You are on page 1of 12

TRABALHO FINAL DE GRADUAÇÃO OUTUBRO/2011 UNIVERSIDADE FEDERAL DE ITAJUBÁ ENGENHARIA DE CONTROLE E AUTOMAÇÃO CONTROLE LQG E H∞ VIA LTR

APLICADOS AO CONTROLE DE POSIÇÃO
Gabriela da Fonseca de Amorim - 13874 Orientador: Me. Caio Fernandes de Paula
Resumo - Este artigo apresenta o projeto de um controlador LQG/LTR e de um controlador H∞/LTR a partir das suas equações para o módulo de controle de posição do laboratório LCPIC da Universidade Federal de Itajubá e visa estabelecer uma comparação entre estes métodos quando aplicados a uma mesma planta e a partir dos mesmos parâmetros de projetos. Palavras-Chave: Controle de posição, Servomecanismo, Controle LQG/LTR, Controle H∞/LTR. O manual do módulo didático de controle de posição desenvolvido pela empresa Datapool® encontra-se em [1] e na Figura 1 é mostrada uma foto do servo-mecanismo ensaiado.

I – INTRODUÇÃO
Executar uma ação de controle significa modificar a dinâmica da planta para que ela obedeça a requisitos mínimos de desempenho e rejeite ruídos de medição e distúrbios do sistema. Neste trabalho foram projetados e simulados dois controladores robustos para o módulo de controle de posição por métodos distintos: LQG/LTR e H∞/LTR. O artigo está organizado da seguinte maneira: na seção II é descrito o sistema a ser controlado; nas seções III e IV são projetados, simulados e analisados os controladores LQG/LTR e H∞/LTR, respectivamente, e na seção V são apresentadas as conclusões a partir dos resultados experimentais realizados.

Figura 1 – Planta real do servo-mecanismo ensaiado. II.2 Modelagem do sistema Para modelar um servo-motor, a expressão do ângulo de saída do sistema θ(s) em função da tensão de armadura Ea(s) é dada por um sistema com três pólos, sendo um deles na origem [2], representada em (1). θ ( s) KT = (1) Ea ( s ) JLm s 3 + ( BLm + JRm ) s 2 + ( BRm + KT K m ) s Onde a indutância e a resistência de armadura são dadas por Lm e Rm, respectivamente, KT é uma constante magnética relacionada ao torque, Km é uma constante magnética relacionada à força contra-eletromotriz, J é o momento de inércia no eixo e B é o coeficiente de atrito. Mas se a indutância de armadura Lm for muito pequena, como no módulo em questão, ela pode ser ignorada e a função de transferência será dada por um sistema com apenas dois pólos sendo um deles na origem como na equação (2): θ (s) KT = (2) 2 Ea ( s ) JRm s + ( BRm + K T K m ) s

II – O MODELO DO SERVO-MECANISMO
II.1 Descrição da planta A planta é um modelo reduzido de um sistema de posicionamento angular. Um servo-potenciômetro alimentado com uma fonte de tensão fixa regulada funciona como transdutor de deslocamento angular da planta. Todo deslocamento no eixo deste potenciômetro varia de forma proporcional à tensão do cursor que varia entre 0 e +5[V]. Um servo-motor de ímã permanente com corrente contínua acoplado a um conjunto de engrenagens que acionam a parte mecânica do sistema de posicionamento serve de motor de acionamento. A tensão disponível para esse servo-motor também varia entre 0 e +5[V].

1

a planta deve ser quadrada. possuir a mesma quantidade de entradas e saídas e deve ser de fase-mínima. III.UNIFEI.Por tratar-se de um modelo linear. o valor dos pólos depende de uma série de fatores e constantes que podem variar de acordo com as condições do ambiente ou mesmo com o passar do tempo. o que pode ser verificado a partir das matrizes de controlabilidade e observabilidade dadas pelas equações (11) e (12).2 deste mesmo artigo. A matriz de transferência da malha fechada dos sinais w para z é denotada por Tzw cujo tamanho é medido pela norma H2 para o controlador LQG/LTR. No sistema controlado existem sinais que devem ter sua influência neutralizada como entradas exógenas z ou variáveis auxiliares de resposta w. insensibilidade a variações na planta e rejeição do erro de medida. pode-se demonstrar que: (5) Logo K(s) = (C(sI − A)−1 B)−1. este método cumpre todos os objetivos de um sistema real controlado enumerados por J. introduziram na literatura o método LQG/LTR (Linear Quadratic Gaussian with Loop Transfer Recovery) para o projeto de controladores. Para garantir a condição de erro nulo em regime permanente sob qualquer condição. estimou-se os parâmetros da planta através do método numérico dos Mínimos Quadrados. em 1981. Com relação ao desempenho. J.C(sI − A)KF (9) (10) G(s)K(s) = C(sI − A)KF − 11 0 ~  A= 1 0  0 0  ~ C = [0 200 0  ~   B = 0  1    ~ D = [0] Portanto. a partir de dados de entrada e saída coletados em abril de 2011 no LCPIC da Universidade Federal de Itajubá . tratando-se de um sistema mecânico. ou seja. baseado na informação provida por y. o sistema deve ser de estados controláveis e observáveis. [3] O sistema possui um pólo na origem e. que pode ser aplicado tanto em sistemas SISO (Single Input – Single Output) quanto MIMO (Multiple Input – Multiple Output) e visa restabelecer as margens de ganho e de fase que os reguladores LQR (Linear Quadratic Regulators) e o filtro de Kalman possuem individualmente mas não são garantidas quando combinados no controle LQG [5]. portanto. y é o vetor das variáveis medidas. dado em (6) G (s) = 200 s ( s + 11) (3) Sendo uma representação em variáveis de estado dada por: & x = Ax + Bu + Lw x z x = Hx z u = ρIu y = Cx + µIw y − 11 0 A= 0  1  C = [0 200] 1  B=  0  D = [0] (4) Onde x é o vetor de estados. gere um sinal de controle u que comande a planta e neutralize a influência de w em z. é necessário realizar a expansão por um pólo na origem dada por: K(s) = KC (sI − A + BKC + KFC)KF Onde: (6) ~  A B A=  0 0 ~ C = [C D] ~ 0  B=  1  ~ D = [0] K C = ρ −2 B T X K F = µ YC −2 T (7) (8) Assim. Além disso. rejeição de perturbações externas. tolerante a grandes incertezas e distúrbios. através de uma minimização da matriz de Tzw dada pela norma ||Tzw||2. dada por: III – PROJETO DO CONTROLADOR LQG/LTR Doyle e Stein [4]. erro nulo no regime permanente em malha fechada. Além disso.1 Condições para a aplicação do controle LQG/LTR Para que a aplicação do controle LQG/LTR seja viável. encontrar um controlador que. Porém. Este método consiste em uma técnica de controle robusto. respectivamente. 2 . Cruz [6]: acompanhamento de sinais de referência. [3] O objetivo desta metodologia é. u é o vetor de entradas de comando. então. a função de transferência da malha tende ao filtro de Kalman (observador de estados). ou seja. a matriz H for igual à matriz C e a planta do sistema for quadrada e de fase-mínima. Se ρ tender a 0. H. portanto. wx e wy são entradas e zx e zu são saídas exógenas do sistema. o sistema passa a ser representado por: ~ ~ ~ & x = A x + B u + L wx ~ z x = Hx z u = ρIu ~ y = C x + µIw y 1 0  0  0] Sendo KC e KF matrizes de ganhos detalhadas na seção III. µ e L serão livremente designados para cumprir com o propósito firmado. A função de transferência estimada da planta é. Doyle e Stein [4] justificam estas necessidades mostrando que para um controlador LQG. os parâmetros ρ.

mas existem técnicas para a parametrização desta matriz propostas por Athans [7]. As matrizes X e Y são simétricas e semi-definidas positivas e representam as soluções das equações de Riccatti (16) e (17) da retroação e do observador de estados.10 8 1158. encontrar o controlador que minimiza a norma ||Tzw||2. representado através de variáveis de estado. Da mesma forma. A Figura 2 ilustra a resposta ao degrau do Filtro de Kalman projetado (malha objetivo). mais a dinâmica do controlador se aproximará da dinâmica do filtro de Kalman. KC é a matriz de ganhos de retroação do controlador e KF é a matriz de ganhos do observador. (12) σ [S ( jω ) ] ≤ 1 σ [T ( jω ) ] ≤ 2 σ [S ( jω ) ] ≤ µσ (C ( jωI − A) L )−1 (18) (19) [ ] (20) É importante notar que a expansão por pólos na origem pode modificar a controlabilidade e a observabilidade do sistema. o sistema será de estados observáveis se o posto da matriz de observabilidade MO dada em (14) for igual à ordem da matriz Ã. um programa foi desenvolvido no software MatLab® a fim de ilustrar o comportamento do sistema. Este princípio fará com que os pólos do sistema tendam aos do observador de estado [4].4 Simulações (23)  A − BK C − K F C K :=  KC  KF  0   (15) Com os parâmetros especificados para o controle LQG/LTR. Os parâmetros µ e L são livres de projeto.7 (22) [ ]  0. ou seja. III. III. pode-se afirmar que o sistema em questão é de estados controláveis e observáveis. são os responsáveis pela formatação da malha objetivo em ter- Figura 2 – Resposta ao degrau do Filtro de Kalman 3 . então.10764  K F = 0. ou seja. Da mesma forma. respectivamente.7127. Logo. para que o princípio de recuperação da malha ocorra. dadas por: K C = 6.3 Parâmetros utilizados Para a planta analisada.10 5 2.25    III. A T X + XA − ρ −2 XBB T X + H T H = 0 YA + AY − µ YC CY + LL = 0 T −2 (16) (17) T T Quanto menor for o parâmetro ρ. é dado pela seguinte equação: 0 L = 0   5   (21d) As matrizes de ganhos do controlador LQG/LTR para a planta expandida por um pólo na origem são. Dado o exposto.032808    1. foram utilizados os seguintes parâmetros: (21a) ρ = 10 -6 (21b) H=C µ=4 (21c) 0 1 − 11 M C = 0 0 1    1 0 0    (13) MO  0 =  200   − 2200  200 0 0 0  0   200   (14) O sistema será de estados controláveis se o posto da matriz de controlabilidade MC dada em (13) for igual à ordem da matriz Ã. as matrizes H e C devem ser iguais.2 Equações do controlador LQG/LTR O objetivo da otimização LQG consiste em encontrar os ganhos matriciais KC e KF que minimizam a função de custo do sistema. O controlador LQG.~ MC = B [ MO ~~ ~ ~ AB A 2B ~  C   ~~  =  CA  ~~ C A 2    ] (11) mos das funções de sensibilidade S(s) e rastreamento T(s). para a planta em questão: Sistemas mais complexos tornariam a escolha do parâmetro L mais onerosa.

o tempo de acomodação foi maior.5 Resultados Experimentais Com o auxilio do software Labview®. Figura 7 – Resposta ao degrau do sistema real controlado pelo método LQG/LTR Figura 4 – Sensibilidade S(s) do sistema controlado pelo método LQG/LTR A análise da Figura 7 revela que o overshoot do sistema real controlado foi em torno de 17% e o tempo de acomodação 2[s]. Além disso.A Figura 3 ilustra a resposta ao degrau do sistema controlado pelo método LQG/LTR. O achatamento do gráfico nesta figura mostra que houve uma saturação do sinal de comando deixando o máximo pico abaixo do simulado. É importante ressaltar que o servo-motor possui uma imprecisão típica em torno de 5º. al. o que indica que o parâmetro ρ é pequeno o suficiente. [9]. Também por este motivo. Os gráficos da sensibilidade S(s) e do rastreamento T(s) do sistema podem ser observados nas Figuras 4 e 5. o overshoot da resposta ao degrau do sistema foi em torno de 20% e o tempo de acomodação de aproximadamente 1[s]. IV – PROJETO DO CONTROLADOR H∞/LTR O método H∞/LTR para o projeto de controladores foi introduzido na literatura por de Paula e Ferreira em 2011 [8] a partir das equações propostas por Doyle et. Assim como o método LQG/LTR. como pode ser observado fazendo uma comparação entre as Figuras 3 e 7. o que justifica a diferença entre a referência e a saída na Figura 7. Figura 6 – Interface desenvolvida no Labview® A Figura 7 mostra a resposta ao degrau do sistema real atrelado ao controlador LQG/LTR projetado na seção III. Figura 3 – Resposta ao degrau do sistema controlado pelo método LQG/LTR A análise das Figuras 2 e 3 revela que a resposta do sistema controlado está satisfatoriamente próxima da resposta do Filtro de Kalman. consiste em uma técnica de controle robusto que pode ser aplicada em siste- Figura 5 – Rastreamento T(s) do sistema controlado pelo método LQG/LTR 4 . foi desenvolvido um programa para testar a eficácia do controlador LQG/LTR na planta real. IV.

1 Condições de aplicação do controle H∞/LTR Para que a aplicação do controle H∞/LTR seja viável. a norma ||TZW||∞. As matrizes X e Y representam as soluções das equações de Riccatti (28) e (29) do controlador e do observador.7127. Como para o método LQG/LTR.095644    2. consequentemente. quanto menor for o parâmetro ρ. Todas essas condições já foram verificadas previamente na seção III. Uma propriedade fundamental na síntese de controladores via otimização H∞/LTR é a borda para os máximos valores singulares de rastreamento demonstrada por de Paula e Ferreira [8] que permite limitar a resposta temporal do sistema e reduzir o overshoot.4 Simulações (35) A + γ K :=   Onde: −2 LLT X − BK C − ZK F C KC ZK F   0  (24) Z = I − γ − 2 YX K C = ρ −2 B T X K F = µ YC −2 T ( ) −1 (25) (26) (27) Com os parâmetros especificados para o controle H∞/LTR. as matrizes H e C devem ser iguais para que o princípio de recuperação da malha ocor- 5 . também foi desenvolvido um programa no software MatLab® a fim de ilustrar o comportamento do sistema. o raio espectral (maior autovalor em módulo) da matriz XY deve ser menor que γ2. visto na seção III. IV.10 8 1158. A malha objetivo é então formatada pelas seguintes equações: (30) σ [S ( jω ) ] ≤ 1 σ [T ( jω ) ] ≤ γ µ (31) σ [S ( jω ) ] ≤ µσ (C ( jωI − A) L )−1 IV. A diferença no método H∞ é a adição de um novo parâmetro livre de projeto para alcançar a malha objetivo em termos das funções de sensibilidade S(s) e rastreamento T(s): o parâmetro γ que no LQG/LTR tende a infinito. respectivamente. existem sinais que devem ter sua influência no sistema controlado neutralizada como entradas exógenas z ou variáveis auxiliares de resposta w. Tem-se que Tzw é a matriz de transferência dos sinais w para z cujo tamanho é medido pela norma H∞ para o controlador H∞/LTR. mais a dinâmica do controlador se aproximará da dinâmica do filtro projetado. Em malha fechada. YA T + AY + γ −2 YH T HY − µ −2 YC T CY + LLT = 0 Da mesma forma. A figura 8 ilustra a resposta ao degrau da malha objetivo para o controlador H∞/LTR.1 deste artigo.3 Parâmetros utilizados [ ] (32) Para a planta analisada foram utilizados os seguintes parâmetros: (33a) ρ = 10 -6 (33b) H=C µ=4 (33c) γ = 4.3 (33d) 0 L = 0   5   (33e) As matrizes de ganhos do controlador H∞/LTR são. então. de fase-mínima e de estados controláveis e observáveis.10 5 2.5313    IV. O controlador K representado através de variáveis de estado é dado por: ra. Além disso.22308  K F = 0. IV. A T X + XA + γ −2 XLLT X − ρ −2 XBB T X + H T H = 0 (28) (29) Figura 8 – Resposta ao degrau da Malha Objetivo A figura 9 ilustra a resposta ao degrau do sistema controlado pelo método H∞/LTR. [6] A problemática desta metodologia é encontrar um controlador que gere um sinal de controle u baseado na informação provida por y e neutralize a influência de w em z ao controlar o sistema. KC é a matriz de ganhos da retroação de estados e KF é a matriz de ganhos do observador de estados. a planta deve ser quadrada. através de uma minimização da matriz de Tzw dada pela norma ||Tzw||∞.mas SISO (Single Input – Single Output) e MIMO (Multiple Input – Multiple Output) e cumpre todos os objetivos de um sistema real controlado.7 C [ ]  0. dadas por: (34) K = 6.2 Equações do controlador H∞/LTR O controlador H∞ dado por uma matriz de transferência em (24) minimiza as matrizes de ganho KC e KF e. Além disso.

Figura 12 – Interface desenvolvida no Labview® A Figura 13 mostra a resposta ao degrau do sistema real atrelado ao controlador H∞/LTR projetado na seção IV. o achatamento do gráfico mostra que houve uma saturação do sinal de comando deixando o máximo pico abaixo do simulado e o tempo de acomodação maior. Figura 10 – Sensibilidade S(s) do sistema controlado pelo método H∞/LTR Figura 13 – Resposta ao degrau do sistema real controlado pelo método H∞/LTR A análise da Figura 13 revela que o overshoot do sistema real controlado foi em torno de 12% e o tempo de acomodação 1. Os valores de overshoot. Figura 11 – Rastreamento T(s) do sistema controlado pelo método H∞/LTR 6 .4[s].IV. Os gráficos da sensibilidade S(s) e do rastreamento T(s) do sistema podem ser observados nas Figuras 10 e 11. para os mesmos parâmetros de configuração. No entanto. as respostas para o controle H∞/LTR tiveram melhores características de desempenho quando comparadas às respostas para o controle LQG/LTR. Figura 9 – Resposta ao degrau do sistema controlado pelo método H∞/LTR Analisando as Figuras 8 e 9. Uma comparação entre as Figuras 9 e 13 ilustra bem a situação.8 [s]. por exemplo. foi desenvolvido um programa para testar a eficácia do controlador H∞/LTR na planta real. É importante ressaltar mais uma vez que o servo-motor possui uma imprecisão típica em torno de 5º. o que justifica a diferença entre a referência e a saída na Figura 13.5 Resultados Com o auxilio do software Labview®. as características da resposta são melhores que as do sistema controlado por LQG/LTR. giram em torno de 10% e o tempo de resposta é de aproximadamente 0. observa-se que a resposta ao degrau do sistema controlado via otimização H∞/LQG tendeu à dinâmica da malha objetivo desejada. Além disso. Assim como no controle LQG/LTR.

P. na coleta de dados. Doyle. Realizou um intercâmbio acadêmico no ano de 2009 e estagiou no Centre de Recherches da UTC em Compiègne – França.V – CONCLUSÕES Neste trabalho foi proposto o estudo e a comparação de duas técnicas de controle robusto factíveis para sistemas SISO e MIMO desde que a planta obedeça a certas condições. Sem esquecer a minha família e os meus amigos que me apoiaram ao longo do curso e sempre deram forças para continuar. atuou organizando eventos como ciclos de palestras e semanas acadêmicas além de ter sido pioneira na elaboração das pesquisas de opinião com os alunos do curso. VI – AGRADECIMENTOS Agradeço ao meu orientador Caio pela disponibilidade e prontidão. de Paula e L. C. Ed. H. Cruz “Controle Robusto Multivariavel”. 1979. CBA. Apostila de experiências e manual de manutenção e calibração. C. Agradeço também pela ajuda e atenção dadas pelo Prof. Harbor “Feedback Control Systems”. on Automatic Control. F. F. on Automatic Control. 7 . K. Stein “Multivariable feedback design: Concepts for a modern/classical synthesis”. Ambas mostraram-se adequadas no projeto de controladores para o módulo de controle de posição. trabalhou como voluntária lecionando Redação nos cursinhos assistenciais Theotokos e CAAI e como professora de Português para estrangeiros no curso de idiomas Speaking. Datapool Eletrônica. 1986. C. [5] J. REFERÊNCIAS [1] Manual “Servo-Mecanismo 2208”. No entanto. C. USP. [9] J. As simulações no Matlab® do controlador LQG/LTR e do controlador H∞/LTR apresentaram os resultados esperados na síntese do projeto e foram confirmadas pelos ensaios realizados na planta real com o programa Labview® apesar da saturação do sinal. BIOGRAFIA: Gabriela da Fonseca de Amorim Nasceu em Volta Redonda . C. Ferreira “Um procedimento simplificado de síntese de controladores H∞/LTR para o problema de sensibilidade mista”. A. Prentice Hall. Em 2011 realizou um estágio na empresa incubada IE Tecnologia em Itajubá. Ed. [3] C. Luís Henrique mesmo de tão longe e pelo meu grande amigo Diogo Leonardo no projeto. [8] C. Cunha e L. Atualmente é professora de Francês no curso de idiomas Speaking. Francis “State-space solutions to standard H2 and H∞ control problems”. 1996. 2010 [4] J. cursa o último semestre de Engenharia de Controle e Automação na UNIFEI e também o terceiro ano de Física – Licenciatura na UFRJ pelo consórcio CEDERJ. o controlador H∞/LTR apresentou melhores resultados uma vez que possui o γ. de Paula. 2011. R. D. 2000. nos cálculos e na finalização deste trabalho. J. Phillips e R. Já em Itajubá. on Automatic Control. Ferreira “An easy-to-use H∞/LTR control solution with mixed-sensitivity properties”. um parâmetro livre adicional que pode ser considerado mais uma ferramenta no controle do overshoot. Doyle “Guaranteed Margins for LQG Regulators”. [2] C. L. H. [6] J. [7] M. Doyle e G. IEEE Trans. IEEE Trans. Khargonekar e B. Athans “A tutorial on the LQG/LTR methode” Proc. P. F. 1981. IEEE Trans. on Automatic Control.RJ em 1987 e ingressou na UNIFEI em 2006. H. Glover. Dr. 1989. American Control Conference. Foi Diretora de Graduação do Centro Acadêmico (CAECA). IEEE Trans.

wf] = sigma (ap. [sv. % ---------------------------------------------------% -------------. {0. ylabel('Módulo [dB]'). legend('\sigma[G(j\omega)]'. tt). legend('Y'. faz-se a inclusão de um pólo na origem. cp = [ 0 200]. sv). cp. pzmap(ap. bp = [ 1 . 100}). legend('Pólos'. 'Location'.001.01:10. 'Best') % ---------------------------------------------------% Para garantir o erro nulo em regime permanente do sistema. axis ([0. % Controle LQG e Hinfinito via LTR aplicados a controle de posição % Gabriela da Fonseca de Amorim % Orientador: Professor Me. grid. 0.'Location'. [ai. semilogx (wf.00001 -60.000001 100. dp). grid. yg). cp.'Location'. figure. bp. di] = series (0. % ---------------------------------------------------% Pólos e zeros da planta em malha aberta figure. title ('Valores Singulares de G(jw)'). bi.Otimização LQG/LTR -------% ---------------------------------------------------% Planta do Servo-Mecanismo ap = [ -11 0. ap. dp).APÊNDICE A → Código do programa em software MatLab® para as otimizações LQG/LTR E H∞/LTR. title ('Resposta ao Degrau em Malha Aberta'). Caio Fernandes de Paula % 21/10/2011 clear all.cp. xlabel('Tempo [seg]'). [yg.bp. ci. plot(tg. 0 ]. 1 0 ].000001]). st = [ ones(size(tt)) ].'Best') % ---------------------------------------------------% Valores singulares de G(s) na malha aberta figure.001 100. 8 . xg] = lsim (ss(ap. dp. 1. dp = zeros(1). sv = 20*log10(sv). bp. st. clc. bp. ylabel('Amplitude [volts] '). cp. xlabel('Frequência [rad/seg]').dp) title ('Pólos e Zeros do Sistema'). 1.'Best') % -----------------------------------------------------% Sistema em Malha Aberta tt = 0:0. tg.

cl. return. dl] = series (ak.'). bx = rho^-2*bi*bi'. 0 . % Montagem do Controlador e Filtro kic = rho^-2*bi'*xi. bo. else disp ('O sistema não é de estados observáveis. [ak. bl.cx). end % ---------------------------------------------------% Montagem do filtro de Kalman % Parâmetros de Projeto mu = 4. kif. ck. 5 ]. % ---------------------------------------------------% Função Sensibilidade S [as. ds] = feedbk (al.cy).bx. 0. else disp ('O sistema não é de estados controláveis. if co == size(ai) disp ('O sistema é de estados controláveis. if ob == size(ai) disp ('O sistema é de estados observáveis. bi. % ---------------------------------------------------% Função Malha Fechada T [af. rho = 1e-6. hi = ci. cy = li*li'. dk] = reg (ai.'). mo = obsv (ai. di. bk. kic. li = [ 0 . % ---------------------------------------------------- 9 .by. ci. dk. % Cálculo dos Ganhos ax = ai. ci). [al. bk. return.% ---------------------------------------------------% Verificação se o sistema é controlável e observável.'). df] = feedbk (al. by = mu^-2*ci'*ci. kif = mu^-2*yi*ci'. cl. yi = are(ay. kif). 1). ci. dl. do] = feedbk (ai. mc = ctrb (ai. bs. % ---------------------------------------------------% Filtro de Kalman [ao. end ob = rank(mo). co = rank(mc). bi). cf. co.'). bl. bf. bl. bi. ck. di). 2). ay = ai'. cs. 2). ai. dl. xi = are(ax. cx = hi'*hi. ci. cl.

cx1. 0.000001 1. 'Best'). dx1).3). legend('\sigma[T(j\omega)]'. legend('Y'.000001]). title ('Resposta ao Degrau do Sistema Real'). 'Best').'Saída'. ] legend('Referência'. cx1. title ('Resposta ao Degrau do Sistema').yg) axis ([-0. 1. tt).'Location'. xlabel('Tempo [s]').02.00001 -0. [yg. ds). ylabel('Amplitude [V] '). sigma(af. do). 0). 'tustin') % ---------------------------------------------------% Resposta do Sistema Real load C:\Users\Pessoal\Desktop\TCC\matlab-labview\testematlab3. bx1. co. 'Location'.000001 2.'b').000001 1.'r'). title ('Resposta ao Degrau do Filtro de Kalman'). xg] = lsim (ss(af.00001 -0. ylabel('Amplitude [V] '). xg] = lsim (ss(ao.yg) axis ([-0. cs. 0. plot(tg. bf.% Resposta do Sistema figure. plot(t. grid. bx1. grid. grid. ylabel('Amplitude [° '). title ('Valores Singulares de Sensibilidade').2). hold. tg. 'Location'. y = testematlab3(:. dx1] = ss2tf (ax1. sigma(as. e = testematlab3(:. 1. grid.000001 9.1). tg. plot(tg. cf. dx1. title ('Valores Singulares de Rastreamento'). axis ([-0.txt t = testematlab3(:.000001 2. [nx1.'Best').00001 99. 'Best').250001]). % ---------------------------------------------------% Montagem do Controlador para o LabView [ax1. legend('\sigma[S(j\omega)]'.99999 190. bf. dx1] = series(ak. % ---------------------------------------------------% Resposta do Sistema Simulado figure. % ---------------------------------------------------% Valores Singulares de Rastreamento figure. df). bs. bo. [nk1.e. df).250001]). tt). ck. [yg. plot(t. grid.y. st. dk. % ---------------------------------------------------% Valores Singulares de Sensibilidade figure.'Best'). xlabel('Tempo [s]'). legend('Y'. st. 10 . dk1] = c2dm (nx1.'Location'. 'Location'. xlabel('Tempo [s]'). cf. bk.

by. bl. 0. % ---------------------------------------------------% Filtro [ao. ci. % ---------------------------------------------------% Função Malha Fechada T [af. bo. xlabel('Tempo [s]'). do). mu = 4.000001 2. % ---------------------------------------------------% Montagem do Controlador e Filtro kic = (rho^-2)*bi'*xi. ci. [yg.000001 1. bk = zi*kif. title ('Resposta ao Degrau do Filtro Projetado'). df] = feedbk (al. co. 11 . xg] = lsim (ss(ao. ds] = feedbk (al. zi = (eye(3)-(gamma^-2)*yi*xi)^(-1). bs. bx = (rho^-2)*bi*bi' . di). % ---------------------------------------------------% Função Sensibilidade S [as.000001.cy).00001 -0. ck. [al.bi*kic . dk = zeros(1). dl] = series (ak. tt). cl. cl. bi. yi = are(ay. cs. bf. 2). cf.Otimização Hinfinito/LTR ------% ---------------------------------------------------% Parâmetros de controle li = [ 0 . bk. Tzw = gamma.(gamma^-2)*hi'*hi.6. ai. dl. cy = li*li'. plot(tg. hi = ci. do] = feedbk (ai. ak = ai + (gamma^-2)*li*li'*xi . cx = hi'*hi.zi*kif*ci. kif. 1). xi = are(ax. bo. ay = ai'.(gamma^-2)*li*li'. kif = (mu^-2)*yi*ci'. ck = kic. % ---------------------------------------------------% Resposta do Filtro Projetado figure.200001]). dk. cl.cx). 5 ].yg) axis ([-0. % ---------------------------------------------------% Cálculo dos Ganhos ax = ai. rho = 0. tg. dl. co.bx. 2). 0 . bl. gamma = 4. st.% ---------------------------------------------------% ----------. bl. by = (mu^-2)*ci'*ci .

tg. dx2. bf. tt). y = testematlab4(:.99999 190. ylabel('Amplitude [° '). cf. dx2] = series(ak. df).3). 'Best'). cx2.'Location'.000001 9.000001 1. bx2. xlabel('Tempo [s]'). grid.'Best').ylabel('Amplitude [V] '). % ---------------------------------------------------- 12 . xlabel('Tempo [s]'). ds). 0. plot(t. plot(tg. title ('Resposta ao Degrau do Sistema Real'). df). % ---------------------------------------------------% Montagem do Controlador para o LabView [ax2. 'Location'. grid. plot(t. dk2] = c2dm (nx2. dx2] = ss2tf (ax2. title ('Resposta ao Degrau do Sistema'). 0). bs. axis ([-0.'r'). % ---------------------------------------------------% Resposta do Sistema figure. 1. 1. 'tustin') % ---------------------------------------------------% Resposta do Sistema Real load C:\Users\Pessoal\Desktop\TCC\matlab-labview\testematlab4.'b'). [nx2. e = testematlab4(:. cx2. legend('\sigma[T(j\omega)]'.'Location'. 'Best'). legend('Y'. title ('Valores Singulares de Rastreamento'). ck.e. [nk2.00001 99.txt t = testematlab4(:. bk. sigma(af.y. cf. % ---------------------------------------------------% Valores Singulares de Rastreamento figure. 'Location'.2). dx2). title ('Valores Singulares de Sensibilidade').02.00001 -0. 0. hold. grid. % ---------------------------------------------------% Valores Singulares de Sensibilidade figure.250001]).'Best'). bx2. legend('Y'. sigma(as. [yg. legend('\sigma[S(j\omega)]'. bf. ylabel('Amplitude [V] ').yg) axis ([-0. dk. 'Location'. ] legend('Referência'.000001 2. grid. 'Best'). st. xg] = lsim (ss(af.000001]). cs. grid.'Saída'.1).