Académique Documents
Professionnel Documents
Culture Documents
CENTRO DE TECNOLOGIA
PROGRAMA DE PS-GRADUAO EM ENGENHARIA ELTRICA
FORTALEZA
2012
FORTALEZA
2012
CDD 621.3
AGRADECIMENTOS
RESUMO
ABSTRACT
The robust control theory has evolved considerably over the past decades, providing
solutions for various problems of analysis, synthesis and performance of uncertain
linear systems. The linear matrix inequalities (LMI) and its techniques have emerged as
powerful tools in various areas of control engineering for structural projects. An
important property of LMIs is the fact that its solution set is convex. This property is
crucial in order to be able to make robust control problems as convex optimization
problems that minimize an objective function. Given these statements the present work
uses a liquid level system with two tanks connected to the plant where it was modeled,
and then a controller is designed to ensure quadratic stability when subjected to external
disturbances defined in an uncertain polytope. We used the linear quadratic regulator
with integral action (LQI) as a controller, however, the concept of optimal LQR does
not take into account the parametric uncertainties in the existing plant design, with it,
was presented a method of solving the LQR using convex optimization. LQR optimized
via LMI allows the addition of uncertainty to obtain the state feedback gain. The results
obtained proved that the strategy of LQI control via LMI resolution is effective as
robust control, because it can include features related to the imprecision of the process,
moreover, the LQI control ensures the optimality of control.
LISTA DE ILUSTRAES
LISTA DE SMBOLOS
SUMRIO
Captulo I
Leite, Kelson. S., Costa, Marcus V.S., Campos, J. C.T. Aplicao e anlise de controle
LQR com ao integral robusta multivarivel otimizado via desigualdades matriciais
lineares. X Conferncia brasileira de dinmica, controle e aplicaes, Setembro de
2011. guas de Lindia SP.
Captulo II
minimizar f 0 (x)
(2.1)
sujeito a f i (x) b i , i = 1, ..., m.
n
para todo x, y e todo , .
minimizar c T x
(2.4)
sujeito a a iT x b i , i = 1, ..., m.
n
Onde os vetores c, a1 , ..., am e os escalares b1, ..., bm so parmetros do
problema que especificam as funes objetiva e restritiva.
y = x1 + (1 )x2 , (2.5)
onde , formam uma reta que passa atravs de x1 e x2. O valor do parmetro
= 0 corresponde a y = x2, e o valor do parmetro = 1 corresponde a y = x1. Os
valores do parmetro entre 0 e 1 corresponde ao segmento de reta entre x1 e x2
(Valentine, 1964)
.
Expressando y na forma
y = x 2 + (x1 x 2 ) (2.6)
Figura 2.1 - A reta que passa atravs x1 e x2 descrita parametricamente por x1 + (1 )x 2 , onde
Esta idia pode ser generalizada para mais que dois pontos. Um ponto na forma
1x1 + ...+ k xk , onde 1 + ...+ k = 1, dito ser uma combinao afim dos pontos x1,
..., x2. Usando a introduo da definio do conjunto afim, pode se mostrar que um
conjunto afim contm todas as combinaes afins desses pontos: Se C um conjunto
afim, x1, ..., xk C, e 1 + ... + k = 1, ento o ponto 1x1 + ...+ k xk tambm pertence a
C (Valentine, 1964).
V = C x 0 = {x x 0 | x C} (2.7)
que v1 + x 0 C e v2 + x 0 C, e ento
v1 + v2 + x 0 = (v1 + x 0 ) + (v 2 + x 0 ) + (1 )x 0 C, (2.8)
pois v1 + v2 + x 0 C .
Assim, o conjunto afim C pode ser expresso como
C = V + x 0 = {v + x 0 | v V}, (2.9)
conjunto afim. Para mostrar isso, seja x1, x2 C , isto , Ax1 = b, Ax2 = b. Ento para
qualquer , tem-se que
x1 + (1 )x 2 C. (2.12)
Em outras palavras, pode-se dizer que um conjunto convexo se cada ponto no
conjunto puder ser visto por todos os outros pontos, ao longo de uma trajetria retilnea
desobstruda entre eles, onde o meio desobstrudo est no conjunto. Todo conjunto afim
tambm convexo, pois ele contm as retas inteiras entre quaisquer dois pontos
distintos nele, e, portanto, o segmento de reta entre os pontos (Hiriart-Urruty e
Lemarchal, 2001).. A figura 2.2 ilustra alguns conjuntos convexos e no convexos no
2.
Figura 2.2 Alguns conjuntos convexos e no convexos. esquerda: um hexgono, que inclui seus
limites (convexo) No centro: O conjunto na forma de uma lua no convexo, pois o segmento de reta
entre os pontos x e y no est contido totalmente no conjunto. direita: O quadrado contm alguns
pontos limitados e outros no, portanto no convexo.
Como o prprio nome sugere a casca convexa conv C sempre convexa. o menor
conjunto convexo que contm C: Se B um conjunto convexo qualquer que contm C,
ento conv C B. A figura 2.3 ilustra a definio de casca convexa.
A idia de uma combinao convexa pode ser generalizada para incluir somas
infinitas, integrais e etc. Por exemplo, sejam 1, 2, ... tais que satisfaam (Boyd et al.,
2004)
i 0, i = 1, 2, ..., i = 1, (2.14)
i =1
i x i C, (2.15)
i =1
n
se a srie convergir. De uma forma mais geral, seja p : satisfazendo p(x) 0
p ( x ) x dx C, (2.16)
C
se a integral existir.
Pontos desta forma podem ser descritos geometricamente na forma de uma fatia
bidimensional com pice em 0 e extremidades passando atravs de x1 e x2. (Ver figura
2.4).
Figura 2.4 A fatia mostra todos os pontos da forma 1x1 + 2x2, onde 1, 2 0. O pice da fatia
(que corresponde a 1 = 2 = 0) est em 0; as extremidades (que correspondem a 1 = 0 ou 2 = 0) passam
pelos pontos x e y.
{x | a T x = b }, (2.18)
n
onde a , a 0, e b . Analiticamente ele um conjunto soluo de uma
equao linear no trivial entre os componentes de x (e portanto um conjunto afim).
{T
}
Geometricamente, o hiperplano x | a x = b pode ser interpretado como um conjunto
de pontos com um produto interno constante para um dado vetor a, ou como um
hiperplano com vetor normal a; a constante b determina o complemento do
hiperplano da origem. Esta interpretao geomtrica pode ser entendida expressando o
hiperplano na forma (Boyd et al., 2004)
{x | a T (x x 0 ) = 0 }, (2.19)
{ x | a T (x x 0 ) = 0 } = x 0 + a , (2.20)
{
a = v | aTv = 0 . } (2.21)
Isto mostra que o hiperplano consiste de um complemento x0, mais todos os vetores
ortogonais ao vetor a (normal). Estas interpretaes geomtricas so ilustradas na figura
2.5.
Figura 2.5 Hiperplano no 2 , com vetor normal a e um ponto x0 no hiperplano. Para qualquer ponto x
no hiperplano, x x0 (seta em negrito) ortogonal ao vetor normal a.
{x | a T x b}, (2.22)
onde a 0, isto , o conjunto soluo de uma desigualdade linear (no trivial).
Semiespaos so convexos, mas no afins. Isto ilustrado na figura 2.6.
2
Figura 2.6 Um hiperplano definido por aTx = b no determina dois semiespaos. O semiespao
T
determinado por a x b (regio no sombreada) o semiespao estendido na direo a. O semiespao
determinado por aTx b (regio sombreada) estende na direo -a. O vetor a normal em relao a estes
semiespaos.
O semiespao (2.22) pode tambm ser expresso como (Boyd et al., 2004)
{x | a T (x x 0 ) 0 }, (2.23)
Figura 2.7 O conjunto sombreado o semiespao determinado por aT (x x0) 0. O vetor x1 x0 forma
um ngulo agudo com o vetor a, ento x1 no est no semi-espao. O vetor x2 x0 forma um ngulo
obtuso com o vetor a, e est, portanto, no semiespao.
{ }
P = x | a Tj x b j , j = 1, ..., m, c Tj x = d j , j = 1, ..., p . (2.24)
Figura 2.8 O poliedro P a interseco dos cinco semiespaos, com os vetores normais a1,..., a5.
Exemplo 2.2 Seja P um politopo descrito por cinco vrtices, P = conv {v1, v2, ..., v5},
lembrando que conv denota casca convexa (seo 2.3.4), como ilustrado na figura 2.9.
Qualquer ponto p P pode ser escrito atravs da combinao convexa dos vrtices:
5 5
p = i =1 i vi , i 0, i=1i = 1 (por exemplo, o ponto p2 = 1/3v4 + 2/3p1, e p1 =
1/2v1 + 1/2v2. Por analogia, pode-se supor que cada vrtice uma matriz A de um
conjunto de sistemas autnomos ( x& = Ax) (Aguirre, 2007).
P = {x | Ax p b, Cx = d} (2.25)
onde
a1T c1T
A = M , C = M , (2.26)
a T c T
m p
notao ( p) ser muito utilizada no captulo 3 no contexto usual para sinais de matrizes.
{ }{
+n = x n | x i 0, i = 1, ..., n = x n | x f 0 . } (2.27)
n n
O conjunto S+ um cone convexo se 1, 2 0 e A, B S+ , ento
x
T
(1A + 2B)x = 1xTAx + 2xTBx 0 , (2.28)
se A f 0, B f 0 e 1, 2 0.
Observaes:
n
A notao S denota um conjunto de matrizes simtricas n x n, onde
n
{
S = X
nxn
}
| X = X T , (2.29)
n
A notao S+ denota um conjunto de matrizes simtricas semidefinidas positivas,
onde:
{ }
S+ = X S | X f 0 . (2.30)
n n
n
A notao S+ + denota um conjunto de matrizes simtricas definidas positivas, onde:
{ }
S+ + = X S | X f 0 . (2.31)
n n
Exemplo 2.4: O cone semidefinido positivo no S2. Tem-se (Boyd et al., 2004)
x y
X= S+2 x 0, z 0, xz y2 . (2.32)
y z
Os limites deste cone so mostrados na figura 2.10, traado no 3 como (x, y, z).
Uma funo f : n m afim se for uma soma de uma funo linear e uma
constante, isto , se ela tiver a forma f(x) = Ax + b, onde A mxn e b m . Seja
Geometricamente, esta desigualdade significa que o segmento de reta entre (x, f (x)) e
(y, f (y)) , que uma corda de x para y, est sobre o grfico de f (figura 2.11).
Figura 2.11- Grfico de uma funo convexa. A corda (segmento de reta) entre quaisquer dois pontos do
grfico est sobre o grfico.
minimizar f 0 (x)
(2.35)
sujeito a fi (x) bi i = 1, ..., m,
n
para todo x, y e todo , com + = 1, 0, 0. O problema dos
mnimos quadrados e o problema de programao linear so ambos casos especiais do
problema de otimizao convexa geral (2.35).
Captulo III
Uma desigualdade matricial linear (LMI) tem a forma (Boyd et al., 1994):
m
F( x ) = F0 + x i Fi f 0 (3.1)
i =1
z T F( x ) z > 0, z 0, z n . (3.2)
A equao (3.1) uma LMI estrita. Para F(x) semidefinida positiva tem-se uma
LMI no estrita. Uma LMI estrita factvel se o conjunto {x | F(x) > 0} no vazio
(uma definio similar aplicada em LMIs no estritas). Qualquer LMI no estrita
factvel pode ser reduzida a uma LMI estrita factvel equivalente eliminando restries
de igualdade implcita e, em seguida, reduzindo a LMI resultante, removendo qualquer
espao nulo constante (Boyd et al., 1994, pgina 19). Em outras palavras, a LMI F(x)
um funcional afim, mapeando um espao vetorial na entrada, em um cone de matrizes
simtricas semidefinidas negativas na sada. Portanto, uma propriedade inerente das
LMIs apresentar simetria em sua estrutura. De outra forma, uma LMI pode ser vista
como uma desigualdade com elementos matriciais e simtrica.
isto, ser considerado o resultado (bem conhecido na teoria matricial, por exemplo,
pgina 951 de Wylie e Barrett (1995)) em que uma matriz simtrica real A definida
positiva se e somente se todos os seus menores principais forem positivos. Seja Aij o ij-
simo elemento de A. Lembrando que os menores principais de A so
m
F0,11 + x i Fi,11 > 0 (uma desigualdade linear)
i =1
m m m m
F0,11 + x i Fi,11 F0,22 + x i Fi,22 F0,12 + x i Fi,12 F0,21 + x i Fi,21 > 0
i =1 i =1 i =1 i =1
F( x )11 L F( x )1k
det M M > 0 (desigualdade polinomial de ordem k)
F( x )
k1 L F( x ) kk
3.2.2 Convexidade
(Peressini et al., 1988). Uma importante propriedade das LMIs que o conjunto {x |
F(x) > 0} convexo, ou seja, a LMI (3.1) constitui uma restrio convexa em x. Para
verificar isto, seja x e y dois vetores tais que F(x) > 0 e F (y) > 0, e seja (0, 1).
Ento, aplicando a convexidade em (3.1) tem-se que
m
F(x + (1 ) y ) = F0 + (x i + (1 ) y i )Fi
i =1
m m
= F0 + (1 )F0 + xiFi + (1 ) yiFi
i =1 i =1
m m
= F0 + x i Fi + (1 ) F0 + yi Fi
i =1 i =1
= F( x ) + (1 ) F( y ) > 0 (3.4)
3.2.3 Mltiplas LMIs podem ser expressas como uma nica LMI
1 2 q
F ( x ) > 0; F ( x ) > 0; ... ; F ( x ) > 0 (3.5)
Ento, uma nica LMI equivalente pode ser dada por (Gahinet et al., 1995).
{ }
m
F( x ) = F0 + x i Fi = diag F1 ( x ), F 2 ( x ),..., F q ( x ) > 0, (3.6)
i =1
onde
{ }
Fi = diag Fi1 , Fi2 ,..., Fiq , i = 0,..., m (3.7)
e diag{X1, X2, ..., Xq} uma matriz bloco diagonal com blocos X1, X2, ..., Xq. Este
resultado pode ser provado pelo fato que os autovalores da matriz bloco diagonal so
iguais a unio dos autovalores dos blocos.
Esta seo apresenta como muitas desigualdades comuns podem ser escritas
como LMIs. Alm disso, muitas propriedades de interesse da teoria de controle podem
ser escritas exatamente em termos da factibilidade de uma LMI. Tal problema
conhecido como problema de factibilidade LMI.
m
b i A ij x j > 0, i = 1, ..., n (3.8)
j =1
x& = Ax (3.9)
ser estvel a existncia de uma funo de Lyapunov V(x) = xTPx, onde P uma matriz
simtrica definida positiva tal que a derivada no tempo de V negativa para todo x 0
(Perlmutter, 1972):
dV ( x )
= x& T Px + x T Px&
dt
( )
= x T A T P + PA x < 0, x 0 (3.10)
T
A P + PA < 0 (3.11)
A expresso (3.11) uma LMI, onde P a varivel. Para verificar isto, basta
selecionar uma base para uma matriz simtrica n x n. Como exemplo de base, para i j
seja Eij uma matriz com os elementos (i, j) e (j, i) iguais a 1, e todos os outros elementos
iguais a 0. Existem m = n(n + 1)/2 matrizes Eij linearmente independentes e qualquer
matriz simtrica P pode ser escrita unicamente como
n n
P = Pij E ij , (3.12)
j =1i j
onde Pij o (i, j) elemento de P. Assim a matriz Eij forma uma base para a matriz
simtrica n x n (de fato, se as colunas de cada Eij so vetores colunas, ento os vetores
resultantes formam uma base ortogonal).
Substituindo P em (3.11) em termos das matrizes bases dada (3.12) tem-se uma
forma alternativa para a desigualdade de Lyapunov, ou seja,
n n
n n
T ij ij
A P + PA = A Pij E + Pij E A
T
j =1i j j =1i j
que est na forma da LMI (3.1), com F0 = 0 e Fk = - ATEij - EijA, para k = 1, ..., m. Os
elementos do vetor x em (3.1) so os Pij, com i j.
Uma forma alternativa para escrever (3.14) seria (Pardalos e Rosen, 1987):
L L
x& = A( t ) x, A(t) = i Ai , i 0, i = 1 .(3.15)
i =1 i =1
dV ( x )
= x& T Px + x T Px& < 0, x 0, A(t) Co{A1, ..., A L }(3.16)
dt
T
[T
x A ( t ) P + PA ( t ) x < 0, ] x 0, A(t) Co{A1 , ..., A L } (3.17)
T
A ( t ) P + PA ( t ) < 0, A(t) Co{A1 , ..., A L } (3.18)
T
L L L
i A i P + P i A i < 0,
i 0, i = 1 (3.19)
i =1 i =1 i =1
( )
L L
i AiT P + PA i < 0, i 0, i = 1 (3.20)
i =1 i =1
T
A i P + PA i < 0, i = 1, ..., L (3.21)
Q( x ) S( x )
S( x )T > 0. (3.23)
R ( x )
1 T
I A ( x ) I A ( x ) > 0 (3.25)
I A(x)
> 0 (3.26)
A(x)
T
I
Nas expresses acima A(x) corresponde a S(x) na LMI (3.23), Q(x) e R(x)
correspondem a I.
pode ser expresso como uma LMI usando o complemento de Schur com Q(x) = I,
R(x) = P, e S(x) = (x xc)T:
1 (x x c )T > 0. (3.28)
(x x c )
P
T 1 T
A P + PA + PBR B P + Q < 0 (3.29)
onde A e B so fixos, Q uma matriz simtrica fixa, e R uma matriz fixa simtrica
definida positiva.
A T P PA Q PB
T > 0. (3.30)
B P R
O lema real limitado forma uma base para a abordagem LMI em controle de
processos robustos (VanAntwerp et al., 1997). Embora o lema real limitado tenha
aplicao para o controle de processos lineares e no lineares, o resultado atual
baseado na representao em espao de estado de um sistema linear
G (s ) = C(sI A ) B + D .(3.32)
1
G (s)
= sup (G (s) ) = sup (G ( j) ). (3.33)
Re( s ) > 0
A norma H pode ser escrita em termos de uma LMI. Para verificar isto, ser
usado um resultado da literatura (Zhou et al., 1988) em que a norma H de G(s) menor
que se e somente se 2I DTD > 0 e existe um P = PT > 0 tal que
( T T T
) (
2 T
A P + PA + C C + PB + C D I D D )( ) (B P + D C) < 0 (3.34)
1 T T
que equivalente a
A T P + PA + CT C PB + CT D
< 0. (3.36)
BT P + D T C DT D 2 I
0
T
u(t) y( t )dt 0 (3.37)
A T P + PA PB CT
T T 0. (3.38)
B P C D D
importante mostrar a relao entre o lema real limitado e o lema real positivo
(Anderson, 1972), especialmente porque ela frequentemente mencionada na literatura
de controle robusto. Um resultado padro da teoria de sistema (strom e Wittenmark,
1995) que a passividade equivalente a G(s) em (3.32) sendo real positivo, ou seja,
*
G (s) + G (s) 0 Re{s} > 0 (3.39)
A relao entre o real limitado e o real positivo que [ I G(s) ] [ I + G(s) ]-1
estritamente real positivo se e somente se G(s) estritamente real limitado. Isto se
deriva de (Ly et al., 1994)
*
( A ) < 1 A A < I (3.40)
[
( I + A * ) 1 ( I A * )( I + A ) + ( I + A * )(I A )( I + A ) 1 > 0 ] (3.42)
[ ]
*
( I A )( I + A ) 1 + ( I A )(I + A ) 1 > 0 (3.44)
3.3.10 Procedimento S
T T
i ( x ) = x Ti x + 2u i x + i , i = 0, ..., p; Ti = TiT (3.45)
p
0 ( x ) i i ( x ) 0, x, (3.46)
i =1
implica que
Para verificar a veracidade disto, seja 1 0, ..., p 0 tal que (3.46) seja
verdadeiro para todo i(x) 0, i = 1, ..., p. Ento
p
0 ( x ) i i ( x ) 0, x. (3.48)
i =1
T0 u 0 p Ti ui
u T i 0 (3.49)
0 i =1 u iT i
0
desde que
T T
x Tx + 2u x + 0, x (3.50)
T
x T u x
T 0, x (3.51)
I u I
T
x T u x
T 0, x, (3.52)
u
T u
T 0. (3.53)
u
p
T0 i Ti > 0, (3.54)
i =1
ento
Nesta seo ser apresentado alguns dos mais comuns problemas de otimizao
LMI que aparecem nas aplicaes de controle.
inf c T x
x
F( x ) > 0 (3.56)
inf
x,
I A( x ) > 0
(3.57)
B( x ) > 0
inf
x,
A (x , ) > 0
(3.58)
como uma nica LMI de dimenso superior). Para mostrar que o problema na forma
(3.58) pode ser escrito na forma (3.56), define-se
x = x T
[
T
, F(
x ]
) = Ax , e c T
= 0 T T
[ ]
1 (3.59)
onde 0 um vetor de zeros. Pode-se verificar tambm que (3.56) transforma-se em
(3.57) considerando que
Ay = By (3.61)
O clculo do maior autovalor generalizado pode ser escrito em termos de um
problema de otimizao com restries LMI. Considerando que B definido positivo
implica que para suficientemente grande, B A > 0. Como reduzido de algum
valor suficientemente alto, em algum ponto a matriz B A perder o posto, nesse
ponto existe um vetor y no nulo que resolve (3.61), implicando que este valor de o
maior autovalor generalizado. Portanto
mx = min = inf
B A 0 B A > 0 (3.62)
inf mx (A ( x ), B(x) )
B( x ) > 0 (3.63)
C( x ) > 0
inf
B( x ) A( x ) > 0 (3.64)
B( x ) > 0
C(x)> 0
mx (A(x + (1 )z ), B(x + (1 )z ))
max{ mx (A( x ), B(x)), mx (A(z), B(z))}(3.65)
para todo [0, 1] e todo x e z factveis. Para verificar a veracidade disto, primeiro
B(x) - A ( x ) 0 e B(z) - A ( z ) 0.
(3.67)
[ ] [
B(x) - A( x ) + (1 ) B(z) - A(z) 0 ]
B(x + (1 - )z ) A(x + (1 - )z ) 0. (3.68)
{
:= x n | (x x 0 )T P01 (x x 0 ) 1
0
} (3.70)
centrado em x 0 n e orientado por uma matriz definida positiva P0 = PT tal que ele
contm uma soluo tima do problema para minimizar f. Seja > 0 o nvel de
preciso e seja k = 0.
L k := max f ( x l ) g T
l Pl g l
lk
U k := min f ( x l ) (3.71)
lk
Passo 2: Fazer
{
k := k x n | g k , x - x k 0 } (3.72) .
Passo 3: Estabelecer
Pk g k
x k +1 := x k
(n + 1) g Tk Pk g k
n 2 2
Pk +1 := Pk Pk g k g Tk Pk (3.73)
n 2 1 (n + 1)g Tk Pk g k
k +1:=
{
x n | (x x k +1 )T Pk+11 (x x k +1 ) 1 } (3.74)
( )
Sada: O ponto x* com a propriedade que f x* inf x f (x ) .
para cada k. Desde que f(x) > f(xk) quando g k , x - x k > 0 , a soluo tima xopt
1 1
vol( k +1 ) = det (Pk +1 ) e
2 n det (P ) = e 2 n vol( ) (3.76)
k k
e cada elipside contm xopt. A sequncia dos centros x0, x1, x2, ... dos elipsides geram
uma sequncia de funes f(xk) que convergem para um valor timo f(xopt). A
convergncia do algoritmo em tempo polinomial pelo fato que o volume do
elipside decresce geometricamente. Desde que x opt k para todo k, tem-se
( )
f (x k ) f x opt f (x k ) + g k , x opt x k
f (x k ) + inf g k , - x k = f (x k ) g Tk Pk g k (3.77)
k
( )
tal que L k f x opt U k define os limites superior e inferior sobre o valor timo.
Para solucionar este problema (ou seja, para determinar a soluo tima ou quase
tima), primeiro necessrio introduzir uma barreira de funo. Esta uma funo
necessria para
Dada tal barreira de funo , o problema de otimizao restrita para minimizar f(x)
sobre todo x substitudo por um problema de otimizao sem restries para
minimizar o funcional
f ( x ) := tf ( x ) + ( x )
t
(3.79 )
g ( x ) := 0 (t f ( x ) ) + ( x ) (3.80)
t
onde t > t0 := Vopt e 0 uma funo barreira para o semieixo real no negativo.
Novamente, a idia determinar para todo t > 0 um minimizador x(t) de gt
(normalmente usando o algoritmo clssico de Newton-Raphson) e considerar o
caminho t a x ( t ) como uma funo do parmetro de penalizao t. A curva t a x ( t )
com t > t0 chamada de caminho dos centros para o problema de otimizao. Em
condies adequadas as solues x(t) so analticas e tm um limite com t t0,
considerado xopt. O ponto xopt := limt t0 x(t) timo no sentido de que Vopt = f(xopt) uma
vez que para t > t0, x(t) factvel e satisfaz f(x(t)) < t.
O mtodo dos pontos interiores podem ser aplicados tanto para o problema
LMI de factibilidade como para o problema LMI de otimizao. Considerando o
problema de factibilidade associado com a LMI F( x ) p 0 , uma escolha para a funo
barreira seria a funo logartmica
log det F( x ) 1 se x
( x ) := (3.81)
caso contrrio
''
x k +1 = x k ( x k ) ( )1 ' (x k ) (3.82)
A convergncia desse algoritmo pode ser analisada como segue. Desde que seja
bastante convexo e suficientemente plano, existem nmeros L e M tais que para todos
os vetores u com norma u = 1 assegura-se que
u T ' ' ( x )u M
' ' ( x ) u ' ' ( y) u L x y (3.83)
Nesse caso,
2 L 2
' ( x k +1 ) ' (x k ) (3.84)
2M 2
L
para que, quando o valor inicial x0 tal que ' ( x 0 ) < 1 o mtodo garantido para
2
2M
convergir quadraticamente.
A idia ser em implementar este algoritmo de tal forma que a convergncia quadrtica
possa ser garantida para o maior conjunto possvel de valores iniciais x0. Por este
motivo a iterao (3.82) modificada como segue
x k +1 = x k k ( ( x k ) ) ( x k )
''
( )1 ' (x k ) (3.85)
onde
1 se < 2 3
k () := 1 (3.86)
se 2 3
1 +
este fator de amortecimento que garante que tk convergir para o centro analtico xopt, o
nico minimizador de . importante notar que o tamanho do passo varivel na
magnitude. O algoritmo garante que xk sempre factvel no sentido que x k e que
xk converge globalmente para minimizar o xopt de . Pode-se mostrar que (xk) - (xopt)
quando
(
k c1 + c 2 log log(1 / ) + c 3 ( x 0 ) ( x opt ) ) (3.87)
~ f (x) t 0
Ft ( x ) := p 0 (3.88)
0 F( x )
1
g t ( x ) := log det Ft ( x ) 1 = log + log det F( x ) 1 (3.89)
t f ( x ) 144244 3
14243 ( x )
0 (t f ( x ) )
Captulo IV
Introduo
Este capitulo trs o objetivo principal do trabalho, que a aplicao dos
fundamentos tericos sobre as LMIs num problema de controle robusto, mais
precisamente em implementar um controlador LQI ou LQR com ao integral, tornando
um problema de minimizao de uma funo custo em um problema de otimizao
convexa no contexto das LMIs, onde a partir dessa nova formulao matemtica LQI-
LMI, o controlador implementado leva em considerao as incertezas presentes na
planta em questo (sistema duplo de nvel de lquido). Portanto, o primeiro passo ser a
modelagem da planta, partindo assim das equaes diferenciais que trazem as
caractersticas fsicas bem como as prprias grandezas fsicas da planta at o
formalismo convencional de equaes de estado. O segundo passo a descrio
matemtica das incertezas paramtricas presentes na planta, depois do formalismo
matemtico baseado no conjunto convexo politopo, ser apresentada as grandezas
incertas e em seguida sero reescritas como incertezas politpicas do problema. Em
terceiro lugar, ser apresentado o formalismo matemtico do regulador linear quadrtico
com ao integral, e apartir de suas idias ser iniciado o processo de transformao do
problema LQR para um problema de otimizao convexa, onde ser apresentado o
algoritmo de resoluo envolvendo as LMIs necessrias na soluo do problema em
questo, e, enfim apresentao e discusso dos resultados obtidos com a simulao.
Q = KH (4.1)
onde
K = coeficiente, m2/s
dH H
R= = (4.2)
dQ Q
k 1 ( h 1 h 2 ) = q1 (4.4)
k 2h 2 = q2 (4.6)
1 1
k1 = e k2 = (4.7)
R1 R2
dh 1 1
= [u1 k1 (h1 h 2 )] (4.8)
dt A1
Eliminando-se q1 e q2 na Equao (4.5) com o auxlio das equaes (4.4) e (4.6), tem-
se:
dh 2 1
= [k1 (h1 h 2 ) + u 2 k 2 h 2 ] (4.9)
dt A2
x1 = h 1
(4.10)
x2 = h2
y1 = h1 = x1
(4.11)
y2 = h 2 = x 2
k k 1
h& 1 = 1 h1 + 1 h 2 + u1 (4.12)
A1 A1 A1
k k + k2 1
h& 2 = 1 h1 1 h2 + u2 (4.13)
A2 A2 A2
k1 k1 1
0
h1 A1
& A1 h A u
& = k 1 + 1 1 (4.14)
h 2 1 k + k 2 h 2 1 u 2
1 0
A 2 A 2 A 2
y1 1 0 h1
y = 0 1 h (4.15)
2 2
h u
x = 1 u = 1 (4.16)
h 2 u 2
k1 k1 1
A A1 A 0
A= 1 B= 1 (4.17)
1k k1 + k 2 0 1
A 2 A 2 A 2
sendo
x& ( t ) = A x ( t ) + B u ( t ) (4.18)
{ }
= i : i i , i = 1,..., q (4.19)
Definio 4.1: A classe de matrizes A() com incertezas na forma politpica pode ser
j j
A = A : A = qi Ai , qi = 1, q i 0 (4.20)
i =1 i =1
x
u = Ki Kx u = [K Ki ] , (4.23)
sendo
x
u = [K Ki ] = K LQRx. (4.24)
x& A 0 x B
& = C 0 + 0 u, (4.25)
onde
= A 0 e B
A = B . (4.26)
C 0 0
( )
T
1
J= x ' Q x + u ' Ru dt (4.27)
2
0
seja satisfeito.
(x Qx + u Ru )dt
' ' (4.28)
J=
0
( )
Tr (J) = Tr x 'Qx + u 'Ru dt (4.29)
0
Usando-se a tcnica de realimentao de estados, cuja lei de controle dada por (4.24),
sendo K o ganho de realimentao de estados, chega-se a
(( ))
J = Tr x ' Q + K 'LQR RK LQR x dt. (4.30)
0
(
) ( )
J = Tr Q + K 'LQR RK LQR Tr xx ' dt .
(4.31)
0
Baseado ento no equacionamento matemtico proposto por (Olalla et al., 2009) e (Ko
et al., 2006). De (4.31), tem-se
(
J = Tr Q + K 'RK Tr (P )) (4.32)
onde
P=
0
(xx ' )dt (4.33)
logo
(
J = Tr QP + K 'RKP . ) (4.34)
~
A = A BK . (4.36)
Y = KP K = YP -1 (4.38)
e substituindo-se em (4.37):
logo
AP BY + PA ' Y ' B ' + I p 0, (4.40)
(
J = Tr QP + K 'RY . ) (4.41)
Fazendo
(
J = Tr (QP ) + Tr P 1Y ' R 1 2 R 1 2 Y ) (4.44)
(
J = Tr (QP ) + Tr R 1 2 YP 1Y ' R 1 2 ) (4.45)
O segundo termo da expresso (4.45) no linear podendo, portanto ser substitudo por
uma segunda varivel auxiliar X, tal que deseja-se minimizar o trao de X, em que
min Tr (X )
X (4.46)
12 1 ' 1 2
sujeito a X - R YP Y R f0
que, por sua vez, pode ser decomposto utilizando-se o conceito de complemento de
Schur segundo (Boyd et al., 1994) em (4.46)
X R1 2 Y
' 12 f 0 (4.47)
Y R P
Deste modo, para uma formulao completa de resoluo via LMI aplicada ao
controle LQI, as equaes (4.40), (4.41) e (4.45) so as principais expresses
matemticas para o processo de otimizao. Sendo, portanto
sujeito a
X R1 2 Y
' 12 f 0, P f 0 e (4.49)
Y R P
x& A BK BKi x 0
& = C +
0 I
r (4.51)
x
y = [C 0] (4.52)
As expresses (4.51) e (4.52) denotam o modelo em malha fechada da figura 4.2. O
vetor r a entrada de referncia. Deste modo a matriz de transferncia no modelo em
malha fechada
T (s ) = C c (sI A c )B c = GK (I + GK )1
(4.53)
e
S(s) = I T (s). (4.54)
Para a planta da figura 4.1 as reas das seces dos tanques so A1=A2=5m2,
segundo (Bachur, Gonalves, Palhares e Takahashi, 2010). Admite-se uma faixa de
impreciso de 0,15 k1 0,25 e de 0,2 k2 0,3, como apresentado tambm por
(Bachur, Gonalves, Palhares e Takahashi, 2010). Essas faixas de impreciso podem ser
tratadas como politopos. Portanto tais imprecises so incorporadas ao processo de
resoluo via LMI. Umas das vantagens da otimizao desse tipo de problema via
desigualdade matricial linear est incluso de incertezas paramtricas para obteno do
ganho. A estratgia de controle LQI visa minimizao do ndice de desempenho
mediante a escolha dos parmetros de ponderao Q e R.
1 0 0 0
0 0
1 0 100 0
Q= eR= (4.55)
0 0 0,1 0 0 100
0 0 0 0,1
em que
conforme (4.24).
As respostas das sadas do processo so mostradas na Fig. 4.3. Percebe-
se que o tempo de estabilizao do processo de 108 s. Foi acrescentada uma
perturbao que varia de 1% a 3% tanto na sada como nos estados, de modo a simular
um possvel problema real. A Fig. 4.4 mostra o esforo de controle da variao de vazo
nos tanques. A figura 4.5 mostra a curva de sensibilidade complementar explicada
conforme 4.53 via decomposio em valores singulares (SVD). A curva na figura 4.5
indica que o modelo, simbolizado pela MTMF consegue obter uma margem de ganho
infinita em relao ao modelo de malha aberta simbolizado na legenda por MTMA. A
figura 4.6 mostra a curva de sensibilidade do processo no espao da frequncia em
SVD. De acordo com (Bahram e Hassul 1993), a anlise em SVD usada para sistemas
mono e multivariveis, onde podem ser avaliadas a robustez e o desempenho de um
determinado processo. O sistema em SVD mais apropriado para processos
multivariveis, pois as curvas de bode no so boas ferramentas para anlises desses
sistemas. Observa-se que existe uma boa rejeio a distrbios em relao aos modelos
em malha aberta.
ALTURAS DO TANQUE
ref
0.2
Altura h1 (m)
saida h1
0.15
0.1
0.05
0
0 50 100 150 200 250 300 350 400
Tempo(s)
ref
0.2
Altura h2 (m)
saida h2
0.15
0.1
0.05
0
0 50 100 150 200 250 300 350 400
Tempo(s)
VAZES DO TANQUE
0.04
q1 (m /s)
3
0.02
0.04
q2 (m /s)
3
0.02
50
MTMF
MTMA
0
Amplitude (dB)
-50
-100
-150
-200 -4 -2 0 2
10 10 Frequncia (rad/sec)
10 10
Figura 4.5 - Curva de Sensibilidade Complementar via decomposio de valores singulares SVD.
30
MTMF
20 MTMA
10
Amplitude (dB)
-10
-20
-30
-40
-50
-60 -4 -2 0 2
10 10 Frequncia (rad/sec)
10 10
CAPTULO V
CONCLUSES
Neste trabalho estudou-se uma planta do tipo sistema de nvel de lquido duplo
linear (tanque duplo) no intuito de control-la levando em considerao as incertezas
presentes nas vlvulas de restries do tanque. Foi escolhido um controlador do tipo
LQR com ao integral ou simplesmente LQI, contudo, o conceito timo do LQI no
leva em considerao as incertezas paramtricas existentes na planta do projeto. Neste
caso, foi proposta a idia de se implementar este controlador utilizando as tcnicas
LMIs, tornando-o num LQI robusto, cuja otimizao por LMIs permitiu a adio de
incertezas para a obteno do ganho de realimentao de estado. Para a realizao desta
implementao buscou-se na literatura especializada sobre as tcnicas LMIs, onde se
estudou sobre a otimizao convexa, base para o entendimento das LMIs na teoria de
controle. A partir da foi possvel transformar o problema de minimizao de uma
funo custo do LQI em um problema de otimizao convexa no contexto das LMIs,
onde a partir dessa nova formulao matemtica LQI-LMI, o controlador implementado
leva em considerao as incertezas presentes na planta em questo (sistema duplo de
nvel de liquido).
APNDICE A
Resultados complementares
n n
v( x ) = a ij x i x j , a ij = a ji (A.1)
i =1 j =1
generalidade.
ou ainda, como
Assim, toda forma quadrtica pode ser representada em termos matriciais atravs de
uma matriz simtrica cujos elementos so as constantes a ij . Ainda para o exemplo A.1,
tem-se que
'
x 2 4 x1
v( x ) = 1 = x 'Ax , (A.5)
x 2 4 10 x 2
e, que a matriz A simtrica. A mesma normalizao em (A.5) pode ser feita em termos
matriciais. Retornando ao exemplo A.1, seja
2 4
B= ( ~
)
, A = B + B' 2 , A B - B' 2 ( ) (A.6)
4 10
~
pode-se verificar que B = A + A . Como x 'B' x um escalar real tem-se que
( )'
x 'B' x = x 'B' x = x 'Bx. Logo tem-se que
~
( )
x ' Bx = x ' Ax + x ' Ax = x ' Ax + x ' Bx x ' B ' x 2 = x ' Ax ( A.7 )
x 1 0
v( x ) = x 'Px , x = 1 P= (A.8)
x 2 0 4
tem-se que
1 0 x1
v( x ) = [x1 x 2 ] = x12 + 4x 22 (A.9)
x
0 4 2
complexos e troca-se x ' , P ' por x , P . Em particular a matriz P deve ser hermitiana,
isto , P = P.
v(x) > 0, x 0 B x , e
v& (x) < 0, x 0 B x (A.10)
Exemplo A.2: Anlise de estabilidade de um sistema LTI. Seja o seguinte sistema linear
invariante no tempo (Trofino, 2000)
x& = Ax (A.11)
(
v& = x& 'Px + x'Px& = x' A'P + PA x ) (A.12)
(
v(x) > 0 P = P' f 0 e v& (x) < 0 A'P + PA p 0. ) (A.13)
Logo, uma condio necessria e suficiente para este sistema ser globalmente
quadraticamente estvel :
matriz simtrica A'P + PA seja definida negativa, assim como P f 0 deve ser simtrica
e definida positiva, e, uma matriz P = P ' nxn definida positiva se
o que implica que todos os autovalores (ou que todos os menores principais lderes) de
'
( )
P devem ser positivos. Assim, A'P + PA definida negativa se A P + PA f 0 . Ver
por exemplo (Horn and Johnson, 1985) para outras propriedades de formas quadrticas
e de matrizes definidas positivas.
x& 1 1 0 x1
x& = 0 1 x (A.16)
2 2
' '
Soluo: seja a funo de Lyapunov: v (x) = x Px com P dado por:
a 0
P= , (A.17)
0 b
'
a > 0, b > 0 tais que A P + PA p 0
- 1 0 a 0 a 0 - 1 0
0 - 1 0 b + 0 b 0 - 1 =
a 0 a 0 2a 0
0 b + 0 b = 0 2b p 0 (A.18)
A ' P + PA + Q PB + C '
' f 0 (A.19)
B P + C R
( ) ( )
A' P + PA PB + C' R 1 B' P + C + Q = 0 (A.20)
Embora existam diversas LMIs que podem ser resolvidas a partir de equaes, nem
sempre este o caso. Por exemplo, dadas as matrizes A1 e A2, encontrar P tal que
{
F( P ) = A ' P + PA = F0 + x i Fi com x i = Pkj , ..., Pnn } (A.22)
No exemplo a seguir, a transposio da forma matricial para a forma afim apenas uma
questo de notao. Entretanto, esta transformao no necessria, j que a forma
matricial a forma padro de entrada dos pacotes computacionais existentes.
1 1
x& = x (A.23)
1 2
pela condio de estabilidade de Lyapunov este sistema ser estvel se P f 0 tal que
( )
v(x) = x 'Px > 0 com P f 0 e v& (x) = x' A'P + PA x < 0 , onde P =
P1
P2
'
P2
P4
.
'
1 1 1 1
1 2 P + P 1 2 = F0 + P1F1 + P2 (F2 + F3 ) + P4 F4 (A.24)
que implica em
2 1 1 3
F1 = , F2 = ,
1 0 0 1
(A.25)
1 0 0 1
F3 = , F4 = .
3 1 1 4
Uma LMI guarda grande similaridade com uma desigualdade linear, tpica
restrio imposta na programao linear:
a iT x b i , i = 1,..., m
F(x) p 0 { }
F(x) = diag a iT x b i (A.27)
x y F(x) = x - y 0 (A.28)
A.6 Convexidade uma propriedade das LMIs para solucionar problemas com
incertezas
x + (1 - ) y C (A.30)
1 1
A() = (A.31)
1 + 2
Este, porm, um problema de dimenso infinita, de difcil soluo. Mas como a matriz
A() afim em e aparece de forma linear na inequao de Lyapunov, pode-se pela
propriedade de convexidade testar a condio acima apenas para os vrtices da regio
B . Ou seja, se existe uma matriz P f 0 tal que
'
garantido, assim, que para toda a regio B o sistema ser estvel e v(x) = x Px ser
uma funo de Lyapunov para o sistema.
A' P + PA + Q = 0 . (A.34)
A soluo P definida positiva se e somente se o sistema for estvel. Com base nessa
afirmao pode-se enunciar o seguinte teorema:
x& = Ax (A.35)
A'P + PA + Q = 0 (A.36)
for positiva definida, onde Q uma matriz positiva definida dada que pode ser
arbitrariamente escolhida.
0 1
A= (A.37)
1 2
estvel pois (A) = {-1, -1}. Logo, deve-se encontrar uma soluo P f 0 para
A'P + PA + Q = 0 , sendo Q f 0 uma matriz positiva definida que pode ser escolhida de
forma arbitrria. Escolhendo Q igual identidade e P uma matriz simtrica genrica
tem-se:
P P2 1 0
P= 1 Q=
P2 P3
0 1
(A.38)
'
que, aplicando em A P + PA + Q = 0 , tem-se
'
0 1 P1 P2 P1 P2 0 1 1 0
P + + =0 ,
- 1 - 2
2 P3 P2 P3 - 1 - 2 0 1 (A.39)
que resulta em
P2 P3 P2 P1 2P2 1 0
P 2P + + = 0.
1 2 P2 2P3 P3 P2 2P3 0 1 (A.40)
E, portanto,
2P2 + 1 = 0 P2 = 1 2
P3 + P1 2P2 = 0 P3 = 1 2 (A.41)
2 P 4 P + 1 = 0 P = 3 2
2 3 1
Menores principais :
1,5 0,5
P= P1 = 3 2 > 0 (A.42)
0,5 0,5 2
det(P) = 3 2 x 1 2 (1 2) > 0
min Tr (P)
P
(A.43)
sujeito a P f 0, A ' P + PA + Q p 0
problema de encontrar uma matriz F mxn tal que a matriz A + BF nxn tenha
todos os seus autovalores no semiplano esquerdo complexo. Pela teoria das equaes de
Lyapunov (ver Zhou et al., 1996), isto equivalente a encontrar uma matriz F e uma
(A + BF )T P + P (A + BF ) p 0 (A.44)
ou
A T P + PA + F T B T P + PBF p 0 (A.45)
Este problema no est na forma LMI devido os termos que contm o produto de F e P.
P 1A T + AP 1 + P 1F T B T + BFP 1 p 0 (A.47)
QA T + AQ + QF T B T + BFQ p 0 (A.48)
QA T + AQ + LT B T + BL p 0 (A.49)
variveis Q f 0 e L mxn . Uma vez que esta LMI solucionada pode-se recuperar a
matriz de realimentao de estado com F = LQ-1 e a varivel de Lyapunov com P = Q-1.
Portanto fazendo uma mudana de variveis pode-se obter uma LMI a partir de uma
desigualdade matricial no linear.
u = Kx (A.51)
( )
P 1 (A + BK)' P + P(A + BK) P 1 = P 1A' + AP1 + P 1K ' B' + BKP1 p 0 (A.54)
1
e, com a mudana de variveis W = P , Z = KW chega-se LMI
(
W-1 (A + BK)W + W(A + BK)' W -1 p 0 ) (A.58)
Supondo que
Q( x ) S( x )
> 0 (A.60)
S( x )
T
R ( x )
e definindo
T
u Q( x ) S( x ) u
F(u , v ) =
R ( x ) v
T (A.61)
v S( x )
ento
v = R ( x ) 1S( x ) T u com u 0.
Ento
(
F(u, v ) = u T Q( x ) S( x )R ( x ) 1S( x ) T u > 0, ) u 0
Q(x) - S(x)R(x)-1S(x)T > 0.
Portanto,
(
Substituindo em (A.61) tem-se que F(u ) = u T Q SR 1ST u . Para Q SR 1ST > 0 o ) ( )
mnimo de F(u) ocorre para u = 0, que tambm implica que v = 0. Assim, o mnimo de
F(u, v) ocorre em (0, 0) e igual a zero. Portanto, F(u, v) definido positivo.
f ( x 0 ) f ( x ) (A.65)
para todo x com x x 0 < . O elemento ser chamado de soluo tima global se
Em palavras, x 0 uma soluo tima local se existir uma vizinhana de x0 tal que
f(x0) f(x) para todos os pontos factveis prximos de x0. Segundo esta definio, uma
soluo tima global tambm tima na vizinhana.
Proposio A.1 Seja f : convexa. Toda soluo tima local de f uma soluo
tima global. Alm disso, se f estritamente convexa, ento a soluo tima global
nica.
f ( x 0 ) f (x 0 + ( x x 0 ) ) = f ((1 ) x 0 + x ) (1 )f ( x 0 ) + f ( x ) (A.66)
0 (f ( x ) f ( x 0 ) ) (A.67)
APNDICE B
Yalmip
Sedumi
para usar esse pacote. O LMILab possui um algoritmo baseado no mtodo de pontos
interiores, e a sua complexidade dada por K3L, j o Sedumi usa uma tcnica de
otimizao sobre cones homogneos duais, e a sua complexidade dada por: K2L2.5 +
L3.5, sendo K o nmero de variveis escalares e L o nmero de linhas usadas nas LMIs.
Assim, dependendo do problema um solver ser mais rpido que o outro. Atualmente
comum encontrar na literatura especializada, trabalhos em que o autor compara as
solues obtidas por esses dois solvers (Assuno e Teixeira, 2001).
x& = Ax (B.1)
com
0 1
A= (B.2)
1 2
1,5 0,5
P = (B.3)
0,5 0,5
P f 0,
(B.4)
A ' P + PA p 0
ALGORITMO 1
1) A = [0 1; -1 -2];
6) if sum (r < 0) == 0
8) P_feasible = double(P);
9) else
11) end
Linha 2: nesse caso, a nica varivel do problema a matriz P, que dever ser
encontrada pelo solver. Para definir uma varivel no Yalmip usa-se o comando sdpvar.
Esse comando tem os seguintes argumentos:
type = {'symmetric', 'full', 'hermitian', 'toeplitz', 'hankel', 'skew'}: diz se a matriz varivel
simtrica, completa, ...
Restr: essa varivel contm todas as LMIs do problema (ver linha 3).
obj: essa varivel representa a funo objetivo do problema. Por default o Yalmip
entende que a varivel obj uma funo de minimizao, quando o problema for de
maximizao multiplica-se a varivel obj pelo sinal negativo (-obj). Esse argumento
tambm pode ser vazio ([ ]), como na linha 4 desse exemplo, como o objetivo do
exemplo era apenas a obteno de uma soluo factvel, ento a varivel obj vazia (obj
= [ ]).
opts: essa varivel contm uma estrutura do tipo sdpsettings. Com ela pode-se alterar o
solver usado pelo solvesdp, para resolver o problema. O Yalmip suporta vrios solvers,
dessa maneira pode-se escolher qual solver ser usado para resolver as LMIs. Quando o
Sedumi est instalado, o Yalmip automaticamente o transforma no solver padro.
Contudo, o Yalmip tambm permite que as LMIs sejam resolvidas com o solver do
matlab (LMILab). Para fazer isso basta usar os comandos: opts = sdpsettings e
opts.solver = 'lmilab'. Esses comandos criam uma varivel com a estrutura do tipo
sdpsettings, essa estrutura permite escolher o solver, e alterar alguns dos seus
parmetros.
1,2633 0,3646
P= , autovalores de P = 0,3943 e 1,4163 (B.5)
0,3646 0,5473
min Tr (P)
P (B.6)
'
sujeito a P f 0, A P + PA + Q p 0
ALGORITMO 2:
A = [0 1; -1 -2];
Q = eye(2);
O nome LMIs opcional, pode-se usar qualquer nome aceito para a declarao de
variveis no matlab.
P = sdpvar(2, 2, 'symmetric');
Como ltimo passo antes da resoluo, a funo objetivo do problema a ser resolvido
declarada:
O commando trace do matlab pode ser aplicado normalmente em uma varivel do tipo
sdpvar.
Outros resolvedores poderiam ser escolhidos, como por exemplo o LMI Control
Toolbox (substituir sedumi por lmilab) ou o SDPT3 (substituir sedumi por sdpt30 (Toh
et al., 1999). Mais detalhes sobre resolvedores de programao semidefinida podem ser
encontrados no website do Yalmip, seo solvers.
double (obj)
ans =
2.0000
double (P)
and =
1.5000 0.5000
0.5000 0.5000
O valor, a menos de uma preciso numrica, igual ao valor obtido usando a equao
de Lyapunov. Portanto, comparando os valores da matriz P, obtida usando os algoritmos
1 e 2, tem-se que o mtodo do algoritmo 2 via procedimento de otimizao convexa
mais eficaz que o mtodo do algoritmo 1 visto que se iguala aos resultados obtidos se
fosse utilizado um mtodo analtico para resoluo.
estados consiste em encontrar uma matriz L mxn tal que ao realimentar o sistema (B.7)
com a entrada u(t) = -L x(t), o sistema em malha fechada
assintoticamente estvel.
Xf0
(B.9)
AX + XA ' BM M ' B' p 0
Sendo que o controlador L desejado dado por L = MX-1. Para resolver esse problema,
seja o seguinte sistema dinmico
x& 1 1 2 x1 0
= + u . (B.10)
x& 2 0 4 x 2 1
ALGORITMO 3:
1) A = [1 2 ; 0 4];
2) B = [0 ; 1];
3) X = sdpvar(2,2);
4) M = sdpvar(1,2);
6) solvesdp(Restr, [ ]);
7) [r, d] = checkset(Restr);
8) if sum (r < 0) == 0
10) X = double(X);
11) M = double(M);
12) L = M*inv(X)
14) else
16) end
Nas linhas 3) e 4), como j foi comentado antes, quando a matriz quadrada o
Yalmip automaticamente entende que a matriz simtrica, na linha 3) o comando
equivalente a: X = sdpvar(2, 2, 'real', 'full'). Na linha 4) a matriz possui o nmero de
linhas diferente do numero de colunas, dessa forma o comando da linha 4) equivalente
a: M = sdpvar(1, 2, 'real', 'full').
0,8397 0,6
X=
0,6 1,4397
M = [ 0,1206 6,2589] (B.11)
L = MX = [4,219 6,1056]
1
com os autovalores da matriz A BL iguais a: -0,5528 2,455i.
close all,
clear all,
clc
% SIMULAO DO PROCESSO DE 2a ORDEM MIMO DO TANQUE
% DADO AS SEGUINTES MATRIZES DE EQUAO DE ESTADOS
r1=[0.15 0.25]; r2=[0.2 0.3]; c1=5; c2=c1;
LMIs=set([]);
X=sdpvar(2,2,'symmetric');
Y=sdpvar(2,4,'full');
P=sdpvar(4,4,'symmetric');
for i=1:4
LMIs=LMIs+set(P>0)+set([X sqrt(R)*Y; Y'*sqrt(R) P]>0);
LMIs=LMIs+set(ahat{i}*P+P*ahat{i}'-bhat*Y-Y'*bhat'+eye(4)<0);
end
obj=trace(Q*P)+trace(X);
sol=solvesdp(LMIs,obj);
khat=double(Y)*inv(double(P));
k=khat(1:2,1:2); ki=-khat(1:2,3:end);
r1=mean([0.15 0.25]); r2=mean([0.2 0.3]); c1=5; c2=5;
aa=[-r1/c1 r1/c1; r1/c2 -((r1/c2)+(r2/c2))];
A=[aa-b*k b*ki; -c zeros(size(d))];
B=[zeros(size(b)); eye(size(d))];
C=[c zeros(size(d))];
D=d;
sys=ss(aa,b,c,d);
sysc=ss(A,B,C,D);
[y,t,x]=lsim(sysc,r,t,x0);
y=y+(1+2*rand)*1e-3*randn(size(y));
x=x+(1+2*rand)*1e-3*randn(size(x));
u=(-khat*x')';
% Respostas no tempo
figure(1),subplot(2,1,1), plot(t,r(1,:)','k-.',t,y(:,1),'k-
','linewidth',2), axis([0 nit-1 0 0.25]),
set(gca,'fontsize',10,'fontname','Times New Roman')
xlabel('Tempo(s)','fontsize',12,'fontname','Times New
Roman','fontangle','normal'),
ylabel('Altura h_1 (m)','fontsize',12,'fontname','Times New
Roman','fontangle','normal')
legend('ref','saida h_1'); grid
title('ALTURAS DO TANQUE','fontsize',12,'fontname','Times New
Roman','fontangle','normal')
subplot(2,1,2), plot(t,r(2,:)','k-.',t,y(:,2),'k-','linewidth',2),
axis([0 nit-1 0 0.25]),
set(gca,'fontsize',10,'fontname','Times New Roman')
xlabel('Tempo(s)','fontsize',12,'fontname','Times New
Roman','fontangle','normal'),
ylabel('Altura h_2 (m)','fontsize',12,'fontname','Times New
Roman','fontangle','normal')
legend('ref','saida h_2'); grid
figure(2),
subplot(2,1,1), plot(t,u(:,1),'k-','linewidth',2), axis([0 nit-1 -0.01
0.05]), grid
set(gca,'fontsize',10,'fontname','Times New Roman')
xlabel('Tempo(s)','fontsize',12,'fontname','Times New
Roman','fontangle','normal'),
ylabel('q_1 (m^3/s)','fontsize',12,'fontname','Times New
Roman','fontangle','normal')
title('VAZES DO TANQUE','fontsize',12,'fontname','Times New
Roman','fontangle','normal')
% Respostas na Frequencia
% Obteno das incertezas na frequncia
sys4=ss(double(a{4}),b,c,d); T4=sys4; S4=eye(2)-T4;
sys3=ss(double(a{3}),b,c,d); T3=sys3; S3=eye(2)-T3;
sys2=ss(double(a{2}),b,c,d); T2=sys2; S2=eye(2)-T2;
sys1=ss(double(a{1}),b,c,d); T1=sys1; S1=eye(2)-T1;
sys_ma=ss(aa,b,c,d);
M1=(sys1/sys_ma)-eye(2);
M2=(sys2/sys_ma)-eye(2);
M3=(sys3/sys_ma)-eye(2);
M4=(sys4/sys_ma)-eye(2);
s=tf('s');
Dm1=M1.c*inv(s*M1.e-M1.a)*M1.b+M1.d;
Dm2=M2.c*inv(s*M2.e-M2.a)*M2.b+M2.d;
Dm3=M3.c*inv(s*M3.e-M3.a)*M3.b+M3.d;
Dm4=M4.c*inv(s*M4.e-M4.a)*M4.b+M4.d;
figure(3),
sigma(T,'k-',T1,'k--',T2,'k--',T3,'k--',T4,'k--');
set(gca,'fontsize',10,'fontname','Times New Roman')
xlabel('Frequncia','fontsize',12,'fontname','Times New
Roman','fontangle','normal'),
ylabel('Amplitude','fontsize',12,'fontname','Times New
Roman','fontangle','normal')
title('SVD Aplicado T(s)','fontsize',12,'fontname','Times New
Roman','fontangle','normal')
legend('MTMF', 'MTMA');
grid;
figure(4),
sigma(S,'k-',S1,'k--',S2,'k--',S3,'k--',S4,'k--');
set(gca,'fontsize',10,'fontname','Times New Roman')
xlabel('Frequncia','fontsize',12,'fontname','Times New
Roman','fontangle','normal'),
ylabel('Amplitude','fontsize',12,'fontname','Times New
Roman','fontangle','normal')
figure(5),
sigma(T/S,'k-',T1/S1,'k--',T2/S2,'k--',T3/S3,'k--',T4/S4,'k--');
set(gca,'fontsize',10,'fontname','Times New Roman')
xlabel('Frequncia','fontsize',12,'fontname','Times New
Roman','fontangle','normal'),
ylabel('Amplitude','fontsize',12,'fontname','Times New
Roman','fontangle','normal')
title('SVD Aplicado S','fontsize',12,'fontname','Times New
Roman','fontangle','normal')
legend('|GK|', 'G_i');
title('SVD Aplicado ao modelo controlado em MTMA');
grid
figure(6),
sigma(1/T,'k-',M1,'k--',M2,'k--',M3,'k--',M4,'k--');
set(gca,'fontsize',10,'fontname','Times New Roman')
xlabel('Frequncia','fontsize',12,'fontname','Times New
Roman','fontangle','normal'),
ylabel('Amplitude','fontsize',12,'fontname','Times New
Roman','fontangle','normal')
title('SVD Aplicado S','fontsize',12,'fontname','Times New
Roman','fontangle','normal')
legend('1/T', 'M(j\omega)');
title('Analise de Estabilidade Robusta');
grid
Referncias bibliogrficas
[8] Arkun, Y., Banerjee, A., and Lakshmanan, N. M. Self scheduling MPC using LPV
models. In R. Berber, C. Kravaris (Eds.). Non linear Model Based Control.
NATO ASI Series. Kluwer Academic Publishers, London, 1998.
[9] Assuno, E., Teixeira M. C. M. Projeto de sistemas de controle via LMIs usando o
Matlab, in J. Balthazar, V. Oliveira, G. Silva e J. Rosrio (editores),
Aplicaes em Dinmica e Controle, So Carlos, pp. 350-368, 2001.
[11] Assuno, E., Teixeira, M. C. M., Faria, F. A., da Silva, N. A. P., and Cardim R.
Robust state-derivative feedback LMI-based designs for multivariable linear
systems, International Journal of ControlI, vol. 80, n 8, pp. 1260-1270,
August 2007.
[12] strom, K. J., Wittenmark, B. Adaptive Control, 2nd ed, Addison Wesley,
Reading, Massachusetts, 1995.
[16] Beck, J. V., Arnold, K. J. Parameter Estimation in Engineering and Science, Wiley,
New York, 1997.
[22] Bland, R. G., Goldfarb, D., and Todd, M. J. The ellipsoid method: A survey.
Operations Research, 29(6):1039{1091, 1981.
[23] Bjorck, A. Numerical Methods for Least Squares Problems. Society for Industrial
and Applied Mathematics, 1996.
[24] Boyd, S., El Ghaoui, L., Feron, E. e Balakrishnan, V. (1994). Linear Matrix
Inequalities in System and Control Theory, SIAM Studies in Applied
Mathematics, Philadelphia, PA.
[26] Boyd, S., and El Ghaoui, L. Method of centers for minimizing generalized
eigenvalues. Linear Algebra and Applications, special issue on Numerical
Linear Algebra Methods in Control, Signals and Systems, 188:63{111, July
1993.
[27] Braatz, R. D., Crisalle, O. D. Robustness analysis for systems with ellipsoidal
uncertainty, Int. J. of Robust and Nonlinear Control 8 (1998) 1113-1117.
[28] Chen, C. T. Linear system theory and design, Oxford, 3 edition, 1999.
[29] Chilali, M., Gahinet, P., and Apkarian, P. Robust Pole Placement in LMI
Regions, IEEE Trans. Autom, Control, vol. 44, n 12, pp. 2257-2270, 1999.
[33] Dorato, P., Abdallah, C., Cerone, V. Linear Quadratic Control, Prentice Hall,
Englewood Cliffs, New Jersey, 1995.
[34] Doyle. J. C., Glover, K., Khargonekar, P. P. and Francis, B. A. (1989). State-Space
solutions to standard H2 e H control problems, IEEE Transactions on
Automatic Control AC-34(8): 831-847.
[36] Feron, E., Balakrishnan, V., Boyd, S., and Ghaoui, L. El. Numerical methods for
H2 related problems, in Proc. ACC, 1992, pp. 2921-2922.
[37] Feron, E., Apkarian, P. e Gahinet, P. (1996). Analysis and synthesis of robust
control systems via parameter-dependent Lyapunov functions, IEEE
Transactions on Automatic Control 41(7): 1041-1046.
[38] Gahinet, P., Nemirovskii. A., Laub, A. J. and Chilali, M. LMI Control Toolbox
Users Guide, The Math Works Inc., Natick, MA, 1995.
[39] Garcia, C. E., Prett, D. M., Morari, M. Model predictive control: Theory and
practice a survey, Automatica 25 (1989) 335 - 348.
[49] Horn, R., and Johnson, C. Topics in Matrix Analysis. Cambridge University Press,
Cambridge, 1991.
[50] How, J. P., Hall, S. R. Connections between the Popov stability criterion and
bounds for real parameter uncertainty. in: Proc. of the American Control Conf.,
IEEE Press, Piscataway, New Jersey, 1993, pp. 1084-1089.
[51] Isermann, R., and Ball, P. Trends in the applications of model-based fault
detection and diagnosis of technical processes, Control Engineering Practice,
vol. 5, n 5, pp. 709-719, 1997.
[52] Kailath, T. Linear Systems, Prentice-Hall, Englewood Cliffs, New Jersey, 1980.
[53] Kanev, S., Scherer, C., Verhaegen, M. e de Schutter, M. (2004). Robust output-
feedback controller design via local BMI optimization, Automatica 40(7):
1115-1127.
[55] Ko, H. S., Dumont, G. A. Jatskevich, J., Moshref, A. A New LMI Representation
of LQR Based Voltage Control of Grid-Connected Wind Farm, Proceedings
of the 2006 American Control Conference Minneapolis, Minnesota, USA,
pp.851-856, June 14-16.
[56] Kolman, B, Hill, D. R.; Introduo lgebra linear: com aplicaes, Rio de
Janeiro: LTC, 2006.
[57] Laub, A. J. A Schur method for solving algebraic Riccati equations. IEEE Trans.
Aut. Control, AC-24(6):913{921, December 1979.
[58] Lawson C. L. and Hanson R. J.. Solving Least Squares Problems. Society for
Industrial and Applied Mathematics, 1995. First published in 1974 by Prentice-
Hall.
[60] Liu, R. W. Convergent systems, IEEE Trans. on Auto. Control 13 (1968) 384-391.
[61] Ly, J.H., Safonov, M.G., Ahmad, F. Positive real Parrott theorem with application
to LMI controller synthesis, in: Proc. of the American Control Conf., IEEE
Press, Piscataway, New Jersey, 1994, pp. 50 52.
[63] Molinari, B. (1975). Conditions for nonpositive solutions of the Linear Matrix
Inequality, IEEE Transactions on Automatic Control 20(6): 804-806.
[64] Morari, M., Zafiriou, E. Robust Process Control, Prentice-Hall, Englewood Cliffs,
New Jersey, 1989.
[65] Ogata, K. Engenharia de Controle Moderno, traduo Paulo lvaro Maya; Revisao
Tcnica Fabrizio Leonardi [et al.] So Paulo; Prentice Hall, 2003.
[67] Ogunnaike, B. A., Ray, W. H. Process Dynamics, Modeling, and Control, Oxford
University Press, New York, 1994.
[68] Olalla, C., Leyva, R., El Aroudi, A., Queinnec, I. Robust LQR Control for PWM
Converters: An LMI Approach, IEEE Transactions on Industrial Electronics,
vol. 56, no. 7, pp 2548-2558, july 2009.
[72] Peaucelle, D., Arzelier, D., Bachelier, O. e Bernussou, J. (2000). A new robust D-
stability condition for real convex polytopic uncertainty, Systems & Control
Letters 40(1): 21-30.
[79] Ricker, N. L. Model predictive control with state estimation, Ind. Eng. Chem. Res.
29 (1990) 374 - 382.
[80] Roberts, A. W. and Varberg, D. E.. Convex Functions. Academic Press, 1973.
[82] Scilab Group, Scilab 2.1, users guide,Inria Technical Report, to appear.
[84] Skogestad, S., Morari, M., Doyle, J. C. Robust control of illconditioned plants:
High purity distillation, IEEE Trans. on Auto. Control 33(1988) 1092 1105.
[86] Sonnevend, G. An analytical centre for polyhedrons and new classes of global
algorithms for linear (smooth, convex) programming. In Lecture Notes in
Control and Information Sciences, volume 84, pages 866878. Springer, 1986.
[87] Sturm, J. Using SeDuMi 1.02, a MATLAB toolbox for optimization over
symmetric cones, Optimization Methods and Software, vol.11/12, pp. 625-
653, 1999. version 1.05. [Online]. Available : http://fewcal.kub.nl/sturn.
ltimo acesso em 26 de outubro de 2011.
[88] Tiel, J. V. Convex Analysis. An Introductory Text. John Wiley & Sons, 1984.
[89] Toh, K. C., Todd, M. J. and Tutuncu, R. SDPT3 a Matlab software package for
semidefinite programming, Version 1.3, Optimization Methods and Software
11(1): 545-581, 1999.
[92] Uhlig, F. A recurring theorem about pairs of quadratic forms and extensions: A
survey. Linear Algebra and Appl., 25:219{237, 1979.
[94] VanAntwerp, J. G., Braatz, R. D., Sahinidis, N. V. Globally optimal robust reliable
control of large scale paper machines, in: Proc. of the American Control Conf.,
IEEE Press, Piscataway, NJ, 1997, pp. 1473-1477.
[96] Yang, R., Lu. e Xie, L. (2005) Robust H2 e H controlo f discrete-time systems
with polytopic uncertainties via dynamic output feedback, International Journal
of Control 78(16): 1285-1294.
[97] Zhong, M., Ding, S. X., Lam, J., and Wang, H. An LMI approach to design robust
fault detection filter for uncertain LTI systems, Automatica, vol. 39, n 3, pp.
543-550, 2003.
[98] Zhou, K., Doyle, J. C. and Glover, K. Robust and Optimal Control, Prentice Hall,
Upper Saddle River, NJ, USA, 1996.
[100] Willems, J. C. Least squares stationary optimal control and algebrics Riccati
equation, IEEE Transactions on Automatic Control AC-16(6): 621-634, 1971.
[102] Zhou, K., Doyle, J. C., Glover, K. Robust and Optimal Control, Prentice-Hall,
New Jersey, 1995.