Vous êtes sur la page 1sur 81

Universidade Federal do Esprito Santo

Centro Tecnolgico
Programa de Ps Graduao em Engenharia Eltrica

Apostila do Curso de Controle Preditivo


Baseado em Modelo
(CPBM)

Professor: Jos Leandro Flix Salles

Sumrio:
1 Introduo
1.1 Definio do Controle Preditivo baseado em modelo (CPBM) .
1.2 Histrico e Terminologia
1.3 Fatores de sucesso do MPC em aplicaes industrias:
1.4 O Controlador Preditivo na Hierarquia de Controle
1.5 Relao entre O MPC Com Outros controladores que usam previso.
2 Modelo Previso Usando a Resposta ao Impulso
2.1 Sistema Monovarivel .
2.2 Sistema Multivarivel
3 Modelo Previso Usando a Resposta ao Degrau
3.1 Sistema Monovarivel Sem Distbio
3.2 Sistema Monovarivel Com Distrbio No Mensurvel.
3.3 Sistema Monovarivel com Distrbio Mensurvel
3.2 Sistema Multivarivel
4 Modelo Previso Usando a Funo de Transferncia
4.1 Sistema Monovarivel Sem Distrbio
4.2 Sistema Monovarivel Com Distrbio
4.2 Sistema Multivarivel
5 Soluo do Problema de Controle
5.1 Soluo do Problema de Controle Preditivo Monovarivel Irrestrito
5.2 Soluo do Problema de Controle Preditivo Multivarivel Irrestrito
5.3 Soluo do Problema de Controle Preditivo Monovarivel Considerando
Restries.
5.4 Programao Quadrtica
5.5 Sintonia dos Parmetros do CPBM

6 Controle Preditivo Baseado em Modelo Com Restries Para Sistemas Com


Dinmica Rpida
6.1 Soluo do Problema de Programao Multiparamtrica
6.2 Sistemas Dinmicos Afins por Partes
6.3 Controle timo no Tempo Finito com Restries (COTFR)

Controle Preditivo

1 - Introduo
Ao longo dos ltimos 30 anos, estratgia de controle preditivo tem recebido cada
vez mais aceitao do meio industrial, devido aos benefcios que sua aplicao tem
produzido no desempenho dos processos . Os maiores benefcios tem ocorridos em
processos com longo tempo de atraso, com fortes interaes entre as variveis
controladas, e com restries de operao. Em processos com estas caractersticas,
a capacidade de prever o comportamento futuro das variveis do processo nas
proximidades dos limites de sua capacidade, fundamental para garantir uma
operao otimizada do processo. Devido a isto, a ISA considera que o controle
preditivo uma ferramenta importante capaz de diferenciar entre um bom e
um excelente Engenheiro de Controle.
1.1 Definio do Controle Preditivo Baseado em modelo (CPBM) .
O Controle Preditivo Baseado em Modelo (CPBM) uma estratgia de
controle que possui as seguintes caractersticas:
-

usa um modelo explcito do processo para predizer a sada do mesmo


num determinado horizonte finito;

As aes de controle futuras so calculadas minimizando uma


determinada funo objetivo;

O horizonte de previso deslizante, ou seja para cada perodo de


amostragem, o horizonte deslocado um passo a frente. O sinal de
controle no instante atual enviado ao processo, desconsiderando o resto
do controle dentro do horizonte.

A Figura 1 ilustra a estratgia do CPBM:

4/81

Controle Preditivo

Sinal de controle presente


Trajetria
de referncia

Erros Futuros
Previstos

futuro e passado
Otimizador

Restries Funo Custo

Sada futura
prevista

Sinal de
controle atual
Modelo do
Processo
Processo
Real

Sada atual

Figura 1: Estratgia do CPBM


Trajetria de referncia: representa o comportamento do sinal desejado para a
sada futura. o conhecimento prvio desta trajetria que garante ao controlador
uma caracterstica antecipativa. Pode ser o prprio Set Point ou uma funo do Set
Poit da varivel controlada.

Figura 2- Trajetria de referncia


A trajetria da referncia ( w ( j ) ) dada pela seguinte expresso:

w ( j ) = r ( j ) , w ( j + k ) = .w ( j + k 1) + (1 ) .r ( j + k ) , k = 1...N
5/81

Controle Preditivo

onde o fator de previso da referncia e [ 0,1] . Quanto maior o fator ,


maior o amortecimento da resposta, fazendo com que a sada alcance o setpoint
(r(t)) de forma mais lenta.
Modelo do processo: deve ser capaz de representar o seu comportamento
dinmico de forma suficientemente precisa. Conforme a necessidade, este modelo
pode ser linear ou no linear, e podendo ainda ser atualizado atravs de mtodos de
identificao on line, conferindo ao controlador uma caracterstica adaptativa.
Otimizador: minimiza a funo custo a cada perodo de amostragem, de forma a
obter uma ao de controle que garanta um desempenho adequado ao sistema. A
funo custo (J) definida como a soma do erro entre a previso da sada ( y ) e a
referncia desejada (w), podendo penalizar o esforo de controle (u) ou no.Pode
ser representado pela expresso:
hp

J (k ) =

hc

y ( j + k | k ) w ( j + k ) + u ( j + k 1)
j =d

(2.0)

j =1

onde hp e d so os horizontes de previso mximo e mnimo (marcam os instantes


onde desejvel que a sada siga a referncia). hc o horizonte de controle, e

so ponderaes do erro e do esforo de controle respectiva- mente e geralmente


so escolhidos constantes ou exponenciais ao longo do horizonte.

1.2 Histrico e Terminologia


O controle preditivo surgiu no meio industrial, onde ocorreram as primeiras
implementaes no incio da dcada de 1970 feitas por Richalet et al (1978), da
empresa francesa Adersa. Richalet et al (1978) publicou na revista Automtica em
1978 a primeira aplicao do

controle preditivo com o nome Model Predicitve

Heuristic Control (MPHC). O software comercial derivado desta tcnica foi


denominado IDCOM (Identification and Command) e suas principais caractersticas
so:
6/81

Controle Preditivo

1 Modelo de previso atravs resposta ao Impulso;


2 Funo custo quadrtica sobre o horizonte finito;
3 Restries nas variveis de entrada e sada;
4 Variveis manipuladas so calculadas segundo um procedimento
heurtico;
5 O comportamento futuro da varivel manipuladas especificada por uma
trajetria de referncia.
A segunda gerao do controlador preditivo, denominada Dynamic Matrix Control
(DMC) foi desenvolvida por engenheiros da Shell, liderados por Cutler e Ramaker. O
algoritmo foi apresentado num congresso da national AIChE em 1979, e suas
principais caractersticas so:
1 Modelo de previso atravs da resposta ao degrau;
2 - Funo custo quadrtica sobre o horizonte finito;
3 Restries nas variveis de entrada e sada;
4 As variveis manipuladas so calculadas resolvendo um problema de
programao linear (PL).
A fim de melhorar o tratamento de restries, Cutler et al (1983) incorporaram ao
DMC um algoritmo de programao linear quadrtica, onde as restries de entrada
e sada so explicitadas. Tal algoritmo foi denominado Quadratic Dynamic Matrix
Control (QDMC).
A terceira gerao algoritmos de controle preditivo baseado em modelo busca
resolver vrias questes relacionadas a:
-

infactibilidade de solues do problema de otimizao quando ocorrem

distrbios no sistema;
- estabilidade e tolerncia a falha do controlador, a fim de manter o processo
funcionando quando ocorrem falhas nos sensores e atuadores;
-

dificuldades de formulaao da funo custo na presena de objetivos

conflitantes;
- plantas com modelos variantes no tempo.
7/81

Controle Preditivo

Vrios algoritmos MPC lineares foram desenvolvidos a fim de resolver estas


questes, sendo os principais deles o IDCOM, IECOM, SMCA, SMOC e o GPC.
Neste curso, alm de estudarmos o controlador preditivo DMC, cujo modelo
baseado em resposta ao degrau, abordaremos o GPC que usa modelo em funo
de transferncia tipo ARIMA, muito aplicado em sistemas de controle adaptativo e
plantas instveis.
1.3 Fatores de sucesso do MPC em aplicaes industrias:

Nos ltimos anos, houve um grande crescimento nas aplicaes industriais de


controle preditivo baseado em modelos lineares. A Tabela 1 apresenta algumas
aplicaes presentes no trabalho de Qin e Badgwell (2003), confirmando que a
indstria qumica e a do petrleo so as principais reas de aplicao das
estratgias de controle preditivo baseado em modelo linear (MPC).
Os fatores que motivam a aplicao do MPC na indstria que esta estratgia
permite um tratamento natural de processos com :
- Limitaes Fsicas dos atuadores
- Restries sobre as variveis controladas
- Mltiplas entradas e Mltiplas sadas
- Atraso de Transporte
- Ao de controle Antecipatria (Feedforward) sobre as perturbaes.
- Permite a operao do processo numa regio prxima a suas restries
(comparando com o controle convencional ), o que conduz ao aumento da
produtividade da planta industrial.

8/81

Controle Preditivo

rea

Adersa

Aspen

Honneywel

Thecnology

Hi-Spec

Invensys

SGS

Total

Refinaria

1200

480

280

25

1985

Petroqumica

450

80

20

550

Qumica

100

20

03

21

144

Papel

18

50

68

Ar e gs

10

10

Utilidades

10

04

14

Metalurgia

08

06

07

16

37

Alimentos

41

10

51

Polmeros

17

17

Fornos

42

03

45

Aeroespacial

13

13

Automotiva

07

07

Outras

40

40

1045

26

450

1601

Total

1833

695

1438

125

450

4542

Tabela 1: Aplicaes do CPBM no Setor Indstrial at 2003

Exemplos de restries associadas s limitaes fsicas dos atuadores so: a


saturao de vlvulas e as limitaes da velocidade de abertura das mesmas. As
restries sobre a varivel controlada so definidas pelo controle de qualidade e
pelos custos de operao econmica da planta. Por exemplo, se um produto requer
calor durante a sua fabricao, os custos de operao so minimizados se o
fornecimento de calor ao processo for o menor possvel. No entanto, o calor
fornecido deve ser o suficiente para manter a qualidade do produto dentro dos
padres especificados. Portanto o controle de qualidade define qual deve ser a
restrio mnima de temperatura para otimizar os custos de operao.

9/81

Controle Preditivo

Um outro exemplo seria um reator qumico, mostrado na Fig. Abaixo (ver


errata).

Figura : Reator Qumico


O reagente entra do lado esquerdo deste reator, onde ocorre uma reao
exotrmica no seu interior. A temperatura da reao mantida prxima do set point
ajustanto o fluxo de gua de refrigerao do trocador de calor. O sucesso da reao
depende da temperatura estar prxima da especificada (set point), o que pode ser
garantido mantendo o fluxo do reagente e o fluxo da gua de refrigerao entre os
limites mnimos e mximos. O objetivo finalizar o produto gerado na reao no
menor tempo possvel, sujeito as restries impostas pelo controle de qualidade. Isto
quer dizer que devemos manter a taxa de fluxo do reagente a maior possvel.
Devemos observar que a planta no deve ser operada no limite de sua
capacidade, mas sim com uma certa reserva, devido aos distrbios inesperados
que podem ocorrer. No entanto, um bom sistema de controle deve ser capaz de
lidar com estes distrbios, operando a planta o mais prximo possvel das suas
restries. Um argumento clssico a favor da tcnica de controle timo linear que,
se os distrbios so aleatrios, e se podemos diminuir a varincia da varivel
controlada

no menor valor possvel, ento podemos operar o processo o mais

prximo possvel das suas restries. Isto ilustrado na Fig. 3, que mostra trs
funes densidade de probabilidade hipotticas da varivel controlada (y) de uma
planta, e uma restrio de desigualdade (y <= ymax) que deve ser respeitada.A
distribuio (A) tem uma forma de Gaussiana com elevada varincia, que
10/81

Controle Preditivo

resultado do uso de um controlador linear que no est bem sintonizado, assumindo


que a planta tem um comportamento linear e que o distrbio um rudo Gaussiano.
A fim de manter uma pequena probabilidade de violao da restrio da sada, o Set
Point da varivel controlada deve ser mantido distante das restries, em relao
aos outros tipos de controladores. A curva

(B) seria a funo densidade de

probabilidade da varivel controlada por um controle timo linear quadrtico. A


varincia seria reduzida, e portanto, poderia manter o Set Point mais prximo da
restrio do que o controlador da curva (A). A distribuio tambm seria Gaussiana
j que o controlador linear.

Figura 3 Melhoria do Set Point com o Uso do CPBM


A funo densidade (C) mostra o efeito do controlador preditivo. O controlador est
mais atento s restries, e portanto reage diferentemente em relao aos distrbios
que agem no sentido de violar restrio da varivel controlada, do que aqueles
distrbios que agem no sentido contrrio a esta restrio.Assim o controlador no
linear e a distribuio da varivel de sada no mais Gaussiana, mas sim uma
funo no simtrica, permitindo operar a planta com um Set Point mais prximo
possvel desta restrio.
11/81

Controle Preditivo

Um exemplo que mostra a importncia do uso de controladores


preditivos na indstria encontrado em tanques de armazenamento que funcionam
como buffers entre unidades individuais de processos de produo. O propsito
destes tanques evitar que os distrbios que ocorrem numa unidade do processo se
propaguem para a unidade seguinte. O nvel do produto armazenado no tanque
controlado, a fim de garantir que ele no fique completamente cheio ou vazio,
podendo variar livremente entre estes limites. No existe, assim, a necessidade de
manter o nvel prximo do set point, mas sim que as restries de nvel sejam
obedecidas.

Tradicionalmente, o controle destes processos feito

atravs de

overrides, ou seja, uma varivel manipulada controla duas ou mais variveis que
possuem limites. No obstante, a tcnica de controle preditivo trata este tipo de
problema de maneira bastante natural, definindo as restries dos nveis dos
tanques sem especificar o set point da varivel controlada.

Figura 4 Sequncia de Tanques de Armazenamento


Outra motivo que mostra a importncia do controlador preditivo em
processos industriais que o controlador est atento s restries de saturao do
atuador, evitando produzir sinais que tendem a viol-la, evitando assim o problema
da saturao por ao integral (Wind-Up).

12/81

Controle Preditivo

1.3.1 Dicas que devem ser analisadas pelo Engenheiro de Controle a fim de
justificar a implantao do Controlador Preditivo Numa Planta Industrial

1 Existem limites de operao do processo que interferem na qualidade do


produto, na eficincia do processo ou no meio ambiente?
2

Podem estes limites serem calculados?

Existem estatsticas que mostram a violaco destes limites, como


aumento do custo de manuteno, nmero de falhas, diminuio do tempo
de corrida?

Existem produtos sendo descartados ou reciclados devido a operao fora


destes limites?

A operao prxima destes limites diminui significativamente o uso de


matrias primas ou recursos da Utilidade?

A operao prxima do limites aumenta significativamente a produo?

Tem ocorrido violao das normas ambientais quando a operao ocorre


fora destes limites?

O operador desloca o Set Point distante destes limites?

Existem mais de duas variveis controladas que so afetadas por mais de


uma varivel controlada? Estas variveis controladas so importantes?

10

As variveis controladas possuem a mesma ordem de atraso?

11

O tempo de atraso elevado?

12

Os distrbios do processo podem ser medidos ou calculados?

13

Os distrbios afetam mais de uma varivel controlada ?

13/81

Controle Preditivo

1.4

O Controlador Preditivo na Hierarquia de Controle


Na arquitetura de controlador hierrquico existe uma camada mais elevada

onde so definidos os Set Points das variveis controladas do processo, atravs de


tcnicas de otimizao. Tal otimizao feita a cada dia ou a cada hora, sendo
baseada em exigncias econmicas e do controle de qualidade, mas no levando
em considerao as dinmicas do processo. No nvel inferior esto os controladores
locais tipo PID, controlando individualmente as variveis do processo como a
presso, a temperatura, a vazo, etc. No nvel de cho de fbrica esto os loops de
controle dos atuadores, como as vlvulas servo posicionadoras. Entre os
controladores locais e a camada de otimizao, est situada uma camada
constituda de circuitos lgicos, overrides e de uma rede de desacoplamento, a fim
de controlar as restries dinmicas do processo. Esta camada responsvel por
conduzir o processo de uma restrio para outra, evitando que tais restries sejam
violadas durante o processo de produo. Possui, para isto um conjunto de solues
apropriadas para resolverem problemas especficos de cada processo. No entanto,
devido ao fato do MPC apresentar uma soluo integrada para todos estes tipos de
problemas, ele pode substituir esta camada que controla as restries dinmicas do
processo.

14/81

Controle Preditivo
Unidade 1
Estrutura de Controle
Convencional

Unidade 2
Estrutura de Controle
com MPC

Otimizao dos Set Points da Planta

Otimizao do Set Point


da unidade 1

Otimizao do Set Point


da unidade 2

Lgica de Seleo
de Restries, Overrids,
Desacoplamentos

Controle Preditivo
Baseado em Modelo
(MPC)

Controladores PID
locais

Controladores PID
locais

Atuadores
(Vlvulas)

Atuadores
(Vlvulas)

Objetivos Econmicos (dirios)

Objetivos Econmicos (horrios)

Controle de Restries
Dinmicos (a cada minuto)

Controle da Dinmica
do processo

Figura 5 Controle Preditivo na Hierarquia de Controle

1.5 Relao entre O MPC Com Outros controladores que usam previso.
1.5.1 Relacionando o MPC com o Preditor de Smith.
O Preditor de Smith um controlador muito usado em processos industriais com
atraso. Em geral, sistemas industriais com atraso podem ser representados por
uma Funo de Transferncia de primeira ordem do tipo:

Gp ( z) =

Ke TS
s +1

15/81

Controle Preditivo

Para termos um bom controle neste tipo de processo, o ideal seria realimentarmos a
sada sem o atraso, como mostra a Figura 6:

q(t)
r(t)

C(s)

u(t)

y1(t)

g(s)

-Ts
e

y(t)

Figura 6 : Controle Ideal de Plantas com Atraso

No entanto, esta soluo no possvel de obter na maioria dos casos reais, tendo
em vista que y(t) no acessvel. A soluo proposta por Smith nos anos 50,
baseia-se na introduo de um preditor (Gn(s)) no esquema de controle, conforme
mostra a Fig. 7, onde C(s) projetado para controlar a planta sem o atraso (Gn(s)):

r(k)

C(s)

y(k)

-Ls
G(s) e

y (k + Ln)

Gn(s)

y (k )

-Ls
e
+

e(k)

Figura 7 : Diagrama do Preditor de Smith

Tambm possvel

mostrar que o controlador preditivo possui a estrutura

apresentada na Fig. 8, a qual semelhante a estrutura do Preditor de Smith:

16/81

Controle Preditivo

Figura 8: Estrutura de Controle Equivalente ao CPBM


O filtro R(z) no diagrama de blocos acima utilizado em algumas estruturas do
Preditor de Smith para melhorar a robustez dos sistema ou melhorar o seu
desempenho. Observa-se tambm que o ajuste do controlador, dado pelos
parmetros hp , d , hc , e , somente afeta os coeficientes do controle primrio, j
que as predies somente dependem do modelo do processo e do modelo das
perturbaes usados no preditor timo.
1.5.2 Relacionando o MPC com o Controle de Varincia Mnima.
O Controle de Varincia Mnima considerado o antecessor do Controle Preditivo
Generalizado (GPC). Na realidade um controlador preditivo com
Horizonte de previso hp =d+1 e horizonte de controle hc =1.
1.5.3 Relacionando o MPC com o Controle Linear Quadrtico
O Controle Linear Quadrtico (LQ) utiliza um modelo descrito na forma de equaes
de estado:
dX
= AX + Bu
dt

Y = CX ,

17/81

Controle Preditivo

Onde X um vetor n x 1, chamado vetor de estados, Y um vetor m x 1, chamado


vetor de sada do processo, u a ao de controle, a qual um vetor r x1, A, B e C
so matrizes n x n, n x r e m x n respectivamente. O problema de controle LQ
encontrar uma a ao de controle u(k+j), j=0 ... hp-k, que minimize a funo custo
quadrtico:

hp k

J (k ) =

X
j =0

Apesar do controle preditivo

hp k
2

(k + j ) +

u ( k + j )
j =0

e o controle LQ calcularem as aes de controle

atravs da minimizao de uma funo custo e realizarem previses para obter esta
mesma funo custo, existem diferenas substanciais entre tais estratgias de
controle. A primeira que no controlador preditivo realizamos previses

at o

instante k+ hp , dado o instante atual k, ou seja, o horizonte de previso fixo e igual


a hp . No controlador LQ realizamos previses at o instante hp , dado o instante
atual k, ou seja, o horizonte de previso depende do instante k sendo dado por hp k.

No controle LQ a seqncia de aes de controle u(k+j), j=0 ... hp-k, que

minimize a funo custo quadrtico completamente aplicada

ao processo.

Portanto, a ao de controle chamada de controle timo. J no controle preditivo,


a seqncia de aes de controle u(k+j), j=0 ... hp, calculada minimizando a funo
custo, no completamente aplicada no processo, mas somente a ao calculada
no instante k. Este tipo de estratgia sub tima, sendo chamada de controle por
horizonte retrocedente.

18/81

Controle Preditivo

2 Modelo De Previso Usando a Resposta ao Impulso


Nesta seo ser calculada a predio da sada y a j passos a frente a partir do
instante atual k, o que representado por

y ( j + k | k ) , ou de maneira mais

simplificada, por y ( j + k ) .
A previso usando a resposta ao impulso pertence primeira gerao de
controladores preditivos usados no ambiente industrial, o qual foi denominado
MPHC. Primeiramente faremos a previso de sistemas lineares monovariveis e em
seguida trataremos o caso multivarivel.
2.1 Sistema Monovarivel
A resposta y ( j ) de um sistema discreto entrada u ( j ) , pode ser representada
pela convoluo:

y ( k ) = h(i ).u ( k i )

(2.1)

i =1

onde h(i ) a resposta entrada com amplitude unitria e durao igual a um


perodo de amostragem. Quando o sistema estvel, podemos dizer que existe N
tal que h(i ) = 0, i N, portanto:

y (k ) =

h(i).u ( k i )

(2.2)

i =1

A expresso acima pode ser representada por uma funo de transferncia,


definindo para isto um operador atraso unitrio z 1 , ou seja:

( )

y ( j ) = H z 1 .u ( k )

onde: H ( z 1 ) = h(1) z 1 + h(2) z 2 + ... + h( N ) z N .


19/81

Controle Preditivo

Exemplo: Seja o sistema representado pela FT:


G( z) =

0.2713
z 0.835 z
3

Realizando no MatLab os comandos


>> n=[0.2713];
>> d=[1 0 -0.8351 0];
dimpulse(n,d,100)
Obtemos a seguinte resposta ao impulso :
Impulse Response
0.35

0.3

Amplitude

0.25

0.2

0.15

0.1

0.05

10

20

30

40

50

60

70

Time (sec)

Figura 9: Resposta ao Impulso da FT G ( z ) =

0.2713
z 0.835 z
3

Supondo N=22:
h = [ 0 0 0.2713

0.226

0.1892

0.0642 0.0536 0.0448 0.0374


0.0127 0.0106]

20/81

0.1580

0.0312

0.1319 0.1102

0.0261

0.0218

0.0920
0.0182

0.076
0.0152

Controle Preditivo

Verifique que o vetor h igual ao quociente da diviso do numerado pelo


0.2713 z 3
denominador da funo G ( z ) =
.
1 0.835 z 2
1

A predio da sada j passos a frente calculada no instante k

( y ( j + k ) )

usando (2.2) :

i =1

i =1

i = j +1

y ( j + k ) = h(i).u ( j + k i ) = h(i)u(k + j i) + h(i)u(k + j i)


(2.3)
N

Os termos do somatrio

h(i)u (k + j i) contm

aes de controle

i = j +1

passadas (u(k-1),u(k-2), ..., u(k+j-N)), e ser chamado de resposta livre, enquanto


j

que os termos do somatrio

h(i)u(k + j i) contm aes de controle presente e


i =1

futuras (u(k), u(k+1, ..., u(k+j-1)) e ser chamado de resposta forada. As aes de
controle presente e futuras sero denotadas por u( j + k ) , as quais so variveis do
problema e devero ser calculadas pelo otimizador. Portanto, para um horizonte de
previso j passos a frente a partir do instante k, teremos j aes de controle presente
e futura. Para diminuir o nmero de variveis na predio, definiremos um horizonte
de controle ( hc ) menor que o o horizonte de previso ( hp ), isto , hc < hp e
consideraremos u (k ) = u (hc ), k = hc + 1 hp .

Portanto, atravs de (2.3) conclumos que a previso j = hc hp passos a


frente ser dada por:
j hc

y( j + k) = h(i)u(k + hc 1) +
i =1

i = j hc +1

h(i)u(k + j i) + h(i)u(k + j i)

(2.4)

i = j +1

21/81

Controle Preditivo

Definindo a resposta livre no instante k+j por


N

fu (k + j ) =

h(i)u (k + j i)
i = j +1

e realizando uma seqncia de hp previses, formamos o seguinte sistema de


hp equaes com hc incgnitas :

h(1)
h(2)
y(k +1)
h(1)

y(k + 2)

h(hc ) h(hc 1)

=
y(k + hc )

h(hp1) h(hp2 )
y(k + hp 1)

y(k + hp ) (h x1) h(hp ) h(hp1)


p

22/81

fu ( k +1)
0

f
k
+
2

(
)

u(k)

h(1)
u(k +1)

+ fu (k + hc )

hp1 hc +1

h(i)

u(k + hc 1)(hcx1) f (k + h )
u
p1
i=1

hp hc +1

fu ( k + hp ) (hpx1)
h(i)

i=1
(hpxhc )
0

Controle Preditivo

Exerccio 1: Seja um sistema de controle de temperatura mostrado na Fig. 10,

Figura 10 - Controle de temperatura


Construa a matriz de previso para o sistema acima cuja funo de transferncia
dada por G ( z ) =

0.2713
. Considere que o instante atual seja k=4, e que
z 0.835 z
3

hp = 5, hc = 2 . Suponha que a entrada seja um degrau aplicado no instante k=0, ou

seja, u (k ) = 1, k = 0,1, 2, e u (k ) = 0, k < 0. Compare a resposta prevista com a


resposta real.

23/81

Controle Preditivo

2.2 Sistema Multivarivel


Seja um sistema multivarivel com p entradas e q sadas, e considere que a
resposta ao impulso da sada j em relao a entrada l seja dada por
h jl . Assim, a resposta da sada j em relao a uma entrada ul qualquer pode ser

representada pela convoluo:


p

ym ( k ) =

N ml

ml

l =1

(i )ul (k i ), m = 1, , q

i =1

A previso j passos a frente da m-sima sada a partir do instante k, dada


por:
p

y m ( j + k ) =
l =1

N ml

ml

(i )ul ( j + k i ), m = 1, , q

i =1

(2.5)

Assim, invertendo o somatrio em (2.5) e usando os vetores


u1 (k )
u (k )
2

U (k ) =

u p (k ) px1

H m (k ) = [hm1 (k ) hm 2 (k ) hmp (k )]1xp

podemos escrever :
N ml

y m ( j + k ) = H m (i )U ( j + k i ), m = 1, , q
i =1

Considerando hc < hp , a previso j = hc hp passos a frente ser dada por:

j hc

ym ( j + k) = Hm (i)U (k + hc 1) +
i =1

24/81

i = j hc +1

Hm (i)U (k + j i) + Hm (i)U(k + j i)
i = j +1

(2.6)

Controle Preditivo

Definindo:

f m ,u ( k + j ) =

(i )U (k + j i ) ,

i = j +1

y1 (k )
y (k )
2
,

Y (k ) =

y q (k ) qx1

f1u (k )
H1 ( k )
f (k )
H (k )
2,u
2

, H (k ) =
Fu (k ) =

f q ,u (k ) qx1
H q (k ) qx1

Obtemos, a partir de (2.6) a seguinte expresso:


j hc

Y( j + k) = H(i)U (k + hc 1) +
i =1

H(i)U (k + j i) + Fu (k)

i = j hc +1

Realizando uma seqncia de hp previses para cada uma das sadas y j , j = 1, , q ,


chegamos ao seguinte sistema de qhp equaes com phc
Incgnitas, dado por:

H(1)
Y(k +1)
H(2)
H(1)

Y(k + 2)

H(hc ) H(hc 1)
Y(k + h )

=
c

H(hp1) H(hp2 )
Y(k + hp 1)

H(hp ) H(hp1)
Y(k + hp ) (qhpx1)

Fu ( k +1)
0

F
k
2
+

(
)

U ( k )

H(1)

U ( k +1)

F
(
k
h
)
+

+
u
c

hp1hc +1

U ( k + hc 1)
H(i)

F
(
k
+
h
)

(
ph
x
1)
u
p1
c
i=1

hp hc +1

Fu ( k + hp ) (qhpx1)
H(i)

i=1
qhpxphc
0

ou de maneira concisa, podemos escrever: Y = HU + Fu

25/81

Controle Preditivo

Exerccio 2: - Seja o sistema descrito pela equao de estado:


X (t ) = AX (t ) + BU (t )
so dadas por:

26.85
A=

25.80
22.61
0

Y (t ) = CX (t ) + DU (t ) , onde as matrizes A,B,C e D

0.29 0
0.29 0
1.04 0.06
0
, C = 1 0 0 0 , D=0
, B=
0 1 0 0
0.09 0
2.77 1.79
0

3.07 15.57
0
0 0.18
0

0.06

Usando o MatLab (veja o programa reator.m), obtenha:


1 - A equao de estado discreta;
2 A matriz de funo de transferncia contnua e discreta;
3 - Construa a matriz de previso considerando que o instante atual seja k=4, e que
hp = 5, hc = 2 . Suponha que as entradas sejam um degrau aplicado no instante k=0.

2 Repita para o sistema dinmico com as seguintes matrizes:

0
0.00005
0
0.0211 0
0 1 0
A = 0
0
0.000024 , B = 0.1066 0 , C =
, D=0
0 0 1

0 0.000024 0.0068
3.136 3.8

26/81

Controle Preditivo

3 Previso Usando a Resposta ao Degrau


utilizado no controlador preditivo denominado controle por matriz dinmica
(DMC). Esta tcnica a que vem sendo mais utilizada no meio industrial, devido
principalmente facilidade de obteno da resposta ao degrau e a facilidade de
representar erros de modelagem como distrbios aleatrios, podendo assim ser
utilizado em sistemas no lineares.
3.1 Sistema Monovarivel sem distrbio
Assumindo uma entrada degrau:

1, j = 0,1, 2,3,...
u ( j) =
0, j < 0

e usando (2.2), temos o seguinte desenvolvimento:

y (1) = g(1) = h(1) .u ( 0) = h1


y ( 2) = g(2) = h(1).u (1) + h(2).u ( 0) = h(1) + h(2) = g(1) + h(2)
y ( 3) = g(3) = h(1).u ( 2) + h(2).u (1) + h(3).u ( 0) = h(1) + h(2) + h(3) = g(2) + h(3)

y ( i) = g(i) = g(i 1) + h(i)


Logo, para qualquer i =1,...,N,
h(i ) = g (i ) g (i 1) = g (i ). (1 z 1 )

(3.1)

Portanto, a expresso (3.1) equivalente a:


N

y ( k ) = g (i) (1 z
i =1

) .u ( k i ) = g (i).u ( k i )

(3.2)

i =1

27/81

Controle Preditivo

onde (1 z 1 ) u ( k i ) = u ( k i ) u ( k i 1) = u ( k i ) , sendo que u ( k i ) a variao


do sinal de controle e g (i ) so o coeficiente de resposta ao degrau.
Separando em (3.2) as aes de controle passadas das aes de
controle presentes e futuras, concluimos que o preditor j passos a frente da
sada y para o modelo a entrada degrau dado por:

i=1

i= j +1

y ( j + k ) = g(i) .u ( j + k i ) + g(i) .u ( j + k i )

(3.3)

O somatrio

g (i) .u ( j + k i ) , representa a resposta livre, obtida atravs


i = j +1

das entradas passadas, e o somatrio

g (i ) . u ( j + k i ) , representa a resposta
i =1

forada,

obtida

atravs

das

entradas

presente

futuras

(u ( k ) , u ( k + 1), ..., u ( k + j 1) ) , as quais sero calculadas pelo otimizador. Para

diminuir o nmero de variveis na predio, definimos um horizonte de controle ( hc )


menor que o o horizonte de previso ( hp ), isto , hc < hp e consideramos
u (k ) = 0, k = hc + 1 hp . Portanto, a expresso (3.3) ser dada por:

y( j + k) =

g(i)u(k + j i) + g(i)u(k + j i)

i =max{1, j hc +1}

(3.4)

i = j +1

Definindo a resposa livre por f u ( j + k ) =

g (i) .u ( j + k i ) .
i = j +1

E realizando uma seqncia de


hp equaes com hc incgnitas :

28/81

hp previses, formamos o seguinte sistema de

Controle Preditivo

y(k +1)

0
0
g(1)

g(1)
0
y(k + 2)
g(2)

u(k)

u(k +1)

g(1)
= g(hc ) g(hc 1)
.
y(k + hc )

u(k + hc 1)(h x1)

c
y(k + hp 1)
g(hp1) g(hp2 ) g(hp1 hc +1)

+
y
(
k
h
)

(hpx1) g(hp ) g(hp1) g(hp hc +1) (hpxhc )


p
fu ( k +1)

fu ( k + 2)

(
+
)
f
k
h
+ u
c

fu (k + hp1)

fu ( k + hp ) (hp x1)
(3.5)
Ou seja: y = G.u + f u , onde y o vetor hp x1 , G a matriz hp xhc , u o vetor hc x1 ,
fu o vetor hp x1

29/81

Controle Preditivo

Exerccio 3: Considere o sistema de controle de temperatura mostrado na Fig. 11.


Aplicando um degrau na vlvula de controle, obtemos a seguintes resposta:

Figura 11 - Resposta ao degrau


Para esta funo de transferncia, podemos observar que a sada estabiliza aps 30
perodos de amostragem, portanto o modelo dado por:

30

y ( j ) = g i .u ( j i ) .
i =1

A tabela 2 mostra os coeficientes gi de resposta ao degrau da funo de


transferncia.

Tabela 2- Coeficientes de resposta ao degrau

30/81

Controle Preditivo

Usando os coeficientes da Tabela 1 e a equao (3.5), obter a matriz de previso


considerando que o instante atual seja k=4, e que hp = 5, hc = 2 . Suponha que a
entrada seja um degrau aplicado no instante k=0.
Os mtodos que usam a resposta ao impulso ou ao degrau no podem ser usados
em plantas instveis ou com plo na origem e necessitam de um grande nmero de
parmetros para descrever o modelo, geralmente N 40 .

3.2

Sistema Monovarivel com Distrbio Estocstico (no mensurvel)

Vamos considerar que um distrbio d(k) aleatrio esteja interferindo na sada do


sistema, a qual ser representada por yr (k ) , de maneira que

yr ( k ) = ym ( k ) + d ( k )

onde ym (k ) a sada do modelo. Este distrbio pode representar as incertezas na


modelagem e as entradas desconhecidas que atuam no sistema. Portanto, a
previso j passos a frente a partir do instante k da sada yr (k ) igual a:

y r (k + j ) = y m (k + j ) + d (k + j )
que equivalente a
j

y r (k + j ) =

g (i ) u ( j + k i ) + g (i ) u ( j + k i ) +d ( k + j )

i = max{1, j hc +1}

(3.6)

i= j

Considerando que a previso do distrbio j passos a frente seja dada por:

d (k + j ) = d (k ) = yr (k ) ym (k ) = yr (k ) g (i )u ( j i )

(3.7)

i =1

Conclumos, substituindo (3.7) em (3.8) que:


j

y r (k + j ) =

i = max{1, j hc +1}

g (i ) u ( j + k i ) + ( g (k + i ) g (i )) u ( j i ) + yr ( k )

(3.8)

i= j

Considerando que a resposta livre seja:

31/81

Controle Preditivo
N

fu (k + j ) = ( g (k + i) g (i))u ( j i ) + yr (k )
i =1

Obtemos a equao de previso na forma matricial dada em (3.5) quando se


considera distrbio estocstico no sistema.

Exerccio 3 No sistema de controle de temperatura, suponha que no transmissor


de temperatura ocorra um rudo gaussiano com mdia zero e varincia 0,2 (veja o
comando randn do MaTlab). Construa a matriz de previso para este sistema com
rudo
Considere

que o instante atual seja k=4, e que hp = 5, hc = 2 . Suponha que a

entrada seja um degrau aplicado no instante k=0, ou seja,

u (k ) = 1, k = 0,1, 2, e

u (k ) = 0, k < 0. Compare a resposta prevista com a resposta real.

3.3

Sistema Monovarivel com Distrbio Mensurvel

Perturbaes mensurveis podem ser adicionadas s equaes de previso, tendo


em vista que eles sero tratados como entradas conhecidas ( d (i ), i = 0,1, 2, ), cuja
resposta ao degrau ( g d (i ), i = 0,1, 2, ) pode ser determinada. Assim, a previso da
resposta a perturbaes futuras j passos a frente ( y d (k + j ) ), pode ser estimada por:
j

yd (k + j) =

gd (i)d(k + j i) + gd (i)d(k + j i)

i=max{1, j hc +1}

i = j +1

Onde d ( i ) = d ( i ) d ( i 1) .
Realizando uma seqncia de hp previses, formamos o sistema de hp equaes:

y d = Gd .d + f d ,

32/81

Controle Preditivo

Onde y d o vetor hp x1 de previses da resposta ao distrbio, Gd uma matriz


hp xhc dos coeficientes da resposta ao degrau do distrbio similar a G, d o vetor
hc x1 de distrbio previsto , e f d o vetor hp x1 da resposta livre do distrbio, que

no depende do distrbio futuro.


A resposta livre completa (a resposta que no depende das aes de controle
futura) f = f u + Gd .d + f d , onde fu resposta livre entrada u (sinal de controle),
sem perturbao determinstica, Gd .d a resposta forada do distrbio e f d
resposta livre ao distrbio, sem entrada u .
Portanto, a predio dada pela conhecida expresso y = G.u + f .

3.4 Sistema Multivarivel


Seja um sistema multivarivel com p entradas e q sadas, e considere que a
resposta ao degrau da sada j em relao a entrada l seja dada por
g jl . A previso j passos a frente da m-sima sada a partir do instante k, dada por:
N ml

y m ( j + k ) =
l =1

g ml (i )ul ( j + k i), m = 1, , q

i = max{1,i hc 1}

(3.8)
Assim, invertendo o somatrio em (3.8) e usando os vetores
u1 (k )
u (k )
2

U (k ) =

u p (k )

Gm (k ) = [ g m1 (k ) g m 2 (k ) g mp (k )]1xp
px1

Podemos escrever:
N ml

y m ( j + k ) =

Gm (i )U ( j + k i ), m = 1, , q

i = max{1, j hc +1}

33/81

Controle Preditivo

Separando as aoes de controle passadas, das aes de controle presente e


futura temos que:

ym ( j + k) =

G(i)U (k + j i) + G(i)U(k + j i)

i=max{1, j hc +1}

Definindo:

(3.9)

i = j +1

fu (k + j ) =

(i )U (k + j i ) ,

i = j +1

y1 (k )
y (k )
2

Y (k ) =

y q (k )

,
qx1

f1,u (k )
G1 (k )
f (k )
G (k )
2,u
2

Fu (k ) =
, G (k ) =

f q ,u (k ) qx1
Gq (k ) qx1

Obtemos, a partir de (3.9) a seguinte expresso:


Y( j + k) =

j hc

i =max{1, j hc 1}

G(i)U (k + hc 1) +

G(i)U(k + j i) + Fu (k)

i = j hc +1

Realizando uma seqncia de hp previses para cada uma das sadas y j , j = 1, , q ,


chegamos ao seguinte sistema de qhp equaes com phc
Incgnitas, dado por:

34/81

Controle Preditivo

Y(k +1)
0

0
G(1)

Y(k + 2)
G
(2)
G
(1)

U ( k )

U
k

+
1
( ) +

Y(k + h )
G(1)
= G(hc ) G(hc 1)

U ( k + hc 1) ( ph x1)

(
)
(
)
(

+
1)
G
h
G
h
G
h
h

p1

p2
p1
c
c
Y(k + hp 1)

G(hp ) G(hp1) G(hp hc +1)


qhp xphc
Y(k + hp ) (qhpx1)

Fu ( k +1)

F
k
+
2
(
)
u

+ Fu (k + hc )

+
F
k
h
(
)
u
p1

+
F
k
h
(
)
p
(qhpx1)
u

Exerccio 4: Para o reator, cujas equaes de estado esto no programa reator.m,


1 Obtenha a matriz de matriz de previso, usando a resposta ao degrau,
considerando que o instante atual seja k=4, e que hp = 5, hc = 2 . Suponha que as
entradas sejam um degrau aplicado no instante k=0.
2 Repita para o sistema dinmico com as seguintes matrizes:

0
0.00005
0
0.0211 0
0 1 0

A = 0
0
0.000024 , B = 0.1066 0 , C =
, D=0
0 0 1

0 0.000024 0.0068
3.136 3.8

35/81

Controle Preditivo

Previso Usando a Funo de Transferncia

4.1 Sistema monovarivel sem distrbio


O modelo de previso atravs da funo de transferncia pertence 3 gerao de
controladores preditivos, denominados Controlador Preditivo Generalizado (GPC).
Este tipo de CPBM veio suprir algumas limitaes do DMC

no controle de plantas

instveis, variantes no tempo, com integradores (plo na origem) e plantas com


fase no mnima
sabido que um processo discreto

linear e invariante no tempo pode ser

representado pela equao a diferenas:


y ( k ) + a1. y ( k 1) + a2 . y ( k 2 ) + ... + ana . y ( k na ) =
b1.u ( k 1 d ) + b2 .u ( k 2 d ) + ... + bnb .u ( k nb 1 d )

A funo de transferncia relacionando a entrada u e a sada y, obtida utilizando


um operador atraso unitrio z 1 , ou seja:

y (k ) =

( )z
A( z )

B z 1

.u ( k 1)

(4.1)

( )

A z 1 = 1 + a1.z 1 + a2 .z 2 + ... + ana .z na

onde

( )

B z 1 = b0 + b1.z 1 + b2 .z 2 + ... + bnb .z nb

Este tipo de modelo conhecido por modelo ARMA (Auto-regressive and


move mean).Como o GPC utiliza a variao do sinal de controle para ser
calculada na funo objetivo, a funo de transferncia deve ser transformada
para o modelo ARIMA, o que feito multiplicando a expresso (4.1) por
(1 z 1 ) , e considerando que

(1 z ) u ( k ) = u ( k ) u ( k 1) = u ( k 1) e que
1

36/81

A ( z 1 ) = (1 z 1 ) A( z 1 ) .

Controle Preditivo

Portanto, (4.1) equivalente ao modelo ARIMA (Auto regressive Integrated


mean Move), dado abaixo:

( )
( )

B z 1 d
y (k ) =
z .u ( k 1)
A z 1

(4.2)

Para entender melhor como feita a previso atravs da FT acima, vamos


considerar um sistema com polinmios A e B possuindo ordens na=2 e nb=0,
respectivamente, e atraso d=1, dados por: A ( z 1 ) = 1 2 z 1 3 z 2 ,
( z 1 ) = 1 z 1 z 2 + 3 z 3 , B ( z 1 ) = 1 e desta forma concluimos a partir de (4.2) que:

y ( k ) = y ( k 1) + y ( k 2 ) 3 y ( k 3) + u ( k 2 )
A previso da sada 3 passos a frente obtida a partir da equao acima, ou seja:

y ( k + 3) = y ( k + 2 ) + y ( k + 1) 3 y ( k ) + u ( k + 1)

(4.3)

Portanto, a sada prevista a 3 passos a frente, depende das variveis no


conhecidas y ( k + 2 ) , y ( k + 1) , u ( k + 1) . Desejamos que a sada prevista dependa
somente do sinal de controle previsto, o qual ser calculado atravs do Otimizador,
e das sadas presente e passadas. Para eliminar as sadas previstas nos instantes 1
e 2 da equao de previso, usaremos a famosa equao Diophantina:
~
1 = E j ( z 1 ) A( z 1 ) + z j F j ( z 1 )

(4.4)

Os polinmios Ej e Fj so unicamente definidos com graus j-1 e na respectivamente.


~
Eles podem ser obtidos dividindo-se sucessivamente 1 por A( z 1 ) at que o
remanescente possa ser fatorado como z j F j ( z 1 ) . O quociente da diviso o
polinmio E j ( z 1 ) . Por exemplo, considerando A ( z 1 ) = 1 z 1 .z 2 + 3 z 3 e usando a
funo diophantina.m, calculamos:
>> [E,F]=diofantina(,3)
37/81

Controle Preditivo

1 0 0 E1 = 1 + 0 z 1 + 0 z 2
1 1 0 E2 = 1 + 1z 1 + 0 z 2

1 1 2 E3 = 1 + 1z 1 + 2 z 2

3 F1 = 1 + z 1 3 z 2

2 2 3 F2 = 2 2 z 1 3 z 2
0 1

6 F3 = 0 z 1 6 z 2

Da equao (4.1) temos que:


A ( z 1 ) y (k ) = B( z 1 ) z d u (k 1) = B( z 1 )u (k d 1)

(4.5)

Multiplicando-se (4.5) por E j ( z 1 ) z j :

A ( z 1 ) E j ( z 1 ) y (k + j ) = E j ( z 1 ) B( z 1 )u (k + j d 1)

Se considerarmos a equao (4.4) na equao (4.5) obtemos:

(1 z j Fj ( z 1 )) y (k + j ) = E j ( z 1 ) B( z 1 )u (k + j d 1)
Que podemos reescrever como:

y (k + j ) = E j ( z 1 ) B( z 1 )u (k + j d 1) + Fj ( z 1 ) y (k ) = G j ( z 1 )u (k + j d 1) + Fj ( z 1 ) y (k )
(4.6)
onde G j ( z 1 ) = E j ( z 1 ) B( z 1 ) = g 0 + g1 z 1 + g 2 z 2 + ... + g nb+ j 1 z ( nb + j 1)

Substituindo E3

e F3 na expresso (4.6) para j=3 e d=1, chegamos ao seguinte

resultado:

y ( k + 3) = (1 + z 1 + 2 z 2 )u (k + 1) ( z 1 + 6 z 2 ) y (k )
= u (k + 1) + u (k ) + 2u (k 1) y (k 1) + 6 y (k 2)

38/81

(4.7)

Controle Preditivo

Observamos em (4.7) que a sada prevista a 3 passos a frente no depende mais


das sadas y (k + 1), y (k + 2) como acontece com (4.3). Assim, conclumos que a
equao diophantina elimina a dependncia da sada prevista em relao as sadas
futuras.
Agora

observe

que

G j ( z 1 )u (k + j d 1) ,(no

G3 ( z 1 )u (k + 1) = u (k + 1) + u (k ) + 2u (k 1) ),

nosso

exemplo

igual

possui termos com aes de

controle passada, presente e futura. Para separarmos estes termos em tempos


diferentes, define-se um polinmio de ordem j-d-1
(4.8)

H j ( z 1 ) = g 0 + g1 z 1 + g 2 z 2 + ... + g j d 1 z ( j d 1)

que considera as aes presente e futura.(no nosso exemplo H 3 ( z 1 ) = 1 + z 1 )


De forma semelhante, separamos os termos com as aes de controle passadas
atravs do polinmio :

H j ( z 1 ) = G j ( z 1 ) H j ( z 1 ) = g j d z ( j d ) + ... + g nb + j 1 z ( nb + j 1)

(4.9)

(no nosso exemplo H 3 ( z 1 ) = 2 z 2 )


Considerando l = j d , a equao de previso da sada com as aes de controle
passadas separadas das aes de controle presente e futuras :
y (k + d + l ) = H d +l u (k + l 1) + z l H d +l ( z 1 )u (k 1) + Fd +l ( z 1 ) y (k )
aes

futuras e

passadas

sadas

passadas

(4.10)
Considerando um horizonte de previso j = d + l , chega-se atravs de (4.10) com
1 l N , ao seguinte sistema de equaes:

39/81

Controle Preditivo

y(k + d + 1) = H d +1u (k ) + z H d +1u (k 1) + Fd +1 y (k )


y (k + d + 2) = H d + 2 u (k + 1) + z 2 H d + 2 u (k 1) + Fd + 2 y (k )

y (k + d + N ) = H d + N u (k + N 1) + z N H d + N u (k 1) + Fd + N y (k )

De posse das equaes acima e considerando um horizonte de controle hc e


compreendendo l entre 1 e hp hc , obtm-se a expresso matricial composta das
previses seqenciais da sada do processo y e dependente das aes de controle
passadas, presente e futuras e sadas passadas:

y = Gu + H ( z 1 )u (k 1) + F ( z 1 ) y (k )

(4.11)

y (k + d + 1)
y (k + d + 2)

y =

y (k + d + N ) N X1

(4.12)

u (k )

u (k + 1)

u =

u (k + hc 1) h X1

(4.13)

g0
g
1

G=
g hc 1

g N 1

(4.14)

onde:

40/81

g N hc
N X hc

g0

g hc 2

g N 2

0
0

g0

Controle Preditivo

zH d +1
2

z H d +2

H =

z H d + N N X1

(4.15)

Fd +1 ( z 1 )

Fd + 2 ( z 1 )
1

F (z ) =

1
Fd + N ( z ) N X1

(4.16)

Definindo-se como resposta livre do sistema, dependente somente das entradas e


sadas passadas como:

f = H ( z 1 )u (k 1) + F ( z 1 ) y (k )

(4.17)

Chega-se a expresso de previso:


y = Gu + f

Exerccio 5 No sistema de controle de temperatura, construa a matriz de previso


usando o modelo de funo de transferncia. Considere que o instante atual seja
k=4, e que hp = 5, hc = 2 . Suponha que a entrada seja um degrau aplicado no instante
k=0, ou seja, u (k ) = 1, k = 0,1, 2, e u (k ) = 0, k < 0. Compare a resposta prevista com a
resposta real.
Exerccio 6 Repetir o exerccio anterior para o sistema de controle do nvel do
Molde considerando os parmetros e especificados no programa molde.m.

41/81

Controle Preditivo

4.2 Sistema monovarivel com distrbio


Em alguns processos afetados por distrbios externos e onde estes distrbios
possam ser medidos ou identificados, possvel representar o comportamento
destes distrbios no algoritmo do controlador GPC, de forma que o comportamento
do mesmo diante a ocorrncia destes possa ser otimizado. Para o caso da insero
de distrbio na equao do sistema dada anteriormente pela equao (4.42),
podemos considerar:
A( z 1 ) y (k ) = z d B( z 1 )u (k 1) + D( z 1 ).v(k )

(4.18)

Onde verifica-se a incluso da varivel v(t) correspondente ao distrbio considerado


aqui inicialmente como distrbios detectveis e dados no tempo t. D( z 1 ) um
polinmio definidos por:
D( z 1 ) = d 0 + d1 z 1 + d 2 z 2 + ... + d nd z nd

(4.19)

De maneira semelhante a realizada para o caso irrestrito e sem distrbio, multiplicase (4.18) por E j ( z 1 ) z j :

A ( z 1 ) E j ( z 1 ) y (k + j ) = E j ( z 1 ) B( z 1 )u (k + j d 1) +

(4.20)
1

+ E j ( z ) D( z )v(k + j )

Considerando a aplicao da equao diofantina (4.2) e posteriores manipulaes


algbricas, obtm-se:

y (k + j ) = Fj ( z 1 ) y (k ) + E j ( z 1 ) B( z 1 )u (k + j d 1) +

(4.21)
+ E j ( z 1 ) D( z 1 )v(k + j )

42/81

Controle Preditivo

Definindo-se o polinmio M j ( z 1 ) = E j ( z 1 ) D( z 1 ) , onde:

M j = m0 + m1 z 1 + m2 z 2 + ... + mnd + j 1 z ( nd + j 1)

Pode-se, considerando tambm H j (polinmio relacionado s aes de controle


futuras) e H j (polinmio relacionado s aes de controle passadas) j definidos em
(4.8) e (4.9), descrever a equao de predio em j = d + l como:

y (k + d + l ) = Fd +l ( z 1 ) y (k ) + H d +l ( z 1 )u (k + d + l 1) + z l H d +l ( z 1 )u (k 1) +

(4.22)
+ M d +l ( z 1 )v(k + d + l )

Na equao (4.22) apenas os termos de H d +l dependem de valores futuros do sinal


de controle u , sendo, portanto, interpretados como a resposta forada, enquanto
que os termos de H d +l e Fd +l dependem apenas de valores passados, sendo ento
a resposta livre do sistema.
O ltimo termo da equao depende do distrbio. Deve-se ento considerar (4.22)
como previso em processos onde os distrbios envolvidos possam ser estimados
atravs de metodologia prpria ou estimao/tendncia.
Para os casos onde o distrbio for constante e igual ao valor anterior,
v(t + d + l ) = 0 , o ltimo termo de (4.22) poder, ser desprezado. A equao (4.22)

pode ainda ser escrita como:


y (t + d + l ) = H d +l ( z 1 )u (t + l 1) + f d +l

Onde f d +l representa os demais termos de (4.22), incluindo aes, resposta do


sistema e distrbios passados.

43/81

Controle Preditivo

Desta forma, considerando um conjunto sucessivo de previses j = d + l , l = 1...N


passos frente:

y (t + d + 1) = H d +1 ( z 1 )u (t ) + f d +1
y (t + d + 2) = H d + 2 ( z 1 )u (t + 1) + f d + 2

(4.23)

y (t + d + N ) = H d + N ( z 1 )u (t + N ) + f d + N

Assim, define-se a expresso de previso como:


y = G.u + f

(4.24)

Onde G definido conforme (4.14), u conforme (4.15) e f definido por:

f d +1
f
f = d +2

f d+N

(4.25)

Observando (4.24) e (4.25), verificamos que a primeira tem exatamente a mesma


forma que o caso irrestrito sem distrbio, fazendo com que o sinal de controle futuro
seja obtido da mesma forma, enquanto que a resposta livre do sistema deve
considerar o efeito inserido pelo distrbio determinstico do processo na previso.

Exerccio 7 Repetir o exerccio 5 para o sistema de controle do nvel do Molde


considerando os parmetros

e especificados no programa molde.m e a

presena de distrbio de velocidade.

44/81

Controle Preditivo

4.3 Sistema Multivarivel


Seja um sistema multivarivel com p entradas e q sadas, cuja sada yi , i = 1 q
pode ser representado pela funo de tranferncia:

Ai ( z 1 ) yi (k ) = z d Bi1 ( z 1 )u1 (k 1) + z d Bi 2 ( z 1 )u2 (k 1) + + z d Bip ( z 1 )uip (k 1)

Sejam os polinmios j E i j ( z 1 ) / F i j ( z 1 ) unicamente definidos com graus j-1 e na


respectivamente., pela equao Diophantina:
1 = E ij ( z 1 ) Ai ( z 1 ) + z j Fji ( z 1 )

Da mesma forma que no caso monovarivel, definimos os polinmios:


i ,m
( nb + j 1)
G ij,m ( z 1 ) = E i j ( z 1 ) Bm ( z 1 ) = g 0i ,m + g1i ,m z 1 + g 2i , m z 2 + ... + g nb
+ j 1 z

H ij,m ( z 1 ) = g0i ,m + g1i ,m z 1 + g 2i ,m z 2 + ... + g ij,md 1 z ( j d 1)

i ,m
( nb + j 1)
H ij,m ( z 1 ) = G ij,m ( z 1 ) H ij,m ( z 1 ) = g ij,md z ( j d ) + ... + g nb
+ j 1 z

onde i = 1 q e m = 1 p . Seguindo o raciocnio semelhante ao caso monovarivel,


a previso da sada i, a j passos a frente dada pela expresso:

yi (k + j) = Hij,1u1(k + j d 1) + Hij,2u1(k + j d 1) ++ Hij, pu1(k + j d 1) +


(4.26)
i,1
j

i, p
j

i
j

+H (z )u1(k 1) ++ H (z )up (k 1) + F (z ) yi (k)

Sejam os vetores:

u1 (k )
u (k )
2

U (k ) =

u p (k )

px1

45/81

Controle Preditivo

H ij (k ) = [ H ij,1 (k ) H ij,2 (k ) H ij, p (k )]1xp


H ij (k ) = [ H ij,1 (k ) H ij,2 (k ) H ij, p (k )]1xp

Com estas definies, a expresso (4.26) simplificada para a seguinte forma:

yi (k + j) = Hij u(k + j d 1) + Hij U(k 1) + Fj (z1) yi (k)


Usando os vetores definidos abaixo:
H 1j
H 1j
Fj1 y1
y1 (k )
2
2
2
y (k )
H
H

F y
2
j
H =
H j = j Fj = j 2
Y (k ) =
j

q
q
H
H
F q y
y q (k ) qx1
j qxp
j qxp
j q qx1

Podemos escrever a previso das q sadas a j passos a frente na seguinte forma


matricial:

Y(k + j) = Hij u(k + j d 1) + Hij u(k 1) + Fj (z1)


Realizando uma sequncia de previses entre d+1 a hp passos a frente,
construimos a seguinte matriz de previses:

Y(k + d +1)

Y
(
k
d
2)
+
+

Y(k + N)

46/81

Nx1

Hd +1
Hd +1u(k)

H u(k +1)
H
d
+
1
d
+
2

=
+
u(k 1) +

HN qNx1
Hd +1u(k + hc 1)qNx1

Fd +1(k)
F (k)
d +2

FN (k) qNx1

Controle Preditivo

Tendo em vista as definies de H j e H j , podemos escrever a expresso acima na


seguinte forma:

Y(k + d +1)
0
G0

G
Y(k + d + 2)
G0
1

Y(k + h )
=
Ghc1 Ghc2
c

Ghp1 Ghp2
Y
(
k
+
h

1)

Ghp Ghp1
Y(k + hp ) (qNx1)

0
0

G0

GN

GN1

Fu ( k +1)

F
k
+
2
(
)
u

U ( k )

U ( k +1)
F
(
k
+
h
)

+
c
u


U ( k + hc 1)( phcx1) Fu (k + N 1)
F k +N
)
u(
qNxphc

Onde
H 1j u (k 1) + Fj ( z 1 ) y1 (k )
H 1j u (k + j d 1)
2

H j u (k 1) + Fj ( z 1 ) y2 (k )
H j u (k + j d 1)

Fu (k + j ) =
Gj =

1
H j u (k 1) + Fj ( z ) yq (k ) qx1
H j u (k + j d 1) qxp

Assim, chega-se a expresso de previso:

Y = GU + f

Exerccio 7 Repetir o exerccio 5 para o sistema de controle do nvel do tanque


multivarivel, considerando os parmetros

e especificados no programa

tanquemulti.m.

47/81

Controle Preditivo

Soluo do Problema de Controle

5.1 Soluo do Problema de Controle Preditivo Monovarivel Irrestrito


A soluo do problema GPC, determinando a seqncia de sinais de controle
u (t ), u (t + 1),...u (t + hc 1) obtida minimizando a funo custo (2.0), escrita na

forma matricial:
J = (Gu + f w)T (Gu + f w) + u T u

(5.1)

Onde o vetor de referncia w dado por:


w = [ w(t + d + 1) w(t + d + 2) w(t + d + N )]T

A expresso (5.1) pode ser escrita como:

J=

1 T
u H u + bT u + f 0 + u T u
2

(5.2)

Onde,
H = 2( GT G + I )
bT = 2 ( f w)T G
f 0 = ( f w) T ( f w)

O mnimo de J, sem a existncia de restrio, linear e obtm-se derivando J em


relao a u e igualando a zero (condio necessria para o mnimo local),
obtendo-se:

48/81

Controle Preditivo

O vetor de incrementos do sinal de controle u selecionado de maneira a


J
=0
minimizar o ndice de desempenho J u
T

J = ( y w ) . ( y w ) + .u T .u
T

J = ( G.u + f ) w . ( G.u + f ) w + .u T .u
T

J = G.u + ( f w ) . G.u + ( f w ) + .u T .u
T
T
T
J = ( G.u ) . ( G.u ) + 2. ( G.u ) . ( f w ) + ( f w ) . ( f w ) + .u T .u

T
J = GT .u T . ( G.u ) + 2 GT .u T . ( f w ) + ( f w ) . ( f w ) + .u T .u

T
J = u T . G T .G .u + u T 2.G T . ( f w ) + ( f w ) . ( f w ) + .u T .u

J
= 2. GT .G .u + 2.GT . ( f w ) + 2. .u = 0
u

( (G .G ) + .I ) .u = .G .( f w) u = ( .(G .G ) + .I )
T

. .GT . ( w f )

u = K .( w f )

onde K a primeira linha da matriz


ganho do controlador.

( GT .G + .I ) . .GT

que o

O algoritmo DMC possui os passos descritos a seguir:


1- Obter a matriz de coeficiente G
2- Obter a previso de referncia
3- Obter a resposta livre (s depende dos controles passados)
4 - Obter as aes de controle futuro:

u = GT .G + I

. .G T . ( w f )
49/81

Controle Preditivo

5- Obter a ao de controle atual:

u ( j ) = u ( j 1) + u ( j )

, onde
(5.3)

u = HH 1b = ( GT G + I ) 1 GT ( w f )

Observa-se que a equao (5.3) resulta num vetor de sinal de controle, onde o sinal
a ser direcionado para o processo o primeiro elemento do vetor u , obtido por:
(5.4)

u = K ( w f )

Sendo K a primeira linha da matriz ( G T G + I ) 1 GT .


5.2 Relacionando o MPC com o Preditor de Smith.
O Preditor de Smith um controlador muito usado em processos industriais com
atraso. Em geral, sistemas industriais com atraso podem ser representados por
uma Funo de Transferncia de primeira ordem do tipo:

Ke TS
G p ( s) =
s +1

Para termos um bom controle neste tipo de processo, o ideal seria realimentarmos a
sada sem o atraso, como mostra a Figura 6:

q(t)
r(t)

C(s)

u(t)

G(s)

y1(t)

-ds
e

Figura 3 : Controle Ideal de Plantas com Atraso

50/81

y(t)

Controle Preditivo

No entanto, esta soluo no possvel de obter na maioria dos casos reais, tendo
em vista que y(t) no acessvel. A soluo proposta por Smith nos anos 50,
baseia-se na introduo de um preditor (Gn(s)) no esquema de controle, conforme
mostra a Fig. 7, onde C(s) projetado para controlar a planta sem o atraso (Gn(s)):

r(t)

C(s)

y(t)

-ds
G(s) e

y1 (t ) = y (t + d )

Gn(s)

y (t )

-ds
e
+

e(t)

Figura 4 : Diagrama do Preditor de Smith

Para facilar a anlise, a comparao do GPC com o preditor de Smith ser feita
consirando o modelo de primeira ordem ARIMA discreto:

B ( z 1 ) d
b
y(k ) =
z
.

u
k

1
=
z d .u ( k 1)
(
)
1
2
A( z 1 )
1 (a + 1) z + az
Fazendo previses j d + 1 passos a frente, obtemos:

y ( k + j ) = (1 + a ) y ( k + j 1) ay ( k + j 2 ) + bu ( k + j d 1)
Para o sistema de primeira ordem, podemos decompor sempre o polinmio

y ( k + j ) , para qualquer j d + 1 , de maneira que o mesmo dependa somente das


entradas futuras u ( k) , u ( k +1) ,, u ( k + hc ) e das previses y ( k + d ) .

y ( k + d 1) Fazendo isto para as previses y ( k + j ) realizadas nos horizontes


j = d + 1 hp , ( hp = N + d ) obtemos o seguinte sistema matricial:
51/81

Controle Preditivo

(5.5)

y = Gu + D( z 1 ) y

Onde:

d01
2
d
D= 0

N
d0

d11

d1

y
t
+
d
(
)

=
G

y (t + d 1)

2X1

d0 NX2

g 00
g11

g 22

N 1
g N 1

0
g 01

g12

g NN12

g NN 1hc N X h

Substituindo (5.5) na funo custo (2.0), e realizando os clculos semelhanes ao da


seo 5.1, obtemos o seguinte resultado:

( ( G .G) + .I ).u = .G .( D y w)
u = ( .( G .G) + .I ) . .G .( w D y)
T

(5.6)

Seja:
1

q = ( .( GT .G) + .I ) GT
p = qD
Observe que a matriz q tem dimenso hc xN e a matriz p tem dimenso hc x 2 .
Considerando que o vetor w seja igual a :

1
1
w = r (k )

1 N X1

52/81

Controle Preditivo

(onde r(k) o set point), concluimos que o primeiro elemento do vetor u em (5.6)
ser igual a :

u (k ) = (q11 + + q1 N )r (k ) + [ p11

y (k + d )
p12 ] 1

y 2 (k + d )

Que pode ser representado pelo seguinte diagrama de blocos:

Figura 5 e Figura 6

De (4.2) podemos escrever:

( )

y ( k ) = (1 A z 1 ) y (k ) + z d B ( z 1 ).u ( k 1)

Por recursividade, chegamos a seguinte expresso:

y ( k + d ) = ((1 A ( z 1 ) z ) d y (k ) + (1 A ( z 1 ))i 1 z d B ( z 1 ).u ( k + d 1)


i =1

Simplificando a expresso acima temos:

y ( k + d ) = R ( z 1 ) y (k ) + ( z d R ( z 1 )).Gn ( z 1 )u ( k )
Onde:

R( z ) = (1 A ( z 1 )) d z d
1

( )
( )

B z 1 d 1
Gn ( z ) =
z
A z 1
1

Portanto chegamos ao seguinte diagrama de blocos:

53/81

Controle Preditivo

Figura 7 :

54/81

Controle Preditivo

Exerccio 8:
Seja a seguinte Funo de Transferncia de um determinado processo:

Gp ( z) =

1, 547 z 2 1, 705 z + 0, 4574


12 z 5 15, 22 z 4 + 4, 415 z 3

1 Usando um mtodo de modelagem de sistemas de primeira ordem com atraso,


aproxime esta funo por:
Gm ( s ) =

K exp( s )
bz 1 d
cuja transformada Z Gm ( z ) =
z ,
s +1
1 az 1

Onde a = exp( T / ),

b = K(1-a), mltiplo de T e d = / T , T=0,2 seg.

a Desenvolver um PI atravs do modelo Gm ( z ) que controle a planta G p ( z ) , com


a resposta ao degrau possuindo o menor sobressinal e o menor tempo de subida.
b - Desenvolver no MatLab um DMC monovarivel irretrito, atravs do modelo
Gm ( z ) , que controle a planta G p ( z ) , com a resposta ao degrau possuindo o menor
sobressinal e o menor tempo de subida.
c Desenvolver no MatLab um GPC monovarivel irrestrito atravs do modelo
Gm ( z ) , que controle a planta G p ( z ) , com a resposta ao degrau possuindo o menor
sobressinal e o menor tempo de subida.
d Desenvolver no MatLab um Preditor de Smith atravs do modelo Gm ( z ) , que
controle a planta G p ( z ) , com a resposta ao degrau possuindo o menor sobressinal
e o menor tempo de subida.
e Compare os controladores em relao resposta ao degrau.

55/81

Controle Preditivo

1.1 Controlador preditivo baseado em espao de estados


Este tipo de controlador preditivo utiliza o modelo em espao de estados para realizar as
, (WANG, 2009).
previses para entradas e q sadas onde
A formulao do modelo MIMO em espao de estados :

onde

o vetor de entradas

estados e

o vetor de sada

so os

uma perturbao que afeta a entrada do processo. Essa entrada assumida

como uma sequncia de rudo branco integrada, ou seja, satisfaz a equao


onde

um rudo branco com mdia zero (WANG, 2009).

Sendo

, chega-se a seguinte

expresso:
.
Fazendo

em funo de

chega-se em:

Usando como novas variveis de estados o vetor

obtm-se o

modelo em espao de estados para sadas e estados futuros dado por:

onde

uma matriz de zeros.

Segundo Wang (2009), a expresso simplificada das previses de estados e sadas e a soluo
do controlador passos a frente so dados por:
56/81

Controle Preditivo

onde,

A expresso da funo custo (3.1) na forma matricial igual a:

onde ,

Aps a multiplicao dos termos da expresso acima obtm-se:

onde ,

57/81

Controle Preditivo

5.2 Soluo do Problema de Controle Preditivo Multivarivel Irrestrito


No controle preditivo multivarivel, a funo custo que deve ser minimizada dada
pela seguinte expresso:

hp

J (k ) = l yl ( j + k ) wl ( j + k ) +
l =1 j = d
2

hc

i =1

j =1

u ( j + k 1)
i

Onde l , l = 1 q; i , i = 1 q; so parmetros de ajuste do controlador multivarivel.


Definindo as seguintes matrizes:

0
0

=
qxq

0 0
0

0 ( pN ) x ( pN )

=
( qN ) x ( qN )

pxp

Onde N = hp d .Assim a funo custo, pode ser escrita na seguinte forma matricial:
J = (Gu + f w)T (Gu + f w) + u T u

Derivando esta funo e igualando a zero, obtemos:


U = ( GT G + I ) 1 G T (W f )

O sinal a ser direcionado para o processo o vetor constitudo pelos ps primeiro


elementos do vetor U , obtido por:

58/81

Controle Preditivo

u1 (k )

u2 (k )

U (k )
= K (W f )

u p (k )

(5.4)
Sendo K a matriz (G T G + I ) 1 GT , que possui p linhas por qN colunas.

Exerccio 9:Analisar

o desempenho do controlador preditivo multivarivel do

Tanque conforme o arquivo tanquemulti.m

5.3 Soluo do Problema de Controle Preditivo Monovarivel Considerando


Restries
Em um processo real as restries variao de controle u , a excurso do
controle u(t) e a sada y(t) so reais e presentes em todo o perodo de operao.
As restries so resultado de limitaes de equipamentos em campo (como
capacidade hidrulica/eltrica para movimentao de atuadores, limitao de curso
para vlvulas, etc).
A introduo das restries pode ser feita sistematicamente durante o processo de
sintonia do controlador e quando consideradas, no h uma soluo explcita para a
funo custo, conforme anteriormente mostrada pela equao (5.3). Assim, o
problema de programao quadrtica abaixo deve ser solucionado:
min = J (u ) s.a { S u c
u

(5.5)

Onde as seguintes restries foram consideradas:


1-

Variao

da

ao

de

controle:

u (t ) = u (t ) u (t 1) ,

onde

u min u (t + j ) u max , j=0,1,...,hc-1;

59/81

Controle Preditivo

2-

Sinal de controle: u (t ), u min u (t + j ) u max ;

3-

Sinal da sada prevista: y (t ), y min y (t + j ) y max

Para que se consiga solucionar (5.5), deve-se deixar que as restries acima
estejam em funo de u definido em (4.13) na forma matricial.
1- Restries na variao da ao de controle u :
hc u min u hc u max , sendo:

1
1
hc =

1 hcx1

(5.6)

Rearranjando as restries, tm-se:


u hc umax
hc umin u hc umin u

Assim,
u hc u min

Considerando u = I hc u , onde
se

60/81

Ihc uma matriz identidade de ordem (hcxhc), tem-

Controle Preditivo

hc umax
I hc

I
hc 2 hcxhc
hc umin 2 hcx1

(5.7)

2- Restries ao sinal de controle u


Usando o conceito de variao do sinal de controle recursivamente, na forma
matricial tm-se:

u (t ) = u (t 1) + u (t )

u (t + 1) = u (t ) + u (t + 1) = u (t 1) + u (t ) + u (t + 1)

u (t + hc 1) = u (t 1) + u (t ) + u (t + 1) + + u (t + hc 1) Nx1

(5.8)

u (t )
u (t )

u (t 1)

u (t + 1) u (t 1)
u (t ) + u (t + 1)

=
.

u (t + hc 1) u (t 1) u (t ) + u (t + 1) + + u (t + hc 1)

(5.9)

Pode-se escrever (5.9) como:


= hc u (t 1) + hc u

Com:

hc =

1 0 0 0
1 1 0 0

1 1 1 1

(5.10)

Da forma demonstrada, chega-se as seguintes desigualdades:

61/81

Controle Preditivo

hc umin hc u (t 1) + u hc umax
hc (umin u (t 1)) u hc (umax u (t 1))

Que podem ser agrupadas na forma matricial:

hc (umax u (t 1))


.u


hc (u (t 1) umin ) 2 h X 1
2 h Xh
c
c
c

(5.11)

3- Restries no sinal de sada y


De forma semelhante a realizada no item 2, para hp=N+d, podemos determinar
para a sada:

N y min y = Hu + f N y max

(5.12)

Onde y definido por (4.12), H definido por (4.8) e f por (4.25) e

1
1
N =

1 Nx1

Aps a realizao de algumas manipulaes algbricas, tm-se:

62/81

(5.13)

Controle Preditivo

N ymin f H u N ymax f

(5.14)

H u N ymax f

H u f N ymin

Que na forma matricial representa-se como:

N ymax f
H

.u

f N ymin 2 Nx1
H 2 Nxh
c

(5.15)

necessrio juntar as trs restries acima (1,2 e 3) para permitir que sejam
aplicadas na sintonia do controlador GPC especificado para o controle do sistema,
de forma a evitar desvios adicionais do modelo interno face a resposta do processo
real obtida. Pode-se escrever esta juno como:

S .u C

(5.16)

Onde:

hc

hc
T
S = hc
Thc
H

H ( 4 hc + 2 N ) xhc

hc umax

hc umin

hc (umax u (t 1))
C=
(5.17)

hc (u (t 1) umin )
N ymax f

f N ymin

(4 hc + 2 N ) x1

Com o que foi exposto da estrutura do controlador adotado at aqui, o problema a


ser resolvido pelo controlador Preditivo mediante a presena de restries consiste
em minimizar a funo custo (anteriormente mencionada na equao (5.2) sujeita a
um conjunto definido de restries, fornecido por (5.17) acima.
63/81

Controle Preditivo

A minimizao da funo custo (quadrtica) pode ser realizada atravs de meios


computacionais, dentre eles, a utilizao da funo Quadprog disponvel no software
Matlab.
Aps a resoluo por este mtodo, acha-se um vetor u no qual apenas o primeiro
elemento u (t ) enviado ao processo para fazer com que a sada se aproxime da
referncia desejada minimizando a funo custo (5.2), devendo as limitaes
contidas em (5.17) serem respeitadas, incondicionalmente.

Exerccio 10: Analisar o desempenho do controlador do nvel do molde na presena


de restries e distrbio de velocidade.
Exerccio 11:Analisar
Tanque com restries.

64/81

o desempenho do controlador preditivo multivarivel do

Controle Preditivo

5.4 Programao Quadrtica


A programao quadrtica uma tcnica de otimizao cuja funo objetivo uma
funo quadrtica, tal como a apresentada em (2.2), e as restries so lineares,
tais como as mostradas em

(5.17).O problema de programao quadrtica

formulado atravs da expresso:

min f ( x) =
x

1 T
x Gx + g T x
2

(5.18)

s.a. :
ci : ai x = bi

iI

ci : ai x bi

iD

Onde x um vetor de dimenso n, G representa uma matriz Hessiana simtrica nxn,


e os vetores ai so os gradientes das restrioes ci com respeito a x; I e D se referem
aos ndices do conjunto das restries de

igualdade e de desigualdade,

respectivamente.
Terminologia:
i) Qualquer ponto x n que satisfaa as restries da equao (5.18) chamado de
factvel. Se as restrioes no so satisfeitas por nenhum ponto x n , ento o
problema infactvel, e as restries so chamadas de inconsistentes. Por exemplo:
x1 > 2, x1 < 1 .

ii)Seja o conjunto A tal que Ci ( x) = 0 , i A . As restries cujos ndices pertencem a


este conjunto so chamadas de ativas. Observe que o conjunto de restries de
igualdade pertencem ao conjunto de restries ativas ( I A ). A intercesso do
conjunto de restries de desigualdades com o conjunto de restries ativas ( D A )
pode ser no nulo, isto quer dizer que restries de desigualdades podem ser ativas.
65/81

Controle Preditivo

Portanto, o objetivo do algoritmo de otimizao obter o ponto timo x* tal que a


funo objetivo f(x) seja minimizada e o conjunto de restries sejam satisfeitas.
Como exemplo, podemos considerar o seguinte problema de programao
quadrtica:

1
min f ( x) = xT
x
2

x1
2 0
2
0 2 x + 2 x , x = x

(5.19)

s.a.:
T

1
c1 : x 2 2 1 D
1
T

1
c2 : x 2 2 D
1

Neste exemplo o conjunto de restries de igualdade (I) vazio e o conjunto de


restrioes de desigualdade D = {1, 2} . Observe, atravs na figura 12 que a funo
T

objetivo representa uma famlia de curvas com centro em [1 1] . As Restrioes


lineares so representadas por retas, e os contornos da funo objetivo so
representados por crculos concntricos.
Quanto menor o valor da funo objetivo, menor ser o crculo e portanto, o ponto
timo x* estar sobre o crculo que tangencia a restrio c1 , ou seja, no ponto
T

1
1

1 + 2 1 + 2 . No ponto de mnimo, somente a primeira restrio estar ativa, ou

seja A = {1}

66/81

Controle Preditivo

Figura 12: Representao Grfica do Problema (5.19)

5.4.1 Condio Necessria para a Existncia do Mnimo Local no Problema de


Programao Quadrtica com Restries
Num problema de otimizao com restries, o timo local x* deve estar na
intercesso das restries ativas, ou seja,
aiT x*

= bi

iI

Quando isto acontece, podemos provar que o timo x* satisfaz a seguinte condio
necessria:
f ( x* ) = ai i*
i A

67/81

Controle Preditivo

Onde i* so chamados de multiplicadores de Lagrange.Tal condio necessria


chamada de condio de Kun-Tucker. No o objetivo aqui mostrar como calcular
os multiplicadores de Lagrange.

Figura 13 Condies de Kun-Tucker para o Problema (5.19)


Os algoritmos de otimizao restrita devem encontrar uma direo factvel d, em
cada iterao k, tal que xk +1 = xk + d k seja factvel e que f ( xk +1 ) f ( xk ) . O algoritmo
termina quando xk +1 = x* , ou seja, quando as condies de Kun-Tucker so
satisfeitas. Tal procedimento est ilustrado na figura 14 (o detalhamento do
algoritmo de otimizao tambm no o objetivo deste texto).

68/81

Controle Preditivo

Figura 14 Seqncia de Passos Necessrios para Resolver o Problema (5.19)

5.5 Sintonia dos Parmetros do CPBM


Os parmetros hp (horizonte de predio), hc (horizonte de controle), , e (fator
de supresso do movimento) so utilizados para sintonizar a resposta de acordo
com as especificaes do sobressinal, tempo de subida e erro em regime,
estabelecidas pelo projetista. O incremento no parmetro

diminui a varivel

manipulada, tornando a resposta mais lenta e suave.Variaes em tambm


afetam a robutez do controlador, de maneira que o aumento neste parmetro
proporciona a melhora na robustez. O incremento nos horizontes de controle e de
previso ( hp e hc ) contribui para melhorar a estabilidade do controlador, o
sobressinal e o tempo de subida, mas prejudica a robustez do controlador. Observase tambm que sintonizar o parmetro , com os parmetros hp e hc fixos, no
conduz a bons resultados; mas o caso contrrio permite realizar a sintonia do
69/81

Controle Preditivo

controlador com mais facilidade. Isto mostra que os horizontes de controle e de


predio possuem maior prioridade no ajuste em relao ao parmetro . Tambm
observado que as restries na varivel u (variao do sinal de controle),
tambm afeta na velocidade da resposta do sinal de sada, e esta restrio possui
maior prioridade em relao ao parmetro . Por outro lado, o aumento dos
horizontes de previso e de controle, provoca o aumento considervel do nmero de
restries no Problema de Programao Quadrtica, o que pode provocar a
infactibilidade de solues.
Em vista das questes levantadas no pargrafo anterior, podemos afirmar que a
sintonia do controlador preditivo no uma tarefa fcil. Os mtodos encontrados na
literatura para sintonia dos parmetros do controlador preditivo so, na maioria
baseados em procedimentos de tentativa e erro. Somente no artigo apresentado por
Dougherty e Cooper (2003) que se prope uma soluo analtica para a obteno
do parmetro para sistemas mono e multivariveis controlador pelo algoritmo
DMC. O guia propostos por estes autores descrito a seguir:
Passo 1 Aproximar o modelo do processo por um sistema de primeira ordem do
tipo:
y Ke s
=
u s +1

Passo 2 - Calcular os horizontes de previso ( hp ), e controle ( hc ) e o horizonte do


modelo (N), atravs da seguinte expresso:

hp = N = + int( + 1) hc = + int( + 1)
T
T
T

Passo 3 Calcular o coeficiente de supresso do movimento atravs da seguinte


expresso:

70/81

hc 2
h 1

3
K (hp int( + 1)
+ 2 ( c ))

10
2T
2
T

Controle Preditivo

O Algoritmo Gentico uma ferramenta que tem auxiliado na sintonia dos


parmetros do CPBM e que tem forcenido bons resultados, no entanto, este mtodo
no objeto de estudo no presente texto.

Exerccio 12:
a O problema de otimizao irrestrito:

min f ( x) = 100( x2 x12 ) 2 + (1 x1 ) 2

possui um ponto de mnimo local em x* = (1,1) , onde y a transposta de y.


Verifique se as condies necessrias para um mnimo local so satisfeitas.
b Seja o Problema de otimizao com restrio:

m in f ( x ) = 1 0 ( x1 3 , 5 ) 2 + 2 0 ( x 2 4 ) 2
x1 + x 2 6
x1 x 2 1
2 x1 + x 2 6
0 .5 x1 x 2 4
x1 0
x2 0

Resolva Graficamente o problema, indicando a direo do vetor gradiente da funo


objetivo e das restries ativas no ponto timo. Verifique se as condies de Kuhn
Tucker so satisfeitas no ponto timo.

71/81

Controle Preditivo

Controle Preditivo Baseado em Modelo Com Restries Para Sistemas


Com Dinmica Rpida

O CPBM com restries como o GPC e o DMC utilizando Programao Quadrtica


(PQ) so aplicados principalmente em sistemas dinmicos lentos, pois o nmero de
cculos

necessrios

para

resolver

problema

proporcionalmente com o nmero de retries


previso e de controle.

de

otimizao

aumenta

e o tamanho dos horizontes de

Para termos noo da complexidade computacional do

CPBM com restries, se a funo custo for linear e possuir n variveis de controle,
e se o problema de otimizao possuir

m restries de desigualdades e meq

restries de igualdade, o nmero de operaes realizados atravs do algoritmo de


Programao Linear (PL) para obter uma ao de cotrole (u(k)) igual a no no
mximo ( (n3 + n 2 ) m + meq ). No caso em que a funo custo quadrtica, o nmero
de operaes realizadas pelo algoritmo de PQ ser 5 vezes maior que ao do PL.
Portanto, a utilizao dos algoritmos PL ou PQ para otimizar a funo custo do
CPBM com restries torna-se invivel quando se pretende controlar sistemas
dinmico rpidos, como robs mveis.
Neste captulo apresentaremos um mtodo de otimizao conhecido como
Programao Multiparamtrica (PM) que mais indicada para aplicao em tempo
real de sistemas dinmicos rpidos. Sejam os seguintes problemas de otimizao:

(PML)

(PMQ)

72/81

min J ( x) = cT v + d T x
v

s.a. : Av b + Ex,

1 T
v Gv + xT Fv
2
s.a.: Av b + Ex,

min J ( x) =
v

(6.1a)

(6.1b)

Controle Preditivo

min J ( x) = crT vr + cbT vb


v

(PMLI)

s.a. : Ar vr + Ab vb b + Ex,
n

vr nr , vb {0,1} b

Onde x p , v n , A mxn , b m e E mxp . O parmetro x p sendo conhecido


a priori, este problema de otimio poderia ser resolvido atravs dos algoritmos PL,
PQ, ou PLI. No entanto, na Programao Multiparamtrica Linear (PML),
Quadrtica (PMQ), ou Programao Multiparamtrica Linear Inteira e Inteira
(PMLI), o objetivo determinar a soluo tima, definida por v* ( x) , como uma
funo explcita em relao ao parmetro x . No caso do problema de controle, o
parmetro x representa a varivel de estado do sistema dinmico que deve ser
calculada em cada instante e v* ( x) a ao de controle. Assim, se a
representao da soluo tima obtida antecipadamente, e conhecendo-se a
equao de estado do sistema, o clculo da ao de controle se reduz a avaliar a
funo v* ( x) em cada estado onde se encontra o sistema dinmico. Desta
maneira, o algoritmo de programao multiparamtrica encontrar a soluo mais
rapidamente do que o algortmo PL, PQ ou PLI.
6.1 Soluo do Problema de Programao Multiparamtrica
Definio 6.1.1 (Conjunto Factvel) Definimos um conjunto factvel p como o
conjunto de parmetros x p para o qual o problema de otimizao (6.1)
factvel, ou seja:
= { x p Av b + Ex} ,

Definio 6.1.2 (Partio Politpica) Uma coleo de conjuntos politpicos


R

{ r }r =1 = {1 , , R }

uma partio politpica de um conjunto politpico

se (i)

Rr=1 r = x , (ii) ( r \ r ) ( q \ q ) = , r q , onde significa a fronteira.

73/81

Controle Preditivo

Definio 6.1.3 (Funo Afim Por Partes (PWA)) Uma funo f : d com
d + afim por partes ((PWA), se a partio

{ r }r =1 de um conjunto

existir, tal

que f ( x) = Lr x + Cr se x r .
Definio

6.1.3

(Funo

Quadrtica

Por

Partes

(PWQ))

Uma

f : d com d + quadrtica por partes ((PWQ), se a partio

funo
R

{ r }r =1 de um

conjunto existir, tal que f ( x) = xT Qr x + Lr x + Cr se x r .

Teorema

6.1

[BMDP02,Bor03]

Considere

Problema

de

Programao

Multiparamtrica Quadrtica (PMQ). Ento:

1 O conjunto de parmetros factveis um poliedro convexo;


2 O conjunto particionado em R regies poliedrais, i.e.:
Pr = { x p H r x K r } , r = 1, , R

3 A soluo tima v* : n uma funo contnua e afim por partes (PWA) em


relao ao parmetro x, i.e.
v* ( x) = Lr x + Cr , se x r

4 A funo custo tima J * : contnua, convexa e quadrtica por partes, i.e.


J * ( x) = xT Qr x + Lr x + Cr , se x r

Teorema 6.2 [Bor03] Considere o Problema de Programao Multiparamtrica


Linear e Inteira (PMLI). Ento o conjunto de parmetros factveis um poliedro
particionado em R regies poliedrais. Existe a soluo tima v* : n afim por
partes (PWA) em relao ao parmetro; e a funo custo tima J * : PWA.

74/81

Controle Preditivo

A grande vantagem das propriedades apresentadas nos Teoremas acima que a


soluo tima definida avaliando a funo PWA para um valor conhecido de x, o
que envolve os seguintes passos:
1 Identificar a regio r que contm x;
2 Avaliar a respectiva funo afim Lr x + Cr .
O total de clculos necessrios para realizar as operaes nos Passos 1 e 2 acima
no mximo igual a R, onde R o total de partioes. Portanto, a complexidade
computacional do algoritmo PM est relacionada com os clculos offline da soluo
tima v* e da capacidade de armazenamento da soluo. A complexidade offline
igual a R ( PQn , m ) + R (n f + m) ( PLp ,m ) , onde ( PQn , m ) o mximo de operaes
numricas para resolver o algoritmo PQ com n variveis e m restries, ( PLp ,m ) o
mximo de operaes numricas para resolver o algoritmo PL com p variveis e m
restries, e n f = ( f r ) / R , sendo que f r o nmero de restries da r-sima
r

regio.
6.2

Sistemas Dinmicos Afins por Partes

Seja um conjunto de funes lineares

f LIN ,i ( x, u ), i = 1, , nL obtidas atravs da

expanso da srie de Taylor de uma funo no linear f entorno do ponto x s ,i , u s ,i ,


isto :
f ( x, u )
f ( x, u )
s ,i
s ,i
f LIN ,i ( x, u ) = f ( x s ,i , u s ,i ) +
s ,i s ,i ( x x ) +
(u u ) xs ,i ,u s ,i , i = 1, , nL

x ,u

Seja x(t ) n o vetor de estado no instante t, u (t ) m


Assume-se

que

os

estados

as

entradas

so

o vetor de controle.
sujeitos

restries:

x(t ) n , U (t ) U m . O sistema dinmico afim por partes (PWA) definido

pela equao de estados:


x
x(t + 1) = f LIN ,i ( x, u ) se Di , i = 1, , nL
u

(6.2)

75/81

Controle Preditivo

Onde Di U .
Definio 6.4 O sistema dinmico PWA est bem estruturado se o seu domnio
D U pode ser particionado em Di regies tais que D = i Di e as regies no se

cruzam, i.e.,
Onde x(t ) n o vetor de estado no instante t, u (t ) m o vetor de controle, e f(.)
a funo linear de atualizao do estado.Assume-se que os estados e as entradas
so sujeitos a restries: x(t ) n , U (t ) U m . A funo

pode ser

aproximada por um conjunto de funes lineares f LIN ,i ( x, u ), i = 1, , nL obtidas atravs


da expanso da srie de Taylor de

entorno do ponto

x s ,i , u s ,i , isto :

Di D j = , i j

Um sistema PWA bem estruturado quer dizer que a sua dinmica determinada
unicamente para um dado par ( x, u ) . Tais sistemas pertencem classe de sistemas
lineares hbridos, constitudo de variveis lgicas e dinmicas lineares no tempo.
6.3

Controle timo no Tempo Finito com Restries (COTFR)

Considere o sistema dinmico discreto no tempo representado pela equao de


estados:
xk +1 = Axk + Buk

(6.3)
yk = Cxk + Duk

Assuma que este sistema seja controlvel e observvel, e que existam os conjuntos
limitados = { x | H x x K x } , U = { x | H u x K u } , set = { x | Lx M } . Seja N um nmero
interiro positivo, ento o problema COTFR definido atravs da seguinte
formulao:

76/81

Controle Preditivo
N 1

J N* ( x0 ) = min N ( xN ) + k ( xk , uk )
UN

k =0

sa.

(6.4)

xk +1 = Axk + Buk
xk , k = 0, , N
uk U , k = 0, , N
xN set

Onde J * o custo timo que depende da condio inicial x0 , U N = (u0 , , u N )T a


sequncia de controle timo a ser determinada, xN o estado final da trajetria,
N ( xN ) a funo custo final, k ( xk ) o custo de cada estgio k , e set representa

a restrio do estado final, que deve ser acrescentado para garantir estabilidade.
O problema COTFR pode ser classificado como :
Problema do Regulador: quando o objetivo manter a trajetria de estado xk o
mais prximo possvel da origem, ou seja, minimizar a funo custo dada por:

N ( xN ) = QN xN

( xk , uk ) = Qk xk

+ Qu uk

Onde QN nn , Qx nn , Qu mm so matrizes de poderaes usadas para sintonzar


aperformance do controlador. Alm disto

Pz

Pz 1 = Pi zi , z 2 = z T Pz , e

tal que

= max Pz
i i para algum vetor z e matriz P.
i

Problema do Regulador: quando o objetivo mater a trajatria de estado

xk o

mais prximo possvel da referncia xREF ou seja, minimizar a funo custo dada
por:

N ( xN ) = QN ( xN xREF )

( xk , uk ) = Qk ( xk xREF ) p + Qu uk

,
p

(6.5)

Onde uk = uk uk 1 .

77/81

Controle Preditivo

Problema do Tempo Mnimo:quando o objetivo obter a sequncia de controles


timos U N* que leva o estado de uma condio inicial x0 para o estado terminal set no
menor tempo possvel, enquanto que as restries do sistema so atendidas.
O problema COTFR pode ser formulado como um problema de Programao
Multiparamtrica Quadrtica (PMQ) ou linear (PML), dependendo do valor da norma
p em

(6.4).Na

formulao

do

PMQ,

temos

p =2,

N ( xN ) = xTN QN xN

( xk , uk ) = xkT Qk xk + ukT Qu uk .Assim, definindo as matrizes

B
I

A

A = , B =

AB
N

A
N 1
A

0
0
0

B
0

AN 2 B 0

o problema (6.3) para p=2 pode ser escrito como:

J N* ( x0 ) = x0T Yx0 + min {U NT HU N + x0T FU N }


UN

(6.6)

s.a.
GU N W + Ex0 ,
Onde,

+ Q , F = A T QB
, Y = A T QA
, Q = diag (Q , , Q Q ) , Q = diag (Q , , Q ) .
H = B T QB
u
x
x N
u
u
u
Considerando H semi definida positiva, a soluo ser dada atravs do Teorema
6.1.
Na formulao PML, temos p = 1 , N ( xN ) = QN xN e ( xk , uk ) = Qk xk + Qu uk . Usando
variveis de folga ( 0 , 1 , , N 1 ) , ( 0 , 1 , , N 1 ) e podemos ento transformar a
N 1

funo no linear J ( x0 ) = min QN xN + Qx xk + Qu uk numa funo custo linear


*
N

dada por:
78/81

UN

k =0

Controle Preditivo

N 1

J N* ( x0 ) =

min

U N , 0 ,, N 1 , 0 ,, N 1 ,

+ k ) +

k =0

sa.
Qu uk 1 k , Qu uk 1 k , k = 0,1, , N 1

(6.7)

Qx xk 1 k , Qx xk 1 k , k = 0,1, , N 1
QN xN 1 , QN xN 1

No caso da norma p = , a funo custo ser:

J N* ( x0 ) = min + +
U N , ,

sa.
Qu uk 1 , Qu uk 1

(6.8)

Qx xk 1 , Qx xk 1
QN xN 1 , QN xN 1

Inserindo em (6.6) as restries em (6.5) podemos resolver o problema PMP atravs


do Teorema 6.2.

6.3.1 COTFR para Sistemas Afins Por Partes.


A formulao do problema de Controle timo para Sistemas Afins por Partes requer
a transformao do conectivo lgico Se-Ento numa representao matemtica
equivalente. Conforme sugerido por (CITAR) devemos definir os seletores binrios

i = {0,1} , i = 1 , nL tais que:

xk

( i = 1) Di
u k

Assim as restries H ix x K ix , H iu u K iu e xk +1 = Ai xk + Bi uk para i = 1 nL sero


dadas por:

79/81

Controle Preditivo

xk
H i K i M i (1 k ,i )
uk
nL

k ,i

=1

i =1
~

(6.9)

xk +1 ( Ai xk + Bi uk ) M i (1 k ,i )
~

xk +1 ( Ai xk + Bi uk ) mi (1 k ,i )

x
Onde M i = max H i k K i
x ,uU
uk

M i = max Ai x + Bi u + ci
x ,uU

mi = min Ai x + Bi u + ci
x ,uU

Note que os seletores k ,i = {0,1} , i = 1 , nL devem ser introduzidos para cada instante
k = 1 N , o que implica num total de variveis binrias igual a nL N .Como o

problema est formulado com variveis inteiras e reais, a minimizao da funo


custo (6.4) ser obtida usando a norma um ou infinita

atravs da Programao

Multiparamtrica Linear e Inteira (PMLI).

No caso do Algoritmo de Controle Preditivo, seja um sistema dinmico Afins por


Partes ou no, a soluo do problema COTFR U * = {u0,* u1,* , , u *N } deve ser obtida a
cada iterao, atravs da Programao Multiparamtrica, sendo que somente o
sinal de controle no instante atual ( u0* ) aplicado a planta.

80/81

Controle Preditivo

Bibliografia:
1 - Richalet, J., Rault, A., Testud, J. L, & Papon, J. (1978). Model Predictive Heuristic
Control: Aplications to Industrial Processes. Automtica, 14,413-428.
2 - Cutler, C. R., & Ramaker, B.L.(1980). Dynamic Matrix Control a computer
control algorithm. AICHE national meeting. Houston, TX, April, 1979.
3 - Cutler, C. Moshed, A. & Haydel, J. (1983). An Industrial perspective on advanced
control. In AIChe annual meeting. Washington DC, october 1983.
4 - Qin, S. J. & Badgwell, T.A. (2003). A survey of industrial model predictive control
technology. Control Egineering Practice, 11, 733-764.
5 - Camacho, E.F. and Bordons (2000), Model Predictive Control, Springer Verlag,
2000.
6 - Maciejowski, (2002)J. M. Preditctive Control With Constraints. Harlow, England:
Prentice Hall.
7 - Normey, J.E., Rico (2000), Controle Preditivo de Processos com Grandes Atrasos
de Transporte, Minicurso do XIII Congresso Brasileiro de Automtica, Florianpolis
(SC).
8 - Luemberg, David C. (1984), Linear and Non Linear Programming, Addison
Wesley, 2a ed.
9 - D. Dougherty and D.J. Cooper (2003) Tuning Guidelines of A Dynamic Matrix
Controller for Integrating (Non-Self-Regulating) Processes. Ind. Eng. Chem. Res.
42, 1739-1752.
10 - Blevins, T.L; Gregory K. McMillan, W. K. Wojsznis and M.W.Brown. Advanced
Control Unleashed: Plant performance Management for Optimum Benefit. ISA,
2003.
11 - WANG, L. Model Predictive Control System Design and Implementation Using
MATLAB. Melbourne. Australia: Springer-Verlag London Limited, v. 1, 2009.

81/81