Sunteți pe pagina 1din 158

e  n.

b) Amplificările mari în circuit deschis pe intervale mari de


frecvenţă conduc la aşa numita „intensificare a efectului
comenzii” u. Din fig. 1.3 şi 2 rezultǎ
1 1 G ( jω ) 1
u= ( y + v)  ⋅ d (r − n + v) ≈ ( y1 − n + v) .
Gd ( jω ) G ( jω ) 1 + Gd ( jω ) G ( jω )
Cum G ( jω ) este de obicei mic pentru ω mare procesele uzuale
având o caracteristică de filtre „trece – jos”, rezultă că amplitudinea lui u
va fi puternic intensificată de toate mărimile exogene sistemului ceea ce
provoacă creşterea gradului de uzură al instalaţiei.
Realizarea celor două compromisuri menţionate impune limitări ale
valorilor amplificării în circuit deschis pe anumite intervale de frecvenţă.
În afară de aceste limitări ale valorilor amplificării în circuit
deschis, apare şi un alt tip de limitare impus de toleranţa la incertitudini
parametrice, adică asigurarea robusteţii stabilităţii şi a performanţelor
SRA la incertitudinile parametrice ale procesului.

1.2. Modelarea incertitudinilor parametrice

Modelele liniare invariante în timp utilizate aproape peste tot în


cărţi descriu dinamica proceselor aproximativ. ”Incertitudinea
modelului” poate avea mai multe surse. Cea mai importantă este aceea că
procesele reale sunt neliniare. Dacă modelul este obţinut prin liniarizare
atunci acesta descrie cu acurateţe procesul numai în vecinătatea stării
aleasă ca referinţă pentru liniarizare. În aceste cazuri procesul poate fi
reprezentat printr-un model liniar. Totuşi condiţiile de operare diferite
pot duce la modificări ale parametrilor modelului liniar.
În cele două cazuri menţionate anterior sursa şi structura
„incertitudinilor” este cunoscută. Există întotdeauna şi o incertitudine
propriu-zisă chiar dacă modelul procesului este în esenţă liniar;
parametrii fizici nu sunt cunoscuţi cu exactitate şi fenomenele dinamice
rapide (de exemplu dinamica unei valve sau supape) sunt uzual neglijate
în modele. De aceea, la frecvenţe înalte, chiar ordinul modelului
procesului este necunoscut.
Incertitudinea poate fi descrisă în mai multe moduri: limite ale
parametrilor modelului liniar, limite ale neliniarităţilor, limite în

18
domeniul frecvenţei etc. Cu privire la incertitudinea modelului se va
considera în continuare că dinamica unui proces este descrisă de o
familie Π de modele liniare invariante în timp şi nu de un singur model
liniar invariant aşa cum se procedează de obicei. Aceasta este o descriere
cumva primitivă a incertitudinii mai ales dacă se doreşte a reflecta efectul
neliniarităţilor, dar este singura abordare fezabilă în prezent.
Familia Π a modelelor procesului va fi definită în domeniul
frecvenţei. Să presupunem că amplitudinea şi faza funcţiei de transfer la
o anumită frecvenţă ω nu este definită printr-un punct şi este plasată într-
o regiune π (ω ) în planul Nyquist. În general această regiune poate avea
o formă foarte complexă. Să presupunem că răspunsul la frecvenţă
permite proiectantului să stabilească limitele superioare şi inferioare ale
amplitudinii G ( jω ) şi fazei arg G ( jω ) procesului real. La o frecvenţă
particulară aceste limite conduc la o regiune de tip sector π (ω ) (fig.
1.4.a).

π(ω) π(ω)

(a) (b)
Fig. 1.4. Regiunea incertitudinilor rezultate pentru limite ale amplificării
şi fazei (a) şi pentru limitări parametrice (b)

Dacă răspunsul indicial al procesului conduce la un model de


ordinul 1 cu timp mort G ( s ) = ke − sθ (τ s + 1) −1 , limitările inferioare şi
superioare ale parametrilor θ , k si τ conduc la o regiune a
incertitudinilor, pentru o frecvenţă particulară de forma celei din fig.
1.4.b. Reuniunea tuturor regiunilor π (ω ) constituie familia proceselor
posibile Π şi aceasta poate fi văzută ca un loc Nyquist „fuzzy” sau ca o
bandă Nyquist.
Regiunile au forme foarte diferite, aşa cum a rezultat şi din
exemplele anterioare şi necesită o descriere matematică complicată, care
ar trebui folosită apoi în proiectarea sistemelor automate.

19
Dacă incertitudinile sunt considerate ca fiind nestructurate, adică
considerate cu efect global, nepreferenţial, acestea se evidenţiază din
punct de vedere al efectului printr-o modificare a funcţiei de transfer de
tipul:
G → G ' G ' ( jω ) = G ( jω ) + ΔG ( jω ) (1.13)
unde G '( jω ) este plasată într-o vecinătate a lui G(s). Regiunea în care
sunt plasate G '( jω ) pentru frecvenţe particulare ω vor fi aproximate prin
discuri cu raza la (ω) (fig. 1.5.b). Algebric, familia Π a proceselor
descrise de disc este definită astfel:
Π = {G : G ( jω ) − G '( jω ) ≤ la (ω )} (1.14)
G ( jω ) este procesul la parametri nominali sau modelul ce
defineşte centrele tuturor regiunilor sub formă de discuri.

la(jω)

(a) (b)
Fig. 1.5. „Bandă” de incertitudine (a). Disc de incertitudine pentru
incertitudini aditive.

Orice membru al familiei Π satisface


G '( jω ) = G ( jω ) + la ( jω ) ⇔ la ( jω ) ≡ ΔG ( jω ) (1.15)
cu
la ( jω ) ≤ la (ω ) (1.16)
Ecuaţia (1.15) se referă la descrierea incertitudinii aditive, iar
(1.16) stabileşte o limită incertitudinii aditive permisă.
Dacă rescriem (1.13) în forma
⎛ ΔG ( jω ) ⎞
G '( jω ) = G ( jω ) ⎜1 + ⎟ (1.17)
⎝ G ( jω ) ⎠
se poate defini
20
la ( jω )
lm ( jω ) = (1.18)
G ( jω )
şi
la ( jω )
lm (ω ) = (1.19)
G ( jω )
atunci familia Π poate fi reprezentată ca
⎧⎪ G ( jω ) − G '( jω ) ⎫⎪
Π = ⎨G : ≤ lm (ω ) ⎬ (1.20)
⎩⎪ G ( jω ) ⎭⎪
Fiecare membru al familiei satisface
G '( jω ) = G ( jω )(1 + lm ( jω )) (1.21)
cu
lm ( jω ) ≤ lm (ω ) (1.22)
Ecuaţiile (1.17) şi (1.21) definesc descrierea incertitudinii
multiplicative şi (1.22) stabileşte o limită a incertitudinii multiplicative
admise.
Dacă un pol al procesului este plasat pe axa imaginară la ω* pentru
un G ∈ Π atunci G ( jω*) = ∞ şi deci la (ω*) = lm (ω*) = ∞ . Deci
incertitudinea aditivă şi multiplicativă nu sunt indicate pentru a descrie
seturi de procese pentru care polii pot traversa axa imaginară sau,
echivalent, numărul polilor în Re s > 0 poate varia.
În ceea ce priveşte incertitudinile multiplicative se vor admite 2
ipoteze:
1) Modificările (1.13) nu schimbă numărul de poli instabili ai
procesului (poziţia acestora fiind însă modificabilă).
2) Funcţia lm (ω ) are forma tipică din fig. 1.6 care reflectă
intensificarea efectului incertitudinilor cu creşterea frecvenţei.

21
101

10-1

Fig. 1.6. Forma tipică limitei incertitudinii multiplicative lm (ω )

Motivul constă în aceea că modelele descrie bine regimul staţionar


şi comportarea la joasă frecvenţă, incertitudinile în această zonă putând fi
structurate, adică se poate localiza relativ efectul acestora, în schimb, la
frecvenţe înalte, modelele proceselor sunt imperfecte şi această zonă
reflectă realmente imperfecţiunile (dinamica nemodelată) în scrierea
modelului procesului. Acestea se datoresc: fenomenelor de propagare,
rezonanţelor electromagnetice, fenomenelor de difuziune etc.

1.2.1. Proprietăţi de robusteţe


Pentru structura din fig. 1.1., asigurarea robusteţii semnifică sinteza
unui regulator GR ( s ) astfel încât:
a) Bucla nominală şi cea perturbată de incertitudini (deci cea reală) să
fie stabile pentru toate modificările G’ explicitate prin (1.13) în
cazul SISO.
b) Performanţele să fie asigurate pentru toate modificările G’(s) de
tipul specificat anterior.
Prima condiţie mai este denumită condiţia de stabilitate robustă, iar
cea de a doua mai este denumită condiţia de performanţe robuste.

1.2.2. Stabilitatea robustă


Se doreşte să se obţină condiţii pentru stabilitatea robustă pentru
familia Π de procese definită prin (1.20). În acest scop se va utiliza
criteriul de stabilitate Nyquist.
Bucla nominală va fi stabilă dacă hodograful
Γ( jω ) = 1 + Gd ( jω ) = 1 + GR ( jω )G ( jω ) înconjoară originea în sens

22
trigonometric de un număr de ori egal cu numărul de poli instabili ai lui
Gd ( s ) atunci când parcurge intervalul (−∞, +∞) .
Conform ipotezei 1 referitoare la incertitudini, bucla perturbată,
adică Gd' = Gr G ' va fi stabilă dacă şi numai dacă hodograful
Γ( jω ) = 1 + Gd ( jω ) va înconjura originea în sens trigonometric exact de
acelaşi număr de ori ca şi hodograful nominal Γ( jω ) .
Presupunând că Γ( jω ) satisface condiţia enunţată mai sus Γ '( jω )
va satisface această condiţie dacă banda Nyquist care cuprinde toate
funcţiile G ∈ Π nu include punctul (-1,0). Argumentarea geometrică din
fig. 1.7 conduce la concluzia că acesta va fi cazul dacă şi numai dacă
distanţa 1 + GR ( jω )G ( jω ) este mai mare decât raza cercului
lm GR ( jω )G ( jω ) .

1 + GR G

1 + GR G '
pt.
lm GR G
G∈Π

Fig. 1.7. Diagrama pentru obţinerea grafică a condiţiei de stabilitate


robustă

1 + GR ( jω )G ( jω ) > GR ( jω )G ( jω ) lm (ω ) ∀ω ≥ 0 (1.23)
sau
GR ( jω )G ( jω )
lm (ω ) = η ( jω ) lm (ω ) < 1 ∀ω ≥ 0 (1.24)
1 + GR ( jω )G ( jω )
Teorema 1.1. (Stabilitatea robustă)
Presupunem că toate procesele G ale familiei Π

23
⎧ G ( jω ) − G '( jω ) ⎫
Π = ⎨G : ≤ lm (ω ) ⎬ (1.25)
⎩ G ( jω ) ⎭
au acelaşi număr de poli în Re s > 0 şi că un controler GR ( s ) stabilizează
procesul nominal G(s). Stabilitatea robustă a buclei este asigurată dacă şi
numai dacă funcţia de sensibilitate complementară η ( s) pentru modelul
nominal al procesului G(s) satisface
ηlm ∞  sup η lm (ω ) < 1 (1.26)
ω
Să clarificăm ce înseamnă că Th. 1.1 nu este numai suficientă ci şi
necesară. Dacă condiţia (1.26) este violată atunci în setul Π de modele
există un proces G a cărui buclă închisă cu controlerul GR este instabilă.
Necesitatea implică că cel puţin pentru restul (familia Π) definită de
(1.25) aceasta este condiţia de stabilitate robustă cea mai strânsă ce poate
fi obţinută.
Obs. Stabilitatea robustă implică o mărginire în ramura ∞ a funcţiei de
sensibilitate complementară η ponderată cu lm . Unul din motivele
principale pentru introducerea controlului optimal H∞ este că condiţia de
stabilitate robustă şi specificarea performanţelor sunt exprimate în
termenii aceleiaşi norme (norma ∞).
Să ne reamintim că la frecvenţe înalte zgomotul tinde să impună o
limitare pentru η. Totuşi în controlul automat constrângerile impuse de
incertitudinea modelului sunt dominante. La frecvenţe înalte, pentru care
GR G
GR ( jω )G ( jω ) este mic, rezultǎ η ≈ ≈ GR G pentru ω mare.
1 + GR G
Relaţia (1.26) impune pentru ω mare
1
GR G ' < pentru ω mare (1.27)
lm
Implicaţiile în proiectare constau în aceea că amplificarea
controlerului la frecvenţe înalte este limitată de incertitudine.
Amplificarea în buclă deschisă GR G trebuie să aibă o astfel de formă
−1
încât să cadă sub limita de incertitudine lm .
Ca observaţie generală, în controlul optimal H∞ se urmăreşte să se
 ∞ pentru performanţe şi η lm pentru stabilitate.
minimizeze ew

24
O contradicţie apare între performanţă şi robusteţe din faptul că ε
şi η nu sunt independente ci legate între ele prin relaţia
ε ( s) + η ( s) = 1 .
Această problemă este curentă în controlul automat şi nu poate fi
depăşită printr-o metodă de proiectare mai deosebită sau folosind vreun
artificiu. Obiectivul metodei de proiectare robustă a sistemelor este de a
obţine cel mai bun compromis între cele 2 obiective în conflict.

1.2.3. Performanţa robustă


Stabilitatea este o cerinţă minimă pe care un sistem automat trebuie
să o satisfacă într-un mediu practic, în care incertitudinea este o chestiune
importantă. Dar stabilitatea nu este suficientă. Dacă inegalitatea (1.26)
are loc pentru o familie de procese Π, atunci va exista un proces
particular G ∈ Π pentru care sistemul în buclă închisă se apropie de
limita de instabilitate şi pentru care performanţele vor fi slabe. Înseamnă
că trebuie să ne asigurăm că anumite specificaţii de performanţă vor fi
satisfăcute de către toate procesele familiei Π. În consecinţă, vom încerca
să obţinem condiţiile de performanţă robustă măsurate în termenii normei
2 şi a normei ∞.
Performanţele se exprimă în mod agregat prin condiţia ca ε ( jω )
să aibă o valoare „mică” sau echivalent 1 + Gd ( jω ) să fie „mare”,
cerinţă ce se explicitează prin inegalitatea
m p (ω ) ≤ 1 + Gd ( jω ) 0 ≤ ω ≤ ω0 (1.28)
unde [0, ω0 ] este intervalul activ de frecvenţă al SRA adică acel interval
care include zonele de frecvenţă în care referinţele şi perturbaţiile au
valori „semnificative”, acest din urmă calificativ fiind eminamente
estimat din consideraţii inginereşti de către proiectant. De regulă m p (ω )
creşte când ω → 0 pentru ca eroarea staţionară să fie cât mai mică.
Această relaţie trebuie să fie satisfăcută şi in cazul existenţei
perturbaţiilor (considerate multiplicative, (1.21)), adică
m p (ω ) ≤ 1 + G 'd ( jω ) ∀ω ∈ [0, ω0 ] Gd' = GR G '
Explicit, aceasta conduce la

25
lm ( jω )Gd ( jω )
m p (ω ) ≤ 1 + (1 + lm ( jω ))Gd ( jω ) = 1 + Gd ( jω ) 1 + ≈
1 + Gd ( jω )
≈ Gd ( jω ) 1 + lm ( jω )
pentru ω astfel încât Gd ( jω )  1 ; de unde rezultă
m p (ω )
Gd ( jω ) > pentru ω astfel încât Gd (ω )  1 (1.29)
1 + lm ( jω )
Dar
m p (ω ) m p (ω ) m p (ω )
≥ ≥ (1.30)
1 + lm ( jω ) 1 + lm ( jω ) 1 + lm ( jω )
pentru ω astfel încât lm (ω ) < 1 se vede din compararea relaţiilor (1.29) şi
(1.30).
Impunând condiţia
m p (ω ) m p (ω )
Gd ( jω ) > ⇒ Gd ( jω ) >
1 + lm ( jω ) 1 + lm ( jω )
sau pe baza relaţiei (1.28) 1 + Gd ( jω ) ≥ m p (ω ) pentru ω astfel încât
Gd ( jω )  1 şi lm (ω ) < 1 . Condiţia de performanţă robustă poate fi
exprimată şi în termenii normei 2 sau ∞.
Pentru un proces G aparţinând familiei de procese Π, se fixează
obiectivul de proiectare al controlerului astfel încât eroarea rezultată
pentru o mărime de intrare specifică v să fie minimizată pentru toate
procesele aparţinând familiei Π (deci şi pentru procesul cu comportarea
cea mai rea).
Intrări specifice
Vom nota prin v semnalele ce intră în sistemul automat, care pot fi
mărimi de referinţă sau perturbaţii. Pentru orice sistem de control
mărimile de intrare trebuie specificate. Intrările vor fi normalizate în
notarea convenţională. Se va presupune că o intrare v ce intră în bucla de
control este generată de trecerea unei intrări normalizate v’ printr-o
funcţie de transfer w(s) referită uneori ca ponderea intrării respective.
Există două modalităţi de specificare a intrărilor normalizate:
1) Impuls
v '( s ) = 1 (1.31)

26
Un set de intrări mărginite (toate intrările în norma 2 mărginite la
1):
⎧ ∞

γ ' = ⎨v ' : v ' 2  ∫ v '2 (t )dt ≤ 1⎬
2
(1.32)
⎩ 0 ⎭
Cel mai adesea, pentru sistemele de control automat, se cunoaşte
destul de bine tipul intrărilor ce pot fi furnizate din exterior. De exemplu
referinţele sunt furnizate sistemului sub formă de trepte sau rampe, iar
perturbaţiile pot fi adesea modelate, ca semnale treaptă. Dacă sistemul de
control automat trebuie să se acomodeze cu un semnal specific de intrare
v (cum ar fi modificarea treaptă a referinţei), atunci va fi specificată
ponderea w să fie un integrator (1/s).
2) Intrare specifică
v = wv ' = w (1.33)
Uneori sistemele în buclă închisă pot fi senzitive la alegerea tipului
intrării. Dacă tipul intrării ales prin proiectare nu este identic cu tipul
intrării întâlnit în practică performanţele se pot deteriora semnificativ.
Este deci mai normal să se considere un set de intrări conţinând toate
intrările întâlnite cel mai frecvent împreună cu alte intrări „similare”. Ca
şi în cazul (1.25) se va considera un set de întrări mărginite
⎧⎪ v
2
1

v( jω )
2
⎫⎪
γ = ⎨v ' : v ' 2 = ∫ w( jω ) ω
2
= d ≤ 1⎬ (1.34)
⎪⎩ w 2 2π −∞ ⎪⎭
De remarcat că integrala în domeniul frecvenţei folosită în (1.34)
pentru norma 2 este egală cu integrala în domeniul timpului din (1.32)
prin teorema lui Parseval.
Expresia (1.34) poate fi interpretată în felul următor: dacă spectrul
intrării v este apropiat şi concentrat lângă ω*, atunci puterea intrării
(amplitudinea) este limitată la w(ω*) .
Să presupunem de exemplu că sunt de aşteptat intrări de tip treaptă.
Atunci putem defini o pondere w astfel încât treapta să se situeze în setul
ν.
De exemplu
s+β
w( s ) = β >0 (1.35)
s 2β
are următoarele caracteristici

27
s 2β
v '( s) = (1.36)
s+β
şi satisface

1 2β
v' 2 = ∫ dω = 1
2
(1.37)
2π −∞ ω + β 2
2

şi dă naştere la o treaptă dacă este ponderată cu w. Totuşi relaţia (1.34)


cu ponderea (1.35) conţine multe alte semnale v care sunt „similare” cu
treapta.
De exemplu, să considerăm o intrare

v' = α > 0, α ≠ β (1.38)
s +α
care de asemenea satisface (1.34). Trecând semnalul prin filtrul w
(înmulţind cu ponderea) rezultă
α s+β
v= (1.39)
β s +α
Care reprezintă un element de avans – întârziere (α > β avans, α < β
întârziere). Deci dacă controlerul va fi proiectat pentru setul de intrări γ
cu ponderea w din (1.35) va funcţiona bine nu numai pentru trepte ci şi
pentru „treptele modificate”, ca cele de forma (1.39).
Pentru ca un controler fizic să existe, trebuie presupus că semnalele
ce intră în bucla de reglare sunt mărginite. Semnalele externe nemărginite
pot fi corectate doar prin acţiuni de control nemărginite şi aceasta nu este
o problemă de control semnificativă.

1.2.3.1. Obiectivul de performanţă H2


Să considerăm acum cazul procesului cel mai defavorabil, care
conduce la cea mai mare eroare.
∞ ∞ 2
1 1
min max ∫ e dt = min max ∫ v dω
2 2
(1.40)
C G∈Π C G∈Π 2π 1 + GR G
0 −∞

Integrala este maximizată prin maximizarea integrantului la orice


frecvenţă. Din argumente geometrice rezultă (vezi fig. 1.7)
1 + GR G ' ≥ 1 + GR G − GR G lm ∀G ∈ Π (1.41)
sau

28
1 ε
ε = ≤ ∀G ∈ Π (1.42)
1 + GR G 1 − η lm
unde am notat ε = (1 + GR G ') −1 . A se observa că prin condiţia de
stabilitate robustă numitorul funcţiei (1.39) este pozitiv. Ecuaţia poate fi
scrisă
2

1 1
∫−∞ 1 − η lm εv d ω
2
min (1.43)
C 2π

Deoarece controlerul GR apare într-o manieră foarte complexă în


(1.43) există puţine şanse de a găsi o soluţie simplă la această problemă.
Totuşi, pentru un controler precizat GR , putem utiliza (1.42) pentru a
determina cea mai mare eroare care poate rezulta pentru o intrare
specifică v şi o familie de procese Π
2

1 1
max e 2 = ∫−∞ 1 − η lm εv dω .
2 2
(1.44)
G ⊂Π 2π
Primul factor al integralei ţine cont de efectul incertitudinilor
modelului. Din cauza condiţiei de stabilitate robustă, integrantul este
întotdeauna mărginit. După cum era de aşteptat, eroarea creşte cu cât ne
apropiem de limita de stabilitate datorită erorilor modelului.
Ecuaţia (1.44) este o unealtă de analiză uşor de mânuit. După ce un
controler a fost proiectat, o limită de performanţă se poate stabili pentru
acesta în termenii erorii pătratice integrale (ISE).
Dacă descrierea incertitudinii este corectă, eroarea obţinută pe
procesul real, ca urmare a aplicării unei intrări specifice v este
întotdeauna mai mică decât o limită stabilită.

1.2.3.2. Obiectivul de performanţă H∞


Condiţia impusă în acest caz pentru situaţia celui mai defavorabil
proces este
max ε w ∞ = max sup ε w( jω ) < 1 (1.45)
G∈Π G∈Π ω
sau
ε w ∞ = sup ε w( jω ) < 1 ∀G ∈ Π (1.46)
ω
Ultimele relaţii pot fi scrise ca

29
ε w
< 1 ∀ω (1.47)
1 − η lm
sau
η lm + ε w < 1 ∀ω (1.48)
Teorema 2 (performanţă robustă)
Presupunând că toate procesele familiei
⎧⎪ G ( jω ) − G ( jω ) ⎪⎫
Π = ⎨G : ≤ lm (ω ) ⎬ (1.49)
⎪⎩ G ( jω ) ⎪⎭
au acelaşi număr de poli în Re s > 0 , atunci sistemul în buclă închisă va
îndeplini condiţiile de performanţă.
ε w ∞ = sup ε w < 1 (1.50)
ω
dacă şi numai dacă sistemul nominal în buclă închisă este stabil şi funcţia
de sensibilitate complementară η şi funcţia de sensibilitate ε satisfac
η lm + ε w < 1 ∀ω (1.51)
Să observăm că interdependenţa dintre ε şi η va conduce la un
compromis. Îmbunătăţind performanţele nominale (adică scăzând ε w )
se înrăutăţeşte robusteţea (creşte ηlm , ceea ce împinge sistemul în
apropierea zonei de instabilitate pentru un proces G ∈ Π).
Dacă lm (0) < 1 , atunci relaţia (1.46) poate fi satisfăcută la frecvenţe
joase făcând GR G ' mare. Dacă w < 1 pentru frecvenţe înalte, relaţia
(1.51) poate fi satisfăcută alegând GR G ' mic, vezi 1.27. Alegând forma
lui GR G = Gd astfel încât să fie mare la frecvenţe joase şi mică la
frecvenţe înalte pot fi satisfăcute specificaţiile pentru performanţe
robuste presupunând că acestea nu sunt prea restrictive (w mare) într-o
gamă de frecvenţă unde incertitudinea lm este mare.
Un controler care optimizează performanţa robustă rezolvă
min sup η lm + ε w (1.52)
C ω
Aşa cum se va vedea ulterior o măsură adecvată pentru
performanţa robustă este valoarea singulară structurală (SSV – Structued
Singular Value) ce va fi discutată în contextul proceselor multivariabile.

30
Din (1.46) se poate observa că se pot atinge performanţe robuste
satisfăcând condiţia de stabilitate robustă (1.27) şi condiţia de
performanţe nominale ε w < 1 cu o limitare: dacă η lm < α (ω ) şi
ε w < 1 − α (ω ) cu α < 1, ∀ω , ceea ce implică că este automat
îndeplinită condiţia de performanţă robustă. Deci, pentru sisteme SISO,
performanţa robustă nu este un criteriu deosebit de dificil de îndeplinit.
Această afirmaţie nu mai este valabilă în cazul sistemelor MIMO.

31
În acest capitol vor fi prezentate unele concepte elementare din
analiza funcţională.
Se doreşte o prezentare la nivel de informare a instrumentului
matematic cu care operează în prezent metodele frecvenţiale şi anume
abordările de tip H∞.

2.1. Spaţiile Banach şi Hilbert

Fie X un spaţiu liniar peste câmpul C al numerelor complexe. O


normă pe X este o funcţională x → x din X pe câmpul R al numerelor
reale având 4 proprietăţi:
1) x > 0
2) x = 0 daca x = 0
3) cx = c ⋅ x , c ∈ ^
4) x + y ≤ x + y .
Cu o astfel de normă se poate vorbi despre convergenţa în X: un şir
{ xk } în X converge la x în X şi x este limita şirului dacă un şir de numere
reale {x k − x } converge la 0; dacă un astfel de x există, şirul este
convergent.
33
Un şir { xk } este un şir Cauchy dacă
(∀ε > 0) (∃ un întreg n), i, k > n ⇒ xi − xk < ε .
Intuitiv, elementele unui şir Cauchy eventual se adună una lângă
cealaltă, astfel încercând să conveargă. Dacă toate şirurile Cauchy în X
sunt convergente, atunci X este complet.
Un spaţiu complex Banach este un spaţiu liniar peste C, care are o
normă şi este complet.
Un subset S al unui spaţiu Banach X este un subspaţiu dacă
x, y ∈ S ⇒ x + y ∈ S
şi
x ∈ S , c ∈ S ⇒ cx ∈ S
şi este închis dacă orice şir din S care converge în X are limită în S.
(Dacă X este de dimensiune finită, atunci orice subspaţiu este închis, dar
în general un subspaţiu nu trebuie să fie închis).
Pentru definirea spaţiului Hilbert se porneşte de la un spaţiu liniar
X peste C. Un produs intern pe X este o funcţională ( x, y ) → x, y de
la X × X la C cu următoarele patru proprietăţi:
1) x, x este real şi ≥ 0
2) x, x = 0 dacă x = 0
3) funcţia y → x, y definită pe X cu valori în ^ este liniară
4) y , x = x, y .
Un astfel de produs intern induce o normă, şi anume, x  x, x .
1/ 2

Faţă de această normă X poate fi sau nu complet. Un spaţiu Hilbert


complex este un spaţiu liniar pe ^ care are un produs intern şi care este
complet.
Doi vectori x, y într-un spaţiu Hilbert X sunt ortogonali dacă
x, y = 0 . Dacă S este un subset al lui X, atunci S ⊥ denotă un set de
vectori în X care sunt ortogonali pe orice vector din S; S ⊥ este un
subspaţiu închis pentru orice S. Dacă S este un subspaţiu închis, atunci
S ⊥ este denumit complementul ortogonal al lui S şi avem:
X = S⊥ ⊕ S .
Aceasta înseamnă că orice vector din X poate fi scris în mod unic
ca o sumă a unui vector din S ⊥ şi a unui vector din S.
34
Să reamintim acum câteva exemple finit-dimensionale familiare
din fiecare.
Spaţiul C n este un spaţiu Hilbert cu produsul intern
x, y = x * y
Aici x şi y sunt vectori coloană, iar * semnifică transpusa complex
– conjugată. Norma corespunzătoare este
x = ( x * x)1/2 .
Subspaţiul C n×m constă în toate matricele complexe n × m. Există
mai multe metode norme posibile pentru C n×m . Pentru a avea
compatibilitate cu norma definită anterior vom considera următoarea.
Valorile singulare ale lui A în C n×m sunt rădăcinile pătrate ale valorilor
proprii ale matricei hermitian A*A. Vom defini A ca fiind cea mai
mare valoare singulară.

2.2. Spaţii în domeniul timpului

Fie un semnal x(t) definit pe t ∈ (−∞, +∞) şi luând valori în C. Deci


aceasta este o funcţie
(−∞, +∞) → ^ .
Punând condiţia restrictivă ca x să fie de pătrat integrabil
(integrabilă Lebesque)
+∞

∫ x(t ) dt < ∞
2

−∞

norma va fi norma definită anterior pe C n . Setul tuturor semnalelor de


acest fel este un spaţiu Lebesque L2 (−∞, +∞) . Acest spaţiu este un spaţiu
Hilbert sub produsul intern
+∞
x, y  ∫ x *(t ) y(t )dt .
−∞

Setul tuturor semnalelor L2 (−∞, +∞) care sunt egale cu 0 pentru


∀t < 0 este un subspaţiu închis notat L2 [0, +∞) . Complementul său
ortogonal (0 pentru ∀t > 0 ) va fi notat L2 (−∞, 0] .

35
2.3. Spaţii în domeniul frecvenţei

Fie o funcţională x(jω) definită pentru toate frecvenţele


ω ∈ (−∞, +∞) , ce ia valori în C n şi este de pătrat integrabil în raport cu
ω. Spaţiul tuturor acestor funcţii este numit L2 şi este un spaţiu Hilbert
sub produsul intern
+∞
1
x, y  ∫ x *( jω ) y( jω )dω .
2π −∞
Norma pe L2 va fi notată x 2 . Spaţiul RL2 este dat de mulţimea
funcţiilor vectoriale de variabilă complexă de dimensiune n, cu care
fiecare componentă este funcţie raţională cu coeficienţi reali, strict
proprie şi fără poli pe axa imaginară.
H 2 este spaţiul tuturor funcţiilor x(s) ce sunt analitic în Re s > 0 ,
iau valori în C n şi satisfac următoarea condiţie:
1/2
⎡ 1
+∞

∫ x(ξ + jω d ω ⎥ < ∞ .
2
x 2  ⎢sup
⎣ ξ > 0 2π −∞ ⎦
S-a folosit aceeaşi notaţie pentru a simboliza norma pentru
L2 (−∞, +∞) , L2 şi H 2 . Contextul determină care a fost intenţia în fiecare
caz. Aceasta face ca H 2 să fie un spaţiu Banach. Funcţiile din H 2 nu
sunt definite apriori pe axa imaginară, dar pot fi adesea aici la limită.
Teorema 2.1
Dacă x ∈ H 2 , atunci, aproape pentru toate ω, limita
x ( jω )  lim x(ξ + jω )
ξ →0

există şi x aparţine lui L2 . Mai mult, maparea x → x de la H 2 la L2


este liniară surjectivă şi conservă norma.
Se obişnuieşte să se identifice x în H 2 şi funcţiile limită x în L2 .
Din acest motiv se va renunţa la ~ (tilda) şi vom privi H 2 ca un subspaţiu
închis al spaţiului Hilbert L2 . Spaţiul RH 2 constă din spaţiul vectorilor
de dimensiune n de funcţii raţionale cu coeficienţi reali, stabile şi strict
proprii.
Complementul ortogonal H 2⊥ al lui H 2 în L2 este spaţiul de funcţii
x(s) cu următoarele proprietăţi: x(s) este analitic în Re s < 0 , x(s) ia
36
valori în C n ; supremul
+∞

∫ x(ξ + jω ) d ω
2
sup
ξ < 0 −∞

este finit. Din nou se identifică funcţii în H 2⊥ şi funcţiile limită în L2 .


În continuare vom nota H 2 prin H 2+ , iar H 2⊥ prin H 2− din motive
ce vor reieşi pe parcursul expunerii.
Să revenim acum la spaţiile Banach. Mai întâi o matrice F(jω) n ×
m cu valori complexe aparţine spaţiului Lebesque L∞ dacă F ( jω ) este
esenţial mărginită (mărginită cu excepţia unui set de valori 0). Norma
care tocmai a fost utilizată este tocmai norma pe C n×m introdusă la
sfârşitul subcapitolului 2.1 (cea mai mare valoare singulară). Atunci
norma L∞ a lui F este definită prin
F ∞ : ess sup F ( jω ) = sup σ ( F ( jω ) ) .
ω ω
Aceasta face L∞ în spaţiul Banach. Se verifică uşor F ∈ RL∞ dacă
F este o matrice de funcţii raţionale cu coeficienţi reali, proprii şi fără
poli pe axa imaginară.
Ultimul spaţiu ce va fi definit este H ∞ . Acesta constă din funcţiile
F(s) ce sunt analitic în Re s > 0 , iau valori în C n×m şi sunt mărginite în
Re s > 0 în sensul
sup { F ( s ) : Re s > 0} < ∞ F ∞
α >0
{ ω
}
= sup sup σ (G (a + jω )) < ∞

Partea din stânga defineşte norma H∞ a lui F. Există o teoremă


analoagă Teorema 1 în care H 2 şi L2 sunt înlocuite cu H∞ şi L∞: fiecare
funcţie H∞ are o funcţie limită în L∞ şi mapând funcţiile din H∞ pe
funcţiile limită din L∞, această mapare este liniara, injectivă şi păstrează
norma. În consecinţă H∞ poate fi privit ca un subspaţiu închis al spaţiului
Banach L∞. În final RH∞ constă din toate matricele de funcţii raţionale
cu coeficienţi reali proprii şi stabile.
Să încercăm o detaliere a tuturor noţiunilor expuse în acest capitol.
Introducem următoarele mulţimi de funcţii pe axa reală \ .
1. RL2 [0, ∞) mulţimea tuturor funcţiilor vectoriale f (t ) ∈ \ n de
tipul:

37
⎧0 t<0
f (t ) = ⎨ Nt (2.1)
⎩ Me ξ t ≥ 0
unde M ∈ \ n×l , N ∈ \ l×l , ξ ∈ \l , cu l ≥ 1 , M, N arbitrare şi unde
valorile proprii ale lui N sunt toate în semiplanul Re λ < 0 , adică sunt
stabile.
2. RL2 (−∞, 0] mulţimea tuturor funcţiilor vectoriale f (t ) ∈ \ n de
tipul:
⎧ Me Ntξ t < 0
f (t ) = ⎨ (2.2)
⎩0 t≥0
unde l, M, N, ξ sunt arbitrare, dar toate valorile proprii ale lui N sunt în
semiplanul Re λ > 0 , adică sunt antistabile.
3. RL2 (−∞, +∞) mulţimea tuturor funcţiilor vectoriale f (t ) ∈ \ n
de forma f (t ) = f − (t ) + f + (t ) unde f − ∈ RL2 (−∞, 0] , iar f + ∈ RL2 [0, +∞) .
Tipologia funcţiilor RL2 [0, ∞), RL2 (−∞, 0] şi RL2 (−∞, ∞) la nivel de
componente, este ilustrată în figurile 2.1.a, b şi c.

f +i (t ) f −i (t ) f i (t )

t t t

a) b) c)
Fig. 2.1

Mulţimile din RL2 [0, ∞), RL2 (−∞, 0) , RL2 (−∞, ∞) se pot imediat
organiza ca R – spaţii liniare deoarece
⎡e N1t ⎤ ⎡ ξ1 ⎤
M 1e N1tξ1 + M 2 e N 2tξ 2 = [ M 1 M 2 ] ⎢ N 2t ⎥ ⎢ ⎥ = Me
Ntξ

⎣ e ξ
⎦⎣ 2⎦
unde
⎡N ⎤ ⎡ξ ⎤
M  [ M1 M 2 ] , N = ⎢ 1 ⎥ , ξ  ⎢ 1⎥.
⎣ N2 ⎦ ⎣ξ 2 ⎦
Deci avem suma directă
38
RL2 (−∞, +∞) = RL2 (−∞, 0] ⊕ RL2 [0, +∞) (2.3)
Introducând în RL2 (−∞, +∞)
- produsul scalar
+∞
f,g = ∫
−∞
f T (t ) g (t )dt (2.4)

şi norma
- norma ⋅ 2
+∞ +∞
 f, f = ∫ f (t ) f (t )dt = ∫
2 T 2
f 2
f (t ) dt (2.5)
−∞ −∞

ambele fiind bine definite datorită locaţiei matricelor N şi M unde f (t )


este norma euclidiană pe R n .
Aşadar RL2 (−∞, +∞) este un spaţiu vectorial unitar adică un
spaţiu vectorial normat, dotat cu produs scalar şi relaţia de legătură
f 2 = f, f
2

RL2 (−∞, 0] şi RL2 [0, +∞) fiind subspaţii ale acestuia.


Să observăm acum că în (2.3) avem acum, cu (2.4), satisfăcută
condiţia de ortogonalitate
RL2 (−∞, 0] ⊥ RL2 [0, ∞) (2.6)
şi totodată dacă f = f − + f + , f ∈ RL2 (−∞, +∞) , f − ∈ RL2 (−∞, 0] şi
f + ∈ RL2 [0, +∞) atunci
= f− + f+
2 2 2
f 2 2 2
(2.6’)
Datorită modului de definire, funcţiile f din RL2 (−∞, +∞) ,
RL2 (−∞, 0] sau RL2 [0, +∞) au o transformată Laplace bilaterală ( Lb )
+∞
Lb { f (t )} = f ( s )  ∫ f (t )e − st dt
−∞
şi în particular o tranformată Fourier ( F )
+∞
F { f (t )} = f ( jω )  ∫ f (t )e − jωt dt .
−∞

Imaginea prin Lb a spaţiilor unitare RL2 (−∞, +∞) , RL2 (−∞, 0] ,


RL2 [0, +∞) defineşte mulţimile:

39
RL2  Lb RL2 (−∞, +∞)
RH 2−  Lb RL2 (−∞, 0] (2.7)
RH 2+  Lb RL2 [0, +∞).
Deoarece Lb este un operator liniar injectiv, mulţimile
RL2 , RH 2− , RH 2+ se organizează ca spaţii \ - liniare având evident
proprietatea
RL2 = RH 2− ⊕ RH 2+ (2.8)
Datorită proprietăţilor transformatei Laplace bilaterale avem
pentru f ∈ RL2 (sau ∈ RH 2+ sau ∈ RH 2− )
⎡ f1 ( s ) ⎤
⎢ ⎥
f ( s ) = ⎢ # ⎥ (2.9)
⎢ f ( s ) ⎥
⎣ n ⎦
unde f ( s ) sunt toate funcţiile raţionale cu coeficienţi reali, strict proprii,
i

neavând poli pe axa jω şi în plus


a) dacă f ∈ RH 2+ , fi ( s ) are toţi polii în semiplanul Re s < 0 ,
adică f este stabilă
b) dacă f ∈ RH 2− , fi ( s ) are toţi polii în semiplanul Re s > 0 ,
adică f este antistabilă.
Descompunerea (2.7) se explicitează prin:
f = f+ + f− , f ∈ RL2 , f+ ∈ RH 2+ , f− ∈ RH 2− ,
descompunerea operată cu ajutorul descompunerii în fracţii simple a
fiecărei componente f i ( s ) a lui f ( s ) .

Recapitulând avem:
RL2  mulţimea funcţiilor vectoriale (de dimensiune n, unde n se
specifică de la caz la caz) de variabilă complexă s unde componentele
sunt toate funcţii raţionale cu coeficienţi reali, strict proprii şi fără poli pe
axa jω.
RH 2+  subspaţiul închis al spaţiului vectorial RL2 constând din
submulţimea funcţiilor din RL2 care sunt stabile.

40
RH 2−  subspaţiul închis al spaţiului vectorial RL2 constând din
submulţimea funcţiilor din RL2 care sunt instabile.
Evident
RL2 (−∞, +∞) = L−b1 RL2
RL2 [0, +∞) = L−b1 RH 2+
RL2 (−∞, 0] = L−b1 RH 2− .
Pe RL2 sunt introduse
- produsul scalar
+∞
1
f , g  ∫ f T (− jω ) g ( jω )dω (2.10)
2π −∞

- norma ⋅ 2
+∞
1
f  f , f = f T (− jω ) f ( jω )dω
2

2 2π ∫
−∞
(2.11)

ambele bine definite deoarece funcţia raţională f T (− s ) f T ( s ) nu are poli


pe axa imaginară iar excesul polilor faţă de zerouri este ≥2 (integrala
fiind deci convergentă). Aşadar RL2 este de asemenea un spaţiu unitar.
RH 2± fiind subspaţii ale acestuia.
Mai mult datorită egalităţii lui Parseval
+∞ +∞
1
∫ f T (t ) g (t )dt = ∫ f (− jω ) g ( jω )dω
−∞
2π −∞

unde
f , g ∈ RL2 (−∞, ∞), f = Lb { f }, g = Lb {g} ∈ RL2
avem în consecinţă
f,g = f , g (2.12)
şi în particular
= f .
2 2
f (2.13)
Egalităţile (2.12) şi (2.13) justifică utilizarea aceloraşi notaţii
pentru produsele scalare şi normele introduse de (2.4), (2.5) şi (2.10),
(2.11).

41
Aşadar transformata Laplace bilaterală Lb şi deci şi transformarea
Fourier, realizează o izometrie între RL2 (−∞, +∞) şi RL2 . Avem evident
relaţia de ortogonalitate
RH 2+ ⊥ RH 2− (2.14)
şi de asemenea
f = f + f
2 2 2
− + (2.15)
2 2 2
pentru orice descompunere
f = f+ ⊕ f− , cu f ∈ RL2 , f+ ∈ RH 2+ , f− ∈ RH 2− .
Din (2.14) rezultă şi semnificaţia schimbării de notaţie făcută la
începutul secţiunii 2.3.
Teorema 2.2. Transformata Fourier este un izomorfism al spaţiului
Hilbert din L2 (−∞, +∞) în L2 . Ea mapează L2 [0, +∞) în H 2+ şi
L2 (−∞, 0] în H 2− .
Observaţie. Teorema este importantă deoarece pentru cazul
particular H 2+ , acesta este un set de transformate Laplace al semnalelor
din L2 [0, +∞) , adică a semnalelor definite pentru t > 0 şi energie finită.
Deci dacă f ∈ RL (0, ∞) atunci
2

f ( s ) = Lb { f (t )} = L{ f (t )} (2.16)
unde L este transformarea Laplace unilaterală, adică cea tradiţională

f ( s ) = ∫ f (t )e − st dt .
0

În consecinţă regulile de trecere sunt următoarele:


1) Dacă f ∈ RL2 [0, ∞) atunci f ( s ) = L{ f (t )} ∈ RH 2+ şi reciproc
dacă f ∈ RH atunci f (t ) = L−1{ f (t ) .
2+

2) Dacă f ∈ RL2 (−∞, 0] atunci se obţine conform formulei


f (− s ) = L{ f (−t )} (2.17)
şi reciproc, dacă f ( s ) ∈ RH 2− atunci f ∈ RL2 (−∞, 0] se obţine cu
formula
f (−t ) = L−1{ f (− s) (2.18)
cu compatibilizarea domeniilor de definiţie în t = 0, conform cu (2.2).

42
3) Dacă f ∈ RL2 (−∞, +∞) se utilizează descompunerea
f = f + + f − , cu f + ∈ RL2 [0, ∞), f − ∈ RL2 (−∞, 0] şi se aplică
regulile 1 şi 2. Reciproc, adică f ∈ RL2 , atunci utilizând
descompunerea în fracţii simple se obţine descompunerea unică
f = f+ + f− , cu f+ ∈ RH 2+ şi f− ∈ RH 2− şi se aplică regulile 1
şi 2. Cititorul este invitat să demonstreze valabilitatea regulilor
menţionate (se porneşte de la faptul că RH 2+ şi RH 2− sunt
spaţii ortogonale şi închise).
Exemplul 2.1. Fie pentru u = 1
2s
f ( s ) = ∈ RL2 .
(1 + s )(1 − s )
Pentru descompunerea în fracţii simple
2s −1 1
= +
(1 + s )(1 − s ) 1 + s 1 − s
şi deci
−1 1
f+ ( s ) = ∈ RH 2+ şi f− ( s ) = ∈ RH 2− .
1+ s 1− s
Rezultă:
⎧ −1 ⎫ ⎧0 t<0
{ }
f + (t ) = L−1 f+ ( s ) = L−1 ⎨ ⎬ = ⎨ −t
⎩ s + 1 ⎭ ⎩ −e t≥0
⎧ 1 ⎫ ⎧0 t<0
{ }
f − (−t ) = L−1 f− (− s ) = L−1 ⎨ ⎬ = ⎨ −t
⎩1 + s ⎭ ⎩e t≥0
şi în consecinţă
⎧ et t<0
f − (t ) = ⎨
⎩0 t≥0
unde am operat compatibilizarea domeniilor de definiţie în acord cu (2.2)
rezultând:
⎧⎪et t<0
f (t ) = ⎨ − t ∈ RL2( −∞ ,+∞ )
⎪⎩−e t≥0
şi este reprezentată în fig. 2.2.

43
f(t) f+(t) f(t)
1 1
t t t

-1 -1
a) b) c)
Fig. 2.2
Procedura exemplificată în exemplul 2.1 este aplicabilă şi pentru u
> 1.
Fie două spaţii de funcţii RL2, primul de dimensiune u, iar cel de-al
doilea de dimensiune m. O aplicaţie liniară între cele două spaţii se va
explicita prin scrierea matriceală:
g ( s ) = F ( s ) f ( s ) (2.19)
unde f ( s ) ∈ RL g ( s ) ∈ RL şi unde F ( s ) va fi o matrice m × n de funcţii
2 2

raţionale, cu coeficienţi reali, de variabilă complexă s, proprii şi care nu


au poli pe axa imaginară.
O altă conexiune importantă este dată de următoarea teoremă prin
care se realizează o conexiune între spaţiul Hilbert H2 şi spaţiul Banach
L∞ sau H∞.
Teorema 2.3.
a) Dacă F ∈ L∞ , atunci FL  ⊂ L şi
2 2

F

{

= sup Ff
2
f ∈ L2 si f 2
=1 = }
= sup { Ff
 f ∈ H 2 si f 2
= 1} .
2

b) Dacă F ∈ H ∞ , atunci FH
 ⊂ H şi
2 2

F

{
= sup Ff
2
f ∈ H 2 si f 2
=1 .}
În consecinţă, dacă se consideră două spaţii L2, în primul funcţiile
având n componente, iar în cel de al doilea m componente, împreună cu o
funcţie F ∈ L∞ aplicaţia
f → g , f ∈ L , g ∈ L , g  Ff
2

2

44
  - produsul matriceal uzual) această defineşte un operator liniar de la
( Ff
L2 în L2 (de componente diferite) numit operatorul Laurent.

2.4. Proprietăţi algebrice în RH ∞

În continuare vom nota RH ∞+ = RH ∞ şi RH ∞− = RH ∞+ .


Spaţiul RH ∞ este denumit inelul RH ∞ , în care matricele sunt 1 × 1
şi deci, în acest caz, RH ∞ este mulţimea funcţiilor raţionale în s, cu
coeficienţi reali, proprii şi stabile. Deci, dacă f ∈ RH ∞ , aceasta este de
forma:
n( s )
f ( s) = (2.20)
d ( s)
unde n(s), d(s) sunt polinoame cu coeficienţi reali d ( s ) ≠ 0 şi
grad [n] ≤ grad [d ] .
Mulţimea polilor se notează cu P[⋅] şi pentru o funcţie f ( s )
definită anterior
P[ f ] ∈ ^ − . (2.21)
Evident RH ∞ este un inel integru (adică comutativ, unitar şi fără
divizori ai lui 0).
Este vizibil că unităţile în RH ∞ sunt acele elemente în care
grad [n] = grad [d ] şi Z [ f ] ∈ ^ − unde prin Z [⋅] s-a notat mulţimea
zerourilor la distanţă finită ale unei funcţii.
Fie f ∈ RH ∞ , f ≠ 0 pentru care exprimarea (2.20) este
ireductibilă, deci cu n şi d polinoame coprime.
În acest caz n se poate factoriza ca:
n = n+ ⋅ n− (2.22)
− − + +
unde Z [n ] ⊂ ^ şi Z [n ] ⊂ ^ .
Atunci pentru orice f ∈ RH ∞ cu f ≠ 0 asociem cu precizările de
mai sus întregul
δ ( f )  grad [d ] − grad [n − ] (2.23)
adică excesul polilor (stabili) faţă de zerourile stabile ale lui f.

45
3.1. Ideile de bază ale sintezei moderne în frecvenţă
Cazul SISO
Sinteza unui compensator K care să asigure robusteţea stabilităţii şi
a performanţelor în raport cu incertitudinile revine la asigurarea
stabilităţii buclei şi în plus
Ge ( jω ) = (1 + Gd ( jω )) −1 (3.1.)
şi
Gd ( jω )
G0 ( jω ) = (3.2)
1 + Gd ( jω )
să fie „cât mai mici” pentru o zonă de frecvenţă „cât mai largă”. Aceste
cerinţe au fost explicitate într-o manieră cantitativă în subcapitolul 1.2.
De asemenea, s-au evidenţiat limitele care apar în realizarea acestor
deziderate, limitări ce conduc inevitabil la unele compromisuri. Originea
acestor compromisuri este generată în fond de faptul că minimizarea
simultană a condiţiilor (3.1) şi (3.2) este constrânsă de rigiditatea relaţiei
de legătură
Ge ( jω ) + G0 ( jω ) = 1 (3.3)
relaţie ce arată că ambele cantităţi nu pot fi simultan „mici”.
49
Să observăm că mărimile Ge şi G0 ce intervin în (3.1), (3.2) se pot
scrie (pentru η = 0 ) pentru simplitate prin dependenţa:
⎡ Gd 1 ⎤

⎡ y ⎤ ⎢1 + Gd 1 + Gd ⎥ ⎡ r ⎤ ⎡G0 Ge ⎤ ⎡ r ⎤
⎢e⎥ = ⎢ 1 ⎥⎢ ⎥ = ⎢
⎥ ⎣ v ⎦ ⎣Ge −Ge ⎦⎥ ⎣⎢ v ⎦⎥
. (3.4)
⎣ ⎦ 1
⎢1 + G − 1 + G ⎥
⎣ d d ⎦

Se introduc vectorii:
⎡r ⎤ ⎡ y⎤
u1  ⎢ ⎥ şi y1  ⎢ ⎥ (3.5)
⎣v ⎦ ⎣e⎦
u1 fiind vectorul mărimilor externe, iar y1 vectorul mărimilor de calitate
sau reglate.
⇒ (3.4) se poate scrie cu (3.5) în forma:
y1 ( s) = Ty1u1 u1 ( s) (3.6)
unde
⎡ Gd 1 ⎤
⎢1 + G 1 + Gd ⎥
Ty1u1 = ⎢ d
⎥. (3.7)
⎢ 1 1 ⎥
⎢1 + G − 1 + G ⎥
⎣ d d ⎦

Să observăm că dacă se poate face o evaluare numerică globală a


magnitudinii transferului Ty1u1 în sensul introducerii unei norme Ty1u1 ( s )
adecvat alese, minimizarea acestei norme ar conduce la realizarea
dezideratului de proiectare robustă, cu amendamentul compromisurilor
menţionate.
Apar astfel 2 probleme:
1) Care este sistemul care compensat cu compensatorul K produce
matricea de transfer (3.7)?
2) Cum se poate introduce o normă, sau mai multe, care să
evalueze intensitatea transferului Ty1u1 ?
Răspunsul la prima întrebare se obţine redesenând structura din fig.
1.1.b în forma din fig. 3.1 unde cu u2 s-a notat comanda u, iar cu y2 s-a
renotat mărimea măsurată e (abaterea), aceasta din urmă activând

50
comparatorul K (notat G1 în (1.1.b), acesta din urmă producând
comanda dorită u2 .

⎡r ⎤
u1  ⎢ ⎥ ⎡ y⎤
⎣v ⎦ ⎢ e ⎥  y1
+ + ⎣ ⎦
_
G
u2  u y2 = e

Fig. 3.1.

Sistematic, structura din fig. 3.1 se poate reprezenta în forma din


fig. 3.2. Explicit, se poate scrie:
Y1 = T11U1 + T12U 2
(3.8)
Y2 = T21U1 + T22U 2
şi
U 2 = KY2 (3.9)
Matricele de transfer Tij se evaluează din fig. 3.1
Y = Y1 = v + GU 2
E = R − Y = R − v − GU 2
⎡R⎤ ⎫
⎡ Y ⎤ ⎡ 0 1 G ⎤ ⎢ ⎥ ⎬ U1
⎢ E ⎥ = ⎢1 −1 −G ⎥ ⎢ v ⎥ ⎭
⎣ ⎦ ⎣ ⎦⎢ ⎥
⎣U 2 ⎦
⎡R⎤ ⎫
⎬U
E = [1 −1 −G ] ⎢⎢ v ⎥⎥ ⎭ 1
⎢⎣U 2 ⎥⎦

51
U1 Y1
T11 T12
U2 Y2
T21 T22

Fig. 3.2
⎡0 1 # G ⎤⎡ R ⎤ ⎫
⎢ ⎥ ⎢ ⎥ ⎬ U1
⎡ Y1 ⎤ ⎢ 1 −1 # −G ⎥ ⎢ v ⎥ ⎭
⎢Y ⎥ = ⎢" " # " ⎥ ⎢ " ⎥ (3.10)
⎣ 2⎦
⎢ ⎥⎢ ⎥
⎣ 1 −1 # −G ⎦ ⎣U 2 ⎦
şi deci
⎡0 1 ⎤ ⎡ +G ⎤
T11 = ⎢ ⎥ T12 = ⎢ ⎥ T21 = [1 −1] T22 = [ −G ] .
⎣1 −1⎦ ⎣ −G ⎦
Introducând (3.9) în (3.8) rezultă
Y1 = ⎡⎣T11 + T12 K (1 − T22 K ) −1T21 ⎤⎦ u1 (3.11)
adică
Ty1u1 = T11 + T12 K (1 − T22 K ) −1T21 (3.11’)
Evaluând (3.11’) cu (3.10) se ajunge la
⎡0 1 ⎤ ⎡ G ⎤
Ty1u1 = ⎢ ⎥ + ⎢ ⎥ K (1 + KG ) −1 [1 −1] =
⎣1 −1⎦ ⎣ −G ⎦
⎡ Gd Gd ⎤
⎢ 1+ G 1− −1 ⎥
(1 + Gd )
=⎢ ⎥ ; G = KG
d

⎢ Gd ⎛ Gd ⎞ ⎥
d

⎢1 − − ⎜1 − ⎟⎥
⎣⎢ 1 + Gd ⎝ 1 + Gd ⎠ ⎦⎥
adică exact matricea de transfer.
Răspunsul la cea de a doua chestiune revine la evaluarea unor
norme pentru o funcţie de transfer proprie arbitrară G(s).
Se face de la început ipoteza: G(s) nu are poli pe axa imaginară.
Atunci o posibilitate de evaluare este:
G ∞  sup G ( jω ) (3.12)
ω

52
membrul drept fiind o cantitate finită bine definită datorită ipotezei
anterioare. Numărul real >0, G ∞ se numeşte norma în sens L∞ a
funcţiei de transfer G(s) şi este în fond distanţa maximă de la origine la
punctele locului de transfer g(jω) (care nu are ramuri la infinit datorită
ipotezei anterioare).
O a doua posibilitate de evaluare se face, dacă suplimentar ipotezei
că G(s) nu are poli pe axa imaginară, se introduce şi ipoteza G(s) este
strict realizabilă.
Cu cele două ipoteze
+∞ +∞
1 1
∫ ω ω ω = ∫ G ( jω ) dω
2 2
G2 G *
( j )G ( j )d (3.13)
2π −∞ 2π −∞
care se numeşte normă în sens L2 a funcţiei de transfer G(s). Condiţia
suplimentară a fost necesară pentru convergenţa integralei din (3.13).
Să vedem semnificaţia celor 2 norme introduse mai sus.
Pentru norma L∞ să considerăm pentru simplitate că G(s) este
stabilă, deci cu toţi polii în Re s < 0 . Considerăm o comandă u(t) –
funcţie original cu energie unitară

Eu = ∫ u 2 (t )dt = 1 (3.14)
0

Dacă L {u (t )} = u ( s ) , conform teoremei lui Parseval


∞ +∞
1
1 = ∫ u (t )dt = ∫ u ( jω ) dω .
2 2
(3.15)
0
2π −∞
Conform ipotezelor făcute mai sus
y (t ) = L−1 {G ( s )u ( s )} = F −1 {G ( jω )u ( jω )}
şi deci energia mărimii de ieşire este finită şi furnizată de
∞ +∞ +∞
1 1
E y = ∫ y (t )dt = ∫ y ( jω ) d ω = ∫ G ( jω ) u ( jω ) d ω ≤
2 2 2 2

0
2π −∞ 2π −∞
+∞
(3.16)
1
≤ sup G ( jω ) ∫ u ( jω ) dω = G ∞ .
2 2 2

ω 2π −∞
Aşadar pentru orice intrare u, de energie Eu = 1 , energia mărimii de
ieşire E y este majorată conform cu (3.16) de pătratul mărimii L∞ al
funcţiei de transfer

53
Ey ≤ G
2

∀u (⋅) cu Eu = 1 . (3.17)
O demonstraţie (care se omite) arată că există o comandă u (⋅) de
energie unitară astfel încât
Ey = G ∞ .
2
(3.18)
În concluzie, din (3.17) şi (3.18) rezultă că
G ∞ = sup E y cu Eu = 1
2

adică norma L∞ a lui G măsoară maximul de transfer energetic


realizat de toate semnalele de intrare care au aceeaşi energie, în
particular unitară.
Pentru norma L2 semnificaţia rezultă imediat. Din (3.16) se vede că
dacă u ( jω ) = 1 , adică intrarea este funcţia δ (impuls unitar), atunci
+∞
1
Ey = ∫ G ( jω ) d ω = G 2
2 2
(3.19)
2π −∞
sau, cu alte cuvinte, norma L2 a lui G măsoară energia răspunsului
cauzal la impuls.
O altă interpretare este de natură stochastică. Este cunoscut faptul
că densităţile spectrale Su (ω ) şi Sy (ω ) sunt legate între ele prin relaţia
Sy (ω ) = G ( jω ) Su (ω )
2
(3.20)
(cu G stabilă). Dacă Su (ω ) = 1 , adică semnalul de intrare este zgomot alb
de intensitate unitară, atunci (3.20) devine
Sy (ω ) = G ( jω )
2
(3.21)
de unde
+∞
1
G2= ∫ Sy(ω )dω .
2
(3.22)
2π −∞

3.1.1. Cazul MIMO

Pentru cazul MIMO generalizarea rezultă imediat într-o structură


de tipul celei din fig. 3.2 sau fig. 3.1.

54
u1 Y1
T11 T12
u2 Y2
T21 T22

Fig. 3.3
În fig. 1.3 U1 U 2 , Y1 Y2 sunt vectori m1 , m2 , p1 , p2 dimensionali
respectiv, reprezentând, la fel, mărimile externe, de comandă, reglate şi
măsurate
⎡R⎤ ⎡Y ⎤
U1 = ⎢ ⎥ Y1 = ⎢ ⎥ U 2 = U Y2 = E (3.23)
⎣v⎦ ⎣E ⎦
⎡T T ⎤
TS  ⎢ 11 12 ⎥ (3.24)
⎣T21 T22 ⎦
Se obţine
⎡0 I ⎤ ⎡T ⎤
T11 = ⎢ ⎥ T = ⎢ −T ⎥ T21 = [ I − I ] T22 = [ −T ] (3.25)
⎣I −I ⎦
12
⎣ ⎦
rezultând pentru (3.25) expresia
⎡0 I # T ⎤
⎢ I − I # −T ⎥
TS = ⎢ ⎥ (3.26)
⎢" " # " ⎥
⎢ ⎥
⎣ I −I # T ⎦
Din fig. 3.3 rezultă relaţiile de bază
⎡T11 # T12 ⎤
⎡ Y1 ⎤ ⎡U 1 ⎤ ⎢
⎢Y ⎥ = TS ⎢U ⎥ ; TS = ⎢ " # " ⎥⎥
⎣ 2⎦ ⎣ 2⎦ ⎢⎣T21 # T22 ⎥⎦
(3.27)

U 2 = KY2
Presupunând condiţia de regularitate îndeplinită
I − T22 K = I − KT22 ≠ 0 (3.28)
rezultă
Y1 = Ty1u1U1 3.29)

55
cu
Ty1u1 = T11 + T12 K ( I − T22 K ) −1T21 (3.30)

Funcţia
F (TS , K )  T11 + T12 K ( I − T22 K ) −1T21 (3.31)
se numeşte funcţia omografică a lui TS şi K, deci
Ty1u1 = F (TS , K ) (3.32)

Structura din fig. 1.3 explicitată prin relaţiile (3.27) în care se


evidenţiază tranziţia (3.29) cu (3.30) generalizează chestiunea 1 de la
cazul SISO la cazul MIMO.
În ceea ce priveşte chestiunea 2 de la cazul SISO, se introduc
similar normele L∞ şi L2 după cum urmează.
Fie T(s) o matrice de transfer realizabila pentru care este adevărată
ipoteza că nu are poli pe axa imaginară.
Atunci este bine definită cantitatea reală
T ∞
= sup σ (T ( jω )) (3.33)
ω

unde σ (T ( jω )) este valoarea singulară maximă a lui T ( jω ) , numită


norma L∞ a matricei de transfer T(s).
Dacă se face ipoteza suplimentară că T(s) este strict realizabilă
atunci este bine definită cantitatea reală
+∞
1
T 2= ∫ tr ⎡⎣(T * ( jω ))(T ( jω )) ⎤⎦d ω
2
(3.34)
2π −∞
(unde T * ( jω )  T T (− jω ) , iar tr [⋅] este urma matricei) numită norma L2
a matricei de transfer T(s).
Apariţia urmei matriceale în (3.34) are următoarea explicaţie. Din
Y ( s ) = T ( s )U ( s) (3.35)
presupunând T(s) stabilă, iar energia mărimii de intrare u(t)

Eu = ∫ u (t ) dt < ∞
2
(3.36)
0

finită, rezultă pentru energia mărimii de ieşire (utilizând teorema lui


Parseval)
56
∞ ∞ ∞
1
Ey = ∫ y (t ) dt = ∫ tr ( y (t ) y (t )dt = ∫ tr ( y ( jω ) y* ( jω )dω =
2 T

0 0
2π 0
+∞
1
= ∫ tr[(T ( jω )u ( jω )u ( jω )]dω
*

2π −∞
şi dacă
+∞
1
u ( jω )u ( jω ) = 1 ⇒ E y = ∫ tr[(T ( jω )T ( jω )]dω =
* *

2π −∞
+∞
(3.37)
1
= ∫ tr[(T ( jω )T ( jω )]d ω.
*

2π −∞

3.2. Problema fundamentală a sintezei în frecvenţă

Fiind dat sistemul


⎡ Y1 ⎤
⎡U 1 ⎤ ⎡T11 T12 ⎤
⎢Y ⎥ = TS
⎢U ⎥ ; TS = ⎢T T ⎥ (3.38)
⎣ 2⎦⎣ 2⎦ ⎣ 21 22 ⎦
să se găsească un compensator K care să asigure sistemului rezultat
următoarele 2 proprietăţi:
a) stabilitate adică oriunde s-ar injecta în structura 3.3 un semnal
mărginit, în orice alt punct al structurii semnalul rezultat să fie
mărginit.
b) optimalitate, adică una din normele Ty1u1 sau Ty1u1 să fie
∞ 2

minimă, unde Ty1u1 = F (TS , K ) .


Formularea anterioară a problemei este susceptibilă de mai multe
comentarii.
i) Elementele matricei TS din (3.38) depind de alegerea
mărimilor de calitate Y1 , mărimilor externe U1 fiind de regulă
impuse: referinţe şi perturbaţii.
Alegerea din considerente de proiectare a matricei Ty1u1 , adicǎ a
mǎrimilor de referinţǎ şi a perturbaţiilor, conduce la detrminarea matricei
TS . De exemplu, considerând cazul SISO, cu v = 0 pentru simplitate, deci
U1 = Yr , matricea (3.7) devine

57
⎡G0 ⎤ ⎡Gd (1 + Gd ) −1 ⎤
Ty1u1 = ⎢ ⎥ = ⎢ −1 ⎥
(3.39)
⎣Ge ⎦ ⎣ (1 + Gd ) ⎦
G0 şi Ge referindu-se la robusteţea performanţelor şi a stabilităţii
asigurată prin operaţia de minimizare a normei L∞ sau L2 a lui Ty1u1 .
Atunci rezultă
⎡0 # G ⎤
⎢ 1 # −G ⎥
TS = ⎢ ⎥ (3.40)
⎢" # " ⎥
⎢ ⎥
⎣ 1 # −G ⎦
În locul lui G0 se poate considera însă funcţia de transfer (vezi fig.
1.1) de la yr la u
Gu = GR (1 + Gd ) −1 = K (1 + Gd ) −1 (3.41)
care corespunde robusteţii stabilităţii la perturbaţii aditive (vezi (1.15) de
la 1.2) precum şi limitări ale amplitudinii comenzii, cerinţă tehnologică
naturală.
Atunci (3.39) devine
⎡GR (1 + Gd ) −1 ⎤
Ty1u1 = ⎢ −1 ⎥
(3.42)
⎣ (1 + Gd ) ⎦
iar (exerciţiu pentru cititor)
⎡0 # 1 ⎤
⎢ 1 # −G ⎥
TS = ⎢ ⎥ (3.43)
⎢" # " ⎥
⎢ ⎥
⎣ 1 # −G ⎦
O variantă hibridă este
⎡ Gd (1 + Gd ) −1 ⎤
⎢ ⎥
Ty1u1 = ⎢GR (1 + Gd ) −1 ⎥ , (3.44)
⎢ (1 + Gd ) −1 ⎥
⎣ ⎦
Considerentele de proiectare impunând structura matricei Ty1u1 .
ii) În formularea problemei nu apar explicit incertitudinile lm(ω )
şi în consecinţă nu rezultă în mod explicit limitările impuse de
localizarea zonei de medie frecvenţă, aşa după cum s-a discutat

58
anterior. Acestea se asigură de obicei prin introducerea unor
ponderi corespunzătoare în sensul modificării
T ' y1u1 ( s ) = We ( s )Ty1u1 ( s )Wi ( s ) (3.45)
unde Wi ( s ) şi We ( s ) sunt matrice pondere adecvat alese.
De exemplu (3.42) se
[ 1 ]dB [ 2 ]dB
W (ω ) W (ω ) poate modifica în forma

⎡W G (1 + Gd ) −1 ⎤
Ty1u1 = ⎢ 1 R −1 ⎥
⎣ W2 (1 + Gd ) ⎦
unde W1 ( s ) şi W2 ( s ) sunt
fracţii raţionale, selectate
din punctul de vedere al
ultimei precizări.
Caracteristicile uzuale
amplitudine – frecvenţă pentru W1 şi W2 sunt prezentate în fig. 3.4.
Înterpretarea alurii celor 2 caracteristici este imediată: W1 (ω ) are
un caracter limitativ, iar W2 (ω ) are alura unui integrator pentru a micşora
cât mai mult eroarea prin combinarea cu acţiunea unui filtru trece-jos. O
detaliere se va face în capitolele următoare.
iii) O tratare limită a problemei de sinteză este aşa numita sinteză
exactă în care toate performanţele sunt agregate într-un sistem
model etalon sau matrice de transfer dorită Td ( s) , compensatorul K
proiectându-se astfel încât să avem
Ty1u1 ( s ) = Td ( s ) (3.46)
sau, cu actualizarea Ty1u1 ← Ty1u1 − Td , (3.40) devine
Ty1u1 = 0 (3.47)
Asigurarea condiţiei (3.47) generează problema generală a reglării
sistemelor (PGRS).
Această problemă este eminamente structurală, iar rezolvarea
acesteia apelează la concepte geometrice.
În fond eficienţa şi predilecţia actuală pentru metodele în frecvenţă
au o dublă geneză: prima este de natură teoretică în sensul relaxării
condiţiei (3.47) la condiţia
min Ty1u1 (3.48)

59
Iar a doua este de natură inginerească deoarece modul de gândire
frecvenţial a stat la originea reglării automate şi a primelor succese
practice ale acesteia în perioadele imediat postbelice.
De menţionat că în locul lui (3.48) se poate impune pretenţia
min Ty1u1 (3.49)
2
Arsenalul de metode care converg la soluţionarea dezideratului
(3.48) poartă numele de sinteză în sens H∞, iar cele pentru soluţionare
(3.48), sinteză în sens H2. În ceea ce priveşte sinteza H2 aceasta este de
obicei tratată prin particularizarea adecvată a metodelor H∞.

3.3. Transformări liniare fracţionare

Discuţia despre LFT (linear fractional transformation) va fi


deschisă prin revederea câtorva proprietăţi ale funcţiei de transfer
raţionale
as + b
ξ= (3.50)
cs + d
Fiecare coeficient este un număr complex iar s şi ξ sunt variabile
complexe.
1. Presupunând ad − bc ≠ 0 , este cunoscut faptul că (3.50)
transformă cercurile şi liniile din planul s în cercuri şi linii
drepte în planul ξ.
1
2. Scriind ξ = ξ1 cu ξ1 şi ξ 2 definiţia de
ξ2
⎡ ξ1 ⎤ ⎡ a b ⎤ ⎡ s ⎤
⎢ ⎥=⎢ ⎥⎢ ⎥ (3.51)
⎣ξ 2 ⎦ ⎣ c d ⎦ ⎣1⎦
putem reprezenta (3.50) în termenii unei matrice a coeficienţilor.
Matricea coeficienţilor este unică.
3. Prin compunerea a 2 LFT rezultă o altă LFT.
w
Fie w = 1
w2
⎡ w1 ⎤ ⎡ a b ⎤ ⎡ z1 ⎤
⎢ w ⎥ = ⎢ c d ⎥ ⎢ z ⎥ şi
⎣ 2⎦ ⎣ ⎦⎣ 2⎦

60
⎡ z1 ⎤ ⎡α β ⎤ ⎡s⎤
⎢ z ⎥ = ⎢γ δ ⎥⎦ ⎢⎣1⎥⎦
⎣ 2⎦ ⎣
w în funcţie de s rezultă
⎡ w1 ⎤ ⎡ a b ⎤ ⎡α β ⎤ ⎡ s ⎤
⎢ ⎥=⎢ ⎥⎢ ⎥⎢ ⎥.
⎣ w2 ⎦ ⎣ c d ⎦ ⎣ γ δ ⎦ ⎣1⎦
Rezultă că setul de LFT de tipul din (3.50) este închis sub operaţia
de compoziţie şi că compoziţia a 2 LFT poate fi construită din produsul
matricelor coeficienţilor.
4. Compoziţia LFT este asociativă din cauză că produsul
matricelor este asociativ.
5. Transformarea identică există şi în acest caz este matricea
unitate (I).
6. Transformarea inversă există dacă matricea coeficienţilor este
1 ⎡ d −b ⎤
nesingulară şi este dată de
ad − bc ⎢⎣ −c a ⎥⎦
care este inversa

matricei asociate.
7. Rezultă din punctele 3, 4, 5 şi 6 că LFT nesingulare formează
un grup sub operaţia de compoziţie. LFT dată în 3.50 are şi alte
reprezentări utile.
În cazul d ≠ 0
as + b
ξ= = bd −1 + (a + bd −1c) s (1 + d −1cs )d . (3.52)
cs + d
Aceasta este forma uzual folosită
w z a LFT deoarece corespunde diagramei
bloc intrare-ieşire a unui sistem.
T y
u Pentru a vedea acest lucru se consideră
structura cu reacţie din figura
alǎturatǎ, definită de ecuaţiile:
s

⎡z⎤ ⎡ w⎤ ⎡T11 T12 ⎤ ⎡ w⎤


⎢ y⎥ = T ⎢ u ⎥ = ⎢T T ⎥ ⎢ u ⎥ u = sy (3.53)
⎣ ⎦ ⎣ ⎦ ⎣ 21 22 ⎦ ⎣ ⎦

Eliminând u şi y se obţine

61
z
= T11 + T12 S (1 − T22 S ) −1T21 (3.54)
w
z
Comparând cu (3.52) se observă că funcţia ξ = din figura
w
anterioară este o transformare liniară fracţionară în variabila s.
Corespondenţa dintre a, b, c, d şi T este dată de
⎡bd −1 a − bd −1c ⎤
T = ⎢ −1 ⎥. (3.55)
⎣d − d −1c ⎦
Folosind notaţia
F (T , s ) = T11 + T12 s (1 − T22 s ) −1T21 (3.56)
pentru această a LFT.
O generalizare o constituie
F (T , K ) = T11 + T12 K (1 − T22 K ) −1T21 (3.57)
în care Tij şi K sunt matrice de transfer sau sisteme. În acest caz LFT este
bine definită dacă inversa ( I − T22 K ) −1 există, ceea ce presupune
I − T22 K ≠ 0 (condiţia de regularitate).
Unii autori (Mc Farlane şi Glover) mai numesc această LFT
transformarea liniar fracţionară inferioară (LLFT).
w z
u T y K
u y
K w T z

LLFT ULFT
Fig. 3.4

O transformare liniară fracţionară superioară (ULFT) este notată


Fu (T , K ) = T22 + T21 K (1 − T11 K ) −1T12 (3.58)
Orice LLFT definită anterior a.î. T21 ≠ 0 poate fi rescrisă în forma:
F (T , K ) = (U11 K + U12 )(U 21 K + U 22 ) −1
unde

62
⎡ u11 # u12 ⎤ ⎡T12 − T11T21 T22 # T11T21 ⎤
−1 −1

⎢ ⎥
U = ⎢⎢ " # " ⎥⎥ = ⎢ """" # " ⎥ (3.59)
⎢⎣u21 # u22 ⎥⎦ ⎢⎣ −T21−1T22 # T21−1 ⎥⎦
cu
det(U 21 K + U 22 ) ≠ 0 .

3.3.1. Formula de compoziţie

Să presupunem 2 LFT interconectate ca în fig. 3.5.


z w
T
y u
v K r

Fig. 3.5

Interconexiunea este definită de ecuaţiile:


⎡ z ⎤ ⎡T11 T12 ⎤ ⎡ w⎤
⎢ y ⎥ = ⎢T T ⎥ ⎢ u ⎥
⎣ ⎦ ⎣ 21 22 ⎦ ⎣ ⎦
⎡u ⎤ ⎡ K11 K12 ⎤ ⎡ y ⎤
⎢r ⎥ = ⎢K ⎥ ⎢ ⎥.
⎣ ⎦ ⎣ 21 K 22 ⎦ ⎣ v ⎦
Eliminând y şi u se obţine:
⎡z⎤ ⎡ w⎤
⎢ r ⎥ = C (T , K ) ⎢ v ⎥ 3.60)
⎣ ⎦ ⎣ ⎦
unde operatorul de compoziţie C (⋅, ⋅) este
⎡ F (T , K11 ) ˆ
T12 SK ⎤
C (T , K ) = ⎢ 12

⎢⎣ K 21ST21 K 22 + K 21T22 SK ˆ ⎥
12 ⎦
(3.61)
−1 −1
S = ( I − T K ) si S = ( I − K T )
22 11
ˆ
11 22
Acum să presupunem bucla închisă între r şi v printr-o matrice de
transfer F. V = Fr.

63
Se observă că FL ( K , F ) y şi că
z = FL (T , FL ( K , F )) = FL (C (T , K ), F ) − w .
De asemenea, avem
⎛ ⎡T11 0 # T12 0 ⎤ ⎞
⎜⎢ ⎥ ⎟
⎜ ⎢ 0 0 # 0 I ⎥ ⎡K K12 ⎤ ⎟
C (T , K ) = F ⎜ ⎢ " " # " "⎥ , ⎢ 11 ⎥⎟ . (3.62)
⎜⎢ ⎥ ⎣ K 21 K 22 ⎦ ⎟
⎜ ⎢T21 0 # T22 0 ⎥ ⎟
⎜⎢ 0 I # 0 0 ⎥ ⎟
⎝⎣ ⎦ ⎠

3.3.2. Interconectarea pe stare a LFT

De acest rezultat va fi nevoie pentru dezvoltarea prin formule de


reprezentare pentru toate controlerele H∞ în cazul reacţiei după ieşire.
Lema 3.1. Se consideră schema de interconectare din fig. 3.5 în
care
⎡ A # B1 B2 ⎤ ⎡ A # B1 B 2 ⎤
⎢" # " " ⎥ ⎢ ⎥
⎢ " # " " ⎥.
T =⎢ ⎥ şi K =
⎢ C1 # 0 D12 ⎥ ⎢ C1 # 0 I ⎥
⎢ ⎥ ⎢ ⎥
⎣C2 # D21 0 ⎦ ⎣⎢C2 # I 0 ⎥⎦
⎡ w⎤ ⎡ z ⎤
O realizare pe stare pentru sistemul R = C (T , K ) : ⎢ ⎥ → ⎢ ⎥ este:
⎣ v ⎦ ⎣r ⎦
⎡ A + B2C1 B2C1 # B1 B2 ⎤
⎢       ⎥
⎢ A + B1C2 − A − B2C1 A − B2C1 # B1 D21 − B1 B2 − B2 ⎥
R=⎢ """" " # " " ⎥ . (3.63)
⎢ ⎥
⎢ C1 + D12C1 D12C1 # 0 D12 ⎥
⎢ C2 + C 2 C 2 # 0 ⎥⎦
⎣ D21
Lema 3.2. Fie o matrice de transfer T de dimensiuni
⎡ w⎤ ⎡z⎤
( p1 + p2 ) × (m1 + m2 ) de la ⎢ ⎥ la ⎢ ⎥ dată de
⎣u ⎦ ⎣ y⎦

64
4.1. Valori singulare

Descompunerea în valori singulare (SVD) este una din cele mai


importante unelte în analiza numerică şi algebra liniară. Ţinând cont de
natura algebrică liniară a multor probleme de control SVD şi-a găsit locul
în teoria sistemelor şi a controlului automat. Scopul capitolului este de a
introduce SVD şi de a examina câteva proprietăţi ale valorilor singulare.
Capitolele următoare vor arăta cum valorile singulare pot fi utilizate în
analiza robusteţii şi performanţelor sistemelor automate.
Pentru a evita confuziile şi, în acelaşi timp, notaţiile excesive,
dimensiunile matricelor vor fi rareori menţionate explicit. Când va apare
o sumă de matrice ca Q + R, se presupune că dimensiunile lor sunt
compatibile pentru a putea efectua suma. O presupunere asemănătoare se
face când este vorba de un produs de matrice. Când va apare inversa unei

65
matrice Q-1 în text, se presupune că matricea Q este pătratică şi că
inversa există.

4.1.1. Descompunerea în valori singulare

Se vor stabili proprietăţile fundamentale ale SVD. Primul rezultat


asigură existenţa SVD.
Lema 1. Pentru orice matrice complexă Q m× p există matrice
unitate V şi U, m× m şi p × p şi o matrice reală Σ astfel încât:
⎡∑ 0⎤ *
Q =V ⎢ ⎥U (4.1)
⎣ 0 0⎦
în care ∑ = diag (σ 1...σ r ) cu σ 1 ≥ σ 2 ≥ ... ≥ σ r > 0 şi min(m, p) ≥ r . Când
Q este nulă, V şi U por fi alese ortogonale. Expresia (4.1) este numită o
descompunere în valori singulare (SVD) a lui Q. În general prin indicele
* vom nota transpusa conjugată.
Demonstraţie. Demonstraţia apare în numeroase lucrări, de
exemplu Stewart, „Introduction to Matrix Computation”, Academic
Press, N.Y., 1973.
Deoarece σ 1 , σ 2 ,..., σ r sunt rădăcini pătrate ale valorilor proprii ale Q*Q
sau QQ*, ele sunt unic determinate de Q. Toate rădăcinile pătrate
nenegative ale valorilor proprii ale Q*Q se vor numi valori singulare ale
lui Q.
σ 1 , σ 2 ,..., σ r > 0 dacă σ r +1 = ... = σ p = 0 (4.2)
Setul de valori singulare, valoarea singulară maximă şi valoarea
singulară minimă ale lui Q vor fi notate astfel:
σ (Q) = {σ 1 , σ 2 ,..., σ r } (4.3)
σ (Q) = σ 1 (4.4)
σ (Q ) = σ p (4.5)

Deoarece V şi U sunt nesingulare, rangul lui Q este identic cu cel a


lui Σ, care este egal cu numărul valorilor singulare nenule.
rank (Q) = r (4.6)
O matrice Q nu are valori singulare 0 (adică σ (Q) > 0 ) dacă este
de rang coloană maximă.

66
Când Q este o matrice pătratică, σ (Q) > 0 dacă şi numai dacă Q
este nesingulară. În acest caz Q −1 = U ∑ −1 Y * şi valorile singulare ale lui
Q −1 sunt σ r−1 , σ r−−11 ,..., σ 1−1 . În particular
1
σ (Q −1 ) =
.
σ (Q)
Pentru a da SVD o interpretare teoretică operatorie, vom privi
matricea Q ca o mapare liniară a spaţiului vectorial ^ p în spaţiul
vectorial ^ m , definită prin
Q : ^ p → ^m
: u → Qu
Să presupunem că prin ui şi yi notăm coloanele matricelor unitare
U şi V în SVD (4.1). Atunci SVD poate fi rescrisă în forma
r
Q = ∑ σ i yi ui* .
i =1

Deoarece U este unitară ui ui* = δ ij (δ din produsul Kronecker),


rezultă că u j este mapat în σ i yi prin Q
⎛ r ⎞
Qu j = ⎜ ∑ σ i yi ui* ⎟ u j = σ j y j .
⎝ i =1 ⎠
Putem deci privi valoarea singulară σ j ca o dilatare sau factor de
amplificare a matricei Q restricţionată la un subspaţiu unidimensional
peste u.
Valoarea singulară maximă σ (Q) şi valoarea singulară minimă
σ (Q) , ce joacă un rol important în analiza făcută, sunt date de identităţile
σ (Q) = max Qu (4.7)
u =1

σ (Q) = min Qu . (4.8)


u =1

în care norma este norma euclidiană. Deci σ (Q) şi σ (Q) factorii de


amplificare maxim, respectiv minim, ai matricei Q.
Relaţia (4.7) implică faptul că σ (Q) este norma operatorului Q
indusă de norma euclidiană:

67
Qu
σ (Q) = Q = max Qu = max . (4.9)
u =1 u ≠0 u
Se arată uşor că Q este într-adevăr o normă folosind proprietăţile
normei euclidiene pe ^ m şi ^ p .
1. Q ≥ 0 evident şi Q = 0 ∀u ⇔ Q = 0
2. Fie α ∈ ^ . Atunci α Q = max α Qu = max α Qu = α ⋅ Qu .
u =1 u =1

3. Q + R = max Qu + Ru = max ( Qu + Ru ) ≤ Q + R .
u =1 u =1

În afară de aceste 3 proprietăţi, pe care orice normă trebuie să le


satisfacă, norma indusă mai satisface
4. Proprietatea submultiplicativă
QR ≤ Q ⋅ R (4.10)

4.2. Inegalităţile ale valorilor nesingulare

σ (Q) − σ ( R) ≤ σ (Q + R ) ≤ σ (Q) + σ ( R ) (4.11)


σ (Q)σ ( R) ≤ σ (QR) ≤ σ (Q)σ ( R) (4.12)
max (σ ( R) − σ (Q), σ (Q) − σ ( R) ) ≤ σ (Q + R) ≤ σ (Q) + σ ( R) (4.13)
σ (Q)σ ( R) ≤ σ (QR) ≤ σ (Q)σ ( R) (4.14)
Următorul corolar arată că valoarea singulară minimă a unei
matrice pătratice dă o măsură a „apropierii de singularitate”.
Corolarul 4.1. Fie Q şi R matrice p × p pătratice şi Q nesingulară.
Atunci
σ ( R) < σ (Q) ⇒ (Q + R) este nesingulară (4.15)
min σ ( R) = σ (Q) . (4.16)
R:det( Q + R ) = 0

Demonstraţie. Presupunem σ ( R) ≤ σ (Q) . Atunci din (4.13)


σ (Q + R) ≥ σ (Q) − σ ( R) > 0. Deci Q + R nesingulară.
Dacă R este astfel încât det(Q + R) = 0 , atunci σ ( R) ≥ σ (Q) din
(4.15). În consecinţă
min σ ( R) ≥ σ (Q).
det( Q + R ) = 0

68
Mai rămâne de arătat că limita este atinsă pentru un R cu
σ ( R) = σ (Q) . Fie Q cu o SVD de tipul Q = Y ∑ U * şi setăm
R = −σ p y p u*p unde y p şi u p sunt ultimele coloane ale lui Y, respectiv U.
Evident σ ( R) = σ (Q) şi Q+R este singulară.

Rezumatul sintetic
1) σ (Q) şi σ (Q) sunt câştigul maxim şi minim al matricei Q.
2) Q = σ (Q) este norma operatorului Q indusă de norma
euclidiană. Normele induse au proprietatea submultiplicativă
QR ≤ Q + R .
3) Valoarea singulară maximă şi minimă a unei sume sau a unui
produs de matrice sunt mărginite superior şi inferior prin formele simple
ce conţin valorile singulare maxime şi minime ale matricelor individuale.
4) Valoarea minimă singulară a unei matrice pătratice este o
măsură a distanţei matricei respective de o matrice ce este singulară.

4.3. Valorile singulare şi operatorul sensibilitate

Am arătat pentru sisteme SISO, că sensibilitatea buclei închise la


variaţii ale procesului este guvernată de funcţia de sensibilitate. Dacă
funcţia sensibilitate este mai mică decât 1 sistemul închis este mai puţin
senzitiv decât sistemul deschis. În general, robusteţea sistemului în buclă
închisă este îmbunătăţită făcând funcţia sensibilitate cât mai mică. Vom
arăta acum că valorile singulare ale operatorului sensibilitate au un
anumit rol în generalizarea acestor idei la cazul multivariabil.
Sensibilitatea unei cantităţi α la o schimbare cu o cantitate β este
definită a fi
∂α β
S βα = , (4.17)
∂β α
care este o măsură a schimbării relative în α datorită unei schimbări
relative în β.
Dacă controlerul şi procesul sunt într-o buclă cu reacţie negativă ca
în fig. 4.1 şi sunt descrise prin funcţii de transfer scalare GR şi G, se
69
poate evalua sensibilitatea buclei închise G0 la modificări în funcţia de
transfer a procesului G.

r y
GR G

Fig. 4.1

GGR ∂G0 G GR 1 + GR G 1
G0 = SGG0 = = = ,
1 − GR G ∂G G0 (1 − GR G ) 2
GR 1 − GR G
rezultat pe care l-am obţinut deja în cap. 2.
Pentru a generaliza această analiză la bucle multivariabile, să
considerăm schema din fig. 4.2.

r + y0
GR G
+
Gm

Fig. 4.2

y = GGR ( I − GGR ) −1 r (4.18)


−1
y0 = GGR ( I − GmGR ) r (4.19)
y = y0 pentru orice r dacă sistemul G şi modelul Gm sunt identice. Să
presupunem că G depinde de un parametru δ, astfel încât G devine G(δ).
Efectul modificării lui δ asupra lui y şi y0 pot fi evaluate astfel:
∂y ∂G
= ( I − GGR ) −1 GR (1 − GGR ) −1 , (4.20)
∂δ ∂δ
iar
∂y0 ∂G
= GR (1 − GGR )−1 . (4.21)
∂δ ∂δ
Să presupunem acum că Gm este obţinut utilizând o valoare
nominală pentru δ, astfel încât Gm = G(δ nom ) .
Atunci
70
∂y ∂y0
= ( I − GmGR ) −1 .
∂δ S = Snom ∂δ S = Snom

Aceasta înseamnă că operatorul sensibilitate


η = ( I − GmGR ) −1 (4.22)
determină modul în care modificările procesului afectează ieşirea
sistemului în bucla nominală.
Schema în buclă închisă va fi mai senzitivă sau mai puţin senzitivă
la schimbări ale procesului în funcţie de „mărimea” lui η.
Utilizând (4.7) şi (4.8)
∂y ( jω ) ∂y0 ( jω )
≤ σ (η ( jω ) ) (4.23)
∂δ S = Snom ∂δ
şi
∂y ( jω ) ∂y0 ( jω )
≥ σ (η ( jω ) ) . (4.24)
∂δ S = Snom ∂δ

Sistemul închis este uniform mai puţin senzitiv la schimbări ale


parametrilor procesului când σ ( S ( jω ) ) < 1 şi uniform mai senzitiv când
σ ( S ( jω ) ) > 1 .
Un obiectiv de proiectare poate fi să se asigure
σ (η ( jω ) ) w( jω ) < 1 (4.25)

pentru o gamă de frecvenţe dependentă de funcţia pondere w( jω ) .


Funcţia pondere trebuie să satisfacă w( jω ) ≥ 1 pentru domeniul de
frecvenţă pe care doreşte reducerea sensibilităţii. Obiectivul (4.25)
asigură σ ( S ( jω ) ) < 1 pe gama de frecvenţă de interes.
Utilizând (4.13)
σ (η ( jω ) w( jω ) ) < 1 ⇔ σ ( I − Gm ( jω )GR ( jω )) > w( jω ) ⇒
(4.26)
⇒ σ (Gm ( jω )GR ( jω )) > w( jω ) − 1.

71
Deci o reducere substanţială a sensibilităţii (adică w( jω )  1 ) în
(4.25) necesită amplificări mari în bucla deschisă
( σ (Gm ( jω )GR ( jω ))  1 ). De asemenea,

σ (Gm ( jω )GR ( jω )) > w( jω ) + 1 ⇒ σ (η ( jω ) w( jω ) ) < 1 (4.27)

ceea ce arată că amplificări mari în buclă deschisă asigură o bună


reducere a sensibilităţii.

4.4. Analiza stabilităţii robuste

Sistemele de control automat folosesc modele matematice care doar


aproximează comportarea sistemelor industriale reale. Deoarece
discrepanţele dintre proces şi reprezentarea sa matematică pot duce la
violări a unor specificaţii de performanţă sau chiar la pierderea stabilităţii
în buclă închisă, luarea în consideraţie a erorilor de modelare este în mod
necesar parte integrantă a procesului de proiectare. Pentru acesta, erorile
de acest tip trebuie cuantificate. Prin natura lor, erorile de modelare
desfid o descriere matematică precisă şi trebuie cuantificate în termenii
unor limitări sau distribuţii de probabilitate de un anumit tip.
În această secţiune, se va analiza robusteţea stabilităţii sistemelor în
buclă închisă ţinând cont de erorile de modelare cuantificate în termenii
valorilor singulare. Această metodă este restricţionată la sistemele
descrise prin matrice de funcţii raţionale cu coeficienţi reali. O situaţie
mai generală va fi luată în consideraţie prin introducerea teoremei
amplificărilor mici în capitolul următor.
Diferenţa între model şi sistemul real poate fi reprezentată în
numeroase moduri. Cel mai simplu îl reprezintă eroarea aditivă absolută
G = G + ΔG
în care G este procesul nominal, G procesul real şi ΔG este o perturbaţie
aditivă.
Modelul erorii poate fi reprezentat şi în forma relativă sau
multiplicativă
G − G
G = ( I − Δ1 )G Δ1 =
G

72
Rămâne de discutat compararea controlerului suboptimal H∞ când
γ variază, în special când γ se apropie de norma infimală ce poate fi
atinsă, notată γ0. Deoarece teorema 5.3 dă condiţiile necesare şi suficiente
pentru existenţa unui controler admisibil astfel încât Tzw ∞ < γ , γ0 este
minimul peste toţi γ astfel încât condiţiile i) ÷ iii) sunt satisfăcute.
Teorema 5.3 nu dă o formulă explicită pentru γ0, dar ca şi în cazul
calculului normei H∞, aceasta poate fi calculată oricât de apropiat de γ0
folosind o tehnică de căutare. De obicei formulele de mai sus conduc
controlerul optimal H∞ când γ = γ 0 . Rezultate în acest sens au fost
furnizate de Limebeer şi Kasenally (1988) şi Doyle, Glover, Limebeer,
Kasenally (1990).
Dacă γ → ∞, H ∞ → H 2 , X ∞ → X 2 etc., şi deci K sub → K 2 .
Dacă γ 2 ≥ γ 1 > γ 0 atunci X ∞ (γ 1 ) ≥ X ∞ (γ 2 ) şi Y∞ (γ 1 ) ≥ Y∞ (γ 2 ) .
Deci X ∞ şi Y∞ sunt funcţii descrescătoare de γ, ca şi ρ ( X ∞Y∞ ) . La
γ = γ 0 orice din cele 3 condiţii ale teoremei 5.3 poate să nu aibă loc.
Teorema 5.4. Dacă condiţiile din teorema 5.3 sunt satisfăcute,
setul tuturor controlerelor admisibile astfel încât Tzw ∞ < γ echivalează
cu setul matricelor de transfer de la y la u în
⎡ Aˆ∞ # − Z ∞ L∞ Z ∞ B2 ⎤
u y ⎢ ⎥
" # " " ⎥
M∞ M ∞ (0) = ⎢
⎢F # 0 I ⎥
⎢ ∞ ⎥
Q ⎢⎣ −C2 # I 0 ⎥⎦

Unde Q ∈ \H ∞ , Q ∞
<γ .
Ca şi în cazul H2, controlerul suboptimal este parametrizat de o
transformare liniar fracţionară fixă cu un parametru liber Q. Dacă Q = 0
se obţine controlerul K sub ( s ) .

5.5. Probleme speciale

În această secţiune se vor discuta 4 probleme din care soluţiile


ieşirii din secţiunea anterioară vor fi construite via argument de separare.
99
z w Toate aceste probleme pleacă de la structura bloc
G standard, dar cu diferite structuri pentru G. Aceste
probleme sunt următoarele:
y u
FI: full information
K FC: full control
DF: disturbance feedforward
Fig. 5.2 OE: output estimation.

FC şi OE sunt probleme duale în mod natural ca şi FI şi DF.


Aceste probleme speciale nu sunt, strict vorbind, cazuri speciale ale
problemei cu reacţie, deoarece nu satisfac toate condiţiile impuse
anterior. Terminologia şi condiţiile vor fi discutate separat în parte
pentru fiecare problemă. În fiecare din cele 4 cazuri rezultatele sunt
prezentate pe scurt ca o listă de cinci chestiuni, după cum urmează (în
toate cazurile K trebuie să fie admisibil):
1) minimul lui Tzw 2 ;
2) controlerul unic ce minimizează Tzw 2 ;
3) familia de controlere astfel încât Tzw 2 < γ , unde γ este mai
mare decât norma minimă,
4) necesitatea şi suficienţa condiţiilor pentru existenţa unui
controler astfel încât Tzw ∞ < γ ;
5) familia controlerelor astfel încât Tzw ∞
<γ .
În toate cazurile punctul (3) conduce la parametrizarea lui Youla
pentru toate controlerele stabilizatoare, ca în teorema 5.2.

5.5.1. Problema cu informaţii complete

⎡ A # B1 B2 ⎤
⎢" # " " ⎥⎥

G ( s ) = ⎢ C1 # 0 D12 ⎥
⎢ ⎥
⎢⎡ I ⎤ ⎡0⎤ ⎡0⎤ ⎥
# ⎢ ⎥ ⎢ ⎥
⎢ ⎢⎣ 0 ⎥⎦ ⎣ I ⎦ ⎣ 0 ⎦ ⎥⎦

100
În această problemă controlerul este alimentat cu informaţii
⎡x⎤
complete deoarece y = ⎢ ⎥ . În cazul controlerului optimal H2 se
⎣ w⎦
utilizează doar x, cu w furnizând informaţie redendantă. Şi în cazul H∞
un controler H∞ suboptimal care există foloseşte doar x. Acesta este
cazul controlerului după stare, care este mai tradiţional, dar problema cu
informaţii complete rămâne una fundamentală.
Condiţiile relevante pentru problema FI care rezultă din problema
de control cu reacţie sunt:
i) ( A, B1 ) stabilizabilă şi (C1 , A) detectabilă;
ii) ( A, B2 ) stabilizabilă;
iii) D12' (C1 D12 ) = [ 0 I ] .
Pentru această problemă, stabilitatea internă nu este echivalentă cu
Tzw ∈ \H ∞ . Rezultatele pentru cazul cu informaţii complete sunt
următoarele:
= ( traceB1' X 2 B1 )
1/2
FI 1. min Tzw 2
= Gc B1 2

FI 2. K ( s ) = [ F2 0]
FI 3. K ( s ) = [ F2 Q( s ) ] unde Q( s ) ∈ \H 2 , Q 2 < γ 2 − Gc B1
2 2
2

FI 4. H ∞ ∈ dom( Ric ), Ric ( H ∞ ) ≥ 0


FI 5. K ( s ) = ⎡⎣ F∞ −Q ( s )γ −1 B1' X ∞ Q ( s ) ⎤⎦ unde Q ∈ \H ∞ , Q ∞
<γ .
Cele două condiţii din FI 4 pot avea fiecare interpretarea ei.
Condiţia H ∞ ∈ dom( Ric ) implică X ∞ := Ric ( H ∞ ) există şi K ( s ) = [ F∞ 0]
duce la Tzw de forma:
⎡ AF∞ # B1 ⎤
⎢ ⎥ AF∞ := A + B2 F∞
Tzw ⎢ " # "⎥
C1F∞ := C1 + D12 F∞ .
⎢C1F # 0 ⎥⎦
⎣ ∞
Condiţia ca X ∞ ≥ 0 este echivalentă cu aceea ca K să stabilizeze
Tzw .

5.5.2. Problema FC
101
⎡ A # B1 [ I 0]⎤
⎢ ⎥
⎢ " # " " ⎥
G ( s) =
⎢ C1 # 0 [ 0 I ]⎥
⎢ ⎥
⎣⎢C2 # D12 [ 0 0]⎦⎥
Problema este duală cu cea din cazul cu informaţii complete. G din
cazul cu informaţii complete este aceeaşi cu transpusa lui G din acest caz.
Termenul full control apare din cauză că în acest caz controlerul are
deplin acces la stări, cât şi la ieşirea z. Singura restricţie este aceea că
trebuie să funcţioneze cu măsurarea lui y. Condiţiile pentru problema FC
sunt şi ele duale cu cele impuse în cazul FI.
i) ( A, B1 ) este stabilizabilă şi (C1 , A) detectabilă;
ii) (C2 , A) este detectabilă;
⎡B ⎤ ⎡0⎤
iii) ⎢ 1 ⎥ D21' = ⎢ ⎥ .
⎣ D12 ⎦ ⎣I ⎦
Rezultatele din cazul FC sunt următoarele:
= ( traceC1Y2C1' )
1/2
FI 1. min Tzw 2
= C1G f
2

⎡L ⎤
FI 2. K ( s) = ⎢ 2 ⎥
⎣0⎦
⎡ L ⎤
FI 3. K ( s) = ⎢ 2 ⎥ cu Q( s) ∈ \H 2
⎣Q ( s ) ⎦
FI 4. J ∞ ∈ dom( Ric ), Ric ( J ∞ ) ≥ 0
⎡ L∞γ −1Y∞C1'Q( s ) ⎤
FI 5. K ( s ) = ⎢ ⎥ unde Q ∈ \H ∞ , Q ∞
<γ .
⎣ Q( s) ⎦

5.5.3. Problema disturbance feedforward (DF)

⎡A # B1 B2 ⎤
⎢" # " " ⎥⎥
G(s) = ⎢
⎢ C1 # 0 D12 ⎥
⎢ ⎥
⎣ C2 # I 0 ⎦

102
Această problemă are aceleaşi condiţii ca şi problema FI, dar
condiţia de stabilitate internă i) trebuie întărită prin ( A, B1 ) stabilizabilă
şi A − B1C2 stabilă. Cu aceste condiţii, stabilitatea internă este din nou
echivalentă cu Tzw ∈ \H ∞ .
Numele de disturbance feedforward este motivat de cazul special
C2 = 0 . În acest caz nu există feedback şi mărimea măsurată este exact
w. Feedbackul produs C2 ≠ 0 nu afectează norma obtenabilă atât timp cât
A − B1C2 este stabilă.
Ultima condiţia este echivalentǎ cu cea ca funcţia de transfer de la
w la y (G21 ) să nu aibă zerouri de transmisie în semiplanul drept şi nici
moduri instabile ascunse, astfel încât atât x cât şi w pot fi exprimate
funcţie de y (dacă u este cunoscut). Astfel problema DF este în esenţă
echivalentă cu FI, BF 1 şi DF 3 sunt acelaşi cu FI 1 şi FI 3, iar DF 2, DF
3 şi DF 5 pot fi obţinute din rezultatele corespunzătoare din problema FI.
Rezultatele problemei DF sunt:
⎡ A + B2 F2 − B1C2 # B1 ⎤
DF 2. K ( s ) = ⎢ """""" # "⎥ DF 1. min Tzw 2 = Gc B1 2
⎢ ⎥
⎢⎣ F2 # 0 ⎥⎦
DF 3. Setul tuturor matricelor de transfer de la y la u în
⎡ A + B2 F − B1C2 # B1 B2 ⎤
u y ⎢ " # " " ⎥⎥
M2 M 2 (s) = ⎢
⎢ F2 # 0 I ⎥
⎢ ⎥
Q ⎣ −C2 # I 0⎦
unde
Q ∈ \H 2 , Q 2 < γ 2 − Gc B1 2 .
2 2

DF 4. H ∞ ∈ dom( Ric ), Ric ( H ∞ ) ≥ 0


DF 5. Setul tuturor matricelor de transfer de la y la u în
⎡ A + B2 F∞ − B1C2 # B1 B2 ⎤
u y ⎢ " # " " ⎥⎥
M∞ M ∞ ( s) = ⎢
⎢ F∞ # 0 I ⎥
⎢ ⎥
⎣ −C2 − γ −1 B1 X ∞ # I
'
Q 0⎦
unde
103
Q ∈ \H ∞ , Q ∞
<γ .

5.5.4. Problema estimării ieşirii (output estimation – OE)

⎡ A # B1 B2 ⎤
⎢" # " " ⎥
G ( s) = ⎢ ⎥
⎢ C1 # 0 I ⎥
⎢ ⎥
⎣C2 # D12 0 ⎦
Această problemă este duală problemei DF ca şi FC şi FI. Deci
discuţia despre problema Df este relevantă în acest caz, ţinând cont de
această dualitate. Pentru problema OE se presupune:
i) ( A, B1 ) este stabilizabilă şi A − B2C1 stabilă;
ii) (C2 , A) este detectabilă;
⎡ B ⎤ ' ⎡0 ⎤
iii) ⎢ 1 ⎥ D21 = ⎢ ⎥.
⎣ D21 ⎦ ⎣I ⎦
i) şi iii) implică faptul că stabilitatea internă este din nou
echivalentă cu Tzw ∈ \H ∞ , ca în cazul feedbackului după ieşire. Evident
ii) este necesară pentru existenţa controlerelor stabilizatoare interne, dar
nu este necesară pentru a demonstra această echivalenţă. Deoarece se
utilizează în demonstraţia problemei feedbackului după ieşire, vom
enunţa următoarea lemă:
Lema 7. Să presupunem că i) şi iii) au loc. Atunci pentru problema
OE, K este admisibil dacă Tzw ∈ \H ∞ .
Ne vom concentra asupra problemei estimării restricţionate
deoarece aceasta este cea ce apare în rezolvarea problemei feedbackului
după ieşire. O problemă de estimare mai convenţională ar fi cazul
special în care se renunţă la cerinţa de stabilitate internă şi B2 = 0 .
Atunci problema ar deveni cea a estimării ieşirii z atunci când se cunosc
ieşirile măsurate y. Acest caz special motivează şi denumirea „output
estimation” şi se poate obţine imediat din rezultatele prezentate în
continuare. Rezultatele problemei OE sunt:
OE 1. min Tzw 2 = C1G f
2

104
⎡ A + L2C2 − B2C1 # L2 ⎤
OE 2. K ( s ) = ⎢ """""" # " ⎥
⎢ ⎥
⎢⎣ C1 # 0 ⎥⎦
DF 3. Setul tuturor matricelor de transfer de la y la u în
⎡ A + L2C2 − B2C1 # L2 − B2 ⎤
u y ⎢ " # " " ⎥⎥
M2 M 2 (s) = ⎢
⎢ C1 # 0 I ⎥
⎢ ⎥
Q ⎣ C2 # I 0 ⎦

unde
2
Q ∈ \H ∞ , Q 2 < γ 2 − C1G f
2
.
2

DF 4. J ∞ ∈ dom( Ric ), Ric ( J ∞ ) ≥ 0


DF 5. Setul tuturor matricelor de transfer de la y la u în

u y
M∞ ⎡ A + L∞ C2 − B2C1 # L∞ − B2 − γ −1Y∞C1' ⎤
⎢ ⎥
" # " "
M ∞ (s) = ⎢ ⎥
Q ⎢ C1 # 0 I ⎥
⎢ ⎥
⎣⎢ C2 # I 0 ⎦⎥

unde
Q ∈ \H ∞ , Q ∞
<γ .
Este interesant de comparat H ∞ şi H 2 în contextul problemei OE,
deşi, prin dualitate, esenţa acestor remarci a fost făcută deja. Ambele
estimatoare optimale sunt deseori cu factorul de amplificare determinat
de Ric ( J ∞ ) şi Ric ( J 2 ) . Estimarea optimală a ieşirii H 2 constă în
multiplicarea stării optimale cu C1 . Deci estimarea optimală H 2 depinde
numai trivial de ieşirea z care este estimată şi estimarea stării este
principala problemă. Prin contrast, problema estimării H ∞ depinde

105
explicit şi hotărâtor de semnalul de ieşire estimat. Aceasta are implicaţii
asupra proprietăţilor de separare ale controlerului după feedback H ∞ .

106
7.1. Introducere

În parte introductivă din capitolul 1 şi în subcapitolul 1.2 au fost


prezentate incertitudinile ce afectează acurateţea modelelor utilizate în
proiectarea sistemelor automate. Acestea includ zgomotul şi mǎrimile
perturbatoare care pot modifica suplimentar şi necontrolat mǎrimile de
calitate. Sistemele în buclă deschisă prezintǎ deci neajunsul unei precizii
scǎzute în contextul unor mǎrimi perturbatoare.
Reducerea sensibilităţii sistemului la acţiunea perturbaţiilor exogene
se obţine realizarea unor structuri în buclă închisă ca în Fig. 7.1.
Perturbaþii

r + ε u y
Regulator Parte fixata

Fig. 7.1.
Efectele benefice ale reacţiei negative au fost menţionate în
subcapitolul 1.2 şi acestea, pe scurt, sunt: filtrarea perturbaţiilor, creşterea
preciziei, reducerea efectelor neliniaritǎţilor nesemnificative şi creşterea
benzii de frecvenţǎ în care sistemul automat se comportǎ satisfǎcǎtor.
În controlul automat clasic, proiectarea regulatoarelor se face pe
127
baza unei informaţii numită „modelul procesului”. Această informaţie,
cum am menţionat şi în capitolul 1, poate avea forma unui sistem de
ecuaţii diferenţiale cu derivate parţiale sau poate fi, pur şi simplu,
factorul de amplificare şi durata regimului tranzitoriu determinate de un
operator. Acurateţea acestei informaţii variază, dar nu este niciodată
perfectă. Mai mult, comportamentul instalaţiei se poate schimba în timp
(datorită modificării fluxurilor de alimentare cu energie, modificării
activităţii catalitice, îmbătrânirii unor componente, etc.) şi aceste
schimbări sunt rareori surprinse în modele. Acestui model i se atribuie
proprietǎţi generice ce constituie ipoteze fundamentale de funcţionare ale
sistemelor automate convenţionale: modelul dinamic al procesului reglat
este liniar pe întreaga plajǎ de variaţie a semnalelor de intrare şi ieşire şi
structura şi parametrii modelului asociat procesului sunt cunoscute şi
invariante în timp.
În majoritatea cazurilor acestor ipoteze nu sunt valide, performanţele
reale obţinute pentru sistemul automat proiectat pe baza modelului liniar
asociat procesului fiind inacceptabile. Principala cauză este neglijarea
unor caracteristici comportamentale reale ale sistemului condus cum
sunt: comportare neliniarǎ a procesului, caracteristici de transfer ce
variazǎ în timp ca urmare a modificǎrii solicitǎrilor tehnologice,
productivitǎţii instalaţiei, calitǎţii materiei prime, acţiunea aleatoare a
perturbaţiilor de tip factori de mediu, dinamicǎ nemodelatǎ (erori de
modelare structuralǎ), parametrii ai procesului necunoscuţi sau incorect
determinaţi. Un sistem de reglare convenţional va reduce efectul
perturbaţiilor ce acţioneazǎ asupra variabilelor controlate, dar
performanţele sale dinamice vor varia sub efectul perturbaţiilor
parametrice.
Alternative pentru rezolvarea problemei conducerii în situaţiile
anterior menţionate sunt: controlul neliniar, controlul robust şi controlul
adaptiv.
Tehnicile de conducere adaptivǎ pot fi folosite şi în cazul unor
sisteme complexe, în prezenţa unor modificǎri extreme în parametrii
sistemului şi ale semnalelor de intrare.
Inceputurile controlului adaptiv datează din anul 1951. Problema ce
se dorea rezolvată consta într-un sistem de control care să poată optimiza
performanţele unui motor cu ardere internǎ în prezenţa incertitudinilor în
caracteristicile de funcţionare. Acest tip de control, care cautǎ automat un
punct de funcţionare optim, este proiectat ca un control optimizat.

128
Termenul “adaptiv” a fost utilizat în literatura de specialitate în
1954. În 1955 Benner şi Drenick au prezentat un sistem de control cu
caracteristici “adaptive” [...].
Whitaker şi colectivul în 1958 [..] care au folosit un model de
referinţǎ pentru a obţine semnalul de eroare între comportarea realǎ şi cea
doritǎ. Acest semnal de eroare a fost utilizat de un mecanism de ajustare
destinat modificǎrii parametrilor regulatorului pentru atingerea
comportǎrii ideale descrisǎ de modelul de referinţǎ. Astfel de sisteme
sunt referite în prezent drept sisteme de control adaptiv cu model de
referinţǎ.
În 1960 Li şi van der Velde [..] au considerat un alt tip de sisteme de
control adaptiv, bazat pe compensarea automatǎ a incertitudinilor
parametrice, compensare introdusǎ de ciclul limitǎ în bucla de control
(sisteme adaptive autooscilante).
În 1963 Petrov şi colaboratorii prezintǎ o nouǎ abordare pentru
sistemele adaptive, structuri bazate pe invarianţa traiectoriei sistemului
în raport cu valorile parametrilor atunci când intrarea de control este
generatǎ de o funcţie de comutare şi un releu (sisteme cu structurǎ
variabilǎ).
În 1960-1961 Bellman în S.U.A şi Feldbaum în U.R.S.S. au publicat
unele lucrǎri cu privire la aplicarea conceptelor de programare dinamicǎ
în proiectarea regulatoarelor pentru sistemele cu incertitudini
probabilistice. Existenţa a două semnale de intrare, semnal de identificare
(estimare a parametrilor) şi semnal de comandǎ (control), conduce la
termenul de control dual.
Astrom şi Wittenmark (1973) [..] au conceput o altă formă de control
adaptiv, regulatoarele autoacordabile (self-tuning regulators - STR).
Lucrarea a condus la o creştere a interesului pentru dezvoltarea de noi
versiuni ale STR şi explorarea unei mari varietǎţi de aplicaţii, conducând
la regulatoarele autoacordabile produse industrial în prezent. În anii care
au urmat alţi cercetători au dezvoltat ideea precedentǎ pentru a
implementa o varietate mai mare de obiective de performanţǎ (Clarke şi
Gawthrop, 1975,1977, Grimble,1982, Peterka, 1984).
Primul controler adaptiv industrial a apǎrut pe piaţǎ în 1981 având
posibilitatea de optimizare continuǎ a constantelor unui regulator tipizat
PID. În 1987 aproximativ 15 companii ofereau deja controlere
autoacordabile sau adaptive pentru procese industriale. Deoarece
hardware-ul a devenit tot mai ieftin cercetǎtorii şi inginerii de control au

129
avut posibilitatea sǎ-şi dezvolte propriul software pentru controlerele
adaptive.

7.2. Clasificare

Există unele soluţii de control precursoare soluţiilor de control


adaptiv propriu-zise.
O soluţie de rezolvare parţialǎ a problemei perturbaţiei parametrice
o constituie controlul cu amplificare mare, ce conduce la structura de
reglare cu douǎ grade de libertate din Fig. 7.2.
uc ym
y
Model Regulator Parte fixata

Fig. 7.2

Se asigurǎ prin proiectare o amplificare mare a buclei de reglare


astfel încât mǎrimea y va urmǎri referinţa ym, furnizatǎ de model, într-o
anumitǎ bandǎ de frecvenţǎ ωB dependentǎ de dinamica procesului. Dacǎ
banda de frecvenţǎ a modelului este mai micǎ decât ωB atunci ieşirea y
va rǎspunde satisfǎcǎtor la comanda uc, filtratǎ de model, chiar dacǎ
parametrii procesului variazǎ. În acest caz proiectarea regulatorului şi
alegerea modelului trebuie făcută astfel încât sǎ se asigure, în primul
rând, stabilitatea şi sǎ se menţinǎ performanţele chiar dacǎ parametrii
procesului sunt variabili în timp.
Sistemele autooscilante bazate pe regulator autoacordabil (auto-
tuning regulators sau self-tuning regulators) au, în principiu, aceeaşi
structurǎ ca cea prezentatǎ anterior. Banda de trecere este însǎ ajustatǎ
automat astfel încât sǎ fie cât mai mare posibil. Structurǎ unui sistem de
control de acest tip este prezentatǎ în Fig. 7.3.

Model Lead-lag Parte fixata

Releau

Fig. 7.3.

Amplificarea mare este menţinutǎ prin introducerea unui releu în


buclǎ ce creazǎ oscilaţii ciclice limitǎ, astfel încât pentru frecvenţele mult

130
mai mici decât cele ale ciclului limitǎ marginea de amplitudine sǎ fie
aproximativ 2. Amplitudinea oscilaţiilor poate fi modificatǎ prin
schimbarea amplitudinii caracteristicii releului, iar frecvenţa ciclului
limitǎ este influenţatǎ de filtrul de tip avans-întârziere. Efortul de calcul
pentru determinarea parametrilor optimi de setare rezultă suficient de
mare. Un regulator cu parametri constanţi poate funcţiona bine numai
într-o anumitǎ plajǎ a condiţiilor de operare. În afara acestei plaje
compensarea este necorespunzǎtoare şi deci performanţele se degradeazǎ
fiind necesara o nouă faza de autoacordare.
O altă soluţie o reprezintă reglarea cu câştig planificat, aceasta fiind
o soluţie de adaptare parametricǎ în circuit deschis bazatǎ pe
monitorizarea condiţiilor de operare ale procesului. În funcţie de acestea
este ales un set de valori ale parametrilor legii de reglare dintr-o bazǎ de
date. Tehnicǎ de reglare are un caracter ad-hoc şi conduce la structura
sistemului de reglare cu câştig planificat din Fig. 7.4.
Factori
de mediu
Perturbaþii

Parametrii
planificaþi

r y
+ u
Regulator Parte fixata
-

Fig. 7.4.

Această tehnică de adaptare, cu planificarea câştigului, se bazează pe


presupunerea că mǎrimile exogene (referinţǎ, perturbaţii, factori de
mediu) ce determinǎ perturbǎri parametrice ale procesului sunt accesibile
mǎsurǎrii. Dificultatea metodei constă în necesitatea planificǎrii
prealabile a parametrilor de acord ai legii de reglare, sub forma unor
seturi de valori acoperitoare pentru orice context plauzibil de funcţionare
a instalaţiei şi de utilizarea unor traductoare suplimentare.
O altă categorie o reprezintă tehnicile de comandǎ adaptivǎ propriu-
zisǎ. Acestea au aplicabilitate în controlul sistemelor pentru care
modificǎrile extreme în parametri şi/sau intrǎri sau fluctuaţiile aleatoare
ce au loc în cadrul sistemului sunt nemǎsurabile. Creşterea complexităţii
schemei de control este de dorit numai dacǎ îmbunǎtǎţirea performanţelor
este obligatorie, iar costurile implicate de creşterea complexităţii sunt

131
justificabile.
Existǎ diferite tipuri de scheme destinate asigurǎrii de performanţe
acceptabile când parametrii procesului sunt necunoscuţi sau varianţi în
timp, cum sunt cele prezentate anterior, dar numai acelea ce posedǎ o
buclǎ de reacţie asupra mǎsurii performanţei sunt scheme de reglare
adaptivǎ propriu-zise. De exemplu, sistemele ce utilizeazǎ regulatoare cu
câştig planificat, ilustrate în fig. 7.4, intră în categoria sistemelor de
comandǎ adaptive în buclǎ deschisǎ. Astfel de scheme pot să nu conducă
la succes şi performanţele se pot diminua semnificativ dacǎ relaţiile
dintre datele mǎsurate anterior şi parametrii procesului se modificǎ.
Reacţia negativǎ, utilizatǎ în sistemele de reglare convenţionale,
reduce efectul perturbaţiilor ce acţioneazǎ asupra mǎrimilor controlate.
Pentru aceasta sunt mǎsurate mărimile de calitate, sunt comparate cu
valorile impuse, iar diferenţele sunt apoi aplicate la intrarea regulatorului
care elaboreazǎ comanda. O abordare asemǎnǎtoare poate fi consideratǎ
pentru problema ce priveşte menţinerea performanţelor dorite ale unui
sistem de comandǎ în prezenţa perturbaţiilor parametrice.
Trebuie deci definit un indice de performanţǎ (I.P.) al sistemului care
este mǎsura performanţelor sale. Acest indice este apoi mǎsurat şi
comparat cu I.P. dorit, iar diferenţa celor cei doi indici, cel dorit şi cel
mǎsurat, este tratatǎ de un mecanism de adaptare. Ieşirea acestuia va
acţiona asupra parametrilor regulatorului sau asupra semnalului de
comandǎ pentru a modifica performanţele sistemului în sensul dorit. Ne
von ghida după următoarea definiţie pentru un sistem adaptiv:
Un sistem adaptiv mǎsoarǎ un anumit indice de performanţe (I.P.)
folosind intrǎrile, stǎrile şi ieşirile unui sistem ajustabil. Din compararea
valorilor IP-ului mǎsurat cu cele ale unui set dat, mecanismul de adaptare
modificǎ parametrii sistemului ajustabil sau genereazǎ o intrare auxiliarǎ
pentru a menţine valorile IP cât mai aproape de cele ale setului dat.
Schema bloc structurală corespunzătoare definiţiei este prezentată în
Fig. 7.5. Blocul Sistem ajustabil este un sistem ale cǎrui performanţe pot
fi modificate fie ajustând parametrii sǎi (de ex. structura sa internǎ) fie
modificând semnalele proprii de intrare. Blocul Mǎsurarea IP calculează
valoarea indicelui de performanţă. Indicele de performanţǎ poate fi static
(de ex. randamentul), parametric (ex.factor de amortizare), o funcţionalǎ
a variabilelor de intrare şi stare (de ex criteriul liniar pǎtratic) sau
dinamic (de ex. forma rǎspunsului în domeniul timp). Indicele de
performanţa poate fi evaluat şi indirect, de exemplu, prin identificarea

132
on-line a parametrilor dinamici ai sistemului. Blocul de comparare şi
decizie are rolul de a comparǎ setul IP dorit cu cel al IP-ului mǎsurat şi
apoi decide dacǎ valorile mǎsurate sunt în limite acceptabile. Dacă se
constată depăşirea acestor limite, prin acest bloc este comandat blocul
Mecanism de adaptare pentru a acţiona în sensul modificării
performanţelor sistemului, fie prin modificarea parametrilor sistemului
ajustabil, fie prin modificarea semnalului de intrare.
Perturbaþii Perturbaþii
necunoscute cunoscute

Intrãri
Sistem ajustabil

Mecanism Mãsurare
adaptare IP

Set IP dorit Comparare


&
decizie
Fig. 7.5.

Nu este întotdeauna posibil ca un sistem adaptiv sǎ fie structurat


în cele trei blocuri distincte ca în Fig. 7.5. Un sistem de conducere
adaptivǎ conţine în afara unei bucle de comandǎ cu reacţie având un
regulator cu parametri ajustabili, o buclǎ suplimentarǎ care acţioneazǎ
asupra parametrilor regulatorului, în scopul menţinerii performanţelor
sistemului în prezenţa variaţiilor parametrice ale procesului. Aceastǎ
buclǎ suplimentarǎ are de asemenea o structurǎ de reacţie negativǎ în
care variabila controlatǎ este indicele de performanţǎ al sistemului de
comandǎ propriu-zis. Chiar dacǎ procesul controlat este un sistem liniar
cu parametri necunoscuţi, sistemele de conducere adaptivǎ sunt sisteme
neliniare, deoarece parametrii regulatorului depind de variabilele
procesului ce traverseazǎ mecanismul de adaptare.
Pentru domeniul controlului adaptiv au fost propuse câteva definiţii.
Unii termeni cum ar fi “adaptiv”, “instruire”, “auto-organizare”, “auto-
acordare”, “optimizare” şi “auto-optimizare” au fost introduşi de diferiţi
cercetǎtori în acest domeniu. O definiţie precisǎ este destul de dificil de
dat datoritǎ mai multor forme de incertitudini prezente în sistem precum
şi datoritǎ diferitelor metodologii implicate în abordarea acestei situaţii.
133
Revenind la clasificarea sistemelor adaptive, cele mai multe sisteme
de control adaptiv pot fi clasificate în douǎ mari grupe: controlere
adaptive cu compensare directǎ (feedforward) şi controlere adaptive cu
reacţie (feedback).
Schemele deja menţionate, de tip câştig planificat, prezentate în fig.
7.4., fac parte din prima categorie. Acest tip de control adaptiv prezintă
avantajul unei reacţii rapide a sistemului la schimbǎrile procesului, fapt
explicabil prin faptul cǎ se presupune cunoscutǎ în avans comportarea
sistemului în diferitele puncte de funcţionare şi deci nu este necesară
mǎsurarea indicelui de performanţǎ. Din cea de-a doua grupǎ fac parte
sistemele de control prezentate în fig. 7.5. Esenţial pentru sistemele
adaptive cu reacţie este faptul că acestea sunt constituite din douǎ bucle
fundamentale ce pot avea douǎ scale de timp diferite: bucla interioarǎ,
clasicǎ în controlul automat convenţional, formatǎ din procesul condus şi
regulatorul de performanţe şi bucla exterioarǎ, ce poate fi mai lentǎ, care
implementeazǎ mecanismul de adaptare a structurii şi/sau parametrilor
regulatorului, în scopul menţinerii indicelui de performanţǎ impus.
Sistemele de control adaptiv cu reacţie pot fi realizate în mai multe
variante. Ele pot fi clasificate dupǎ mai multe criterii, rezultând diverse
categorii. Clasificarea poate fi făcută în funcţie de următoarele crirerii
[F]:
a) Mecanismul de adaptare
- sisteme adaptive cu sinteza semnalului;
- sisteme adaptive cu parametrii ajustabili;
b) Condiţiile de operare : sisteme deterministe, sisteme stohastice,
sisteme instruibile;
c) Natura ecuaţiilor matematice de bazǎ utilizate: sisteme liniare,
sisteme cu parametrii distribuiţi, sisteme continue în timp, sisteme
discrete în timp, sisteme hibride (adaptarea este de naturǎ discretǎ,
modelul sistemul condus este continuu);
d) Indicele de performanţǎ specificat: static (randamentul), dinamic
(forma rǎspunsului), parametric (factorul de amortizare), o
funcţionalǎ a variabilelor de intrare şi stare (criteriul liniar pǎtratic);
e) Natura blocului de comparaţie-decizie:
- scǎzǎtor, când IP dat este specificat în mod unic şi poate fi
reprezenta printr-un semnal cert ;
- extremal, când IP este maximizat sau minimizat;
- aparţinând unui anumit domeniu de valori, când se doreşte ca

134
parametrul să fie menţinut în interiorul unui interval.
f) Natura incertitudinilor:
- incertitudini parametrice,
- incertitudini structurale,
- incertitudini invariante în timp,
- incertitudini variante în timp.
Fig. 7.6 prezintă o altă clasificare, din punct de vedere al dualităţii
sistemelor adaptive.
Metodele de control adaptiv sunt astfel clasificate în douǎ mari
categorii, adaptive duale (active) şi adaptive neduale (pasive), după cum
informaţia disponibilǎ este utilizatǎ în procesul de calcul a semnalului de
control.
Din punct de vedere al instruirii asupra parametrilor variabili,
informaţia suplimentarǎ devine disponibilǎ accidental, prin acţiunile de
control anterioare, sau ca rezultat al experimentǎrii (cercetǎrii) active. Un
controler adaptiv activ (dual) utilizeazǎ, în plus faţǎ de informaţia
disponibilǎ în timp real, informaţia potrivit cǎreia viitoarele date vor
determina propria adaptare sau instruire. Aceasta se face printr-o
anticipare a modului în care estimaţiile viitoare vor fi benefice
controlului. Controlerele adaptive pasive (neduale) minimizeazǎ un
criteriu de performanţă ţinând cont numai valorile curente şi trecute ale
semnalelor din bucla de control, şi informaţia curentǎ despre proces.
Sisteme de control
adaptive

Controlere adaptive Controlere adaptive


non-duale duale

Controlere adaptive cu Controlere adaptive cu Controlere duale Controlere duale


model de referinţă -MRAC identificare model -MIAC suboptimale optimale

MRAC cu MRAC cu Controlere Controlere


gradient stabilitate
bazate pe
cu adaptare principiul
optimizat optimizatã prudentã echiv.certe

Controlere adaptive Controlere adaptive


parametrice neparametrice

Controlere adaptive Controlere adaptive


cu parametri impliciţi cu parametri expliciţi

Fig.7.6.
135
Controlerele adaptive duale suboptimale optimizează numai criteriul
de performanţǎ. Incertitudinile estimaţiilor pot fi reduse prin adǎugarea
unei excitaţii suplimentare sub forma unui semnal de test ce se adǎugă la
semnalul de intrare al procesului. Aceasta duce la un proces de instruire
activǎ, dar conduce la o deteriorare a performanţelor de control pentru o
anumită durată de timp.
Clasa sistemelor adaptive cu model de referinţǎ (Model Reference
Adaptive Control - MRAC) conţine sistemele proiectate pentru obţinerea
unor performanţe ale rǎspunsului în buclǎ închisǎ cât mai apropiate de
cele date de modelul de referinţǎ (indicele de performanţǎ în acest caz).
Există trei abordări de bază în analiza şi sinteza MRAS: metode de
gradient, metode bazate pe funcţii Lyapunov (sau metode global stabile
(Isermann, 1991)) şi metode bazate pe teoria pasivităţii. Aceste sisteme
vor fi detaliate intr-un capitol următor şi au schema bloc structurală din
fig. 7.7.

Model de yM(t)
referinţă

Mecanism de e(t)
adaptare
θR

w(t) u(t) y(t)


Regulator Proces
-

Fig. 7.7.
Se poate defini un criteriu de performanţă pentru minimizarea
semnalului de eroare, e(t), ce poate fi optimizat. Minimizarea, împreunǎ
cu considerarea posibilelor restricţii şi a cerinţelor suplimentare
genereazǎ algoritmul necesar de adaptare, rezultând astfel un sistem
adaptiv care este neliniar şi variant în timp. O caracteristicǎ comunǎ
acestor structuri o reprezintǎ viteza mare de adaptare la semnalele de
intrare definite precum şi tratarea problemei stabilitǎţii cu ajutorul teoriei
sistemelor neliniare. Atunci când se utilizeazǎ un model de referinţǎ sau
model etalon, cu parametri constanţi, sistemul de control adaptiv se va
comporta foarte asemǎnǎtor ca modelul de referinţǎ. Trebuie menţionat
136
că în astfel de sisteme bucla de adaptare lucreazǎ numai dacǎ existǎ
modificǎri în semnalul de referinţǎ şi incertitudinile de tip perturbaţii şi
zgomot pot afecta semnalul de ieşire.
O altă clasă, conform Fig. 7.6, o constituie controlerele adaptive cu
identificarea modelului (Model Identification Adaptive Systems –MIAC)
Acestea mai sunt numite controlere cu autooptimizare sau controlere cu
auto-acordare. Astfel de regulatoare asigurǎ trei funcţii de bazǎ: achiziţia
informaţiei despre proces, optimizarea criteriului de performanţă şi
modificarea parametrilor regulatorului. Şi această clasă de sisteme
adaptive va face obiectul unei tratări detaliate într-un capitol următor.
O structurǎ de control de tip MIAC este prezentatǎ în Fig.7.8 Achiziţia
informaţiilor despre proces presupune identificarea şi estimarea
modelului procesului (inclusiv estimarea stǎrilor cu ajutorul unor metode
deterministe sau stochastice), precum şi estimarea semnalelor
nemǎsurabile. Sistemele adaptive din această clasă pot fi proiectate în
diverse moduri, în funcţie de mecanismul de adaptare: metoda de
estimare şi metoda de proiectare a regulatorului. Parametrii regulatorului
sunt calculaţi folosindu-se estimaţiile modelului. Algoritmii utilizaţi
pentru identificare şi proiectare regulator sunt executaţi în buclǎ închisǎ ,
on-line. Blocul Proiectare regulator din Fig. 7.8 este blocul de proiectare
on-line pentru un sistem cu parametrii cunoscuţi. Structura de control
permite ca modelul procesului şi procedura de proiectare să fie
actualizate la fiecare perioadǎ de eşantionare a buclei externe.

Model proces

Optimizare Proiectare regulator Identificare on-line


criteriu performanþã
Parametri regulator - θ

w(t) y(t)
Regulator Proces
- u(t)

Fig.7.8
Aceste structuri se bazeazǎ pe principiul invarianţei structurale.
Conform acestuia, „pentru toate valorile posibile ale parametrilor
137
procesului se presupune cǎ existǎ un regulator de structurǎ datǎ ce poate
asigura realizarea performanţelor dorite. Rolul buclei de adaptare este
limitat numai la gǎsirea valorilor parametrilor acestui regulator în fiecare
caz, adică alegerea regulatorului dintr-o clasǎ datǎ”.
Cele mai multe strategii de proiectare a acestor controlere adaptive se
bazeazǎ, de asemenea, şi pe principiul separabilitǎţii şi al echivalenţei
certe, ce vor fi expuse în continuare.
Metodologia de proiectare a unui controler adaptiv prudent foloseşte
principiul separabilitǎţii, însǎ procedura de proiectare a regulatorului ţine
cont de posibilele incertitudini ale estimaţiilor, adică nu se aplicǎ
principiul certei echivalenţei. Astfel, în cazul unor incertitudini de
estimare, controlerul elaboreazǎ o comandǎ spre proces sub forma unor
valori mai mici ale semnalului de intrare. Totuşi, valorile mai mici ale
semnalelor de intrare ale procesului pot conduce la estimaţii mai proaste
iar acestea produc valori şi mai mici ale variabilelor estimate. Aceastǎ
reacţie pozitivǎ conduce la posibilitatea de “anihilare” a buclei de
control.
Controlerele adaptive neparametrice se bazează pe o procedură de
identificare ce utilizează un model neparametric al procesului. Prin
reparametrizarea modelului procesului, este adus modelul identificat sǎ
poatǎ fi exprimat în termenii parametrilor regulatorului (Fig. 7.9).

Parametri regulator - θ Identificare on-line

w(t)
Regulator
Proces
- u(t) y(t)

Fig. 7.9
Fiind eliminate etapele solicitate de rutinele de proiectare a legii de
reglare, volumul de calcul se reduce considerabil, dar analiza
proprietǎţilor de convergenţǎ şi stabilitate a sistemului automat este mai
dificilǎ.
Schema de mai sus se numeşte structurǎ adaptivǎ autoacordabilǎ
directǎ (parametrii regulatorului sunt generaţi direct) sau structurǎ
138
adaptivǎ autoacordabilǎ implicitǎ (modelul procesului reparametrizat se
regǎseşte implicit în ecuaţiile de proiectare a regulatorului). Din aceleaşi
considerente schema prezentatǎ în Fig.7.8 se numeşte structurǎ adaptivǎ
autoacordabilǎ indirectǎ.
Deci în schemele de conducere adaptive directe parametrii
regulatorului sunt direct ajustaţi în timp real plecându-se de la mǎsura
erorii performanţelor, în timp ce în schemele de comandǎ adaptive
indirecte ajustarea parametrilor regulatorului se realizeazǎ în douǎ etape:
a. estimarea parametrilor modelului procesului;
b. calculul parametrilor regulatorului plecându-se de la parametrii
estimaţi ai procesului.
Domeniul de aplicare al schemelor de conducere adaptive directe
este mai restrâns decât al celui al sistemelor de conducere adaptivǎ
indirectǎ. Acesta datorită apariţiei unor restricţii ce sunt datorate unui
numǎr de proprietǎţi pe care modelele procesului trebuie sǎ le verifice
(faza minimǎ, cunoaşterea timpului mort).
Diferenţa dintre un sistem de control adaptiv şi un sistem de control
cu autoacordare constă în principal în faptul că sistemele de control
adaptiv sunt utilizate pentru conducerea unui proces variant în timp,
parametrii regulatorului fiind actualizaţi continuu, iar sistemele de
control cu autoacordare sunt utilizate pentru conducerea unui proces cu
parametri constanţi, dar iniţial necunoscuţi, parametrii regulatorului fiind
stabiliţi automat. Sistemele de control cu autoacordare folosesc aceleaşi
principii ca şi sistemele de control adaptiv. Sistemele de control cu
autoacordare sunt folosite pentru acordarea parametrilor regulatorului în
faza procedurii de pornire, dupǎ care bucla de control funcţioneazǎ cu un
regulator cu parametri constanţi.
Sistemele de tip MRAC pot fi utilizate atât pentru conducerea
proceselor continue cât şi pentru conducerea proceselor discrete, în timp
ce STR implicǎ numai sisteme discrete în timp. Sistemele MRAC sunt
cel mai adesea folosite în conducerea sistemelor deterministe (continue
sau discrete) în timp ce STR au fost fundamentate pentru domeniul
stohastic.

7.3. Principiul separabilităţii şi al certei echivalenţe

Un semnal de control are efect dual atunci când efectul sǎu asupra

139
stǎrii sistemului afecteazǎ şi incertitudinea stǎrii acestuia, ceea ce
însemnă că valorile comenzii curente pot afecta incertitudinea stǎrii
viitoare. Dacǎ această incertitudine nu poate fi afectată, se spune cǎ
sistemul este neutru (pasiv/nedual). Cu alte cuvinte, sistemul de control
^
este neutru dacǎ rata de reducere a incertitudinii asupra stǎrii x este
independentǎ de controlul u.
Într-un astfel de sistem este posibilǎ separarea pǎrţii de control a
sistemului de cea de estimare a procesului. În plus, controlerul depinde
numai de istoria trecutǎ a sistemului (adicǎ stǎrile şi comenzile trecute şi
nu de cele viitoare) şi este deci implementabil (cauzal).

Principiul separabilităţii
Elaborarea comenzii în cadrul buclei de reglare propriu-zise se face
fǎrǎ a lua în considerare acurateţea mecanismului de ajustare. Deci se
presupune cǎ algoritmul de reglare este optim acordat în orice moment
conform specificaţiilor de operare. Bucla de ajustare prelucreazǎ
variabilele de proces nefiind influenţatǎ de calitatea reglǎrii (adicǎ de
performanţele obţinute în bucla de reglare). Acest principiu conferă
independenţa funcţionalǎ acelor bucle şi dă posibilitatea analizei
calitative separate a celor două mecanisme, de reglare şi de ajustare.
În unele lucrări, această proprietate de separabilitate este numită
drept teorema separaţiei. Conform unei versiuni a teoremei separaţiei,
problema controlului stohastic este separabilǎ dacǎ informaţia necesarǎ a
fi transmisǎ este numai un punct estimat x al stǎrii curente, nefiind cerutǎ
vreo informaţie asupra preciziei.
Acest principiu al separabilitǎţii a determinat un numǎr de cercetǎtori
sǎ aproximeze soluţia unor probleme “neneutrale” generale cu ajutorul
teoremei separaţiei. Plecându-se de la acest principiul al separabilitǎţii,
pentru proiectarea legii de reglare sunt posibile douǎ abordǎri, prima
bazată pe principiul echivalenţei certe, iar ce-a de-a doua bazată pe
principiul controlului prudent.
Principiul certei echivalenţe
Pe parcursul procesului de adaptare se elaboreazǎ un model sintetic
liniar, ce reflectǎ local (temporal şi în planul condiţiilor de operare)
dinamica procesului. Altfel spus se porneşte de la premisa că parametrii
modelului estimat sunt parametrii adevăraţi ai sistemului.
Principiul echivalenţei certe are justificare teoretică dacă parametrii
procesului sunt cunoscuţi şi trebuie estimate variabilele de stare ale
140
procesului liniar. Pentru parametrii stohastici necunoscuţi (estimarea
perturbaţiilor nemǎsurabile) principiul echivalenţei certe este teoretic
încǎ valabil numai dacǎ parametrii sunt statistic independenţi. Pentru
controlul adaptiv stohastic acest principiu nu este satisfǎcut în general. El
este utilizat uneori ca un principiu de proiectare ad-hoc. În această
situaţie, semnalul de control, numit semnal neutru, ce reprezintă comanda
elaborată de sistemul adaptiv neutru, are o singură componentă, cea
elaborată de regulatorul proiectat pe principiul certei echivalenţe.
Principiul controlului prudent
Controlerul trebuie sǎ fie “prudent” În prezenţa incertitudinilor,
adică sǎ nu creascǎ efectul incertitudinilor pentru a nu micşora precizia
de estimare.
Prudenţa se manifestă printr-o componentǎ din semnalul de control
care ţine cont de faptul cǎ erorile în estimaţiile parametrilor pot cauza
deviaţii în semnalul de control. Aceastǎ componentǎ este o funcţie de
parametrii estimaţi şi precizia lor.
Fie u* mărimea de control optimal şi uc controlul echivalent cert şi
un control ipotetic un, numit control neutru. Ultimul reprezintǎ comanda
care va fi optimalǎ dacǎ toate interacţiunile dintre controlul curent şi
viitoarele incertitudini au fost ignorate. Se defineşte controlul prudent ca
diferenţǎ între controlul neutru şi controlul echivalent cert, adicǎ up=un-
uc.
Cercetare şi instruire activǎ
Pentru îmbunǎtaţirea estimaţiilor parametrilor incerţi injecta un
semnal optimal în proces (semnal de test). Acest semnal poate ajuta în
estimare prin descreşterea incertitudinii stǎrii când este prezent efectul
dual. Semnalul de control care ia în considerare observaţiile viitoare are
capacitatea de cercetare şi instruire activǎ. În funcţie de semnalul de
control neutru, semnalul de control optimal are expresia u*= un+ ut.
Ţinând cont că un= uc + up, rezultă că semnalul de control dual are
de fapt trei componente, controlul echivalent cert, controlul prudent şi
instruirea activă: u*=uc+up+ut.
Cele două concepte, prudenţa şi cercetarea, nu pot fi în general
evaluate pentru probleme neliniar-pǎtratice gaussiene.
Fie un proces discret neliniar reprezentat prin ecuaţiile:
x(k+1)=F1[k, x(k),u(k),v1(k)] (7.1)
yp(k)=F2[k, x(k),v2(k)] (7.2)
unde am notat cu x starea sistemului, cu u mărimea de comandă, cu y
141
ieşirea şi cu v1 perturbaţiile, şi indicele de performanţǎ ce trebuie
minimizat definit prin:
k2
J (k1 ) = ∑ H [k , x(k + 1), u (k )]
k = k1
(7.3)

Deşi condiţiile necesare şi suficiente pentru ca sistemul descris sǎ fie


neutru sau separabil sau echivalent cert nu sunt cunoscute, totuşi
sistemele liniar pǎtratice gaussiene au însă toate aceste trei proprietǎţi.
Câteva condiţii suficiente pentru fiecare dintre aceste trei proprietǎţi
sunt date în literaturǎ:
1. Un sistem este neutru dacǎ funcţiile F sunt liniare.
2. Un sistem este separabil dacǎ, în plus faţǎ de contiţia 1., toate
variabilele aleatoare (v1,v2) sunt gaussiene.
3. Un sistem este cert echivalent dacǎ, în plus faţǎ de condiţia 2.,
funcţia H este pǎtraticǎ.
4. Sistemul este neutru şi separabil când ec.(7.1) poate fi scrisǎ în
forma liniarǎ. Mărimea de control u este inclusă în acest caz ca un termen
aditiv neliniar. Această situaţie apare când comanda |u| este limitatǎ.
Se observă cǎ liniaritatea constituie o parte importantǎ a condiţiilor
enunţate mai sus. Dar sistemele de controlul adaptiv au caracter neliniar
(nu satisfac condiţiile suficiente anterioare) şi deci nu posedǎ vreo astfel
de proprietate. Deci pot exista interacţiuni între bucla de adaptare şi cea
de control şi trebuie ţinut cont de acestea când se dezvoltǎ algoritmi
adaptivi.

7.4. Problematica sistemelor de conducere adaptivǎ

Unul din motivele declarate ale introducerii la scară industrială a


controlului adaptiv l-a constituit faptul că erorile umane faza de acordare
a regulatoarelor pot conduce la un spor de productivitate atât de redus
încât nu se fustifică costul instalaţiilor de automatizare. Conducerea
adaptivǎ îmbunǎtǎţeşte performanţele şi eficienţa economicǎ în
exploatarea sistemelor industriale din două motive: deoarece controleazǎ
procesul tehnologic conform specificaţiilor prescrise, adaptându-se la
variaţii ale dinamicii procesului şi -necesitǎ supravegere minimǎ din
partea operatorului tehnologic şi solicitǎ un nivel redus de calificare al
acestuia.
Totuşi complexitatea soluţiilor de reglare şi costurile ridicate de
142
implementare au făcut ca aplicarea la scarǎ industrialǎ a mecanismelor de
reglare adaptivǎ să fie redusă, în ciuda eficienţei sporite.
În procesul de sintezǎ a regulatoarelor adaptive trebuie avute în
vedere urmǎtoarele aspecte: stabilitatea sistemului în buclǎ închisǎ,
convergenţa soluţiilor cǎtre soluţiile optimale şi realizabilitatea
algoritmilor.
Problema stabilităţii sistemelor este o problemă fundamentală,
inclusiv pentru sistemele adaptive. Pentru studiul stabilitǎţii sistemelor
adaptive sunt folosite rezultate ale teoriei Liapunov, ale teoriei
hiperstabilitǎţii sau ale teoriei pasivitǎţii, datorită faptului ca acestea sunt
sisteme neliniare.
Având în vedere cǎ majoritatea algoritmilor implicaţi în
mecanismele adaptive sunt de tip recursiv, sistemul automat va avea
comportarea dorită prin garantarea suplimentarǎ a unor proprietǎţi de
convergenţǎ a soluţiilor. Analiza convergenţei acestora se referǎ atât la
testarea existenţei valorii de convergenţǎ şi la analiza ratei de
convergenţǎ. Aceastǎ cerinţǎ este dublată de aceea a consistenţei
soluţiilor, adicǎ a convergenţei estimaţiilor parametrice spre valorile
adevǎrate. Acest lucru necesitǎ satisfacerea unor condiţii de excitaţie
persistentǎ şi identificabilitate a sistemului în buclǎ închisǎ. Convergenţa
soluţiilor cǎtre valorile optime presupune utilizarea unor mecanisme de
adaptare care garanteazǎ, obţinerea unor parametrii ai regulatorului
pentru care combinaţia regulator-proces sǎ aibǎ o comportare intrare-
ieşire identicǎ cu cea doritǎ.
Principiile separabilitǎţii şi echivalenţei certe au permis simplificarea
analizei proprietǎţilor sistemelor adaptive printr-o disociere a
problemelor de stabilitate şi de convergenţǎ a soluţiilor. Stabilitatea
sistemului devine astfel o proprietate intrinsecǎ a algoritmului de reglare,
iar convergenţa soluţiilor se rezumǎ la analiza proprietǎţilor de
convergenţǎ a algoritmului de estimare parametricǎ. O problemǎ aparte o
constituie sistemele de reglare cu model de referinţă (MRAC) pentru care
disocierea nu este posibilǎ. Pentru această clasă de sisteme, procedura de
sintezǎ a mecanismului de ajustare este rezultatul direct al aplicǎrii unor
condiţii de stabilitate şi convergenţǎ, aceste sisteme fiind analizate
global.
O altă condiţie esenţială pentru implementare este realizabilitatea
fizicǎ a algoritmilor de control adaptiv. În abordǎrile teoretice problema
realizabilitǎţii este strict limitatǎ la necesitatea obţinerii unui algoritm de

143
reglare cauzal (neanticipativ). Implementarea practicǎ a structurii de
conducere adaptivǎ solicitǎ însǎ extinderea noţiunii de realizabilitate la
limitarea pe cât posibil a efortului de calcul implicat de mecanismul de
adaptare. Această necesitate apare din restricţiile computaţionale
temporale impuse de operarea în timp real. Restricţiile de implementare,
esenţial temporale, au devenit mai puţin severe în ultimii ani datorită
utilizării algoritmilor recursivi numerici şi dezvoltării tehnicii de calcul
digitale recente de tipul microcontrolere cu nucleu RISC, procesoare de
semnal şi FPGA.

144
8.1. Sisteme de conducere adaptivǎ cu identificarea modelului
discret al procesului

Am văzut anterior că o evaluare indirectǎ a indicelui de performanţǎ


al sistemului (I.P.) se poate realiza prin estimarea on-line a parametrilor
dinamici ai sistemului. Aceasta face ca estimarea parametrilor să
constituie un element esenţial al buclei de adaptare.
Sistemele de conducere adaptivǎ cu identificarea modelului (MIAC),
care sunt răspândite datoritǎ versatilitǎţii lor, necesită identificarea
modelului discret sau continuu al procesului. Cele mai multe dintre
metodele de estimare a parametrilor se bazeazǎ pe modelele discrete ale
proceselor investigate din urmǎtoarele motive: operaţia de mǎsurare a
datelor cât şi aceea de prelucrare a lor sunt de cele mai multe ori discrete
(efectuate, de exemplu, prin intermediul unui calculator numeric) şi
utilizarea lor pentru simulare, reglare, predicţie este mai simplǎ.
Principalul dezavantaj este acela că rezulta coeficienţi care au caracter
sintetic, interpretarea fizicǎ fiind dificilǎ dacǎ ordinul modelului este mai
mare decât 2.
În timp ce la sistemele MRAS ideea de bazǎ este de-a conduce
145
asimptotic ieşirea unui proces necunoscut spre cea a unui model de
referinţǎ, în auto-acordare metodologia de bazǎ este de-a selecta
procedura de proiectare regulator pentru un proces cu parametrii
presupuşi constanţi şi cunoscuţi şi aplicarea ei unui proces necunoscut
utilizând valorile estimate recursiv ale acestor parametri.

8.2. Identificarea parametricǎ discretǎ a proceselor

Procesele reale sunt neliniare şi variante în timp şi o modelare


matematicǎ completǎ, care sǎ descrie cu acurateţe transferul cauzal
intrare-ieşire realizat de proces este imposibilǎ. Principial, pentru sinteza
regulatorului este suficientǎ construirea unui model, cu o complexitate
redusǎ, ce aproximeazǎ satisfǎcǎtor dinamica procesului în anumite
condiţii de operare specificate.
Structura genericǎ a unui proces se poate reprezenta ca în fig. 8.1
dacă se asociază canalelor de transfer determinist funcţii de transfer.

P ( s) V(s)

U ( s) B 1( s ) + B 2( s) + Y ( s)
e −τs
A 1( s ) + A 2( s) +

Fig. 8.1.

În figura anterioară am notat cu P(s) perturbaţiile externe ce


afecteazǎ ieşirea procesului. Termenul Y(s) reflectǎ prezenţa acestor
perturbaţii. Termenul V(s) este componenta stohasticǎ a procesului,
reprezentând efecte produse asupra ieşirii de perturbaţii nemǎsurabile,
zgomote de ieşire, perturbaţii aleatoare interne procesului. Comportarea
procesului este descrisǎ de ecuaţiile:
Y ( s) = Yu ( s) + Yp ( s) + V ( s) (8.1)
⎡ B ( s) B2 ( s) ⎤ ⎡ −τs B ( s) ⎤
Yu ( s) = ⎢e −τs 1 ⎥U ( s) = ⎢e (8.2)
A( s) ⎥⎦
U ( s)
⎣ A1 ( s ) A2 ( s ) ⎦ ⎣
⎡ B2 ( s) ⎤ ⎡ −τs B2 ( s) A1 ( s) ⎤ ⎡ B p ( s) ⎤
Yp ( s) = ⎢e −τs ⎥ P ( s) = ⎢ e ⎥ P( s) = ⎢e −τs ⎥ P ( s) (8.3)
⎣ A2 ( s) ⎦ ⎣ A( s) ⎦ ⎣ A( s) ⎦
în care s-a notat cu τ timpul mort al procesului şi s-a considerat că
146
nb=grad B(s); na=grad A(s); nbp=grad Bp(s); nb<na, nbp<na.
Modelarea conexiunii cauzale comandǎ - ieşire, u→yu, este
esenţialǎ pentru proiectarea algoritmului decizional. În unele cazuri
particulare efectele perturbaţiilor ce afecteazǎ procesul sunt de
amplitudine neglijabilǎ z(t)=0. Se poate considera deci semnalul de ieşire
ca fiind influenţat în mod unic de cǎtre semnalul de comandǎ y(t)=yu(t).
Algoritmii numerici de reglare prelucreazǎ secvenţe discrete de date
asociate evoluţiei temporale a ieşirii procesului elaborând secvenţe
discrete de comenzi. Structura sistemului reglat rezultat este o structurǎ
hibridǎ, conexiunile dintre sistemul decizional numeric şi procesul
continuu fiind realizate prin elemente de interfaţare de tip convertoare
A/D, D/A. Practic, prin conversia A/D se culeg eşantioane echidistante
temporal ale ieşirii procesului, y*(t), în timp ce secvenţa discretǎ de
comenzi, u*(t), este aplicatǎ procesului sub forma unei funcţii continue pe
porţiuni, generatǎ de convertorul D/A.
∞ ∞
y * (t ) = y (t ) * δ T (t ) = y (t ) ∑ δ (t − nT ) = ∑ y(nT )δ (t − nT )
n= 0 n= 0
∞ ∞
(8.4)
u ( t ) = u( t ) * δ T ( t ) = u( t )
*
∑ δ (t − nT ) = ∑ u(nT )δ (t − nT )
n=0 n=0
Presupunând existenţa unui proces pur determinist, neafectat de
zgomote, structura procesului discretizat a acestuia este reprezentatǎ în
fig. 8.2.

U * ( s)
( )
1 U(s) B(s) Y( s) Y * ( s)
1 − e − Ts e − sτ
T s A ( s) T

EOZ
D/A A/D

Fig.2

Modelarea discretǎ a procesului presupune încorporarea blocurile de


conversie A/D şi D/A de interfaţare în structura sistemului condus, deşi
fizic sunt componente ale sistemului de conducere. Considerând funcţia
de transfer continuǎ de forma:
B ( s) bnb snb + bnb −1snb −1 +.....+b0
= na
A( s) s + ana −1sna −1 +.....+ a0

147
transferul cauzal comandǎ-ieşire, u*(t)→y*(t), rezultă de forma:
⎧⎪ ⎛ 1 − e − Ts − sτ B( s) ⎞ ⎫⎪
G ( z −1 ) = Z ⎨ L−1 ⎜⎜ e ⎟⎬ (8.5)
⎩⎪ ⎝ s A( s) ⎟⎠ ⎭⎪
Dacǎ timpul mort este un multiplu întreg al perioadei de eşantionare,
τ=dT, d∈N şi se utilizează schimbarea de variabilǎ z = e sT , funcţia de
transfer (8.5) devine:
−1
⎧ B ( s) ⎫ − d B( z )
G ( z −1 ) = (1 − z −1 ) z − d Z ⎨ ⎬= z (8.6)
⎩ sA( s) ⎭ A( z −1 )

8.3. Estimarea parametrilor prin metoda celor mai mici pǎtrate


(CMMP)

Identificarea parametricǎ on-line constituie o parte a buclei de


adaptare şi performanţele sistemului de conducere adaptivǎ sunt
inflenţate esenţial determinate de calitatea modelului obţinut. Alegerea
metodei de identificare, organizarea mecanismului de culegere a datelor,
stabilirea ipotezelor preliminare referitoare la modelul procesului precum
şi convergenţa algoritmului de identificare sunt elemente esenţiale în
stabilirea unui mecanism corect de adaptare. De asemenea, acurateţea
modelului ce se doreşte a fi obţinut este un factor important. Pe parcursul
modelǎrii unui proces trebuie luate în considerare numai aspectele de
transfer intrare-ieşire esenţiale, relevante pentru scopul urmǎrit în
reglarea sistemului. De obicei, se renunţǎ la dezideratul obţinerii unui
model matematic exact a dinamicii procesului şi se preferă obţinerea unui
model aproximativ, liniar şi de ordin redus. Aceasta permite ulterior
utilizarea de relaţii simple pentru sinteza legii de reglare, iar
complexitatea algoritmilor de identificare parametrucă este, de asemenea,
mai redusǎ.
Metoda celor mai mici pǎtrate (CMMP) este o metodǎ cunoscută şi
utilizată frecvent pentru identificarea parametrică a sistemelor. Metoda se
aplică în următoarele ipoteze:
a) Structura modelului este cunoscutǎ, adică se cunoaşte ordinul funcţiei
de transfer a procesului şi valoarea timpului mort;
b) Modelul matematic al procesului este liniar sau liniarizabil;
c) Variaţiile parametrilor procesului (implicit ai modelului procesului)
sunt lente în comparaţie cu viteza de variaţie a semnalelor de intrare şi

148
ieşire;
d) Datele măsurate de la proces oferă un conţinut de informaţii complete
despre modelul procesului.
Transferul intrare-ieşire este determinist sau afectat doar de zgomot
alb. Unele generalizǎri ale metodei permit realizarea unei estimǎri
consistente a transferului determinist realizat de proces indiferent de
natura perturbaţiei. Dintre aceste metode, sunt utilizate frecvent cele
bazate pe algoritmul verosimilitǎţii maxime şi algoritmul celor mai mici
pǎtrate generalizate. Creşterea preciziei estimaţiei se poate obţine prin
utilizarea unor algoritmi evoluaţi de tipul minimizǎrii erorii de predicţie,
dar au dezavantajul creşterii complexităţii numerice a acestor metode,
Avantajele algoritmului CMMP se bazeazǎ în esenţǎ pe simplitatea
implementǎrii în condiţiile unor precizii de estimare şi rate de
convergenţǎ satisfăcătoare.
Pentru identificarea proceselor deterministe monovariabile se va
considera modelul discret obţinut din (8.6):
A( z −1 )Y ( z ) = z − d B( z −1 )U ( z ) (8.7)
unde cele două polinoame sunt de grad na, respectiv nb.
Modelul procesului poate fi rescris în forma:
y (k ) = ϕ T θ (8.8)
unde θ reprezintǎ vectorul parametrilor procesului, consideraţi invarianţi:
θ = [a1 a 2 ......... ana b 0 b1..........b nb ]
T
(8.9)
iar ϕ(kT) reprezintǎ vectorul datelor de intrare/ieşire mǎsurate de la
proces la momentele de timp anterioare lui t:
ϕ (k ) = [ − y (k − 1) -y(k-2) ........-y(k-na) u(k-d) u(k-d-1) .....u(k-d-nb) ]
T

^
În urma identificării se obţine o estimare θ a vectorului real θ al
parametrilor din ecuaţia liniară:
^
y (k ) = ϕ T (k ) θ + ε (k ) (8.10)
Cu ε(kT) au fost notate reziduurile modelului. Modelul determinist (8.7)
poate fi pus în forma perturbatǎ dată de ecuaţia
A( z −1 )Y ( z ) = z − d B( z −1 )U ( z ) + ε ( z ) (8.11)
unde ε(z) este o perturbaţie aleatoare.
Algoritmul de identificare trebuie sǎ acţioneze în sensul minimizǎrii
acestui reziduu, iar în cazul ideal va conduce la anularea valorii acestuia.
^
Determinarea lui θ presupune achiziţia a cel puţin N=na+nb+1 seturi
149
de date ϕ(k), k=1,2,...N deoarece relaţia (8.8) este o ecuaţie liniarǎ cu
^
(na+nb+1) necunoscute (componentele vectorului θ ). Momentul k=1
marcheazǎ începutul identificării. Implicit se presupune astfel cǎ valorile
u şi y la momentele anterioare momentului t=1 sunt cunoscute (na valori
pentru y şi nb valori pentru u). Rezultă că se poate forma un sistem de N
^
ecuaţii liniare cu N necunoscute vectorul parametrilor θ din ecuaţia (8.8)
poate fi unic determinat.
În cazurile practice, mǎsurǎtorile sunt afectate de zgomote (8.8) şi
este necesar sǎ se achiziţioneze un numǎr mai mare de date N*. Datele
colectate în cele N* mǎsurǎtori, N*≥N, rezultând un nou set de N* ecuaţii
cu N=na+nb+1 necunoscute. Acestea conduc la sistemul supradeterminat
[Horga], [Isermann], [Schonberger]:
⎧ ^
⎪ y (1) = ϕ (1) θ + ε (1)
T

⎪ ^
⎪ y ( 2) = ϕ T ( 2) θ + ε ( 2)
⎨ (8.12)

⎪ ^
⎪ y( N * ) = ϕ T ( N * ) θ + ε ( N * )

^
Determinarea vectorului θ se va face din sistemul da mai sus astfel
încât vectorul ε sǎ fie de valoare cât mai micǎ. Aceastǎ “valoare” poate fi
evaluatǎ folosind o normǎ în spaţiul RN*. Alegerea standard pentru
aceastǎ evaluare este un criteriu pǎtratic de forma:
N*
J (θ ) = ∑ε
1 T 1
ε ε= 2
(t ) (8.13)
2 2 t =1
Ţinând cont de (8.10) relaţia anterioară devine:
N*
J (θ ) = ∑ ( y(t ) − ϕ )
1 2
T
(t )θ (8.14)
2 t =1
^
Se doreşte gǎsirea vectorului θ astfel încât
N2
⎛ ^⎞
∑ε
^
J ⎜ θ ⎟ ≤ J (θ )
1
sau θ = arg min J = arg min 2
(t ) (8.15)
⎝ ⎠ θ θ 2 t =1
Rezultă o problemă de minimizare ce implică calcularea gradientului
şi a matricei hessian.
∂J ∂2J
= 0, >0 (8.16)
∂θ ∂θ 2
150
Prima ecuaţie din (8.16) este echivalentǎ cu:
⎡ ∂J ⎤
⎢ ∂θ ⎥
⎢ 1 ⎥
∂J
∂J ⎢ ⎥
= ⎢ ∂θ 2 ⎥=0 (8.17)
∂θ ⎢
..............⎥
⎢ ∂J ⎥
⎢ ⎥
⎢⎣ ∂θ na + nb +1 ⎥⎦
Se calculează deci vectorul gradient în raport cu vectorul θ .
Din cele N condiţii deduse din (8.17) se obţin cele N valori, θ i care
estimeazǎ cel mai bine parametrii modelului, din spaţiul parametrilor
care minimizeazǎ criteriul (8.14).
Se pot calcula derivatele criteriului J în raport cu componentele .
∂J ∂ ⎛1 ⎞ ∂ ⎛1 ⎞⎞
∑ ( y(t) − ϕ
N
) ∑ ⎜⎝⎛ y (t) + (ϕ
N
)
2 2
= ⎜ T
(t)θ ⎟= ⎜ 2 T
(t)θ − 2y(t)ϕ T (t)θ ⎟ ⎟ =
∂θi ∂θi ⎜⎝ 2 t =1
⎟ ∂θi ⎜ 2
⎠ ⎝ t =1 ⎠ ⎟⎠

∂ ⎛1 ⎞
N N N

∑ y (t) + 2 ∑ (ϕ ) ∑ 2y(t)ϕ
1 2 1
⎜ 2 T
(t)θ − T
(t)θ ⎟ = 0
∂θi ⎜⎝ 2 t =1 t =1
2 t =1


Dacă se înlocuieşte ϕ ( t )θ cu produsul intern al celor doi vectori N-
T

dimensionali
N
ϕ T (t )θ = ∑ (ϕ
j =1
j ( t )θ j ) (8.18)

rezultă:
⎛ ⎛ N* ⎞ 1
2
⎛ N* ⎞⎞

N N N
⎜1
∑ ∑ ∑( ) ∑ ∑ (ϕ j (t)θ j ) ⎟ ⎟⎟ = 0 (8.19)
1 ⎜
⎜ y (t) +2
ϕ j (t)θ j ⎟ − 2y(t) ⎜
∂θi ⎜2 2 ⎜
t =1 ⎝
⎟ 2 ⎜ ⎟⎟

t =1 j=1 ⎠ t =1 ⎝ j=1 ⎠⎠
Se obsevă acum că primul termen al relaţiei anterioare este
independent de vectorul parametrilor [ θ i ].
Se efectuează calculele de derivare parţială:
⎛ N* ⎛ N ⎞
2
N* ⎛ N ⎞ ⎞⎟
∂ ⎜1
∑ ∑( ) ∑ ∑( )
⎜ 1
⎜2 ϕ j ( t )θ j ⎟ − 2 y( t ) ⎜ ϕ j ( t )θ j ⎟ ⎟ =
∂θ i ⎜ ⎜ ⎟ 2 ⎜ ⎟⎟
⎝ t =1 ⎝ j=1 ⎠ t =1 ⎝ j=1 ⎠⎠
(8.20)
2
∂ ⎛⎜ ⎞ ∂ ⎛⎜ ⎞
N* N N* N

∑ ∑( ) ∑ ∑( )
1 1
ϕ j ( t )θ j ⎟ − 2 y( t ) ϕ j ( t )θ j ⎟ = 0
2 t =1
∂θ i ⎜⎝ j= 1

⎠ 2 t =1
∂θ i ⎜⎝ j= 1


şi rezultă:

151
N* ⎛⎛ N ⎞ ⎞ N*

∑ ∑( ⎜⎜
⎜⎜
t =1 ⎝ ⎝
)⎟
ϕ j (t )θ j ⎟ ϕ i (t )⎟ −

⎟ ∑ ( y(t )ϕ (t )) = 0 ⇒
i (8.21)
j =1 ⎠ t =1

∑ ((ϕ ) ∑ ( y(t )ϕ (t ))
N* N*
T
)
( t )θ ϕ i (t ) = i (8.22)
t =1 t =1
Această ultimă relaţie poate fi rescrisă pentru cele N componente ale
vectorului θ:
⎧ N*
∑ (( ) ∑
N*

⎪ t =1
)
ϕ T (t )θ ϕ 1 (t ) = ( y(t )ϕ 1(t ))
t =1
⎪ *

∑ (( ) ∑
⎪N N*

⎨ t =1
T
)
ϕ (t )θ ϕ 2 (t ) = ( y(t )ϕ 2 (t )) (8.23)
t =1

⎪....................................................
⎪ N*
∑ (( ) ∑
N*

⎪ )
ϕ (t )θ ϕ N (t ) =
T
( y(t )ϕ N (t ))
⎩ t =1 t =1

sau
( 1 1 1) (
⎧ ϕT (1)ϕ (1) + ϕT (2)ϕ (2)+.....+ϕT ( N*)ϕ ( N*) θ = y(1)ϕ (1) + y(2)ϕ (2)+.....+ y( N*)ϕ ( N*)
⎪ 1 1 )1


(
⎪ T T *
) (
⎪ ϕ (1)ϕ2 (1) + ϕ (2)ϕ2 (2)+.....+ϕ ( N )ϕ2 ( N ) θ = y(1)ϕ2 (1) + y(2)ϕ2 (2)+.....+ y( N )ϕ2 ( N )
T * *
)*

⎪............................................................................................................................
⎪ T
( T *
) (
⎪⎩ ϕ (1)ϕ N (1) + ϕ (2)ϕ N (2)+.....+ϕ ( N )ϕ N ( N ) θ = y(1)ϕ N (1) + y(2)ϕ N (2)+.....+ y( N )ϕ N ( N )
T * * *
)
*
Sistemul(8.23) poate fi exprimat matriceal printr-o sumǎ de N
matrice pǎtrate de ordin N ( ϕ(i)ϕ T (i) ) şi o sumǎ de N* vectori ( y(i)ϕ(i) ) în
felul următor:
⎛ N* ⎞ ⎛ N* ⎞
⎜ ∑
⎝ t =1



⎝ t =1

⎜ ϕ (t )ϕ T (t )⎟ θ = ⎜ ϕ ( t ) y ( t )⎟ ⇔ H θ


NxN Nx1 = RNx1 (8.24)

Notăm cu P inversa matricei H (presupunând că aceasta există),


P=H-1. Rezultă din (8.24) ecuaţia
−1
⎡ N* ⎤ ⎡ N* ⎤
∑ ∑
^
θ ( N ) = PNxN ( N ) RNx1 ( N ) = ⎢ ϕ (t )ϕ T (t ) ⎥
* * * ⎢ ϕ (t ) y (t ) ⎥ (8.25)
⎢ t =1 ⎥ ⎢ t =1 ⎥
⎣ ⎦ ⎣ ⎦
Pentru ca vectorul θ sǎ asigure un minim al criteriului (8.14) trebuie
îndeplinitǎ şi condiţia a doua din (8.16). În acest scop se derivează de
douǎ ori criteriul (8.14) în raport cu θ. Rezulta:

152
∂ ⎪⎧ ⎡ ∂ J ⎤ ⎪⎫
T
∂ 2 J (θ ) ∂ ⎧ ∂ J (θ ) ⎫ ∂J ∂J
:= ⎨ ⎬ = ⎨⎢ . ⎥⎬
∂θ 2 ∂θ ⎩ ∂θ ⎭ ∂θ ⎩⎪ ⎣ ∂θ 1 ∂θ 2 ∂θ na + nb +1 ⎦ ⎭⎪
T
⎧⎛ N* ⎞ ⎛ N* ⎞ ⎫⎪
∂ ⎪
=
∂θ
⎨⎜
⎪⎩ ⎜⎝
∑ ϕ ( t )ϕ T ( t ) ⎟ θ − ⎜
⎟ ⎜ ∑ ϕ (t ) y (t ) ⎟ ⎬ =
⎟⎪
(8.26)
t =1 ⎠ ⎝ t =1 ⎠⎭
⎧ ⎛ N* ⎞ ⎫⎪
T
N*
∂ ⎪ T
=
∂θ
⎨θ


⎜ ∑ ϕ ( t )ϕ T ( t ) ⎟ ⎬ =
⎟ ⎪ ∑ ϕ (t )ϕ T
(t )
⎩ ⎝ t =1 ⎠ ⎭ t =1

Considerând un vector oarecare α∈RNx1, se poate scrie:


⎡ N* ⎤ N* N*

∑ ∑α ∑ [α ]
2
T⎢
α ϕ (t )ϕ (t ) ⎥α =T T
ϕ (t )ϕ (t )α =
T T
ϕ (t ) ≥0 (8.27)
⎢ t =1 ⎥
⎣ ⎦ t =1 t =1

ceea ce denotă că si condiţia a doua, de minim, din (8.16) este


îndeplinită.
Se mai poate observa cǎ odatǎ cu creşterea intervalului N* de
^
achiziţie a datelor rezultă creşterea preciziei de determinare a lui θ .
Indiferent însă de lungimea secvenţei N*, matricele P(N*) şi R(N*) au
dimensiuni constante. Dimensiunea acestora depinde doar de ordinul
modelului procesului:
dimP(N*)=NxN=(na+nb+1)x(na+nb+1),
dimR(N*)=Nx1=(na+nb+1)x1

8.4. Persistenţa semnalului de intrare

Chestiunea este legată de măsura în care mǎrimea de intrare u(t)


excitǎ suficient sistemul pentru a determina tranziţii semnificative ale
ieşirii y(t). Un semnal u(t) care, aplicat la intrarea unui sistem, care
determinǎ rǎspunsuri y(t) suficient de bogate în informaţie astfel încât
metoda de identificare sǎ aibǎ proprietatea de a converge, se numeşte
semnal persistent.
Să considerăm cǎ la momentul t=0 procesul se afla deja într-un punct
static de funcţionare. Se poate scrie :
u ( N * ) ≅ u ( N * − 1) ≅ u ( N * − 2) ≅ ......... ≅ u (0) şi
y ( N * ) ≅ y ( N * − 1) ≅ y ( N * − 2) ≅ ......... ≅ y (0)
Deoarece nu existǎ diferenţe semnificative între liniile sistemului de
N ecuaţii cu N necunoscute, relaţia (8.23) şi condiţia de inversabilitate a
153
⎛ N* ⎞
matricii H nu mai este respectatǎ. Deci det ⎜ ∑ ϕ( t )ϕ T ( t )⎟ → 0 , iar metoda
⎜ ⎟
⎝ t =1 ⎠
^
de identificare CMMP eşueazǎ. Deci θ nu mai converge la θ.
Se poate deduce o condiţie de persistenţǎ a semnalului de intrare
considerând sistemul de identificat un filtru FIR (Finite Impulse
Response). Modelul discret al unui sistem monovariabil stabil se poate
rescrie, pentru cazul particular strict determinist şi fǎrǎ timp mort, ca
fiind:
B(q−1)
y(t ) = −1
u(t − 1) = g1u(t − 1) + g2u(t − 2)+.......+gnu(t − n)+......= G(q−1)u(t − 1) (8.28)
A(q )

Această forma particularǎ anterioară a modelului poate fi consideratǎ


ca fiind modelul de tip “rǎspuns finit la impuls” (FIR) al sistemului.
Un semnal u(t) ce permite determinarea prin metoda CMMP a
modelului FIR de ordin n al sistemului se numeşte semnal persistent de
ordin n. Modelul mai poate fi pus în forma [Astrom]:
y (t ) = ϕ TFIR (t )θ FIR (8.29)
unde am notat ϕ FIR (t ) = [u(t − 1) u(t - 2) ...... u(t - n)] ; θ FIR = [ g1 g2 .........g n ]T
T

Pentru o secvenţǎ de date de intrare şi ieşire de lungime N*


(achiziţionatǎ la momentele t=n,n+1, ... n+N*-1), din relaţia anterioară
rezultă:
⎧y(n) = ϕTFIR(n)θFIR ⎡ y(n) ⎤ ⎡ u(n −1) ........... u(0) ⎤⎡g1⎤
⎪ ⎢ ⎥ ⎢ ⎥⎢ ⎥
⎪y(n +1) = ϕFIR(n+1)θFIR
T
y(n +1) ⎥ ⎢ u(n) ........... u(1) ⎥⎢g2⎥
⎨ ⇔⎢ = (8.30)
⎪.................................. ⎢ ........ ⎥ ⎢ ................ ........... ..... ⎥⎢....⎥
⎪ ⎢ ⎥ ⎢ ⎥⎢ ⎥
y(n + N* −1)⎦ ⎣u(n + N* − 2) ........... u(N* −1)⎦⎣gn⎦
⎩y(n + N −1) = ϕFIR(n + N −1)θFIR ⎣
* T *

Matricea H, conform metodei CMMP, rezultă în acest caz de forma:


⎡n+N*−1 n+N* −1 n+N* −1 ⎤

⎢ u2(t −1)
⎢ t =n
∑u(t −1)u(t −2)
t =n
..... ∑u(t −1)u(t −n)⎥⎥
t =n
⎢n+N*−1 n+N* −1 n+N* −1 ⎥
⎛n+N −1
*
⎞ ⎢ ⎥
* ⎜
H(N ) =
⎜ ∑ T ⎟ ∑
ϕFIR(t)ϕFIR(t) = ⎢ u(t −1)u(t −2)
⎟ ⎢ t =n
∑ 2
u (t −2) ....... ∑ u(t −2)u(t − n)⎥ (8.31)
⎝ t=n ⎠ t =n t =n ⎥
⎢ * ....... ......... ......... ....... ⎥
⎢n+N −1 n+N* −1 n+N −1 ⎥
*


⎢ u(t −1)u(t − n)
⎢⎣ t=n
∑u(t −2)u(t −n)
t =n
......... ∑
t =n
u (t − n) ⎥
2
⎥⎦

154
Acum se poate stabili o legătură între componentele matricei H şi
funcţiile de autocovarianţă ale semnalului de intrare. Vom nota r funcţia
de autocovarianţă
N*

∑ u( k ) u( k − i )
1
ru (i ) = lim i = 0,.., n - 1 (8.32)
N →∞
*
N* k =1
Legatura între aceasta şi matricea H este dată de
⎡ ru ( 0) ru (1) ...... ru ( n − 1) ⎤
⎢ ⎥
....... ru ( n − 2) ⎥
H = lim
*
N →∞
1
N
( )
H N* =⎢ u
r (1)
⎢ .....
ru (0)
...... ....... ....... ⎥
(8.33)
⎢ ⎥
⎣ru ( n − 1) ru ( n − 2) ........ ru (0) ⎦
Semnalul de intrare u(t) este persistent de ordin n şi permite
determinarea modelului FIR de ordin n dacǎ şi numai dacă matricea H
este pozitiv definitǎ.

8.5. Algoritmi recursivi de estimare parametricǎ de tipul CMMP

Metoda CMMP nerecursivǎ necesită un volum de mare calcul chiar


pentru sisteme de ordin mic. Acest volum mare de calcul şi date folosirea
unor procesoare performante pentru finalizarea calculelor în timp
rezonabil.
O variantă de eliminare a acestui neajuns ar fi limitarea secvenţei de
date prelucrate la o lungime N* fixǎ (N*> na+nb+1). Astfel rezultatul
estimǎrii prin aplicarea algoritmului CMMP nerecursiv se va baza pe
ultimele N* valori ale semnalelor de ieşire şi comandǎ, permanent
reactualizate. Metoda necesitǎ însǎ calculul inversei matricei P în
procesul de estimare a parametrilor [Isermann], [Astrom]:
−1
⎡ N* ⎤ ⎡ N* ⎤
∑ ∑
^
θ( N ) = P( N ) R ( N ) unde P(N ) =
* * * ⎢ *
ϕ(t)ϕ ( t ) ; R (N ) = ⎢ ϕ( t ) y( t )⎥ (8.34)
T ⎥ *
⎢ t=1 ⎥ ⎢ t=1 ⎥
⎣ ⎦ ⎣ ⎦
Estimatoarele recursive determinǎ matricea parametrilor estimaţi la
^ ^
momentul t, θ( t ) , prin aplicarea unei corecţii valorii θ( t − 1) , determinatǎ
la pasul anterior. Corecţia se va calcula luând în considerare numai
ultimul set de valori {u( t ), y( t )} achiziţionate la pasul t. Se obţine astfel
micşorarea numarului calculelor efectuate la fiecare pas.
^
Fie θ( t − 1) estimarea determinatǎ la pasul t-1 pe baza relaţiei
155
[Isermann], [Astrom], [Schonberger], [Horga]:
−1
⎡ t −1 ⎤ ⎡ t −1 ⎤
∑ ∑
^
θ (t − 1) = P(t − 1) R(t − 1) = ⎢ ϕ ( k )ϕ T ( k ) ⎥ ⎢ ϕ ( k ) y( k )⎥ (8.32)
⎢⎣ k =1 ⎥⎦ ⎢⎣ k =1 ⎥⎦
La momentul t se achiziţioneazǎ valorile curente ale comenzii şi
ieşirii, {u( t ), y( t )} , şi acest fapt permite actualizarea vectorului ϕ( t ) .
⎡− y (t − 2) ⎤ ⎡ -y(t - 1) ⎤
⎢ ⎥ ⎢ ⎥
⎢ − y ( t − 3 ) ⎥ ⎢ -y(t - 2) ⎥
⎢ ........ ⎥ ⎢ .......... ⎥
⎢ ⎥ ⎢ ⎥ (8.33)
− − −
ϕ ( t − 1) = ⎢⎢ ⎥ ⇒ ϕ (t) = ⎢ ⎥
y ( t n a 1 ) -y(t - n a )
u ( t − d − 1) ⎥ ⎢u (t − d ) ⎥
⎢ ⎥ ⎢ ⎥
⎢u ( t − d − 2 ) ⎥ ⎢ u ( t − d − 1) ⎥
⎢ ........... ⎥ ⎢ ............. ⎥
⎢ ⎥ ⎢ ⎥
⎢⎣ u ( t − d − n b − 1) ⎥⎦ ⎢⎣ u ( t − d − n b ) ⎥⎦
^ ^
Pe baza estimaţiei θ( t − 1) se poate calcula o predicţie a ieşirii y( t ) :
^ ^
y ( t ) = ϕ T (t ) θ (t − 1) (8.34)
Predicţia se va abate de la valoarea adevǎratǎ y(t) cu valoarea erorii de
predicţie ξ( t ) :
^ ^
ξ ( t ) = y (t ) − y (t ) = y ( t ) − ϕ T ( t ) θ ( t − 1) (8.35)
Pe baza unui mecanism de ajustare, eroarea de predicţie va furniza
corectorul, notat θ c ( t ) , ce se va aplica vectorului parametrilor estimati la
^
momemtul anterior θ( t − 1) astfel încât să rezulte:
^ ^
θ (t ) = θ ( t − 1) + θ c ( t ) (8.36)
ε( t )
u(t) - y(t)
Proces
+

+ ξ( t )
Model ajustabil
-
^ ^ ^
y( t ) = ϕ ( t ) θ( t − 1)
T
y( t )
^ ^ ^
θ( t ) = θ( t − 1) + θ c ( t ) θ( t )

θ c (t)
Mecanism de
ajustare
Fig. 3. Estimator recursiv de tip CMMP – schema bloc
156
Pentru determinarea corectorului θ c ( t ) este necesară obţinerea unor
relaţii de calcul recursiv pentru matricele P(t) şi R(t). Aceste relaţii sunt
deduse in continuare.
Folosind relaţia (8.32), la momentul (t-1) matricele P(t-1) şi R(t-1)
rezultă ca fiind de forma [Sch]:
t −1
P −1 ( t − 1) = ∑ϕ ( k )ϕ
k =1
T
( k ) = ϕ (1)ϕ T (1) + ϕ (2)ϕ T (2) +...ϕ (t − 1)ϕ T (t − 1) (8.37)
t −1
R (t − 1) = ∑ y( k )ϕ ( k ) = ϕ (1) y(1) + ϕ (2) y(2)+...ϕ (t − 1) y(t − 1)
k =1
(8.38)

Cu matricele:
Φ T (t − 1) = [ϕ (1) ϕ (2) ϕ (3) ............ϕ (t − 1)] Nx ( t −1) (8.39)
Y (t − 1) = [ y (1) y(2) y(3) ............y(t − 1)] ( t −1) x1T
(8.40)
şi folosind matricele astfel definite relaţiile (8.37-8.38) P(t) şi R(t) devin:
P −1 (t − 1) = Φ T (t − 1) Φ(t − 1) (8.41)
R (t − 1) = Φ (t − 1)Y (t − 1)
T
(8.42)
Pentru momentul urmǎtor, t, se poate scrie:
t
P−1(t) = ∑ϕ(k)ϕ (k) = ϕ(1)ϕ (1) +ϕ(2)ϕ (2) +...ϕ(t −1)ϕ (t −1) +ϕ(t)ϕ (t)
k =1
T T T T T

(8.43)
⎡Φ(t-1)⎤ (8.42)
=[Φ (t −1) ϕ(t)] ⎢ T ⎥ = ΦT (t −1)Φ(t −1) +ϕ(t)ϕT (t) = P−1(t −1) +ϕ(t)ϕT (t)
T

⎣⎢ϕ (t) ⎦⎥
Tot astfel se poate dezvolta şi pentru R(t) o relaţie de calcul recursiv
[Sch]:
t
R(t) = ∑y(k)ϕ(k) = ϕ(1) y(1) +ϕ(2) y(2) +...ϕ(t −1) y(t −1) +ϕ(t) y(t) =
k =1
(8.44)
⎡Y (t −1)⎤ (8.43)
= ⎡Φ (t −1) ϕ(t)⎤ ⎢
T
= ΦT (t −1)Y (t −1) +ϕ(t) y(t) = R(t-1)+ϕ(t)y(t)
⎣ ⎦ y(t) ⎥
⎣ ⎦
Vectorul parametrilor identificaţi la momentul t este
^ (8.44)
θ (t ) = P(t ) R(t ) = P (t ) [ R(t − 1) + ϕ (t ) y (t )] = P(t ) R(t − 1) + P(t )ϕ (t ) y (t ) (8.45)
^
Substituind în ecuaţia (8.44) R ( t − 1) = P −1 ( t − 1) θ( t − 1) (conform (8.32))
rezultă [Iserm], [Scho]:

157
^ ⎧ ^ ⎫ (8.44) ⎧ ^ ⎫
θ (t) = P(t) ⎨P−1(t −1)θ (t −1)⎬ + P(t)ϕ(t)y(t) = P(t) ⎨⎡⎣P−1(t) −ϕ(t)ϕT (t)⎤⎦θ(t −1)⎬ + P(t)ϕ(t)y(t) =
⎩ ⎭ ⎩ ⎭
^ ^ (8.35)
=θ(t −1) − P(t)ϕ(t)ϕT (t)θ(t −1) + P(t)ϕ(t)y(t) =

^ ^ ⎧ ^ ⎫
= θ ( t − 1) − P (t )ϕ (t )ϕ T (t ) θ (t − 1) + P( t )ϕ (t ) ⎨ξ ( t ) + ϕ T (t ) θ (t − 1) ⎬ ⇒
⎩ ⎭
^ ^
θ (t ) = θ (t − 1) + P(t )ϕ (t )ξ (t ) (8.46)
Relaţia (8.43) furnizează relaţia de recursivitate a inversei matricei P.
Pentru stabilirea unei relaţii de recursivitate pentru exprimarea directǎ a
acestei matrice se foloseşte lema de in versiune matricială.
Ultima ecuaţie ne dă structura corectorului utilizat în estimarea
recursivǎ, care rezultă a fi dependent de eroarea de predicţie ξ( t ) .
Calculul on-line a inversei unei matrici este consumator de timp şi ar
trebui evitat dacă este posibil.

Lema de inversiune matricealǎ


Aceasta este prezentată în numeroase cărţi, astfel rezultatul va fi
prezentat pe scurt [Astrom].
(A − BD C) ( )
−1 −1
−1
= A −1 − A −1 B CA −1 B − D CA −1 (8.47)
unde se presupune cǎ matricele A şi D sunt pǎtrate şi inversabile:
Dem. Se considerǎ produsul dintre douǎ matrice celulare de forma:
⎡A B ⎤ ⎡ X Y ⎤ ⎡ I 0⎤ −1
⎢ C D⎥ ⎢ Z W⎥ = ⎢0 I ⎥ = MM (D1)
⎣ ⎦⎣ ⎦ ⎣ ⎦
Se obţine:
⎧AX + BZ = I
⎨ (D2)
⎩CX + DZ = 0
şi deci:
⎧⎪X = A −1 − A −1 BZ
⎨ (D3)
⎪⎩Z = − D −1 CX
Substituind (D3.2) în (D2.1) se obţine:
AX − BD −1 CX = I ⇔ (A − BD −1 C) X = I ⇒ X = (A − BD −1 C) −1
(D4)
adicǎ primul termen al identitǎţii (18).
Substituind (D3.1) în (D2.2) se obţine urmǎtoarea expresie pentru
matricea Z:
158
C(A −1 − A −1BZ) = −DZ ⇔ (CA −1B − D)Z = CA −1 ⇒ Z = (CA −1B − D) −1 CA −1 (D5)
Prin înlocuirea relaţiei (D5) în (D3) se obţine expresia din partea dreaptǎ
a identitǎţii:
X = A −1 − A −1 B(CA −1 B − D) −1 CA −1 (D6)

Cu ajutorul acestei leme şi considerând matricea M de forma


particularǎ:
⎡A B ⎤ ⎡P −1 ( t − 1) ϕ( t ) ⎤
M=⎢ ⎥=⎢ T ⎥ (8.48)
⎣ C D⎦ ⎢⎣ ϕ ( t ) −1 ⎥⎦
Aplicând (8.47) va rezulta:

(P ) ) = (
−1 (14) −1
−1
(t − 1) + ϕ (t )ϕ T (t ) = P−1(t )
−1
= ( P (t − 1)) − ( P (t − 1)) ( ) ( )
−1
−1
−1
−1 ⎛ −1 ⎞ −1
ϕ (t )⎜ϕ T (t ) P−1(t − 1) ϕ (t ) + 1⎟ ϕ T (t ) P−1(t − 1) ⇔
⎝ ⎠

[ ]
−1
P (t ) = P (t − 1) − P (t − 1)ϕ (t ) 1 + ϕ T ( t ) P (t − 1)ϕ (t ) ϕ T (t ) P(t − 1) (8.49)
Termenul ϕ T ( t ) P( t − 1)ϕ( t ) este scalar şi rezultǎ cǎ algoritmul nu
presupune determinarea inverselor unei matrice:

[ ] ⎤
−1
P (t ) = P (t − 1) ⎢ I na + nb +1 − 1 + ϕ T ( t ) P( t − 1)ϕ (t ) ϕ ( t )ϕ T (t ) P( t − 1) ⎥ (8.50)
⎣ ⎦
Algoritmul CMMP recursiv constǎ, în concluzie, în efectuarea la
momentul t a urmǎtorului algoritm:
1. Se formeazǎ ϕ( t ) - relaţia (8.33)
2. Se calculeazǎ P(t) - relaţia (8.50)
3. Se calculeazǎ eroarea de predicţie ξ( t ) - relaţia (8.35)
^
4. Se corecteazǎ estimaţia θ( t ) - relaţia (8.46)
5. Aşteaptǎ urmǎtorul moment de eşantionare şi reia algoritmul.

Unele aspecte practice de implementare


Printre aspectele practice ce vor fi analizate se numǎrǎ iniţializarea
algoritmului de estimare recursivǎ, alegerea modelului matematic asociat
procesului şi implicit stabilirea parametrilor ce urmeazǎ a fi estimaţi,
respectiv selectarea perioadei de eşantionare [Schonberger], [Astrom].

Iniţializarea algoritmilor de identificare


Pentru ca algoritmul CMMP recursiv sǎ poată funcţiona trebuie ca la
159
momentul t sǎ fie cunoscute: vectorul de date (regresor), adică trebuie
cunoscute valorile y(t-2), y(t-3), ...y(t-na) respectiv u(t-d-1), u(t-d-2),
^
...,u(t-d-nb), vectorul parametrilor estimaţi la pasul t-1: θ( t − 1) şi matricea
de covarianţǎ calculatǎ la pasul t-1:P(t-1).
O problemă apare iniţializarea algoritmului CMMP recursiv în sensul
determinǎrii/alegerii iniţiale a acestor date. Dacă nu există informaţii
despre proces, acesti vectori vor fi iniţializaţi cu valoarea 0.

Iniţializarea vectorului regresor ϕ( t )


La momentul t=1 trebuie format vectorul de date:
ϕ (1) = [− y ( 0),− y ( −1),.....,− y ( − na + 1), u( − d ), u( −1 − d ),...., u( − nb − d + 1)]
T

adică se impune o iniţializare a datelor y(t) şi u(t) pentru t<0.


Aceastǎ iniţializare poate fi arbitrarǎ u(t)=y(t)=0, pentru t≤0. Această
presupunere nu va afecta rezultatele, dar va va avea ca efect o
convergenţǎ mai lentǎ a algoritmului. În cazuri mai pretenţioase se poate
realiza o precolectare a datelor bazată pe o perioadǎ de funcţionare a
procesului.

Valorile iniţiale ale parametrilor estimaţi


^
Determinarea vectorului parametrilor estimaţi θ(1) presupune aplicarea
unei corecţii vectorului din momentul anterior:
T
^ ⎡^ ^ ^ ^ ^ ^ ⎤
θ ( 0) = ⎢a1 , a 2 ,...., a na , b 0 , b1 ,...., bnb ⎥ t =0
⎣ ⎦
^
Iniţializarea acestui vector θ(0) se face pe baza unor parametri estimati
a priori, ori dacă nu există informaţii despre proces, şi acesta este cazul
cel mai des întâlnit, iniţializarea se face arbitrar.
^
Alegerea vectorului iniţial θ(0) nu este esenţialǎ pentru acurateţea
estimaţiei, dar va influenţa rata de convergenţǎ a parametrilor estimaţi.

Iniţializarea matricei de covarianţǎ P(t)


Estimatorul recursiv
^ ^
θ (t ) = θ (t − 1) + P(t )ϕ ( t )ξ (t )
indică faptul cǎ matricea de covarianţǎ P(t) este o măsură a gradului de
^ ^
incertitudine a estimaţiei θ( t ) . Dacǎ θ(0) este ales arbitrar, atunci
160
matricea P(0) trebuie selectatǎ astfel încât sǎ permitǎ corecţii majore ale
vectorului parametrilor iniţiali.
Influenţa valorii iniţiale P(0) asupra P(t) poate fi stabilitǎ prin
aplicarea relaţiei (8.43) succesiv de t ori, rezultând:
−1
⎡ t ⎤
P (t ) = ⎢ P −1 ( 0) +
⎢⎣

i =1
ϕ (i )ϕ (i ) ⎥
T

⎥⎦
Aceasta din urmă va fi determinatǎ de evoluţia vectorului de date ϕ(i) ,
i=1...t; P(0), iar P(o) aleasǎ cu elemente de valoare mare, contribuie
neglijabil la valoarea P(t). Din acest motiv o alegere simplǎ şi utilizatǎ
frecvent pentru P(0) este: P(0)=αI
^
unde α=104...105 pentru o alegere θ(0) arbitrarǎ,
^
α=102...104 pentru o iniţializare corectǎ θ(0) ≈ θ
Valoarea parametrului α utilizat în iniţializarea matricei de covarianţǎ
are influenţă asupra ratei de convergenţei a algoritmului de identificare.
Un α este prea mic duce la o convergenţǎ lentǎ a parametrilor estimaţi
cǎtre valorile reale, iar un α este prea mare duce la oscilaţii ale
^
parametrilor estimaţi θ( t ) .

Alegerea modelului matematic


Alegerea modelului matematic înseamnă stabilirea unui ordin
maximal. Valorile na şi nb se aleg în primul rând pe baza interpretǎrii
analitice a ecuaţiilor de bilanţ energetic ce descriu funcţionarea
procesului (dacă acestea există) şi/sau identificarea tuturor elementelor
de acumulare - anticipare din sistem.
De asemenea, este importantă estimarea timpului mort. Determinarea
întârzierii pure realizatǎ de proces se poate face experimental prin
aplicarea unei comenzi persistente şi monitorizarea ieşirii sistemului în
regim tranzitoriu. Valoarea timpului mort, normat la perioada de
eşantionare, este datǎ de numǎrul de perioade de eşantionare în care
ieşirea procesului rǎmâne la valoarea de regim staţionar, încadrată de de
nivelul zgomotului din instalaţie, după aplicarea comenzii la intrare.

Alegerea perioadei de eşantionare


Este ştiut faptul cǎ valoarea maximă a perioadei de eşantionare este
impus de constantele de timp ale sistemului. Conform teoremei

161
eşantionǎrii frecvenţa de sondare a valorilor unui sistem trebuie sǎ fie cel
puţin dublǎ faţǎ de banda de frecvenţe ocupatǎ de semnalul în cauzǎ.
Pentru a surprinde cu exactitate dinamica procesului modelat, perioada
de eşantionare trebuie corelată cu banda de frecvenţe a rǎspunsului la
impuls a sistemului. Se recomandă alegerea perioadei de eşantionare
egalǎ cu 15 ... 21 din constanta de timp dominantǎ. O altă alegere a
perioadei de eşantionare este în funcţie de timpul de creştere şi este
recomandată ca fiind 151 ... 15 din timpul de creştere.
Valoarea minimǎ a perioadei de eşantionare este determinatǎ timpul
de calcul, deci de procesorul pe care este implementat controlerul, şi
timpul de conversie al covertorului A/D. Valori foarte mici ale perioadei
de eşantionare pot conduce la instabilitatea numericǎ a algoritmului. În
cazul unei eşantionǎri de înaltǎ frecvenţǎ, polii şi zerourile modelului
discret se vor situa în planul Z într-o zonǎ situatǎ în apropierea cercului
de rază unitară. Rezultă necesitatea unei precizii ridicate în proiectarea
legii de reglare din cauza diferenţele mici între singularitǎţile modelului.

8.6. Algoritmi ponderaţi de tipul CMMP

O deficienţǎ a algoritmilor de tipul CMMP prezentaţi constǎ în faptul


^
cǎ reactualizarea estimaţiei θ( t ) se poate obţine prin prelucrarea
informaţiei de la momentul începerii identificǎrii. În algoritmul CMMP
recursiv, estimarea la momentul curent se realizează conform relaţiei:
^ ^
θ (t ) = θ (t − 1) + P(t )ϕ ( t )ξ (t ) (8.51)
^
Înseamnă că se corectează estimaţiilor anterioare θ( t − 1) cu un termen
dependent de eroarea de predicţie ξ( t ) . Acest termen conţine matricea de
covarianţǎ P(t), deci este calculat în funcţie de întreaga colecţie de date
anterioare ϕ(0), ϕ(1), .... , ϕ( t ) .
Dacă se produce o modificare parametricǎ a modelului pe parcursul
funcţionǎrii procesului, rezultă că datele achiziţionate la momente
îndepǎrtate de timp vor conţine informaţii eronate despre modelul actual
al procesului, ce a suferit modificări parametrice.
Ar fi de dorit deci ca algoritmul de identificare va trebui sǎ prelucreze
selectiv informaţia conţinutǎ de setul de date achiziţionat (secvenţele u(i),
y(i), i=0,1,..t), astfel încât să asigure o pondere mai mare informaţiei
162
recente şi o pondere mai redusă informaţiei mai îndepărtată în timp.
Pentru sistemele susceptibile de variaţii parametrice pe parcursul
identificării s-au dezvoltat metode de identificare specifice. Depistasrea
unor variaţii ale parametrilor modelului, prin creşterea erorii de predicţie
a modelului, ξ( t ) , monitorizatǎ continuu, peste o valoare de prag, poate fi
tratată în mai multe moduri.
O posibilitate o constituie resetarea algoritmului de identificare în
momentul depistǎrii variaţiei parametrice, reţinându-se ultima estimaţie a
^
parametrilor θ( t − 1) ca estimaţie iniţialǎ şi modificarea matricei de
covarianţǎ P(t) la valoarea iniţialǎ αI.
Altă posibilitate constă în adǎugarea unui termen de corecţie
suplimentar la apariţia unei variaţii parametrice. Reactualizarea P(t) se va
face cu relaţia:

[ ] ⎤
−1
P (t ) = P (t − 1) ⎢ I − 1 + ϕ T P (t − 1)ϕ (t ) ϕ (t )ϕ T (t ) P (t − 1) ⎥ + P0 (8.52)
⎣ ⎦
unde termenul suplimentar P0 este ales de forma:
P0=αI, α∈R

8.6.1. Algoritmi recursivi ponderaţi de tipul CMMP cu factor de


ponderare constant

Aşa cum a reieşit din discuţia anterioară, ponderarea se va face în


sensul accentuării influenţei informaţiilor recente, faţa de informaţia mai
îndepărtată în timp în mecanismului de calcul al corectorului.
^
Estimaţia θ( t ) va fi o soluţie a ecuaţiei:
^ ^
y (t ) = ϕ T (t ) θ (t ) + ε (t ) (8.53)
Pentru minimizarea criteriului ponderat de această dată:
1⎛ * ^ ⎞
*
N ^2 2 ^2 ^2 ^2

^ 1
λN −i ε (i) = ⎜⎜ λN −1 ε (1) + λN −2 ε (2)+....+λε ( N* − 1) + ε ( N*)⎟⎟
* *
J (θ) = (8.54)
2 i =1 2⎝ ⎠
Prin factorul λ, λ∈(0,1], numit şi factor de uitare. Alegerea acestuia se
face în funcţie de viteza de variaţie a parametrilor procesului. O valoare
mică a acestui factor va conduce la o ponderare mai puternică şi la
reducerea mai pronunţată a informaţiilor mai îndepărtate din trecut. În
mod uzual constanta de ponderare se alege se în gama (0.9..1].

163
Se poate demonstra cǎ, prin ponderare, estimarea recursivǎ se face
1
luându-se în considerare aproximativ ultimele valori ale ieşirii şi
(1 − λ )
comenzii procesului; secvenţele de date mai vechi având ponderi extrem
de mici şi sunt practic ignorate în cadrul rutinei de identificare.
Utilizând metoda CMMP ponderatǎ cu factor de uitare λ, vectorul
^
parametrilor θ( N * ) rezultă:

∑( ) ∑(λ )
N* N*
∂J(θ)
⎜⎛ λN − jϕT ( j)θ ϕi ( j)⎟⎞ − N* − j
*
= y( j)ϕi ( j) = 0 ⇒ (8.55)
∂θi ⎝ ⎠
j =1 j =1
−1
⎡ N* ⎤ ⎡ N* ⎤
∑ ∑
^
θ ( N ) = ⎢ λ N − jϕ ( j )ϕ T ( j ) ⎥ ⎢ λ N − jϕ ( j ) y ( j ) ⎥
* *
* (8.56)
⎢ j =1 ⎥ ⎢ j =1 ⎥
⎣ ⎦ ⎣ ⎦
Expresia estimatorului rǎmâne nemodificată:
^ ^
θ (t ) = θ (t − 1) + P(t )ϕ (t )ξ (t ) (8.57)
Matricea de covarianţǎ P(t) este însă influenţată de factorul de
ponderare conform relaţiei:
P −1 (t ) = λP −1 ( t − 1) + ϕ ( t )ϕ T ( t ) (8.58)
sau:
1 ⎡ ϕ (t )ϕ T (t ) P(t − 1) ⎤
P (t ) = P (t − 1) ⎢ I na + nb +1 − ⎥ (8.59)
λ ⎢⎣ λ + ϕ T (t ) P(t − 1)ϕ (t ) ⎥⎦
Algoritmii de identificare recursivǎ de tipul CMMP cu factor de
ponderare constant prezintǎ o serie de dezavantaje. Estimarea cu λ<1 nu
va converge niciodatǎ exact Dacă parametrii procesului nu se modificǎ.
^
Parametrii estimaţi θ( t ) vor oscila în jurul valorilor reale θ( t ) , iar oscilaţia
va fi cu atât mai mare cu cât λ va fi mai mic. Mai mult, estimatorul poate
deveni instabil dacă pentru un set suficient de mare de mǎsurǎtori
(N*>1/(1-λ)) semnalul de intrare folosit în identificare nu este persistent.
Spre exemplu în situaţia în care procesul se gǎseşte într-un punct de
funcţionare, aportul de informaţie furnizat de valorile actualizate ale
datelor ϕ(t) este nesemnificativ iar matricea P(t) va lua valori succesive
determinate cu relaţia:
1
P( t ) ≅ P( t − 1). (8.60)
λ
Matricea P(t) va lua valori crescătoare şi va produce corecţii eronate
164
^
ale lui θ( t ) . Altfel spus reziduuri mici vor conduce la modificǎri mari ale
parametrilor estimaţi.

8.6.2. Algoritmi ponderaţi de tipul CMMP cu factor de ponderare


variabil

Dezavantalele menţionate conduc la concluzia că ar fi de dorit un


factor de ponderare λ variabil astfel încât λ<1 când parametrii procesului
suferǎ modificǎri şi λ=1 când parametrii sunt constanţi.
Adaptarea factorului de uitare λ(t) se poate face în doyă moduri.
a) Se utilizează o lege de variaţie liniarǎ:
λ (t ) = λ 0λ (t − 1) + (1 − λ 0 ) (8.61)
astfel încât:
⎧λ (0) < 1 ← ponderare puternica in regim initial
⎪⎪
⎨λ (t ) > λ ( t − 1) ⎫⎪
⎪lim λ (t ) = 1 ⎬ ← ponderarea se atenueaza in timp
⎪⎩ t →∞ ⎭⎪
pentru valori λ (0), λ 0 ∈[0.95...0.99] . La modificări semnificative ale
parametrilor procesului, sesizatǎ prin valori mari ale erorii de
predicţie, ξ( t ) , λ se reseteazǎ la valoarea minimǎ λ(0).
b) Se utilizează o ponderare direcţionalǎ în planul parametrilor.
Reactualizarea matricei de covarianţǎ se va face în acest caz cu relaţia:
P −1 (t ) = P −1 (t − 1) + r (t )ϕ (t )ϕ T (t ) (8.62)
Relaţia (8.62) este echivalentǎ cu:
⎡ ⎤
⎢ ϕ (t )ϕ T (t ) P(t − 1) ⎥ 1− λ
P(t ) = P(t − 1) ⎢ I na + nb +1 − ⎥ r(t) = λ − (8.63)
⎢ 1
+ ϕ T (t ) P(t − 1)ϕ (t ) ⎥ ϕ (t)P(t −1)ϕ(t)
T
⎢⎣ r (t ) ⎥⎦

8.7. Convergenţa algoritmilor CMMP recursivi

Existenţa soluţiei ecuaţiei


−1
⎡ N* ⎤ ⎡ N* ⎤
∑ ∑
^
θ ( N ) = ⎢ ϕ (t)ϕ T (t ) ⎥
* ⎢ ϕ (t ) y (t ) ⎥ (8.64)
⎢ t=1 ⎥ ⎢ t=1 ⎥
⎣ ⎦ ⎣ ⎦
165
este condiţionatǎ de existenţa maticei inverse. Corespunzǎtor pentru un
^
set N* foarte mare de mǎsurǎtori existenţa soluţiei θ (şi implicit
convergenţa algoritmului) se obţine dacǎ:
⎡ N* ⎤

1
lim det ⎢ ϕ (t)ϕ T (t ) ⎥ ≠ 0
N * →∞ N
*
⎢ t=1 ⎥
⎣ ⎦
Similar, algoritmii CMMP recursivi vor fi convergenţi dacǎ:
^ ^
θ (t ) ≅ θ (t − 1) pentru t → ∞
ceea ce înseamnǎ cǎ:
lim P (t ) → 0
t →∞

Luând în considerare relaţia de calcul recursiv a lui P(t):


−1
⎡ ⎤
[ ]
t
−1
−1
P(t ) = P (t − 1) + ϕ (t )ϕ (t ) T
= ⎢ P −1 (0) +
⎢⎣

i =1
ϕ (i )ϕ (i ) ⎥
T

⎥⎦
algoritmul de identificare va fi convergent dacǎ:
−1
⎡ t ⎤
[ ] [ ]
−1

1
∃⎢ ϕ (i )ϕ T (i ) ⎥ ⇔ ∃ ΦT (t )Φ(t ) , ∀t ⇔ lim det Φ T (t )Φ(t ) ≠ 0
⎢⎣ i =1 ⎥⎦ t →∞ t

În consecinţǎ, îndeplinirea condiţiilor de convergenţǎ presupune:


a) Mǎrimea de intrare sǎ fie persistentǎ de ordin n>max(na,nb+1).
Condiţia de persistenţǎ a intrǎrii presupune cǎ u(t) excitǎ suficient
procesul astfel încât tranziţia cauzalǎ comandǎ/ieşire declanşatǎ
sǎ furnizeze informaţie suficient de bogatǎ referitoare la modelul
sistemului. În termeni practici urmǎtoarele semnale de intrare sunt
adecvate unei estimǎri recursive:
- Semnalul aleator cu distribuţie normalǎ şi nivel superior zgomotului
ce afecteazǎ mǎsura.
- Semnalul rectangular (secvenţe de trepte pozitive şi negative) de
perioadǎ (10..15)Tp (Tp este constanta de timp dominantǎ a procesului).
În cazul în care nu pot fi folosite astfel de semnale pentru identificare
din considerentul unor limitǎri tehnologice nivelul de supervizare şi
coordonare va declanşa mecanismul de estimare numai la depistarea unui
regim tranzitoriu al procesului.
b) Mǎrimile u(t), y(t) sǎ fie necorelate, adicǎ vectorii
ϕ T (t ) = [ y (t − 1)... y (t − na ) u( t − d ), u( t − d − nb)]
sǎ fie liniar independenţi. Aceastǎ ipotezǎ nu este valabilǎ pentru marea
majoritate a cazurilor întâlnite în sistemele adaptive, pentru care se
166
doreşte o identificare on-line a procesului când acesta funcţioneazǎ într-o
buclǎ de reglare convenţionalǎ. Situaţia conduce la pierderea
identificabilitǎţii procesului. Rezolvarea problemei de identificabilitate
se poate face prin una din metodele:
- folosirea unei legi de reglare de ordin superior;
- folosirea unei legi de reglare neliniarǎ;
- considerând sistemul ca fiind un sistem de urmǎrire şi aplicând o
referinţǎ r(t) de tip semnal persistent (semnal aleator, semnal rectangular
sau referinţǎ impusǎ tehnologic) combinatǎ cu utilizarea sistemului de
supervizare şi coordonare care sǎ inhibe algoritmul de estimare la
depistarea unor regimuri staţionare îndelungate.

(4)

167
9.1. Structuri ale sistemelor automate

Proiectarea algoritmului de reglare se face pe considerentul realizǎrii


unor condiţii de bazǎ pe care sistemul automat trebuie sǎ le
îndeplineascǎ:
- stabilitate în sensul obţinerii unor evoluţii mǎrginite pentru semnalul
de ieşire, comenzile aplicate şi pentru variabilele de stare.
- precizie specuficată reglǎrii în regim staţionar.
- rǎspunsul sistemului automat trebuie sǎ fie suficient de amortizat.
- sǎ rǎspundǎ suficient de rapid atât la variaţia mǎrimii prescrise cât şi
a perturbaţiei.
Condiţia de stabilitate (1) este esenţială, iar condiţiile (2)-(4) definesc
performanţele impuse ca date iniţiale de proiectare a regulatorului şi sunt
determinate, în formǎ valoricǎ, de cerinţele tehnologice, şi de
caracteristicile de transfer ale elementului de execuţie şi ale
traductoarelor. În condiţiile reglǎrii unui sistem liniar, modelat cu
exactitate şi izolat de acţiunea perturbaţiilor stohastice, atingerea oricǎror
performanţe impuse, de tipul celor anterior specificate, este posibilǎ prin
utilizarea unui algoritm de reglare suficient de complex.

167
În formularea problemei deterministe sunt incluse atât sistemele de
urmǎrire cât şi cele de reglare propriu-zise, în sensul rejecţiei
perturbaţiilor mǎsurabile. De asemenea, sinteza legilor de reglare în
context determinist oferǎ de multe ori sugestii pentru sinteza şi analiza
sistemelor automate ce acţioneazǎ în context stohastic.
Se considerǎ modelul matematic liniar discretizat al procesului
determinist de forma:
A(q-1)y(t)=q-dB(q-1)u(t) (1)
Structura buclei convenţionale de reglare este prezentatǎ în fig.1.
Forma controlerului folosit pentru elaborarea comenzii este:
F(q-1)u(t)=H(q-1)r(t)-G(q-1)y(t) (2)

r(t) u(t) B( q −1 ) y(t)


H ( q −1 ) q −d
A ( q −1 )
F( q −1 ) -

G ( q −1 )
F( q −1 )
REGULATOR PROCES
Fig. 1
Legea de reglare din ecuaţia 2 este aşa numita lege de reglare cu “douǎ
grade de libertate” (2DOF). Dacă H(q-1)≡G(q-1) se obţine legea de reglare
pe principiul abaterii (1DOF):
F(q-1)u(t)=G(q-1)e(t), e(t)=r(t)-y(t) (3)

r(t) u(t) y(t)


G ( q −1 ) B( q −1 )
q −d
- F(q −1 ) A( q −1 )

REGULATOR PROCES
Fig. 2
Schema bloc din Fig.1 poate fi adusǎ la forma prezentatǎ în Fig.3, în
care regulatorul prelucreazǎ abaterea dintre semnalul rm(t) obţinut prin
filtrarea referinţei şi mǎsura mǎrimii reglate y(t) obţinutǎ prin reacţia

168
inversǎ.

rm(t) e(t) u(t) y(t)


r(t) H ( q −1 ) G ( q −1 ) −d B( q −1 )
q
G ( q −1 ) - F( q −1 ) A ( q −1 )

REGULATOR PROCES
Fig. 3
Prefiltrarea referinţei limiteazǎ banda de frecvenţe a semnalului de
intrare în bucla închisǎ şi are unele efecte benefice asupra performanţelor
sistemului de reglare, în special în regimurile tranzitorii, prin atenuarea
suprareglǎrii, creşterea gradului de amortizare şi, nu în ultimul rând,
micşorarea gradului de oscilaţie a comenzii.
Rezultǎ În final modelul matematic al sistemului automat:
B(q −1 ) ⎡ H (q −1 ) G (q −1 ) ⎤
y (t ) = q −d −1 ⎢ −1
r (t ) − −1
y (t )⎥ =
A(q ) ⎣ F (q ) F (q ) ⎦ (4)
−1 −1
B ( q ) H ( q )
= q −d r (t )
A(q −1 ) F (q −1 ) + q −d B (q −1 )G (q −1 )
sau:
[ ] [ ]
A(q −1) ) F (q −1 ) + q − d B (q −1 ) G (q −1 ) y (t ) = q − d B(q −1 ) H (q −1 ) r (t ) (5)
Se remarcǎ faptul cǎ în urma închiderii buclei de reglare se produce
modificarea structural-parametricǎ a polinomului polilor, cu influenţe
atât asupra performanţelor de reglare cât şi asupra stabilitǎţii sistemului
automat. Zerourile procesului se transferǎ sistemului automat; la acestea
se pot adǎuga zerourile suplimentare ale lui H(q-1), introduse de structura
adiţionalǎ de prefiltrare a referinţei. Zerourile finite ale procesului pot
influenţa nefavorabil dinamica sistemului automat şi se compenseazǎ
printr-o proiectare adecvatǎ a legii de reglare. O astfel de compensare
constǎ practic în alegerea implicitǎ a unora dintre polii regulatorului la
valori date de zerourile procesului. Aceastǎ soluţie trebuie însǎ sǎ fie
evitatǎ în situaţia în care procesul are zerouri instabile sau pe axa realǎ
negativǎ a planului Z, pentru a nu produce instabilitatea regulatorului sau
oscilaţii pronunţate ale comenzii.
Întârzierea purǎ a procesului se transferǎ sistemului automat conform
169
(5). Cele d zerouri infinite corespunzând întârzierii pot fi formal
compensate doar prin utilizarea unei structuri de reglare necauzale, de tip
anticipativ, conectatǎ serie cu procesul reglat.
Metoda de proiectare utilizatǎ în determinarea structurii şi
parametrilor legii de reglare depinde în mod esenţial de tipul procesului
reglat şi de obiectivele de reglare urmǎrite. Pentru proiectarea
parametricǎ a legilor de reglare de tipul (2) se folosesc preponderent
metode de optimizare parametricǎ şi metode de alocare.
Metodele de proiectare prin optimizare parametricǎ se bazeazǎ pe
minimizarea unui criteriu de performanţǎ pǎtratic. În majoritatea
cazurilor se anticipeazǎ predictiv, pe baza modelului procesului reglat şi
comportǎrii curente a acestuia, evoluţia viitoare a mǎrimilor reglate.
Utilizând procedee de optimizare se deduce comanda care determinǎ
evoluţia optimalǎ a ieşirii sistemului pe o traiectorie cât mai apropiatǎ de
referinţa impusǎ. Astfel exprimarea performanţelor de reglare se face în
mod direct şi global, fiind cuprinse în cadrul aceleiaşi funcţii criteriu atât
performanţe tranzitorii cât şi staţionare. Aplicatǎ proceselor stohastice
metoda urmǎreşte prioritar micşorarea dispersiei (varianţei) semnalului
reglat. Algoritmii obţinuţi în acest caz sunt algoritmi de minimǎ varianţǎ.
În cazul sistemelor de urmǎrire algoritmii sunt de tip predictiv. Avantajul
utilizǎrii metodelor bazate pe minimizarea criteriilor pǎtratice este acela
cǎ pot fi aplicate şi sistemelor cu restricţii, respectiv poate fi luatǎ în
considerare în cadrul criteriului de performanţǎ şi optimizarea energeticǎ
a comenzii.
În cazul metodelor de alocare este exploatatǎ relaţia dintre
configuraţia poli-zerouri a unui sistem, în cazul de faţǎ sistemul automat,
şi performanţele acestuia. Impunând un model dorit pentru transferul în
buclǎ închisǎ de forma
T ( q −1 )
y (t ) = q − d r (t ) (6)
S (q −1 )
se pot deduce pe baza relaţiei (5) parametrii regulatorului. Alocarea
completǎ a polilor şi zerourilor conduce, în absenţa restricţiilor şi cu
condiţia unei modelǎri precise a procesului, la obţinerea unor
performanţe de reglare optimale. Acest tip de comandǎ nu poate fi însǎ
aplicat proceselor de fazǎ neminimǎ deoarece prin simplificarea
zerourilor situate în afara domeniului de stabilitate se produce o evoluţie
nemǎrginitǎ a comenzii. O metodǎ mai robustǎ dar mai puţin performantǎ
este aceea a alocǎrii exclusive a polilor. În acest caz zerourile procesului
170
nu sunt compensate, obţinându-se în multe cazuri comportǎri
suboptimale ale buclei de reglare. Aplicabilitatea metodei se extinde
asupra unei clase largi de procese, inclusiv cele de fazǎ neminimǎ.

9.2.. Reglarea adaptivă bazată pe metode de alocare


Cea de-a doua funcţie importantă în cadrul unui sistem adaptiv cu
autoacordare este funcţia de proiectare a algoritmului de reglare având la
bază informaţia de construcţie (structura, parametrii) obţinută în faza de
estimare recursivă a parametrilor. Performanţele sistemelor adaptive cu
autoacordare depind în principal de procesul de identificare şi de
algoritmul de reglare implementat. Astfel comanda procesului, u(t), se
impune a fi determinată astfel încât să asigure o bună compensare a
perturbaţiilor ce acţionează asupra procesului şi o identificare viitoare
corespunzătoare.
Aceste două cerinţe în anumite cazuri pot fi contradictorii
impunându-se la alegerea metodelor de estimare a parametrilor şi a
metodelor de proiectare a algoritmilor de reglare realizarea unor cerinţe
de performanţă globale cât mai bune.
Un algoritm de reglare ce satisface simultan ambele cerinţe de
performanţă enunţate este cunoscut sub denumirea de algoritm de reglare
adaptiv dual.
Proiectarea unui asemenea algoritm apelează la valoarea curentă a
semnalului de comandă şi informaţia viitoare, spre deosebire de
algoritmii de reglare neduali care utilizează la proiectare numai
semnalele prezente şi trecute şi informaţia curentă asociată procesului.
În general algoritmii de reglare se proiectează off-line înaintea
implementării lor pe un sistem numeric, impunându-se în cadrul
structurii de sistem adaptiv doar calcularea parametrilor de acord ai
algoritmului în funcţie de parametrii procesului (principiul invarianţei
structurale a regulatorului). Algoritmii de reglare adaptivi astfel
determinaţi, implementaţi pe structuri numerice de conducere, trebuie să
satisfacă următoarele condiţii:
• condiţia de identificabilitate în buclă închisă;
• cerinţe pentru memorare şi efort de calcul reduse pentru calculul
parametrilor algoritmului;
• aplicabilitatea algoritmilor la clase cât mai largi de procese şi semnale.
Principalele proceduri utilizate pentru proiectarea algoritmilor de
171
reglare pentru perturbaţii deterministe şi stohastice sunt:
• proceduri de alocare a polilor şi zerourilor;
• proceduri predictive ce asigură eroare minimă de predicţie;
• procedura de minimă varianţă;
• proceduri de optimizare parametrică;
De asemenea fiecare algoritm de reglare, obţinut printr-o procedură
oarecare, poate conţine sau nu componentă integrală pentru a asigura
performanţe corespunzătoare de regim staţionar.

Procedura de proiectare bazată pe alocarea polilor şi zerourilor


funcţiei de transfer poate fi combinată pentru cazul determinist cu
metoda de estimare recursivă de tipul CMMP.
Se consideră modelul matematic discretizat al procesului determinist
de forma:
A(q-1)y(t)=q-dB(q-1)u(t)
(1)
având:
A(q-1)=1+a1q-1+a2q-2+.......+anaq-na
(2)
B(q-1)=b0+b1q-1+b2q-2+......+bnbq-nb
(3)
Structura buclei convenţionale de reglare este prezentată în fig.1.
Forma generală a algoritmului de reglare folosit de sistemul decizional în
elaborarea comenzii este:
F(q-1)u(t)=H(q-1)r(t)-G(q-1)y(t)
(4)
unde:
H(q-1)=h0+h1q-1+h2q-2+.......+hnhq-nh
(5)
G(q )=g0+g1q-1+g2q-2+.......+gngq-ng
-1

(6)
F(q-1)=1+f1q-1+f2q-2+.......+fnfq-nf=1+q-1(f1+f2q-1+.......+fnfq-nf-
1
)=1+q-1F*(q-1) (7)

172
r(t) u(t) B( q −1 ) y(t)
H ( q −1 ) q −d −1
A( q )
F(q −1 ) -

G ( q −1 )
F(q −1 )
REGULATOR PROCES
Fig.1
Modelul matematic al sistemului automat, pentru cazul general al
legii de reglare 2DOF, este:
B (q −1 ) ⎡ H (q −1 ) G (q −1 ) ⎤ B(q −1 ) H (q −1 )
y (t ) = q − d −1 ⎢ −1
r (t ) − −1
y (t ) ⎥ = q − d r (t )
A( q ) ⎢⎣ F (q ) F (q ) ⎥⎦ A ( q ) F ( q −1 ) + q − d B ( q − 1 ) G ( q − 1 )
−1

(8)
[ ] [
sau: A(q −1) ) F (q −1 ) + q − d B(q −1 )G (q −1 ) y (t ) = q − d B(q −1 ) H (q −1 ) r (t ) ] (9)
Proiectarea legii de reglare prin metode de alocare poli-zerouri este
preponderent utilizată în cadrul sistemelor de urmărire, atunci când
mărimea reglată trebuie să urmărească cu fidelitate evoluţia mărimii de
referinţă. Esenţială este în acest caz realizarea preciziei de reglare în
regim staţionar dar, în condiţiile unor solicitări tehnologice mai
pretenţioase în ceea ce priveşte calitatea reglării, este de dorit obţinerea
unei comportări optimale şi pe parcursul evoluţiei tranzitorii a procesului.
Metodele de alocare implică găsirea soluţiilor unor ecuaţii polinomiale,
având ca necunoscute polinoamele legii de reglare, astfel încât sistemul
automat obţinut (8) să aibă un model matematic impus, de forma :
T ( q −1 )
y (t ) = q − d r (t ) (10)
S (q −1 )
Alocarea completă a polilor şi zerourilor conduce, în absenţa
restricţiilor şi cu condiţia unei modelări precise a procesului, la obţinerea
unor performanţe de reglare optimale.

9.2.1.Proiectarea algoritmilor de reglare monovariabilă prin metode


de alocare a polilor

Această strategie permite calculul unui regulator numeric


(polinoamele F(q-1), G(q-1) şi H(q-1)) pentru sisteme stabile sau instabile
173
fără restricţii asupra întârzierii procesului, de fază minimă sau neminimă.
Deoarece nu se simplifică zerourile procesului (acestea putând fi
instabile) structura sistemului în buclă închisă se doreşte a fi de forma:
B(q −1 ) H (q −1 )
y (t ) = q − d r (t ) (11)
S ( q −1 )
Astfel considerând modelele (9) şi (11) polinoamele F(q-1) şi G(q-1)
sunt soluţii ale ecuaţiei polinomiale:
A(q-1)F(q-1)+ q-dB(q-1)G(q-1)=S(q-1) (12)
denumită şi ecuaţia de alocare sau ecuaţia Diophantine. Ecuaţia (11) este
o generalizare polinomială a ecuaţiei Bézout şi acceptă soluţia (F(q-
1
),G(q-1)) dacă sunt îndeplinite următoarele ipoteze:
(i) Polinoamele A(q-1) şi B(q-1) sunt coprime; în caz contrar divizorul lor
comun trebuie să fie şi divizor al lui S(q-1).
(ii) Ecuaţia Diophantine fiind o ecuaţie polinomială, ordinul celor doi
termeni trebuie să satisfacă relaţia:
ns=grad S(q-1)≤max(na+nf,nb+ng+d) (13)
(iii) Numărul ecuaţiilor liniare rezultate din egalarea coeficienţilor
polinomiali ai celor doi termeni ai ecuaţiei nu depăşeşte numărul
necunoscutelor (coeficienţi necunoscuţi ai polinoamelor F(q-1) şi G(q-1))
max(na+nf,nb+ng+d) ≤nf+ng+1 (14)
Cazul de strictă inegalitate pentru condiţia (iii) corespunde unei
infinităţi de soluţii F(q-1), G(q-1) pentru ecuaţia Diophantine; această
situaţie poate fi exploatată pentru impunerea unor performanţe
suplimentare pentru algoritmul de reglare (minimizarea comenzii, control
optimal etc).Soluţia unică standard a ecuaţiei de alocare (12) se obţine
pentru:
nf=nb+d-1; ng=na-1; ns≤na+nb (15)
În acest caz, sistemul liniar de ecuaţii, rezultat din (13) prin egalarea
coeficienţilor polinomiali, se poate rescrie în formă matriceală:
⎡F ⎤ ⎡F ⎤
[ A, B]⎢G ⎥ = S − A1 ⇒ ⎢G ⎥ = [ A, B]−1[S − A1 ] (16)
⎣ ⎦ ⎣ ⎦
unde:

174
⎡ 1 0 0 ... 0 ⎤
⎢a 1 0 ... 0 ⎥⎥
⎢ 1
⎢ a2 a1 1 ... 0 ⎥
⎢ ⎥
... ... ... ... ... ⎥ , dimA=(na+nb+d-1)x(nb+d-1) (17)
A=⎢
⎢ana ana −1 ana − 2 ... ⎥
⎢ ⎥
⎢ 0 ana ana −1 ... ⎥
⎢ ... ... ... ... ... ⎥
⎢ ⎥
⎢⎣ 0 0 0 ... ana ⎥⎦
⎡0 0 ... 0⎤
⎢ ⎥ ⎫
⎢ ... ... ... ... ⎥ ⎪
⎬ d - 1 randuri cu elemente nule
⎢0 0 ... 0⎥ ⎪
⎢ ⎥ ⎭
⎢ 0
b 0 ... 0⎥
⎢ b1 b0 ... 0⎥
B=⎢ ⎥ , dim B = (na + nb + d - 1)x(na) (18)
⎢ ... ... ... ... ⎥
⎢b b ... ⎥
⎢ nb nb −1 ⎥
⎢0 bnb ... ⎥
⎢ ⎥
⎢ ... ... ... ⎥
⎢⎣ 0 0 ... bnb ⎥⎦
F=[f1 f2 .......fnf]T (19)
G=[g0 g1 .....gng]T (20)
S=[s1 s2 ....sns 0 ...0]T, dim S=(na+nb+d-1)x1 (21)
A1=[a1 a2 ...ana 0 ...0]T, dim A1=(na+nb+d-1)x1 (22)
Matricea [A,B] din (16) este matricea Sylvester asociată
reprezentării polinomiale a sistemului şi este nesingulară în condiţiile
respectării ipotezei (i).
Alocarea polilor
Relaţiile existente între performanţele unui sistem şi poziţiile polilor
şi zerourilor acestuia sunt deseori utilizate în selectarea modelului
matematic dorit al sistemului automat. Conform (13) şi (15) gradul
polinomului polilor alocaţi, S(q-1), este limitat maximal de ordinul
modelului procesului reglat. În practică se impun pentru sistemul automat
unul sau doi poli dominanţi aleşi funcţie de performanţele dorite. Astfel
polinomul polilor alocaţi va avea una din formele:
• Polinom de ordinul I:
S(q-1)=1+s1q-1 (23)
Comportarea sistemului reglat va corespunde în acest caz
comportării unui sistem cu întârziere de ordinul I; răspunsul y(t) la

175
semnal de referinţă treaptă va fi în consecinţă aperiodic. Valoarea
efectivă s1 va determina durata regimului tranzitoriu (timpul de răspuns,
tr). Astfel, considerând un sistem continuu de ordin I:
k
H F ( s) = (24)
T1s + 1
se obţine:
tt ≅ 4T1 (25)
Discretizatul său are forma:
⎛ ⎛ − ⎞⎞
T
−1 ⎜⎜ T1 ⎟ ⎟
z ⎜k 1− e
⎜ ⎜⎝ ⎟ ⎟⎟
⎠⎠ z −1b
( )
⎛ ⎛ H ( s) ⎞ ⎞
H ( z −1 ) = 1 − z −1 Z ⎜ L−1 ⎜ F ⎟ ⎟ =
⎝ ⎝ s ⎠⎠


T
=
1 + a1 z −1
(26)
T1 −1
1− e z
Folosind (24)-(26) se poate deduce relaţia dintre timpul de răspuns
dorit (tt) şi valoarea coeficientului polinomial s1:
T 4T
− −
s1 = a1 = − e T1
= −e tt
(27)
• Polinom de ordin II
S(q-1)=1+s1q-1+s2q-2 (28)
Comportarea sistemului reglat va fi echivalentă cu comportarea unui
sistem continuu cu întârziere de ordinul II având parametrii ξ şi ωn.
ω 2m
H F ( s) = (29)
s + 2ξω n s + ω 2n
2

Valorile parametrilor ξ şi ωn determină performanţele tranzitorii ale


sistemului:
- suprareglarea:
ξ
−π
1− ξ 2 ⎛ ξ ⎞
σ =e ≅ ⎜1 − ⎟ (30)
⎝ 0.6 ⎠
Suprareglări acceptabil de mici sunt sub 10%, uzual practicându-se o
2
alegere a factorului de amortizare ξ ≤ în tentativa de a obţine
2
suprareglări maximale de 4.3%.
- timpul de creştere a răspunsului indicial de la 10% la 90% din
valoarea finală:
tc≅2.5/ωn (31)
- timpul de răspuns (stabilizare în banda de 5% în jurul valorii
finale de regim staţionar):
176
tr=4.6/(ξωn) (32)
Valorile impuse pentru timpii de creştere şi de stabilizare sunt
condiţionate tehnologic dar şi de restricţii impuse în evoluţia comenzii de
către elementul de execuţie. Astfel în cazul alegerii unor valori extrem de
mici, cu un ordin de mărime mai mici decât constanta de timp dominantă
a procesului reglat, se obţine de cele mai multe ori saturarea comenzii.
Discretizatul modelului continuu (29) are expresia:

( )
⎛ ⎛ 1 − e − sT
H z −1 = Z ⎜⎜ L−1 ⎜⎜
⎞⎞
H F ( s)⎟⎟ ⎟⎟ =
(
z −1 b1 + b2 z −1) (33)
−1 −2
⎝ ⎝ s ⎠ ⎠ 1 + a1 z + a2 z
unde:
⎧ ⎛ ξω n ⎞
⎪b1 = 1 − α ⎜⎝ β + δ⎟
⎧α = e −ξω n T
⎪ ω ⎠

⎪⎪ ⎛ ξω n ⎞ ⎪β = cosωT
⎨b2 = α + α ⎜⎝ β + δ⎟
2
⎨δ = sin ωT (34)
⎪ ω ⎠ ⎪
⎪a1 = −2αβ ⎪ω = ω 1 − ξ 2
⎪ ⎩ n
⎪⎩a2 = α 2
Performanţele dorite fiind precizate atunci folosind relaţiile (30)-(32)
pentru sintetizarea modelului continuu aferent ( ξ , ω n ) şi apoi relaţiile de
legătură dintre coeficienţii modelului (29) şi (33), adică (34), constantele
s1 şi s2 se vor alege conform relaţiilor:
s1 = a1 = −2e −ξω n T cos⎛⎜ ω n 1 − ξ 2 T ⎞⎟ (35)
⎝ ⎠
s2 = a2 = e −2ξω n T (36)
Din considerentul asigurării realizabilităţii fizice a regulatorului
restricţia minimală în ceea ce priveşte numărul polilor alocaţi pentru
sistemul automat este:
ns≥na (37)
Pentru satisfacerea restricţiei (37), polii dominanţi se completează cu
poli “îndepărtaţi”, aleşi pe axa reală pozitivă în apropierea originii
(planul z), astfel încât influenţa acestora asupra dinamicii buclei de
reglare va fi nesemnificativă. În acest fel, plecându-se de la polinomul
S(q-1) definit, se rezolvă ecuaţia de alocare (12) şi se obţin două din
cele trei polinoame ale legii de reglare cu două grade de libertate(F(q-1),
G(q-1)).
Pentru determinarea celui de-al treilea polinom (H(q-1)) se impune
un criteriu suplimentar, cel de asigurare a preciziei în reglare în regim
177
staţionar:
lim y (t ) r ( t ) =σ ( t ) = 1 (38)
t →∞
ceea ce presupune, conform (11), îndeplinirea cerinţei:
B(1) H (1) S (1)
= 1 ⇒ H (1) = =H (39)
S (1) B(1)
În acest caz, deci, polinomul H(q-1) se reduce la forma unei
constante.
Legea de reglare are forma:
Hr ( t ) − G (q −1 ) y (t )
u( t ) = (40)
F ( q −1 )
sau în formă recursivă:
u(t ) = Hr (t ) − G (q −1 ) y (t ) − F * ( q −1 )u(t − 1) (41)

9.2.2.Proiectarea algoritmilor de reglare monovariabilă prin metode


de alocare poli-zerouri

Alocarea polilor sistemului automat oferă posibilitatea de stabilizare


a sistemului dar nu este suficientă pentru optimizarea regimurilor
tranzitorii. Asigurarea unei comportări dinamice dorite a sistemului
automat presupune, simultan cu alocarea unei configuraţii a polilor, şi
deplasarea zerourilor modelului matematic al procesului reglat în poziţii
prestabilite, specificate în formă polinomială prin polinomul zerourilor
T(q-1), relaţia (10).
T ( q −1 )
y (t ) = q − d r (t ) (10)
S (q −1 )
Din (10) se observă însă că utilizarea legii de reglare 2DOF transferă
zerourile procesului ca zerouri ale sistemului automat, cerinţa:
T(q-1)=B(q-1)H(q-1) (42)
fiind realizată printr-o alegere corespunzătoare a polinomului H(q-1)
numai în cazul în care B(q-1) este divizor polinomial al lui T(q-1).
O posibilă simplificare a zerourilor procesului, necesară atunci când
aceste zerouri au caracter dominant, este posibilă prin utilizarea unei legi
de reglare ce alocă, suplimentar polilor specificaţi prin S(q-1), poli
identici cu zerourile procesului. În aceste condiţii ecuaţia de alocare (12)
devine:
A(q-1)F(q-1)+ q-dB(q-1)G(q-1)=B(q-1)S(q-1) (43)
178
Există însă situaţii (sisteme de fază neminimă, întârzieri temporale
pure în proces de valoare mai mică decât perioada de eşantionare) în care
cel puţin o parte a zerourilor procesului sunt poziţionate în afara cercului
de rază unitară. Estimarea imprecisă a acestor zerouri poate conduce la
pierderea stabilităţii sistemului automat prin poziţionarea unor poli
suplimentari în afara domeniului de stabilitate.
Astfel, considerând procesul descris de ecuaţia (1)
B ( q −1 )
y (t ) = q − d u( t ) (1)
A( q −1 )
şi modelul de proiectare dorit (modelul de referinţă) (10)
T ( q −1 )
y (t ) = q − d r (t ) (10)
S (q −1 )
pentru a se obţine o variaţie identică a mărimii de ieşire trebuie asigurat
un semnal de comandă, u(t), de forma:

B(q −1 ) T (q −1 ) A(q −1 ) T (q −1 )
y( t ) = q − d −1
u( t ) = q − d −1
r ( t ) ⇒ u( t ) = r (t ) (44)
A(q ) S (q ) B(q −1 ) S (q −1 )
Se observă astfel că dacă vreo rădăcină a polinomului B(q-1)S(q-1)
este în exteriorul cercului unitar sau slab amortizată semnalul de
comandă va fi oscilant sau chiar nemărginit.

Se propune în consecinţă, ca măsură de siguranţă garantă pentru


conservarea stabilităţii buclei de reglare, simplificarea parţială a
zerourilor procesului. În acest caz se impune ca regulatorul să
compenseze numai zerourile stabile ale polinomului B(q-1), care poate fi
factorizat sub forma:
B(q-1)= B+(q-1) B-(q-1) (45)
+ −1 + −1 + − nb +
B (q ) = 1 + b1 q +...+bnb + q (46)

B − ( q −1 ) = b0− + b1− q −1 +...+bnb

−q
− nb
(47)
b0− +
= b0 , nb + nb = nb −
(48)
+ -1
unde B (q ) este un polinom monic cu zerourile în interiorul cercului de
rază unitară iar B-(q-1) are zerourile instabile.
În acest context polinoamele F(q-1) şi S(q-1) vor conţine părţi fixe
impuse, prespecificate. Pentru a ţine cont de acestea ele se factorizează
sub forma:
F(q-1)= B+(q-1) F+(q-1) (49)
179
+
F+(q-1)= 1 + f1+ q −1 +...+ f nf+ + q − nf nf=nf++nb+ (50)
iar
S’(q-1)=S(q-1)B+(q-1) (51)
Relaţia (10) devine:
B + ( q −1 ) B − ( q −1 ) H ( q −1 ) B − ( q −1 ) H ( q −1 )
y( t ) = q − d −1 + −1
r (t ) = q − d r (t ) (52)
S (q ) B (q ) S (q −1 )
Pe de altă parte, ţinând cont de factorizările (49) şi (51) ecuaţia de
alocare (43) se poate rescrie în forma:
A(q-1)F+(q-1)B+(q-1)+ q-d B+(q-1)B-(q-1)G(q-1)= B+(q-1)S(q-1) (53)
sau:
A(q-1)F+(q-1)+ q-d B-(q-1)G(q-1)= S(q-1) (54)

Concluzia care se desprinde din analiza modelului (52) este aceea că,
din considerentul garantării stabilităţii sistemului automat în condiţiile
unor imperfecţiuni de modelare parametrică a procesului, legile de
reglare proiectate prin metode de alocare nu permit eliminarea
comportării de fază neminimă a instalaţiei tehnologice. În consecinţă
forma polinomului dorit pentru zerourile sistemului automat va avea
structura:
T(q-1)=B-(q-1)H(q-1) (55)
-1
H(q ) fiind un polinom al zerourilor suplimentare introduse din
considerente de performanţă (determinantă fiind optimizarea comenzii şi
reducerea gradului de oscilaţie a acesteia). Proiectarea polinomului H(q-1)
al legii de comandă va fi ca urmare realizată în concordanţă cu atribuirea
acestor zerouri suplimentare.
Similar cazului alocării numai a polilor, suplimentar, în determinarea
lui H(q-1) se va ţine seama de restricţia de asigurare a exactităţii de
reglare în regim staţionar (38), ceea ce presupune îndeplinirea cerinţei:
B − (1) H (1) S (1)
= 1 ⇒ H (1) = − (56)
S (1) B (1)
Legea de reglare va avea forma:
H ( q −1 ) r (t ) − G (q −1 ) y(t )
u( t ) = (57)
F (q −1 )
sau în formă recursivă:
u( t ) = H (q −1 )r (t ) − G ( q −1 ) y( t ) − F * (q −1 )u( t − 1) (58)

Pentru detalierea acţiunilor implicate în sinteza on-line a


180
regulatorului se va lua în considerare cazul utilizării legii de reglare cu
simplificarea parţială a zerourilor stabile ale procesului. Acţiunile
implicate în procedura de proiectarea regulatorului (considerând
estimaţiile modelului disponibile) sunt:
• Determinarea divizorilor stabili şi instabili ai polinomului B(q-1) al
procesului conform relaţiei (45);
• Rezolvarea ecuaţiei de alocare (54) folosind tehnici matriceale (16);
• Calculul polinomului polilor regulatorului F(q-1) conform (49);
• Determinarea polinomului H(q-1) ale cărui rădăcini se impun de
utilizator şi care respectă condiţia (56).
Pentru alocarea exclusivă a polilor, factorizarea (45) implicată de
pasul 1 nu se mai efectuează considerându-se B+(q-1)=1.

9.3. Precizia reglării în regim staţionar

Exceptând dezideratul obţinerii unor comportări optimale ale


sistemului automat pe parcursul desfăşurării regimurilor tranzitorii,
esenţiale rămân proprietăţile de stabilitate şi exactitate în regim staţionar.
Astfel legea de reglare
F(q-1)u(t)=H(q-1)r(t)-G(q-1)y(t) (1)
unde:
H(q-1)=h0+h1q-1+h2q-2+.......+hnhq-nh (2)
G(q-1)=g0+g1q-1+g2q-2+.......+gngq-ng (3)
F(q-1)=1+f1q-1+f2q-2+.......+fnfq-nf (4)
se proiectează astfel încât să fie rezolvate simultan problemele reglării şi
urmăririi: bucla de reglare trebuie să fie stabilă, ceea ce corespunde unor
durate finite ale regimurilor tranzitorii, şi, în prezenţa unor mărimi
exogene persistente (referinţe şi/sau perturbaţii), trebuie să se manifeste o
tendinţă de anulare a abaterii:
lim e(t ) = lim [r (t ) − y(t )] = 0 (5)
t →∞ t →∞

Aceste proprietăţi ale sistemului automat se doresc rezolvate în mod


robust, adică îndeplinirea lor să fie garantată şi în situaţia în care
parametrii reali ai modelului matematic asociat procesului suferă
modificări faţă de valorile considerate în momentul proiectării
regulatorului. Robusteţea stabilizării se asigură prin impunerea unei
rezerve de stabilitate suficient de largi în faza de proiectare a legii de
reglare.
181
În cazul legii de reglare prin metode de alocare discutată anterior un
criteriu suplimentar în determinarea polinomului H(q-1) era asigurarea
exactităţii de reglare în regim staţionar, adică:
lim y(t ) r ( t ) =σ ( t ) = 1 (6)
t →∞

obţinându-se condiţiile:
B − (1) H (1) S (1)
= 1 ⇒ H (1) = − (7)
S (1) B (1)
Relaţia (7) asigură anularea erorii de reglare în regim staţionar doar
în situaţia în care identificarea procesului se realizează cu exactitate. De
asemenea acest procedeu de proiectare nu garantează anularea erorii
staţionare în cazul acţiunii perturbaţiilor persistente (medie nenulă) sau a
zgomotelor cu caracter nestaţionar.

Principiul rejecţiei perturbaţiilor cu ajutorul modelului intern al


acesteia
Precizia reglării în regim staţionar, condiţionată evident de o
comportare stabilă a buclei, este obţinută dacă în structura de reglare, pe
calea directă, se utilizează o structură adiţională ca replică a modelului
matematic ce descrie mărimea exogenă.
Considerăm structura unui sistem continuu în buclă închisă (fig.2) în
prezenţa unei perturbaţii ce acţionează asupra ieşirii reglate.
p(t)
+ +
r(t) B( s)
H d (s) =
A ( s) +
- y(t)

Fig.2
Adesea, se urmăreşte ca efectul perturbaţiei p(t) asupra ieşirii să fie
cât mai slab posibil, cel puţin în anumite benzi de frecvenţă (sisteme de
rejecţi a perturbatiei). În particular se urmăreşte ca efectul unei
perturbaţii constante (treaptă), numită perturbaţie de sarcină, să fie nul în
regim staţionar (t→∞ sau s→0).
Funcţia de transfer între perturbaţie şi ieşire se scrie:
y ( s) 1 A( s)
H0 p ( s ) = = = (8)
p ( s) 1 + H d ( s ) A( s) + B( s)
unde:
A( s) = sn + an −1sn −1 +.....+ a1s + a0
B ( s) = bm sm + bm −1sm −1 +.....+b1s + b0
182
Regimul staţionar corespunde pentru valoarea s=0, adică:
A( s) A(0) a0
ys = lim p= p= p (9)
s→ 0 A( s) + B ( s) A(0) + B (0) a0 + b0
Din condiţia ca perturbaţia p să nu aibă nici o influenţă asupra ieşirii
de regim staţionar se impune ca funcţia de transfer (9) să fie nulă, adică
a0=0. În acest caz polinomul A(s) are forma:
(
A (s) = sn + a n − 1sn −1 + .....+ a1s = s sn − 1 + a n − 1sn − 2 + .....+ a1 )
punând în evidenţă prezenţa unui integrator pur în funcţia de transfer a
căii directe, Hd(s).
Rezultatul obţinut se poate generaliza, atât pentru rejecţia diferitelor
tipuri de perturbaţii, deterministe sau stohastice, în cazul sistemelor de
rejecţie a perturbaţiilor, cât şi pentru asigurarea diferitelor tipuri de erori
de regim staţionar nule (poziţie, viteză sau acceleraţie) în cazul
sistemelor de urmărire. Pentru aceasta se apelează la conceptul de model
intern al perturbaţiei.
Descrierea perturbaţiilor deterministe
Se consideră perturbaţiile deterministe fundamentale: impulsul
Dirac, semnalul treaptă şi rampă. Perturbaţiile deterministe de tip treaptă
şi rampă pot fi descrise ca fiind rezultate prin trecerea unui impuls Dirac
printr-un filtru (fig.3). Filtrele corespunzătoare poartă denumirea de
modele de perturbaţie.

1 1
s s2
Fig.3

⎪⎪ L{σ (t )} = Mi ( s) L{δ ( 0)} ⇒ Mi ( s) σ ( t ) = s
1

⎨ (10)
⎪ L{t } = Mi ( s) L{δ (0)} ⇒ Mi ( s) = 1
⎪⎩ t
s2
Oricare ar fi perturbaţia deterministă, ea se poate obţine prin trecerea
unui impuls Dirac (impuls generator) printr-un model de perturbaţie
(filtru) având o structură adecvată.
În acest context condiţia de rejecţie a perturbaţiei de sarcină se poate
reformula în termeni ai modelului perturbaţiei (integratoare pure): pentru
rejecţia perturbaţiilor, funcţia de transfer a căii directe (procesul sau
regulatorul) trebuie să conţină modelul intern al perturbaţiei.
Descrierea perturbaţiilor stohastice

183
Problemele sunt similare celor prezentate pentru cazul perturbaţiilor
deterministe ce acţionează la ieşirea procesului continuu. Deosebirile
constau în faptul că sursa generatoare este zgomotul alb. În cazul
sistemelor numerice sursa generatoare este zgomotul alb discret, filtrul în
acest caz având structură discretă (Fig.4).
ε * (t ) 1 v* ( t )
−1
D( q )
Fig.4

Dacă perturbaţia este deterministă, ea este modelată de ecuaţia


(discretă):
D(q-1)p(t)=δ(t), δ(0)≠0, δ(t)=0, ∀ t >0; nd=grad(D(q-1)) (11)

În vederea asigurării unei erori de poziţie nule pentru sistemele de


urmărire, în legea de reglare se va include şi modelul intern al mărimii
exogene.
D(q-1)u(t)= u(t ) (12)
Prezenţa modelului intern în bucla de reglare corespunde obţinerii
unei structuri de reglare conform celei prezentate în figura 5, în care
legea de reglare are forma:
F(q-1)D(q-1)u(t)=H(q-1)r(t)-G(q-1)y(t)
(13)
H ( q −1 ) u(t) y(t)
B( q −1 )
r(t) u (t ) 1
−1 −d
q
F( q )
- D ( q −1 ) A ( q −1 )

G ( q −1 )
F( q −1 )
Fig. 5
Sistemul automat păstrează structura:
B(q −1 ) H ( q −1 )
y( t ) = q − d r (t ) (14)
S (q −1 )
însă ecuaţia de alocare devine:
A + (q −1 ) F ( q −1 ) + q − d B(q −1 )G ( q −1 ) = S ( q −1 ) (15)
unde:
A + (q −1 ) = D(q −1 ) A( q −1 ) (16)
184
determinând în mod evident o majorare a gradelor polinoamelor F(q-1) şi
G(q-1), la valorile:
nf=nb+d-1+nd, ng=na+nd-1 (17)
Modelul abaterii de reglare (5) devine:

(18)

9.4. Reglarea adaptivă autoacordabilă indirectă folosind metode de


alocare

Structura sistemelor adaptive autoacordabile implică existenţa unei


bucle de ajustare parametrică în paralel cu bucla convenţională. Schema
bloc principială este prezentată în fig.6.
^ ^
coef [ A ( q −1 ) ,B ( q −1 )]

coef [S ( q −1 ) , T ( q −1 )] Proiectare Estimator recursiv


regulator prin de tipul
metode de alocare CMMP Nivel adaptare
*
^ ^ ^ ε (t )
−1 −1 −1
coef [ F ( q ) , G ( q ), H ( q )]
H ( q −1 ) + u (t ) 1 B ( q −1 ) + y (t)
r (t )
−1 −1 q−d −1
F(q ) - D(q ) u(t) A (q ) + Nivel reglare
Proces

G ( q −1 )
F ( q −1 )

Fig.6
Particularităţile structurii de reglare adaptivă constau în:
Metoda de identificare on-line: Metoda CMMP
recursivă
Procedura de proiectare on-line regulator: Metoda alocării poli-
zerouri

Iniţializarea mecanismului de adaptare presupune specificarea


următoarelor informaţii apriorice:

185
• Perioada de eşantionare aleasă, Te;

• Date iniţiale pentru algoritmul de identificare recursiv:


structura modelului procesului: - gradul polinoamelor modelului (na,nb)
- ti mpul mort normat în perioade de eşantionare d=τ/Te
⎛^ ⎞
estimarea iniţială a parametrilor modelului sistemului condus ⎜ θ (0)⎟ ;
⎝ ⎠
iniţializarea vectorului regresor ϕ(0);
iniţializarea matricei de covarianţă P(0);
specificarea factorului de ponderare λ;

• Date iniţiale pentru algoritmul de proiectare on-line:


scopul reglării: sistem de urmărire, sistem de reglare sau combinaţie a
celor două;
tipul legii de reglare:2DOF,1DOF, cu sau fără componentă integrală;
performanţele dorite pentru sistemul impus: acestea se vor preciza prin
specificarea polinomului polilor doriţi, S(q-1), respectiv cel al
zerourilor,T(q-1).

Funcţionarea regulatorului adaptiv constă în execuţia, succesivă, la


fiecare moment de eşantionare, a următoarelor acţiuni (fig.7):
(A) - Achiziţia de date: conversia A/D a ieşirii procesului şi achiziţia
referinţei r(t) de la consolă, fişier de date sau intrare serială.
^ ^
(B) - Estimarea recursivă a modelului sistemului condus: A (q −1 ), B(q −1 ), .
(C) - Sinteza regulatorului prin metode de alocare: se vor calcula
^ ^ ^
F(q −1 ), G (q −1 ), H (q −1 ) pe baza estimaţiei modelului sistemului condus.
(D) - Calculul comenzii u(t): se va folosi legea de reglare având
parametrii reactualizaţi în cadrul acţiunii anterioare.
(E) - Trimiterea comenzii către proces prin conversia D/A.

186
START
Iniþializarea mecanismului de adaptare:
Perioada de eºantionare: T e
Date iniþiale pentru algoritmul de identificare recursiv:
⇒ structura modelului procesului: - gradul polinoamelor modelului (na,nb)
- timpul mort normat în perioade de eºantionare
⇒ estimarea iniþialã a parametrilor modelului sistemului condus
⇒ iniþializarea vectorului regresor ϕ(0);
⇒ iniþializarea matricei de covarianþã P(0);
⇒ specificarea factorului de ponderare λ;

Date iniþiale pentru algoritmul de proiectare on-line:


⇒ scopul reglãrii: sistem de urmãrire, sistem de reglare sau combinaþie a celor douã;
⇒ tipul legii de reglare:2DOF,1DOF, cu sau fãrã componentã integralã;
⇒ performanþele dorite pentru sistemul impus: S(q),T(q)

(A) - Achiziþia de date: conversia A/D a ieºirii procesului ºi achiziþia referinþei r(t)
de la consolã, fiºier de date sau intrare serialã.
^ ^
(B) - Estimarea recursivã a modelului sistemului condus: A ( q − 1 ), B ( q − 1 ),
Formeazã ϕ (t)
Calcule azã P(t)
⎡ T −1 T ⎤
P ( t ) = P ( t − 1 ) I n + n +1 − [1 + ϕ ( t ) P ( t − 1 ) ϕ ( t ) ] ϕ ( t ) ϕ ( t ) P ( t − 1 )
⎢ a b ⎥
⎣ ⎦
Calculeazã eroarea de predicþie ξ( t )
^ ^
T
ξ ( t ) = y ( t ) − y ( t ) = y ( t ) − ϕ ( t ) θ ( t − 1)
^
Corecteazã estimaþia θ( t)
^ ^
θ ( t ) = θ ( t − 1) + P ( t ) ϕ ( t ) ξ ( t )
^ ^
−1 −1
⇒ A ( q ), B ( q )

(C) - Sinteza regulatorului prin metode de alocare:

B(q -1 )= B + (q -1 ) B - (q -1 )

A(q -1 )F + (q -1 )B + (q -1 )+ q -d B + (q -1 )B - (q -1 )G(q -1 )= B + (q -1 )S(q -1 )

T(q -1 )=B - (q -1 )H(q -1 )

^ ^ ^
−1 −1 −1
⇒ F ( q ), G ( q ), H ( q )

(D) - Calculul comenzii u(t):


−1 −1 * −1
u ( t ) = H ( q ) r ( t ) − G ( q ) y ( t ) − F ( q ) u ( t − 1)
(E) -Trimiterea comenzii cãtre proces prin conversia D/A.

Aºteaptã urmãtorul moment de eºantionare ºi reia algoritmul

Fig.7
187
9.5. Reglarea adaptivă autoacordabilă directă folosind metode de
alocare
Metodele de autoacordare indirectă expuse anterior implică un efort
de calcul ridicat, presupunând executarea, în timp real, atât a algoritmului
de identificare a modelului procesului cât şi a algoritmului de proiectare a
regulatorului prin alocarea polilor şi zerourilor. Este posibil, în cazul
sistemelor deterministe de urmărire, să se folosească algoritmi de reglare
adaptivă în care volumul de calcul este redus considerabil.
Astfel, dacă modelul matematic al procesului este reparametrizat în
termenii parametrilor de reglare, prin simpla aplicare a procedeului de
identificare on-line a sistemului se pot deduce direct valorile de acord ale
regulatorului. În acest caz teoria convergenţei metodelor de estimare
parametrică poate fi aplicată simplu şi direct asupra noului model.
Se va considera în continuare că algoritmul de reglare este proiectat
prin alocarea polilor şi zerourilor, implicând simplificarea exactă a
zerourilor procesului ce aparţin domeniului de stabilitate.
Pentru reparametrizarea modelului
B ( q −1 )
(1) y(t ) = q − d u( t )
A( q −1 )
se explicitează polinomul A(q-1) utilizându-se ecuaţia de alocare
(diophantică)
(2)A(q-1)F(q-1)+ q-dB(q-1)G(q-1)=S’(q-1)
sau considerându-se factorizările:
(3)B(q-1)= B+(q-1) B-(q-1)
(4)F(q-1)= B+(q-1) F+(q-1)
(5)S’(q-1)=S(q-1)B+(q-1)
ecuaţia devine:
(6)A(q-1)F+(q-1)B+(q-1)+ q-d B+(q-1)B-(q-1)G(q-1)= B+(q-1)S(q-1)

adică:
(7)A(q-1)F+(q-1)+ q-d B-(q-1)G(q-1)= S(q-1)
Din ecuaţia de alocare (7) se deduce:
S (q −1 ) − q − d B − (q −1 ) G(q −1 )
(8) A(q −1 ) =
F + ( q −1 )
Înlocuind expresia (8) în (1) se obţine următorul model:
188
S(q−1) − q−d B− (q−1)G(q−1) (8) −(3)
y(t ) = q−d B+ (q−1)B− (q−1)u(t ) ⇒
F + (q−1)
(9)
B+ (q−1) B− (q−1)F+ (q−1) (4) B− (q−1)F(q−1)
y(t) = q-d −1 −d − −1 −1
u(t) = q-d u(t)
S(q ) − q B (q )G(q ) S(q ) − q−d B− (q−1)G(q−1)
−1

Dacă se folosesc notaţiile:


(10)
F0(q−1) = B− (q−1)F(q−1), nf0 = nb− + nf = nb− + nb + d − 1
G0 (q−1) = S(q−1) − q−d B− (q−1)G(q−1), ng0 = max(ns, nb− + ng + d) = nb− + na + d − 1
0 -1 0 -1
unde polinoamele F (q ), G (q ) au formele:
F 0 (q −1 ) = f 00 + f10q −1 +..........+ f nf0 0q − nf 0
− ng 0
G 0 (q −1 ) = 1 + g10q −1 +..........+ gng
0
0q

modelul (9) devine:


F 0 (q −1 )
(11) y( t ) = q − d u( t )
G 0 (q −1 )
reprezentând modelul sistemului condus în termenii legii de reglare,
parametrii necunoscuţi fiind coeficienţi polinoamelor B-(q-1), F(q-1) şi
G(q-1) (şi nu ai polinoamelor A(q-1) şi B(q-1)).
În acest fel legea de reglare poate fi dedusă direct prin utilizarea unui
algoritm de identificare recursivă. Astfel modelul (11) se rescrie:
(12) y(t ) = ϕ T (t )θ ,
unde:
(13) ϕ (t ) = [− y(t − 1),......,− y(t − ng0 ), u(t − d ),........, u(t − nf 0 − d )]T

[ ]
T
(14) θ = g10 , g20 ,..........., gng
0
0
, f 00 , f10 ,........, f nf0 0
Printr-o metodă de estimare recursivă de tipul CMMP se deduce
^
estimaţia θ a vectorului de parametri θ corespunzând modelului estimat
reparametrizat:
^
(15) y( t ) = ϕ T ( t ) θ + ε ( t )
unde ε(t) este reziduul de modelare.

În urma aplicării procedurii de identificare se obţin polinoamele G0(q-


1
) şi F0(q-1) ce pot fi folosite direct în calculul comenzii. Astfel, legea de
reglare
(16) F ( q − 1 ) u ( t ) = H ( q −1 ) r ( t ) − G ( q − 1 ) y ( t )

189
poate fi rescrisă la rândul ei în termenii polinoamelor F0(q-1) şi G0(q-1).
Amplificând relaţia (16) cu polinomul B-(q-1)
(17) F (q −1 ) B − (q −1 )u(t ) = H (q −1 ) B − (q −1 )r (t ) − G(q −1 ) B − (q −1 ) y(t )
şi folosind relaţiile (10)
F 0 (q −1 ) = B − (q −1 ) F (q −1 ),
(10)
G 0 ( q −1 ) = S (q −1 ) − q − d B − (q −1 ) G(q −1 ),
se obţine:
(18) [ ]
F 0 ( q − 1 ) u ( t ) = H ( q −1 ) B − ( q − 1 ) r ( t ) − q d S ( q − 1 ) − G 0 ( q − 1 ) y ( t )
Dacă se face notaţia:
[ ]
(10.2 )
(19) G1 (q −1 ) = B − (q −1 ) G(q −1 ) = q d S ( q −1 ) − G 0 (q −1 )
legea de reglare (18) are forma:
(20) F 0 (q −1 )u(t ) = H (q −1 ) B − (q −1 )r (t ) − G1 (q −1 ) y(t )
Din (20) se remarcă faptul că pentru calculul comenzii este necesară
cunoaşterea polinomului G1(q-1). Conform relaţiei (19) coeficienţii
polinomului G1(q-1) vor fi ultimii (ng0-d) termeni ai diferenţei
[ ]
polinomiale S (q −1 ) − G 0 (q −1 ) având S(q-1) impus prin proiectare,
0 -1
respectiv G (q ) rezultat în urma identificării.
De asemenea, considerând H(q-1)=constant, calculat cu relaţia
S (1)
(21) H (1) =
B − (1)
se obţine următoarea formă a legii de reglare:
S (1)
(22) F 0 (q −1 )u(t ) = B − ( q −1 ) r (t ) − G1 ( q −1 ) y( t )
B − (1)
Din (22) se constată că nu este suficientă determinarea, prin
identificarea modelului reparametrizat, a polinoamelor F0(q-1) şi G0(q-1),
ci şi cunoaşterea lui B-(q-1), respectiv a valorii B-(1).
ţinând cont de relaţiile (10.1) şi (19)
(10) F 0 (q −1 ) = B − (q −1 ) F (q −1 )
(19) G1 (q −1 ) = B − (q −1 ) G(q −1 )
polinomul B-(q-1) poate fi determinat ca fiind divizorul comun al
polinoamelor F0(q-1) şi G1(q-1).
Structura principială a sistemelor adaptive autoacordabile directe este
prezentată în fig.8.

190
^ ^
1 −1 − −1
−1 −1 → G ( q ), B ( q )
^−
coef [ S ( q ), T (q )] Calcul polinoame
Calcul valori → S ( 1); B ( 1)
^ ^
0 −1 0 −1
Estimator recursiv ⇒ coef [ F ( q ), G ( q )]
de tipul
CMMP

*
ε (t )
r (t ) ^
− −1 + +
S (1 ) B ( q ) B( q −1 )
q−d
^

^
0 −1 - u(t )
A ( q −1 ) + y(t )
B (1 ) F ( q )

^
G 1( q −1 )
^
F 0(q −1 )

Fig.8
Funcţionarea regulatorului adaptiv constă în execuţia, succesivă, la
fiecare moment de eşantionare, a următoarelor acţiuni (fig.9):
(A) - Achiziţia de date: conversia A/D a ieşirii procesului şi achiziţia
referinţei r(t) de la consolă, fişier de date sau intrare serială;
(B) - Estimarea recursivă a modelului sistemului condus
reparametrizat în polinoamele
^ ^
F 0(q −1 ), G 0(q −1 ) ;
^
(C) - Calculul polinomului G 1(q −1 ) conform relaţiei (19);
^
(D) - Determinarea polinomului B − (q −1 ) (polinomul divizor -relaţiile
(10) & (19)) şi calculul factorului de amplificare cu
relaţia (21);
(E) - Calculul comenzii u(t): se va folosi legea de reglare (22) având
parametrii reactualizaţi în cadrul acţiunii anterioare.
(F) - Trimiterea comenzii către proces prin conversia D/A.

191
START
Iniþializarea mecanismului de adaptare:
Perioada de eºantionare: T e
Date iniþiale pentru algoritmul de identificare recursiv:
⇒ structura modelului procesului: - gradul polinoamelor modelului (na,nb)
- timpul mort normat în perioade de eºantionare
⇒ estimarea iniþialã a parametrilor modelului sistemului condus
⇒ iniþializarea vectorului regresor ϕ(0);
⇒ iniþializarea matricei de covarianþã P(0);
⇒ specificarea factorului de ponderare λ;

Date iniþiale pentru algoritmul de proiectare on-line:


⇒ scopul reglãrii: sistem de urmãrire, sistem de reglare sau combinaþie a celor douã;
⇒ tipul legii de reglare:2DOF,1DOF, cu sau fãrã componentã integralã;
⇒ performanþele dorite pentru sistemul impus: S(q),T(q)

(A) - Achiziþia de date: conversia A/D a ieºirii procesului ºi achiziþia referinþei r(t)
de la consolã, fiºier de date sau intrare serialã.
^ ^
0 −1 0 −1
(B) - Estimarea recursivã a modelului sistemului condus reparametrizat: F ( q ), G ( q )
Formeazã ϕ (t)
Calcule azã P(t)
⎡ T −1 T ⎤
P ( t ) = P ( t − 1 ) I n + n +1 − [1 + ϕ ( t ) P ( t − 1 ) ϕ ( t ) ] ϕ ( t ) ϕ ( t ) P ( t − 1 )
⎢ a b ⎥
⎣ ⎦
Calculeazã eroarea de predicþie ξ(t)
^ ^
T
ξ ( t ) = y ( t ) − y ( t ) = y ( t ) − ϕ ( t ) θ ( t − 1)
^
Corecteazã estimaþia θ( t)
^ ^
θ ( t ) = θ ( t − 1) + P ( t ) ϕ ( t ) ξ ( t )
^ ^
0 −1 0 −1
⇒ F ( q ), G ( q )

^
1 −1
(C) - Calculul polinomului G (q )

[
G 1 ( q −1 ) = q d S ( q − 1 ) − G 0 ( q −1 )
]
^
− −1
(D) - Determinarea polinomului B ( q ) ºi calculul factorului de amplificare;
^−
−1 0 −1 1 −1
B ( q ) = c . m . m . d . c . [ F ( q ), G ( q ) ]
S (1)
H (1 ) =
− ^ ^ ^
B (1) −1 −1 −1
⇒ F ( q ), G ( q ), H ( q )

(E) - Calculul comenzii u(t):


−1 −1 * −1
u ( t ) = H ( q ) r ( t ) − G ( q ) y ( t ) − F ( q ) u ( t − 1)
(F) -Trimiterea comenzii cãtre proces prin conversia D/A.

Aºteaptã urmãtorul moment de eºantionare ºi reia algoritmul

Fig.9
192
Sistemele de control cu model de referinţă, ca o tehnică de adaptare
explicită, au fost considerate o metoda promiţătoare de la începuturile
controlului adaptiv. Ideea de bază este ilustrată de Fig. 10.1 în care
modelul de referinţă este conceput pe baza performanţelor dorite ale
buclei de bază, reprezentată în cazul de fată printr-un proces şi un
regulator în structura clasică de buclă cu reacţie negativă unitară.
Structura buclei de bază poate fi aleasă în funcţie de necesităţi, de
exemplu o structură cu două grade de libertate (prefiltru şi controler pe
reacţie). Ieşirea procesului controlat este comparată cu cea a modelului
de referinţă şi parametrii controlerului sunt modificaţi în aşa fel încăt
răspunsul procesului controlat să urmărească ieşirea modelului de
referinţă.
Problema poate fi abordată atât în cazul sistemelor continue, cât şi
în cazul sistemelor discrete. În continuare, analiza va fi făcută pentru
cazul sistemelor continue, fiind mai uşor de înteles. Algoritmul adaptiv
rezultat poate fi cu uşurinţă implementat digital. Există în literatură mai
multe astfel de implementări digitale, cu o perioadă de eşantionare mică.
180
Model de ym(t)
referinţă

Mecanism de ε(t)
adaptare
θR

w(t) u(t) y p(t)


Regulator Proces
-

Fig. 10.1. Sistem de control adaptiv cu model de referinţă

În acest capitol va fi tratat deci doar cazul continuu, metoda de


adaptare fiind bazată pe optimizarea locală a parametrilor. În afară de
această metodă este posibilă tratarea problemei pe baza unui criteriu
global de stabilitate (Lyapunov sau Popov), această metodă nefiind
tratată aici.
De asemenea, tehnica cu model de referinţa poate fi utilizată şi în
alte scopuri (pentru identificare) şi cu alte tipuri de modele (serie, serie-
paralel). Va fi discutat doar cazul din figura anterioară cu model paralel
explicit.

10.1. Metode bazate pe optimizarea locală a parametrilor

Controlul adaptiv cu model de referinţă a fost proiectat iniţial


pentru aplicaţii aerospaţiale. Metoda iniţială utilizată este cunoscută drept
„regula MIT” şi a fost menţionată în capitulul introductiv.
Considerăm următoarele funcţii de transfer pentru partea fixată,
bucla de bază şi modelul de referinţă:
- procesul controlat
y p ( s ) B ( s ) b0 s m + b1s m −1 + ... + bm
GP ( s ) = = = n 10.1
u ( s) A( s) s + a1s n −1 + ... + an
- funcţia de tranfer a buclei de bază
y p ( s ) B ( s ) β 0 s r + β1s r −1 + ... + β r
Gw ( s ) = = = l 10.2
w(s) A (s) s + α1s l −1 + ... + α l
- funcţia de transfer a regulatorului
181
Q ( s ) q 0 s v + q1 s v −1 + ... + q v
GR ( s ) = = 10.3
P ( s ) s μ + p1 s μ −1 + ... + p μ
- funcţia transfer a modelelui de referinţă
y ( s ) Bm ( s ) b0 s m + b1 s m −1 + ... + bm
Gm ( s ) = m = = n . 10.4
w ( s ) Am ( s ) s + a1 s n −1 + ... + an
Notaţiile au semnificaţia binecunoscută, şi anume: yp este ieşirea
procesului, u mărimea de comandă, w este referinţa şi ym este ieşirea
modelului de referinţă. Parametrii procesului controlat sunt notaţi prin ai
şi bi, parametrii buclei de bază sunt notaţi prin αi şi βi, parametrii
modelului de referinţa ai şi bi, iar parametrii controlerului qi şi pi.
Se consideră că parametrii procesului variază în timp, iar parametri
controlerului sunt ajustaţi printr-un mecanism de adaptare. Ei sunt
varianţi în timp, deci ar trebui utilizate ecuaţii diferenţiale variante în
timp pentru descrierea procesului, a controlerului şi a buclei de bază. În
acest context este introdusă premisa că variaţia parametrilor procesului
este lentă şi din acest motiv adaptarea parametrilor controlerului este
lentă. Aceasta din motivul simplificării modelului matematic dat de
ecuaţiile (10.1), (10.2) şi (10.3).
Trebuie avută în vedere şi realizabilitatea modelului (10.2). Dacă
este măsurabilă doar ieşirea procesului compensarea pol-zero şi
controlerele de tip poli-zerouri pot fi utilizate în cazul ideal, astfel încât
parametrii buclei de bază să fie ajustaţi la valorile parametrilor modelului
de referinţă.
Adaptarea parametrilor controlerului qi şi pi se face prin tehnica
expusă în continuare. Criteriul pătratic ce se minimizează este
1 t + Δt 2
ε (τ ) dτ
2 ∫t
I= (10.5)
unde
ε (t ) = y p (t ) − ym (t ) (10.6)
este diferenţa între ieşirea buclei de bază şi ieşirea modelului de referinţă.
Ajustarea parametrilor controlerului este făcută folosind o tehnică de
gradient de tipul
∂I ∂I
Δ pi ( t ) = −γ p Δ qi (t ) = − γ q (10.7)
∂pi ∂qi
unde γp şi γq sunt constante ce determină rata adaptării gradientului.
Pentru o perioadă de timp infinitezimală şi o adaptare lentă, din ec.
182
(10.7) rezultă
. ∂ ∂I ∂ ∂I
pi ( t ) = −γ p = −γ p (10.8)
∂t ∂ i ∂pi ∂t
. ∂ ∂I ∂ ∂I
qi ( t ) = −γ q = −γ q
∂ t ∂qi ∂qi ∂t
Folosind criteriul (10.5) rezultă că
. ∂ε ( t ) ∂y ( t )
pi ( t ) = −γ pε ( t ) = −γ pε ( t ) p (10.9)
∂pi ∂pi
. ∂ε ( t ) ∂y ( t )
qi ( t ) = −γ qε ( t ) = −γ qε ( t ) q
∂qi ∂qi
Funcţiile sensibilitate
∂y p ( t ) ∂y p ( t )
şi
∂pi ∂qi
trebuie calculate printr-un algoritm auxiliar
∂y p l ∂y ∂α r ∂y ∂β
=∑ p j
+∑ p j
(10.10)
∂pi j =1 ∂α j ∂pi j =0 ∂β j ∂pi
∂y p l ∂y p ∂α j r ∂y p ∂β j
=∑ +∑
∂qi j =1 ∂α j ∂qi j =0 ∂β j ∂qi
unde l şi r sunt numărul de parametri α şi β din ecuaţia (10.2). Derivatele
parţiale ale ieşirii procesului y în raport cu parametrii buclei de bază se
pot obţine din ecuaţia (10.2) după cum urmează:
∂y p ⎡ B ( s ) sl − j ⎤ ⎡ l− j
−1 − s

−1
= L ⎢− w ( s ) ⎥ = L ⎢ y p ( s )⎥ (10.11)
∂α j ⎣ A (s)
2
⎦ ⎣ A(s) ⎦
şi
∂y p ⎡ sr− j ⎤
= L−1 ⎢ w ( s )⎥ (10.12)
∂β j ⎣ A ( s ) ⎦
Realizarea filtrelor sensibilitate (10.11) şi (10.12) necesită cunoaşterea
parametrilor αi ce apar în A(s). Este utilizată ipoteza αi≈ai şi rezultă
următoarele funcţii pentru filtrele sensibilitate:
∂y p ⎡ sl − j ⎤
= L−1 ⎢ − y p ( s )⎥ (10.13)
∂α j ⎣ Am ( s ) ⎦
183
∂y p ⎡ sr− j ⎤
= L−1 ⎢ w ( s )⎥ (10.14)
∂β j ⎣ Am ( s ) ⎦
Sistemul de control cu model de referinţă poate fi acum construit pe
baza ecuaţiilor (10.9), (10.10), (10.13) şi (10.14). Ecuaţia (10.10) trebuie
rezolvată analitic şi pentru cazul cel mai simplu în care fiecare parametru
poate fi ajustat separat ( α i = ai + pi , β i = bi + qi ). Legea de reglare
adaptivă devine
. ∂y
α i = −γ α ε ( t ) p (10.15)
∂α i
şi
. ∂y
βi = −γ β ε ( t ) p (10.16)
∂βi
sau echivalent
∂y
α i = −γ α ∫ ε ( t ) p dt + α i ( 0 )
t
(10.17)
0 ∂α i

∂y p
βi = −γ β ∫ ε ( t ) dt + β i ( 0 )
t
(10.18)
0 ∂βi
Structura bloc a schemei de control espe prezentată în Fig. 10.2, în
care legea adaptivă este dată de un feedback neliniar integral.

Bm ( s ) ym
Am ( s )
ε −
∂yp
∂y p
w s r −i ∂β1 γβ γd ∂β1 s l −i +
Am ( s ) s s Am ( s )
βi αi
B (s) yp
A( s)

Fig. 10.2 Sistem adaptiv cu model de referinţă continuu


184
Dacă parametrii αi şi βi sunt ajustaţi de parametrii controlerului qi
şi pi, implementarea ecuaţiei (10.10) poate implica parametri necunoscuţi
ai procesului şi atunci trebuie făcute unele aproximări.

10.2. Un exemplu de aplicare a metodei

Considerăm un proces dinamic liniar monovariabil


K
Gp ( s ) = (10.19)
1 + 2 DTs + T 2 s 2
pentru care factorul de amplificare K, amortizarea D şi frecvenţa naturală
1/T sunt necunoscute şi pentru care dorim să aplicăm metoda de control
adaptiv cu model de referinţa bazată pe tehnici de gradient expusă
anterior. Modelul de referinţă este presupus a fi de ordin 2 fără zerouri
(n=2, m=0). De asemenea, se presupune că derivatele ieşirii procesului
sunt măsurabile.
Am presupus că parametrii procesului sunt necunoscuţi, însă gama
lor de variaţie ar trebui cunoscută pentru a putea alege un model de
referinţă adecvat. Principalul motiv este acela că dacă un sistem cu
constante mari de timp este forţat să urmărească un model cu constante
mici de timp, mărimea de comandă ia valori mari, imposibil de obţinut cu
elemente de execuţie reale.
Funcţia de transfer a procesului (10.19) va fi mai întâi rescrisă în
formă corespunzătoare ecuaţiei (10.1).
b0
Gp ( s ) = 2 (10.20)
s + a1s + a2
Parametrii b0, a1 şi a2 ai funcţiei de transfer a procesului sunt obţinuţi din
funcţia de transfer (10.19).
K
b0 =
T2
2D
a1 = (10.21)
T
1
a2 = 2
T

185
Funcţia de transfer a modelului de referinţă este
y b0
Gm ( s ) = m = 2 (10.22)
w s + a1s + a2
Deoarece derivatele procesului sunt măsurabile, un controler pe
feedback cu funcţia de transfer q0 s + q1 şi un factor de amplificare f
utilizat ca prefiltru conduce la următoarea lege de reglare:
.
u = fw − q0 y p − q1 y p (10.23)

Funcţia de transfer a buclei de bază rezultă de formă:


y fb0
Gw ( s ) = p = 2 (10.24)
w s + ( a1 + ) s + ( a2 + b0 q1 )
Parametrii buclei de bază pot fi setaţi independent şi sunt ajustaţi
conform ecuaţiilor (10.17) şi (10.18).
∂y p
f = −γ 1 ∫ ε ( t )
t
dt (10.25)
0 ∂f
∂y
q0 = −γ 2 ∫ ε ( t ) p dt
t
(10.26)
0 ∂q0
∂y
q1 = −γ 3 ∫ ε ( t ) p dt
t
(10.27)
0 ∂q1
Funcţiile sensibilitate din ecuaţiile de mai sus se pot obţine din
derivatele corespunzătoare şi unele aproximari după cum urmează:
∂y p ∂ b0
= ⎡⎣Gw ( s ) w⎤⎦ = 2 =
∂f ∂f s + ( a1 + b0 q0 ) s + ( a2 + b0 q1 )
w

(10.28)
y p b0
= ≈ ym
f b0
Unde Gw ( s ) ≈ Gm ( s ) şi deci y p ≈ ym au fost folosite împreună cu
ecuaţiile (10.22) şi (10.24). Aceleaşi aproximări şi ecuaţii au fost folosite
pentru derivarea expresiei ∂y p / ∂q0 care este utilizată în legea de ajustare
a parametrului q0 în ecuaţia

186
∂y p ∂
= ⎡Gw ( s ) w⎤⎦ = (10.29)
∂q0 ∂q0 ⎣
sb02 f
=− w
⎡⎣ s 2 + ( a1 + b0 q0 ) s + ( a2 + b0 q1 ) ⎤⎦
2

sb0
=− 2 yp
s + ( a1 + b0 q0 ) s + ( a2 + b0 q1 )
sb0 b
≈− 2 y p = − 0 sy pf
s + a1s + a2 b0
în care notatia y pf este utilizată pentru ieşirea procesului filtrată cu
funcţia de transfer a modelului de referinţă.
b0
y pf = y p = Gm ( s ) y p (10.30)
s + a1s + a2
2

Parametrul controlerului q1 se ajustează conform ecuaţiei (10.27) în


care ∂y p / ∂q1 se calculeaxă în mod similar cu ∂y p / ∂q0 utilizând ecuaţia
(10.29)
∂y p ∂
= ⎡Gw ( s ) w⎤⎦ =
∂ q1 ∂ q1 ⎣
b02 f
=− w
⎡⎣ s 2 + ( a1 + b0 q0 ) s + ( a2 + b0 q1 ) ⎤⎦
2

b0
=− 2 yp
s + ( a1 + b0 q0 ) s + ( a2 + b0 q1 )
b0 b
≈− 2 y p = − 0 y pf
s + a1s + a2 b0
Dacă constantele γi sunt alese să fie proporţionale cu b0 / b0 , aceasta
însemnând γ i = γ i b0 / b0 , sistemul de control adaptiv cu model de
referinţă poate fi realizat numai cu ajutorul parametrilor cunoscuţi. Se
obţine schema bloc structurală a sistemului din Fig. 10.2.
Deoarece constantele de gradient trebuie să fie pozitive, semnul
parametrului b0 al procesului trebuie să fie cunoscut.
187
b0 ym
s + a1s + a2
2
w - ε
+
u b yp
f
s 2 + a1s + a2
f
q0
q1 q0 s + q1
Bucla de bază

Filtru
y pf 1 sb0
y3
s s + a1 s + a2
2
s

y2 syPF
s

y1
s

Fig. 10.2. Schema MRAC folosind tehnici de gradient

188
Sistemele adaptive cu model de referinţă reprezintă una din
principalele abordări în controlul adaptiv. Principiul de bază este
prezentat în fig. 11.1.

Model de y
m
referinta

Mecanism -
e
de adaptare
+

r + u Proces
Regulator controlat y
-

Fig. 11.1 Schema bloc a unui sistem adaptiv cu model de referinţă

189
Modelul de referinţă este utilizat, pentru a specifica performanţele
dorite ale sistemului din bucla de bază, ce constă din procesul controlat şi
un regulator clasic. Eroarea este diferenţa dintre ieşirea sistemului şi a
modelului de referinţă. Parametrii regulatorului sunt modificati pe baza
acestei erori. Sistemul conţine deci două bucle: o buclă internă, care
realizează controlul obişnuit prin reacţie negativă, şi o buclă externă, care
ajustează parametrii buclei interne. Bucla internă este presupusă a fi mai
rapidă decât bucla exterioară. Sistemul adaptiv cu model de referinţă
(MRAS) prezentat în figura 11.1, propus de Whitaker, conţine două idei
originale.
Prima este aceea de a specifica performanţele unui sistem printr-un
model, iar cea de-a doua este aceea de a ajusta parametrii regulatorului pe
baza erorii dintre sistemul de referinţă şi procesul controlat.
Structura din figura 11.1 mai este numită şi MRAS paralel şi este una
din posibilităţile de a utiliza un sistem cu model de referinţă. Există trei
abordări de bază în analiza şi sinteza MRAS: metode de gradient, metode
bazate pe funcţii Lyapunov (sau metode global stabile (Isermann, 1991)),
şi metode bazate pe teoria pasivităţii.
Metodele de gradient se bazează pe presupunerea că parametrii se
modifică mai încet decât celelalte variabile din sistem. Această
presupunere, care admite un tratament cvasistaţionar, este esenţială
pentru calcularea senzitivităţilor necesare în mecanismul de adaptare.
Prin aplicarea acestei metode nu rezultă cu necesitate un sistem în
buclă închisă stabil.
Pentru un sistem cu parametrii ajustabili, ca cel din figura 11.1.
metoda MRAS furnizează căile de ajustare a parametrilor astfel încât
funcţia de transfer în buclă închisă să fie apropiată de cea a modelului
prescris.
Aceasta este aşa numita problemă de urmărire a modelului (model
following problem). O chestiune importantă este cât de mică poate fi
făcută eroarea e. Acest lucru depinde de model, de sistem şi de mărimea
de comandă. Dacă este posibil să fie anulat semnalul de eroare pentru
toate semnalele de comandă, atunci se ajunge la urmărirea perfectă a
modelului.
Problema urmăririi modelului poate fi rezolvată printr-o proiectare
prin alocare de poli. "Model following" este o cale simplă şi utilă de a
rezolva problemele servo. Performanţele sistemului sunt specificate
indirect prin modelul matematic al modelului procesului pentru un
răspuns dorit.

190
Acest model poate fi liniar sau neliniar. Parametrii sistemului sunt
ajustaţi astfel încât y să fie cât mai apropiat de valoarea ieşirii modelului
ym pentru o clasă de semnale de referinţă . Metodele de optimizare sunt
deci naturale în proiectarea MRAS. Deşi urmărirea perfectă a modelului
poate fi obţinută doar în situaţii ideale, o analiză a acestui caz furnizează
o imagine în profunzime asupra problemei de proiectare.
În continuare se va arãtã cã procedura anterioarã de proiectare
poate fi exprimatã compact folosind operatorul ρ, acest operator putând fi
operatorul Laplace (cazul sistemelor continue), fie operatorul z (cazul
sistemelor discrete).
Fie un sistem monovariabil, care poate fi un sistem neted sau discret:
B( ρ )
y( ρ ) = u( ρ ) (11.1)
A( ρ )
unde u este mărimea de comandă iar y ieşirea sistemului. Se presupune
că polinoamele A şi B sunt coprime. De asemenea, se presupune că
deg A ≥ deg B. Polinomul A se presupune a fi monic, adică primul
coeficient al acestuia este unitar.
Se doreşte să se sintetizeze un regulator astfel încât funcţia între
mărimea de referinţă y* şi ieşirea sistemului ym să fie
B(*ρ )
ym ( ρ ) = y(*ρ ) (11.2)
A(*ρ )
O lege de reglare liniară generală poate fi descrisă prin
Lu = Gy * − Py (11.3)
unde L, G şi P sunt polinoame. Această lege de reglare reprezintă un
feedback negativ prin funcţia de transfer -P/L şi o lege de reglare
feedforward prin funcţia de transfer G/L. Eliminând u între ecuaţiile
(11.1) şi (11.3) se obţine următoarea ecuaţie pentru sistemul în buclă
închisă:
( AL + BP) y = BGy* (11.4)
Pentru a obţine răspunsul dorit în buclă închisă A* trebuie să dividă
AL+BP. Zerourile procesului, date de B = 0, vor fi zerourile sistemului în
buclă închisă în afară de cazul în care se vor simplifica cu poli ai
sistemului în buclă închisă. Deoarece zerourile instabile sau slab
amortizate nu pot fi simplificate, polinomul B este factorizat în felul
următor
B = B+ B− (11.5)

191
unde B+ conţine acei factori ce pot fi simplificaţi şi B- ceilalţi factori ai
lui B. Pentru a face ca factorizarea să fie unică, B+ se consideră a fi
monic.
Rezultă din (11.4) că polinomul caracteristic al sistemului în buclă
închisă este AR+BS. Acest polinom trebuie să aibă factori pe A*B+ şi, în
general, să fie de ordin mai mare decăt A*B+ . Rezultă:
AL + BP = B + A0 A* (11.6)
Ultima ecuaţie este ecuaţia diofantică, (unii autori preferă să o
denumească identitatea Bezout).
Rezultă din această ecuatie că B+ divide L. Deci
L = B + L1 (11.7)
Împărţind (11.7) prin B+ rezultă
AL1 + B − S = A0 A* (11.8)
Acum se cere ca relaţia din ec. (11.4), între mărimea de referinţă y* şi
mărimea de ieşire din proces, să furnizeze răspunsul dorit dat prin ec.
(11.2). Specificarea funcţiei de transfer a sistemului dorit trebuie să fie
astfel încât B- să dividă B*; astfel nu există soluţie pentru problema de
proiectare.
Bm = B − Bm1
(11.9)
G = A0 Bm1
Pentru a completa soluţia problemei trebuie date condiţiile pentru care
există soluţii ale ecuaţiei (11.8) ce conduc la legi dr reglare proprii (cazul
sistemelor netede) sau cauzale (cazul sistemelor discrete).
deg A0 ≥ 2 deg A − deg A∗ − deg B + − 1 (11.10)
deg A − deg B ≥ deg A − deg B
* *
(11.11)
O discuţie a acestor condiţii este dată în Astrom şi Wittenmark (1990).
Din cele prezentate, legea de control din ecuaţia (11.3) cu regulatorul
dat prin ecuaţie (11.7), (11.8) şi (11.9) duce la urmărirea perfectă a
modelului, dacă condiţiile de compatibilitate din (11.10) şi (11.11) sunt
îndeplinite. Se observă faptul că proiectarea propusă implică rezolvarea
ecuaţiei diafantică din (11.8) şi deci nu este adecvată pentru un control
adaptiv direct. Un caz particular de alocare de poli, care simplifică
rezolvarea ecuaţiei diafantică apare în cazul în care toate zerourile
sistemului sunt stabile şi bine amortizate. În acest caz toate zerourile pot
fi simplificate [..]. În acest caz ecuaţia diofantică (11.6) devine
AL + BP = BA0 Am (11.12)

192
Rezultă că L trebuie să conţină factor pe B
L = BL1 (11.13)
şi substituind în (11.12) se obţine
AL1 + P = A0 Am (11.14)
Ultima ecuaţie este considerabil mai simplă decât (11.8). Aceasta are
întotdeauna soluţie unică şi soluţia poate fi găsită printr-o împărţire de
polinoame:L1 şi P sunt câtul şi respectiv, restul împărţirii lui A0Am prin
A. Polinomul G se obţine direct din ecuaţia (11.9). Înmulţind cu y şi
utilizând (11.1), (11.14) devine
A0 Am y = Lu + Py (11.15)
Urmărirea modelului este cazul în care se doreşte ca ieşirea sistemului
obţinut în buclă închisă să urmărească pe cea a unui model specificat prin
ecuaţia (11.2) ceea ce înseamnă că atât polii cât şi zerourile modelului
sunt specificate prin formulare. Metoda plasării polilor, pe de altă parte,
specifică numai polii sistemului în buclă închisă. Pentru a realiza un
sistem de control performant este necesar să se ia în consideraţie şi
zerourile sistemului în buclă deschisă când se specifică polii sistemului în
buclă închisă (a se vedea (11.6)). În unele lucrări se face o distincţie clară
între urmărirea modelului şi plasarea polilor, deşi cele două notaţii sunt
în esenţă unul şi acelaşi lucru. Relaţia între urmărirea modelului şi
plasarea polilor stabileşte legăturile dintre regulatoarele autoacordabile şi
sistemele cu model de referinţă.
Legea de comandă (11.3) poate fi scrisă în forma
u = GmG −1 y * −
P
( y − ym )
L
unde Gm = Bm si G = B . Rezultă structura din fig. 11.2.
Am A
Schema din fig. 11.2 este utilă pentru a explica metoda urmăririi
modelului, dar nu poate fi implementată aşa cum este dată în figură din
cauză că inversa dinamicii procesului A/B în general nu este o funcţie de
transfer realizabilă. Totuşi produsul funcţiei de transfer a modelului de
referinţă şi a inversei dinamicii procesului poate fi realizabilă dacă
problema urmăririi modelului este bine pusă, adică dacă excesul poli-
zerouri al modelului de referinţă este mai mare decât excesul poli-zerouri
al procesului controlat. În practică sunt necesare aproximaţii pentru a se
putea ajunge la o implementare. Avantajul existenţei conexiunii
feedforward este acela că se poate obţine un răspuns rapid. Adesea

193
produsul GmG-1 este aproximat printr-un element de avans-întârziere.
De asemenea, trebuie remarcat faptul că atât modelul de referinţă cât şi
modelul procesului pot fi neliniare fără a conduce la apariţia unor
probleme de stabilitate din cauză că ele apar numai pe calea
compensatorului feedforward. Comportarea în domeniul frecvenţelor
joase este impusă prin feedback.

B
A

y* + + + u
Bm P B
y
Am L A
-

Fig. 11.2 O posibilă reprezentare a sistemului de control


cu model de referinţă

În cadrul sistemelor adaptive prezentate la începutul acestui capitol,


modelul etalon are rolul de a identifica performanţele sistemului de
reglare, performanţe variabile datorită modificării unor parametrii ai
procesului controlat sub acţiunea unor perturbaţii parametrice.
În afară de aceste sisteme adaptive cu model de referinţă, mai există
sisteme aşa numite "aparent adaptive" (Călin şi Belea, 1971) deoarece ele
nu realizează de fapt o adaptare, dar pot asigura un anumit grad de
invarianţă. Alţi autori (Ohishi, Ohnishi şi Miyachi, 1988) numesc aceste
sisteme cu controler adaptiv pasiv. În unele cazuri, aceste sisteme sunt
completate cu circuite suplimentare care realizează operaţii de adaptare.
În fig. 11.3 este prezentată schema bloc a unui astfel de sistem.
d
u + u y
c
P
+ (ρ)

e -
R (ρ)
+
~ ym
P(ρ)

Fig. 11.3 Schema bloc a unui sistem aparent adaptiv

194
Această schemă nu reprezintă de fapt un sistem de reglare propriu-zis
(deoarece nu are loc o comparaţie a mărimii de intrare a ansamblului cu
mărimea de ieşire), ci pot fi considerate sisteme care funcţionează pe
principiul măsurării abaterilor de la procesul tranzitoriu. De asemenea,
este evidentă echivalenţa acestor sisteme cu sistemele cu observer de
perturbaţie. Dacă în cazul observerului de perturbaţie se urmărea rejecţia
totală şi rapidă a perturbaţiilor aditive asupra intrării sau ieşirii procesului
controlat şi ca un rezultat suplimentar, se obţinea o anumită invarianţă la
variaţiile parametrice ale procesului controlat, în acest caz se urmăreşte,
în primul rând, un anumit grad de invarianţă în cazul unor variaţii ale
caracteristicilor părţii fixate, iar ca rezultat auxiliar, dar benefic, se va
obţine dinamica erorii ieşirii în raport cu perturbaţia, aşa cum se va arăta
în continuare.
Într-o primă analiză, vom considera funcţia de transfer a blocului R(s)
(ce poate fi numit impropriu şi regulator) ca fiind de tip proporţional, cu
~
factor de proporţionalitate K. Dacă modelul părţii fixate P( s ) este perfect
şi parametrii procesului controlat ar rămâne constanţi şi egali cu ai
modelului, caracteristicile dinamice şi procesele tranzitorii pentru partea
fixată şi model fiind deci practic identice, atunci ar rezulta y = ym, deci e
nul şi ca urmare semnalul de intrare este aplicat la intrarea părţii fixate
nemodificat. De obicei modelul părţii fixate este construit la parametrii
nominali ai acesteia. Deocamdată nu a fost luat în discuţie cazul
existenţei unei dinamici nemodelate. Dacă parametrii părţii fixate au
valori diferite de cele ale parametrilor modelului atunci mărimea de
comandă aplicată procesului controlat va fi
u = u r + K ( ym − y ) (11.16)
valoarea acestui semnal fiind dependentă de abaterile regimului
tranzitoriu ale procesului controlat de la regimul tranzitoriu al modelului.
Sistemul prezentat nu se încadrează în definiţia sistemelor adaptive
deoarece nu are loc o modificare a parametrilor, structurii sau semnalelor
de ieşire din blocul R cu scopul compensării variaţiei caracteristicilor
părţii fixate, variaţie provocată de acţiunea unor perturbaţii parametrice.
Posibilitatea obţinerii unor proprietăţi de invarianţă a sistemelor
aparent adaptive, în condiţiile existenţei perturbărilor parametrice, poate
fi pusă în evidenţă prin transfigurarea schemei din figura 11.3. Astfel,
presupunând că toate elementele sistemului sunt liniare, se obţine schema
echivalentă din figura 11.4

195
ur + u y
P (ρ) P
1 - (ρ)

R (ρ)

Fig. 11.4
~
P1( s ) = 1 + KP( s ) (11.17)
În continuare, cazurile continuu şi discret vor fi tratate simultan
utilizând operatorul ρ care denotã fie s (cazul sistemelor netede) fie δ
(cazul discret, în cazul utilizãrii modelelor discrete în forma
delta)(Middleton şi Goodwin, 1990).
Rezultă funcţia de transfer a ansamblului ca fiind
⎡ P( ρ ) ⎤ ⎛ 1 ⎞ ⎡ KP( ρ ) ⎤
( )
Y( ρ )
= 1 + KP( ρ ) ⎢ ⎥ = ⎜ + P( ρ ) ⎟ ⎢ ⎥ (11.18)
U r(ρ ) ⎢⎣1 + KP( ρ ) ⎥⎦ ⎝ K ⎠ ⎢⎣1 + KP( ρ ) ⎥⎦
Se constată că dacă ar avea loc o condiţie de forma K→ ∞, atunci s-ar
obţine
Y( ρ )
= P( ρ ) (11.19)
U c( ρ )
indiferent de variaţiile parametrice ale funcţiei de transfer P( ρ ) . Relaţia
(11.19) exprimă proprietatea de invarianţă a sistemului în raport cu
variaţiile parametrice ale părţii fixate, asigurând, totodată pentru întregul
ansamblu o comportare invariantă definită prin funcţia de transfer P( ρ )
aleasă pentru modelul de referinţă.
Este evident că o condiţie de tipul K→ ∞ nu poate avea loc practic, iar
majoritatea sistemelor ar determina instabilitatea buclei din figura 11.4.
Ca urmare este necesară limitarea factorului de amplificare K la valori
maxime care să asigure stabilitatea şi performanţele tranzitorii necesare
pentru bucla menţionată, aceste valori depinzând şi de amplitudinea
semnalelor din cadrul buclei. Apare astfel necesitatea unui element
neliniar cu saturaţia în componenţa blocului R(ρ).
În cadrul sistemului aparent adaptiv pot fi introduse circuite
suplimentare care să realizeze operaţii de adaptare; de exemplu se poate
modifica limita de saturaţie a elementului neliniar din componenţa lui
R( ρ ) .

196
Întrucât condiţia K→ ∞ nu poate fi realizată, sistemele adaptive pasive
nu pot asigura decât o invarianţă aproximativă, dar sunt capabile să
micşoreze sensibil influenţa perturbaţiilor parametrice.
În continuare se va demonstra că:
1) proprietatea de separare din metoda de proiectare a sistemului cu
reacţie după stare estimată prin observer Luenberger se menţine,
2) sistemul cu controler adaptiv pasiv asigură robusteţe la variaţii
parametrice sau în cazul existenţei unei dinamici nemodelate şi asigură
rejecţia perturbaţiilor externe forţând stările sistemului controlat să
urmărească stările modelului.
Deoarece rezultatele pot fi extinse la cazul multivariabil, problema va
fi tratată direct pe cazul sistemelor liniare MIMO.
Fie un sistem liniar descris de următoarele ecuaţii:
x = Ax + Bu + Bd
(11.20)
y = Cx
unde u şi y sunt vectori de dimensiune n, respectiv p, incluzând
variabilele de control şi ieşirea măsurabilă şi d este un vector de
dimensiune l reprezentând perturbaţia echivalentă acţionând pe intrarea
sistemului, iar A, B şi C sunt matrici de dimensiuni corespunzătoare.
Dacă un model al sistemului este disponibil, acesta poate fi descris
prin ecuaţii similare:
xˆ = Axˆ + Bu0
(11.21)
yˆ = Cxˆ
unde u0 este vectorul mărimii de comandă a modelului. Definind
semnalul erorii
e = yˆ − y (11.22)
rezultă clar că acest semnal este dependent de perturbaţiile externe şi
variaţiile parametrice ale sistemului controlat.
Introducem notaţia ur pentru referinţa sistemului, mărime ce poate
proveni de la un controler extern, şi notaţia K pentru o matrice de tip
proporţional. Alegând legea de comandă de forma:
u = u r + Ke
(11.23)
u0 = u r
se obţine o structură de reglare ca cea prezentată în fig. 11.5

197
d proces
ur + + u + x
B S C y
+

K A
model
^ e
x +
B S C

Fig. 11.5
Teorema 11.1
Dacă nu există erori de modelare, caracteristicile dinamice ale
procesului nu sunt influenţate de introducerea sistemului de control din
fig. 11.5. Din contra, acesta poate impune o comportare dinamică diferită
în raport cu perturbaţiile externe.
Din ecuaţiile (11.20), (11.21) şi (11.23) se obţine
x = Ax + BKCe + Bu r + Bd
(11.24)
e = ( A − BKC )e − Bd
Aplicând transformata Laplace se obţine:
ρx = Ax + BKCe + Bur + Bd
ρe = ( A − BKC )e − Bd (11.25)
(ρI − A)x = Bur + [I − BKC (ρI − ( A − BKC )) −1 ]Bd
Din (11.25) rezultă că influenţa referinţei ur asupra stărilor sistemului
x, este aceeaşi ca în cazul în care nu ar fi existat modelul de referinţă sau,
cu alte cuvinte, caracteristicile dinamice ale procesului controlat rămân
nemodificate. Atunci, ţinând cont numai de efectul perturbaţiei de
(11.25) poate fi scrisă în forma
(
I − BKC [ρI − ( A − BKC )]
−1 −1
)
(ρI − A)x = Bd (11.26)
Folosind identitatea de inversiune matricială
−1
(
I − C (ρI − A + BC ) B = I + C (ρI − A) B
−1 −1
)
(11.27)
ec (11.26) devine:
(ρI − A + BC )x = Bd (11.28)
şi se obţine următoarea matrice de transfer care arată legătura dintre
stările sistemului şi perturbaţie
x = (ρI − A + BKC ) Bd
−1
(11.29)

198
Aceasta arată că dinamica în raport cu perturbaţiile externe poate fi
modificată prin alegerea matricii K.„
O consecinţă a teoremei anterioare este aceea că un controler pentru
procesul controlat poate fi proiectat independent de sistemul de control
cu model de referinţă: proprietatea de separare din procedura de
proiectare a sistemului cu reacţie după starea estimată prin observer
Luenberger se menţine pentru structura din fig.11.5. Totuşi se observă că
sistemul cu model de referinţa din fig. 11.5 se bazează pe o buclă
exterioară ceea ce face numărul de grade de libertate în selectarea
dinamicii în raport cu perturbaţia să depindă de controlabilitatea şi
observabilitatea procesului controlat prin matricile B şi C.
Teorema 11.2
Un sistem cu control cu model de referinţă forţează stările procesului
controlat să urmărească stările modelului chiar în prezenţa unor variaţii
parametrice sau a unei dinamici nemodelate.
Să presupunem că procesul controlat este descris de o realizare {A, B,
C} şi modelul său descris de o realizare {Am, B, C} unde
Am = A + ΔA (11.30)
Atunci ecuaţia (11.24) devine:
x = Ax + BKCe + Bu r
(11.31)
e = −ΔAx + ( Am − BKC )e
unde am presupus d = 0. Ecuaţia (11.25) devine:
(ρI − A)x = Bu r − BKC (ρI − ( Am − BKC ))−1 ΔAx (11.32)
care, ţinând cont de (11.30) şi (11.27) este echivalentă cu
[ ]
(ρI − Am )x = Bur + I − BKC (ρI − ( Am − BKC ))−1 ΔAx =
(11.33)
[
= Bu r + I + BKC (ρI − Am ) ]
−1 −1
ΔAx
Făcând notaţia xm = (ρI − Am )−1 Bu r rezultă înmulţind la dreapta (11.33)
cu (ρI − Am )−1
x = xm + (ρI − Am + BKC ) ΔAx
−1
(11.34)
ceea ce întregeşte demonstraţia.„
Cele două teoreme conduc la următoarele concluzii:
1) Sistemul cu model de referinţă analizat este robust în prezenţa
perturbaţiilor parametrice şi/sau a dinamicii nemodelate a procesului.
2) Ca o consecinţă, datorită şi proprietăţii de separare a acestei scheme
de control, tehnicile adaptive nu sunt necesare pentru a asigura

199
performanţele dorite dacă dinamica nemodelată nu este de mare
importanţă.
Considerăm acum o schemă cu model de referinţă având structura din
~
BP( ρ−1)
fig 11.6, în care blocul R(ρ) are funcţia de transfer
F2 ( ρ )
.
d
u + + y
r
P
+ (ρ)

-
B ~ -1 e
P(ρ)
F2 (ρ) +

~
P
P1(ρ)
(ρ)

Fig. 11.6 Schema bloc a sistemului de control cu controler adaptiv pasiv


Faţă de schema propusă anterior deosebirea constă în modificarea
funcţiei de transfer a funcţiei filtrului R(ρ), considerată în cazul anterior
de tip proporţional.
Deoarece P~( ρ−1) reprezintă inversa dinamicii sistemului P( ρ ) , R( ρ ) fiind o
~
funcţie de transfer raţională proprie, P( ρ− 1) este nerealizabilă. De aceea este
introdus filtrul trece-jos 1/F2(s), având un număr de poli egal cu excesul
poli-zerouri al lui P (ρ ) . Polii filtrului sunt aleşi îndepărtaţi de originea
~

planului s, în cazul continuu, sau apropiaţi de originea planului z, in cazul


discret, astfel încât influenţa lor asupra regimului tranzitoriu să fie
minimă.
Deci elementul de tip proporţional de pe calea erorii e a fost înlocuit
în schema din figura 11.6 cu un element de avans, introducerea acestuia
conducând la scurtarea regimului tranzitoriu în cazul unor variaţii
parametrice sau perturbaţii externe.
Funcţiile de transfer care caracterizează sistemul din fig. 11.6 sunt
următoarele (cazul continuu).
y (s )
P (s )
1 ~ (11.35)
=
u (s ) F2( s )
δ (s ) + 1
F2( s ) + β
y (ρ ) F2(s ) ~
P (s )
1 (11.36)
=
d (ρ ) F2( s )
δ (s ) + 1
F2( s )+ β
F2( s ) + β

200
P (s ) − P (s )
~
δ (ρ ) = (11.37)
P (s )
lim F2( s ) = 1 (11.38)
s →0

Prin δ(s) s-a notat diferenţa între dinamica modelată a sistemului şi


dinamica actuală a sistemului, deci acest termen include atât erorile de
modelare cât şi variaţiile parametrice ale sistemului controlat.
O problemă care se pune în cazul tuturor sistemelor de reglare este
aceea a stabilităţii sistemului obţinut.
În acest caz MRAS propriu-zise, analiza stabilităţii se face prin funcţii
Liapunov sau teoria pasivităţii deoarece mecanismul de adaptare din fig.
11.1 rezultă neliniar şi în consecinţă, sistemul în ansamblul său va fi
neliniar. Metoda funcţiilor Liapunov sau teoria pasivităţii conduc şi la
metode de sinteză a MRAS.
În alte cazuri, prin folosirea metodelor de gradient, de exemplu,
stabilitatea sistemului adaptiv obţinut nu este garantată. Sistemul cu
controler adaptiv pasiv propus anterior este liniar, ceea ce face ca un
spectru mai larg de metode să poată fi utilizate pentru analiza stabilităţii
sistemului.
În cazul în care procesul controlat este un motor de c.c. comandat prin
tensiunea pe indus,
Kt y (s ) ω ( s )
P( s ) = = = (11.39)
(Ls + R )(Js + D ) + K t K e y r ( s ) U (s )
unde notaţiile sunt cele uzuale pentru maşna de c.c.
~
Modelul sistemului P(s) va fi adoptat ca fiind un sistem de ordinul I.
Prin neglijarea inductanţei indusului L, considerând constanta
electromagnetică mult mai mică decât constanta electromecanică rezultă
1
~ K e* ω (s ) (11.40)
P (s) = =
J *R*
s +1 U s
()
K t* K e*
unde cu asterisc au fost notate valorile nominale ale parametrilor
motorului. S-a notat prin ω turaţia arborelui motor şi prin U tensiunea pe
indus.
Aducând la numitor comun (11.30) polinomul polilor va fi de forma:
⎡ 1 ⎛ LJ 2 RJ + DL ⎞ 1 ⎛ J *R* ⎞⎤⎛ J * R * ⎞
⎢F2 ⎜⎜ s + s + 1⎟⎟ + ⎜⎜ β s + β ⎟⎟⎥⎜⎜ s + 1⎟⎟ (11.41)
⎣ Ke * ⎝ Kt Ke Kt K e ⎠ K e ⎝ Kt * K e * ⎠⎦⎝ Kt * Ke * ⎠

201
Deoarece modelul procesului este un sistem de ordinul I, filtrul F2(s)
va fi ales de forma
F2 ( s ) = τ 2 s + 1 (11.42)
şi polinomul polilor poate fi rescris în forma:

⎡⎛ 1 ⎞⎛ LJ 2 RJ + DL ⎞ ⎛ β J *R* β ⎞⎤⎛ J * R * ⎞
⎢⎜⎜ s + ⎟⎟⎜⎜ s + s + 1⎟⎟ + ⎜⎜ s + ⎟⎟⎥⎜⎜ s + 1⎟⎟ = 0
⎣⎝ τ 2 ⎠⎝ K t K e Kt Ke ⎠ ⎝ τ 2 Kt * Ke * τ 2 ⎠⎦⎝ K t * K e * ⎠
Întrucât maşinile electrice de c.c pot fi identificate cu un înalt grad de
precizie, vom considera R=R*, L=L*, Kt=Kt*, Ke=Ke*.
Folosind criteriul Hurwitz se poate verifica uşor că stabilitatea BIBO
este garantată dacă
β RJ * 1 RJ + DL K K
+ > 1− e t
τ 2 LJ τ 2 LJ LJ
(11.43)
⎛ 1 R (RJ + DL ) ⎞ 1 (RJ + DL )2 RJ + DL
β ⎜⎜ − 1⎟⎟ + > 1−
⎝τ 2 L Ke Kt ⎠ τ 2 K e K t LJ LJ
Se observă că termenul RJ + DL
1− < 0 pentru orice maşină de curent
LJ
continuu deoarece, în cazul cel mai defavorabil (D = 0) rezultă R
1− < 0,
L
adică R > L. Deci (11.43) este întotdeauna îndeplinită dacă 1 R RJ + DL
>1
τ 2 L K e Kt

sau notând L , respectiv JR , dacă 1 ⎛ DL ⎞ În cazul cel


Te = Tm = ⎜ Tm + ⎟ > 1.
R K e Kt τ 2Te ⎝ Ke Kt ⎠
mai defavorabil(s = 0) rezultă Tm >τ2Te, relaţia care este întotdeauna
îndeplinită deoarece Tm >Te, iar τ1 este o întotdeauna aleasă ca fiind o
constantă de timp subunitară.
De asemenea, în (11.42) se observă că J nu poate fi mai mic decât
momentul de inerţie propriu al motorului, deci membrul drept nu poate fi
mai mare decât 1. Pe de altă parte 1 RJ + DL > 1 şi deoarece 1 > 1
τ2 RJ τ 1Te τ 2Te
(ambii subnunitari) rezultă că (11.42) este satisfăcută pentru orice β > 0
şi τ2 < 1s. Analiza anterioară pune în evidenţă faptul că amplificarea β
poate fi crescută oricât de mult fără ca sistemul cu controler adaptiv pasiv
din figura 11.6 să-şi piardă stabilitatea.

202
Din (11.36) se constată că aceaşi afirmaţie poate fi făcută şi pentru
această funcţie de transfer, polinomul polilor fiind cel din (11.35)
multiplicat cu (F1(s)+β ).
Analiza sensibilităţii la variaţii parametrice a părţii fixate şi punerea în
evidenţă a proprietăţii de invarianţă în cazul unor astfel de perturbaţii,
deci evidenţierea robusteţii sistemului de reglare propus, poate fi făcută
prin metoda locului rădăcinilor.
Infigura 4.7 este figurat locul rădăcinilor sistemului cu controler
adaptiv pasiv, partea fixată fiind motorul de curent continuu cu
parametrii: Un=110V, In=3.3A, Ra=3.1Ω, La=0.16H, Ce=0.58Vs/rad,
Cm=0.58Nm/A, Jr=0.028Nms2/rad, factorul de amplificare β=10, iar
constanta de timp a filtrului F2, τ2=0,002 s. În Fig. 11.7.a este prezentat
locul rădăcinilor sistemului cu controler adaptiv pasiv în cazul unei
variaţii a momentului de inerţie total redus la arborele motor în gama 0-
5Jn, iar in Fig. 11.7.b este figurat locul rădăcinilor sistemului în cazul
unei variaţii constantei de frecare vâscoasă în gama 0-3.
Întrucăt din figură nu reies foarte clar valorile polilor sistemului,
aceştia avănd valori foarte diferite unii în raport cu alţii, în tabelele 11.1
şi 11.2 sunt date valorile polilor sistemului de reglare propus. Tabelul
11.1 conţine valorile polilor sistemului pentru cazul variaţiei momentului
de inerţie total redus la arborele motor în gama precizată anterior, iar
tabelul 11.2 conţine valorile polilor sistemului în cazul variaţiei
constantei de frecare văscoasă. Din ambele tabele se observă ca polul
dominant, dat de constanta de timp electromecanică (Tm= 0,27678s) nu
se modifică cu mult, chiar în cazul unor variaţii parametrice foarte mari.
De exemplu, în cazul motorului fără controler adaptiv pasiv, ΔJ=5Jn ar fi
condus la o ceştere de şase ori a constantei de timp dominante a
sistemului.

11.1. Implementarea şi testarea unui sistem de control cu model


de referinţă pentru reglarea turaţiei motorului de c.c.

Sistemul de control cu model de referinţă pentru reglarea turaţiei


maşini de c.c. cu excitaţie separată prezentat în această secţiune este
realizat cu un controler aparent adaptiv (controler adaptiv pasiv) de tipul
celui prezentat în Fig. 11.2. Alegând

203
~
P( ρ )
R( ρ ) = β (11.44)
F2 ( ρ )
şi particularizând relaţiile pentru cazul sistemmelor netede, rezultă
schema bloc a sistemului de reglare folosit, prezentată în Fig. 11.8.

Gm (s)
+
β -1(s)
Gm
F2 (s)
-
+ P(s)
-
U(s) Y(s)
G(s)

Fig. 11.8. Schema bloc a sistemului motor-controller adaptiv pasiv

În Fig. 11.8 s-a notat prin G(s) funcţia de transfer a grupului redresor
comandat-motor, prin Gm(s) funcţia de transfer a modelului grupului
redresor-motor la parametri nominali, iar Gm−1 reprezintă inversa
dinamicii modelului grupului redresor-motor. β este un factor de
amplificare folosit în proiectare pentru a reduce senzitivitatea sistemului
la variaţii parametrice. De obicei Gm−1 rezultă o funcţie de transfer cu
gradul polinomului de la munărător mai mare decăt cel al polinomului de
la numitor şi de aceea este introdus un filtru 1/F2(s) de tipul trece jos. Ca
urmare, funcţiile de transfer ale ieşirii în raport cu mărimea de referinţă şi
cu perturbaţia sunt cele din (11.35)-(11.38).
Trebuie menţionat faptul că prin această metodă de reglare nu se
doreşte îmbunătăţirea performanţelor de regim dinamic sau staţionar, ci
numai asigurarea unei dinamici a părţii fixate cât mai apropiată de a
modelului acesteia, modelul fiind modelul maşinii de c.c. la parametri
nominali. Deci se urmăreşte doar reducerea căt mai accentuată a
influenţei variaţiilor parametrice şi, ca un rezultat auxiliar, dar benefic, a
influenţei cuplurilor pertubatoare ce acţionează asupra sistemului. Acest
rezultat este pus în evidenţă pe baza funcţiilor de transfer (4.35)-(4.38).
Y (s) 1
= Gm ( s)
U ( s) F2 ( s )
δ (s) + 1
F2 ( s ) + β

204
Y (s) 1 F2 ( s )
= * Gm ( s )
P( s ) F2 ( s ) F2 ( s ) + β
δ (s) + 1
F2 ( s ) + β
Gm ( s ) − G ( s )
δ ( s) =
G ( s)
lim F2 ( s ) = 0
s →0

Dacă excesul poli-zerouri al funcţiei de transfer Gm(s) este 1, filtrul


F2(s) poate fi ales de forma:
1
F2 (s) = (11.45)
τ 2s +1
Din prima funcţie de transfer rezultă că dacă G(s) şi Gm(s) au acelaşi
factor de amplificare, lucru realizabil deoarece acţionările electrice de
c.c. pot fi identificate cu un înalt grad de precizie, termenul δ(s) se
anulează în regim staţionar, adică valoarea de regim staţionar rămăne
neschimbată, indiferent de variaţiile parametrice ale părţii fixate care nu
influenţează factorul de amplificare. De asemenea, în regim dinamic,
F2 ( s )
termenul , având aleasă constanta de timp τ mai mică decăt
F2 ( s ) + β
constantele de timp ale părţii fixate, conduce la o reducere de 1/(1+β) ori
a influenţei termenului δ(s). Prin δ(s) s-a notat diferenţa între dinamica
modelului motorului la parametri nominali Gm(s) şi dinamica motorului
la parametri actuali G(s). Concluzia este că prin creşterea factorului de
amplificare β se reduce senzitivitatea sistemului de reglare propus la
variaţii parametrice. Această creştere a factorului de amplificare β este
limitată de saturarea comenzii. De asemenea se observă că, în cazul ideal
când G(s)=Gm(s), sistemul de control cu model de referinţă nu are nici o
influenţă asupra răspunsului obţinut, mărimea de comandă fiind nulă.
Din funcţia de transfer în raport cu perturbaţia rezultă o reducere a
erorii ieşirii în raport cu pertubaţia de 1/(1+β) în regim staţionar, cu
condiţia ca G(s) şi Gm(s) să aibă acelaşi factor de amplificare.
Pentru cazul concret al maşini de curent continuu cu excitaţie separată
comandată prin tensiunea indusului printr-un redresor comandat modelat
ca un bloc proporţional cu amplificare Kee , funcţia de transfer a părtii
fixate este dată de

205
ω (s) Kt Kee
G (s) = = (11.46)
U ( s ) (Ls + R )Js + Kt Ke
notaţiile parametrilor fiind cele utilizate anterior în acest capitol.
Modelul motorului de curent continuu a fost adoptat ca fiind o funcţie
de transfer de ordinul 1. În modelul motorului este neglijată constanta de
timp electromagnetică Te=L/R, aceasta conducănd la simplificarea
algoritmului de reglare numeric, pe de o parte, şi permiţând punerea în
evidenţă, în partea experimentală, a influenţei erorilor de modelare
asupra răspunsului sistemului. Funcţia de transfer a modelui grupului
redresor comandat-motor a fost aleasă de forma:
K ∗ee/K ∗e K*m
Gm (s) = = (11.47)
(J ∗ R∗ /K ∗t K ∗e)s + 1 T * ms + 1
Parametri notaţi cu asterisc reprezintă valorile nominale ale acestora.
Schema bloc a sistemului de reglare cu controler adaptiv pasiv rezultă
cea din Fig. 11.9.
K *ee /Ke*
T*ms+1

+
* * s+1
β Ke Tm
K*ee τ 2* s+1 -
+ Mp
- 1
1
Kee Kt
Ls+R Js
-
Ke

Fig. 11.9 Schema bloc a sistemului de reglare cu controler adaptiv pasiv

Algoritmul de reglare se obţine prin discretizarea funcţiilor de transfer


β K ∗e T * ms + 1 K ∗ee/K ∗e
şi ce apar în controler. Perioada de
K ∗ee τ 2 s+1 T * ms + 1
eşantionare a fost aleasă 2 ms. Controlerul adaptiv pasiv a fost
implementat pe o placă dSPACE covertoare A/D şi N/A DS1103.
Cu acest algoritm de reglare s-au efectuat mai multe experimente pe
modelul analogic al motorului de curent continuu C112, comandat printr-
un redresor comandat de patru cadrane.
Un prim experiment a fost făcut pentru a obtine răspunsul indicial al
sistemului de reglare cu controler adaptiv pasiv, considerând parametrii

206
motorului ca fiind parametrii nominali de funcţionare ai maşinii şi cuplul
rezistent nul. Variaţia vitezei şi a curentului prin motor sunt prezentate în
Fig. 11.11. Se observă că răspunsul sistemului este practic identic cu
răspunsul maşinii la variaţia treaptă a tensiunii de comandă pe redresorul
comandat. O mică diferenţă apare la începutul regimului tranzitoriu
datorită modelării imperfecte. De asemenea, mărimea de comandă este
nulă, aşa după cum era de aşteptat, cu excepţia porţiunii de început a
regimului tranzitoriu.
În Fig. 11.13 este prezentat răspunsul sistemului la apariţia unei
perturbaţii treaptă a perturbaţiei ΛMr=0,76 Nm. Este pusă astfel în
evidenţă reducerea senzitivităţii sistemului la perturbaţii. Rezultă o
reducere a erorii ieşirii în raport cu perturbaţia de 1/(1+β) ori, în
conformitate cu consideraţiile făcute anterior.
Figura 11.15 prezinta răspunsul indicial al sistemului de reglare în
cazul în care sistemul a suferit o variaţie parametrică ΛJ=4Jn, ceea ce
conduce la o mărire de 5 ori a constantei de timp dominante a părţii
fixate. Este pusă în evidenţă robusteţea sistemului de reglare cu controler
adaptiv. Din figura 11.15 se observă o mărire nesemnificativă a duratei
regimului tranzitoriu. Rezultatul este în concordanţă cu consideraţiile
făcute anterior asupra funcţiei de transfer a sistemului cu controler
adaptiv pasiv.
Figura 11.17 prezintă rezultatele experimentale cu sistemul de reglare
propus pentru cazul în care sistemul este perturbat parametric şi asupra sa
acţionează un cuplu perturbator ΛMr=0,76Nm sub forma unei perturbaţii
treaptă. Concluziile sunt identice cu cele enunţate pentru experimentul
din figura 11.13.

ω [rad/s] ω [rad/s]
30 30

25 25

20 20

15 15

10 10

5 5

0 0

-5 -5 t[s]
0.5 1 1.5 t[s] 0 0.2 0.4 0.6 0.8 1 1.2 1.4 1.6
a a

a) a)

207
I[A] I[A]
6

6
5
5
4
4
3
3
2
2
1
1

0 t[s] 0
0 0.2 0.4 0.6 0.8 1 1.2 1.4 1.6 t[s]
0.5 1 1.5 b
b
b) b)
U[V] U[V]
5

4 4

3 3

2 2

1 1

0 0

-1 -1
t[s] 0 0.2 0.4 0.6 0.8 1 1.2 1.4 1.6 t[s]
0.5 1 1.5 c
c
c) c)

Fig. 11.10. Răspunsul indicial al Fig. 11.11. Răspunsul indicial al


motorului cu controler adaptiv pasiv motorului cu controler adaptiv pasiv
obţinut prin simulare numerică obţinut experimental
a) variaţia vitezei motorului, a) variaţia vitezei motorului,
b) curentul prin motor. b) curentul prin motor.
c) mărimea de comanbdă c) mărimea de comandă

208
ω [rad/s]
ω [rad/s] 26

25 25

24 24

23 23

22 22

21 21

20 20

19 19

18 18

17 17 t[s]
0.5 1 1.5 t[s] 0 0.2 0.4 0.6 0.8 1 1.2 1.4 1.6
a a

a) a)
I[A]
I[A] 2
2
1.8

1.6
1.5
1.4

1.2
1
1

0.8
0.5 0.6

0.4

0 0.2

0 t[s]
0.5 1 1.5 t[s] 0 0.2 0.4 0.6 0.8 1 1.2 1.4 1.6
b b

b) b)
U[V] U[V]
1.6 1.6

1.4 1.4

1.2 1.2

1 1

0.8 0.8

0.6 0.6

0.4 0.4

0.2 0.2

0 0 t[s]
0.5 1 1.5 t[s] 0 0.2 0.4 0.6 0.8 1 1.2 1.4 1.6
c c

c) c)

Fig.11.12 Răspunsul simulat al Fig.11.13.Răspunsul sistemului de


sistemului cu controler adaptiv pasiv la reglare cu controler adaptiv pasiv la
perturbaţie treaptă ΔMr = = 0,76 Nm; perturbaţie treaptă ΔMr = 0,76 Nm;
a) viteza motorului; a) viteza motorului;
b) curentul prin motor b) curentul prin motor
c)mărimea de comandă c)mărimea de comandă

209
ω [rad/s] ω [rad/s]
30 30

25 25

20 20

15 15

10 10

5 5

0 0
0.5 1 1.5 t[s] 0 0.2 0.4 0.6 0.8 1 1.2 1.4 1.6 t[s]
a a

a) a)
I[A] I[A]
10 10

9
8 8

6 6

4 4

2 2

0 0

0.5 1 1.5 t[s] 0 0.2 0.4 0.6 0.8 1 1.2 1.4 1.6 t[s]
b b

b) b)
U[V]
I[A] 6
6

5 5

4 4

3 3

2 2

1 1

0 0

-1 -1
0.5 1 1.5 t[s] 0 0.2 0.4 0.6 0.8 1 1.2 1.4 1.6 t[s]
c c

c) c)
Fig.11.14. Răspunsul indicial al Fig.11.15. Răspunsul indicial al
motorului cu controler adaptiv pasiv motorului cu controler adaptiv pasiv
obţinut prin simulare numerică, ΔJ=4Jn obţinut experimental, ΔJ=4Jn.
a) variaţia vitezei motorului, a) variaţia vitezei motorului,
b) curentul prin motor. b) curentul prin motor.
c) mărimea de comandă c) mărimea de comandă

210
ω [rad/s] ω [rad/s]
26

25 25

24 24

23 23

22 22

21 21

20 20

19 19

18 18

17 17
0.5 1 1.5 t[s] 0 0.2 0.4 0.6 0.8 1 1.2 1.4 1.6 t[s]
a a

a) a)

I[A] I[A]
2 2

1.5 1.5

1 1

0.5 0.5

0 0

-0.5 -0.5
0.5 t[s] 0 0.2 0.4 0.6 0.8 1 1.2 1.4 1.6
b 1 1.5
b
t[s]

b) b)

U[V] U[V]
1
0.9

0.8 0.8
0.7
0.6
0.6
0.5
0.4
0.4
0.3
0.2
0.2 0.1
0

0 -0.1
0.5 1 1.5 t[s] 0 0.2 0.4 0.6 0.8 1 1.2 1.4 1.6 t[s]
c c

c) c)

Fig.11.16 Răspunsul simulat al motorului Fig.11.17 Răspunsul motorului cu


cu controler adaptiv pasiv la controler adaptiv pasiv la
ΔMr= 0,76 Nm în cazul existenţei unei ΔMr=0,76 Nm în cazul existenţei unei
perturbaţii parametrice ΔJ=4Jn perturbaţii parametrice ΔJ=4Jn
a) viteza motorului; a) viteza motorului;
b) curentul prin motor b) curentul prin motor
c) mărimea de comandă c) mărimea de comandă

211