Cap tulo 10 Controlador Preditivo Generalizado (GPC)

10.1 Introdu c ao

Controladores baseados em modelo (Model-Based Controllers) t em se mostrado de particular interesse para aplica c oes industriais, especialmente no contexto de processos qu micos de grande porte. Esses controladores caracterizam-se por utilizar previs oes do comportamento futuro do sistema controlado para realizar o c alculo da lei o tima de controle com base em um determinado crit erio de desempenho determin stico ou estoc astico. As previs oes s ao obtidas atrav es de um modelo do sistema. A diferen ca entre as classes distintas de controladores preditivos est a basicamente no tipo de modelo adotado. Nas se co es seguintes considera-se um dos controladores preditivos mais difundidos na literatura: o Controlador Preditivo Generalizado (GPC)

10.2

Controlador GPC

Suponha que um sistema que se pretenda controlar, por simplicidade e sem perda de generalidade monovari avel (SISO), possa ser descrito como: A(q 1 )y (t) = q d B (q 1 )u(t 1) (10.1)

onde q e o operador deslocamento a ` frente, u(t) e y (t) s ao respectivamente a entrada e a sa da do sistema no instante discreto de tempo t, d 0 eo 1 1 atraso de tempo e A(q ) e B (q ) s ao polin omios dados por

A(q 1 ) = 1 + a1 q 1 + + aNa q Na B (q 1 ) = b0 + b1 q 1 + + bNb q Nb

(10.2)

O Controlador Preditivo Generalizado (GPC) utiliza um modelo do sistema, conhecido como CARIMA (Controlled Auto-Regressive Integrating MovingAverage), que e basicamente uma vers ao incremental (variacional) da representa ca o dada pela equa ca o (10.1), ou seja: (q 1 ) A y (t) = B (q 1 ) u(t 1) (10.3) (q 1 ) = A(q 1 ) = 1 + a onde = (1 q 1 ) e A 1 q 1 + + a Na q Na , sendo a j = aj aj 1 e Na = N + 1. Note que, nesse modelo, qualquer atraso a de tempo deve ser representado atrav es de coecientes nulos no polin omio 1 B (q ). O controlador preditivo calcula a seq u encia dos sinais de controle futuros1 u(t), u(t + 1), u(t + Ny 1) que minimiza o erro quadr atico entre uma seq u encia de sa da desejada w(t + 1), ,w(t + Ny )(refer encia de controle) e as sa das previstas y (t + 1), , y (t + Ny ) no horizonte de previs ao Ny . Dos sinais de controle calculados, somente o primeiro, ou seja u(t), e aplicado ao sistema. No instante de tempo seguinte todo o procedimento e repetido, em uma estrat egia conhecida como Receding Horizon. Portanto, a estrat egia de controle e constitu da das seguintes etapas: C alculo da previs ao da sa da em um horizonte de tempo a ` frente, utilizando um modelo do sistema. C alculo da lei de controle minimizando um crit erio dado por uma fun ca o do erro entre a sa da prevista e a refer encia especicada. O crit erio a ser minimizado e dado por:
Ny Nu

J=
j =N1

(y (t + j |t) w(t + j ) ) +
j =1

( u(t + j 1) )2

(10.4)

onde N1 1 e o horizonte inicial de previs ao, Ny e o horizonte de previs ao (Ny N1 ), Nu e o horizonte de controle (Nu Ny ), 0 e a pondera ca o
Assume-se que no instante t a sa da do sistema y (t) e conhecida e deseja-se determinar o valor de u(t), portanto desconhecido.
1

do sinal de controle e |t indica que as respectivas previs oes da sa da em instantes futuros s ao realizadas utilizando as informa c oes dispon veis at eo instante presente t. Discuss oes sobre a inu encia dos par ametros de sintonia N1 , Ny , Nu e no desempenho do controlador podem ser encontradas em Nazetta(tese de mestrado). A minimiza c ao do crit erio J e realizada supondo que o sinal de controle a partir do instante t + Nu 1 e mantido constante, ou seja, entre t + Nu e t + Ny 1 o sinal de controle e igual a `quele em t + Nu 1. Isso signica que os incrementos do sinal de controle ap os o instante t + Nu 1, isto e u(t + Nu ), u(t + Nu + 1), , u(t + Ny 1), s ao nulos. Dessa forma, o problema de otimiza c ao e denido como: min J
u

(10.5)

s. a u(k ) = 0 k [t + Nu , t + Ny 1] onde u = [u(t) u(t+Nu 1)]T . Esse problema e usualmente resolvido a partir da aplica ca o de uma identidade polinomial (Eq. diofantina) para separar, em cada instante de amostragem, as parcelas livre e for cada da previs ao futura da sa da do sistema . No entanto, o mesmo resultado pode ser obtido de forma mais simples, como mostrado nas se co es seguintes.

10.2.1

Previs ao via C alculo Iterativo do Modelo

Lembrando que disp oem-se das informa co es do sistema at e o instante presente t, particularmente no que diz respeito ` as medidas da sa da y , as melhores previs oes poss veis das sa das futuras utilizando o modelo em (10.3) s ao dadas por: y (t + 1 |t) = a 1 y (t) a 2 y (t 1) a 3 y (t 2) a Na y ( t N + 1)+ a +B u(t) y (t + 2 |t) = a 1 y (t + 1 |t) a 2 y (t) a 3 y (t 1) a Na y ( t N + 2)+ a +B u(t + 1) y (t + 3 |t) = a 1 y (t + 2 |t) a 2 y (t + 1 |t) a 3 y (t) a Na y (t Na + 3)+ +B u(t + 2) . . .

(10.6)

Das equa co es acima pode-se vericar que as previs oes da sa da ap os o instante t podem ser descritas em fun c ao dos incrementos presente e futuros do sinal de controle (desconhecidos) e de acontecimentos ocorridos anteriormente ` aquele instante. Em outras palavras, a previs ao da sa da pode ser decomposta em y =y l + y f (10.7)

onde y l e a previs ao da sa da em fun ca o da resposta livre do sistema (isto e, com incrementos presente e futuros de controle nulos) e y f e a previs ao da sa da em fun c ao da resposta for cada (isto e, considerando apenas os incrementos presente e futuros do sinal de controle, que devem ser calculados de forma a minimizar o crit erio de desempenho). Das equa co es de previs ao anteriores tem-se que

y (t + 1 |t) = a 1 y (t) a 2 y (t 1) a Na y (t Na + 1)+ +b0 u(t)+ +b1 u(t 1) + + bNb u(t Nb ) y (t + 2 |t) = a 1 ( y l (t + 1 |t) + y f (t + 1 |t) ) a 2 y (t) a Na y (t Na + 2)+ +b0 u(t + 1) + b1 u(t) +b2 u(t 1) + + bNb u(t Nb + 1) . . . (10.8)

Logo, a partir das equa co es acima e das deni c oes de y l e y f tem-se:

y f (t + 1 |t) = b0 u(t) y f (t + 2 |t) = a 1 y f (t + 1 |t) + b0 u(t + 1) + b1 u(t) y f (t + 3 |t) = a 1 y f (t + 2 |t) a 2 y f (t + 1 |t) + b0 u(t + 2) +b1 u(t + 1)+ +b2 u(t) . . . (10.9)

e y l (t + 1 |t) = a 1 y (t) a 2 y (t 1) a Na y (t Na + 1) +b1 u(t 1) + + bNb u(t Nb ) y l (t + 2 |t) = a 1 y l (t + 1 |t) a 2 y (t) a Na y (t Na + 2) +b2 u(t 1) + + bNb u(t Nb + 1) y l (t + 3 |t) = a 1 y l (t + 2 |t) a 2 y l (t + 1 |t) a 3 y (t) a Na y (t Na + 3) +b3 u(t 1) + + bNb u(t Nb + 2) . . . (10.10) Exemplo Considere o seguinte sistema: Ay (t) = Bu(t 1) com A = (1 + a1 q 1 ) e B = (b0 + b1 q 1 ), ou seja y (t) = a1 y (t 1) + b0 u(t 1) + b1 u(t 2) Na forma incremental, rescreve-se o sistema acima como: y (t) = a 1 y (t 1) a 2 y (t 2) + b0 u(t 1) + b1 u(t 2) onde = A = (1 q 1 )A = (1 q 1 )(1 + a1 q 1 ) = A = (1 + (a1 1)q 1 a1 q 2 ) = (1 + a 1 q 1 + a 2 q 2 ) (10.14) (10.13) (10.12) (10.11)

Logo, as previs oes futuras do sinal de sa da s ao dadas a partir de (10.6) por y (t + 1 |t) = a 1 y (t) a 2 y (t 1)+ +b0 u(t) + b1 u(t 1) y (t + 2 |t) = a 1 y (t + 1 |t) a 2 y (t)+ +b0 u(t + 1) + b1 u(t) y (t + 3 |t) = a 1 y (t + 2 |t) a 2 y (t + 1 |t)+ +b0 u(t + 2) + b1 u(t + 1) . . . 5 (10.15)

e considerando a equa ca o (10.7) tem-se y l (t + 1 |t) = a 1 y (t) a 2 y (t 1) + b1 u(t 1) y l (t + 2 |t) = a 1 y l (t + 1 |t) a 2 y (t) y l (t + 3 |t) = a 1 y l (t + 2 |t) a 2 y l (t + 1 |t) . . . e y f (t + 1 |t) = b0 u(t) y f (t + 2 |t) = a 1 y f (t + 1 |t) + b0 u(t + 1) + b1 u(t) = b0 u(t + 1) + (b1 a 1 b0 )u(t) y f (t + 3 |t) = a 1 y f (t + 2 |t) a 2 y f (t + 1 |t)+ +b0 u(t + 2) + b1 u(t + 1) = a 1 ( b0 u(t + 1) + (b1 a 1 b0 )u(t) ) a 2 b0 u(t) + b0 u(t + 2) +b1 u(t + 1) . . . Denindo h0 = b0 ; h1 = b1 a 1 h0 ; h2 = b2 a 1 h1 a 2 h0 = a 1 h1 a 2 h0 ; tem-se (10.18) (10.19) (10.17) (10.16)

y f (t + 1 |t) y f (t + 2 |t) y f (t + 3 |t)

= h0 u(t) = h0 u(t + 1) + h1 u(t) = h0 u(t + 2) + h1 u(t + 1) + h2 u(t) . . . = h0 u(t + Nu 1)+ +h1 u(t + Nu 2) + + +hNu 1 u(t)

y f (t + Nu |t)

(10.20)

y f (t + Nu + 1 |t) = h0 u(t + Nu ) + h1 u(t + Nu 1)+ + + hNu u(t) . . . y f (t + Ny |t) = h0 u(t + Ny 1)+ +h1 u(t + Ny 2) + + +hNy Nu u(t + Nu 1) + + +hNy 1 u(t)

e no caso geral:
j 1

y f (t + j |t) =
i=0

hi u(t + j i 1) (10.21)

min(j, Na )

hj = bj
i=1

a i hj i ; h0 = b0

interessante notar que {h0 , h1 , h2 , . . .} E e a seq u encia de resposta ao impulso do sistema incremental, que possui fun c ao de transfer encia pulsada 1 B ( q ) . no operador deslocamento q 1 dada por (q 1 ) A Considerando a restri c ao imposta ao sinal de controle no problema de otimiza ca o estabelecido em (10.5), rescreve-se o conjunto de previs oes for cadas em (10.20) como: y f = H u onde y f = [ yf (t + 1 |t) y f (t + Ny |t)]T (10.23) (10.22)

u = [u(t) u(t + Nu 1)]T h0 h1 . . . 0 h0 .. . 0 0 h0 h1 hNy Nu

(10.24)

H = hNu 1 hNu 2 hNu hNu 1 . . . hNy 1 hNy 2 e denindo

(10.25)

y l = [ yl (t + 1 |t) y l (t + Ny |t)]T y = [ y (t + 1 |t) y (t + Ny |t)]T tem-se de (10.7) que y = H u + y l

(10.26) (10.27)

(10.28)

Pode-se ainda tomar apenas o subconjunto de previs oes de interesse que est ao envolvidas no crit erio (10.4), como segue: y = H u + y l onde y l = [ yl (t + N1 |t) y l (t + Ny |t)]T y = [ y (t + N1 |t) y (t + Ny |t)]T (10.30) (10.31) (10.29)

eH e a submatriz constitu da das u ltimas Ny N1 + 1 linhas de H .

10.2.2

Otimiza c ao do Crit erio de Desempenho

O crit erio (10.4) pode ser rescrito como: J = (y (t + N1 |t) w(t + N1 ) )2 + + +( y (t + Ny |t) w(t + Ny ) )2 + +( ( u(t) )2 + + ( u(t + Nu 1) )2 ) 8

(10.32)

e denindo w = [w(t + N1 ) w(t + Ny )]T tem-se J = (y w )T ( y w ) + uT u Portanto (10.33)

J = ( H u + y l w )T ( H u + y l w ) + uT u e utilizando a condi ca o necess aria para otimalidade tem-se J T T l w ) + 2u = 0 = 2H H u + 2H ( y u que implica na lei de controle o tima para o GPC dada por: u = ( H H + I )1 H ( w y l )
T T

(10.34)

(10.35)

(10.36)

onde u e denido em (10.24). Como comentado anteriormente, utiliza-se a estrat egia Receding Horizon, de tal forma que em cada instante t calcula-se a lei de controle em (10.36) e aplica-se somente o primeiro elemento, ou seja, u(t) = u(t 1) + u(t) (10.37)

importante observar que a obten E c ao da lei de controle posicional a partir da lei incremental atrav es da equa ca o acima insere automaticamente um integrador na malha, permitindo o cancelamento de erros em regime permanente para sinais de refer encia do tipo degrau.

10.2.3

Restri co es de Entrada e Sa da

A lei de controle em (10.36) foi obtida sem considerar restri co es operacionais na entrada manipulada e na sa da do sistema. Limitantes inferiores e superiores, no entanto, podem facilmente ser impostos tanto ao sinal de controle quanto ` a sa da prevista do sistema. Nesse caso, a lei de controle u deve ser obtida em cada instante de amostragem atrav es da minimiza c ao do crit erio quadr atico em (10.34) sujeita ao conjunto de restri c oes impostas. Como as referidas restri co es s ao dadas por desigualdades lineares em u, a solu ca o o tima global estrita para o problema pode ser obtida atrav es de Programa ca o Quadr atica . Previs oes de din amicas relacionadas a perturba c oes mensur aveis agindo sobre o sistema e que sejam representadas pelo modelo podem tamb em ser facilmente inseridas no c alculo da lei de controle . 9

10.2.4

Propriedades do Controle Preditivo

Algumas propriedades da estrat egia de controle preditivo s ao apresentadas abaixo: Com o conhecimento da refer encia em instantes futuros, o controlador pode reagir de forma antecipativa. Restri co es operacionais podem ser consideradas explicitamente na obten c ao da lei de controle o tima. O controlador trata de forma simples a presen ca de atraso de transporte no sistema a ser controlado. Esse tratamento pode ser realizado de forma direta, atrav es da sua considera ca o expl cita no modelo, ou indireta, atrav es da deni c ao adequada dos horizontes de previs ao N1 e Ny . Nesse u ltimo caso, garantindo Ny maior do que o atraso de transporte e suas eventuais varia co es, n ao e necess ario o conhecimento exato desse atraso. Pode-se tamb em adotar um horizonte inicial N1 > 1, reduzindo assim o esfor co computacional na medida que desconsideram-se as previs oes que n ao dependem, devido ao tempo morto, dos sinais de controle a serem determinados.

10