Universidade Federal de Santa Catarina Programa de Pós-Graduação em Eng. Elétrica Departamento de Automação e Sistemas Defesa de Tese de Doutorado CONTROLE PREDITIVO NÃO-LINEAR PARA SISTEMAS DE HAMMERSTEIN José Eli Santos dos Santos - candidato Prof. Dr. Antonio A. R. Coelho - orientador 27/04/2007 Estrutura da Apresentação Introdução Modelo de Hammerstein Identificação Estratégias de Controle Preditivo Resultados de Simulação Conclusão e Contribuições 2/37 Introdução Embora populares, modelos lineares apresentam limitações. Modelos não-lineares aumentam a complexidade do projeto de controle. Controle preditivo não-linear apresenta questões em aberto: estimação, adaptação, robustez e otimização. Publicações sobre NMPC (IEE, IEEE, Elsevier) 3/37 Introdução O modelo de Hammerstein apresenta uma excelente capacidade de representação de processos com não-linearidades fracas. Diversas publicações registram a aplicação de controladores preditivos baseados no modelo de Hammerstein proporcionando simplicidade de projeto . O modelo de Hammerstein se apresenta como uma possível solução visando capacidade de representação x simplicidade de implementação. 4/37 Introdução Objetivos do Trabalho: Estudo comparativo de controladores preditivos aplicados a SH; Implementação em identificação e controle em estudos de casos; Estudo de preditores NL com ênfase na estrutura de Hammerstein; Adequação da estrutura de controle MLC para processos NL; Identificação e controle NMPC aplicadas a uma planta solar; Proposição de modificações e/ou novas estratégias em preditores e controle preditivo não-linear. 5/37 Introdução Modelos Não-Lineares NCARMA Volterra Hammerstein Linear Bilinear Wiener 6/37 Modelo Hammerstein / Wiener Dinâmica rápida e complexa ? Não Seleção do Modelo Conhecimento do Processo Sim Parcela Linear Faixa de operação é limitada ? Introdução Não Sim Teste de Nãolinearidade Parcela Processo é Não-Linear Não-Linear estável ? Não Nãolinearidade Estática ? Linear Bilinearidade inerente ? Não Não Modelo Volterra / NCARMA Sim Sim Sim Estrutura Modelo Não Não / daEstrutura NL é daHammerstein Wiener Planta ? é conhecida SeleçãoNão de Modelo Linear Dinâmica rápida e complexa ? desconhecida? Pode ser aproxim.ModeloNão por polinômioBilinear ? Seleção da Modelo estrutura: ANN / Nebuloso m, nu, ny Sim Processo é estável ? Sim Sim Parcela Linear Não Sim Parcela Não-Linear Seleção da estrutura: nu, ny Técnicas de Redução de Parâmetros Sim Estrutura da Planta é desconhecida? Não Modelo Equação da FIR / FSR Não-Linearidade Seleção da Modelo Expansão Pode ser Não Não rede CARMA /aproximada estrutura da Modelo Polinomial por / Nebuloso CARIMA polinômio / base ANN de regras Estrutura da NL é conhecida ? Sim Sim Modelo FIR / FSR Modelo CARMA / CARIMA Seleção de N Seleção da estrutura: d, nA, nB, nC Seleção de N ? Sim Equação da Seleção Não-Linearidade daExpansão Polinomial estrutura: Seleção da d, da nA,NL: nB,m nC ordem Seleção da estrutura da rede / base de regras Seleção da ordem da NL: m 7/37 Modelo de Hammerstein Estrutura do Modelo: Parcela NL + Parcela Linear u(t) x(t) y(t) G(q-1) NL Parcela Não-Linear Parcela Linear h h3 CARMA Expansão Polinomial FIR A(q 1 ) y(t ) q d B(q1 )u (t ) C(q 1 ) (t ) Equação da Não-Linearidade hi hN ... i jh . . . Modelo Semi-Paramétrico CARIMA ... g2 g3 AFSR (q )y(t ) q B(q )u(t ) C (q ) (t ) 1 G(q-1) y(t) u 1 1 x(Modelo t ) 1u(t ) u (t ) ... mu m (t ) 2-a Paramétrico 2 d1 gN gi g1 d x(t) o aL g gs wjo . . . a Neural Modelo Não-Paramétrico -a h1 1 1 u(t) ... h2 x wjh 1 ... i Nebuloso 1 sgn a u(t ) u(t) x(t ) 2 u(t ) 1 sgn .. u (t ) a . NR x(t) 2 d G(q-1) y(t) a.sgn u(t ) NR 8/37 Modelo de Hammerstein Aplicações do Modelo de Hammerstein Reatores Químicos Colunas de Destilação Trocadores de Calor Nível 9/37 Identificação Determinação da Estrutura Razão entre Determinantes (DR) A(q1 ) y(t ) qd B(q1 ) x(t ) (t ) y(t) = T(t)(t) + e(t) T(t) = [-y(t-1) ... -y(t-na) u(t-d) ... u(t-d-nb) u2(t-d) ... u2(t-d-nb) ... um(t-d-nb)] = [a1 a2 ... ana; b01 b11 ... bnb1; b02 b12 ... bnb2; ... ; b0m b1m ... bnbm]T 1 N Q( , n, m) (t , n, m) T (t , n, m) N t 1 DR detQ( , n, m) detQ( , n 1, m) 10/37 Identificação Mínimos Quadrados (1971) T(t) = [-y(t-1) ... -y(t-na) u(t-d) ... u(t-d-nb) u2(t-d) ... u2(t-d-nb) ... um(t-d-nb)] ˆ = [a1 a2 ... ana; b01 b11 ... bnb1; b02 b12 ... bnb2; ... ; b0m b1m ... bnbm]T T (0) T (1) ... T ( N 1) J [Y ˆ]T [Y ˆ] i b0 i b1 i b ... nb i b0 b1 bnb 1 ˆ T T Y redundância de parâmetros 11/37 Identificação Mínimos Quadrados com Restrições (2005) min J [Y ˆ]T [Y ˆ] i i 1 nA1 nA 2 i i 1 nA1 nA 2 i nB nA nB i nB 1 i nB nA nB 1 nA nB b0 i b1 i bnb i i ... b0 b1 bnb 12/37 Identificação Erro de Predição (1991) ˆ = [a1 a2 ... ana; b0 b1 ... bnb; 1 2 ... m]T 1 V ( ) N V’ não é linear em relação a N e t, 2 t 1 Método iterativo Narendra-Gallman (1966) l(t) = [a1 a2 ... ana b0 b1 ... bnb] 1 2 ... m T Separação de linear + NL Método iterativo 13/37 Identificação Boutayeb (1996) T(t) = [-y(t-1) ... -y(t-na) u(t-d) ... u(t-d-nb) u2(t-d) ... u2(t-d-nb) ... um(t-d-nb)] ˆ = [a1 a2 ... ana; b01 b11 ... bnb1; b02 b12 ... bnb2; ... ; b0m b1m ... bnbm]T ˆa ˆ ˆb ˆ b ˆ Mˆb ˆb 0 ... 0 M . . 0 ... 0 ˆ b bb 1 14/37 Identificação Bai (2002) x(t) a (t) = [a1 a2 ... ana b0 b1 ... bnb] 1 J Y aˆ ˆ N -a a 2 ... y(1 na) y (0) y (1) ... y (2 na ) aˆ . . . y ( N 1) ... y ( N na) 1 ˆ T aˆ aˆ T aˆ Y u(t) -a xˆ (1 nb) xˆ (2 nb) . . xˆ ( N 1) ... xˆ ( N nb) xˆ (0) xˆ (1) ... ... . 1 J aˆ N I aˆ aˆ aˆ T 1 T Y aˆ 2 15/37 Estratégias de Controle Preditivo Controle Preditivo (MPC) Características: inclusão de perturbações, restrições Aplicações: sistemas de potência, petroquímica, robótica, medicina Referências Futuras + – erro de predição Otimizador controle CONTROLADOR predição da saída Processo saída PREDITIVO Preditor Modelo 16/37 Estratégias de Controle Preditivo Função Custo J N2 Nu yˆ (t j) y (t j ) u 2 r j N1 2 (t j 1) j 1 Horizontes de Previsão passado futuro referência futura saída prevista y controle futuro u t-1 t+1 t+Nu-1 t+Nu t+N2 tempo t 17/37 Estratégias de Controle Preditivo Controle Preditivo Não-Linear (NMPC) Controlador Bars e Haber (1991) J B y(t d ) y r (t d ) u 2 (t ) 2 GMV Não-Linear Controlador Preditivo Baseado num Modelo Quase-Linear (2002) N2 Nu J QL yˆ (t i) yr (t i) u(t i 1) i N1 2 2 i 1 Aproximação no modelo – motor de indução, coluna de destilação 18/37 Estratégias de Controle Preditivo Controlador Katende e Jutan (1996) N2 Nu J K yˆ (t i ) (1) yr (t i ) x '2 (t i 1) 2 i N1 i 1 Reator químico, controle de nível Controlador Fruzzeti (1997) N2 Nu J F e (t i) x 2 (t i 1) 2 i N1 i 1 Controle de pH (t) yr(t) + e(t) F x(t) Gc u(t) NLI + PLANTA – + x(t) NLI h(t) y(t) ym(t) + H – 19/37 Estratégias de Controle Preditivo Controlador HGPC (2004) – perturbações mensuráveis A(q1 )y(t ) qd B(q1 )x(t ) C(q1 ) (t ) D(q1)v(t ) J HGPC N2 Nu y(t j) y (t j) x (t j 1) j N1 2 r 2 j 1 Planta Solar de Climatização 20/37 Estratégias de Controle Preditivo Multiplicidade de Soluções para a Lei de Controle Busca Iterativa Aproximação de Zhu e Seborg (1994) u (t ) 1 x (t ) 2u 2 (t 1) ... mu m (t 1) 1 Aproximação por Série de Taylor (2002) m u (t ) x (t ) (i 1) i u i (t 1) i2 m i 1 i u ( t 1) i i 1 21/37 Estratégias de Controle Preditivo Multiplicidade de Soluções para a Lei de Controle Inicialização Grau da NL valor de uini Limitações de Sim ? tempo Método de busca iterativa Não Sim Uso de Aproximação Não Solução encontrada ? Sim Variações bruscas de u(t) ? Não Aproximação Zhu-Seborg Atende as restrições ? Não Sim Sim Aproximação por Taylor Atende as restrições ? Não Utilizar um valor prédefinido uini Sim Aplicar controle à Planta 22/37 Resultados de Simulação Trocador de Calor água vapor Entrada: variação na vazão de água Saída: variação na temperatura da água Vazão de vapor constante Modelo: y(t ) 1.608 y (t 1) 0.6385 y (t 2) 6.5306 x(t 1) 5.5652x (t 2) x(t ) u(t ) 1.3228u 2 (t ) 0.7671u3 (t ) 2.1755u 4 (t ) 23/37 Resultados de Simulação Aprox. Zhu-Seborg Aprox. Taylor 40 40 30 30 saída saída Busca de Raízes 20 10 10 0 50 100 150 200 250 300 350 0 400 0 0 -0.2 -0.2 controle controle 0 -0.4 -0.6 0 50 100 150 200 amostras 250 300 350 -0.8 400 15 10 5 0 0 0 50 100 150 200 250 300 350 400 saída 20 15 saída 20 5 0 50 100 150 200 250 300 350 0 400 0 -0.2 -0.4 -0.6 -0.8 -1 -1 0 50 100 150 200 amostras 250 300 350 400 controle 0 -0.2 -0.8 150 200 250 300 350 400 0 50 100 150 200 amostras 250 300 350 400 0 50 100 150 200 250 300 350 400 0 50 100 150 200 amostras 250 300 350 400 5 0 -0.6 100 10 -0.2 -0.4 50 -0.6 15 10 0 -0.4 20 controle saída -0.8 controle 20 -0.4 -0.6 -0.8 0 50 100 150 200 amostras 250 300 350 400 -1 24/37 Resultados de Simulação Planta Solar de Climatização 25/37 Resultados de Simulação Ciclo de Refrigeração por Absorção Água Aquecida Calor Solução (baixa concentração) Calor Trocador Absorvedor Gerador Solução (alta concentração) Vapor refrigerante (baixa pressão) Evaporador Calor Vapor refrigerante (alta pressão) Condensador Válvula de Expansão Líquido refrigerante Calor Ambiente Climatizado 26/37 Resultados de Simulação Identificação de um Modelo de Hammerstein Temperatura [oC] 120 100 80 60 40 20 0 500 1000 1500 Amostras 2000 2500 3000 0 500 1000 1500 Amostras 2000 2500 3000 100 VM1 [%] 80 60 40 20 0 27/37 Resultados de Simulação Identificação de um Modelo de Hammerstein y(t ) 0.9795 y(t 1) 0.02565x(t 18) x(t ) u(t ) 0.1592u 2 (t ) 0.01163u3 (t ) Identificação do Modelo Temp. Real / Estimada o[C] 120 110 100 90 80 70 0 50 100 150 200 250 300 350 400 450 500 Validação do Modelo Temp. Real / Estimada o[C] 100 95 90 85 80 0 20 40 60 80 100 Amostras 120 140 160 180 28/37 Resultados de Simulação Identificação de um Modelo de Hammerstein y(t ) 0.9795 y(t 1) 0.02565x(t 18) 0.00026562v(t 4) Temperatura [oC] 100 90 80 70 60 0 200 400 600 800 Amostras 1000 1200 1400 1600 0 200 400 600 800 Amostras 1000 1200 1400 1600 Radiação [W/m 2] 1200 1000 800 600 400 200 29/37 Resultados de Simulação Controle via HGPC Temperatura [oC] 90 80 70 60 600 800 1000 1200 1400 1600 Amostras 1800 2000 2200 2400 600 800 1000 1200 1400 1600 Amostras 1800 2000 2200 2400 1800 2000 2200 2400 100 VM1 [%] 80 60 40 20 0 Radiação [W/m 2] 1000 800 600 400 200 600 800 1000 1200 1400 1600 30/37 Resultados de Simulação Predição de Perturbações 1000 1100 900 1000 900 800 Radiação Calculada Radiação Medida Radiação [W/m 2] Radiação [W/m 2] 800 700 600 500 700 600 Predição da Radiação 500 400 400 300 200 300 200 0 500 1000 1500 Amostras 2000 2500 3000 Radcalc (t ) 291.8 0.8t 0.0002t 2 0, 2.108 t 3 0 500 1000 1500 Amostras 2000 2500 3000 Radest (t k ) f .Radcalc (t k ) (1 f ).Radmed (t ) 31/37 Resultados de Simulação Controle via HGPC – Pred. Perturbações Temperatura [oC] 100 90 80 70 60 800 1000 1200 1400 1600 1800 2000 Amostras 2200 2400 2600 2800 1000 1200 1400 1600 1800 2000 Amostras 2200 2400 2600 2800 1000 1200 1400 1600 2200 2400 2600 2800 100 céu claro 60 40 20 800 1200 Radiação [W/m 2] N2 = 20; Nu = 3; = 0.02 VM1 [%] 80 1000 800 600 400 800 32/37 1800 2000 Resultados de Simulação Controle via HGPC – Pred. Perturbações Temperatura [oC] 100 90 80 70 60 800 1000 1200 1400 1600 1800 2000 Amostras 2200 2400 2600 2800 1000 1200 1400 1600 1800 2000 Amostras 2200 2400 2600 2800 1000 1200 1400 1600 2200 2400 2600 2800 100 céu claro VM1 [%] 60 40 20 0 800 1000 Radiação [W/m 2] N2 = 25; Nu = 2; = 0.015 80 900 800 700 600 500 800 1800 2000 33/37 Resultados de Simulação Controle via HGPC – Pred. Perturbações Temperatura [oC] 100 90 80 70 60 800 1000 1200 1400 1600 1800 2000 Amostras 2200 2400 2600 2800 1000 1200 1400 1600 1800 2000 Amostras 2200 2400 2600 2800 1000 1200 1400 1600 2200 2400 2600 2800 100 nebulosidade VM1 [%] 60 40 20 0 800 1200 Radiação [W/m 2] N2 = 25; Nu = 2; = 0.015 80 1000 800 600 400 200 800 1800 2000 34/37 Conclusão e Contribuições Contribuições Generalização dos modelos apresentados e a comparação de sua complexidade; Técnica da Razão entre Determinantes (DR) para o modelo de Hammerstein; Aplicação do MQR sob restrições para o modelo de Hammerstein; Controlador preditivo com perturbações mensuráveis para o modelo de Hammerstein; Solução para o problema da multiplicidade do sinal de controle ótimo; Estudo de preditores baseados em modelos não-lineares sob a estratégia MLC. Modelo de Hammerstein da Planta Solar, sua validação e sua aplicação no HGPC . Publicações 01 Capítulo de Livro 03 Artigos em Congressos Internacionais 09 Artigos em Congressos Nacionais 35/37 Conclusão e Contribuições Conclusão O modelo de Hammerstein é eficiente para processos com NL fracas; Técnica da DR para o modelo de Hammerstein possibilita resultados adequados com limitações; MQR sob restrições para o modelo de Hammerstein apresentou desempenho similar à outras técnicas empregadas; Solução para o problema da multiplicidade do sinal de controle ótimo mostrou desempenho similar às técnicas conhecidas; Estudo de preditores baseados em modelos não-lineares sob a estratégia MLC apontaram convergência para o modelo de Hammerstein. Modelo de Hammerstein da Planta Solar mostrou-se adequado e a aplicação do HGPC apresentou resultados promissores. 36/37 Conclusão e Contribuições Perspectivas para Trabalhos Futuros Identificação de Modelos Não-Lineares Estender as técnicas de identificação para outros modelos; Utilizar série de funções ortonormais. Controle Preditivo Baseado em Modelos Não-Lineares Estender as técnicas de controle preditivo não-linear a outros modelos; Implementar identificação e controle baseado no modelo de Hammerstein em outros processos; Estudar os preditores não-lineares; Avaliar a robustez em relação às incertezas de modelagem em NMPC. 37/37