Académique Documents
Professionnel Documents
Culture Documents
(7)
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).
CAPTULO 1. Introduo 25
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.
CAPTULO 1. Introduo 26
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
CAPTULO 1. Introduo 27
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
CAPTULO 2. Controle Preditivo baseado em Modelo 30
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[k) efetivamente
aplicado planta. Com efeito, no prximo instante de amostragem novas informaes do
CAPTULO 2. Controle Preditivo baseado em Modelo 31
processo estaro disponveis fazendo com que 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
CAPTULO 2. Controle Preditivo baseado em Modelo 32
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)
CAPTULO 2. Controle Preditivo baseado em Modelo 33
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
CAPTULO 2. Controle Preditivo baseado em Modelo 34
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)
CAPTULO 2. Controle Preditivo baseado em Modelo 35
.
.
.
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)
CAPTULO 2. Controle Preditivo baseado em Modelo 36
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
CAPTULO 2. Controle Preditivo baseado em Modelo 37
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
CAPTULO 2. Controle Preditivo baseado em Modelo 38
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.
CAPTULO 2. Controle Preditivo baseado em Modelo 39
2.3.1 Modelo da planta
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)
CAPTULO 2. Controle Preditivo baseado em Modelo 40
2.3.2 Equao de predio
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)
CAPTULO 2. Controle Preditivo baseado em Modelo 41
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
CAPTULO 2. Controle Preditivo baseado em Modelo 42
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)
CAPTULO 2. Controle Preditivo baseado em Modelo 43
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)
CAPTULO 2. Controle Preditivo baseado em Modelo 44
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)
CAPTULO 2. Controle Preditivo baseado em Modelo 45
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.
2.4.1 Modelo da planta
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
CAPTULO 2. Controle Preditivo baseado em Modelo 46
2.4.2 Equao de predio
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)
CAPTULO 2. Controle Preditivo baseado em Modelo 47
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)]
CAPTULO 2. Controle Preditivo baseado em Modelo 48
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
CAPTULO 2. Controle Preditivo baseado em Modelo 49
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.
CAPTULO 2. Controle Preditivo baseado em Modelo 50
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
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
CAPTULO 2. Controle Preditivo baseado em Modelo 51
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
CAPTULO 2. Controle Preditivo baseado em Modelo 52
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
CAPTULO 2. Controle Preditivo baseado em Modelo 53
semidenidas positivas. Portanto, o controle timo 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
CAPTULO 2. Controle Preditivo baseado em Modelo 54
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
CAPTULO 2. Controle Preditivo baseado em Modelo 55
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
(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.
CAPTULO 2. Controle Preditivo baseado em Modelo 56
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
CAPTULO 2. Controle Preditivo baseado em Modelo 57
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.
CAPTULO 2. Controle Preditivo baseado em Modelo 58
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)
Denindo o estado aumentado (k) =
_
x
T
(k) x
T
(k 1) u
T
(k 1)
_
T
pode-se obter
CAPTULO 2. Controle Preditivo baseado em Modelo 59
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
.
CAPTULO 2. Controle Preditivo baseado em Modelo 60
2.6.3 Formulao MPC em espao de estados no-incremental
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)
Denindo o estado aumentado (k) =
_
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)
CAPTULO 2. Controle Preditivo baseado em Modelo 61
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
CAPTULO 2. Controle Preditivo baseado em Modelo 62
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
..
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
..
_
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
CAPTULO 2. Controle Preditivo baseado em Modelo 64
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)
CAPTULO 2. Controle Preditivo baseado em Modelo 65
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)
CAPTULO 2. Controle Preditivo baseado em Modelo 66
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)
CAPTULO 2. Controle Preditivo baseado em Modelo 67
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)
CAPTULO 2. Controle Preditivo baseado em Modelo 68
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
_
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.
CAPTULO 3. Otimizao Multi-Objetivo 71
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
CAPTULO 3. Otimizao Multi-Objetivo 72
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)
(7)
(8)
Solues indiferentes
(9)
(10)
(11)
(12)
(13)
Solues que dominam f
_
(7)
(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
CAPTULO 3. Otimizao Multi-Objetivo 73
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
CAPTULO 3. Otimizao Multi-Objetivo 74
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
CAPTULO 3. Otimizao Multi-Objetivo 75
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,
CAPTULO 3. Otimizao Multi-Objetivo 76
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
CAPTULO 3. Otimizao Multi-Objetivo 77
em relao s funes-objetivo consideradas. O problema de otimizao equivalente a
encontrar
tal que F+
_
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,
CAPTULO 4. Modelo Dinmico da Aeronave 85
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.
CAPTULO 4. Modelo Dinmico da Aeronave 86
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
CAPTULO 4. Modelo Dinmico da Aeronave 87
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
CAPTULO 4. Modelo Dinmico da Aeronave 88
(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,
CAPTULO 4. Modelo Dinmico da Aeronave 89
, 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
CAPTULO 4. Modelo Dinmico da Aeronave 90
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)
CAPTULO 4. Modelo Dinmico da Aeronave 91
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
CAPTULO 4. Modelo Dinmico da Aeronave 92
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
CAPTULO 4. Modelo Dinmico da Aeronave 93
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-
CAPTULO 4. Modelo Dinmico da Aeronave 94
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,
CAPTULO 4. Modelo Dinmico da Aeronave 95
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)
CAPTULO 4. Modelo Dinmico da Aeronave 96
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 ().
CAPTULO 4. Modelo Dinmico da Aeronave 97
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
CAPTULO 4. Modelo Dinmico da Aeronave 98
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.
CAPTULO 4. Modelo Dinmico da Aeronave 99
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)
CAPTULO 4. Modelo Dinmico da Aeronave 100
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.
4.7.1.2 Sistema linear para a estimao da turbulncia para a formulao
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
_
_
CAPTULO 4. Modelo Dinmico da Aeronave 101
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)
4.7.1.3 Sistema linear para a estimao da turbulncia para a formulao
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.
CAPTULO 4. Modelo Dinmico da Aeronave 102
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)
CAPTULO 4. Modelo Dinmico da Aeronave 103
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)
4.7.2.2 Sistema linear para a estimao do rudo de medida para a formulao
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)
CAPTULO 4. Modelo Dinmico da Aeronave 104
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)
_
_
CAPTULO 4. Modelo Dinmico da Aeronave 105
=
_
_
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)
4.7.2.3 Sistema linear para a estimao do rudo de medida para a formulao
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)
CAPTULO 4. Modelo Dinmico da Aeronave 106
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
Momento de Inrcia 5,55 10
6
kg m
2
I
zz
Momento de Inrcia 14,51 10
6
kg m
2
I
xz
Momento de Inrcia 3,3 10
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
_
Excurso mxima: 23
<
e
< 17
/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
/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-
CAPTULO 5. Especicao de Condies de Vo 110
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
_
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
_
_
CAPTULO 5. Especicao de Condies de Vo 111
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.
CAPTULO 6. Resultados 114
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.
6.1.1 Formulao MPC em espao de estados no-incremental
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.
CAPTULO 6. Resultados 115
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.
CAPTULO 6. Resultados 116
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.
CAPTULO 6. Resultados 117
Novamente pode-se observar a convergncia das estimativas dos rudos para tempos de
simulaes sucientemente grandes.
TABELA 6.5 Tempo total gasto e valores mdios do erro percentual relativo para um
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 %
6.1.3 Formulao MPC em espao de estados no-incremental
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.
TABELA 6.6 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
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
CAPTULO 6. Resultados 118
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.
CAPTULO 6. Resultados 119
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
CAPTULO 6. Resultados 120
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
)
Formulao noincremental
Formulao noincremental com erro acumulado
(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
)
Formulao noincremental
Formulao noincremental com erro acumulado
(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
CAPTULO 6. Resultados 121
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
)
Formulao noincremental
Formulao incremental
Formulao noincremental com erro acumulado
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
=
CAPTULO 6. Resultados 122
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
)
Formulao noincremental
Formulao incremental
Formulao noincremental com erro acumulado
(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
)
Formulao noincremental
Formulao incremental
Formulao noincremental com erro acumulado
(b)
0 2 4 6 8 10
5000
5000.5
5001
5001.5
t (s)
y
T
E
M
P
O
(
m
)
Formulao noincremental
Formulao incremental
Formulao noincremental com erro acumulado
(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.
CAPTULO 6. Resultados 123
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
CAPTULO 6. Resultados 124
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-
CAPTULO 6. Resultados 125
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-
CAPTULO 6. Resultados 126
(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-
incremental com erro acumulado.
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
CAPTULO 6. Resultados 127
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
Formulao Incremental
Formulao NoIncremental
Formulao NoIncremental Erro Acumulado
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
Formulao Incremental
Formulao NoIncremental
Formulao NoIncremental Erro Acumulado
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
Formulao Incremental
Formulao NoIncremental
Formulao NoIncremental Erro Acumulado
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
Formulao Incremental
Formulao NoIncremental
Formulao NoIncremental Erro Acumulado
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
Formulao Incremental
Formulao NoIncremental
Formulao NoIncremental Erro Acumulado
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
Formulao Incremental
Formulao NoIncremental
Formulao NoIncremental Erro Acumulado
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
Formulao NoIncremental Erro Acumulado
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
Formulao NoIncremental Erro Acumulado
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
Formulao Incremental
Formulao NoIncremental
Formulao NoIncremental Erro Acumulado
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
Formulao Incremental
Formulao NoIncremental
Formulao NoIncremental Erro Acumulado
FIGURA 6.9 Curvas de nveis representadas com base na distncia da soluo no-
dominada e nos valores das funes-objetivos e parmetros.
CAPTULO 6. Resultados 128
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
.
CAPTULO 6. Resultados 129
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.
CAPTULO 6. Resultados 130
(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
CAPTULO 6. Resultados 131
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
CAPTULO 6. Resultados 132
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)
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 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
CAPTULO 6. Resultados 133
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
CAPTULO 6. Resultados 134
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
CAPTULO 7. Concluses 137
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-
CAPTULO 7. Concluses 138
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>.
REFERNCIAS BIBLIOGRFICAS 141
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.
REFERNCIAS BIBLIOGRFICAS 142
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
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
CAPTULO A. Equaes do Movimento da Aeronave 207
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,
CAPTULO A. Equaes do Movimento da Aeronave 208
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)
CAPTULO A. Equaes do Movimento da Aeronave 209
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-
CAPTULO A. Equaes do Movimento da Aeronave 210
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)
CAPTULO A. Equaes do Movimento da Aeronave 211
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.
CAPTULO A. Equaes do Movimento da Aeronave 212
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
CAPTULO A. Equaes do Movimento da Aeronave 213
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)
CAPTULO A. Equaes do Movimento da Aeronave 214
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
CAPTULO A. Equaes do Movimento da Aeronave 215
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)
CAPTULO A. Equaes do Movimento da Aeronave 216
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
CAPTULO A. Equaes do Movimento da Aeronave 217
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)
CAPTULO A. Equaes do Movimento da Aeronave 218
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
CAPTULO A. Equaes do Movimento da Aeronave 219
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
.
CAPTULO A. Equaes do Movimento da Aeronave 220
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:
= 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),
CAPTULO A. Equaes do Movimento da Aeronave 221
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)
CAPTULO A. Equaes do Movimento da Aeronave 222
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):
Adilson de Souza Cndido
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