Introdu C Ao Ao Controle de Sistemas N Ao Lineares: Magno Enrique Mendoza Meza

Introdução ao controle de sistemas não lineares
Magno Enrique Mendoza Meza1
1 Universidade Federal do Rio de Janeiro
COPPE - Programa de Engenharia Elétrica

E-mail: magno@pee.coppe.ufrj.br
Fevereiro de 2007
LNCC
Magno E. M. Meza (UFRJ) Mini-curso Fevereiro de 2007 1 / 110

Sumário da Parte I
1 Resumo
2 Motivação
3 Tipos de não linearidades

Não linearidades suaves (dinâmicas ou contı́nuas)
Não linearidades duras (estáticas ou descontı́nuas)
4 Comportamento de sistemas não lineares
5 Sistema Autônomo e Não Autônomo
LNCC

Parte I
Dia 05 de fevereiro de 2007
LNCC

Resumo
Resumo
O objetivo do curso é dar uma breve introdução ao controle de sistemas
não lineares, tendo em vista que uma vasta gama de aplicações utilizam
modelos não lineares. Esses modelos podem apresentar caracterı́sticas, tais
como, múltiplos atratores, ciclo-limite, dinâmicas caóticas, dentre outras.
Estes fenômenos serão mostrados mediante exemplos de simulação, bem
como o projeto de um controlador para sistemas não lineares.
LNCC

Motivação
Motivação
Pesquisadores e projetistas nas áreas da aeronáutica, robótica, controle de
processos, engenharia biomédica, processos quı́micos e bio-quı́micos,
biologia, ecologia têm mostrado recentemente muito interesse no
desenvolvimento e aplicações de metodologias de controle não linear
(Slotine and Li, 1991; Khalil, 1992; Leigh, 1983).
Razões pelo interesse:

1 Faixa de operação é maior.
2 Análise de não linearidades fortes (duras), e.g., saturação, zona
morta, histérese.
3 Lida com incertezas nos modelos.
4 Simplicidade de projeto.
LNCC

Tipos de não linearidades
Não linearidades suaves

Funções analı́ticas simples
Potência
Senóide
Exponencial
Produto
Exemplo:
ẋ1 = x2
(
g k (1)
ẋ2 = − sin(x1 ) − x2
l m

ẋ1 = a x1 − b x1 x2
(2)
ẋ2 = −c x2 + d x1 x2
A caracterı́stica significante
dessas funções é que elas são suaves o suficiente e podem ser linearizadas,
i.e., aproximadas por funções lineares em uma vizinhança de qualquer
LNCC
ponto de operação dado (Cook, 1986).

Potência
Senóide
Exponencial
Produto
Exemplo:
ẋ1 = x2
(
g k (1)
ẋ2 = − sin(x1 ) − x2
l m

ẋ1 = a x1 − b x1 x2
(2)
ẋ2 = −c x2 + d x1 x2
LNCC

Potência
Senóide
Exponencial
Produto
Exemplo:
ẋ1 = x2
(
g k (1)
ẋ2 = − sin(x1 ) − x2
l m

ẋ1 = a x1 − b x1 x2
(2)
ẋ2 = −c x2 + d x1 x2
LNCC

Potência
Senóide
Exponencial
Produto
Exemplo:
ẋ1 = x2
(
g k (1)
ẋ2 = − sin(x1 ) − x2
l m

ẋ1 = a x1 − b x1 x2
(2)
ẋ2 = −c x2 + d x1 x2
LNCC
Não linearidades duras

Saturação
Zona morta
Relé ideal
Relé com histerese
Elementos modelados
Válvulas de apertura gradual; Transformadores e motores; Materiais
ferromagneticos; Folga de engrenagens; Tambor hidráulico e pneumático
com mudança de direção; Linearização de elementos elétricos e eletrônicos.
Caracterı́stica significante
dessas não linearidades é que não podem ser linearizadas.
LNCC


Saturação
Zona morta
Relé ideal
Elementos modelados
LNCC


Saturação
Zona morta
Relé ideal
Elementos modelados
LNCC


Saturação
Zona morta
Relé ideal
Elementos modelados
LNCC

Exemplo
Saturação Zona morta
Relé Relé com histerese
LNCC

Comportamento de sistemas não lineares
Comparação Sistemas Lineares vs Sistemas Não Lineares
ẋ = A x
ou ẋ = f (x)
ẋ = A x − b
Ponto de Um só ou uma Um ou mais

Equilı́brio infinidade não isolados ou não
sistema isolada
autónomo
Princı́pio de
superposição Válido Não válido
LNCC

Exemplo 1: Comportamento de sistemas não lineares
Pontos de equilı́brio multiplos

ẋ(t) = y (t)
ẏ (t) = −sin(x(t)) − 0.5 y (t)
y 0
-10 -5 0 5 10
x
-2
-4
LNCC
-6
Comportamento de sistemas não lineares
Comparação Sistemas Lineares vs Sistemas Não Lineares
ẋ = A x
ou ẋ = f (x)
ẋ = A x − b
∃ de ciclo
limite Não existe
(solução Pode existir
periodica
isolada)
Bifurcação
Mudança ∃ são
qualitativa de ∃ mas são possivelmente
comportamento simples complicados
em função de
um parámetro
Caos 6∃ ∃
LNCC

Ciclo limite

ẋ(t) = y (t)
ẏ (t) = −x(t) + 0.2 1 − (x(t))2 y (t)

y 0
-4 -2 0 2 4
x
-2
LNCC
-4
Caos

ẋ(t) = y (t)
ẏ (t) = 7.5 cos(t) − 0.05 y (t) − (x(t))3
x(t)0
0 10 20 30 40 50
t
-2
LNCC
-4
Bifurcação
x ε
ẋ = r x 1− − ε x ⇒ x1eq = 0, x2eq = K 1−
K r
xeq
K estável
instável
0 r ε
LNCC

Sistema Autônomo e Não Autônomo
Consideremos uma notação geral para os sistemas lineares
ẋ = A(t) x, x ∈ Rn×1 A matriz n × n, (3)
e para os sistemas não lineares
ẋ = f (x, t), x ∈ Rn×1 , f n × 1, (4)
Sistemas lineares são classificados como:

1 Variantes no tempo, i.e., matrix A variante com o tempo (SLVT - LTV)
2 Invariantes no tempo, i.e., matriz A invariante como o tempo (SLIT - LTI)
Em um contexto mais geral dos sistemas não lineares, esses adjetivos são substituidos por
autônomo e não autônomo.
Definição
O sistema não linear (4) é dito autônomo se f não depende explicitamente do tempo, i.e., se o
sistema de equações de estado podem ser escritos como
ẋ = f (x). (5)
Caso contrario, o sistema é chamado não autônomo. LNCC

Sumário da Parte II
6 Análise de sistemas não lineares

Conceitos da análise do plano de fase
Exemplo retrato de fase
Pontos singulares
Construção do retrato de fase
Método Analı́tico
Método de isóclinas
7 Análise do plano de fase de sistemas lineares
8 Análise do plano de fase de sistemas não lineares
LNCC

Parte II
LNCC

Conceitos da análise do plano de fase
O metodo do plano de fase está envolvido com o estudo gráfico de

sistemas de segunda ordem descritos por
ẋ1 = f1 (x1 , x2 )
(6)
ẋ2 = f2 (x1 , x2 )
no qual x1 e x2 são os estados do sistema, e f1 e f2 são funções não

lineares dos estados. Geometricamente, o plano de estado deste sistema é
um plano que tem como coordenadas x1 e x2 . Chama-se este plano de
plano de fase.
Dada uma condição inicial x(0) = x0 , a equação (6) define a solução x(t).
Com o tempo variando de zero a infinito, a solução x(t) pode ser
representada geometricamente como uma curva no plano de fase. Dita
curva é chamada como uma trajetória do plano de fase. Uma familia de
trajetórias do plano de fase correspondentes a varias condições iniciais é
chamada de retrato de fase de um sistema. LNCC

Exemplo retrato de fase
Sistema massa-mola
ẍ + x = 0 (7)
1111111111
0000000000
0000000000
1111111111
Condição inicial x0 . Solução da 0000000000
1111111111
0000000000
1111111111
ẋ
equação é
k =1
x(t) = x0 cos(t) 0 x
ẋ(t) = x0 sin(t) 11111
00000
00000
11111
00000
11111
00000
11111 m=1
00000
11111
Equação da trajetória:
x 2 + ẋ 2 = x02
LNCC

Pontos singulares
Definição
Ponto singular é um ponto de equilı́brio no plano de fase. Desde que um
ponto de equilı́brio é definido como um ponto onde o sistemas de estados
pode permanecer para sempre, sua localização pode ser obtida de resolver
f1 (x1 , x2 ) = 0 f2 (x1 , x2 ) = 0
O ponto singular do sistemas (7) é a origem (0, 0) do plano de fase.

Para sistemas lineares, existe freqüentemente um único ponto singular.
Embora em alguns casos pode existir infinitos pontos singulares, como o
mostrado pelo sistema
ẍ + ẋ = 0
LNCC

Construção do retrato de fase
Existe vários métodos para constroir trajetórias do plano de fase para

sistemas lineares ou não lineares, tais como:
Método analı́tico
Método delta
Método de Lienard
Método de Pell
Nós discutiremos dois destes métodos: (i) Método analı́tico; (ii) Método
de isóclinas.
LNCC

Esta técnica envolve resolver as equações (6) para x1 e x2 como funções

do tempo t, i.e.,
x1 (t) = g1 (t) x2 (t) = g2 (t)
e então eliminando o tempo t destas equações, levam a uma relação
funcional da forma
g (x1 , x2 , c) = 0
no qual a constante c representa os efeitos da condição inicial (e,
possivelemente, de sinais de entrada externa). Plotando esta relação no
plano de fase para diferentes condições iniciais, producem um retrato de
fase.
LNCC

Exemplo
Sistema massa-mola
ẍ + x = 0 (8)
1
ẋ
x1 = x x2 = ẋ
ẋ1 = x2 x1 = x0 cos(t)
⇒
ẋ2 = −x1 x2 = −x0 sin(t)
x12 + x22 = x02 0 x

2
„ «„ «
d ẋ dx d ẋ
ẍ = ⇒ ẋ +x =0
dx dt dx
Integrando esta equação resulta em:
ẋ 2 + x 2 = x02 LNCC

Definição
Isóclina é definida como o lugar geométrico dos pontos com uma
inclinação tangencial dada. Uma isóclina com inclinação α é definida como
d x2 f2 (x1 , x2 )
= =α
d x1 f1 (x1 , x2 )
Este método, envolve eliminação direta da variável tempo, i.e., que os

pontos na curva
f2 (x1 , x2 ) = α f1 (x1 , x2 )
tem a mesma inclinação tangencial.
Passos para gerar o retrato de fase como o métodos das isóclinas:
1 Um campo de direções das tangentes às trajetórias é obtido.
2 As trajetórias do plano de fase são formadas do campo de direções.
LNCC

Análise do plano de fase de sistemas lineares
A forma geral de um sistema de segunda order linear é

ẋ1 = a x1 + b x2 a b x1
= (9)
ẋ2 = c x1 + d x2 c d x2
Manuseando matemáticamente, podemos considerar o sistema linear de

segunda ordem descrito por
ẍ + e ẋ + f x = 0 (10)
e a equação caracterı́stica é
s 2 + e s + f = (s − λ1 )(s − λ2 ) = 0
As raizes (autovalores) λ1 e λ2 podem ser representadas explicitamente

como
p p
λ1 = (−e + e 2 − 4 f )/2 λ2 = (−e − e 2 − 4 f )/2 LNCC

Classificação convencional dos Pontos de Equilı́brio para
Sistemas de Segunda Ordem
λi = j ω + σ
Comportamento da solução Nome dado ao Autovalores λ1 , λ2

ponto singular
Soluções chegam monotona- nó estável Ambos reais e negativos
mente ao ponto singular
Soluções deixam o ponto singu- nó instável Ambos reais e positivos
lar e crescem monotonamente
Soluções são oscilatorias e che- foco estável Ambos complexos conjugados, com
gam ao ponto singular parte real negativa
Soluções são oscilatorias e dei- foco instável Ambos complexos conjugados, com
xam o ponto singular parte real positiva
Somente soluções monotonas, sela Ambos reais e de sinal oposto
chegam e deixam o ponto sin-
gular
Soluções são elipses aninhadas centro Ambos imaginários conjugados puros.
concentricamente em torno do
ponto singular
LNCC

Retrato de fase de sistemas lineares
jω x2
Nó estável
σ x1
jω x2
Nó instável
σ x1
LNCC

jω x2
Foco estável
σ x1
jω x2
Foco instável
σ x1
LNCC

jω x2
Sela
σ x1
jω x2
Centro
σ x1
LNCC

Análise do plano de fase de sistemas não lineares
Ao tratar da análise do plano de fase de sistemas não lineares, devemos ter

em mente dois pontos:
A análise do plano de fase de sistemas não lineares está relacionada
ao de sistemas lineares, porque o comportamento local de um sistema
não linear pode ser aproximado pelo comportamento de um sistema
linear.
Sistemas não lineares podem exibir padrões muito mais complicados
no plano de fase, tais como múltiplos pontos de equilı́brio e ciclo
limites.
LNCC

Plano de fase
1 Calcular os P.S.
2 Estudar localmente os P.S. (sela, nó, foco, etc.)
3 Esboçar o plano de fase local nos P.S.
4 Usar outras iscóclinas se necessário para ter uma idéia melhor do
plano de fase local.
5 Usar simulação para confirmar.
LNCC

Plano de fase - Método de isóclinas
Exemplo: Pêndulo linear sem atrito

ẋ1 = x2 ẋ1 = x2 x1 x1
α=− ⇒ x2 = −
ẋ2 = −sin(x1 ) ẋ2 = −x1 x2 α
x2
α Isóclina
0 x1 = 0
x1
0 LNCC


ẋ1 = x2 ẋ1 = x2 x1 x1
α=− ⇒ x2 = −
ẋ2 = −sin(x1 ) ẋ2 = −x1 x2 α
x2
α Isóclina
0 x1 = 0
∞ x2 = 0
∞
x1
0 LNCC


ẋ1 = x2 ẋ1 = x2 x1 x1
α=− ⇒ x2 = −
ẋ2 = −sin(x1 ) ẋ2 = −x1 x2 α
x2
α Isóclina
0 x1 = 0
∞ x2 = 0
1 x2 = −x1 ∞
x1
1
0 LNCC


ẋ1 = x2 ẋ1 = x2 x1 x1
α=− ⇒ x2 = −
ẋ2 = −sin(x1 ) ẋ2 = −x1 x2 α
x2
α Isóclina
0 x1 = 0
∞ x2 = 0
1 x2 = −x1 ∞
x1
−1 x2 = x1
−1 1
0 LNCC


ẋ1 = x2 ẋ1 = x2 x1 x1
α=− ⇒ x2 = −
ẋ2 = −sin(x1 ) ẋ2 = −x1 x2 α
x2
α Isóclina
0 x1 = 0
∞ x2 = 0
1 x2 = −x1 ∞
x1
−1 x2 = x1
−1 1
0 LNCC

Exemplo: Pêndulo linear com atrito

ẋ1 = x2 x2 − x 1 x1
α= ⇒ x2 = −
ẋ2 = −x1 − x2 x2 α+1
x2
α Isóclina 0
0 x2 = −x1
x1
LNCC


ẋ1 = x2 x2 − x 1 x1
α= ⇒ x2 = −
ẋ2 = −x1 − x2 x2 α+1
x2
α Isóclina 0
0 x2 = −x1
∞ x2 = 0
∞
x1
LNCC


ẋ1 = x2 x2 − x 1 x1
α= ⇒ x2 = −
ẋ2 = −x1 − x2 x2 α+1
x2
α Isóclina 0
0 x2 = −x1
∞ x2 = 0
−1 x1 = 0 ∞
x1
−1
LNCC


ẋ1 = x2 x2 − x 1 x1
α= ⇒ x2 = −
ẋ2 = −x1 − x2 x2 α+1
x2
α Isóclina 0
0 x2 = −x1
∞ x2 = 0
−1 x1 = 0 ∞
x1
−2 x2 = x1
−2
−1
LNCC


ẋ1 = x2 x2 − x 1 x1
α= ⇒ x2 = −
ẋ2 = −x1 − x2 x2 α+1
x2
α Isóclina 0
0 x2 = −x1
∞ x2 = 0
−1 x1 = 0 ∞
x1
−2 x2 = x1
−2
−1
LNCC

Exemplo: Pêndulo não linear sem atrito

ẋ1 = x2 sin(x1 ) sin(x1 )
α=− ⇒ x2 = −
ẋ2 = −sin(x1 ) x2 α
x2
α isóclina α = −1/4
0 x1 = 0
α = −1/2
∞ x2 = 0
α = −1
1 x2 = −sin(x1 )
−1 x2 = sin(x1 )
1 x1
2 x2 = −2sin(x1 ) α=1
− 21 x2 = 2sin(x1 ) α = 1/2
1
4 x2 = −4sin(x1 )
− 41 x2 = 4sin(x1 ) α = 1/4
LNCC

Exemplo: Pêndulo não linear com atrito

ẋ1 (t) = x2 (t)
ẋ2 (t) = −sin(x1 (t)) − 0.5 x2 (t)
y 0
-10 -5 0 5 10
x
-2
-4
LNCC
-6
Sumário da Parte III
9 Estabilidade de Sistemas Não Lineares
10 Objetivo de controle
LNCC

Parte III
LNCC

Comportamento local de sistemas não lineares
Sistema: Pêndulo com atrito

ẋ(t) = y (t)
(11)
ẏ (t) = −sin(x(t)) − 0.5 y (t)
y 0
-10 -5 0 5 10
x
-2
-4
-6 LNCC

Comportamento local de sistemas não lineares
No retrato de fase, na Figura anterior, podemos notar, em comparação a

sistemas lineares, existe varios PSs. Podemos notar também, que as
caracterı́sticas das trajetórias de fase na vizinhança dos PSs se parecem
muito aqueles de sistemas lineares. Esta similaridade a um sistema linear
em uma região local de cada PS pode ser formalizado pela linearização do
sistema não linear.
Se o P.S. de interesse não é a origem, podemos deslocar o P.S. à origem.
Portanto, sem perda de generalidade, poderı́amos considerar a equação (6)
com um PS em 0. Utilizando expansão de Taylor, a equação (6) pode ser
reescrita como
ẋ1 = a x1 + b x2 + g1 (x1 , x2 )
ẋ2 = c x1 + d x2 + g2 (x1 , x2 )
no qual g1 e g2 contém od termos de ordem maior.
LNCC

Ciclo limite
No plano de fase, um ciclo limite é definida como uma curva fechada e

isolada. A trajetória tem que ser fechada, indicando a natureza periodica
do movimento, e isolada, indicando a natureza limitada do ciclo (como
trajetórias próximas convergindo ou divergindo dele).
Dependendo do padrão de movimento nas trajetórias na vizinhança do
ciclo limite, podemos distingüir três tipos de ciclos limites
1 todas as trajetórias na vizinhança do ciclo limite convergem a ele
como t → ∞.
2 todas as trajetórias na vizinhança do ciclo limite divergem dele como
t → ∞.
3 algumas das trajetórias na vizinhança convergem a ele, enquanto
outras divergem dele como t → ∞.
LNCC

Ciclo limite - Esboço
x2 x2 x2
x1 x1 x1
Estável Instável Semi-estável
(a) (b) (c)
LNCC

Ciclo limite - Exemplo simulação
2 2 2
1 1 1
y 0 y 0 y 0
-2 -1 0 1 2 -2 -1 0 1 2 -2 -1 0 1 2
x x x
-1 -1 -1
-2 -2 -2
(a) (b) (c)
estável instável semi-estável
LNCC

Estabilidade de Sistemas Não Lineares
Conceito de estabilidade
Sistema Não Linear

ż = f (z) (12)
z ∈ Rn , f (z) contı́nua e localmente Lipschitz ∀ z ∈ D ⊂ Rn
Ponto Singular (Ponto de Equilı́brio)
ż = f (z) = 0. (13)
Seja z = 0 é um ponto de equilı́brio, sem perda de generalidade.

Aqui definiremos conceitos de estabilidade de maneira formal, para
sistemas autônomos.
Notação: Denota-se a região esférica (ou bola) como BR definida por
kxk < R no espaço de estados, e a esfera em si como SR , definida por
kxk = R.
LNCC

Definição r z0
0
Seja z(t) a solução de (12) para c.i.
z(t0 ) = z0 ⇒ z = 0 é: R
Liapunov estável se para cada

R > 0, existe um r = r (R) > 0 tal que
kz(0)k < r =⇒ kz(t)k < R, ∀t ≥ 0.

r z0
Instável se não é estável. 0
LNCC

Definição
Seja z(t) a solução de (12) para c.i. r z0
z(t0 ) = z0 ⇒ z = 0 é: 0
Assintoticamente estável se é R
estável e r pode-se escolher de modo
que
kz(0)k < r =⇒ lim z(t) = 0.

t→∞
r z0
Marginalmente estável se é 0
Liapunov estável mas não é
assintoticamente estável. R
LNCC

Definição
z0
z(t) a solução de (12) para c.i. z(t0 ) = z0
⇒ z = 0 é exponencialmente estável se
existe α e λ tais que
0
−λ t
kz(t)k ≤ α kz(0)k exp α≥1
r
∀ kz(0)k < r e algum r > 0
Definição O dominio de atração é

Dominio de atração de um ponto de em geral dificil ou
equilı́brio, é definido como o conjunto de impossı́vel de se achar
todos os pontos z tal que limt→∞ z(t) = 0. analiticamente.
LNCC

Conceito de estabilidade - Método Indireto de Liapunov
Seja a matriz Jacobiana

∂f
A= (z) .
∂z z=0
Então, denotando com λi os autovalores de A (i = 1, . . . , n.)
A origem é assintóticamente estável se ℜ{λi } < 0, para todo λi .
A origem é instável se ℜ{λi } > 0 para um ou mais autovalores de A.
LNCC

Seja V : D → R um campo escalar continuamente diferenciável definido no domı́nio D ∈ Rn que

contema origem, então:
V (z) se diz que é uma função definida positiva se V (0) = 0 e V (z) > 0 em D − {0}.
V (z) se diz que é uma função semidefinida positiva se V (0) = 0 e V (z) ≥ 0 em D.
V (z) se diz que é uma função definida negativa se −V (z) é definida positiva.
V (z) se diz que é uma função semidefinida negativa se −V (z) é semidefinida positiva.
A derivada temporal del V sobre as trajetórias de (12) se chama derivada orbital,
denotase V̇ (z), e é dada por:
∂V ∂V
V̇ (z) = ż = f (z) = ∇V (z) · f (z)
∂z ∂z
f1 (z)
0 1
„
∂V ∂V ∂V
«B f2 (z) C
= ··· . (14)
B C
..
B C
∂z1 ∂z2 ∂zn @ A
fn (z)
Conseqüentemente, se V̇ (z) é negativa, V será decrescente sobre as trajetórias solução de (12).

LNCC

Conceito de estabilidade - Método Direto de Liapunov
Seja V : D → R função escalar C 1 em D ∈ Rn que contem a origem,

então
Se V (z) é definida positiva e V̇ (z) é semidefinida negativa, a
origem é um ponto de equilı́brio estável.
Se V (z) é definida positiva e V̇ (z) é definida negativa, a origem é
um ponto de equilı́brio assintóticamente estável.
Uma função V (z) que cumpre as condições impostas denomina-se Função
de Liapunov (FL).
LNCC

Sistemas Não Lineares
Objetivo de controle
O estudo de controle de sistemas não lineares se foca em:

1 Estabilidade está relacionada em determinar aqueles estados iniciais
que, sob uma lei de controle de realimentação, serão transferidos e
mantidos em um conjunto alvo especificado.
2 Controlabilidade está relacionada em determinar aqueles estados
iniciais onde um controle de realimentação existente transferirá o
estado a um alvo especificado.
LNCC

Pausa
LNCC

Modelo pêndulo
R
θ
m
LNCC

Modelo pêndulo
1 Dados
v2
ac = at = R θ̈ v = R θ̇
R
2 Eixo radial
“ ”2 R
T − mg cos(θ) = R θ̇
θ
3 Eixo tangencial
T
−mg sin(θ) − bv = R θ̈ m
mg sin(θ)
4 Espaço de estados
θ mg cos(θ)
x1 = θ x2 = θ̇
mg

ẋ1 = x2
ẋ2 = − Rg sin(x1 ) − b x2
LNCC

Modelo pêndulo
1 Dados
v2
ac = at = R θ̈ v = R θ̇
R
2 Eixo radial
“ ”2 R
θ
3 Eixo tangencial
T
mg sin(θ)
θ mg cos(θ)
x1 = θ x2 = θ̇
mg

ẋ1 = x2
ẋ2 = − Rg sin(x1 ) − b x2
LNCC

Modelo pêndulo
1 Dados
v2
ac = at = R θ̈ v = R θ̇
R
2 Eixo radial
“ ”2 R
θ
3 Eixo tangencial
T
mg sin(θ)
θ mg cos(θ)
x1 = θ x2 = θ̇
mg

ẋ1 = x2
ẋ2 = − Rg sin(x1 ) − b x2
LNCC

Modelo pêndulo
1 Dados
v2
ac = at = R θ̈ v = R θ̇
R
2 Eixo radial
“ ”2 R
θ
3 Eixo tangencial
T
mg sin(θ)
θ mg cos(θ)
x1 = θ x2 = θ̇
mg

ẋ1 = x2
ẋ2 = − Rg sin(x1 ) − b x2
LNCC

Sumário da Parte IV
11 Métodos de Controle
Função de Liapunov com Controle (CLF)
Backstepping
Controle de Estrutura Variável (VSC)
LNCC

Parte IV
LNCC

Métodos de Controle
1 Função de Liapunov com Controle (CLF) (Sontag, 1989)

2 Backstepping (Back) (Sepulchre et al., 1997)
3 Controle de Estrutura Variável (VSC) (Utkin, 1992)
LNCC

Função de Liapunov com Controle (CLF) (Sontag, 1989)
Para o sistema não linear (SÑL)
ż = f (z) + g (z) u, (15)
z ∈ Rn , f (z) contı́nua e localmente Lipschitz ∀ z ∈ D ⊂ Rn .

V (z) é uma CLF se, ∀z 6= 0,
Lg V (z) = 0 → Lf V (z) < 0. (16)
Se (15) é estabilizável, uma CLF existe.
Uma forma de estabilizar SÑL, é selecionar V (z) e tentar achar u(z) que
torne V̇ (z, u(z)) negativa definida.
LNCC

Função de Liapunov com Controle (CLF) - Exemplo 1

ẋ = y
(17)
ẏ = 2y − x + u
4
Define-se
2
z2
V (z) = ,
2 -4 -2
y 0
0 2 4
x
onde z = [x y ]T . Tarefa: Achar u(z) -2
tal que -4

x
V̇ (z) = y 2y − x + u < 0.
y
Controle: Retrato de fase do

u = −3 y sistema sem controle LNCC

Função de Liapunov com Controle (CLF) - Simulação Exemplo 1
4 4
2 2
y 0 y 0
-4 -2 0 2 4 -4 -2 0 2 4
x x
-2 -2
-4 -4
Sem Controle Controle CLF

LNCC

Função de Liapunov com Controle (CLF) - Exemplo 2

ẋ = y
(18)
ẏ = 2 y2 − x + u 4
Define-se 2
z2 y 0
V (z) = , -4 -2 0
x
2 4
2 -2
onde z = [x y ]T . Tarefa: Achar u(z) -4
tal que

2
x
V̇ (z) = y 2y − x + u < 0.
y Retrato de fase do
sistema sem controle
Controle: u = −2 y 2 − y LNCC

Função de Liapunov com Controle (CLF) - Simulação Exemplo 2
4 4
2 2
y 0 y 0
-4 -2 0 2 4 -4 -2 0 2 4
x x
-2 -2
-4 -4
Sem Controle Controle CLF

LNCC

Backstepping (Sepulchre et al. 1997)
ż = f (z) + g (z) u

f1 (z) g (z) y
= + (19)
f2 (z) u2 (z)
y = u1 (x) (lei de controle virtual) 1a equação, ⇒

1
V1 = x 2 como uma CLF
2
então, para manter V̇1 negativa, procura-se u1 (x).
y − u1 (x), erro para ser regulado para 0, por u2 , ⇒
1
V2 (z) = V1 (x) + (y − u1 (x))2
2
LNCC
uma candidata CLF para o sistema todo (19).
Backstepping - Exemplo 1

ẋ = y
(20)
ẏ = 2 y − x + u2
Seja o controle fictı́cio y = u1 (x), e define-se
x2
V1 = . Achar u1 (x) tal que
2
V̇1 = ẋ x = u1 (x) x < 0 ⇒ u1 = −x.
Seja y − u1 o erro a ser regulado para zero por u2 , e define-se
(y − u1 )2
V2 = V1 + . Achar u tal que
2
V̇2 = ẋ x + (y − u1 )(ẏ − u̇1 ) < 0.
Controle
u2 = −4 y LNCC

Backstepping - Simulação Exemplo 1
4 4
2 2
y 0 y 0
-4 -2 0 2 4 -4 -2 0 2 4
x x
-2 -2
-4 -4
Sem Controle Controle Back

LNCC

Backstepping - Exemplo 2

ẋ = y
(21)
ẏ = 2 y 2 − x + u2
Seja o controle fictı́cio y = u1 (x), e define-se
x2
V1 = . Achar u1 (x) tal que
2
V̇1 = ẋ x = u1 (x) x < 0 ⇒ u1 = −x.
Seja y − u1 o erro a ser regulado para zero por u2 , e define-se
(y − u1 )2
V2 = V1 + . Achar u tal que
2
V̇2 = ẋ x + (y − u1 )(ẏ − u̇1 ) < 0.
Controle
u2 = −2 y 2 − y LNCC

Backstepping - Simulação Exemplo 2
4 4
2 2
y 0 y 0
-4 -2 0 2 4 -4 -2 0 2 4
x x
-2 -2
-4 -4
Sem Controle Controle Back

LNCC

Controle de Estrutura Variável (VSC) (Utkin 1992)
Caracterı́sticas:
Controle robusto.
Invariança: O sistema é insensı́vel às incertezas paramétricas e
perturbações externas.
Exemplo:
ẋ = y
ẏ = 2y − x + u (22)
u = ψx

4 quando s(x, y ) > 0
ψ =
−4 quando s(x, y ) < 0
s(x, y ) = x σ, σ = 0.5 x + y (23)
LNCC

VSC – Diagrama de Blocos - Plano de fase
σ=0
s<0 s>0
4
u R y R x x
s<0
−4 s>0
2
linhas de comutação
s(x, y ) = 0
x =0
σ = 0.5 x + y = 0.5 x + ẋ = 0 (24)

LNCC

VSC – Comportamento
4 4 10
2 2 5
y 0 y 0 y 0
-4 -2 0 2 4 -4 -2 0 2 4 -10 -5 0 5 10
x x x
-2 -2 -5
-4 -4 -10
(a) (b) (c)
(a) s(x, y ) = x σ > 0.

(b) s(x, y ) = x σ < 0.
(c) u = x ψ.
LNCC

VSC – Modos de Alcance
As trajetórias do Sistema passam por duas fases

1 Fase de alcance (Modo não deslizante) as trajetórias começam em qq
condição inicial e se movimentam em direção da superfı́cie de
comutação e alcançam a superfı́cie em tempo finito.
2 Fase de deslizamento na qual as trajetórias tendem assintoticamente
à origem.
LNCC

VSC – Idéias Básicas VSC
1 Desde que a origem representa o estado de equilı́brio do sistema, o

modo deslizante representa o comportamento do sistema durante o
periodo transitório.
2 Durante o modo deslizante, a dinâmica de trajetórias é de uma ordem
menor que o modelo original.
3 No decurso do modo deslizante, a dinâmica do sistema é governada
somente pelos parâmetros que descrevem a linha σ = 0.
4 O modo deslizante é uma trajetória que não é inerente a uma das
duas estruturas.
LNCC

VSC – Métodos para Superar o Chaveamento em Alta Freqüência - Camada Lı́mite

4, s(x, y ) > 0 s +σ
ψ(s) = ψ(s, σ) = −4+8 max 0, min 1,
−4, s(x, y ) < 0 2σ
ψ ψ
4 4
−σ
σ
s(x, y ) s(x, y )
−4 −4
LNCC

VSC – Métodos para Superar o Chaveamento em Alta Freqüência - Camada Lı́mite
10 10
5 5
y 0 y 0
-10 -5 0 5 10 -10 -5 0 5 10
x x
-5 -5
-10 -10
8
−4 x(t), s(x, y ) < −σ 8
< −4 x(t), s(x, y ) < −σ
>
s(x, y ) + σ
>
< „ «
u= −4 + 4 x(t), −σ < s(x, y ) < σ u= 4 y (t), −σ < s(x, y ) < σ
>
> σ : 4 x(t), s(x, y ) > σ
4 x(t), s(x, y ) > σ
:
LNCC

Sumário da Parte V
12 Aplicações em Diferentes Áreas de Pesquisa

Enunciado do Problema
Conceitos utilizados
Aplicação na Ecologia Matemática: Modelo de Uma Espécie
Aplicação na Ecologia Matemática: Modelo de Duas Espécies
Controle com Histérese - Problema em aberto
Aplicação na Virologia
Controle de processo
LNCC

Parte V
LNCC

Enunciado do Problema
Controle de modelos matemáticos do tipo predador–presa

Caracterı́sticas especiais:
1 Incerteza nas medidas de populações
2 Exige simplicidade de controle
3 Sem provocar extinção ou manter em nı́veis baixos
LNCC

Polı́tica de Limiar
Polı́tica de Limiar −→ controle comuta no limiar (threshold)

Em termos matemáticos
 f1 (z, u1 ) , z ∈ G 1

ż = f2 (z, u2 ) , z ∈ G 2 (25)
z(0) = z0 ∈ R2+

z = [x y ]T , R2+ = z ∈ R2 | x > 0, y > 0 , M divide R2+ em regiões

G j , j ∈ {1, 2}, fj : G j → R2 .
LNCC

Equilı́brio Virtual
G1 τ (z) = 0
zGeq2 f1 V (τ ) = 12 τ 2
u1
zsleq Região de V̇ = τ τ̇
Modo Deslizante ⇒ τ τ̇ < 0
τ (z) > 0 f2
zGeq1
τ (z) < 0
u2
G2
Limiar x
Definição
Seja zGeqi | fi zGeqi , ui = 0 para algum ui em (1). Então zGeqi ∈ G i é

chamado equilı́brio real e zGeqi ∈ G j é chamado equilı́brio virtual, j 6= i.

LNCC

Modelos de uma espécie
Noy–Meir (1975)
Collie–Spencer (1993)
Outros (Holling tipo I, II, III).
Modelo geral (engloba N–M, C–S e outros)
ẋ = x f (x) sistema sem controle
sistema com controle do tipo

ẋ = x f (x) − x u ‘esforço constante’ (i.e. controle
proporcional) x densidade
u = ε φ(·)
populacional
LNCC

Polı́tica de Limiar - Modelo Uma Espécie
x f (x), x u
εmax τ =0
Região sem Região com Com termo consumo,

Controle Controle com excesso de colheita
Com polı́tica limiar
Ponto de Equilı́brio Ponto de Equilı́brio

Virtual do Sistema Virtual do Sistema
com Controle sem Controle
xth x
LNCC

Simulação: Polı́tica de Limiar - Modelo Uma Espécie

dx x 1 if τ > 0
=rx 1− − u x, u = ε φ (τ ) , φ (τ ) = (26)
dt K 0 if τ ≤ 0,
7
6.5
5.5
x(t)5
4.5
3.5
3
0 1 2 3 4 5 6
Time LNCC

Aplicação na Ecologia Matemática: Modelo Não Linear
Modelo Rosenzweig-MacArthur
 x y

 ẋ
 = x r 1− − x+A ,
K
sA (x − J)
 ẏ
 = y
(J + A) (x + A)
x : densidade populacional da presa
y : densidade populacional do predadore
r : taxa de crescimento intrı́nseca da presa
K : capacidade de carga do meio ambiente
A : taxa meia de saturação
s : eficácia da conversão do predador
J : mı́nima população das presas para o qual o predador pode
sobreviver debaixo da capacidade de carga K , J < K .
LNCC

Modelo Rosenzweig-MacArthur - Simulação sem controle
Phase portrait
90
80
70
60
50
y
40
30
20
10
0
0 10 20 30 40 50 60 70
x
LNCC

Modelo Rosenzweig-MacArthur com controle
 x y

 ẋ = x r 1− − x+A ,
K



sA (x − J)
ẏ = y − y u2


 (J + A) (x + A)
u2 = ε2 φ(τ ),

Caracterı́sticas especiais do controle u2

1 Exige simplicidade de controle
2 Sem provocar extinção
3 Restrição: x > 0 e y > 0
4

0 se τ <0
φ(τ ) = (27)
1 se τ >0
LNCC

Modelo Rosenzweig-MacArthur - Esboço CLF+ “Backstepping”
x y

ẋ = x r 1− − x+A ,
K
sA (x − J) (28)
ẏ = y − y u2
(J + A) (x + A)
u2 = ε2 φ(τ ),
Idéia:
1 Em (28) y atua como controle fictı́cio u1 (x) (backstepping).
2 CLF: V1 (x) = 12 (x − xd )2 ; u1 = ε x e V̇1 < 0.
3 u2 é escolhido para fazer com que y rastreie u1 (x).
4 Escolha do limiar: τ = y − u1 = y − ε x.
5 CLF: V2 = 12 τ 2 ; ε e ε2 e V̇2 < 0.
LNCC

Modelo Rosenzweig–MacArthur: Resultados de simulação
Phase portrait Phase portrait Phase portrait

90
70 70
80
60 60
70
50 50
60
50 40 40
y y y
40
30 30
30
20 20
20
10 10
10
0 0 0
0 10 20 30 40 50 60 70 0 10 20 30 40 50 60 70 0 10 20 30 40 50 60 70
x x x
Sem Controle Controle Polı́tica

Proporcional Limiar
LNCC

Sistema de Pastagem
dV /dt = (h W ⋆ (V ) − l − b H) V

dH/dt = (e b V − d) H,
V,H
W ⋆ (V ) disponibilidade de água como função da vegetação
h crescimento da vegetação / disponibilidade água
l perda devido a velhice da vegetação
b consumo dos herbı́voros
e coeficiente de conversão
d morte natural dos herbı́voros
LNCC

Sistema de Pastagem com Polı́tica de Limiar
dV /dt = (hW ⋆ (V ) − l − φ1 (τ )) V ,

dH/dt = (φ2 (τ ) − d) H,

0 if τ (V , H) > 0,
φ1 (τ ) =
bH if τ (V , H) < 0,

k1 if τ (V , H) > 0, k1 ≤ d
φ2 (τ ) =
ebV if τ (V , H) < 0,
LNCC

Comportamento do Sistema de Pastagem
H H

fs
Predator
PSfrag repla ements
iso line
Z Prey

s
fs
4 PSfrag repla ements iso line
Prey
iso line
Predator
iso line
Z1f s Z2f s Z3f s V Z1 Z2

s s
Z3 V
s
LNCC

Modelo dependente da razão: duas espécies
ẋ = f1 (x) + f2 (x/y )y
ẏ = y (f3 (x/y ) − d) + f4 (y )u2
u2 = ε2 φ(τ ),
e.g.
f1 = a x (1 − x/K ) f2 = −c x/ (m y + x)
f3 = f x/ (m y + x) f4 = −y
LNCC

Modelo dependente da razão adimensional: duas espécies
t −→ at x −→ x/K y −→ my /K
ẋ = f1 (x) + f2 (x/y )y ,
ẏ = δ y f3 (x/y ) + f4 (y )u2 ,
u2 = ε2 φ(τ )
f1 = x (1 − x) f2 = −s x/ (y + x)
f3 = x/ (y + x) − r f4 = −y
c f d
s= , δ= , r=
ma a f
LNCC

Modelo tipo Gause: duas espécies
(x, y ) −→ (u, y ) , u = x/y , y = y
u̇ = g (u) − ϕ(u)y ,
ẏ = ψ(u)y + f4 (y )u2 ,
u2 = ε2 φ(τ ),
g (u) = u(1 + δr − s + (1 + δr − δ)u)/(1 + u) ϕ(u) = u 2

ψ(u) = δ(u/(u + 1) − r ) f4 = −y
c f d
s= , δ= , r=
ma a f
LNCC

Caracterı́sticas da dependência da razão
Dinâmica rica e mais realista biologicamente

Predador e presa podem ir a extinção (observação clássica Gause,
1934)
Não apresenta o paradoxo de enriquecimento
O fenômeno denominado “paradoxo” de controle biológico pode
ocorrer (densidade baixa e estável)
LNCC

Paradoxo de Enriquecimento
Instável
Estável
0 K x
“ “ x” y
”
ẋ = x r 1− − x+A ,
„ K «
sA (x − J)
ẏ = y .
(J + A) (x + A)
LNCC

Controle com Histérese

1, se τ > 0, 
1, se τ > −σ e τ̇ < 0,
φ(τ, t) = φhys (τ, t) =
−1, se τ < 0. −1, se τ < σ e τ̇ > 0,
φ
φhys
1
1
τ −σ σ
τ
−1
−1
LNCC

Definição Polı́tica de Limiar com Histerese
H
G1 : (Z ) > (Z ) = 0
Z eq
G2
PSfrag repla ements
M 0
Z eq
G1
M1 G2 : (Z ) <
V
LNCC

Controle com Histérese - Modelo de Uma Espécie
= g x 1 − Kx − x uhys ,

ẋ
(29)
uhys = ε φhys (τ )
0.9
0.8
0.7
M0
Vegetation density
0.6
0.5
0.4
M1
0.3
0.2
0.1
0
0 1 2 3 4 5 6 7 8 9 10
Time
LNCC

Aplicação: Modelo de Duas Espécies
x y

ẋ = x r 1− − x+A ,
K
sA (x − J) (30)
ẏ = y − y u2
(J + A) (x + A)
u2 = ε2 φhys (τ ),

90
70 70
80
60 60
70
50 50
60
50 40 40
y y y M
0
40
30 30
M
30 1
20 20
20
10 10
10
0 0 0
0 10 20 30 40 50 60 70 0 10 20 30 40 50 60 70 0 10 20 30 40 50 60 70
x x x
(a) (b) (c)

LNCC

Sistema de Pastagem com Polı́tica de Limiar: Simulação
Limiar Horizontal (Herbı́voro)
Vegetation Vegetation
40 40
30 30
V V
20 20
10 10
0 0
0 100 200 300 400 500 600 700 0 100 200 300 400 500 600 700 800 900 1000
Time Time
Herbivore Herbivore
15 15
H10 H10
5 5
0 0
0 100 200 300 400 500 600 700 0 100 200 300 400 500 600 700 800 900 1000
Time Time
Sem Histerese Com Histerese
LNCC

Dinâmica de Vı́rus HIV
Modelo Nowak & May

 ẋ = λ − d x − β x v,
ẏ = β x v − a y, (31)
v̇ = k y − u v,

x : densidade populacional das células não infectadas (células CD4+

y : densidade populacional das células infectadas (células CD4+ infectadas)
v : densidade populacional dos vı́rus livres infecciosos
λ : taxa de produção das células não infectadas
d : taxa de morte natural das células não infectadas
β : taxa de infecção que o vı́rus infecta as células não infectadas
a : taxa de morte natural das células infectadas
k : taxa de duplicação do vı́rus depois de infectar uma célula CD4+
u : taxa de morte natural do vı́rus
LNCC

Exemplo: Comportamento de dinâmica de vı́rus HIV
Modelo Nowak & May
6
x 10
6
x
y
5 v
0
0 5 10 15 20 25 30 35 40 45 50
Time LNCC

Dinâmica de Vı́rus HIV com terapia de drogas


 ẋ = λ − d x − (1 − εTR ) β x v ,
ẏ = (1 − εTR ) β x v − a y ,

(32)

 v̇ = (1 − εIP ) k y − u v ,
ẇ = εIP k y − u w ,

εTR : eficácia do inibidor da transcriptase reversa

εIP : eficácia do inibidor da protease
w : densidade populacional dos vı́rus livres não-infeccioso
Objetivo de controle
é manter o nı́vel das células não infectadas o mais alto possı́vel e o nı́vel
do vı́rus o mais baixo possı́veis.
LNCC

Dinâmica de Vı́rus HIV - Modelo Jeffrey, Xia & Craig

1−x
 ẋ = λ+px − d x − β x v,


Tm
(33)

 ẏ = β x v − a y,
v̇ = N a y − u v,

x : densidade populacional das células não infectadas (células CD4+

y : densidade populacional das células infectadas (células CD4+ infectadas)
v : densidade populacional dos vı́rus livres infecciosos
λ : taxa de produção das células não infectadas
Tm : máxima capacidade de proliferação
p : taxa constante de proliferação
d : taxa de morte natural das células não infectadas
β : taxa de infecção que o vı́rus infecta as células não infectadas
a : taxa de morte natural das células infectadas
N : partı́culas livres do vı́rus produzidas por célula infectada CD4+
u : taxa de morte natural do vı́rus
LNCC

Modelo Jeffrey, Xia & Craig
4000
x
3500
y
v
3000
2500
2000
1500
1000
500
0
0 100 200 300 400 500 600 700 800
Time
LNCC

Modelo Kirschner & Webb
λ2 v p1 x v


 ẋ = λ1 − −dx + − βx v

 Bs + v C +v
 p2 y v
ẏ = βx v − a y − (34)
Ci + v
p3 y v gs v



 v̇
 = − kv x v +
Ci + v B +v
LNCC

Modelo Kirschner & Webb
1500
x
y
v
1000
500
0
0 500 1000 1500 2000 2500 3000 3500
Time
LNCC

Controle de processos bio-quı́micos
1 processos quı́micos, bio-quı́micos

2 tratamento de águas residuais
3 industria farmacêutica
4 modelo quimiostato
5 Objetivo
Estabilizar substrato, e.g. contaminante tóxico, produto farmacêutico,
em nı́vel aceitável
LNCC

Controle de processos bio-quı́micos
1 processos quı́micos, bio-quı́micos

2 tratamento de águas residuais
3 industria farmacêutica
4 modelo quimiostato
5 Objetivo
Estabilizar substrato, e.g. contaminante tóxico, produto farmacêutico,
em nı́vel aceitável
LNCC

Modelo quimiostato simples
0
m1 xy m2 xz
 ẋ = x − x (D0 + φ (z) D) − a1 +x − a2 +x

ẏ = m 1 xy
a1 +x − (D0 + φ (z) D1 ) y (35)
ż = am22+x
xz
− (D0 + φ (z) D2 ) z


α1 if z > zth
φ (z) = (α1 , α2 > 0),
α2 if z < zth
x : concentração do nutriente limitante
x0 : concentração de entrada do nutriente (mantido
constante)
y ez : concentrações dos microorganismos
Di , (i = 0, 1, 2) : taxas de diluição
m1 , m2 : taxas máximas de crescimento de cada micro-
organismo
a1 , a2 : constantes meias de saturação
αi , (i = 1, 2) : constantes adimensionais as quais dictam as
LNCC
novas taxas de diluição
Aplicação na Ecologia Matemática: Modelo Quimiostato
Resultados de simulação - Costa & Meza (2006)

5.5 4.5
2.5
5
4
4.5
2
3.5
4
3.5 3
1.5
3
z
z
z
2.5
2.5
1
2 2
1.5
1.5
0.5
1
1
0.5
0 0 0.5
0 0.2 0.4 0.6 0.8 1 1.2 1.4 1.6 1.8 0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8
y y y
zth = 5 zth = 2.5 zth = 4
LNCC

Bibliografia
Cook, P. A., 1986. Nonlinear Dynamical Systems. Prentice / Hall

International, UK.
Khalil, H. K., 1992. Nonlinear Systems. Macmillan Publishing.
Leigh, J. R., 1983. Essentials of nonlinear control theory. IEE Topics in
Control Series 2. Short Run Press, Lodon, UK.
Sepulchre, R., Janković, M., Kokotović, P., 1997. Constructive Nonlinear
Control. Series on Communications and Control Engineering (CCES).
Springer-Verlag, London.
Slotine, J.-J. E., Li, W., 1991. Applied Nonlinear Control. Prentice Hall,
Englewood Cliffs, New Jersey.
Sontag, E. D., 1989. A ‘universal’ construction of Artstein’s theorem on
nonlinear stabilization. Systems and Control Letters 13, 117–123.
Utkin, V. I., 1992. Sliding Modes In Control And Optimization.
Springer-Verlag, Berlin. LNCC

Introdu C Ao Ao Controle de Sistemas N Ao Lineares: Magno Enrique Mendoza Meza

Transféré par

Informations du document

Titre original

Copyright

Formats disponibles

Partager ce document

Partager ou intégrer le document

Options de partage

Avez-vous trouvé ce document utile ?

Ce contenu est-il inapproprié ?

Droits d'auteur :

Formats disponibles

Introdu C Ao Ao Controle de Sistemas N Ao Lineares: Magno Enrique Mendoza Meza

Transféré par

Droits d'auteur :

Formats disponibles

Introdução ao controle de sistemas não lineares

Magno Enrique Mendoza Meza1

1 Universidade Federal do Rio de Janeiro

COPPE - Programa de Engenharia Elétrica

Magno E. M. Meza (UFRJ) Mini-curso Fevereiro de 2007 1 / 110

3 Tipos de não linearidades

4 Comportamento de sistemas não lineares

5 Sistema Autônomo e Não Autônomo

Magno E. M. Meza (UFRJ) Mini-curso Fevereiro de 2007 2 / 110

Dia 05 de fevereiro de 2007

Magno E. M. Meza (UFRJ) Mini-curso Fevereiro de 2007 3 / 110

Magno E. M. Meza (UFRJ) Mini-curso Fevereiro de 2007 4 / 110

Razões pelo interesse:

Magno E. M. Meza (UFRJ) Mini-curso Fevereiro de 2007 5 / 110

Não linearidades suaves

Não linearidades suaves

Não linearidades suaves

Não linearidades suaves

Não linearidades duras

Magno E. M. Meza (UFRJ) Mini-curso Fevereiro de 2007 7 / 110

Não linearidades duras

Magno E. M. Meza (UFRJ) Mini-curso Fevereiro de 2007 7 / 110

Não linearidades duras

Magno E. M. Meza (UFRJ) Mini-curso Fevereiro de 2007 7 / 110

Não linearidades duras

Magno E. M. Meza (UFRJ) Mini-curso Fevereiro de 2007 7 / 110

Relé Relé com histerese

Magno E. M. Meza (UFRJ) Mini-curso Fevereiro de 2007 8 / 110

Ponto de Um só ou uma Um ou mais

Magno E. M. Meza (UFRJ) Mini-curso Fevereiro de 2007 9 / 110

Magno E. M. Meza (UFRJ) Mini-curso Fevereiro de 2007 11 / 110

Magno E. M. Meza (UFRJ) Mini-curso Fevereiro de 2007 14 / 110

ẋ = A(t) x, x ∈ Rn×1 A matriz n × n, (3)

e para os sistemas não lineares

ẋ = f (x, t), x ∈ Rn×1 , f n × 1, (4)

Sistemas lineares são classificados como:

Caso contrario, o sistema é chamado não autônomo. LNCC

Magno E. M. Meza (UFRJ) Mini-curso Fevereiro de 2007 15 / 110

6 Análise de sistemas não lineares

7 Análise do plano de fase de sistemas lineares

8 Análise do plano de fase de sistemas não lineares

Magno E. M. Meza (UFRJ) Mini-curso Fevereiro de 2007 16 / 110

Dia 06 de fevereiro de 2007

Magno E. M. Meza (UFRJ) Mini-curso Fevereiro de 2007 17 / 110

O metodo do plano de fase está envolvido com o estudo gráfico de

no qual x1 e x2 são os estados do sistema, e f1 e f2 são funções não

Magno E. M. Meza (UFRJ) Mini-curso Fevereiro de 2007 18 / 110

Magno E. M. Meza (UFRJ) Mini-curso Fevereiro de 2007 19 / 110

O ponto singular do sistemas (7) é a origem (0, 0) do plano de fase.

Magno E. M. Meza (UFRJ) Mini-curso Fevereiro de 2007 20 / 110

Existe vários métodos para constroir trajetórias do plano de fase para

Magno E. M. Meza (UFRJ) Mini-curso Fevereiro de 2007 21 / 110

Esta técnica envolve resolver as equações (6) para x1 e x2 como funções

Magno E. M. Meza (UFRJ) Mini-curso Fevereiro de 2007 22 / 110

x12 + x22 = x02 0 x

Integrando esta equação resulta em:

Magno E. M. Meza (UFRJ) Mini-curso Fevereiro de 2007 23 / 110

Este método, envolve eliminação direta da variável tempo, i.e., que os

Magno E. M. Meza (UFRJ) Mini-curso Fevereiro de 2007 24 / 110

Manuseando matemáticamente, podemos considerar o sistema linear de

As raizes (autovalores) λ1 e λ2 podem ser representadas explicitamente

Magno E. M. Meza (UFRJ) Mini-curso Fevereiro de 2007 25 / 110

Comportamento da solução Nome dado ao Autovalores λ1 , λ2