 0 . 0 5 ; 0 . 0 5 ; 0 . 0 5 ; 0 . 0 5 ] ;
UB = [ 3 0 0 ; 300; 300; 300; 300; 3 0 0 ] ;
% Funcao goal at t ai nment
[ X, FVAL,ATTAINFACTOR, EXITFLAG]= f g o a l a t t a i n ( @goalF , Xi ni c i a l , goal , wei ght
, [ ] , [ ] , [ ] , [ ] , LB, UB, @restr , opt i ons ) ;
i f EXITFLAG == 2
30 disp( Nenhum ponto realizavel) ; FVAL = 0 ; X = 0 ;
end
%
% Es t i mat i vas das f uncoesob j e t i v o
%
function F = goal F(X)
N = X( 1) ; M = X( 2) ; gammaY1 = X( 3) ; gammaY2 = X( 4) ;
rhoU1 = X( 5) ; rhoU2 = X( 6) ;
% Def i ni cao das v ar i av e i s de sai da do modelo l ong i t u di nal
40 global outAl pha ; global outX ; global outGama ; global outPi ;
global outDel ta ; global outQ; global outV ; global outH ;
%% CASO 1: X < 0
i f N < 1 | | M<1 | | gammaY1<0 | | gammaY2<0 | | rhoU1<0 | | rhoU2<0
F( 1) = 10^4;
F( 2) = 10^4;
return
end
50 %% CASO 2: N < M
i f N < M % Caso N<M f az e r (N=M) e pr os s e g ui r ot i mi zacao
X( 1) = M; X( 2) = M;
% Ve r i f i c ar se M=N e i nt e i r o
i f f l oor (M) == cei l (M)
N = f l oor (X( 1) ) ; M = f l oor (X( 2) ) ; gammaY1 = X( 3) ;
gammaY2 = X( 4) ; rhoU1 = X( 5) ; rhoU2 = X( 6) ;
si gV = DsigV ; sigGamma = DsigGamma ; si gQ = DsigQ;
60 si gAl pha = Dsi gAl pha ; si gH = DsigH ; GUST = 1 ;
Wz = diag ( repmat ( [ 0 ; 0 ] , N, 1 ) ) ;
GUST) ;
F( 1)=Prui do ( 1 , 1) ; % Est i mat i va do Ruido de Medida VELOCIDADE
F( 2)=Ppert ( 1 , 1) ; % Est i mat i va da t ur b ul e nc i a VELOCIDADE
return
el se % Caso M=N nao sejam i n t e i r o s r e a l i z a r i nt e r pol ac ao l i ne ar
% Ponto i n f e r i o r Pb1
70 Wu = diag ( repmat ( [ rhoU1 ; rhoU2 ] ,M, 1 ) ) ;
si gV = DsigV ; sigGamma = DsigGamma ; si gQ = DsigQ ;
si gAl pha = Dsi gAl pha ; si gH = DsigH ; GUST = 1 ;
Wz = diag ( repmat ( [ 0 ; 0 ] , N, 1 ) ) ;
GUST) ;
Pb1 ( 1)=Prui do ( 1 , 1) ;% Est i mat i va do Ruido de MedidaVELOCIDADE
Pb1 ( 2)=Ppert ( 1 , 1) ; % Est i mat i va da t ur b ul e nc i a VELOCIDADE
% Ponto s uper i or Pt1
N = cei l (X( 1) ) ; M = cei l (X( 2) ) ; gammaY1 = X( 3) ;
80 gammaY2 = X( 4) ; rhoU1 = X( 5) ; rhoU2 = X( 6) ;
Wz = diag ( repmat ( [ 0 ; 0 ] , N, 1 ) ) ;
GUST) ;
Pt1 ( 1)=Prui do ( 1 , 1) ;% Est i mat i va do Ruido de MedidaVELOCIDADE
Pt1 ( 2)=Ppert ( 1 , 1) ; % Est i mat i va da t ur b ul e nc i a VELOCIDADE
% Cal cul o do v al or i nt e r pol ado
90 R1 = X( 1) f l oor (X( 1) ) ;
R2 = cei l (X( 1) ) X( 1) ;
F( 1) = (1/R1 Pb1 ( 1) + 1/R2 Pt1 ( 1) ) / ( 1/R1 + 1/R2) ;
F( 2) = (1/R1 Pb1 ( 2) + 1/R2 Pt1 ( 2) ) / ( 1/R1 + 1/R2) ;
return
end
end
%% CASO 3: N >= M
i f N >= M
100
% Se N e M sao i n t e i r o s
i f f l oor (N) == cei l (N) && f l oor (M) == cei l (M)
% di s p ( Os doi s sao i nt e i r os )
% di s p ( num2str (N) )
% di s p ( num2str (M) )
rhoU1 = X( 5) ; rhoU2 = X( 6) ;
110 si gV = DsigV ; sigGamma = DsigGamma ; si gQ = DsigQ ;
Wz = diag ( repmat ( [ 0 ; 0 ] , N, 1 ) ) ;
GUST) ;
F( 1)=Prui do ( 1 , 1) ;% Est i mat i va do Ruido de Medida VELOCIDADE
F( 2)=Ppert ( 1 , 1) ; % Est i mat i va da t ur b ul e nc i a VELOCIDADE
return
end
% Se o N f or i nt e i r o e M nao f or i nt e i r o
120 i f f l oor (N) == cei l (N) && f l oor (M) ~= cei l (M)
% di s p ( N e i nt e i r o mas M nao e i nt e i r o )
% Ponto s uper i or : : : Pt1
N = X( 1) ; M = cei l (X( 2) ) ; gammaY1 = X( 3) ; gammaY2 = X( 4) ;
rhoU1 = X( 5) ; rhoU2 = X( 6) ;
Wz = diag ( repmat ( [ 0 ; 0 ] , N, 1 ) ) ;
GUST) ;
Pt1 ( 1)=Prui do ( 1 , 1) ;% Est i mat i va do Ruido de Medida VELOCIDADE
% Ponto i n f e r i o r : : : Pb1
N = X( 1) ; M = f l oor (X( 2) ) ; gammaY1 = X( 3) ; gammaY2 = X( 4) ;
rhoU1 = X( 5) ; rhoU2 = X( 6) ;
140 si gV = DsigV ; sigGamma = DsigGamma ; si gQ = DsigQ ;
Wz = diag ( repmat ( [ 0 ; 0 ] , N, 1 ) ) ;
GUST) ;
Pb1 ( 1)=Prui do ( 1 , 1) ; % Est i mat i va do Ruido de Medida VELOCIDADE
% Cal cul o da i nt e r pol ac ao l i ne ar em r el acao a M
N = X( 1) ; M = X( 2) ; R1 = M f l oor (M) ; R2 = cei l (M) M;
F( 1) = (1/R1 Pb1 ( 1) + 1/R2 Pt1 ( 1) ) / ( 1/R1 + 1/R2) ;
F( 2) = (1/R1 Pb1 ( 2) + 1/R2 Pt1 ( 2) ) / ( 1/R1 + 1/R2) ;
150 return
end
% Se o N f or nao i nt e i r o e M f or i nt e i r o
i f f l oor (N) ~= cei l (N) && f l oor (M) == cei l (M)
% di s p ( N e nao i nt e i r o e M e i nt e i r o )
% Fazer i nt e r pol ac ao l i ne ar em r el acao a N
% Ponto s uper i or : : : Pt1
160 N = cei l (X( 1) ) ; M = X( 2) ; gammaY1 = X( 3) ;
Wz = diag ( repmat ( [ 0 ; 0 ] , N, 1 ) ) ;
GUST) ;
Pt1 ( 1)=Prui do ( 1 , 1) ; % Est i mat i va do Ruido de Medida VELOCIDADE
170 % Ponto i n f e r i o r : : : Pb1
N = f l oor (X( 1) ) ; M = X( 2) ; gammaY1 = X( 3) ; gammaY2 = X( 4) ;
rhoU1 = X( 5) ; rhoU2 = X( 6) ;
Wz = diag ( repmat ( [ 0 ; 0 ] , N, 1 ) ) ;
GUST) ;
180 Pb1 ( 2)=Ppert ( 1 , 1) ; % Est i mat i va da t ur b ul e nc i a VELOCIDADE
% Cal cul o da i nt e r pol ac ao l i ne ar em r el acao a N
N = X( 1) ; M = X( 2) ; R1 = N f l oor (N) ; R2 = cei l (N) N;
F( 1) = (1/R1 Pb1 ( 1) + 1/R2 Pt1 ( 1) ) / ( 1/R1 + 1/R2) ;
F( 2) = (1/R1 Pb1 ( 2) + 1/R2 Pt1 ( 2) ) / ( 1/R1 + 1/R2) ;
return
end
% Ve r i f i c ar se os pont os N e M es t ao no mesmo i nt e r v al o i nt e i r o
i f f l oor (N) == f l oor (M) && cei l (N) == cei l (M)
% di s p ( Ponto N i g u al ao pont o M )
190 % di s p ( num2str (N) )
Wz = diag ( repmat ( [ 0 ; 0 ] , N, 1 ) ) ;
200 [ e s t a bi l i da de , Prui do , Ppert ]=t e s t e _e s t a bi l i da de (T, A, B, C, E, si gV , sigGamma , sigQ
GUST) ;
210 Wz = diag ( repmat ( [ 0 ; 0 ] , N, 1 ) ) ;
GUST) ;
% Cal cul o da i nt e r pol ac ao
R1 = sqrt ( (X( 1)f l oor (X( 1) ) ) ^2 + (X( 2) f l oor (X( 2) ) ) ^2 ) ;
R2 = sqrt ( ( cei l (X( 1) )X( 1) ) ^2 + ( cei l (X( 2) ) X( 2) ) ^2 ) ;
F( 1) = (1/R1 Pb1 ( 1) + 1/R2 Pt1 ( 1) ) / ( 1/R1 + 1/R2) ;
F( 2) = (1/R1 Pb1 ( 2) + 1/R2 Pt1 ( 2) ) / ( 1/R1 + 1/R2) ;
return
220 end
% Ve r i f i c ar se N e M nao tem r el acao
i f f l oor (N) ~= f l oor (M) && cei l (M) ~= cei l (N)
% di s p ( Nao ha r el acao ent r e N e M )
i f f l oor (X( 1) ) == 0
N = 1 ;
230 el se
N = f l oor (X( 1) ) ;
end
i f f l oor (X( 2) ) == 0
M = 1 ;
el se
M = f l oor (X( 2) ) ;
end
gammaY1 = X( 3) ; gammaY2 = X( 4) ; rhoU1 = X( 5) ; rhoU2 = X( 6) ;
240 Wy = diag ( repmat ( [ gammaY1; gammaY2] , N, 1 ) ) ;
Wz = diag ( repmat ( [ 0 ; 0 ] , N, 1 ) ) ;
GUST) ;
N = cei l (X( 1) ) ;
i f f l oor (X( 2) ) == 0
250 M = 1 ;
el se
M = f l oor (X( 2) ) ;
end
gammaY1 = X( 3) ; gammaY2 = X( 4) ; rhoU1 = X( 5) ; rhoU2 = X( 6) ;
Wz = diag ( repmat ( [ 0 ; 0 ] , N, 1 ) ) ;
260 [ e s t a bi l i da de , Prui do , Ppert ]=t e s t e _e s t a bi l i da de (T, A, B, C, E, si gV , sigGamma , sigQ
GUST) ;
270 Wz = diag ( repmat ( [ 0 ; 0 ] , N, 1 ) ) ;
GUST) ;
N = f l oor (X( 1) ) ; M = cei l (X( 2) ) ; gammaY1 = X( 3) ;
Wz = diag ( repmat ( [ 0 ; 0 ] , N, 1 ) ) ;
GUST) ;
% Val or da f uncao
F( 1) = interp2 ( [ f l oor (X( 1) ) cei l (X( 1) ) ; f l oor (X( 1) ) cei l (X( 1) )
] , [ f l oor (X( 2) ) f l oor (X( 2) ) ; cei l (X( 2) ) cei l (X( 2) ) ] , [ Pb1
( 1) Pb2 ( 1) ; Pt1 ( 1) Pt2 ( 1) ] , X( 1) , X( 2) , nearest) ;
F( 2) = interp2 ( [ f l oor (X( 1) ) cei l (X( 1) ) ; f l oor (X( 1) ) cei l (X( 1) )
] , [ f l oor (X( 2) ) f l oor (X( 2) ) ; cei l (X( 2) ) cei l (X( 2) ) ] , [ Pb1
( 2) Pb2 ( 2) ; Pt1 ( 2) Pt2 ( 2) ] , X( 1) , X( 2) , nearest) ;
return
end
290 end
end
function [ c , ceq ] = r e s t r (X)
rhoU1 = X( 5) ; rhoU2 = X( 6) ;
c ( 1) = M N; c ( 2) = gammaY1; c ( 3) = gammaY2;
c ( 4) = rhoU1 ; c ( 5) = rhoU2 ;
ceq =[ ] ;
end
300 end
A rotina de otimizao para a formulao MPC em espao de estados no-incremental
com erro acumulado, que emprega as estimativas das covarincias dos sinais de sada,
semelhante aos algoritmos A.14 e A.15 j apresentados. Basicamente, as diferenas resi-
dem no fato da mudana do nome e do cdigo do controlador, da mudana da grade de
parmetros de busca e na insero de mais um objetivo relacionado ao tempo de subida.
As diferenas dos algoritmos A.14 e A.15 para o caso em que as restries do sistema
esto ativas esto relacionadas a forma de obteno dos valores das funes-objetivo que,
para este caso, devem ser calculados atravs da anlise dos valores simulados das variveis
de sada. Adicionalmente, as restries devem ser descritas nas linhas 26 at 32 do cdigo
A.14.
A.6 Anlise grca dos resultados
Nesta seo sero apresentados os cdigos para a obteno dos grcos para anlise
das fronteiras de Pareto relativos ao tempo de resposta, sensibilidade a rudo de medida e
sensibilidade a perturbaes atmosfricas. Adicionalmente, sero apresentados os cdigos
para a obteno dos grcos destas fronteiras representadas no sistema de coordenadas
esfricas e representadas por meio de curvas de nveis.
O cdigo A.16 apresenta as rotinas, implementadas em M-le, para a obteno das
fronteiras de Pareto para as sadas de velocidade e altitude, referentes s Figuras 6.1 e
6.3 do captulo de resultados.
Cdigo A.16 Grcos das fronteiras de Pareto
%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%
%% SAIDA VELOCIDADE
%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%
load r e s pNI r e s t r i c o e s
p = pNI ;
%
% Front ei ra de Paret o MPC Nao Increment al
%
10 % Sol ucoes nao dominadas sigMEDIDA x sigPERTUBACAO
col una = si ze ( p , 2 ) +1;
for i =1: si ze ( p , 1 )
p( i , col una ) =0; % I n i c i a l i z a o da col una de dominncia
end
for i =1: si ze ( p , 1 )
for j =1: si ze ( p , 1 )
i f i ~=j
i f p( i , 2 2 ) <= p( j , 2 2 )
i f p( i , 2 4 ) <= p( j , 2 4 )
20 p( j , col una ) =1; % 1 = o pont o j e dominado por i
end
end
end
end
end
% Front ei ra de Paret o
k=1;
for i =1: si ze ( p , 1 )
i f p( i , col una )==0 % 0 = pont o nao dominado
30 p3vSEMotimNI ( k , : ) =p( i , [ 2 2 , 2 4 ] ) ;
k=k+1;
end
end
p3vSEMotimNI = s or t r ows ( p3vSEMotimNI , 1 ) ;
%
% Front ei ra de Paret o MPC Increment al
%
load r e s p I r e s t r i c o e s
p = pI ;
col una = si ze ( p , 2 ) +1;
for i =1: si ze ( p , 1 )
end
for i =1: si ze ( p , 1 )
for j =1: si ze ( p , 1 )
i f i ~=j
i f p( i , 2 2 ) <= p( j , 2 2 )
i f p( i , 2 4 ) <= p( j , 2 4 )
end
end
end
end
end
k=1;
for i =1: si ze ( p , 1 )
60 p3vSEMotimI ( k , : ) =p( i , [ 2 2 , 2 4 ] ) ;
k=k+1;
end
end
p3vSEMotimI = s or t r ows ( p3vSEMotimI , 1 ) ;
%
% Front ei ra de Paret o MPC Nao Increment al com erro acumulado
%
load r e s pAr e s t r i c o e s
p = pA;
col una = si ze ( p , 2 ) +1;
for i =1: si ze ( p , 1 )
end
for i =1: si ze ( p , 1 )
for j =1: si ze ( p , 1 )
i f i ~=j
i f p( i , 2 4 ) <= p( j , 2 4 )
i f p( i , 2 6 ) <= p( j , 2 6 )
end
end
end
end
end
k=1;
for i =1: si ze ( p , 1 )
90 p3vSEMotimA( k , : ) =p( i , [ 2 4 , 2 6 ] ) ;
k=k+1;
end
end
p3vSEMotimA = s or t r ows (p3vSEMotimA, 1 ) ;
figure , plot ( p3vSEMotimNI ( : , 1 ) , p3vSEMotimNI ( : , 2 ) , r , p3vSEMotimI ( : , 1 ) ,
p3vSEMotimI ( : , 2 ) , b , p3vSEMotimA( : , 1 ) , p3vSEMotimA( : , 2 ) , k , LineWidth
, 2)
legend( Fronteira de Pareto formulao no-incremental , Fronteira de
Pareto formulao incremental , Fronteira de Pareto formulao no-
incremental com erro acumulado)
hold ;
plot ( pNI ( : , 2 2 ) , pNI ( : , 2 4 ) , r. , pI ( : , 2 2 ) , pI ( : , 2 4 ) , b. ,pA( : , 2 4 ) ,pA( : , 2 6 ) , k.
, LineWidth , 2)
100 t i t l e ( Sada VELOCIDADE)
xlabel ( \sigma_{MEDIDA}^2 (m/s)^2)
ylabel ( \sigma_{VENTO}^2 (m/s)^2)
cl ear al l ;
%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%
%% SAIDA ALTITUDE
%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%
%
110 % Front ei ra de Paret o MPC Nao Increment al
%
p = pNI ;
% Sol ucoes nao dominadas sigMEDIDA x sigPERTUBACAO
col una = si ze ( p , 2 ) +1;
for i =1: si ze ( p , 1 )
end
for i =1: si ze ( p , 1 )
120 for j =1: si ze ( p , 1 )
i f i ~=j
i f p( i , 2 3 ) <= p( j , 2 3 )
i f p( i , 2 5 ) <= p( j , 2 5 )
p( j , col una ) =1; % 1 = o pont o j e dominado por i
end
end
end
end
end
130 % Front ei ra de Paret o
k=1;
for i =1: si ze ( p , 1 )
p3hsi gMedi dxsi gVentoNI ( k , : ) =p( i , [ 2 3 , 2 5 ] ) ;
k=k+1;
end
end
p3hsi gMedi dxsi gVentoNI = s or t r ows ( p3hsi gMedi dxsi gVentoNI , 1 ) ;
%
140 % Front ei ra de Paret o MPC Increment al
%
% p1 = pI ;
p = pI ;
col una = si ze ( p , 2 ) +1;
for i =1: si ze ( p , 1 )
150 end
for i =1: si ze ( p , 1 )
for j =1: si ze ( p , 1 )
i f i ~=j
i f p( i , 2 3 ) <= p( j , 2 3 )
i f p( i , 2 5 ) <= p( j , 2 5 )
end
end
end
160 end
end
k=1;
for i =1: si ze ( p , 1 )
p3hsi gMedi dxsi gVentoI ( k , : ) =p( i , [ 2 3 , 2 5 ] ) ;
k=k+1;
end
end
170 p3hsi gMedi dxsi gVentoI = s or t r ows ( p3hsi gMedi dxsi gVentoI , 1 ) ;
%
% Front ei ra de Paret o MPC Nao Increment al com erro acumulado
%
p = pA;
col una = si ze ( p , 2 ) +1;
for i =1: si ze ( p , 1 )
p( i , col una ) =0; % I n i c i a l i z a o da
col una de dominncia
180 end
for i =1: si ze ( p , 1 )
for j =1: si ze ( p , 1 )
i f i ~=j
i f p( i , 2 7 ) <= p( j , 2 7 )
i f p( i , 2 5 ) <= p( j , 2 5 )
p( j , col una ) =1; % 1 = o pont o j e dominado
por i
end
end
end
190 end
end
k=1;
for i =1: si ze ( p , 1 )
i f p( i , col una )==0 % 0 = pont o nao
dominado
p3hsi gMedi dxsi gVentoA ( k , : ) =p( i , [ 2 5 , 2 7 ] ) ;
k=k+1;
end
end
200 p3hsi gMedi dxsi gVentoA = s or t r ows ( p3hsi gMedi dxsi gVentoA , 1 ) ;
figure , plot ( p3hsi gMedi dxsi gVentoNI ( : , 1 ) , p3hsi gMedi dxsi gVentoNI ( : , 2 ) , r ,
p3hsi gMedi dxsi gVentoI ( : , 1 ) , p3hsi gMedi dxsi gVentoI ( : , 2 ) , b ,
p3hsi gMedi dxsi gVentoA ( : , 1 ) , p3hsi gMedi dxsi gVentoA ( : , 2 ) , k , LineWidth , 2)
legend( Fronteira de Pareto formulao no-incremental , Fronteira de
Pareto formulao incremental , Fronteira de Pareto formulao no-
incremental com erro acumulado)
hold ;
plot ( pNI ( : , 2 3 ) , pNI ( : , 2 5 ) , r. , pI ( : , 2 3 ) , pI ( : , 2 5 ) , b. ,pA( : , 2 5 ) ,pA( : , 2 7 ) , k.
, LineWidth , 2)
t i t l e ( Sada ALTITUDE)
xlabel ( \sigma_{MEDIDA}^2 (m^2))
ylabel ( \sigma_{VENTO}^2 (m^2))
O cdigo A.17 apresenta as rotinas para a obteno dos grcos das fronteiras de Pa-
reto representados no sistema de coordenadas esfricas, referente Figura 6.8 do captulo
de resultados, relacionados ao sinal de sada de altitude.
Cdigo A.17 Grcos das fronteiras de Pareto representadas no sistema de coordenadas
esfricas
cl ear al l ; cl ose al l ; cl c
%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%
%% SAIDA ALTITUDE
% sigMEDIDA x sigPERTUBACAO x Tr
%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%
p = pNI ;
col una = si ze ( p , 2 ) +1;
for i =1: si ze ( p , 1 )
10 p( i , col una ) =0; % I n i c i a l i z a o da col una de dominncia
end
for i =1: si ze ( p , 1 )
for j =1: si ze ( p , 1 )
i f i ~=j
i f p( i , 1 ) <= p( j , 1 )
i f p( i , 2 3 ) <= p( j , 2 3 )
i f p( i , 2 5 ) <= p( j , 2 5 )
end
20 end
end
end
end
end
k=1;
for i =1: si ze ( p , 1 )
p3hNI ( k , : ) =p( i , [ 1 , 2 3 , 2 5 ] ) ;
30 k=k+1;
end
end
cl ear p
p = pI ;
col una = si ze ( p , 2 ) +1;
for i =1: si ze ( p , 1 )
end
40 for i =1: si ze ( p , 1 )
for j =1: si ze ( p , 1 )
i f i ~=j
i f p( i , 1 ) <= p( j , 1 )
i f p( i , 2 3 ) <= p( j , 2 3 )
i f p( i , 2 5 ) <= p( j , 2 5 )
end
end
end
50 end
end
end
k=1;
for i =1: si ze ( p , 1 )
i f p( i , col una )==0
p3vI ( k , : ) =p( i , [ 1 , 2 3 , 2 5 ] ) ;
k=k+1;
end
60 end
cl ear p
p = pA;
col una = si ze ( p , 2 ) +1;
for i =1: si ze ( p , 1 )
p( i , col una ) =0;
end
for i =1: si ze ( p , 1 )
for j =1: si ze ( p , 1 )
70 i f i ~=j
i f p( i , 1 ) <= p( j , 1 )
i f p( i , 2 5 ) <= p( j , 2 5 )
i f p( i , 2 7 ) <= p( j , 2 7 )
p( j , col una ) =1;
end
end
end
end
end
80 end
k=1;
for i =1: si ze ( p , 1 )
p3hA( k , : ) =p( i , [ 1 , 2 5 , 2 7 ] ) ;
k=k+1;
end
end
%% Normal i zar o b j e t i v o s no cubo 1x1x1
90 % Maximo ob j e t i v o 1
JMv = max( poIV( : , 1 ) ) ;
i f JMv < max(poV( : , 1 ) )
i f max(poV( : , 1 ) ) < max(poAV( : , 1 ) )
JMv = max(poAV( : , 1 ) ) ;
el se
JMv = max(poV( : , 1 ) ) ;
end
e l s e i f JMv < max(poAV( : , 1 ) )
JMv = max(poAV( : , 1 ) ) ;
100 end
% Minimo ob j e t i v o 1
Jmv = min( poIV( : , 1 ) ) ;
i f Jmv > min(poV( : , 1 ) )
i f min(poV( : , 1 ) ) > min(poAV( : , 1 ) )
Jmv = min(poAV( : , 1 ) ) ;
el se
Jmv = min(poV( : , 1 ) ) ;
end
e l s e i f Jmv > min(poAV( : , 1 ) )
110 Jmv = min(poAV( : , 1 ) ) ;
end
MinObj1 = Jmv
MaxObj1 = JMv
% Normal i zar ob j e t i v o 1
for i = 1 : si ze (poV, 1 )
JnV( i , 1 ) = (poV( i , 1 ) Jmv) /(JMv Jmv) ;
end
for i = 1 : si ze ( poIV , 1 )
JiV( i , 1 ) = ( poIV( i , 1 ) Jmv) /(JMv Jmv) ;
120 end
for i = 1 : si ze (poAV, 1 )
JaV( i , 1 ) = (poAV( i , 1 ) Jmv) /(JMv Jmv) ;
end
% Maximo ob j e t i v o 2
JMv = max( poIV( : , 2 ) ) ;
i f JMv < max(poV( : , 2 ) )
JMv = max(poAV( : , 2 ) ) ;
130 el se
JMv = max(poV( : , 2 ) ) ;
end
JMv = max(poAV( : , 2 ) ) ;
end
Jmv = min( poIV( : , 2 ) ) ;
i f Jmv > min(poV( : , 2 ) )
140 Jmv = min(poAV( : , 2 ) ) ;
el se
Jmv = min(poV( : , 2 ) ) ;
end
Jmv = min(poAV( : , 2 ) ) ;
end
MinObj2 = Jmv
MaxObj2 = JMv
150 for i = 1 : si ze (poV, 1 )
end
end
end
160 % Maximo ob j e t i v o 3
JMv = max( poIV( : , 3 ) ) ;
i f JMv < max(poV( : , 3 ) )
JMv = max(poAV( : , 3 ) ) ;
el se
JMv = max(poV( : , 3 ) ) ;
end
JMv = max(poAV( : , 3 ) ) ;
170 end
Jmv = min( poIV( : , 3 ) ) ;
i f Jmv > min(poV( : , 3 ) )
Jmv = min(poAV( : , 3 ) ) ;
el se
Jmv = min(poV( : , 3 ) ) ;
end
180 Jmv = min(poAV( : , 3 ) ) ;
end
MinObj3 = Jmv
MaxObj3 = JMv
end
190 JiV( i , 3 ) = ( poIV( i , 3 ) Jmv) /(JMv Jmv) ;
end
end
[ Xn, Yn] = meshgrid( l i nspace (min(JnV( : , 1 ) ) ,max(JnV( : , 1 ) ) , 150) , l i nspace (min(
JnV( : , 2 ) ) ,max(JnV( : , 2 ) ) , 150) ) ;
Zn = griddata (JnV( : , 1 ) , JnV( : , 2 ) , JnV( : , 3 ) , Xn, Yn, cubic) ;
for i = 1 : si ze (Xn, 1 )
for j = 1 : si ze (Xn, 2 )
i f Xn( i , j ) < 0
200 Xn( i , j ) = 0 ;
end
i f Xn( i , j ) > 1
Xn( i , j ) = 1 ;
end
end
end
for i = 1 : si ze (Yn, 1 )
for j = 1 : si ze (Yn, 2 )
i f Yn( i , j ) < 0
210 Yn( i , j ) = 0 ;
end
i f Yn( i , j ) > 1
Yn( i , j ) = 1 ;
end
end
end
for i = 1 : si ze ( Zn , 1 )
for j = 1 : si ze ( Zn , 2 )
i f Zn( i , j ) < 0
220 Zn( i , j ) = 0 ;
end
i f Zn( i , j ) > 1
Zn( i , j ) = 1 ;
end
end
end
[ Xi , Yi ] = meshgrid( l i nspace (min( JiV ( : , 1 ) ) ,max( JiV ( : , 1 ) ) , 100) , l i nspace (min(
JiV ( : , 2 ) ) ,max( JiV ( : , 2 ) ) , 30) ) ;
Zi = griddata ( JiV ( : , 1 ) , JiV ( : , 2 ) , JiV ( : , 3 ) , Xi , Yi , cubic) ;
for i = 1 : si ze ( Xi , 1 )
230 for j = 1 : si ze ( Xi , 2 )
i f Xi ( i , j ) < 0
Xi ( i , j ) = 0 ;
end
i f Xi ( i , j ) > 1
Xi ( i , j ) = 1 ;
end
end
end
for i = 1 : si ze ( Yi , 1 )
240 for j = 1 : si ze ( Yi , 2 )
i f Yi ( i , j ) < 0
Yi ( i , j ) = 0 ;
end
i f Yi ( i , j ) > 1
Yi ( i , j ) = 1 ;
end
end
end
for i = 1 : si ze ( Zi , 1 )
250 for j = 1 : si ze ( Zi , 2 )
i f Zi ( i , j ) < 0
Zi ( i , j ) = 0 ;
end
i f Zi ( i , j ) > 1
Zi ( i , j ) = 1 ;
end
end
end
[ Xa, Ya] = meshgrid( l i nspace (min(JaV( : , 1 ) ) ,max( JaV( : , 1 ) ) , 150) , l i nspace (min(
JaV( : , 2 ) ) ,max( JaV( : , 2 ) ) , 150) ) ;
260 Za = griddata ( JaV( : , 1 ) , JaV( : , 2 ) , JaV( : , 3 ) , Xa, Ya, cubic) ;
for i = 1 : si ze (Xa, 1 )
for j = 1 : si ze (Xa, 2 )
i f Xa( i , j ) < 0
Xa( i , j ) = 0 ;
end
i f Xa( i , j ) > 1
Xa( i , j ) = 1 ;
end
end
270 end
for i = 1 : si ze (Ya, 1 )
for j = 1 : si ze (Ya, 2 )
i f Ya( i , j ) < 0
Ya( i , j ) = 0 ;
end
i f Ya( i , j ) > 1
Ya( i , j ) = 1 ;
end
end
280 end
for i = 1 : si ze ( Za , 1 )
for j = 1 : si ze ( Za , 2 )
i f Za( i , j ) < 0
Za( i , j ) = 0 ;
end
i f Za( i , j ) > 1
Za( i , j ) = 1 ;
end
end
290 end
figure , mesh(Xa, Ya, Za)
hold on ;
colormap gray
mesh(Xn, Yn, Zn) ; mesh( Xi , Yi , Zi ) ;
plot3 ( JaV( : , 1 ) , JaV( : , 2 ) , JaV( : , 3 ) , g.)
plot3 ( JiV ( : , 1 ) , JiV ( : , 2 ) , JiV ( : , 3 ) , r.)
plot3 (JnV( : , 1 ) , JnV( : , 2 ) , JnV( : , 3 ) , b.)
xlabel ( T_r(s))
300 ylabel ( \sigma_{MEDIDA} (m^2))
zl abel ( \sigma_{VENTO} (m^2))
%% Convert er de coordenada car t es i ana para e s f e r i c a
% MPC NonIncrement al
[ TradN, PradN ,RN] = cart2sph(JnV( : , 1 ) , JnV( : , 2 ) , JnV( : , 3 ) ) ;
TdegN = rad2deg ( TradN) ; PdegN = rad2deg ( PradN) ;
[ TN, PN] = meshgrid( l i nspace (min(TdegN) ,max( TdegN) , 200) , l i nspace (min( PdegN) ,
max( PdegN) , 200) ) ;
DN = griddata ( TdegN, PdegN, RN, TN, PN, cubic) ;
310 % MPC Increment al
[ TradI , PradI , RI ] = cart2sph( JiV ( : , 1 ) , JiV ( : , 2 ) , JiV ( : , 3 ) ) ;
TdegI = rad2deg ( TradI ) ; PdegI = rad2deg ( PradI ) ;
[ TI , PI ] = meshgrid( l i nspace (min( TdegI ) ,max( TdegI ) , 200) , l i nspace (min( PdegI ) ,
max( PdegI ) , 200) ) ;
DI = griddata ( TdegI , PdegI , RI , TI , PI , cubic) ;
% MPC NonIncrement al wi t h accumul at ed er r or
[ TradA, PradA ,RA] = cart2sph( JaV( : , 1 ) , JaV( : , 2 ) , JaV( : , 3 ) ) ;
TdegA = rad2deg ( TradA) ; PdegA = rad2deg ( PradA) ;
[ TA, PA] = meshgrid( l i nspace (min(TdegA) ,max( TdegA) , 200) , l i nspace (min( PdegA) ,
max( PdegA) , 200) ) ;
320 DA = griddata ( TdegA, PdegA, RA, TA, PA, cubic) ;
%% Pl ot ar r e s ul t ados
fi gure ( 2)
hold ;
[ CeI , heI ]=contour( TI , PI , DI , b) ; % Increment al s t at e Contour pl ot
[ CeN, heN]=contour(TN, PN, DN, r) ; % NonIncrement al Contour pl ot
[ CeA, heA]=contour(TA, PA, DA, g) ; % NonIncrement al wi t h accumul at ed er r or
legend ( Incremental , No-Incremental , No-Incremental Acumulado)
pcolor ( TI , PI , DI ) % Increment al s t at e Col or pl ot
330 shading i nt e r p
pcolor (TN, PN,DN) % NonIncrement al s t at e Col or pl ot
shading i nt e r p
% NonIncrement al s t at e wi t h accumul at ed er r or Col or pl ot
pcolor (TA, PA,DA)
shading i nt e r p
grid on ;
contourcmap ( [ 0 . 2 : 0 . 0 5 : 1 . 2 ] , jet , colorbar , on , location , vertical)
xlabel ( \Thetaô)
ylabel ( \Phiô)
340 XLim( [ 0 9 0 ] ) ;
YLim( [ 0 8 3 ] ) ;
%% Pl ot ar separadament e
% NonIncrement al s t at e
fi gure ( 3)
hold
[ CeN, heN] = contour(TN, PN, DN, k) ;
plot (TdegN, PdegN, k.)
350 legend( Formulao No-Incremental , Solues no-dominadas)
pcolor (TN, PN,DN)
shading i nt e r p
[ text_handl es ] = cl abel (CeN, heN) ;
set ( text_handl es , fontsize , 15 , color , black) ;
t i t l e ( (b))
grid on ;
contourcmap ( [ 0 . 2 : 0 . 0 5 : 1 ] , jet , colorbar , on , location , vertical)
xlabel ( \Theta (graus))
ylabel ( \Phi (graus))
360
% Increment al s t at e
fi gure ( 4)
hold
[ CeI , heI ] = contour( TI , PI , DI , k) ;
legend( Formulao Incremental , Solues no-dominadas)
pcolor ( TI , PI , DI )
shading i nt e r p
[ text_handl es ] = cl abel ( CeI , heI ) ;
370 grid on ;
t i t l e ( (c))
plot ( TdegI , PdegI , k.)
ylabel ( \Phi (graus))
% NonIncrement al s t at e wi t h accumul at ed er r or
fi gure ( 5)
hold
380 [ CeA, heA] = contour(TA, PA, DA, k) ;
legend( Formulao No-Incremental com Erro Acumulado , Solues no-
dominadas)
pcolor (TA, PA,DA)
shading i nt e r p
[ text_handl es ] = cl abel (CeA, heA) ;
grid on ;
plot (TdegA, PdegA, k.)
390 ylabel ( \Phi (graus))
t i t l e ( (d))
O cdigo A.18 apresenta as rotinas para a obteno dos grcos de curvas de nveis,
referente Figura 6.9 do captulo de resultados, baseadas na distncia de cada soluo
no-dominada at a origem do sistema de coordenadas.
Cdigo A.18 Grcos das curvas de nveis das fronteiras de Pareto
p = pNI ;
% Front ei ra de Paret o sigMEDIDA x sigPERTUBACAO x Tr
col una = si ze ( p , 2 ) +1;
for i =1: si ze ( p , 1 )
end
10 for i =1: si ze ( p , 1 )
for j =1: si ze ( p , 1 )
i f i ~=j
i f p( i , 1 ) <= p( j , 1 )
i f p( i , 2 3 ) <= p( j , 2 3 )
i f p( i , 2 5 ) <= p( j , 2 5 )
end
end
end
20 end
end
end
k=1;
for i =1: si ze ( p , 1 )
p3hNI ( k , : ) =p( i , [ 1 , 2 3 , 2 5 , 1 6 , 1 7 , 1 8 , 1 9 , 2 0 , 2 1 ] ) ;
k=k+1;
end
end
30 cl ear p
p = pI ;
col una = si ze ( p , 2 ) +1;
for i =1: si ze ( p , 1 )
end
for i =1: si ze ( p , 1 )
for j =1: si ze ( p , 1 )
i f i ~=j
40 i f p( i , 1 ) <= p( j , 1 )
i f p( i , 2 3 ) <= p( j , 2 3 )
i f p( i , 2 5 ) <= p( j , 2 5 )
p( j , col una ) =1;% 1 = o pont o j e dominado por i
end
end
end
end
end
end
50 k=1;
for i =1: si ze ( p , 1 )
p3vI ( k , : ) =p( i , [ 1 , 2 3 , 2 5 , 1 6 , 1 7 , 1 8 , 1 9 , 2 0 , 2 1 ] ) ;
k=k+1;
end
cl ear p
p = pA;
col una = si ze ( p , 2 ) +1;
60 for i =1: si ze ( p , 1 )
end
for i =1: si ze ( p , 1 )
for j =1: si ze ( p , 1 )
i f i ~=j
i f p( i , 1 ) <= p( j , 1 )
i f p( i , 2 5 ) <= p( j , 2 5 )
i f p( i , 2 7 ) <= p( j , 2 7 )
70 end
end
end
end
end
end
k=1;
for i =1: si ze ( p , 1 )
p3hA( k , : ) =p( i , [ 1 , 2 5 , 2 7 , 1 6 , 1 7 , 1 8 , 1 9 , 2 0 , 2 1 , 2 2 , 2 3 ] ) ;
80 k=k+1;
end
end
%% SALVAR DADOS OTIMOS
save rOtimNI poV
save rOti mI poIV
save rOtimA poAV
%% Normal i zar os r e s ul t ados MPC Increment al
% Normal i zar o ob j e t i v o 1 Tr
90 JM = max( poIV( : , 1 ) ) ; Jm = min( poIV( : , 1 ) ) ;
Ji ( i , 1 ) = ( poIV( i , 1 ) Jm) /(JM Jm) ;
end
% Normal i zar o ob j e t i v o 2 SigmaMEDIDA
JM = max( poIV( : , 2 ) ) ; Jm = min( poIV( : , 2 ) ) ;
Ji ( i , 2 ) = ( poIV( i , 2 ) Jm) /(JM Jm) ;
end
% Normal i zar o ob j e t i v o 3 SigmaVENTO
100 JM = max( poIV( : , 3 ) ) ; Jm = min( poIV( : , 3 ) ) ;
Ji ( i , 3 ) = ( poIV( i , 3 ) Jm) /(JM Jm) ;
end
%% Normal i zar os r e s ul t ados MPC NonIncrement al
JM = max(poV( : , 1 ) ) ; Jm = min(poV( : , 1 ) ) ;
Jn( i , 1 ) = (poV( i , 1 ) Jm) /(JM Jm) ;
110 end
Jn( i , 2 ) = (poV( i , 2 ) Jm) /(JM Jm) ;
end
Jn( i , 3 ) = (poV( i , 3 ) Jm) /(JM Jm) ;
120 end
%% Normal i zar os r e s ul t ados MPC Acumulado
JM = max(poAV( : , 1 ) ) ; Jm = min(poAV( : , 1 ) ) ;
Ja ( i , 1 ) = (poAV( i , 1 ) Jm) /(JM Jm) ;
end
130 for i = 1 : si ze (poAV, 1 )
Ja ( i , 2 ) = (poAV( i , 2 ) Jm) /(JM Jm) ;
end
Ja ( i , 3 ) = (poAV( i , 3 ) Jm) /(JM Jm) ;
end
% Normal i zar r e s ul t ados em um cubo 1x1x1
140 JMv = max( poIV( : , 1 ) ) ; % Maximo ob j e t i v o 1
i f JMv < max(poV( : , 1 ) )
JMv = max(poAV( : , 1 ) ) ;
el se
JMv = max(poV( : , 1 ) ) ;
end
JMv = max(poAV( : , 1 ) ) ;
end
150 Jmv = min( poIV( : , 1 ) ) ; % Minimo ob j e t i v o 1
i f Jmv > min(poV( : , 1 ) )
Jmv = min(poAV( : , 1 ) ) ;
el se
Jmv = min(poV( : , 1 ) ) ;
end
Jmv = min(poAV( : , 1 ) ) ;
end
160 for i = 1 : si ze (poV, 1 ) % Normal i zar ob j e t i v o 1
end
end
end
JMv = max( poIV( : , 2 ) ) ; % Maximo ob j e t i v o 2
170 i f JMv < max(poV( : , 2 ) )
JMv = max(poAV( : , 2 ) ) ;
el se
JMv = max(poV( : , 2 ) ) ;
end
JMv = max(poAV( : , 2 ) ) ;
end
Jmv = min( poIV( : , 2 ) ) ; % Minimo ob j e t i v o 2
180 i f Jmv > min(poV( : , 2 ) )
Jmv = min(poAV( : , 2 ) ) ;
el se
Jmv = min(poV( : , 2 ) ) ;
end
Jmv = min(poAV( : , 2 ) ) ;
end
for i = 1 : si ze (poV, 1 ) % Normal i zar ob j e t i v o 2
190 JnV( i , 2 ) = (poV( i , 2 ) Jmv) /(JMv Jmv) ;
end
end
end
JMv = max( poIV( : , 3 ) ) ; % Maximo ob j e t i v o 3
i f JMv < max(poV( : , 3 ) )
200 i f max(poV( : , 3 ) ) < max(poAV( : , 3 ) )
JMv = max(poAV( : , 3 ) ) ;
el se
JMv = max(poV( : , 3 ) ) ;
end
JMv = max(poAV( : , 3 ) ) ;
end
Jmv = min( poIV( : , 3 ) ) ; % Minimo ob j e t i v o 3
i f Jmv > min(poV( : , 3 ) )
210 i f min(poV( : , 3 ) ) > min(poAV( : , 3 ) )
Jmv = min(poAV( : , 3 ) ) ;
el se
Jmv = min(poV( : , 3 ) ) ;
end
Jmv = min(poAV( : , 3 ) ) ;
end
for i = 1 : si ze (poV, 1 ) % Normal i zar ob j e t i v o 3
220 end
end
end
%% Escol her a Norma
% n = norm(A, p)
230 % p = 1 % The 1norm, or l a r g e s t column sum of A, max(sum( abs (A) )
% p = 2 % The l a r g e s t s i ng ul ar val ue ( same as norm(A) )
% p = i nf % The i n f i n i t y norm, or l a r g e s t row sum of A, max(sum( abs (A )
) )
% p = f ro % The Frobeni us norm of mat ri x A, s q r t (sum( di ag (A A) ) )
p=2;
%% Norma pnorm
JnA( i ) = norm( [ Ja ( i , 1 ) Ja ( i , 2 ) Ja ( i , 3 ) ] , p) ;
end
240 JnI ( i ) = norm( [ Ji ( i , 1 ) Ji ( i , 2 ) Ji ( i , 3 ) ] , p) ;
end
JnN( i ) = norm( [ Jn( i , 1 ) Jn( i , 2 ) Jn( i , 3 ) ] , p) ;
end
%% Pl ot ar os r e s ul t ados
save rOtimNI poV
save rOti mI poIV
save rOtimA poAV
250
% Fi guras com ei x o x NAO NORMALIZADO
figure , plot ( poIV ( : , 1 ) , JnI , r* , MarkerSize , 6)
hold ;
plot (poV( : , 1 ) , JnN, k. , MarkerSize , 14)
plot (poAV( : , 1 ) , JnA, bx , MarkerSize , 8)
xlabel ( T_r (s) , fontsize , 12)
ylabel ( [ num2str( p) , -norm ] , fontsize , 12)
legend( Formulao Incremental , Formulao No-Incremental , Formulao
No-Incremental Erro Acumulado)
grid ;
260 % Fi guras com ei x o x NAO NORMALIZADO
figure , plot ( poIV ( : , 2 ) , JnI , r* , MarkerSize , 6)
hold ;
xlabel ( \sigma_{MEDIDA}^2 (m^2) , fontsize , 12)
grid ;
% Fi guras com ei x o x NAO NORMALIZADO
270 figure , plot ( poIV ( : , 3 ) , JnI , r* , MarkerSize , 6)
hold ;
xlabel ( \sigma_{VENTO}^2 (m^2) , fontsize , 12)
grid ;
% X1 x 1norm
figure , plot ( poIV( : , 4 ) , JnI , r* , MarkerSize , 6)
280 hold ;
xlabel ( M)
grid ;
% X2 x 1norm
hold ;
290 plot (poV( : , 5 ) , JnN, k. , MarkerSize , 14)
xlabel ( N)
grid ;
% X3 x 1norm
hold ;
300 plot (poAV( : , 6 ) , JnA, bx , MarkerSize , 8)
xlabel ( \rho_{U1})
grid ;
% X4 x 1norm
hold ;
310 xlabel ( \rho_{U2})
grid ;
% X5 x 1norm
hold ;
xlabel ( \gamma_{Y1})
320 ylabel ( [ num2str( p) , -norm ] , fontsize , 12)
grid ;
% X6 x 1norm
hold ;
xlabel ( \gamma_{Y2})
330 legend( Formulao Incremental , Formulao No-Incremental , Formulao
grid ;
% X7 x 1norm
figure , plot (poAV( : , 1 0 ) , JnA, bx , MarkerSize , 8)
xlabel ( \mu_{Z1})
legend( Formulao No-Incremental Erro Acumulado)
grid ;
% X6 x 1norm
figure , plot (poAV( : , 1 1 ) , JnA, bx , MarkerSize , 8)
340 xlabel ( \mu_{Z2})
legend( Formulao No-Incremental Erro Acumulado)
grid ;
Anexo A - Equaes do Movimento da
Aeronave
Este captulo ir destacar o modelo no-linear que descreve o movimento da aero-
nave. Primeiramente, sero apresentados os sistemas de coordenadas e as matrizes de
transformao utilizados. Posteriormente, sero destacadas as equaes que regem os
movimentos translacional e rotacional. Por m, ser apresentado uma particularizao
destas equaes para representar o movimento longitudinal da aeronave.
A.1 Sistemas de coordenadas
As equaes de movimento da aeronave podem ser descritas atravs de trs sistemas
de coordenadas: do corpo, inercial e aerodinmico (CURVO, 2001).
O sistema de coordenadas inercial pode ser denido como sendo qualquer sistema
que no esteja rotacionando, ou em movimento acelerado, em relao a um ponto xo
no universo (STEVENS; LEWIS, 1992). Geralmente, aproxima-se o sistema ortogonal dex-
trogiro centralizado no centro da Terra, (o
I
x
I
y
I
z
I
), como sendo um sistema referencial
inercial (STEVENS; LEWIS, 1992). Adicionalmente, pode ser denido um sistema de coor-
denadas sobre a superfcie terrestre (o
0
x
0
y
0
z
0
), conforme Figura A.1.
O sistema de coordenadas do corpo (CGx
B
y
B
z
B
) est centralizado no centro de
massa da aeronave com eixos CGx
B
sobre o eixo de referncia da fuselagem, conforme
CAPTULO A. Equaes do Movimento da Aeronave 206
CG
x
B
z
B
y
B
Norte
Sul
o
0
x
0
y
0
z
0
o
I
y
I
x
I
z
I
w
E
FIGURA A.1 Sistemas de coordenadas terrestre.
Figuras A.1 e A.2
x
B
x
W
y
B
Vento
z
B
x
T
CG
FIGURA A.2 Sistemas de coordenadas da aeronave.
O sistema de coordenadas aerodinmica (CGx
W
y
B
z
B
) denido em relao a dire-
o do vento, conforme Figura A.2. Neste sistema pode ser denido o ngulo de ataque
como sendo o ngulo formado entre a corda do aeroflio (sobre o eixo CGx
B
) e a di-
reo do movimento da aeronave relativo ao vento (sobre o eixo CGx
T
). J o ngulo de
derrapagem pode ser denido como o ngulo formado pelo eixo CGx
T
e a direo que
a aeronave de fato se desloca (sobre o eixo CGx
W
).
A.2 Transformao de sistemas de coordenadas
Usualmente, necessrio transformar variveis de movimento e outros parmetros
de um sistema de coordenadas para outro (COOK, 2007). Os ngulos de Euler representam
o conjunto ordenado de rotaes entre esses sistemas de coordenadas (STENGEL, 2004).
Tipicamente, usual descrever estes ngulos como (CURVO, 2001): (ngulo de guinada),
(ngulo de arfagem), e (ngulo de inclinao lateral).
Nesta seo sero descritas as matrizes de transformao do sistema de coordenadas
entre grandezas lineares, subseo A.2.1, e entre grandezas angulares, subseo A.2.2.
A.2.1 Transformao de grandezas lineares
Considere uma grandeza linear (por exemplo, acelerao, velocidade e deslocamento)
expressa no sistema de coordenadas (ox
0
y
0
z
0
). Pode-se mostrar (COOK, 2007) que atravs
de um conjunto de trs rotaes possvel representar esta mesma grandeza no sistema
de coordenadas (ox
3
y
3
z
3
), conforme Figura A.3.
A primeira rotao se d sobre o eixo oz
0
com um ngulo , que transforma a gran-
deza do sistema de coordenadas (ox
0
y
0
z
0
) para o sistema (ox
1
y
1
z
1
). A segunda rotao se
d sobre o eixo oy
1
com um ngulo , transformando a grandeza do sistema (ox
1
y
1
z
1
) para
o sistema (ox
2
y
2
z
2
). Por m, a grandeza expressa no sistema de coordenadas (ox
3
y
3
z
3
)
atravs de uma rotao sobre o eixo ox
2
com um ngulo . Pode ser mostrado (COOK,
x
0
x
1
y
0
y
1
z
0
z
1
x
2
z
2
y
2
z
3
y
3
x
3
1
a
rotao
sobre oz
0
com ngulo
2
a
rotao
sobre oy
1
com ngulo
3
a
rotao
sobre ox
2
com ngulo
FIGURA A.3 Transformao de grandezas lineares entre sistemas de coordenadas.
2007) que estas rotaes so representadas pelo conjunto de equaes descritas abaixo:
Aps rotao sobre oz
0
com um ngulo ,
_
_
ox
1
oy
1
oz
1
_
_
=
_
_
cos sin 0
sin cos 0
0 0 1
_
_
_
_
ox
0
oy
0
oz
0
_
_
(A.1)
Aps rotao sobre oy
1
com um ngulo ,
_
_
ox
2
oy
2
oz
2
_
_
=
_
_
cos 0 sin
0 1 0
sin 0 cos
_
_
_
_
ox
1
oy
1
oz
1
_
_
(A.2)
Aps rotao sobre ox
2
com um ngulo ,
_
_
ox
3
oy
3
oz
3
_
_
=
_
_
1 0 0
0 cos sin
0 sin cos
_
_
_
_
ox
2
oy
2
oz
2
_
_
(A.3)
Assim, das Eq. (A.1), (A.2) e (A.3), tem-se
_
_
ox
3
oy
3
oz
3
_
_
=
_
_
1 0 0
0 cos sin
0 sin cos
_
_
_
_
cos 0 sin
0 1 0
sin 0 cos
_
_
_
_
cos sin 0
sin cos 0
0 0 1
_
_
_
_
ox
0
oy
0
oz
0
_
_
ou seja,
_
_
ox
3
oy
3
oz
3
_
_
=
_
_
cos cos cos sin sin
(sin sin cos (sin sin sin sin cos
cos sin ) +cos cos )
(cos sin cos (cos sin sin cos cos
+sin sin) sin cos )
_
_
. .
H
_
_
ox
0
oy
0
oz
0
_
_
(A.4)
A.2.2 Transformao de grandezas angulares
As velocidades angulares p, q e r expressas em relao ao sistema de coordenadas
(ox
3
y
3
z
3
) esto relacionadas com as taxas angulares

,

e

pela sequncia de transfor-
maes representadas na Figura A.4, (COOK, 2007).
Partindo do sistema de coordenadas (ox
0
y
0
z
0
), a primeira transformao se d atra-
FIGURA A.4 Transformao de grandezas angulares entre sistemas de coordenadas.
vs de uma rotao com um ngulo sobre o eixo oz
1
de velocidade angular

. J a
segunda transformao se d atravs de uma rotao com ngulo sobre oy
2
de veloci-
dade angular

. Finalmente, a terceira transformao se d rotacionado com um ngulo
sobre ox
3
de velocidade angular

. As grandezas angulares p, q e r podem ser repre-
sentadas pelo conjunto de equaes a seguir (COOK, 2007):
p =

sin (A.5)
q =

cos +

sin cos (A.6)
r =

cos cos

sin (A.7)
Assim, de (A.5), (A.6) e (A.7) tem-se:
_
_
p
q
r
_
_
. .
B
=
_
_
1 0 sin
0 cos sin cos
0 sin cos cos
_
_
. .
L
B
E
_
_
. .
(A.8)
De maneira semelhante
_
_
=
_
_
1 tan sin tan cos
0 cos sin
0
sin
cos
cos
cos
_
_
. .
L
E
B
_
_
p
q
r
_
_
(A.9)
ou seja,
= L
E
B

B
(A.10)
A.3 Equao do movimento da aeronave
Com base nas leis de Newton, nas subsees posteriores sero apresentados as equa-
es do movimento da aeronave para um caso geral e, posteriormente, estas sero parti-
cularizadas para a representao do movimento longitudinal. As subsees A.3.1 e A.3.2
apresentam, respectivamente, as equaes do movimento translacional e rotacional, e a
subseo A.3.3 apresenta as equaes do movimento longitudinal da aeronave.
A.3.1 Movimento translacional
A segunda lei de Newton aplicada ao movimento translacional relaciona a fora com
a taxa de variao da quantidade de movimento linear. Neste caso, deve-se considerar a
resultante das foras de propulso, aerodinmicas e atrao gravitacional. A equao do
movimento translacional pode ser expressa por (STEVENS; LEWIS, 1992):
F
B
+H
B
I
mg =
_
d
dt
_
I
(mv
abs
) (A.11)
onde os subscritos I e B indicam, respectivamente, que a grandeza est expressa no
sistemas de coordenadas inercial e no sistema de coordenadas do corpo do avio, F
B
representa o vetor da soma das foras aerodinmicas e de propulso, m a massa da
aeronave, H
B
I
a matriz de transformao do sistema de coordenadas inercial para o
sistema de coordenadas do corpo do avio, g o vetor de acelerao da gravidade e v
abs
o vetor de velocidade absoluta do CG da aeronave em relao ao referencial inercial
expresso no sistema de coordenadas do corpo.
A posio do CG da aeronave, expresso no sistema de coordenadas inercial, ser
denotada pelo vetor d(t). Pode-se vericar que
d = H
I
B
v
abs
(A.12)
onde H
I
B
=
_
H
B
I
_
T
a matriz de transformao do sistema de coordenadas do corpo do
avio para o sistema de coordenadas inercial.
conveniente explicitar do vetor v
abs
a parcela relativa a velocidade da aeronave
em relao massa de ar, uma vez que as foras aerodinmicas da aeronave so geradas
tendo como base esse movimento relativo (STEVENS; LEWIS, 1992). Assim pode-se obter,
v
abs
= v
B
+H
B
I
(
E
d) (A.13)
onde o produto vetorial
E
d representa a velocidade tangencial da massa de ar devido
rotao da Terra, e v
B
a velocidade do CG da aeronave em relao massa de ar.
Substituindo a Eq. (A.13) em (A.11), tem-se
F
B
+H
B
I
mg = mv
abs
+m
_
d
dt
_
I
_
v
B
+H
B
I
(
E
d)
(A.14)
Pode-se mostrar (STEVENS; LEWIS, 1992) que,
_
d
dt
_
I
(v
B
) = v
B
+
B
v
B
(A.15)
_
d
dt
_
I
_
H
B
I
(
E
d)
= H
B
I
_

E
d +
E

d
_
(A.16)
Portanto, considerando a massa da aeronave e a velocidade angular da Terra cons-
tantes, das Eq. (A.14), (A.15) e (A.16), tem-se:
1
m
F
B
+H
B
I
g = ( v
B
+
B
v
B
) +H
B
I
(
E
p) (A.17)
Substituindo (A.13) em (A.12) e de (A.17), tem-se
v
B
=
1
m
F
B

_
B
+H
B
I

E
_
v
B
+H
B
I
[g
E
(
E
d)] (A.18)
A.3.2 Movimento rotacional
Da segunda lei de Newton, aplicado ao movimento de rotao, pode-se obter a
expresso:
T
B
=
_
d
dt
_
I
(Q
B
) (A.19)
onde novamente o subscrito B indica que as grandezas so expressas no sistemas de
coordenadas do corpo, Q
B
o vetor de quantidade de movimento angular do corpo e T
B
corresponde ao torque resultante em relao ao CG da aeronave.
Seja um elemento de massa m, com velocidade angular
B
= pi +qj +rk e posio
s = xi +yj +zk, expresso no sistema de coordenadas do corpo da aeronave, pode-se obter
o incremento da quantidade de movimento angular desta partcula atravs da relao:
Q
B
= [s (
B
s)] m
= [
B
(s s) s(s
B
)] m
=
_
_
p
q
r
_
_
_
x
2
+y
2
+z
2
_
m
_
_
x
y
z
_
_
(p x +q y +r z) m
onde a notao (a b) corresponde ao produto escalar entre as grandezas a e b.
A quantidade de movimento angular Q
B
do corpo obtido integrando o componente
Q
B
sobre toda a massa, ou seja,
Q
B
=
_
_
p
_
(y
2
+z
2
)dmq
_
xy dmr
_
xz dm
q
_
(x
2
+z
2
)dmr
_
yz dmp
_
yx dm
r
_
(x
2
+y
2
)dmp
_
zx dmq
_
zy dm
_
_
(A.20)
Denindo os momentos de inrcia J
x
=
_
(y
2
+ z
2
)dm, J
y
=
_
(x
2
+ z
2
)dm e J
z
=
_
(x
2
+ y
2
)dm, e os produtos de inrcia J
xy
= J
yx
=
_
xy dm, J
xz
= J
zx
=
_
xz dm e
J
yz
= J
zy
=
_
yz dm, pode-se reescrever (A.20) como sendo
Q
B
=
_
_
J
x
J
xy
J
xz
J
xy
J
y
J
yz
J
xz
J
yz
J
z
_
_
_
_
p
q
r
_
_
= J
B
(A.21)
onde J denido como sendo a matriz de inrcia do corpo rgido.
Atravs do teorema de Coriolis (STEVENS; LEWIS, 1992) a Eq. (A.19) pode ser
reescrita como:
T
B
=

Q
B
+
B
Q
B
(A.22)
Da Eq. (A.21) e considerando a matriz de inrcia J constante, tem-se
T
B
= J
B
+
B
(J
B
)
ou seja,

B
= J
1
[
B
(J
B
)] +J
1
T
B
(A.23)
A.3.3 Equaes do movimento longitudinal
Considerando a Terra plana e desprezando o termo B
E
da Eq. (A.18), pode-se
obter as equaes que representam o movimento da aeronave, com base nas equaes
(A.10), (A.12), (A.13), (A.18) e (A.23), conforme a Tabela A.1, sendo g
= g
E

(
E
p) e g
0
= [0 0 g
]
T
.
TABELA A.1 Equaes diferenciais do movimento da aeronave
d v
B
dt
=
1
m
F
B

B
v
B
+H
B
I
g
0
Dinmica Translacional
d
B
dt
= J
1
[
B
(J
B
)] +J
1
T
B
Dinmica Rotacional
d d
dt
= H
I
B
v
B
Cinemtica Translacional
d
dt
= L
E
B
B
Cinemtica Rotacional
Denindo os componentes do torque resultante com respeito ao CG da aeronave
T
B
=
_
L M N
T
, e considerando que a aeronave seja simtrica em relao ao plano
x z, pode-se mostrar (STEVENS; LEWIS, 1992) que a equao da dinmica rotacional
pode ser expressa por:
(J
x
J
z
J
2
xz
) p = J
xz
(J
x
J
y
+J
z
) pq [J
z
(J
z
J
y
) +J
2
xz
] qr +J
z
L +J
xz
N
J
y
q = (J
z
J
x
) pr J
xz
(p
2
r
2
) +M
(J
x
J
z
J
2
xz
) r = [(J
x
J
y
) J
x
+J
2
xz
] pq J
xz
[J
x
J
y
+J
z
] qr +J
xz
L +J
x
N
(A.24)
Pode-se expressar a dinmica translacional, representada na Tabela A.1, em rela-
o ao sistema de coordenadas aerodinmico por meio de uma matriz de transformao
H
W
B
, que transforma a grandeza do sistema de coordenadas do corpo para o sistema de
coordenadas aerodinmico, ou seja,
1
m
F
B
= v
B
+
B
v
B
H
B
I
g
0
1
m
H
W
B
F
B
= H
W
B
d
dt
_
_
H
W
B
_
T
v
w
_
+ (H
W
B

B
) (H
W
B
v
B
) H
W
B
H
B
I
g
0
1
m
F
W
=
_
_
S S
T
v
W
+H
W
B
_

H
W
B
_
T
. .
R
v
W
_
_
+
W
v
W
H
W
B
H
B
I
g
0
1
m
F
W
= v
W
+
R
v
W
+
W
v
W
H
W
B
H
B
I
g
0
(A.25)
onde o subscrito W indica que a grandeza est expressa no sistema de coordenadas aero-
dinmico.
A matriz de transformao H
W
B
pode ser determinada a partir das Equaes (A.2)
e (A.1) considerando = , = e = 0, ou seja,
_
_
x
T
y
T
z
T
_
_
=
_
_
cos 0 sin
0 1 0
sin 0 cos
_
_
. .
H
_
_
x
B
y
B
z
B
_
_
(A.26)
_
_
x
W
y
W
z
W
_
_
=
_
_
cos sin 0
sin cos 0
0 0 1
_
_
. .
H
_
x
T
y
T
z
T
_
_
(A.27)
Assim,
H
W
B
= H
(A.28)
Portanto,
R
da Eq. (A.25) pode ser expresso atravs das relaes
R
= H
W
B
_

H
W
B
_
T
R
= H
_
H
+

H
_
T
R
= H
_
H
_

H
_
T
_
(H
)
T
+H
_

H
_
T
R
=
_
_
0

cos
0 sin
cos sin 0
_
_
(A.29)
Uma vez que o vetor v
W
no possui componentes em relao ao eixo y e z, e que a
velocidade relativa ao ar no componente x V
T
, o termo v
W
+
R
v
W
reduzido para:
v
W
+
R
v
W
=
_
V
T
V
T
V
T
cos
_
_
(A.30)
Considerando que a aeronave esteja com as asas niveladas ( = 0) e que no haja
derrapagem ( = 0), pode-se desacoplar as equaes do movimento em: movimento
longitudinal (arfagem e translao sobre o plano x z) e movimento latero-direcional
(rolamento, guinada e derrapagem) (STEVENS; LEWIS, 1992). Nessa condio, o ngulo
de arfagem e o ngulo de ataque esto no mesmo plano vertical, e a diferena entre estes
ngulos chamado de ngulo de trajetria , conforme Figura A.5, ou seja,
[
==0
= (A.31)
z
0
z
W
z
B
D
L
x
B
F
T
x
W
x
0
V
T
mg
FIGURA A.5 ngulo de trajetria e foras que atuam sobre a aeronave.
O ngulo
F
, representado na Figura A.5, corresponde ao ngulo de incidncia dos
motores. Pode-se observar que a somatria das foras que agem sobre a aeronave, expressa
no sistema de coordenadas aerodinmico, ser:
_
_
F
T
cos(
F
) D mg sin
Y
F
T
sin(
F
) L mg cos
_
_
(A.32)
onde Y corresponde somatria das foras sobre o eixo y
W
.
Assim, de (A.30) e (A.32), a Eq (A.25) reduzida para:
m

V = F
T
cos(
F
) D mg sin
m

V
T
= Y mV
T
r
W
m V
T
= F
T
sin(
F
) L +mV
T
q
W
+mg cos
(A.33)
Desenvolvendo a equao de Cinemtica Rotacional, tendo como base a matriz de
transformao L
E
B
representada em (A.9), tem-se:
= p + tan (q sin +r cos )
= q cos r sin
=
q sin +r cos
cos
(A.34)
De (A.34) pode-se observar que quando o ngulo de inclinao da asa = 0,
= q (A.35)
Assim, de (A.31) e (A.35), pode-se obter:
= +
= +
= q (A.36)
Considerando apenas o movimento longitudinal, substituindo (A.36) em (A.33),
tem-se:
m

V = F
T
cos(
F
) D mg sin
m V
T
= F
T
sin(
F
) +L mg cos
(A.37)
Se p = r = 0, da Eq. (A.24), pode-se obter:
J
y
q = M (A.38)
Finalmente, considerando = = = 0, pode-se expressar a equao de cine-
mtica translacional, presente na Tabela A.1, no sistema de coordenadas aerodinmico
por:
d = H
I
B
H
B
W
v
W
=
_
_
cos 0 sin
0 1 0
sin 0 cos
_
_
_
_
cos 0 sin
0 1 0
sin 0 cos
_
_
_
_
1 0 0
0 1 0
0 0 1
_
_
V
W
=
_
_
cos cos + sin sin 0 cos sin sin cos
0 1 0
cos sin cos sin 0 sin sin + cos cos
_
_
_
_
V
T
0
0
_
_
=
_
_
V cos
0
V sin
_
_
(A.39)
Portanto, de (A.36), (A.37), (A.38) e (A.39), o conjunto de equaes no-lineares
que representam o movimento longitudinal da aeronave pode ser escrito como:
_
V =
F
T
cos(
F
) D mg sin
m
=
F
T
sin(
F
) +L mg cos
mV
q =
M
J
y
= q
H = V sin
x = V cos
(A.40)
FOLHA DE REGISTRO DO DOCUMENTO
1.
CLASSIFICAO/TIPO
2.
DATA
3.
REGISTRO N
4.
N
DE PGINAS
DM 25 de maro de 2010 DCTA/ITA/DM-009/2010 222
5.
TTULO E SUBTTULO:
Desenvolvimento de Estratgias de Controle Preditivo para Aplicaes Aeronuticas Empregando Otimizao Multi-
Objetivo
6.
AUTOR(ES):
7.
INSTITUIO(ES)/RGO(S) INTERNO(S)/DIVISO(ES):
Instituto Tecnolgico de Aeronutica - ITA
8.
PALAVRAS-CHAVE SUGERIDAS PELO AUTOR:
Controle Preditivo; Controle de Aeronaves; Otimizao Multi-Objetivo
9.
PALAVRAS-CHAVE RESULTANTES DE INDEXAO:
Controle preditivo; Controle automtico de vo; Desempenho de aeronaves; Otimizao de Pareto; Modelos
matemticos; Aerodinmica; Engenharia aeronutica
10.
APRESENTAO: (X) Nacional ( ) Internacional
ITA, So Jos dos Campos. Curso de Mestrado. Programa de Ps-Graduao em Engenharia Eletrnica e Computao.
rea de Sistemas e Controle. Orientador: Roberto Kawakami Harrop Galvo; co-orientador: Takashi Yoneyama.
Defesa em 19/02/2010. Publicada em 2010.
11.
RESUMO:
O desenvolvimento do sistema de controle de vo est diretamente relacionado ao desempenho, segurana e
qualidade de vo da aeronave. H a necessidade da concepo de abordagens de controle que assegurem, de uma
maneira ecaz, que estes requisitos sejam satisfeitos mesmo na presena de distrbios, rudos de medida e imprecises
na modelagem. Neste contexto, o presente trabalho prope o uso de tcnicas de otimizao multi-objetivo para a
sintonizao de controladores empregando formulaes preditivas baseadas em modelo. Adicionalmente, proposta
uma abordagem grca de anlise do desempenho dessas tcnicas de otimizao e controle por meio da fronteira tima
de Pareto. Para o estudo de caso foi utilizado um modelo longitudinal de uma aeronave semelhante ao Airbus A-310 e
vericou-se o desempenho de trs abordagens de controle preditivo (formulaes em espao de estados no-incremental,
incremental e no-incremental com erro acumulado) segundo os critrios de velocidade de resposta e sensibilidades ao
rudo de medida e turbulncia atmosfrica. O problema de otimizao multi-objetivo foi resolvido por meio de duas
tcnicas (busca em grade e goal attainment ), e as solues foram comparadas atravs da anlise grca baseada em
fronteiras de Pareto. Os resultados obtidos indicam a superioridade do desempenho da formulao de controle preditivo
em espao de estados no-incremental com erro acumulado e do algoritmo de otimizao goal attainment. Por m, foi
analisada a ecincia do controlador preditivo sujeito a restries sobre as taxas de variaes e excurses das variveis
de controle.
12.
GRAU DE SIGILO:
(X) OSTENSIVO ( ) RESERVADO ( ) CONFIDENCIAL ( ) SECRETO

Te Seita

Transféré par

Informations du document

Copyright

Formats disponibles

Partager ce document

Partager ou intégrer le document

Options de partage

Avez-vous trouvé ce document utile ?

Ce contenu est-il inapproprié ?

Droits d'auteur :

Formats disponibles

Te Seita

Transféré par

Droits d'auteur :

Formats disponibles

Tese apresentada Pr-Reitoria de Ps-Graduao e Pesquisa do Instituto

Tecnolgico de Aeronutica, como parte dos requisitos para obteno

para dois objetivos. . . . . . . . . . . . . . . . . . . . . . . . . . . . 72

(k+M1[k). No entanto, apenas o primeiro elemento u

(k+1[k) possa ser diferente de u

que minimiza J(U)

ser o ponto que anula o gradiente

uma matriz de ganho constante. Assim,

De maneira semelhante, para a funo de custo utilizada na formulao MPC em

Em ambos os casos, possvel observar que a matriz positivo denida, o que

o vetor de parmetros de projeto que devem ser ajustados e

Solues dominadas por f

FIGURA 3.1 Relao de dominncia entre as solues em relao a soluo f

pertena a S e esteja o mais prximo possvel da origem. Neste

certamente ser uma soluo no-dominada. Repetindo este procedimento

De (MARCOS; GANGULI; BALAS, 2005) foram obtidos os valores tpicos de restries

Taxa de variao mxima: 37

Velocidade de Arfagem 0,06

. Assim, com um perodo de amostragem T = 0,1 s pode-se obter o

fault detection and

= p + tan (q sin +r cos )

Vous aimerez peut-être aussi