Cap.

1
Introducere
Majoritatea tehnicilor curente pentru proiectarea sistemelor de conducere se
bazeaz pe o bun nelegere a procesului ce trebuie condus, precum i a condiiilor
de funcionare a acestuia. n practic, exist multe situaii n care procesul ce
trebuie condus este foarte complex, iar fenomenele fizice care se produc n
diversele subprocese ale acestuia nu sunt complet cunoscute. n aceste cazuri,
tehnicile de proiectare a comenzilor trebuie augmentate cu o tehnic de
identificare, care s aib drept scop o mai bun cunoatere a procesului de condus.
Se ajunge astfel la o agregare a operaiilor de conducere i a celor identificare. De
cele mai multe ori, cele dou operaii sunt tratate separat. Dac ns, identificarea
sistemului este recursiv adic modelul procesului este actualizat periodic pe
baza estimrilor anterioare i a datelor noi culese din proces operaiile de
identificare i control pot fi realizate concurent. Conducerea adaptiv va fi privit
ca o agregare direct a unei metodologii (neadaptive) de control cu o anumit
metod de identificare recursiv a procesului.

1.1. Etapele proiectrii unui sistem de conducere

n multe aplicaii de conducere, proiectarea unui regulator (controller) care s
poat influena sau modifica comportarea i rspunsul unui proces incomplet
cunoscut sau necunoscut, pentru a satisface anumite cerine de performan, poate
fi o problem dificil, dar i interesan i provocatoare.
Prin proces, n general, vom nelege orice
Ieiri
Intrri
proces caracterizat printr-un anumit numr de
Proces P
y
u
intrri, notate cu u, i ieiri, notate cu y,
reprezentat schematic ca n Fig. 1.1. Intrrile u Fig.1.1. Reprezentarea unui proces
sunt prelucrate pentru a produce anumite ieiri
y, care reprezint, de obicei, rspunsurile msurate ale instalaiei.
Scopul proiectrii unui sistem de conducere const n determinarea intrrii u
astfel nct ieirea y(t) s satisfac anumite performane impuse. Deoarece, n
practic, procesul ce trebuie condus este foarte complex, n sensul c poate conine
diverse pri mecanice, electrice, electronice, hidraulice etc., interconectate n
diverse structuri funcionale, face ca o alegere corespunztoare a lui u s nu fie o
problem simpl. Etapele de proiectare parcurse de majoritatea proiectanilor de
sisteme de conducere, respectiv de determinare a comenzii u, sunt prezentate n
Fig. 1.2 i explicare mai jos.
Etapa 1. Modelarea
n aceast etap, inginerul proiectant trebuie s analizeze i s neleag
funcionarea procesului, care, pentru un semnal de intrare u(t), produce un semnal
1-1

de ieire (rspuns) y(t); este etapa n care relaiile intrare-ieire pot fi descrise prin
anumite ecuaii matematice. Aceste ecuaii constituie modelul matematic al
procesului. Un model exact al procesului ar trebui s produc un rspuns identic cu
cel al procesului real, dac intrarea n model i condiiile iniiale sunt identice cu
cele aplicate procesului real. Complexitatea majoritii proceselor fizice face ca
dezoltarea unui astfel de model (exact) s fie nejustificat sau chiar imposibil.
Dar, chiar dac modelul exact al procesului poate fi obinut, dimensiunea acestuia
ar putea fi foarte mare, modelul ar putea fi puternic neliniar i variabil n timp, ceea
ce face apropape imposibil utilizarea sa pentru proiectarea unui sistem de
conducere. Aceasta face ca sarcina modelrii s fie chiar mai dificil, dar i mai
interesant, deoarece proiectantul trebuie s obin n final un model matematic
care s descrie cu acuratee comportarea intrare/ieire (I/O-Input/Output) a
procesului i, n plus, s fie destul de simplu pentru a putea fi utilizat pentru
proiectarea sistemului de conducere propus. Un model simplu conduce de regul la
un controller simplu, care este uor de implementat i mult mai sigur pentru scopuri
practice.
u

Procesul

P
Pasul 1: Modelarea

Modelul
procesului Pm

Pasul 2: Proiectarea
controllerului
Incertitudine
Intrare de
referin

Controller
C

Modelul
procesului Pm

Pasul 3: Implementarea
Intrare de
referin

Controller
C

Proces

Fig.1.2. Etapele proiectrii unui sistem de conducere

Determinarea unui model al procesului poate fi obinut prin folosirea legilor

fizicii sau prin procesarea datelor de intrare/ieire (I/O) ale procesului, date
obinute prin efectuarea unor experimente. Totui, din punctul de vedere al
1-2

proiectantului sistemului de conducere, un astfel de model poate fi destul de

complicat, fiind astfel necesar o simplificare ulterioar a acestuia. Pentru a obine
un model simplificat, cteva dintre abordrile cele mai utilizate sunt:
(i) Liniarizarea modelului n jurul punctelor de funcionare;
(ii) Tehnici de reducere a ordinului modelului.
n prima abordare (i), procesul este aproximat printr-un model liniar, care este
valid numai n jurul unui punct de funcionare. Puncte de funcionare diferite pot
conduce la modele liniare diferite, care pot fi folosite ca modele valide ale
procesului n jurul acelor puncte. Liniarizarea se obine fie prin dezvoltarea n serie
Taylor a modelului neliniar i aproximarea liniar a acestuia, fie prin potrivirea
datelor experimentale la un model liniar, fie prin alte metode.
n cea de-a doua abordare (ii), efectele nesemnificative i fenomenele situate
n afara domeniului de frecvene de interes sunt neglijate, conducnd la un model al
procesului mai simplu i de ordin mai sczut. Pentru detalii privind tehnicile de
aproximare i reducere a ordinului modelelor folosind metoda perturbaiilor
singuare se poate consulta [1].
n general, modelarea implic o bun nelegere a instalaiei de automatizat, a
funcionarii acesteia i a cerinelor de performan impuse i poate reclama o
anumit experien a inginerului automatist.
Etapa a 2-a. Proiectarea algoritmului de conducere
Odat ce dispunem de un model al procesului se poate trece la etapa
proiectrii sistemului de conducere. Controllerul se proiecteaz pe baza acestui
model astfel nct sistemul de conducere (n circuit nchis) s satisfac
performanele impuse. Dac modelul reprezint o bun aproximare a procesului,
atunci putem spera ca performanele controllerului, respectiv ale sistemului de
conducere, proiectat pe baza modelului procesului, s fie apropiate de
performanele sistemului obinute cnd acelai controller se aplic procesului real.
Deoarece modelul reprezint ntotdeauna o aproximare a procesului real,
efectul oricrei discrepane ntre proces i model asupra performanelor
controllerului nu va fi cunoscut dect dup implementarea i testarea controllerului
direct pe instalaia real (etapa a 3-a). Din aceast cauz, se poate introduce o etap
intermediar n care performanele controllerului proiectat pentru un anumit model
al procesului s poat fi analizate utiliznd acelai model la care se include ns o
clas de incertitudini ale modelului procesului, notate cu n Fig. 1.2.
Dac conine majoritatea fenomenelor nemodelate ale procesului,
reprezentarea sa prin ecuaii matematice nu este posibil. Dar, n multe aplicaii,
caracterizarea sa prin anumite limite cunoscute poate fi posibil. Prin considerarea
existenei unei clase generale de incertitudini , care ar putea fi prezente n proces,
proiectantul poate modifica sau reproiecta controllerul astfel nct acesta s fie mai
puin senzitiv la incertitudini, adic s fie mai robust n raport cu incetitudinea .
Aceast analiz a robusteii precum i reproiectarea controllerului n aceste condiii
pot conduce la o implementare practic de succes (Etapa a 3-a).
1-3

Etapa a 3-a. Implementarea

n acest etap, un controller proiectat n etapa a 2-a, care satisface
performanele impuse pentru modelul procesului i este robust n raport cu
posibilele incertitudini de modelare , este gata pentru a fi utilizat pentru
conducerea procesului real (incomplet cunoscut). Implementarea poate fi realizat
utiliznd un calculator numeric, chiar dac n anumite aplicaii pot fi folosite i
regulatoare analogice. Indiferent de tipul calculatorului utilizat, tipul interfeei ntre
calculator i proces, software-ul corespunztor etc. trebuie s fie alese a priori.
Viteza de calcul i acurateea pot constitui restricii asupra complexitii
controllerului, care l pot determina pe proiectant s se rentoarc la etapa a 2-a sau
chiar la pasul (etapa) 1 pentru a obine un controller mai simplu, fr a afecta ns
performanele impuse.
Un alt aspect important al implementrii este ajustarea final a parametrilor
numit adesea acordare a controllerului pentru mbuntirea performanelor de
compensare a incertitudinilor de modelare. Acordarea se face de regul prin
ncercri i depinde foarte mult de experiena i intuiia proiectantului.
n acest curs ne vom concentra atenia pe etapa a 2-a. Ne vom ocupa de
proiectarea algoritmilor de conducere pentru o clas de modele descrise prin
ecuaii difereniale linare de forma:

x& = Ax + Bu ; x(0) = x0

(1.1.1)

y = C T x + Du

n (1.1.1), x n este starea modelului, u r este intrarea procesului, iar

y l este ieirea modelului procesului. Matricele A n n , B n r , C nl
i D l r pot fi constante sau variabile n timp. Aceast clas de modele este
destul de general deoarece ea poate servi i ca un aproximant al proceselor
neliniare n jurul punctelor de funcionare. Este de ateptat ca un controller
proiectat pe baza modelului liniar (1.1.1) s fie mai simplu i mai uor de neles
dect un controller proiectat pe baza unui model mai complicat (exact), dar
neliniar.
Mai mult, clasa modelelor descrise prin (1.1.1) poate fi generalizat, dac se
consider c elementele matricelor A, B sau C sunt fie complet necunoscute, fie se
modific n timp sau cu schimbarea condiiilor de funcionare. Conducerea
proceselor descrise prin modelele (1.1.1) cu A, B, C i D parial cunoscute sau
necunoscute este inclus n domeniul sistemelor adaptive i constituie subiectul
principal al acestui curs.

1.2. Controlul adaptiv

Corespunztor dicionarului Webster, a adapta nseamn "a se schimba (pe
sine) astfel nct comportarea sa s fie n concordan cu noile circumstane sau cu
circumstanele modificate". Cuvintele "sisteme adaptive" i "control adaptiv" au
fost utilizate nainte de anul 1950 [2, 3].
1-4

Unul din motivele iniiale care au determinat cercetri active asupra

controlului adaptiv, nainte de 1950, l-a constituit proiectarea autopiloilor pentru
aparate de zbor de nalt performan.
Aparatele de zbor funcioneaz ntr-un domeniu larg de viteze i altitudini, iar
dinamicile lor sunt neliniare i variabile n timp. Totui, pentru un punct de
funcionare dat, precizat prin viteza aparatului (numrul Mach) i altitudinea sa,
dinamica aparatului poate fi aproximat printr-un model liniar de forma (1.1.1). De
exemplu, pentru un punct de funcionare i, modelul liniar al aparatului are
urmtoarea form [4]:
x& = Ai x + Bi u ; x(0) = x0

(1.2.1)

y = CiT x + Di u

unde Ai, Bi, Ci i Di corespund punctului de funcionare i. Cum, aparatul trece prin
diferite condiii de zbor, punctele de funcionare se schimb conducnd la diferite
valori pentru Ai, Bi, Ci i Di. Deoarece rspunsul y(t) conine informaie despre
starea x, precum i despre parametrii aparatului, se poate argumenta c, n
principiu, un controller cu reacie (dup stare sau ieire) ar putea fi capabil s
sesizeze schimbarea valorilor parametrilor procesului prin procesarea rspunsului
y(t) i s foloseasc factori de amplificare corespunztori pentru a se adapta la
variaiile acestora. Acest argumentaie conduce la o structur de conducere cu
reacie pe care se bazeaz controlul adaptiv. Structura sistemului adaptiv const
dintr-o bucl de reacie i un controller cu factori de amplificare ajustabili,
reprezentat n Fig. 1.3. Procedeul de schimbare a factorilor de amplificare, ca
rspuns la schimbrile din dinamica instalaiei i a perturbaiilor, face distincia
dintre o schem i o alta.

Intrare de
referin

Controller
C

Proces
P

Strategia pentru
ajustarea factorilor
de amplificare

u(t)
y(t)

Fig.1.3. Structura controllerului cu factori de amplificare variabili

1.2.1. Controlul robust

Controlul robust presupune proiectarea unui controller cu amplificare

constant, care s fac fa schimbrii parametrilor procesului, cu condiia ca
aceste schimbri s rmn n interiorul unor anumite limite. O schem bloc a unui

1-5

astfel de controller este prezentat n Fig. 1.4, unde G(s) este funcia de transfer a
procesului, iar C(s) este funcia de transfer a controllerului.
y* +

C(s)

Proces G(s)

Fig.1.4. Controller cu factor de amplificare constant

Funcia de transfer de la y* la y este:

y
C ( s )G ( s )
=
,
*
y 1 + C ( s )G ( s )

(1.2.2)

unde C(s) trebuie aleas astfel nct sistemul n circuit nchis este s fie stabil, n
pofida schimbrii parametrilor sau incertitudinilor n G(s), i y y * n domeniul
frecvenelor de interes. Aceast ultim condiie poate fi realizat dac C(s) se alege
astfel nct factorul de amplificare al buclei |C(j)G(j)| este ct mai mare posibil,
n spectrul de frecven a lui y*, cu condiia ca acest valoare a factorului de
amplificare s nu afecteze cerinele de stabilitate n circuit nchis. Obiectivele de
urmrire i stabilitate pot fi realizate prin proiectarea lui C(s) cu condiia ca
schimbrile din G(s) s se situeze ntre anumite limite. Mai multe detalii despre
controlul robust vor fi prezentate ntr-un capitol viitor.
Un sistem de conducere robust nu este considerat un sistem adaptiv, chiar
dac acesta poate trata anumite clase de incertitudini parametrice i dinamice.
1.2.2. Planificarea amplificrii (Gain Scheduling)

Se consider modelul aparatului de zbor (1.2.1) unde, pentru fiecare punct de

funcionare i, i = 1, 2, ..., N, parametrii Ai, Bi, Ci, Di se consider a fi cunoscui.
Pentru fiecare astfel de punct de funcionare i, considernd modelul liniar
corespunztor, din condiiile de satisfacere a performanelor impuse, se poate
proiecta un controller cu factorul de amplificare constant, i . Se obine astfel un
controller, C(), care conine un set de factori de amplificare {1 , 2 ,K, i ,K, N }
corespunztori celor N puncte de funcionare.
n timpul funcionrii, atunci cnd este detectat un punct de funcionare i,
amplificarea controllerului se poate schimba la valoarea corespunztoare lui i ,
valoare obinut dintr-un set de factori de amplificare precalculai.
Tranziiile dintre diferitele puncte de funcionare, care conduc la schimbri
semnificative ale parametrilor, pot fi rezolvate prin interpolare sau prin creterea
numrului de puncte de funcionare.
Pentru implementarea metodei Gain Scheduling sunt eseniale dou elemente:
(i) un tabel predefinit n care se memoreaz valorile lui i i (ii) msurtorile
auxiliare din proces corelate cu schimbrile corespunztoare punctelor de
1-6

funcionare. Aceast abordare se numete planificare a amplificrii (gain

scheduling) i este ilustrat n Fig. 1.5.
Planificatorul amplificrii (gain scheduler) const ntr-un tabel cu factori de
amplificare predefinii, o logic corespunztoare pentru detectarea punctului de
funcionare i alegerea din tabel a valorii corespunztoare a lui i . n cazul
aparatelor de zbor, msurtorile auxiliare sunt numrul Mach i presiunea
dinamic.
Cu aceast abordare, variaiile parametrilor procesului pot fi compensate prin
schimbarea amplificrii controllerului n funcie de msurtorile auxiliare.
i
Program sau
semnal de
referin

Controller
C()

Gain
Scheduling
u

Proces

Msurtori
auxiliare

Fig.1.5. Schema Gain scheduling

Avantajul planificrii amplificrii const n aceea c amplificrile controllerului pot fi schimbate cu aceeai vitez cu care msurtorile auxiliare rspund la
modificrile valorilor parametrilor. Totui, schimbri frevente i rapide ale
amplificrilor controllerului pot conduce la instabilitate [5]; de aceea, exist o
limit a ct de lent sau ct de rapid pot fi schimbate amplificrile controllerului.
Unul din dezavantajele metodei gain scheduling const n faptul c n
mecanismul de ajustare, amplificrile sunt precalculate off-line i, de aceea, nu
furnizeaz informaie (reacie) pentru a compensa programele incorecte.
Schimbrile neprevzute n dinamica procesului pot conduce la deteriorarea
performanelor sau chiar la avarie. Un alt posibil dezavantaj al metodei gain
scheduling const n costurile mari de proiectare i implementare care cresc cu
numrul de puncte de funcionare.
n pofida limitrilor sale, gain scheduling a fost i este o metod uzual pentru
tratarea variaiei parametrilor n controlul zborului [4, 6] i a altor sisteme [7].
1.2.3. Controlul adaptiv direct i indirect

Un controller adaptiv se obine prin combinarea unui estimator on-line al

parametrilor, care furnizeaz estimri ale parametrilor necunoscui la fiecare
moment de timp t, cu o lege de comand, calculat pentru cazul parametrilor
considerai cunoscui ai procesului. Modul n care estimatorul parametrilor, referit
de multe ori i lege de adaptare, se combin cu legea de comand, d natere la
dou abordri diferite.
n prima abordare, denumit control adaptiv indirect, mai nti parametrii
procesului sunt estimai on-line i apoi sunt folosii n calcularea parametrilor
1-7

controllerului. Aceast abordare a fost de asemenea referit i sub denumirea de

control adaptiv explicit, deoarece proiectarea se bazeaz pe un model explicit al
procesului.
n cea de-a doua abordare, denumit control adaptiv direct, modelul
procesului este parametrizat n funcie de parametrii controllerului, care sunt
estimai direct, fr alte calcule intermediare care s implice estimarea parametrilor
procesului. Aceast abordare este este cunoscut i sub denumirea de control
adaptiv implicit, deoarece proiectarea se bazeaz pe estimarea unui model implicit
al procesului.
n controlul adaptiv indirect, modelul procesului P(*) este parametrizat n
raport cu elementele vectorului parametrilor necunoscui *. De exemplu, pentru un
model liniar invariant n timp (LTI-Linear Time Invariant) cu o singur intrare i o
singur ieire (Single-Input Single-Output (SISO)), * poate reprezenta coeficienii
necunoscui ai numrtorului i numitorului funciei de transfer a modelului.
Prin prelucrarea intrrii procesului u i a ieirii y, un estimator on-line al
parametrilor genereaz, la fiecare moment t, o estimare (t) a lui *. Parametrul
estimat (t) determin un model estimat al procesului descris prin P ((t )) .
n procesul de proiectare a comenzii, P ((t )) este considerat drept model
"adevrat" i este folosit pentru calcularea parametrilor controllerului sau a
vectorului de amplificare c(t) prin rezolvarea, la fiecare moment t, a unei anumite
ecuaii algebrice c(t) = F((t)).
Forma legii de comand C(c) i ecuaia algebric c = F() sunt alese astfel
nct s fie identice cu cea a legii de comand C (*c ) i respectiv a ecuaiei
*c = F (* ) , care ar fi fost utilizate pentru satisfacerea cerinelor de performan
corespunztoare modelului P(*), n situaia n care * ar fi fost considerat
cunoscut.
Schema bloc a unui sistem de control adaptiv indirect este prezentat n Fig.
1.6.

r - Intrare
de referin

Controller
C(c)

Proces
P()
Estimarea
on-line a
parametrului *

(t)
Calcule
c(t) = F((t))

Fig.1.6. Controlul adaptiv indirect

1-8

Este clar c, n aceast abordare, C(c(t)) se proiecteaz astfel nct, la fiecare

moment t, pentru modelul estimat P ((t )) - care poate diferi de modelul
necunoscut P(*) - sistemul n circuit nchis s satisfac performanele impuse. De
aceea, principala problem n controlul adaptiv indirect const n alegerea clasei de
legi de comand C(c) i a clasei de estimatoare ale parametrilor, care s genereze
(t), precum i a ecuaiei algebrice c(t) = F((t)), astfel nct C(c(t)) s satisfac
cerinele de performan pentru modelul P(*) cu * necunoscut. Aceast problem
va fi studiat n detaliu n Cap. 4, iar proprietile de robustee n controlul adaptiv
indirect vor fi considerate n Cap. 5.
n control adaptiv direct, modelul procesului P(*) este parametrizat n funcie
de vectorul parametrilor necunoscui *c ai controllerului, pentru care C( *c )
satisface cerinele de performan, corespunztoare modelului P(*), n situaia n
care * ar fi fost considerat cunoscut. Se obine modelul Pc( *c ) cu aceleai
caracteristici de intrare/ieire ca i P(*).
n loc de a utiliza P(*), estimatorul on-line al parametrilor se proiecteaz pe
baza lui Pc( *c ), sarcina sa fiind de a furniza direct, la fiecare moment de timp t,
prin prelucrarea intrrii u i ieirii y, estimrile c(t) ale lui *c .
Pentru actualizarea vectorului c al parametrilor controllerului va fi folosit
estimarea c(t), fr alte calcule intermediare. Alegerea clasei legilor de comand
C(c) i a estimatoarelor parametrilor, care s genereze c(t) pentru care C(c(t))
satisface cerinele de performan pentru modelul P(*), constituie problema
fundamental n controlul adaptiv direct.
Proprietile modelului P(*) sunt eseniale n obinerea modelului
parametrizat Pc( *c ) - convenabil n estimarea on-line. Drept urmare, controlul
adaptiv direct este restricionat la o anumit clas de modele ale procesului. Aa
cum se va arta n Cap. 5, o clas de modele convenabil pentru controlul adaptiv
direct o constituie clasa modelelor SISO-LTI cu minim de faz, adic, cu zerourile
plasate n Re[s] < 0. Schema bloc a unui sistem de control adaptiv direct este
prezentat n Fig 1.7.

r - Intrare
de referin

Controller
C(c)

Proces
P ( ) Pc (*c )

Estimarea
on-line a
parametrului *c

Fig.1.7. Controlul adaptiv direct

1-9

Principiul proiectrii schemelor de control adaptiv direct i indirect, prezentate

n Fig. 1.6 i 1.7 este, conceptual, simplu. Proiectarea lui C(c) consider estimrile
c(t) (n cazul controlului adaptiv direct) sau estimrile (t) (n cazul controlului
adaptiv indirect) ca i cnd acestea ar fi parametrii adevrai. Aceast abordare a
proiectrii se numete echivalen cert (certainty equivalence) i poate fi utilizat
pentru a genera o clas larg de scheme de control adaptiv prin combinarea
diferitelor estimatoare on-line ale parametrilor cu diferite legi de comand.
Ideea din spatele echivalenei certe const n aceea c estimrile parametrilor
c(t) i (t) converg ctre valorile lor adevrate *c , respectiv *, performana
controllerului adaptiv C(c) tinde ctre aceea realizat de C( *c ) n cazul
parametrilor cunoscui.
Pentru majoritatea cititorilor, distincia ntre controlul adaptiv direct i indirect
poate fi confuz din urmtoarele motive: Structura controlului adaptiv direct
prezentat n Fig. 1.7 poate fi fcut identic cu cea a controlului adaptiv indirect
prin includerea unui bloc pentru efectuarea calculelor cu o transformare identitate
ntre parametrii actualizai i parametrii controllerului ( c (t ) = F ((t )) = c (t ) ).
n general, pentru un anumit model, distincia dintre abordarea direct i cea
indirect devine clar numai dac se intr n detalii de proiectare i analiz. De
exemplu, pentru un proces cu minim de faz, se poate arta c metoda de control
adaptiv direct poate satisface anumite cerine de performan, care implic
stabilitatea i urmrirea asimptotic. Nu este nc clar cum se proiecteaz scheme
directe pentru procese fr minim de faz. Dificultatea apare din faptul c, n
general, o parameterizare convenabil (n scopul estimrii) a modelului procesului
n funcie de parametrii controllerului nu este posibil pentru modele fr minim de
faz.
Pe de alt parte, controlul adaptiv indirect, este aplicabil att proceselor cu
minim de faz, ct i fr minim de faz. Cu toate acestea, nu se poate garanta c

legtura dintre (t) i c(t), definit prin ecuaia algebric c (t ) = F ((t )) , exist la
fiecare moment t, determininnd aa-numita problem a stabilizabilizrii, care va fi
discutat n Cap. 5. Aa cum vom arta n Cap. 5, soluii ale problemei de
stabilizabilitate vor fi posibile cu preul unei complexiti suplimentare.
O serie de eforturi pentru a relaxa ipoteza de minim de faz n controlul
adaptiv direct i a rezolva problema de stabilizabilitate n controlul adaptiv indirect
conduc la scheme de control adaptiv, unde att parametrii controllerului ct i cei ai
procesului sunt estimai on-line, obinnd scheme combinate direct/indirect, care de
regul sunt mult mai complexe [8].
1.2.4. Controlul adaptiv cu model de referin

Controlul adaptiv cu model de referin (MRAC-Model Reference Adaptive

Control) deriv din problema urmririi modelului sau problema controlului cu
model de referin (MRC-Model Reference Control). n MRC, o bun nelegere a
procesului i a cerinelor de performan trebuie s-i permit proiectantului s
1-10

formuleze (propun) un model numit model de referin, care s descrie

proprietile I/O dorite ale sistemului n circuit nchis.
Obiectivul MRC const n a gsi o lege de comand cu reacie, dup stare sau
dup ieire, care s schimbe structura i dinamica sistemului n circuit nchis, astfel
nct proprietile sale I/O s fie identice cu cele ale modelului de referin.
Structura unui MRC corespunztoare unui proces SISO-LTI, este reprezentat
n Fig. 1.8. Funcia de transfer a modelului de referin Wm(s) este aleas astfel
nct pentru un semnal de referin r(t), ieirea ym(t) a modelului de referin s
reprezinte rspunsul dorit pe care ar trebui s-l urmreasc ieirea y(t) a procesului.
Controllerul, notat prin C( *c ), este proiectat astfel nct toate semnalele s fie
mrginite i funcia de transfer a sistemului n circuit nchis de la r la y s fie egal
cu Wm(s). Aceast potrivire (ajustare) a funciei de transfer garanteaz c pentru

orice referin r(t), eroarea de urmrire e1 = y ym , care reprezint diferena dintre

ieirea procesului i traiectoria dorit ym, converge (n timp) la zero.
Ajustarea funciei de transfer este obinut prin intermediul controllerului (cu
reacie) C( *c ) i const n compensarea zerourilor funciei de transfer a procesului
G(s) i nlocuirea acestora cu cele ale modelului Wm(s).
Compensarea zerourilor procesului impune ca procesul s fie cu minim de
faz, adic, trebuie s aib zerourile stabile. Dac un zerou al procesului este
instabil, compensarea sa poate s conduc la semnale nemrginite.
Proiectarea lui C( *c ) impune cunoaterea coeficienilor funciei de transfer a
procesului G(s). Dac * este un vector care conine toi coeficienii lui G(s) =
G(s,*), atunci vectorul parametru *c poate fi calculat prin rezolvarea unei ecuaii
algebrice de forma:
*c = F (* )

(1.2.3)

Este deci clar c, pentru atingerea obiectivului MRC, modelul procesului trebuie s
fie cu minim de faz, iar vectorul parametrilor * trebuie s fie cunoscut cu
exactitate.
ym
Model de referin
Wm(s)
_
e1
r
+
y
Controller
u
Proces
G(s)
C( *c )
Fig.1.8. Schema de control cu model de referin

Cnd * este necunoscut, schema MRC din Fig. 1.8 nu poate fi implementat
deoarece *c nu poate fi calculat utiliznd (1.2.3) i este deci necunoscut. O metod
1-11

de a trata cazul parametrului necunoscut const n folosirea echivalenei certe, care

ne permite nlocuirea n legea de comand a parametrului *c necunoscut cu
estimarea sa c(t), obinut utiliznd abordarea direct sau indirect. Schemele de
control rezultate sunt cunoscute ca MRAC i pot fi clasificate n MRAC indirect,
prezentat n Fig. 1.9 i MRAC direct, prezentat n Fig. 1.10.
Alegeri diferite ale estimatoarelor on-line ale parametrilor conduc la o alt
clasificare a MRAC. Aceste clasificri, precum i proprietile de stabilitate att ale
MRAC direct, ct i indirect, vor fi studiate n detaliu n Cap. 5.
Pentru proiectarea schemelor MRAC directe i indirecte pot fi utilizate i alte
abordri similare abordrii echivalenei certe. Structura acestor scheme se obine
prin modificarea schemelor din Fig. 1.9 i 1.10 i vor fi studiate n Cap. 5.
ym

Model de referin

Wm(s)

r Intrare

Controller
C( *c )

Proces
G(s)

de referin

Estimarea
on-line a
parametrului *

e1

(t)
Calcule
c(t) = F((t))
Fig.1.9. MRAC indirect
Model de referin

ym

Wm(s)

r Intrare

Controller
C( *c )

de referin

_
+

Proces
*
P ( ) Pc (*c )
Estimarea
on-line a
parametrului *c

Fig.1.10. MRAC direct

1-12

e1

1.2.5. Controlul adaptiv cu plasarea polilor

Controlul adaptiv cu plasarea polilor (APPC - Adaptive Pole Placement

Control) este derivat din problema controlului cu plasarea polilor (PPC - Pole
Placement Control) i problema reglrii utilizat n cazul proceselor LTI cu
parametrii cunoscui.
n PPC, cerinele de performan se transpun n alegerea unor locaii dorite ale
polilor sistemului n circuit nchis. Se dezvoltat apoi o lege de comand cu reacie,
care plaseaz polii sistemului n circuit nchis n locaiile dorite. O structur tipic a
unui PPC, pentru un proces SISO-LTI, este prezentat n Fig. 1.11.

r Intrare
de referin

Controller
C( *c )

Proces
G(s)

Fig.1.11. Controlul cu plasarea polilor

Structura controllerului C( *c ) i a vectorului parametru *c sunt alese astfel

nct polii funciei de transfer a sistemului n circuit nchis de la r la y s fie egali
cu cei dorii. Vectorul *c se calculeaz utiliznd o ecuaie algebric de forma
*c = F (* )

(1.2.4)

unde * este un vector care conine coeficienii funciei de transfer ai procesului

G(s).
Dac * este cunoscut, atunci *c este calculat din (1.2.4) i folosit apoi n
legea de comand. Cnd * este necunoscut, *c este de asemenea necunoscut i
schema PPC din Fig. 1.11 nu poate fi implementat. Ca i n cazul MRC, putem
trata cazul parametrului necunoscut prin intermediul metodei echivalenei certe,
care ne permite nlocuirea vectorului necunoscut *c cu estimarea sa c(t). Schema
astfel obinut este denumit controlul adaptiv cu plasarea polilor (APPC). Dac
c(t) este actualizat direct printr-un estimator on-line al parametrilor, schema este
referit prin APPC direct. Dac c(t) este calculat prin intermediul ecuaiei
c(t) = F((t))

(1.2.5)
*

unde (t) este estimarea lui generat printr-un estimator on-line, schema este
referit ca APPC indirect. Structura unui APPC direct i respectiv indirect este
aceeai cu cea prezentat n Fig. 1.6 i respectiv 1.7 corespunztoare cazului
general.
Proiectarea schemelor APPC este foarte flexibil n raport cu alegerea formei
controllerului C(c) i a estimatorului on-line al parametrului.
De exemplu, legea de comand poate fi bazat pe tehnica proiectrii liniarptratice, tehnici de proiectare n domeniul frecven, sau orice alt metod PPC
1-13

utilizat n cazul n care parametrul se consider a fi cunoscut. Diverse combinaii

ale estimatoarelor on-line i ale legilor de comand conduc la o clas larg de
scheme APPC care vor fi studiate n detaliu n Cap. 5.
n literatura dedicat controlului adaptiv, schemele APPC sunt adesea referite
ca regulatoare cu autoacordare (self-tuning regulators) i sunt distincte fa de
MRAC. Distincia dintre APPC i MRAC este mai mult istoric dect conceptual,
deoarece, aa cum se va arta n Cap. 5, MRAC poate fi considerat ca o clas
special a APPC. MRAC a fost iniial dezvoltat pentru procese continue n timp
pentru urmrirea modelului, pe cnd APPC a fost iniial dezvoltat pentru procese
discrete n timp n domeniu stochastic utiliznd tehnici de minimizare.
1.2.6. Proiectarea on-line a estimatoarelor parametrilor

Aa cum s-a menionat n subcapitolele anterioare, un controller adaptiv poate

fi considerat ca o combinaie a unui estimator on-line al parametrilor necunoscui
cu o lege de control proiectat pentru cazul n care parametrii se consider
cunoscui. Modul n care se face aceast combinare i tipul estimatorului i a legii
de comand utilizat dau natere unei clase de controllere adaptive diferite, cu
diferite proprieti. n literatura dedicat controlului adaptiv, estimatorul on-line al
parameterului (parametrilor) a fost de obicei denumit lege de adaptare, lege de
actualizare sau mecanism de ajustare. n acest curs, acesta va fi denumit lege de
adaptare. Proiectarea legii de adaptare este crucial pentru proprietile de
stabilitate ale controllerului adaptiv. Aa cum vom vedea n acest curs, legea de
adaptare introduce o neliniaritate multiplicativ care face ca sistemul n circuit
nchis s fie neliniar i de regul variabil n timp. Din aceast cauz, analiza i
nelegerea stabilitii i robusteii schemelor de control adaptiv sunt mult mai
interesante (provocatoare).
Cteva dintre metodele de baz utilizate pentru proiectarea legilor adaptive
sunt:
(i) Metoda de senzitivitate;
(ii) Metoda de pozitivitate i proiectare Lyapunov;
(iii) Metoda gradientului i metode ale celor mai mici ptrate bazate pe funcia
cost a erorii de estimare.
Aceste metode vor fi utilizate n Cap. 4 i 5 pentru proiectarea unor clase de
legi de adaptare. Metoda senzitivitii este una dintre cele mai vechi metode
utilizate n proiectarea legilor de adaptare i va fi prezentat pe scurt n acest
paragraf.
(i) Metoda de senzitivitate

Aceast metod a devenit foarte popular n anii 1960 [9, 10] i este nc
folosit n multe aplicaii industriale pentru conducerea proceselor cu incertitudini.
n controlul adaptiv, metoda senzitivitii este utilizat pentru proiectarea legii
adaptive astfel nct parametrii estimai s fie ajustai ntr-o direcie care s
minimizeze o anumit funcie cost (performan). Legea de adaptare este obinut
din derivata parial a funciei cost n raport cu parametrii estimai, multiplicat cu
1-14

un semnal de eroare care reprezint nepotrivirea (diferena) dintre comportarea

actual i comportarea dorit. Aceast derivat este denumit funcie de
senzitivitate i, dac ea poate fi generat on-line, atunci legea adaptiv este
implementabil. n practic ns, n majoritatea cazurilor de control adaptiv, funcia
de senzitivitate nu poate fi generat on-line, i acesta constituie unul din
principalele dezavantaje ale metodei. Pentru implementarea metodei, se ncerc
folosirea funciilor de senzitivitate aproximative, care sunt implementabile, dar
care conduc la scheme de control adaptiv ale cror proprieti de stabilitate sunt fie
slabe, fie nu pot fi stabilite.
Ca exemplu, considerm proiectarea unei legi adaptive pentru actualizarea
vectorului parametru al controllerului c din schema MRAC direct din Fig. 1.10.
Eroarea de urmrire e1 reprezint diferena dintre ieirea procesului y i cea a
modelului de referin ym, adic, e1 = y - ym. Deoarece, n regim staionar, c = *c
are drept urmare e1 = 0, se poate considera c o valoare nenul a lui e1 implic
c *c .
Deoarece y depinde de c, adic y = y(c), se obine c e1 = e1(c) i deci, o
metod de reducere a lui e1 la zero const n a ajusta c ntr-o direcie care s
minimizeze o anumit funcie cost (performan) ce depinde de e1. O funcie cost
simpl ce depinde de e1 este funcia ptratic:

J ( c ) =

e12 (c )
.
2

(1.2.6)

O metod simpl pentru adjustarea lui c care minimizeaz J(c) este metoda celei
mai rapide descreteri sau metoda gradientului (vezi Anexa B), care furnizeaz
legea de adaptare:
& = J ( ) = e e ( )
(1.2.7)
c

unde
e
e
e
e1 (c ) = 1 , 1 ,K, 1
cn
c1 c 2

(1.2.8)

este gradientul lui e1 n raport cu c = [c1 , c 2 ,K, cn ] T .

Deoarece e1 (c ) = y (c ) , se obine
& c = J (c ) = e1y (c )

(1.2.9)

unde > 0 este o constant arbitrar de proiectare denumit factor de amplificare a

legii de adaptare (adaptive gain), iar y / ci , i = 1, 2,K, n sunt funciile de
senzitivitate ale lui y n raport cu elementele vectorului parametrilor controllerului
c. Funciile de senzitivitate y / ci reprezint senzitivitatea ieirii procesului la
schimbrile parametrilor c ai controllerului.

1-15

n (1.2.7) vectorul parametrilor c este ajustat n direcia celei mai rapide

descreteri a lui J (c ) = e12 (c ) / 2 . Dac J(c) este o funcie convex, atunci
aceasta are un minim global care satisface y (c ) = 0 , adic, n punctul de minim,
& = 0 i adaptarea se oprete.
c

Implementarea lui (1.2.9) necesit generarea on-line a funciilor de

senzitivitate y / ci care, de regul, depind de parametrii necunoscui ai
procesului i de aceea nu sunt disponibile. n aceste cazuri, n locul funciilor de
senzitivitate actuale (reale) sunt folosite valorile lor aproximate. Pentru a calcula
funciile de senzitivitate, o metod de aproximare necesit i utilizeaz a priori o
anumit informaie despre parametrii procesului.
O metod cunoscut pentru calculul funciilor de senzitivitate aproximative
este aa-numita regul MIT. Cu aceast regul, parametrii necunoscui, dar
necesari n generarea funciilor de senzitivitate, sunt nlocuii cu estimrile lor online. n general, prin utilizarea funciilor de senzitivitate aproximative, nu este
posibil demonstrarea stabilitii globale n circuit nchis i convergena la zero a
erorii de urmrire. Totui, n simulri, s-a observat c regula MIT, dar i alte
tehnici de aproximare, lucreaz bine cnd factorul de amplificare al legii de
adaptare i amplitudinea semnalului de referin sunt mici.
Pentru a confirma aceste observaii i a demonstra stabilitatea local a unei
anumite clase de semnale de referin n [11] sunt utilizate tehnici de mediere. Cu
toate acestea, global, schemele bazate pe regula MIT i pe alte aproximri pot duce
la instabilitate. Exemple de instabilitate sunt prezentate n [12, 13, 14].
Vom ilustra utilizarea regulii MIT pentru proiectarea unei scheme MRAC
pentru procesul:
&y& = a1 y& a2 y + u ,

(1.2.10)

unde a1 i a2 sunt parametrii necunoscui ai procesului, iar y& i y sunt msurabile.

Modelul de referin ce urmeaz a fi urmrit de ctre sistemul n circuit nchis
este descris prin:

&y&m = 2 y& m ym + r .

(1.2.11)

Se vede c legea de comand

u = 1* y& + *2 y + r ,

(1.2.12)

1* = a1 2 ; *2 = a2 1 ,

(1.2.13)

unde
iar r este mrimea de referin, va realiza urmrirea perfect a modelului, adic y =
ym.
Ecuaia (1.2.13) se numete ecuaie de ajustare (a parametrilor regulatorului).
Deoarece a1 i a2 sunt necunoscui, valorile dorite ale parametrilor controllerului

1-16

1* i *2 nu pot fi calculate din (1.2.13). De aceea, n locul lui (1.2.12) se utilizeaz

legea de comand:

u = 1 y& + 2 y + r ,

(1.2.14)

unde 1 i 2 sunt estimrile lui 1* i *2 , ce sunt ajustate utiliznd regula MIT

astfel:
y &
y
& 1 = e1
, 2 = e1
,
(1.2.15)
1
2
unde e1 = y - ym. Pentru a implementa (1.2.15), trebuie generate on-line funciile de
senzitivitate y / 1 , y / 2 . Utiliznd (1.2.10), adic &y& = a1 y& a2 y + u i
(1.2.14), adic u = 1 y& + 2 y + r , se obine:
&y&
y&
y
y&
y
= a1
a2
+ y& + 1
+ 2
1
1
1
1
1
&y&
y&
y
y&
y
= a1
a2
+ y + 1
+ 2
2
2
2
2
2

(1.2.16)
(1.2.17)

Presupunnd c viteza de adaptare este lent, adic, & 1 i & 2 au valori mici,
iar schimbrile lui &y& i y& n raport cu 1 i 2 sunt de asemenea mici, putem
interschimba ordinea de difereniere i se obine:
d2 y
d y
y
+ y&
+ ( 2 a2 )
= (1 a1 )
2
d t 1
1
d t 1

(1.2.18)

d2 y
d y
y
+y
+ ( 2 a 2 )
= (1 a1 )
d t 2
2
d t 2 2

(1.2.19)

care poate fi rescris sub forma

1
y
y&
= 2
1 p (1 a1 ) p ( 2 a2 )
1
y
y
= 2
2 p (1 a1 ) p (2 a2 )

(1.2.20)
(1.2.21)

d
() este operatorul diferenial.
dt
Deoarece a1 i a2 sunt necunoscui, funciile de senzitivitate de mai sus nu pot
fi utilizate. Folosind regula MIT, nlocuim n ecuaia de ajustare (1.2.13), adic
1* = a1 2 , *2 = a2 1 , pe a1 i a2 cu estimrile lor a1 i a 2 (mai exact, facem
legtura ntre estimrile a1 i a 2 i 1 i 2 ) folosind

unde p() =

a1 = 1 + 2 , a 2 = 2 + 1

(1.2.22)

i obinem funciile de senzitivitate aproximative:

1-17

1
y
1
y
2
y& ,
y.
2
1 p + 2 p + 1
2 p + 2 p + 1

(1.2.23)

Ecuaiile descrise prin (1.2.23) sunt cunoscute ca filtre sau modele de

senzitivitate, i pot fi uor implementate pentru a genera funciile de senzitivitate
aproximative pentru legea de adaptare (1.2.15).
Aa cum s-a artat n [12, 11], schema MRAC bazat pe regula MIT este local
stabil cu condiia ca amplificarea s fie mic, semnalul de referin s aib o
amplitudine mic i un numr suficient de frecvene, iar condiiile iniiale 1 (0) i

2 (0) sunt apropiate de 1* , respectiv *2 .

Pentru valori mari ale lui i 1 (0) i 2 (0) deprtate de 1* i *2 , regula MIT
poate duce la instabilitate i semnal rspuns nemrginit.
Lipsa stabilitii schemelor de control adaptiv bazate pe regula MIT a stimulat
numeroi cercettori s caute alte metode pentru proiectarea legilor adaptive.
Aceste metode includ pozitivitatea i tehnica Lyapunov, precum i metodele de
gradient i metodele bazate pe tehnica celor mai mici ptrate, care la rndul lor sunt
bazate pe minimizarea unor criterii ce depind de eroarea de estimare. Aceste
metode ce vor fi studiate n detaliu n Cap. 4 i 8, sunt prezentate succint n cele ce
urmeaz.
(ii) Metoda de pozitivitate i proiectare Lyapunov

Aceast metod de dezvoltare a legilor adaptive este bazat pe metoda direct

Lyapunov i legtura sa cu funciile real-pozitive. n aceast abordare, problema
proiectrii unei legi adaptive este formulat ca o problem de stabilitate, unde
ecuaia diferenial a legii de adaptare este aleas astfel nct s fie satisfcute
condiiile de stabilitate cert bazate pe teoria Lyapunov.
Legea adaptiv astfel dezvoltat este foarte asemnatoare celei bazate pe
metoda senzitivitii. Singura diferen const n aceea c funciile de senzitivitate
din prima abordare sunt nlocuite cu alte funcii care pot fi generate on-line. n
plus, schemele de conducere adaptiv bazate pe tehnici Lyapunov nu au nici unul
din dezavantajele schemelor bazate pe regula MIT.
Proiectarea legilor adaptive utiliznd metoda Lyapunov direct a fost sugerat
de Grayson [15], Parks [13] i Shackcloth i Butchart [14] nainte de anul 1960.
Ulterior, metoda a fost dezvoltat i generalizat la o clas larg de procese de
ctre Phillipson [16], Monopoli [17], Narendra [18] .a.
O parte nsemnat din Cap. 4 i 6 vor fi dedicate dezvoltrii legilor adaptive
folosind abordarea Lyapunov.
(iii) Metode de gradient i metode ale celor mai mici ptrate bazate pe
funcia cost a erorii de estimare

Principalul dezavantaj al metodelor de senzitivitate folosite n anii 1960 const

n aceea c minimizarea funciei cost conduce la funcii de senzitivitate care nu
sunt implementabile. O cale de a evita acest neajuns const n alegerea unei funcii
1-18

criteriu care s conduc la funcii de senzitivitate care depind de semnale ce sunt

disponibile (pot fi msurate). O clas de astfel de funcii cost se bazeaz pe aanumita eroarea de estimare, care furnizeaz o msur a diferenei dintre parametrii
estimai i cei actuali. Legtura erorii de estimare cu parametrii estimai este aleas
astfel nct funcia cost s fie convex, iar gradientul su n raport cu parametrii
estimai s fie implementabil.
Pentru a genera funcii de senzitivitate corespunztoare pot fi utilizate
numeroase funcii cost i pot fi adoptate o serie de metode cum ar fi metodele de
gradient i metode ale celor mai mici ptrate.
Ca exemplu, vom proiecta legea adaptiv pentru schema MRAC direct
(1.2.14) pentru procesul (1.2.10).
Mai nti rescriem ecuaia procesului, &y& = a1 y& a2 y + u , n funcie de
parametrii dorii ai controllerului dai prin (1.2.13), adic, vom substitui
a1 = 2 + 1* , a2 = 1 + *2 n (1.2.10) rezultnd:
&y& = 2 y& y 1* y& *2 y + u ,

(1.2.24)

care poate fi rescris ca

y = 1* y& f + *2 y f + u f ,

(1.2.25)

unde
y& f =

1
1
1
y& , y f = 2
y , uf = 2
u
s + 2s + 1
s + 2s + 1
s + 2s + 1
2

(1.2.26)

sunt semnale ce pot fi generate prin filtrare.

Dac acum n ecuaia (1.2.25) nlocuim 1* i *2 cu estimrile lor 1 i 2 ,
vom obine:
y =1 y& f + 2 y f + u f

(1.2.27)

unde y este estimarea lui y bazat pe estimrile 1 i 2 ale lui 1* i *2 . De

aceea, eroarea

1 = y y = y 1 y& f 2 y f u f

(1.2.28)

este o msur a diferenei dintre 1 , 2 i 1* , *2 pe care o vom numi eroare de

estimare. Acum, estimrile 1 i 2 pot fi ajustate ntr-o direcie care s
minimizeze o anumit funcie criteriu care implic 1. O astfel de funcie criteriu
este:
2 1
2
J (1 , 2 ) = 1 = y 1 y& f 2 y f u f ,
(1.2.29)
2 2
care urmeaz a fi minimizat n raport cu 1 , 2 . Este clar c J (1 , 2 ) este o
funcie convex de 1 , 2 i ca urmare, minimul este dat de J = 0 .

1-19

Dac acum utilizm metoda gradientului pentru a minimiza J (1 , 2 ) , vom

obine urmtoarele legi de adaptare:
J
J
& 1 = 1
= 11 y& f , & 2 = 2
= 2 1 y f ,
1
2

(1.2.30)

unde 1 , 2 > 0 sunt factori de amplificare, iar 1 , y& f , y f sunt toate semnale
implementabile.
n locul lui (1.2.29), pentru 1 se poate utiliza o funcie cost diferit i o
metod de minimizare diferit obinnd o clas de legi adaptive. n Cap. 4, 5, 6
vom examina proprietile de stabilitate ale unei largi clase de scheme de control
adaptiv bazate pe folosirea unei funcii criteriu a erorii de estimare i metode de
gradient i ale celor mai mici ptrate din tehnicile de optimizare.

Bibliografie
1. Kokotovic, P.V., H.K. Khalil and J. O'Reilly, Singular Perturbation Methods in
Control: Analysis and Design, Academic Press, New York, 1986.
2. Aseltine, J.A., A.R. Mancini and C.W. Sartune, A Survey of AdaptiveControl Systems,
IRE Transactions on Automatic Control, Vol. 3, no. 6, pp. 102-108, 1958.
3. Caldwell, W.I., Control System with Automatic Response Adjustment. American patent,
2,517,081. Filed 25, April 1947, 1950.
4. McRuer, D., I. Ashkenas and D. Graham, Aircraft Dynamics and Automatic Control,
Princeton University Press, Princeton, New Jersey, 1973.
5. Tsakalis, K.S. and P.A. Ioannou, Linear Time Varying Systems: Control and
Adaptation, Prentice Hall, Englewood Cliffs, New Jersey, 1993.
6. Stein, G., Adaptive Flight Control - A Pragmatic View, in K.S. Narendra and R.V.
Monopoli (Eds.), Applications of Adaptive Control, Academic Press, New York, 1980.
7. Andreiev, N., A Process Controller that Adapts to Signal and Process Conditions,
Control Engineering, Vol. 38, 1977.
8. Kreisselmeier, G., An indirect adaptive controller with a self-excitation capability, IEEE
Transactions on Automatic Control, Vol. 34, no. 5, pp. 524-528, 1989.
9. Cruz, Jr, J.B. System Sensitivity Analysis, Dowden, Hutchinson & Ross Inc.,
Stroudsburg, Pennsylvania, 1973.
10. Kokotovic, P.V. Method of Sensitivity Points in the Investigation and Optimization of
Linear Control Systems, Automation and Remote Control, Vol. 25, pp. 1512-1518,
1964.
11. Mareels, I.M.Y., B.D.O. Anderson, R.R. Bitmead, M. Bodson, and S.S.Sastry,
Revisiting the MIT Rule for Adaptive Control, Proceedings of the 2nd IFAC Workshop
on Adaptive Systems in Control and Signal Processing, Lund, Sweden, 1986.
12. James, D.J., Stability of a Model Reference Control System, AIAA Journal, Vol. 9, no.
5, 1971.
13. Parks, P.C. Lyapunov Redesign of Model Reference Adaptive Control Systems, IEEE
Transactions on Automatic Control, Vol. 11, pp. 362-367, 1966.
14. Shackcloth, B. and R.L. Butchart, Synthesis of Model Reference Adaptive Systems by
Lyapunov's Second Method, Proc. of the 2nd IFAC Symposium on the Theory of SelfAdaptive Control Systems, Teddington, England, 1965.
15. Grayson, L.P., Design via Lyapunov's Second Method, Proceedings of the 4th JACC,
Minneapolis, Minnesota, 1963.
1-20

16. Phillipson, P.H., Design Methods for Model Reference Adaptive Systems, Proc. Inst.
Mech. Engrs., Vol. 183, no. 35, pp. 695-700, 1969.
17. Monopoli, R.V., Lyapunov's Method for Adaptive Control Design, IEEE Transactions
on Automatic Control, Vol. 12, no. 3, pp. 334-335, 1967.
18. Narendra, K.S. and A.M. Annaswamy, Stable Adaptive Systems, Prentice Hall,
Englewood Cliffs, New Jersey, 1989.

1-21