Aula Junho EE-254 (Controle Preditivo) Aula Junho / 85
|
|
- Ronaldo Carreiro
- 5 Há anos
- Visualizações:
Transcrição
1 Aula Junho 2019 EE-254 (Controle Preditivo) Aula Junho / 85
2 Resumo da aula passada Verificação de factibilidade. Gerenciamento de problemas de (não) factibilidade. EE-254 (Controle Preditivo) Aula Junho / 85
3 Tópico da aula de hoje Robustez a incertezas de modelo: Uso de Desigualdades Matriciais Lineares. EE-254 (Controle Preditivo) Aula Junho / 85
4 Motivação Como visto anteriormente, é possível obter garantias de factibilidade recursiva e convergência do estado para a origem empregando um horizonte de predição infinito. De modo a limitar o número de variáveis de decisão, pode-se empregar um horizonte de controle finito, com restrições terminais e custo terminal associado ao estado. Alternativamente, pode-se utilizar um horizonte de controle infinito, adotando-se uma parametrização da forma û(k + i k) = F k ˆx(k + i k), sendo F k R p n uma matriz de ganho a ser determinada a cada instante k. Nesse caso, as variáveis de decisão passam a ser os elementos de F k. Na formulação a ser apresentada, a matriz F k será obtida como solução de um problema de otimização envolvendo Desigualdades Matriciais Lineares. EE-254 (Controle Preditivo) Aula Junho / 85
5 O que são Desigualdades Matriciais Lineares? (Linear Matrix Inequalities, LMI) Referências: MACIEJOWSKI (2002), p BOYD, S.; EL GHAOUI, L.; FERON, E.; BALAKRISHNAN, V. Linear Matrix Inequalities in System and Control Theory. Philadelphia: SIAM, EE-254 (Controle Preditivo) Aula Junho / 85
6 Definição Uma LMI é uma desigualdade matricial da forma F (v) = F 0 + sendo F 0, F 1,..., F l matrizes simétricas. l v i F i > 0 F (v) é uma função afim das variáveis escalares v 1, v 2,..., v l. Desigualdades da forma F (v) < 0 e F (v) < G(v) são casos particulares da expressão acima. Com efeito, tais desigualdades podem ser reescritas como F (v) > 0 e G(v) F (v) > 0. i=1 EE-254 (Controle Preditivo) Aula Junho / 85
7 LMIs em outras formas Em muitos casos, LMIs podem não estar expressas diretamente nessa forma. Considere, por exemplo, a desigualdade de Lyapunov: com A = [ A T P + PA < 0 ] [ ] v1 v e P = 2. v 2 v 3 Neste caso, as variáveis são v 1, v 2, v 3 e a LMI pode ser escrita como [ ] [ ] [ ] [ ] 2 1 v1 v 2 v1 v < v 2 v 3 v 2 v [ ] [ ] 2v1 + v 2 2v 2 + v 3 2v1 + v + 2 3v 2 < 0 3v 2 3v 3 2v 2 + v 3 3v 3 EE-254 (Controle Preditivo) Aula Junho / 85
8 [ ] [ ] 2v1 + v 2 2v 2 + v 3 2v1 + v + 2 3v 2 < 0 3v 2 3v 3 2v 2 + v 3 3v 3 [ ] 4v1 + 2v 2 5v 2 + v 3 < 0 5v 2 + v 3 6v 3 [ ] [ ] [ ] v 1 + v v < EE-254 (Controle Preditivo) Aula Junho / 85
9 Sistemas de LMIs Um sistema de LMIs da forma F 1 (v) > 0 F 2 (v) > 0. F m (v) > 0 é equivalente a uma única LMI escrita como F 1 (v) F 2 (v) F m (v) > 0 EE-254 (Controle Preditivo) Aula Junho / 85
10 LMIs não estritas LMIs da forma F (v) 0 são ditas não estritas. Nesse caso, a LMI é dita factível se v tal que F (v) 0 e estritamente factível se v tal que F (v) > 0. EE-254 (Controle Preditivo) Aula Junho / 85
11 Convexidade O conjunto V = {v R n F (v) > 0} é convexo. Com efeito, sejam x, y V e z = λx + (1 λ)y com λ [0, 1]. Tem-se então que F (z) = F [λx + (1 λ)y] = F 0 + = F 0 + λ l [λx i + (1 λ)y i ]F i i=1 l x i F i + (1 λ) i=1 l y i F i = F 0 + λ[f (x) F 0 ] + (1 λ)[f (y) F 0 ] = λ F (x) +(1 λ) F (y) }{{}}{{} >0 >0 Portanto, F (z) > 0, comprovando que z V. Da mesma forma, pode-se mostrar que V = {v R n F (v) 0} é convexo. EE-254 (Controle Preditivo) Aula Junho / 85 i=1
12 Programação Semidefinida Problemas de otimização do tipo min v c T v s.a. F (v) 0, sendo F (v) 0 uma LMI, são problemas convexos. Problemas desse tipo (custo linear e restrições LMI) são conhecidos como Problemas de Programação Semidefinida. EE-254 (Controle Preditivo) Aula Junho / 85
13 Complemento de Schur Se Q(v) = Q T (v), R(v) = R T (v) e Q(v), R(v), S(v) são afins em v, então a LMI [ ] Q(v) S(v) S T > 0 (v) R(v) é equivalente a R(v) > 0 Q(v) S(v)R 1 (v)s T (v) > 0 ou então Q(v) > 0 R(v) S T (v)q 1 (v)s(v) > 0 Essa equivalência permite expressar desigualdades quadráticas convexas como LMIs. EE-254 (Controle Preditivo) Aula Junho / 85
14 O complemento de Schur pode também ser generalizado para LMIs não estritas (Boyd et al., 1994): A LMI [ Q(v) S(v) S T (v) R(v) é equivalente a sendo R a pseudo-inversa de R. ] 0 R(v) 0 Q(v) S(v)R (v)s T (v) 0 S(I RR ) = 0 Caso seja ainda imposta a condição R(v) > 0, tem-se simplesmente Q(v) S(v)R 1 (v)s T (v) 0. EE-254 (Controle Preditivo) Aula Junho / 85
15 Complemento de Schur: Exemplo (Maciejowski, p. 235) Seja o seguinte PPQ: sendo Q = Q T 0. Este problema é equivalente a min x (x T Qx + q T x + r) s.a Ax b s.a. min γ,x γ γ x T Qx q T x r 0 Ax b EE-254 (Controle Preditivo) Aula Junho / 85
16 γ x T Qx q T x r 0 Empregando o complemento de Schur, esta restrição pode ser reescrita como [ 1 Q 1/2 x x T Q 1/2 γ r q T x ] 0 EE-254 (Controle Preditivo) Aula Junho / 85
17 Ax b Estas restrições podem ser reescritas como (Ax b) (Ax b) (Ax b) m 0 em que (Ax b) i denota o i-ésimo elemento de Ax b. EE-254 (Controle Preditivo) Aula Junho / 85
18 LMI Lab (Matlab Robust Control Toolbox) EE-254 (Controle Preditivo) Aula Junho / 85
19 Considerações preliminares No LMI Lab, LMIs são especificadas na forma F left (x) < F right (x). Se F left (x) ou F right (x) não forem especificadas, assume-se 0 por default. Cada lado da LMI é estruturado na forma N T MN, sendo M uma matriz simétrica. As matrizes N e M são chamadas outer e inner factor, respectivamente. Na maioria dos casos, N = I, não sendo necessário explicitá-la na especificação da LMI. EE-254 (Controle Preditivo) Aula Junho / 85
20 Como especificar um conjunto de LMIs Passo 1: Inicialização SETLMIS([]) resets the internal variables used for creating LMIs so that you can create a new system of LMIs. SETLMIS(LMISYS0) uses an existing LMI system LMISYS0 as the starting point for creating a new system of LMIs. EE-254 (Controle Preditivo) Aula Junho / 85
21 Passo 2: Especificação das variáveis do problema X = LMIVAR(TYPE,STRUCT) adds a new matrix variable X to the LMI system currently specified EE-254 (Controle Preditivo) Aula Junho / 85
22 TYPE - Structure of X: 1 -> symmetric block diagonal (blocos simétricos na diagonal) 2 -> full rectangular 3 -> other (elementos iguais a zero, x n ou x n em posições especificadas) EE-254 (Controle Preditivo) Aula Junho / 85
23 STRUCT - Additional data on the structure of X TYPE = 1: the i-th row of STRUCT describes the i-th diagonal block of X STRUCT(i,1) -> block size STRUCT(i,2) -> block type: 0 (scalar block t*i), 1 (full symmetric block), -1 (zero block) TYPE = 2: STRUCT = [M,N] if X is a MxN matrix TYPE = 3: STRUCT is a matrix of the same dimension as X where STRUCT(i,j) is either 0 if X(i,j) = 0, +n if X(i,j) = n-th decision variable, -n if X(i,j) = (-1)* n-th decision variable. EE-254 (Controle Preditivo) Aula Junho / 85
24 Exemplos: X = lmivar(1,[2 1]) > 2 x 2 full symmetric matrix [ ] x1 x X = 2 x 2 x 3 Y = lmivar(2,[2 3]) > 2 x 3 matrix [ y1 y Y = 2 y 3 y 4 y 5 y 6 ] Z=lmivar(1,[3 0]) > 3 x 3 scalar matrix Z = z z z EE-254 (Controle Preditivo) Aula Junho / 85
25 Passo 3: Inserção de cada LMI LMITAG = NEWLMI adds a new LMI to the LMI system currently described and attaches the identifier LMITAG to it. Declaring LMIs with NEWLMI is optional and only meant to make the code more readable. Output: LMITAG (identifier of the new LMI). Its value is L if there are already L-1 LMIs in the system. This value remains unchanged in all subsequent modifications of the LMI system EE-254 (Controle Preditivo) Aula Junho / 85
26 Passo 4: Especificação de cada LMI LMITERM(TERMID,A,B,FLAG) adds one term to some LMI in the LMI system currently specified. A term is either an outer factor, a constant matrix, or a variable term A*X*B or A*X *B where X is a matrix variable. The first input TERMID specifies which LMI and block the term belongs to. Note: Because the OFF-DIAGONAL blocks (i,j) and (j,i) are transposed of one another, specify the term content of ONLY ONE of these two blocks. TERMID(1) = +n -> left-hand side TERMID(1) = -n -> right-hand side For outer factors, set TERMID(2:3) = [0 0]. Otherwise, set TERMID(2:3) = [i j] if the term belongs to the (i,j) block of the LMI EE-254 (Controle Preditivo) Aula Junho / 85
27 TERMID(4) = 0 -> constant term TERMID(4) = X -> variable term A*X*B TERMID(4) = -X -> variable term A*X *B where X is the variable identifier returned by LMIVAR A -> value of the outer factor, constant term, or left coefficient in variable terms A*X*B or A*X *B B -> right coefficient in variable terms A*X*B or A*X *B FLAG -> quick way of specifying the expression A*X*B+B *X *A in a DIAGONAL block. Set FLAG= s to specify it with only one command. EE-254 (Controle Preditivo) Aula Junho / 85
28 Observações (extraídas do manual do Robust Control Toolbox): Os blocos são zero por default. Um valor escalar α pode ser especificado em lugar de uma matriz da forma αi. A dimensão da matriz identidade I é inferida pelo contexto. EE-254 (Controle Preditivo) Aula Junho / 85
29 Passo 5: Conclusão LMISYS = GETLMIS returns a computer description LMISYS of the currently described LMI system. LMIINFO(LMISYS) Gives information about: the variable matrices (dimensions and structure) the block structure and dimensions of the LMIs the term content of each LMI NDECV = DECNBR(LMISYS) returns the number of decision variables NDECV in the system of LMIs. EE-254 (Controle Preditivo) Aula Junho / 85
30 Como testar a factibilidade de um conjunto de LMIs [TMIN,XFEAS] = FEASP(LMISYS) Given an LMI feasibility problem: Find x such that L(x) < R(x), FEASP solves the auxiliary convex program: Minimize t subject to L(x) < R(x) + t*i TMIN -> value of t upon termination. The LMI system is feasible iff TMIN <= 0 XFEAS -> corresponding minimizer. If TMIN <= 0, XFEAS is a feasible vector for the set of LMI constraints. EE-254 (Controle Preditivo) Aula Junho / 85
31 [TMIN,XFEAS] = FEASP(LMISYS) Use DEC2MAT to get the matrix variable values from XFEAS. X = DEC2MAT(LMISYS,DECVARS,XID) returns the value of the matrix variable with identifier XID given the LMI system description LMISYS and the vector DECVARS of decision variable values. EE-254 (Controle Preditivo) Aula Junho / 85
32 Exemplo: Análise de estabilidade Seja um sistema com dinâmica descrita pela seguinte equação de estado a tempo contínuo: ẋ = Ax O sistema é assintoticamente estável (todos os autovalores de A possuem parte real negativa) se e somente se existir uma matriz P > 0 que satisfaça a seguinte desigualdade: A T P + PA < 0 EE-254 (Controle Preditivo) Aula Junho / 85
33 Vamos realizar a análise de estabilidade com [ ] 0 1 A = 2 3 cujos autovalores são 1 e 2. EE-254 (Controle Preditivo) Aula Junho / 85
34 Passo 1: Inicialização A = [0 1;-2-3] setlmis([]) EE-254 (Controle Preditivo) Aula Junho / 85
35 Passo 2: Especificação das variáveis P = lmivar(1,[2 1]) Type = 1 (P é uma matriz simétrica bloco-diagonal) Struct = [2 1] (uma linha > um único bloco): Block size = 2 (Bloco tem dimensões 2 x 2) Block type = 1 (Bloco é uma matriz cheia) EE-254 (Controle Preditivo) Aula Junho / 85
36 Passo 3: Inserção de cada LMI LMIs a serem inseridas: A T P + PA < 0 (1) P > 0 (2) EE-254 (Controle Preditivo) Aula Junho / 85
37 Primeira LMI: A T P + PA < 0 LyapEq = newlmi lmiterm([lyapeq 1 1 P],1,A, s ) LyapEq: Valor positivo (lado esquerdo da LMI) [1 1]: Bloco (1,1) da LMI Termo da forma A lmi PB lmi com A lmi = 1 e B lmi = A FLAG = s : Simetrização do termo: A T P + PA EE-254 (Controle Preditivo) Aula Junho / 85
38 Segunda LMI: P > 0 Ppos = newlmi lmiterm([-ppos 1 1 P],1,1) -Ppos: Valor negativo (lado direito da LMI) [1 1]: Bloco (1,1) da LMI Termo da forma A lmi PB lmi com A lmi = 1 e B lmi = 1 Arquivo Matlab: ex1.m EE-254 (Controle Preditivo) Aula Junho / 85
39 Exemplo: Análise de estabilidade Experimente repetir a análise de estabilidade com [ ] 0 1 A = 2 1 cujos autovalores são 1 e 2. EE-254 (Controle Preditivo) Aula Junho / 85
40 Problemas de programação semidefinida MINCX - Minimizes a linear objective under LMI constraints [COPT,XOPT] = MINCX(LMISYS,C) solves the optimization problem Minimize c * x subject to L (x) < R(x) where x is the vector of decision variables (free scalar variables). A chamada a esta rotina não permite fazer distinção entre desigualdades estritas e não estritas. Contudo, se as LMIs não forem estritamente factíveis será retornado um diagnóstico de não factibilidade*. *Vide EE-254 (Controle Preditivo) Aula Junho / 85
41 Controle preditivo robusto empregando LMIs Referências: MACIEJOWSKI, p KOTHARE, M. V.; BALAKRISHNAN, V.; MORARI, M. Robust constrained predictive control using linear matrix inequalities. Automatica, v. 32, n. 10, p , EE-254 (Controle Preditivo) Aula Junho / 85
42 Incerteza politópica Assume-se que a dinâmica da planta seja descrita por um modelo da forma x(k + 1) = Ax(k) + Bu(k) em que A, B são matrizes incertas que pertencem a um dado politopo Ω com vértices (A 1, B 1 ), (A 2, B 2 ),..., (A L, B L ). Em outras palavras, existem escalares λ 1, λ 2,..., λ L 0 tais que A = L λ j A j, B = j=1 L λ j = 1 j=1 L λ j B j j=1 Notação: Ω = Co { (A 1, B 1 ), (A 2, B 2 ),..., (A L, B L ) } EE-254 (Controle Preditivo) Aula Junho / 85
43 Exemplo: Servomecanismo posicionador Torque Momento de inércia: J (conhecido) Coeficiente de atrito viscoso: b [b min, b max ] Característica do motor: τ = κu, κ [κ min, κ max ] J θ + b θ = κu EE-254 (Controle Preditivo) Aula Junho / 85
44 J θ + b θ = κu Variáveis de estado: x 1 = θ, x 2 = θ. Equação de estado: ẋ 1 = x 2 ẋ 2 = b J x 2 + κ J u [ ] [ ] 0 1 0κ ẋ = 0 b x + u }{{ J J }}{{} A c B c Discretização aproximada com período de amostragem T : x(k + 1) = (I + A c T ) x(k) + B }{{} c T u(k) }{{} A B EE-254 (Controle Preditivo) Aula Junho / 85
45 A(b) = [ 1 T 0 1 bt J ], B(κ) = [ 0 κt J ] b [b min, b max ], κ [κ min, κ max ] Neste caso, há dois parâmetros incertos independentes. O politopo Ω terá quatro vértices: 1 A(b min ), B(κ min ) 2 A(b min ), B(κ max ) 3 A(b max ), B(κ min ) 4 A(b max ), B(κ max ) EE-254 (Controle Preditivo) Aula Junho / 85
46 Formulação do Problema Função de custo a ser minimizada no instante k: J (k) = ˆx(k + i k) 2 S + û(k + i k) 2 R i=0 com S = S T > 0 e R = R T > 0. Problema min-max a ser resolvido: min û max J (k) (A,B) Ω EE-254 (Controle Preditivo) Aula Junho / 85
47 Abordagem empregada Parametrizar o controle na forma û(k + i k) = F k ˆx(k + i k) Determinar a matriz de ganho F k de modo a minimizar um limitante superior γ para max J (k). (A,B) Ω EE-254 (Controle Preditivo) Aula Junho / 85
48 Expressando-se a matriz de ganho como F k = YQ 1, com Y e Q a serem determinadas, pode-se colocar o problema na seguinte forma: min γ γ>0,q>0,y s.a. [ ] Q x(k) 0 (1) 1 Q 0 0 A j Q + B j Y γi 0 S 1/2 Q γi R 1/2 Y 0, j = 1, 2,..., L (2) Q desde que as LMIs (1) e (2) sejam factíveis com γ > 0 e Q > 0. EE-254 (Controle Preditivo) Aula Junho / 85
49 Demonstração de que γ é um limitante superior para J (k) Suponha que (γ, Q, Y ) satisfaça as LMIs (1) e (2), com γ > 0 e Q > 0. Sejam ainda λ 1, λ 2,..., λ L 0 tais que Em vista de (2), tem-se L λ j isto é, j=1 L λ j = 1 j=1 Q 0 0 A j Q + B j Y γi 0 S 1/2 Q γi R 1/2 Y Q Q 0 0 L j=1 λ ja j Q + L j=1 λ jb j Y γi 0 S 1/2 Q γi R 1/2 Y Q 0 0 EE-254 (Controle Preditivo) Aula Junho / 85
50 Portanto: Q 0 0 AQ + BY 0 γi 0 S 1/2 Q 0 0 γi R 1/2 Y (AQ + BY ) T QS 1/2 Y T R 1/2 Q 0 qualquer que seja (A, B) Ω. Aplicando o complemento de Schur, tem-se [ Q ] (AQ + BY ) T QS 1/2 Y T R 1/2 Q γ 1 I γ 1 I AQ + BY S 1/2 Q R 1/2 Y 0 EE-254 (Controle Preditivo) Aula Junho / 85
51 Ou seja: Q [ (AQ + BY ) T Q 1 γ 1 QS 1/2 γ 1 Y T R ] 1/2 AQ + BY S 1/2 Q R 1/2 Y 0 Q (AQ + BY ) T Q 1 (AQ + BY ) γ 1 QSQ γ 1 Y T RY 0 [ Q Q 1 (A + BYQ 1 ) T Q 1 (A + BYQ 1 ) γ 1 S γ 1 Q 1 Y T RYQ 1] Q 0 Logo, como Q > 0, tem-se Q 1 (A + BYQ 1 ) T Q 1 (A + BYQ 1 ) γ 1 S γ 1 Q 1 Y T RYQ 1 0 EE-254 (Controle Preditivo) Aula Junho / 85
52 Ou seja: (A + BYQ 1 ) T Q 1 (A + BYQ 1 ) Q 1 +γ 1 S + γ 1 Q 1 Y T RYQ 1 0 Definindo agora P = γq 1 > 0 e fazendo F k = YQ 1, segue que (A + BF k ) T Pγ 1 (A + BF k ) Pγ 1 +γ 1 S + γ 1 F T k RF k 0 Logo, como γ > 0, tem-se (A + BF k ) T P(A + BF k ) P + S + F T k RF k 0 EE-254 (Controle Preditivo) Aula Junho / 85
53 (A + BF k ) T P(A + BF k ) P + S + F T k RF k 0 Portanto, tem-se ] ˆx T (k + i k) [(A + BF k ) T P(A + BF k ) P + S + Fk T RF k ˆx(k + i k) 0 Segue então que [ ] ˆx T (k + i k) (A + BF k ) T P(A + BF k ) ˆx(k + i k) ˆx T (k + i k)pˆx(k + i k) ˆx T (k + i k)sˆx(k + i k) ˆx T (k + i k)fk T RF k ˆx(k + i k) EE-254 (Controle Preditivo) Aula Junho / 85
54 [ ] ˆx T (k + i k) (A + BF k ) T P(A + BF k ) ˆx(k + i k) ˆx T (k + i k)pˆx(k + i k) ˆx T (k + i k)sˆx(k + i k) ˆx T (k + i k)f T k RF k ˆx(k + i k) Considerando agora û(k + i k) = F k ˆx(k + i k), tem-se que ˆx(k + i + 1 k) = (A + BF k )ˆx(k + i k) e portanto pode-se escrever ˆx T (k + i + 1 k)pˆx(k + i + 1 k) ˆx T (k + i k)pˆx(k + i k) ˆx T (k + i k)sˆx(k + i k) û T (k + i k)rû(k + i k) EE-254 (Controle Preditivo) Aula Junho / 85
55 ˆx T (k + i + 1 k)pˆx(k + i + 1 k) ˆx T (k + i k)pˆx(k + i k) ˆx T (k + i k)sˆx(k + i k) û T (k + i k)rû(k + i k) Definindo-se V (x) = x T Px, tem-se ( ) V ˆx(k + i + 1 k) ( ) V ˆx(k + i k) ˆx T (k + i k)sˆx(k + i k) û T (k + i k)rû(k + i k) < 0, ˆx(k + i k) 0 uma vez que S > 0 e R > 0. EE-254 (Controle Preditivo) Aula Junho / 85
56 Portanto, conclui-se que V (x) é uma função de Lyapunov para a dinâmica descrita por ˆx(k + i + 1 k) = Aˆx(k + i k) + Bû(k + i k) û(k + i k) = F k ˆx(k + i k) mostrando que ˆx(k + i k) i 0 EE-254 (Controle Preditivo) Aula Junho / 85
57 ( ) ( ) V ˆx(k + i + 1 k) V ˆx(k + i k) ˆx T (k + i k)sˆx(k + i k) û T (k + i k)rû(k + i k) Somando os dois lados desta desigualdade de i = 0 a i =, obtém-se ( ) ( ) lim V ˆx(k + i k) V ˆx(k k) i ˆx T (k + i k)sˆx(k + i k) û T (k + i k)rû(k + i k) i=0 Como ˆx(k k) = x(k), ˆx(k + i k) i 0 e tem-se J (k) = ˆx T (k + i k)sˆx(k + i k) + û T (k + i k)rû(k + i k) i=0 ( ) J (k) V x(k) EE-254 (Controle Preditivo) Aula Junho / 85
58 Por outro lado, aplicando o complemento de Schur a [ ] Q x(k) x T 0 (k) 1 (com Q > 0), tem-se que x T (k)q 1 x(k) 1, ou seja x T (k)γ 1 Px(k) 1 x T (k)px(k) γ }{{} V (x(k)) Portanto, conclui-se que J (k) γ EE-254 (Controle Preditivo) Aula Junho / 85
59 Codificação empregando o LMI Lab Variáveis: γ R Q R n n Y R p n setlmis([]) g = lmivar(1,[1 0]) Q = lmivar(1,[n,1]) Y = lmivar(2,[p,n]) EE-254 (Controle Preditivo) Aula Junho / 85
60 Primeira LMI: [ Q x(k) 1 ] 0 lmiterm([ Q],1,1) lmiterm([ ],xk) lmiterm([ ],1) EE-254 (Controle Preditivo) Aula Junho / 85
61 LMIs subsequentes - Para cada j = 1, 2,..., L: Q 0 0 A j Q + B j Y γi 0 S 1/2 Q γi R 1/2 Y Q 0 lmiterm([ Q],1,1) lmiterm([ Q],Aj,1) lmiterm([ Y],Bj,1) lmiterm([ g],1,1) lmiterm([ Q],Ssqrt,1) lmiterm([ g],1,1) lmiterm([ Y],Rsqrt,1) lmiterm([ Q],1,1) EE-254 (Controle Preditivo) Aula Junho / 85
62 min γ γ,q,y F k = YQ 1 lmisys = getlmis ndecvar = decnbr(lmisys) c = zeros(ndecvar,1) c(1) = 1 [copt,xopt] = mincx(lmisys,c) Ysol = dec2mat(lmisys,xopt,y) Qsol = dec2mat(lmisys,xopt,q) Fk = Ysol*inv(Qsol) EE-254 (Controle Preditivo) Aula Junho / 85
63 Exemplo Arquivo Matlab: ex2.m Vide observação a seguir sobre o cálculo do custo para comparação com DLQR. EE-254 (Controle Preditivo) Aula Junho / 85
64 Observação Seja J = x T (k)sx(k) + u T (k)ru(k) k=0 com x(k + 1) = Ax(k) + Bu(k) e u(k) = Fx(k). Pode-se então escrever: e J = x T (k)ψx(k) k=0 x(k + 1) = A mf x(k) sendo Ψ = S + F T RF e A mf = A + BF. EE-254 (Controle Preditivo) Aula Junho / 85
65 J = x T (k)ψx(k) k=0 = x T (0)Ψx(0) + x T (k)ψx(k) k=1 = x T (0)Ψx(0) + x T (k + 1)Ψx(k + 1) k=0 = x T (0)Ψx(0) + x T (k)a T mf ΨA mf x(k) k=0 = x T (0)Ψx(0) + x T (0)A T mf ΨA mf x(0) + x T (k)a T mf ΨA mf x(k) k=1 EE-254 (Controle Preditivo) Aula Junho / 85
66 Por indução, conclui-se que J = x T (0) (A T mf ) j ΨA j mf x(0) j=0 ou então: sendo J = x T (0)Ψ x(0) Ψ = (A T mf ) j ΨA j mf j=0 Como visto na Aula 10, considerando que os autovalores de A mf estejam no interior do círculo unitário, Ψ pode ser obtida como solução da seguinte equação de Lyapunov: A T mf Ψ A mf Ψ + Ψ = 0 EE-254 (Controle Preditivo) Aula Junho / 85
67 Introdução de Restrições EE-254 (Controle Preditivo) Aula Junho / 85
68 Restrições sobre a entrada da planta Serão consideradas restrições simétricas da forma para cada l = 1, 2,..., p. û l (k + i k) u max,l, i 0 Considerando que û(k + i k) = F k ˆx(k + i k), com F k = YQ 1, tem-se max û l(k + i k) 2 = max ( YQ 1) i 0 i 0 l ˆx(k + i k) 2 sendo ( YQ 1) l a l-ésima linha da matriz YQ 1. EE-254 (Controle Preditivo) Aula Junho / 85
69 Por outro lado: ( YQ 1) l ˆx(k + i k) 2 = ( YQ 1/2) Q 1/2ˆx(k + i k) l 2 Aplicando a desigualdade de Cauchy-Schwarz tem-se que ( YQ 1/2) Q 1/2ˆx(k + i k) 2 ( l YQ 1/2) l 2 Q 1/2ˆx(k + i k) 2 Analisemos o termo Q 1/2ˆx(k + i k) 2. EE-254 (Controle Preditivo) Aula Junho / 85
70 Sabendo que ( ) V ˆx(k + i + 1 k) ( ) V ˆx(k + i k) < 0, ˆx(k + i k) 0 com V (x) = x T Px = γx T Q 1 x e γ > 0, tem-se ˆx T (k+i+1 k)q 1ˆx(k+i+1 k) < ˆx T (k+i k)q 1ˆx(k+i k), ˆx(k+i k) 0 Por outro lado, tem-se ainda que x T (k)q 1 x(k) 1. Logo: ˆx T (k + i k)q 1ˆx(k + i k) 1, i 0 ou seja, Q 1/2ˆx(k + i k) 2 1, i 0 EE-254 (Controle Preditivo) Aula Junho / 85
71 Portanto, max i 0 ( YQ 1) l ˆx(k + i k) 2 max i 0 ( YQ 1/2) l ( YQ 1/2) l 2 = ( YQ 1 Y T ) ll 2 Q 1/2ˆx(k + i k) 2 Desse modo, é suficiente impor ( YQ 1 Y T ) ll u 2 max,l EE-254 (Controle Preditivo) Aula Junho / 85
72 ( YQ 1 Y T ) ll u 2 max,l Sabendo que A B A ll B ll, pode-se ver que esta restrição será satisfeita se existir X = X T tal que X ll umax,l 2, l = 1, 2,..., p, e YQ 1 Y T X Esta última desigualdade pode também ser reescrita como uma LMI: [ ] X Y Y T 0 Q que pode ser agregada às demais LMIs envolvidas no problema de otimização. EE-254 (Controle Preditivo) Aula Junho / 85
73 A restrição X ll umax,l 2, l = 1, 2,..., p, pode ser imposta através da seguinte LMI: e1 T Xe u 0 e2 T max, Xe umax, ep T Xe p 0 0 umax,p 2 EE-254 (Controle Preditivo) Aula Junho / 85
74 Restrições sobre a saída da planta Suponha que as variáveis de saída sujeitas a restrições estejam relacionadas com o estado através de uma equação da forma y(k) = Cx(k) sendo C R q n uma matriz conhecida. Serão consideradas restrições simétricas da forma para cada l = 1, 2,..., q. ŷ l (k + i k) y max,l, i 1 EE-254 (Controle Preditivo) Aula Junho / 85
75 Estas restrições poderiam ser tratadas de forma similar às do controle. Contudo, vale salientar que as restrições de saída estão relacionadas com o estado ˆx(k + i k) a partir de i = 1, enquanto as restrições de controle partiam de i = 0. Com efeito, não faz sentido impor restrições de saída em i = 0, pois o estado atual x(k) é uma constante no problema de otimização. Já no caso do controle, as restrições em i = 0 condicionam o ganho F k, que será utilizado na geração de û(k k) a partir de x(k). EE-254 (Controle Preditivo) Aula Junho / 85
76 Note-se inicialmente que ŷ l (k + i k) 2 = C l ˆx(k + i k) 2 sendo C l a l-ésima linha da matriz C. Por outro lado, tem-se e, portanto, ˆx(k + i k) = (A + BF k )ˆx(k + i 1 k), i 1 max i 1 C l ˆx(k + i k) 2 = max i 1 C l(a + BF k )ˆx(k + i 1 k) 2 EE-254 (Controle Preditivo) Aula Junho / 85
77 Tem-se ainda que C l (A + BF k )ˆx(k + i 1 k) 2 = C l (A + BF k )Q 1/2 Q 1/2ˆx(k + i 1 k) 2 C l (A + BF k )Q 1/2 2 Q 1/2ˆx(k + i 1 k) 2 C l (A + BF k )Q 1/2 2 EE-254 (Controle Preditivo) Aula Junho / 85
78 Portanto, basta impor C l (A + BF k )Q 1/2 2 y 2 max,l isto é, C l (A + BYQ 1 )Q 1/2 2 y 2 max,l ou seja, C l (A + BYQ 1 )Q(A + BYQ 1 ) T C T l C l (AQ + BY )Q 1 (AQ + BY ) T C T l y 2 max,l y 2 max,l para todo (A, B) Ω. EE-254 (Controle Preditivo) Aula Junho / 85
79 A restrição C l (AQ + BY )Q 1 (AQ + BY ) T C T l y 2 max,l, (A, B) Ω pode ser imposta acrescentando-se as seguintes LMIs ao problema de otimização: [ Q (Aj Q + B j Y ) T Cl T ] 0, j = 1, 2,..., L para cada l = 1, 2,..., q. y 2 max,l EE-254 (Controle Preditivo) Aula Junho / 85
80 MPC Robusto empregando LMIs Informação requerida sobre a planta: Vértices (A 1, B 1 ), (A 2, B 2 ),..., (A L, B L ) do politopo Ω Matriz C que relaciona o estado com as saídas sujeitas a restrições Limitantes (simétricos) sobre a excursão dos controles: u max R p Limitantes (simétricos) sobre a excursão das saídas: y max R q Parâmetros de projeto: Matrizes de peso S R n n e R R p p EE-254 (Controle Preditivo) Aula Junho / 85
81 Rotina principal: 1 Ler x(k) (estado da planta) 2 Resolver o problema de otimização min γ γ>0,q>0,y,x s.a. [ Q x(k) 1 Q 0 0 A j Q + B j Y γi 0 S 1/2 Q γi R 1/2 Y Q ] 0 0, j = 1, 2,..., L EE-254 (Controle Preditivo) Aula Junho / 85
82 [ ] X Y 0 Q e1 T Xe u 0 e2 T max, Xe umax, ep T Xe p 0 0 umax,p 2 [ Q (Aj Q + B j Y ) T Cl T ] 0, j = 1, 2,..., L, l = 1, 2,..., q y 2 max,l 3 Calcular o ganho F k = YQ 1 4 Atualizar o controle aplicado à planta: u(k) = F k x(k) 5 Fazer k = k Aguardar o próximo instante de amostragem e retornar ao passo 1. EE-254 (Controle Preditivo) Aula Junho / 85
83 Implementação em Matlab Exemplo: mpc_lmi.m: S-function que implementa o controlador exemplo_mpc_lmi.m: Definição das matrizes do modelo da planta (integrador duplo) e dos pesos do MPC. sim_mpc_lmi.mdl: Diagrama de simulação. EE-254 (Controle Preditivo) Aula Junho / 85
84 Finalização do curso Próxima aula: Prova Duração: 150 minutos Consulta permitida a livros, anotações pessoais e material distribuído ao longo do curso. Entrega dos trabalhos: Data: 25 de junho de 2019 (3a feira da segunda semana de exames) Horário: 13:30 às 14:00 Local: Sala 2204 EE-254 (Controle Preditivo) Aula Junho / 85
85 Obrigado pela atenção! EE-254 (Controle Preditivo) Aula Junho / 85
LMI Toolbox. Conceitos Básicos
Conceitos Básicos Linear Matri Inequality Desigualdade Matricial Linear A( ) = A + A +... + N AN < i variáveis de decisão, escalares desconhecidos A,..., A N matrizes simétricas < significa definida negativa
Leia maisEES-20: Sistemas de Controle II. 20 Novembro 2017
EES-20: Sistemas de Controle II 20 Novembro 2017 1 / 57 Recapitulando: Filtro de Kalman para sistema de 1a ordem Foi considerado o caso de estado x[k] escalar, com G = 1 e C = 1, por simplicidade: Equação
Leia maisEES-20: Sistemas de Controle II. 10 Novembro 2017
EES-20: Sistemas de Controle II 10 Novembro 2017 1 / 46 Tópicos vistos até agora Modelo da planta amostrada no espaço de estados. Relação com a função de transferência. Análise de estabilidade. Projeto
Leia mais2. DESIGUALDADES MATRICIAIS LINEARES
11 2. DESIGUALDADES MARICIAIS LINEARES Neste capítulo, introduziremos alguns conceitos básicos relacionados às Desigualdades Matriciais Lineares. Na seção 2.1, apresentamos uma introdução às LMI s; na
Leia maisEES-20: Sistemas de Controle II
EES-: Sistemas de Controle II 14 Agosto 17 1 / 49 Recapitulando: Estabilidade interna assintótica Modelo no espaço de estados: Equação de estado: ẋ = Ax + Bu Equação de saída: y = Cx + Du Diz-se que o
Leia maisINFLUÊNCIA DO ATRASO EM UM CONTROLADOR PREDITIVO ROBUSTO EMPREGANDO DESIGUALDADES MATRICIAIS LINEARES Ronaldo Waschburger, Roberto Kawakami Harrop Galvão Divisão de Engenharia Eletrônica, Instituto Tecnológico
Leia maisCONTROLE PREDITIVO ROBUSTO APLICADO AO MODELO DE UM HELICÓPTERO COM TRÊS GRAUS DE RENATA M. PASCOAL, TAKASHI YONEYAMA, ROBERTO K. H.
CONTROLE PREDITIVO ROBUSTO APLICADO AO MODELO DE UM HELICÓPTERO COM TRÊS GRAUS DE LIBERDADE UTILIZANDO DESIGUALDADES MATRICIAIS LINEARES RENATA M. PASCOAL, TAKASHI YONEYAMA, ROBERTO K. H. GALVÃO Divisão
Leia maisEstabilização Robusta
Estabilização Robusta 1. Regiões LMIs: Alocação de pólos 2. Restrições sobre entrada e saída 3. Controlador baseado no observador e LMIs pag.1 Introdução ao Controle Robusto Aula 8 Regiões LMIs e Alocação
Leia maisAula Mar EE-254 (Controle Preditivo) Aula 3 12 Mar / 39
Aula 3 12 Mar 2019 EE-254 (Controle Preditivo) Aula 3 12 Mar 2019 1 / 39 Resumo da aula passada - DMC Informação requerida sobre a planta: Resposta a degrau g(n), n = 1, 2,..., N s (assume-se g(0) = 0
Leia maisEES-20: Sistemas de Controle II. 08 Novembro 2017
EES-20: Sistemas de Controle II 08 Novembro 2017 1 / 46 Recapitulando: Controle empregando realimentação de estado r k F u k u t y t T y k T x(t) T K x k 2 / 46 Recapitulando: Projeto por alocação de polos
Leia maisIntrodução ao controle preditivo baseado em modelo.
Introdução ao controle preditivo baseado em modelo. ENGM11: Tópicos Especiais em Eng. Elétrica Departamento de Engenharia Elétrica - DEE Universidade Federal da Bahia - UFBA 22 de agosto de 2018 Prof.
Leia maisEstabilidade. Samir A. M. Martins 1. Programa de Pós-Graduação em Engenharia Elétrica Associação ampla entre UFSJ e CEFET MG
Interna Samir A. M. Martins 1 1 UFSJ / Campus Santo Antônio, MG Brasil Programa de Pós-Graduação em Engenharia Elétrica Associação ampla entre UFSJ e CEFET MG O que nos espera? Interna 1 em sistemas multivariáveis
Leia maisEstabilização Robusta
Estabilização Robusta 1. Modelos de incertezas estruturadas e espaço de estados 1.1. Incertezas limitadas em norma 1.2. Incertezas politópicas 2. Complemento de Schur e sinais de matrizes 3. Estabilidade
Leia maisEE-253: Controle Ótimo de Sistemas. Aula 6 (04 Setembro 2018)
EE-253: Controle Ótimo de Sistemas Aula 6 (4 Setembro 218) 1 / 54 Regulador Linear Quadrático Modelo linear: ẋ = Ax + Bu com (A, B) estabilizável. Funcional de custo quadrático: J = [ ] x T (t)qx(t) +
Leia maisControle Robusto H 2
Controle Robusto H 2 1. O problema de controle H 2 padrão 2. Controle ótimo H 2 por LMIs pag.1 Introdução ao Controle Robusto Aula 10 Problema de Controle H 2 padrão Encontre um controlador K(s) que estabilize
Leia maisEstabilidade e Estabilização de Sistemas Lineares via
Trabalho apresentado no DINCN, Natal - RN, 2015 Proceeding Series of the Brazilian Society of Computational and Applied Mathematics Estabilidade e Estabilização de Sistemas Lineares via Programação Semidefinida
Leia maisEES-20: Sistemas de Controle II. 01 Setembro 2017
EES-2: Sistemas de Controle II 1 Setembro 217 1 / 56 Controle com realimentação de estado Lei de controle: u(t) = Kx(t) + Fr(t) r t u t y t F K x t 2 / 56 Projeto por alocação de polos Determina-se K de
Leia maisEstabilidade Interna. 1. Estabilidade Interna. 2. Análise de Estabilidade Segundo Lyapunov. 3. Teorema de Lyapunov
Estabilidade Interna 1. Estabilidade Interna 2. Análise de Estabilidade Segundo Lyapunov 3. Teorema de Lyapunov 4. Teorema de Lyapunov Caso Discreto pag.1 Teoria de Sistemas Lineares Aula 13 Estabilidade
Leia maisAnálise Convexa. 1. Conjuntos convexos 1.1. Casca convexa, ponto extremo, cone. 2. Hiperplanos: suporte, separador, teorema da separação
Análise Convexa 1. Conjuntos convexos 1.1. Casca convexa, ponto extremo, cone 2. Hiperplanos: suporte, separador, teorema da separação 3. Funções convexas 4. Teoremas de funções convexas 5. Conjunto poliedral
Leia maisSistemas Dinâmicos Lineares
Sistemas Dinâmicos Lineares 1. Descrição de sistemas dinâmicos 1.1. Sinais? 1.2. Sistemas? 1.3. Espaço de estados. Resposta do sistema dinâmico 2. Estabilidade de sistemas dinâmicos 2.1. Análise de estabilidade
Leia maisAula Julho EE-254 (Controle Preditivo) Aula 1 30 Julho / 62
Aula 1 30 Julho 2018 EE-254 (Controle Preditivo) Aula 1 30 Julho 2018 1 / 62 Informações gerais Folha de informações sobre o curso Folha de orientações sobre o trabalho final EE-254 (Controle Preditivo)
Leia maisCondições para a existência de uma função de Lyapunov linearmente dependente de parâmetros para estabilidade de sistemas lineares incertos
Condições para a existência de uma função de Lyapunov linearmente dependente de parâmetros para estabilidade de sistemas lineares incertos Ricardo C. L. F. Oliveira Pedro L. D. Peres Faculdade de Engenharia
Leia mais1 Auto vetores e autovalores
Auto vetores e autovalores Os autovalores de uma matriz de uma matriz n n são os n números que resumem as propriedades essenciais daquela matriz. Como esses n números realmente caracterizam a matriz sendo
Leia maisCálculo Diferencial e Integral 2 Formas Quadráticas
Instituto Superior Técnico Departamento de Matemática Secção de Álgebra e Análise Cálculo Diferencial e Integral 2 Formas Quadráticas 1 Formas quadráticas Uma forma quadrática em R n é um polinómio do
Leia maisRealimentação de Estado Sistemas SISO
1. Realimentação de Estado para Sistemas SISO pag.1 Teoria de Sistemas Lineares Aula 18 Considere o sistema n dimensional, SISO: ẋ = Ax + bu y = cx Na realimentação de estados, a entrada u é dada por u
Leia maisTeorema da Triangularização de Schur e Diagonalização de Matrizes Normais
Teorema da Triangularização de Schur e Diagonalização de Matrizes Normais Reginaldo J Santos Departamento de Matemática-ICEx Universidade Federal de Minas Gerais http://wwwmatufmgbr/~regi 16 de novembro
Leia maisEES-20: Sistemas de Controle II. 21 Agosto 2017
EES-2: Sistemas de Controle II 21 Agosto 217 1 / 52 Recapitulando: Realimentação de estado r t u t y t x t Modelo da planta: Lei de controle: ẋ = Ax + Bu y = Cx u = Kx + Fr Representação para o sistema
Leia maisAlgebra Linear. 1. Ortonormalização. 2. Sistema de Equações Lineares. pag.1 Teoria de Sistemas Lineares Aula 6. c Reinaldo M.
Algebra Linear 1. Ortonormalização 2. Sistema de Equações Lineares pag.1 Teoria de Sistemas Lineares Aula 6 Ortonormalização Um vetor x é dito estar normalizado se sua norma Euclidiana é igual a 1, ie,
Leia maisMatrizes e Linearidade
Matrizes e Linearidade 1. Revisitando Matrizes 1.1. Traço, Simetria, Determinante 1.. Inversa. Sistema de Equações Lineares. Equação Característica.1. Autovalor & Autovetor 4. Polinômios Coprimos 5. Função
Leia maisControle Ótimo - Aula 2 (Exemplos 2, 3 e 4)
Controle Ótimo - Aula 2 (Exemplos 2, 3 e 4) Adriano A. G. Siqueira e Marco H. Terra Departamento de Engenharia Elétrica Universidade de São Paulo - São Carlos Sistemas dinâmicos discretos no tempo O Problema
Leia mais1 Álgebra linear matricial
MTM510019 Métodos Computacionais de Otimização 2018.2 1 Álgebra linear matricial Revisão Um vetor x R n será representado por um vetor coluna x 1 x 2 x =., x n enquanto o transposto de x corresponde a
Leia maisFerramentas Matemáticas para Sistemas Lineares: Álgebra Linear
Ferramentas Matemáticas para Sistemas Lineares: Álgebra Linear Samir Angelo Milani Martins 1 1 UFSJ-MG / Campus Santo Antônio, MG Brasil Mestrado em Engenharia Elétrica UFSJ/CEFET-MG S. A. M. Martins (UFSJ
Leia maisMATRIZES POSITIVAS DEFINIDAS
MATRIZES POSITIVAS DEFINIDAS Álgebra Linear (MAT-27) Ronaldo Rodrigues Pelá IEFF-ITA 7 de novembro de 2011 Roteiro 1 2 3 Roteiro 1 2 3 Por que saber se uma matriz é definida positiva? Importância do sinal
Leia maisProjeto de Controladores Robustos H Usando LMIs para Controle de um Motor de Indução Trifásico com Incertezas
Proceeding Series of the Brazilian Society of Applied and Computational Mathematics, Vol., N.,. Trabalho apresentado no DINCON, Natal - RN,. Proceeding Series of the Brazilian Society of Computational
Leia maisControle Ótimo - Aula 8 Equação de Hamilton-Jacobi
Controle Ótimo - Aula 8 Equação de Hamilton-Jacobi Adriano A. G. Siqueira e Marco H. Terra Departamento de Engenharia Elétrica Universidade de São Paulo - São Carlos O problema de controle ótimo Considere
Leia maisControle Ótimo - Aula 10 Princípio do Mínimo de Pontryagin
Controle Ótimo - Aula 10 Princípio do Mínimo de Pontryagin Adriano A. G. Siqueira e Marco H. Terra Departamento de Engenharia Elétrica Universidade de São Paulo - São Carlos O problema de controle ótimo
Leia maisAlgebra Linear. 1. Revisitando autovalores e autovetores. 2. Forma Diagonal e Forma de Jordan. 2.1 Autovalores distintos. 2.2 Autovalores complexos
Algebra Linear 1. Revisitando autovalores e autovetores 2. Forma Diagonal e Forma de Jordan 2.1 Autovalores distintos 2.2 Autovalores complexos 2.3 Nem todos autovalores distintos 3. Autovalores e autovetores
Leia maisProceeding Series of the Brazilian Society of Computational and Applied Mathematics. LMIs
Trabalho apresentado no DINCON, Natal - RN, 215. Proceeding Series of the Brazilian Society of Computational and Applied Mathematics Estabilização Robusta da Qualidade da LMIs Água de Rios via Valeska
Leia maisCondições LMI do Teorema do Pequeno Ganho Escalonado para Análise de Estabilidade de Sistemas com Atraso
Condições LMI do Teorema do Pequeno Ganho Escalonado para Análise de Estabilidade de Sistemas com Atraso Giórgio Valmórbida, Pedro Luis Dias Peres Depto de Telemática, FEEC, UICAMP, Av. Albert Einstein
Leia maisComo resolver o QFEMUP usando otimização
Como resolver o QFEMUP usando otimização Marina Andretta ICMC-USP 2 de agosto de 2016 Baseado no artigo M. Andretta, E. G. Birgin and M. Raydan, An inner-outer nonlinear programming approach for constrained
Leia maisEstimadores ou Observadores de Estado
Estimadores ou Observadores de Estado 1. Estimadores ou Observadores de Estado: sistemas SISO 1. Extensões para Sistemas a Tempo Discreto pag.1 Teoria de Sistemas Lineares Aula 19 Estimadores ou Observadores
Leia maisINSTITUTO SUPERIOR TÉCNICO Mestrado Integrado em Engenharia Física Tecnológica Ano Lectivo: 2007/2008 Semestre: 1 o
INSTITUTO SUPERIOR TÉCNICO Mestrado Integrado em Engenharia Física Tecnológica Ano Lectivo: 27/28 Semestre: o MATEMÁTICA COMPUTACIONAL Exercícios [4 Sendo A M n (C) mostre que: (a) n A 2 A n A 2 ; (b)
Leia maisComputação e Programação 2009 / 2010
Computação e Programação 2ª Aula de Problemas Instituto Superior Técnico, Dep. de Engenharia Mecânica - ACCAII Exercícios Resolvidos [Livro 1] (Ver referências no slide 20) 3.3 Write a program to convert
Leia maisObservabilidade, Decomposição Canônica
Observabilidade, Decomposição Canônica 1. Observabilidade de Sistemas LIT 2. Dualidade 3. Índices de Observabilidade 4. Decomposição Canônica pag.1 Teoria de Sistemas Lineares Aula 16 Observabilidade Sistemas
Leia maisMétodo dos gradientes (ou método de máxima descida)
Método dos gradientes (ou método de máxima descida) Marina Andretta ICMC-USP 14 de setembro de 2010 Marina Andretta (ICMC-USP) sme5720 - Otimização não-linear 14 de setembro de 2010 1 / 16 Método dos gradientes
Leia maisXIII Simpósio Brasileiro de Automação Inteligente Porto Alegre RS, 1 o 4 de Outubro de 2017
SÍNTESE DE CONTROLADORES ROBUSTOS APLICADOS EM SISTEMAS COM ATRASOS TEMPORAIS DIEGO R. GUEDES 1, HUGO L. O. CUNHA 1, CRISTIANO M. AGULHARI 2. 1. Curso de Engenharia de Controle e Automação, Universidade
Leia maisÁlgebra Linear Teoria de Matrizes
Álgebra Linear Teoria de Matrizes 1. Sistemas Lineares 1.1. Coordenadas em espaços lineares: independência linear, base, dimensão, singularidade, combinação linear 1.2. Espaço imagem (colunas) - Espaço
Leia maisExercício. Alexandre Bernardino IST-Secção de Sistemas e Controlo
1 Exercício Calcular os polinómios R,S,T de um controlador discreto com acção integral para um sistema do tipo integrador duplo. Faça o período de amostragem igual a 0.5 s. Coloque os polos desejados para
Leia mais6 MÉTODO DE ELEMENTOS FINITOS - MEF
6 MÉTODO DE ELEMENTOS FINITOS - MEF O Método de Elementos Finitos é uma técnica de discretização de um problema descrito na Formulação Fraca, na qual o domínio é aproximado por um conjunto de subdomínios
Leia maisEES-20: Sistemas de Controle II. 06 Setembro 2017
EES-2: Sistemas de Controle II 6 Setembro 217 1 / 56 Recapitulando: Observador de Estado Modelo da planta: Observador de estado: ẋ = Ax + Bu y = Cx ˆx = Aˆx + Bu + L(y ŷ) ŷ = C ˆx Erro de estimação do
Leia maisEES-20: Sistemas de Controle II. 06 Outubro 2017
EES-20: Sistemas de Controle II 06 Outubro 2017 1 / 56 Recapitulando: Arquitetura considerada r k e k u k u t y t y k A entrada e a saída do controlador digital e da planta amostrada são sequências numéricas.
Leia maisRevisão: Matrizes e Sistemas lineares. Parte 01
Revisão: Matrizes e Sistemas lineares Parte 01 Definição de matrizes; Tipos de matrizes; Operações com matrizes; Propriedades; Exemplos e exercícios. 1 Matrizes Definição: 2 Matrizes 3 Tipos de matrizes
Leia maisTeoria de dualidade. Marina Andretta ICMC-USP. 19 de outubro de 2016
Teoria de dualidade Marina Andretta ICMC-USP 19 de outubro de 2016 Baseado no livro Introduction to Linear Optimization, de D. Bertsimas e J. N. Tsitsiklis. Marina Andretta (ICMC-USP) sme0211 - Otimização
Leia maisVICTOR HUGO BUENO PREUSS ESTUDO E APLICAÇÃO DE UM CONTROLADOR PREDITIVO ROBUSTO COM ESTIMAÇÃO RECURSIVA DO POLITOPO DE INCERTEZA
UNIVERSIDADE DO ESTADO DE SANTA CATARINA CENTRO DE CIÊNCIAS TECNOLÓGICAS - CCT DEPARTAMENTO DE ENGENHARIA ELÉTRICA BACHARELADO EM ENGENHARIA ELÉTRICA VICTOR HUGO BUENO PREUSS ESTUDO E APLICAÇÃO DE UM CONTROLADOR
Leia maisα ( u 1 - u 2 ) = u 3 - u 2.
2- NOÇÕES DE CONVEXIDADE E FORMULAÇÃO MATEMÁTICA DE PROBLEMAS DE PROGRAMAÇÃO LINEAR 21 Noções de Convexidade 211 - Combinação Convexa de pontos ponto b = αx 1 Considere C um conjunto contendo os pontos
Leia maisControlador Preditivo Otimizado Aplicado ao Controle de Velocidade de Motor CC
Controlador Preditivo Otimizado Aplicado ao Controle de Velocidade de Motor CC CARVALHO, Douglas F. 1,,, CALIXTO, Wesley P. 2,,, GANZAROLI, Cleber A. 3,,,,, DIAS, Rafael N. H. M.,, COUTO, Luiz A.. Resumo:
Leia maisControle Ótimo e Filtro de Kalman - Estabilizador 2
Capítulo 4 Controle Ótimo e Filtro de Kalman - Estabilizador 2 O principal objetivo deste capítulo é definir o conceito de controle ótimo e de filtro de Kalman. Por otimização, podemos encontrar tanto
Leia maisProgramação Linear - Parte 5
Matemática Industrial - RC/UFG Programação Linear - Parte 5 Prof. Thiago Alves de Queiroz 1/2016 Thiago Queiroz (IMTec) Parte 5 1/2016 1 / 29 Dualidade Os parâmetros de entrada são dados de acordo com
Leia maisInterbits SuperPro Web
1 (Ita 018) Uma progressão aritmética (a 1, a,, a n) satisfaz a propriedade: para cada n, a soma da progressão é igual a n 5n Nessas condições, o determinante da matriz a1 a a a4 a5 a 6 a a a 7 8 9 a)
Leia maisEstabilidade de sistemas de controle lineares invariantes no tempo
2 Estabilidade de sistemas de controle lineares invariantes no tempo 2.1 Introdução Neste capítulo, vamos definir alguns conceitos relacionados à estabilidade de sistemas lineares invariantes no tempo.
Leia maisRealimentação e Observador no Espaço de Estados Revisão
Realimentação e Observador no Espaço de Estados Revisão 1. Realimentação de estados 1.1. Um tour por alocação de pólos 2. Observador ou Estimador 2.1. Observador? Por quê? 3. Princípio da separação 4.
Leia maisEstabilidade Robusta de Sistemas Lineares em Tempo Discreto Sujeitos a Atraso no Estado
PONTIFÍCIA UNIVERSIDADE CATÓLICA DO RIO GRANDE DO SUL FACULDADE DE ENGENHARIA ELÉTRICA PROGRAMA DE PÓS-GRADUAÇÃO EM ENGENHARIA ELÉTRICA MAURÍCIO ZARDO OLIVEIRA Estabilidade Robusta de Sistemas Lineares
Leia maisModelagem Computacional. Parte 2 2
Mestrado em Modelagem e Otimização - RC/UFG Modelagem Computacional Parte 2 2 Prof. Thiago Alves de Queiroz 2/2016 2 [Cap. 2 e 3] BURDEN, R. L.; FAIRES, J. D. Numerical Analysis (9th ed). Cengage Learning,
Leia mais1. Realimentação de Estado: sistemas MIMO
Realimentação de Estado: sistemas MIMO 1. Realimentação de Estado: sistemas MIMO 2. Estimadores de Estado: sistemas MIMO pag.1 Teoria de Sistemas Lineares Aula 20 Realimentação de Estado: sistemas MIMO
Leia maisGabarito da Prova Final Unificada de Cálculo IV Dezembro de 2010
Gabarito da Prova Final Unificada de Cálculo IV Dezembro de a Questão: (5 pts) Dentre as três séries alternadas abaixo, diga se convergem absolutamente, se convergem condicionalmente ou se divergem Justifique
Leia maisRenato Martins Assunção
Análise Numérica Renato Martins Assunção DCC - UFMG 2012 Renato Martins Assunção (DCC - UFMG) Análise Numérica 2012 1 / 84 Equação linear Sistemas de equações lineares A equação 2x + 3y = 6 é chamada linear
Leia maisUFRJ-COPPE- Programa de Engenharia
UFRJ-COPPE- Programa de Engenharia Elétrica 1/30 Sistemas Não-Lineares I Liu Hsu Programa de Engenharia Elétrica, COPPE/UFRJ Aula 14 UFS O Lema de Kalman-Yakubovitch Este lema é muito importante e estabelece
Leia maisFundamentos do Controle Robusto via Otimização
Fundamentos do Controle Robusto via Otimização Prof. Reinaldo M. Palhares Contato: Sala 2605 - BLOCO 1 mailto:palhares@cpdee.ufmg.br Quintas-feiras 09h25-12h45 Linhas Gerais do Curso Conceitos Preliminares
Leia maisControle Robusto Tema: Análise e Controle de Sistemas Lineares via LMIs
Aula 1 395480 Controle Robusto Tema: Análise e Controle de Sistemas Lineares via LMIs Prof. Eduardo Stockler Tognetti Programa de Pós-Graduação em Engenharia de Sistemas Eletrônicos e de Automação (PGEA)
Leia maisFórmula de recorrência para a soma de séries infinitas
This is a reprint of Lecturas Matemáticas Volumen 25 (2004), páginas 5 24 Fórmula de recorrência para a soma de séries infinitas João Luiz Martins & Adilson J.V. Brandão UUniversidade Federal de Ouro Preto,
Leia maisCálculo Numérico. Sistemas lineares Métodos Iterativos: Introdução Método Iterativo de Jacobi-Richardson
Cálculo Numérico Sistemas lineares Métodos Iterativos: Introdução Método Iterativo de Jacobi-Richardson Métodos como: Métodos exatos Método de eliminação de Gauss Método de decomposição LU Método de Cholesky
Leia maisEES-20: Sistemas de Controle II. 20 Outubro 2017 (Tarde)
EES-20: Sistemas de Controle II 20 Outubro 2017 (Tarde) 1 / 58 Recapitulando: Modelo da planta amostrada G z G c s u k u t y t y k T T G(z) = (1 z 1 ) Z { } G c (s) s Importante: Trata-se de discretização
Leia maisANÁLISE DE SISTEMAS LINEARES NO ESPAÇO DE ESTADOS
AE- ANÁLISE DE SISTEMAS LINEARES NO ESPAÇO DE ESTADOS AE- Determine os valores e vectores próprios de a) A= -.5.5 -.5 b) B= - - AE- Forma canónica controlável. a) Mostre que a equação diferencial homogénea
Leia maisBCC465 - TÉCNICAS DE MULTI-OBJETIVO. Gladston Juliano Prates Moreira 22 de novembro de 2017
BCC465 - TÉCNICAS DE OTIMIZAÇÃO MULTI-OBJETIVO Aula 04 - Otimização Não-linear Gladston Juliano Prates Moreira email: gladston@iceb.ufop.br CSILab, Departamento de Computação Universidade Federal de Ouro
Leia maisModelagem Computacional. Parte 7 2
Mestrado em Modelagem e Otimização - RC/UFG Modelagem Computacional Parte 7 2 Prof. Thiago Alves de Queiroz 2/2016 2 [Cap. 7] BURDEN, R. L.; FAIRES, J. D. Numerical Analysis (9th ed). Cengage Learning,
Leia maisOtimização Aplicada à Engenharia de Processos
Otimização Aplicada à Engenharia de Processos Aula 4: Programação Linear Felipe Campelo http://www.cpdee.ufmg.br/~fcampelo Programa de Pós-Graduação em Engenharia Elétrica Belo Horizonte Março de 2013
Leia maisDepto. de Engenharia Elétrica - Campus Sobral Sobral, Ceará, Brasil.
ANÁLISE E CONTROLE MULTIVARIÁVEL ROBUSTO D-LQI OTIMIZADO VIA LMIS M. V. S. Costa, J. C. T. Campos, O. M. Almeida V. P. Pinto Universidade Federal do Ceará Depto. de Engenharia Elétrica - Campus do Pici
Leia maisControle via LMIs Controle de Sistemas Dinâmicos via Desigualdades Matriciais Lineares
Aula 1 327069 Controle via LMIs Controle de Sistemas Dinâmicos via Desigualdades Matriciais Lineares Prof. Eduardo Stockler Tognetti Programa de Pós-Graduação em Engenharia de Sistemas Eletrônicos e de
Leia maisCapítulo 3 - Mínimos Quadrados Lineares
Capítulo 3 - Mínimos Quadrados Lineares Carlos Balsa balsa@ipb.pt Departamento de Matemática Escola Superior de Tecnologia e Gestão de Bragança 2 o Ano - Eng. Civil, Química e Gestão Industrial Carlos
Leia maisNyquist, Função de Sensibilidade e Desempenho Nominal
Nyquist, Função de Sensibilidade e Desempenho Nominal 1. Revisitando o critério de estabilidade de Nyquist 1.1. Margens de ganho e de fase 2. Erro de rastreamento e função de sensibilidade 2.1. Vetor de
Leia maisParte I. Álgebra Linear. Sistemas Dinâmicos Lineares. Autovalores, autovetores. Autovalores, autovetores. Autovalores e Autovetores.
Sistemas Dinâmicos Lineares Romeu Reginatto Programa de Pós-Graduação em Engenharia de Sistemas Dinâmicos e Energéticos Universidade Estadual do Oeste do Paraná Parte I Álgebra Linear Adaptado das notas
Leia maisEstabilidade de sistemas de controle lineares invariantes no tempo
Capítulo 2 Estabilidade de sistemas de controle lineares invariantes no tempo 2. Introdução Neste capítulo, vamos definir alguns conceitos relacionados à estabilidade de sistemas lineares invariantes no
Leia maisControle utilizando variáveis de estado - v1.1
2 ontrole utilizando variáveis de estado - v. 2. Objetivo O objetivo desta experiência é, utilizando o enfoque de espaço de estados, projetar e implementar um controlador digital para uma planta simples
Leia maisAlgebra Linear. 1. Espaços Vetoriais Lineares. 2. Coordenadas em Espaços Lineares. 3. Operadores Lineares. 4. Transformação de Similaridade
Algebra Linear 1 Espaços Vetoriais Lineares Coordenadas em Espaços Lineares 3 Operadores Lineares 4 Transformação de Similaridade Matriz como Operador Norma de Vetores e Produto Interno pag1 Teoria de
Leia maisMatrizes positivas definidas, semidefinidas, etc.
Matrizes positivas definidas, semidefinidas, etc. Amit Bhaya, Programa de Engenharia Elétrica COPPE/UFRJ Universidade Federal do Rio de Janeiro amit@nacad.ufrj.br http://www.nacad.ufrj.br/ amit Funções
Leia maisSUMÁRIOS DE VARIÁVEIS ALEATÓRIAS CONTINUAS
4 SUMÁRIOS DE VARIÁVEIS ALEATÓRIAS CONTINUAS Em muitos problemas de probabilidade que requerem o uso de variáveis aleatórias, uma completa especificação da função de densidade de probabilidade ou não está
Leia maisANÁLISE DE SÉRIES TEMPORAIS
ANÁLISE DE SÉRIES TEMPORAIS Ralph S. Silva http://www.im.ufrj.br/ralph/seriestemporais.html Departamento de Métodos Estatísticos Instituto de Matemática Universidade Federal do Rio de Janeiro Definição
Leia maisNoções de Álgebra Linear
Noções de Álgebra Linear 1. Espaços vetoriais lineares 1.1. Coordenadas 2. Operadores lineares 3. Subespaços fundamentais 4. Espaços normados 5. Espaços métricos 6. Espaços de Banach 7. Espaços de Hilbert
Leia mais= o A MATRIZ IDENTIDADE. a(i, :) = (aii, ai2,, ai.) i = 1,, m
Matrizes e Sistemas de Equações 9 para toda matriz A n X n. Vamos discutir, também, a existência e o cálculo de inversas multiplicativas. A MATRIZ IDENTIDADE Uma matriz muito importante é a matriz / n
Leia maisCap. 5 Estabilidade de Lyapunov
Cap. 5 Estabilidade de Lyapunov 1 Motivação Considere as equações diferenciais que modelam o oscilador harmônico sem amortecimento e sem força aplicada, dada por: M z + Kz = 0 Escolhendo-se x 1 = z e x
Leia maisAula 19: Lifting e matrizes ideais
Aula 19: Lifting e matrizes ideais Otimização Linear e Inteira Túlio A. M. Toffolo http://www.toffolo.com.br BCC464/PCC174 2018/2 Departamento de Computação UFOP Previously... Branch-and-bound Formulações
Leia maisUniversidade Federal do Rio Grande do Sul Escola de Engenharia Departamento de Engenharia Elétrica ENG04037 Sistemas de Controle Digitais
Universidade Federal do Rio Grande do Sul Escola de Engenharia Departamento de Engenharia Elétrica ENG04037 Sistemas de Controle Digitais 1 Introdução Identificação via Mínimos Quadrados Prof. Walter Fetter
Leia maisPara calcular o polinómio de Lagrange noutros pontos Ficheiro polagrangeval.m
Análise Numérica LEC Help 13 Interpolação Método de Lagrange Ficheiro polagrange.m Determina o polinomio interpolador de Lagrange que aproxima a tabela (x,y). c=polagrange(x,y)- determina so as coordenadas
Leia maisFundamentos de Matemática Curso: Informática Biomédica
Fundamentos de Matemática Curso: Informática Biomédica Profa. Vanessa Rolnik Artioli Assunto: sequências e matrizes 05 e 06/06/14 Sequências Def.: chama-se sequência finita ou n-upla toda aplicação f do
Leia maisUniversidade Federal do Rio Grande do Sul Escola de Engenharia Departamento de Engenharia Elétrica ENG04037 Sistemas de Controle Digitais
Universidade Federal do Rio Grande do Sul Escola de Engenharia Departamento de Engenharia Elétrica ENG04037 Sistemas de ontrole Digitais 1 Introdução Observadores de Estado Prof Walter Fetter Lages 7 de
Leia maisModelagem Computacional. Parte 8 2
Mestrado em Modelagem e Otimização - RC/UFG Modelagem Computacional Parte 8 2 Prof. Thiago Alves de Queiroz 2/2016 2 [Cap. 10 e 11] BURDEN, R. L.; FAIRES, J. D. Numerical Analysis (9th ed). Cengage Learning,
Leia maisExercício. Alexandre Bernardino IST-Secção de Sistemas e Controlo
8 Exercício Calcular os polinómios R,S,T de um controlador discreto com acção integral para um sistema do tipo integrador duplo. Faça o período de amostragem igual a 0.5 s. Coloque os polos desejados para
Leia maisMarina Andretta. 17 de setembro de Baseado no livro Numerical Optimization, de J. Nocedal e S. J. Wright.
Métodos de regiões de confiança Marina Andretta ICMC-USP 17 de setembro de 2014 Baseado no livro Numerical Optimization, de J. Nocedal e S. J. Wright. Marina Andretta (ICMC-USP) sme0212 - Otimização não-linear
Leia maisEstabilidade. 1. Estabilidade Entrada-Saída Sistemas LIT. 2. Estabilidade BIBO Sistemas LIT. 3. Estabilidade BIBO de Equações Dinâmicas Sistemas LIT
Estabilidade 1. Estabilidade Entrada-Saída Sistemas LIT 2. Estabilidade BIBO Sistemas LIT 3. Estabilidade BIBO de Equações Dinâmicas Sistemas LIT 4. Sistemas Discretos LIT 5. Estabilidade BIBO Sistemas
Leia mais