Professional Documents
Culture Documents
Tese apresentada
a Faculdade de Engenharia de Ilha Solteira da Universidade Estadual Paulista UNESP, como parte dos requisitos exigidos para a obten
c~
ao do t
tulo de Doutor em Engenharia
El
etrica.
por
Erica Regina Marani Daruichi Machado
Mestre em Engenharia Eletrica | FEIS/UNESP
Orientador:
Co-Orientador:
FEIS/UNESP
FEIS/UNESP
Banca Examinadora
Prof.
Prof.
Prof.
Prof.
Prof.
Dr.
Dr.
Dr.
Dr.
Dr.
Novembro de 2003.
FEIS/UNESP
FEEC/UNICAMP
FEEC/UNICAMP
FEIS/UNESP
FEIS/UNESP
Agradecimentos
Agradeco a Deus, fonte de tudo.
Ao meu marido, amigo e companheiro, Eduardo, pelo apoio em todos os momentos.
Aos meus sobrinhos Kauana e Luis, que ao longo desta jornada tornaram-se nossos \lhos"
e pela fonte de alegria que s~ao e aos meus pais e irm~as por tudo que eles representam e
representaram para mim.
Ao Prof. Marcelo, pela orientac~ao e pelos ensinamentos humanos e cientcos, e sua
esposa, Vera, pela paci^encia e compreens~ao desprendida durante todos estes anos. E a
ambos pela atenca~o e conselhos pessoais dados nos momentos difceis.
Sou grata tambem ao Prof. Edvaldo Assunc~ao pela co-orientac~ao, apoio e pelos conselhos
muito valiosos.
A Prof. Neusa, pela amizade e apoio.
Ao tecnico Deoclecio, por sua invariavel disposic~ao e boa vontade em auxiliar-me, as
pessoas que durante esses anos trabalharam comigo e aos demais colegas, professores e funcionarios, cujos nomes n~ao citarei, pelo motivo ja consagrado do possvel esquecimento de
alguns, e todos que direta ou indiretamente, consciente ou inconscientemente, contriburam
para a concretizaca~o deste trabalho, sintam-se contemplados pelos meus sinceros agradecimentos impregnados com a mais pura honestidade.
Finalmente, a CAPES, pelo apoio nanceiro.
Resumo
Este trabalho aborda o problema de modelagem e controle de uma classe de sistemas n~aolineares atraves dos modelos fuzzy Takagi-Sugeno (TS).
Primeiramente s~ao apresentados dois metodos de modelagem existentes na literatura. O
primeiro e um metodo de modelagem exata e o segundo, baseado em modelos locais otimos,
e utilizado em todos os desenvolvimentos desta tese.
A seguir e proposto um novo metodo para se obter os modelos locais, baseado em Desigualdades Matriciais Lineares (LMIs-Linear Matrix Inequalities), utilizando os modelos
locais otimos com novos graus de liberdade e que permitem uma melhor aproximac~ao local
do sistema.
Novas funco~es de pertin^encia, que servem para combinar os modelos locais, s~ao obtidas
a partir da soluca~o de um problema de otimizac~ao (um dos metodos para obter a soluc~ao e
baseado em LMIs), que tem como objetivo minimizar a norma Euclidiana do erro entre o
modelo Takagi-Sugeno e a planta.
Um algoritmo para determinar quantos e quais modelos locais devem ser utilizados na
aproximaca~o, considerando o maximo erro de modelagem permitido, e desenvolvido. Este
algoritmo tem como par^ametro o erro de modelagem. Um exemplo ilustrativo deste algoritmo
e apresentado.
Utilizando a modelagem proposta foram desenvolvidos dois novos metodos de projetos
de reguladores fuzzy, baseados em LMIs, que consideram o erro de modelagem. No primeiro
projeto e utilizado um conjunto de pontos na regi~ao de operac~ao considerando somente as
componentes do vetor de estado que fazem parte das n~ao-linearidades do sistema e os erros
de aproximaca~o das funco~es nestes pontos. No segundo projeto e utilizada a maxima norma
Euclidiana do erro obtido no ponto onde a aproximac~ao e mais deciente. Estes metodos
permitem a construca~o de modelos fuzzy Takagi-Sugeno, em termos do numero de modelos
locais, quando comparados com os metodos descritos na literatura.
As tecnicas de projeto propostas tambem permitem a especicac~ao do transitorio atraves
da taxa de decaimento e a especicaca~o de restric~oes nos sinais de controle e nas sadas.
iv
v
O projeto e a simulac~ao do controle de um p^endulo invertido ilustram os metodos estudados. E apresentada uma comparaca~o entre os metodos de modelagem e controle propostos
e o metodo de aproximaca~o exata, nos quais os metodos desenvolvidos apresentaram controladores mais simples e, em geral, com melhores desempenhos.
Abstract
This work considers the problem of modeling and designing of a class of nonlinear systems
represented by Takagi-Sugeno (TS) fuzzy models.
Initially, two methods of modeling described in the literature are presented. The rst
one, is a method of exact modeling and the second one, based on optimal local models, is
utilized in all development in this thesis.
A new method, based on LMIs (Linear Matrix Inequalities), to obtain better local models
using new degrees of freedom is proposed.
New membership functions, that combine the local models, are obtained starting from an
optimization problem (one method is based on LMIs), that has as the end to minimize the
Euclidian norm of the error between the Takagi-Sugeno fuzzy models and the plant model.
An algorithm to nd the number of local models, their operation points and matrices,
considering the maximum modeling erros allowed, is presented. This algorithm has as parameter the modeling error and it is illustrated by an example.
Taking into account the proposed modeling methods, two new methods of fuzzy regulator
designs based on LMIs were proposed, considering the modeling errors.
In the rst design a set of points in the region of operation is used considering only the
components of the state vector that compound the non-linearities of the system and the
modeling error in these points.
The second design method used the largest value of the Euclidian norm of the modeling
error. These methods allow the construction of reduced TS fuzzy models, in terms of the
number of local models, when compared with the methods described in the literature. The
specication of the decay rate, constraints on control input and output are also described
by LMIs.
The design and simulations of the new control laws for an inverted pendulum illustrate the
studied methods. A comparison between the new design methods and the method of exact
modeling showed that the proposed methods allowed simpler controllers and, in general,
better performance.
vi
Sumario
1 Introduc~ao
2.1 Introduc~ao . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
2.1.1 Sistemas Fuzzy . . . . . . . . . . . . . . . . . . . . . . . .
2.1.2 Funco~es de Pertin^encia Tradicionais . . . . . . . . . . . . .
2.1.3 Metodos de Infer^encia . . . . . . . . . . . . . . . . . . . .
2.1.4 Fuzzicadores . . . . . . . . . . . . . . . . . . . . . . . . .
2.1.5 Defuzzicadores . . . . . . . . . . . . . . . . . . . . . . . .
2.1.6 Modelos Lingusticos . . . . . . . . . . . . . . . . . . . . .
2.2 Modelo Fuzzy Takagi-Sugeno . . . . . . . . . . . . . . . . . . . .
2.3 Modelos Homog^eneos x Modelos Ans . . . . . . . . . . . . . . .
2.4 Representaca~o de Sistemas Fuzzy Takagi-Sugeno . . . . . . . . .
2.5 Interpretaca~o de Sistemas Fuzzy Takagi-Sugeno . . . . . . . . . .
2.5.1 Aproximac~oes Locais Ans . . . . . . . . . . . . . . . . . .
2.5.2 Variaveis Premissas . . . . . . . . . . . . . . . . . . . . . .
2.5.3 Funca~o de Pertin^encia para Sistemas Fuzzy Takagi-Sugeno
2.6 Compilaca~o Bibliograca . . . . . . . . . . . . . . . . . . . . . . .
2.7 Discuss~oes Complementares . . . . . . . . . . . . . . . . . . . . .
2.8 Contribuico~es . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
6
7
10
10
10
12
14
14
15
15
17
19
20
22
23
23
24
25
31
31
32
3.1 Introduc~ao . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 32
3.2 Forma Generalizada do Sistema Fuzzy Takagi-Sugeno . . . . . . . . . . . . . 33
3.3 Modelos Locais Lineares O timos . . . . . . . . . . . . . . . . . . . . . . . . . 38
vii
viii
SUMARIO
4.1 Introduc~ao . . . . . . . . . . . . . . . . . . . . . . . . . . . .
4.2 Forma Generalizada do Sistema Fuzzy Takagi-Sugeno . . . .
4.2.1 Reduca~o de Regras . . . . . . . . . . . . . . . . . . .
4.3 Funco~es de Pertin^encia Otimizadas . . . . . . . . . . . . . .
4.3.1 Simetria das Func~oes de Pertin^encia . . . . . . . . . .
4.3.2 Soluca~o Analtica . . . . . . . . . . . . . . . . . . . .
4.3.3 Soluca~o por LMIs . . . . . . . . . . . . . . . . . . . .
4.4 Erro de Modelagem . . . . . . . . . . . . . . . . . . . . . . .
4.4.1 Erro de Modelagem para a Aproximaca~o Otimizada .
4.5 Numero de Modelos Locais . . . . . . . . . . . . . . . . . . .
4.6 Algoritmo de Aproximac~ao . . . . . . . . . . . . . . . . . . .
4.7 Discuss~oes Complementares . . . . . . . . . . . . . . . . . .
4.8 Contribuico~es e Perspectivas . . . . . . . . . . . . . . . . .
.
.
.
.
.
.
.
.
.
.
.
.
.
5.1 Introduc~ao . . . . . . . . . . . . . . . . . . . . . . . .
5.2 Indices de Desempenho para Reguladores Fuzzy . . .
5.2.1 Condico~es para a Estabilidade . . . . . . . . .
5.2.2 Taxa de Decaimento . . . . . . . . . . . . . .
5.2.3 Restric~ao na Entrada . . . . . . . . . . . . . .
5.2.4 Restric~ao na Sada . . . . . . . . . . . . . . .
5.3 Projeto de Reguladores com a Forma Generalizada .
5.4 Projeto de Reguladores para Modelos Locais O timos
5.4.1 Projeto 1 . . . . . . . . . . . . . . . . . . . .
5.4.2 Projeto 2 . . . . . . . . . . . . . . . . . . . .
5.5 Discuss~oes Complementares . . . . . . . . . . . . . .
5.6 Contribuico~es e Perspectivas . . . . . . . . . . . . .
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
43
47
48
52
58
59
60
60
61
64
73
75
75
92
99
99
100
100
119
120
121
121
122
122
124
125
125
125
135
135
144
155
157
SUMARIO
ix
6 Conclus~oes
158
163
167
C Propriedades Matematicas
170
D Complemento de Schur
171
Bibliograa
173
Lista de Figuras
2.1
2.2
2.3
2.4
2.5
2.6
2.7
11
11
12
13
13
14
47
48
20
25
56
56
57
57
LISTA DE FIGURAS
4.1 Funco~es de pertin^encia do metodo de representac~ao exata com dezesseis modelos locais para o intervalo 60=180 x1 60=180 rad. . . . . . . . . .
4.2 Aproximaca~o fuzzy: aproximac~ao exata com dezesseis modelos locais para
o intervalo 60=180 x1 60=180 rad; (-) curvas do modelo de
simulac~ao, (+) aproximac~oes com modelos fuzzy. . . . . . . . . . . . . . . . .
4.3 Aproximaca~o fuzzy: aproximaca~o com reduca~o do termo A(2; 1) para o intervalo 60=180 x1 60=180 rad; (-) curvas do modelo de simulac~ao,
(+) aproximaco~es com modelos fuzzy. . . . . . . . . . . . . . . . . . . . . . .
4.4 Aproximaca~o fuzzy: aproximac~ao com reduc~ao do termo A(4; 1) para o intervalo 60=180 x1 60=180 rad; (-) curvas do modelo de simulac~ao,
(+) aproximaco~es com modelos fuzzy. . . . . . . . . . . . . . . . . . . . . . .
4.5 Aproximaca~o fuzzy: aproximaca~o com reduc~ao do termo B (2; 1) para o intervalo 60=180 x1 60=180 rad; (-) curvas do modelo de simulac~ao,
(+) aproximaco~es com modelos fuzzy. . . . . . . . . . . . . . . . . . . . . . .
4.6 Aproximaca~o fuzzy: aproximac~ao com reduc~ao do termo B (4; 1) para o intervalo 60=180 x1 60=180 rad; (-) curvas do modelo de simulac~ao,
(+) aproximaco~es com modelos fuzzy. . . . . . . . . . . . . . . . . . . . . . .
4.7 Funco~es de pertin^encia simetricas em relac~ao a origem. . . . . . . . . . . . .
4.8 Funco~es de pertin^encia: soluc~ao analtica direta para tr^es modelos locais. . .
4.9 Funco~es de pertin^encia: soluc~ao analtica parcial para o intervalo 0 xf p2
com dois modelos locais. . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
4.10 Funco~es de pertin^encia: soluc~ao analtica parcial para o intervalo p2 xf
p3 , com dois modelos locais. . . . . . . . . . . . . . . . . . . . . . . . . . . .
4.11 Funco~es de pertin^encia resultantes de soluco~es parciais para tr^es modelos locais.
4.12 Funco~es de pertin^encia: soluca~o analtica para o intervalo 60=180 x1
60=180 rad, com dois modelos locais. . . . . . . . . . . . . . . . . . . . . .
4.13 Aproximaca~o fuzzy: soluc~ao analtica com dois modelos locais para o intervalo
60=180 x1 60=180 rad. (-) curvas do modelo de simulaca~o; (+)
aproximaco~es com modelos fuzzy, () representa os modelos locais . . . . . .
4.14 Funco~es de pertin^encia: soluc~ao analtica para o intervalo 106=180 x1
106=180 rad, com dois modelos locais. . . . . . . . . . . . . . . . . . . . .
4.15 Aproximaca~o fuzzy: soluc~ao analtica com dois modelos locais para o intervalo
106=180 x1 106=180 rad; (-) curvas do modelo de simulac~ao, (+)
aproximaco~es com modelos fuzzy, () representa os modelos locais . . . . . .
xi
65
65
68
70
72
73
75
81
82
83
83
85
86
88
88
LISTA DE FIGURAS
xii
LISTA DE FIGURAS
xiii
104
105
105
106
106
107
107
108
109
110
110
111
112
113
114
LISTA DE FIGURAS
xiv
4.47 Aproximaca~o fuzzy da curva g4(x1 ): soluc~ao por LMIs para o intervalo
x1 rad. (-) curvas do modelo de simulaca~o, (+) aproximaco~es com
modelos fuzzy, () representa os modelos locais. . . . . . . . . . . . . . . . . 115
4.48 Funco~es de pertin^encia: soluc~ao por LMIs para o intervalo x1 rad. 116
4.49 Erro de Modelagem para o intervalo x1 rad. Erro maximo: vmax =
0:001. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 117
5.1 Exemplo de um conjunto de 4 regras fuzzy: 1 (x1(t)), 2(x1 (t)), 3(x1 (t)),
4 (x1 (t)) 2 [0; 1] e 1 (x1 (t)) + 2 (x1 (t)) + 3 (x1 (t)) + 4 (x1 (t)) = 1: . . . .
5.2 Forma Generalizada. Respostas de x1 (t), x3 (t), e u(t) com dezesseis modelos
locais para condic~ao inicial x(0) = [0:96 0 0 0]T , intervalo 60=180 x1
60=180 rad e considerando-se a taxa de decaimento maxima. . . . . . . . .
5.3 Forma Generalizada. Respostas de x1 (t), x3 (t), e u(t) com dezesseis modelos
locais para condic~ao inicial x(0) = [0:96 0 0 0]T ; intervalo 60=180 x1
60=180 rad e considerando-se = 380 e = 20. . . . . . . . . . . . . . . .
5.4 Funco~es de pertin^encia hj (x1 ); j = 1; : : : ; 16 para a forma generalizada com
dezesseis modelos locais e intervalo 70=180 x1 70=180 rad. . . . . .
5.5 Aproximaca~o fuzzy com a forma generalizada com dezesseis modelos locais
para o intervalo 70=180 x1 70=180 rad; (-) curvas do modelo de
simulac~ao, (+) aproximac~oes com modelos fuzzy, () representa a origem e os
extremos da regi~ao de operac~ao. . . . . . . . . . . . . . . . . . . . . . . . . .
5.6 Forma Generalizada. Respostas de x1 (t), x3 (t), e u(t) com dezesseis modelos
locais para condic~ao inicial x(0) = [0:96 0 0 0]T , intervalo 70=180 x1
70=180 rad e considerando-se a taxa de decaimento maxima. . . . . . . . .
5.7 (a) Erros de aproximac~ao: (+) jjf (x1 )jj2 e (-) jjg (x1 )jj2. (b) Erro de modelagem v (x1 ) para o intervalo 60=180 x1 60=180 rad, com dois
modelos locais. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
5.8 Projeto 1. Respostas de x1 (t), x3 (t), e u(t) com dois modelos locais para condica~o inicial x(0) = [0:96 0 0 0]T , intervalo 60=180 x1 60=180 rad, e
considerando-se a taxa de decaimento maxima. . . . . . . . . . . . . . . . . .
5.9 Projeto 1. Respostas de x1 (t), x3 (t), e u(t) com dois modelos locais para
condica~o inicial x(0) = [0:96 0 0 0]T , intervalo 60=180 x1 60=180 rad
e considerando-se = 380 e = 20. . . . . . . . . . . . . . . . . . . . . . . .
123
130
131
132
133
134
138
139
140
LISTA DE FIGURAS
xv
141
142
142
143
144
150
150
152
153
Lista de Tabelas
4.1 Modelos Locais e Erros de Modelagem para o intervalo x1 rad. . . 118
5.1 Indices de Desempenho para o intervalo 60=180 x1 60=180 rad e
x0 = [0:96 0 0 0]T ; sendo que I e I s~ao os valores impostos das restrico~es de
entrada e sada e 0 e 0 s~ao os valores obtidos, respectivamente; ts e o tempo
de estabelecimento; e e a taxa de decaimento . . . . . . . . . . . . . . . . 154
5.2 Indices de Desempenho para o intervalo 70=180 x1 70=180 rad e
x0 = [0:96 0 0 0]T ; sendo que I e I s~ao os valores impostos das restrico~es de
entrada e sada e 0 e 0 s~ao os valores obtidos, respectivamente; ts e o tempo
de estabelecimento; e e a taxa de decaimento. . . . . . . . . . . . . . . . . 154
xvi
tegral e Derivativo).
xvii
Captulo 1
Introduc~ao
Nos ultimos anos, houve um crescente interesse em pesquisas de teoria e aplicaco~es de sistemas nebulosos, mais conhecidos como sistemas fuzzy. Este interesse se deve a similaridade
destes sistemas com o comportamento humano na soluca~o de problemas complexos. Assim,
os sistemas fuzzy permitem que o projetista utilize o seu conhecimento experimental para
elaborar o projeto de controle do seu sistema.
Se observarmos nossas atitudes do cotidiano, vericaremos facilmente que somos constantemente conduzidos a tomar varias decis~oes para resolver os mais variados tipos de problemas. Em geral, as decis~oes s~ao feitas em func~ao de algum aprendizado adquirido com
experi^encias anteriores, muitas vezes, similares. Entretanto, podemos ser submetidos a situac~oes inusitadas ou pouco convencionais, que podem nos deixar com duvidas, incertos
sobre qual atitude devemos tomar. Ent~ao, embora n~ao tenhamos absoluta certeza, temos
que tomar decis~oes que s~ao elaboradas a partir de uma interaca~o de aprendizados que foram adquiridos anteriormente, em situac~oes diferentes, mas que sejam as mais proximas da
situac~ao em quest~ao.
Os sistemas reais, em geral, s~ao complexos e esta complexidade surge de incertezas na
forma de ambiguidades. Problemas caractersticos de complexidade e ambiguidade s~ao tratados de forma subconsciente pelos humanos na soluca~o de varios problemas sociais, tecnicos,
biologicos e emocionais. Multidimensionalidade, estruturas hierarquicas, interaco~es mutuas,
mecanismos de realimentaca~o e din^amicas imprevisveis s~ao apenas parte das caractersticas
de tais sistemas complexos.
Analisando o comportamento humano diante de problemas, no incio dos anos 60, pesquisadores comecaram a questionar se o conceito de incertezas, ambiguidades e o conhecimento
humano poderiam ser utilizados para completar a descrica~o e compreens~ao de sistemas reais
complexos.
Baseado nestes princpios, em 1965, Lot A. Zadeh introduziu a teoria fuzzy (cuja tra1
2
duc~ao em portugu^es e nebulosa ou difusa). Em seu artigo \Fuzzy Sets", (Zadeh, 1965) ele
formalizou suas ideias sobre uma nova ferramenta matematica que utiliza conhecimento e
incertezas sem descrev^e-las em termos de probabilidade. A proposta de Zadeh era modelar o
mecanismo do pensamento humano, com valores lingusticos em lugar de numeros, levando
estes valores para a teoria de sistemas e desenvolver uma nova classe de sistemas denominada
sistemas fuzzy.
Duas raz~oes principais motivam o estudo da teoria fuzzy. A primeira e que esses sistemas
conjugam a capacidade de processar informaca~o de natureza incerta ou qualitativa com a
capacidade de aproximaca~o universal (Campello (2002); Kosko (1997)). A precis~ao com
que os sistemas fuzzy podem aproximar sistemas reais pode ser, em geral, estipulada pelo
projetista.
A segunda raz~ao esta relacionada com a exist^encia de varios modelos existentes, adequados a diferentes tipos de aplicac~ao, indo dos modelos lingusticos na modelagem de um
determinado sistema, aos modelos Takagi-Sugeno (TS), com estruturas adequadas para aplicac~oes em controle. As contribuico~es desta tese concentram-se nos modelos fuzzy TS e est~ao
relacionadas a aproximaca~o e controle de sistemas n~ao-lineares.
O primeiro tema abordado e a interpretac~ao e representaca~o dos modelos TS e suas
principais aplicac~oes. Neste contexto procurou-se estudar o modelo TS e algumas de suas
caractersticas intrnsecas.
Uma outra ferramenta matematica, as LMIs (Linear Matrix Inequalities, cuja traduca~o
para o portugu^es e Desigualdades Matriciais Lineares ) (Boyd et al., 1994), tem sido amplamente difundida em sistemas de controle. Muitos problemas de controle como as analises de
estabilidade e o projeto, especicando, por exemplo, restric~oes nas entradas e sadas, taxa de
decaimento e robustez, podem ser reduzidos a problemas descritos por LMIs. Numericamente, os problemas de LMIs podem ser resolvidos ecientemente por meio de algumas ferramentas poderosas disponveis na literatura de programaca~o matematica (Boyd et al., 1994).
Desta forma, encontrar a soluc~ao para problemas descritos por LMIs e equivalente a encontrar a soluca~o para o problema original. Esta ferramenta sera utilizada na soluca~o de todos
os topicos abordados neste trabalho.
A habilidade para controlar um sistema em um ambiente incerto ou impreciso e uma das
caractersticas mais importantes de qualquer sistema de controle inteligente. Mas, normalmente, para que um sistema seja controlado, e necessaria a sua descric~ao por um modelo
matematico, denominado \modelo de simulaca~o". O modelo de simulac~ao sera utilizado nas
simulac~oes para vericar o desempenho do controlador projetado, no nosso caso um regula-
3
dor, e deve incluir todas as caractersticas relevantes do processo. Normalmente o modelo
de simulaca~o e complexo para o projeto de sistemas de controle. Assim, necessita-se de
um modelo simplicado, denominado \modelo de simulac~ao" (Friedland (1996), Pietrobom
(1999)). O modelo de projeto deve capturar as caractersticas essenciais do processo. Quando a planta do sistema e desconhecida, e necessario utilizar um processo de identicac~ao dos
par^ametros (Teixeira et al. (1996); Teixeira et al. (1998); Teixeira, Daruichi e Assunc~ao
(2000); Ioannou e Sun (1996)). Nesta tese ser~ao estudados apenas sistemas com plantas
n~ao-lineares cujos modelos matematicos s~ao disponveis.
A tecnica mais comum para a obtenca~o de um modelo de projeto para plantas n~aolineares e sem duvida a linearizac~ao da planta em um ponto de operaca~o de interesse. Com
este metodo o modelo de projeto e em geral um sistema linear invariante no tempo, o projeto
de reguladores e relativamente simples em muitos casos e a teoria e bastante desenvolvida,
como, por exemplo, as tecnicas baseadas no root locus, diagramas de Bode e Nyquist e na
descric~ao atraves de variaveis de estado (Ogata (1997); Teixeira, Assunc~ao e Daruichi
(2003); Chen (1999), Teixeira, Assunca~o e Avellar (2003)) . Entretanto, este modelo de
projeto descreve bem a din^amica do sistema somente em uma certa vizinhanca em torno
do ponto de operaca~o no qual o sistema foi linearizado. Assim, nos casos onde o sistema
pode operar em regi~oes distantes do ponto de operac~ao, este modelo de projeto n~ao e, em
geral, adequado. Neste caso deve-se adotar um modelo de projeto mais sosticado, que
considere adicionalmente a din^amica da planta em regi~oes distantes do ponto de operac~ao
mencionado. Os modelos fuzzy TS (Takagi e Sugeno (1985), Sugeno e Kang (1988)) podem
facilmente solucionar este problema. A ideia destes modelos consiste da descric~ao aproximada
de um sistema n~ao-linear como a combinac~ao de um certo numero de modelos lineares (ou
ans) invariantes no tempo locais, que descrevem aproximadamente o comportamento deste
sistema em diferentes pontos do seu espaco de estados. Desta forma, pode-se interpretar a
tecnica tradicional de linearizac~ao em apenas um ponto de operac~ao como um caso particular
dos modelos fuzzy TS, consistindo apenas de um modelo local. Neste trabalho o modelo de
projeto sera obtido atraves do modelo fuzzy TS com modelos locais lineares.
Uma formula para a obtenc~ao dos modelos locais foi desenvolvida em Teixeira e Z_ ak
(1999). Com esta formula e possvel obter resultados mais atraentes que a tecnica de linearizac~ao, pois apresenta uma melhor aproximaca~o do modelo fuzzy com respeito ao modelo
de simulaca~o. Alguns pesquisadores t^em utilizado esta formula para obter as aproximac~oes
fuzzy de sistemas como, por exemplo, Zheng, no projeto de um controlador PI robusto para
uma turbina termoeletrica (Zheng et al., 2001), Bergsten, no projeto de observadores fuzzy
4
(Bergsten et al., 2002), Cao e Frank, no controle de um processo qumico com atraso de
transporte (Cao e Frank, 2000) e Kim, no controle de um p^endulo invertido, utilizando
sistemas fuzzy Singleton (Kim, 2001). A formula tambem tem sido empregada em sistemas
n~ao-lineares que n~ao utilizam modelos fuzzy como em Guo et al. (2000), para rastreamento
de orbitas de sistemas caoticos.
Esta tese prop~oe um novo metodo para determinar os modelos locais baseado na tecnica
de Teixeira e Z_ ak (1999). Estes modelos possuem novos graus de liberdade e s~ao obtidos a
partir da soluca~o de um problema de otimizac~ao baseado em LMIs.
Uma das principais contribuico~es deste trabalho refere-se as func~oes de pertin^encia fuzzy.
Estas funco~es, utilizadas para combinar os modelos locais, t^em papel fundamental no desenvolvimento do projeto de controle, pois s~ao elas que determinam, dados os modelos locais, a
forma de aproximac~ao do modelo fuzzy com relac~ao ao modelo de simulaca~o. As principais
func~oes de pertin^encia utilizadas s~ao as triangulares, trapezoidais e em forma de sino (gaussiana) (veja Wang (1997), Yager e Filev (1994), Ross (1995)). Os par^ametros destas func~oes
dependem do conhecimento do projetista sobre o comportamento do sistema ou podem ser
obtidas por um processo de identicaca~o. Entretanto, muitas vezes, determinar as func~oes
e os par^ametros que melhor se ajustam ao sistema, nem sempre e uma tarefa trivial. Uma
forma sistematica para determinar as func~oes de pertin^encia fuzzy e proposta. Estas func~oes
s~ao obtidas a partir de um problema de otimizaca~o que tem por objetivo minimizar o erro
entre a aproximaca~o fuzzy e o modelo de simulac~ao (Teixeira et al. (2002a), Teixeira et al.
(2002b)). A unica informac~ao necessaria a priori s~ao os modelos locais.
Outro tema importante abordado no trabalho refere-se a quest~ao do erro de modelagem,
que ocorre nas aproximac~oes. Neste desenvolvimento, o erro de modelagem e um fator determinante, pois ele dene o numero de modelos locais utilizados e suas localizac~oes. Uma
aproximaca~o suciente ou desejada para efetuar o projeto de um sistema de controle esta
relacionada com o erro de modelagem, pois quanto maior o numero de modelos locais, melhor
a ader^encia do modelo fuzzy ao modelo de simulac~ao e menor se torna o erro. O numero
de regras ou de modelos locais necessarios para representar um sistema com determinada
precis~ao pode se tornar excessivamente grande em func~ao do aumento do numero de entradas
deste sistema. Esse problema e um dos principais obstaculos a aplicaca~o desses modelos em
sistemas de grande porte. A import^ancia de se obter modelos fuzzy TS com poucos modelos
locais e a facilidade de implementac~ao no projeto de controladores. Logo, a principal motivac~ao deste trabalho foi obter uma modelagem que propicie uma aproximaca~o cujo erro seja
sucientemente pequeno para satisfazer as condic~oes exigidas no projeto e/ou implementac~ao
5
de sistemas de controle (nesta tese ser~ao considerados reguladores).
Taniguchi e seus colaboradores apresentaram um metodo de representaca~o exata de sistemas fuzzy com LMIs em Taniguchi et al. (2001). O metodo proporciona uma aproximac~ao
exata do sistema dentro de uma regi~ao de operac~ao, utilizando 2s regras, sendo que \s" e o
numero de func~oes n~ao-lineares presentes no sistema. Os modelos locais s~ao obtidos a partir
dos valores maximos e mnimos das func~oes. As funco~es de pertin^encia s~ao obtidas utilizando
os modelos locais e as funco~es n~ao-lineares. Um metodo de reduca~o de regras e proposto para
tentar minimizar o problema de dimensionamento. O erro de modelagem gerado nesta reduc~ao e tratado como incertezas na planta e e considerado no projeto do controlador. Mesmo
com a reduc~ao proposta pelos autores, o numero de regras pode ser excessivamente grande
em alguns casos. Este metodo sera utilizado para comparar o desempenho da metodologia
proposta nesta tese.
A area de controle de sistemas fuzzy e um dos ramos mais ativos e que tem gerado diversas
linhas de pesquisa. Durante a ultima decada o controle fuzzy tem atrado grande atenc~ao
e muitas aplicaco~es t^em sido feitas, por exemplo, na analise de novos sistemas de controle
para automoveis (Will et al., 1997), no controle de elevadores de alta velocidade (Tanaka,
Nishimura e Wang, 1998), na detecca~o e isolamento de falhas (Ichtev et al., 2001) e no
controle de helicopteros (Kadmiry e Driankov (2001), Tanaka et al. (2001). E uma das
mais uteis aproximaco~es para se utilizar o conhecimento qualitativo de um sistema e projetar
um regulador, mas muitas quest~oes permanecem para discuss~oes adicionais. A analise da
estabilidade e um dos conceitos mais importantes em sistemas de controle fuzzy. E possvel
projetar teoricamente um regulador fuzzy se for disponvel um bom criterio para a analise
da estabilidade, adequado a estes sistemas. Recentemente muitos esforcos t^em sido feitos
nesta area (Tanaka e Sugeno, 1992), (Tanaka e Sano, 1994a), (Cao et al., 1997a), (Cao
et al., 1997b), (Tanaka, Ikeda e Wang, 1998a), (Kim e Lee, 2000), (Teixeira, Assunca~o
e Pietrobom, 2001), (Teixeira, Assunc~ao e Avellar, 2001) . Esta tese trata das quest~oes
de estabilidade e projeto de reguladores fuzzy e prop~oe dois novos metodos de projeto. S~ao
apresentados estudos e condico~es sucientes para a estabilidade de sistemas e projeto de
reguladores fuzzy utilizando o metodo direto de Lyapunov. O erro de modelagem obtido
nas aproximaco~es e considerado nos projetos e nas analises de estabilidade. Desta forma, os
metodos propostos oferecem alternativas atraentes e rigorosas para o projeto metodico de
reguladores para uma classe de sistemas n~ao-lineares.
Os metodos de projetos baseados em LMIs para reguladores fuzzy s~ao construdos usando
a Compensaca~o Paralela Distribuda (CDP) (Tanaka e Sugeno, 1992), (Wang et al., 1996).
Um sistema n~ao-linear, conhecido como p^endulo invertido, e o exemplo base utilizado para
ilustrar todos os topicos desenvolvidos.
Miyamoto, 1985). Este projeto foi concludo em 1987 e se tornou o mais avancado sistema
de metr^o da Terra (Yasunobu et al., 1987). Logo apos a conclus~ao deste trabalho, foi
realizada a segunda confer^encia internacional de sistemas fuzzy em Tokio. Hirota e seus
colaboradores (Hirota et al., 1989) apresentaram, em uma confer^encia, o controle fuzzy de
um braco de um rob^o que jogava Ping-Pong em tempo real e Yamakawa demonstrou um
sistema de controle fuzzy de um p^endulo invertido (Yamakawa, 1989).
Depois deste evento, o interesse por sistemas fuzzy aumentou e, no incio dos anos 90,
varios produtos baseados em sistemas fuzzy apareceram no mercado. Inicialmente as aplicac~oes de controle fuzzy foram em processos industriais, chuveiros, maquinas de lavar, limpadores a vacuo, lmadoras, maquinas fotogracas e condicionadores de ar. Estes e outros
produtos deram a teoria de logica fuzzy uma maior projeca~o na area de controle e estimulou
a exploraca~o de suas aplicac~oes em muitas outras areas.
O sucesso de sistemas fuzzy no Jap~ao surpreendeu a comunidade cientca dos Estados
Unidos e da Europa. Alguns cientistas ainda criticaram a teoria fuzzy, mas muitos outros
mudaram sua forma de pensar e passaram a analisar a teoria fuzzy com mais seriedade.
Em 1992, a primeira confer^encia de sistemas fuzzy internacional do IEEE aconteceu em San
Diego, simbolizando a aceitac~ao da teoria fuzzy pela maioria dos engenheiros do IEEE. Em
1993, o periodico IEEE Transactions on Fuzzy Systems foi inaugurado.
Muitos trabalhos foram publicados a partir de 1990. A partir de 1996 foram publicados
os primeiros trabalhos de projeto de sistemas fuzzy com LMIs. Eles t^em permitido um solido
progresso de alguns problemas fundamentais em sistemas fuzzy e controle. Por exemplo, para
a determinac~ao das func~oes de pertin^encia e rigorosas analises de estabilidade de sistemas
de controle fuzzy. Apesar dos grandes avancos obtidos, muita pesquisa permanece para ser
feita.
1. Desenvolvimento de uma nova metodologia para determinar as func~oes de pertin^encia fuzzy atraves de problemas de otimizaca~o cujas soluco~es podem ser obtidas de forma analtica ou baseadas em LMIs;
2. Denica~o de dois tipos de erro de modelagem, obtidos com as aproximac~oes. O
primeiro erro, obtido com as aproximaco~es das func~oes, e utilizado nos projetos
dos controladores. O segundo erro e obtido a partir de um problema de otimizac~ao
que visa minimizar a norma do erro das func~oes. Ele e utilizado como criterio
para determinar a localizac~ao dos modelos locais.
3. Comparaca~o com tecnicas existentes na literatura. Exemplos mostram que o
metodo proposto pode modelar sistemas din^amicos com um numero reduzido de
modelos locais, quando comparados com metodos descritos na literatura.
: Projeto de Controle: trata da estabilidade, taxa de decaimento, e restrico~es na entrada e na sada de sistemas e projeto de reguladores com sistemas
fuzzy TS. S~ao propostos dois metodos de projeto baseados nas funco~es de Lyapunov.
O erro de modelagem e inserido no projeto dos reguladores. Principais contribuic~oes:
Cap
tulo 5
Esta introduca~o foi inspirada em Campello (2002), Wang (1997), Ross (1995), Yager e
Filev (1994) e Pietrobom (1999).
Captulo 2
Sistemas Fuzzy e Modelos Fuzzy
Takagi-Sugeno
2.1 Introduc~ao
A principal caracterstica de um sistema fuzzy e o conhecimento condicionado por regras
fuzzy Se-Ent~ao. Uma regra fuzzy Se-Ent~ao e uma declaraca~o na qual algumas palavras
s~ao descritas por funco~es contnuas, conhecidas como func~oes de pertin^encia. O Modelo
Lingustico e um modelo fuzzy proposto por Tong e e constitudo por um conjunto de regras
Se-Ent~ao (Tong, 1978). Este modelo e utilizado para identicar sistemas a partir de um
conjunto de dados de suas entradas e sadas. O formato de uma regra do Modelo Lingustico
possui uma parte premissa e uma parte consequente do tipo:
Se x e A (premissa),
(2.1)
Ent~ao y e B (consequente);
sendo x e y as variaveis de entrada e sada, respectivamente, e A e B s~ao termos lingusticos
associados aos conjuntos fuzzy que descrevem linguisticamente essas variaveis. Para um dado
valor de entrada, a sada correspondente e calculada a partir do conjunto de regras atraves
de um metodo de infer^encia.
2.1.1 Sistemas Fuzzy
Em geral ha tr^es tipos de sistemas fuzzy encontrados na literatura (Wang, 1997): sistemas
fuzzy puro, sistema fuzzy com fuzzicador e defuzzicador e sistemas fuzzy TS. Estes sistemas
ser~ao rapidamente descritos a seguir.
Sistemas fuzzy puros
11
2.1. Introduc~ao
Regras Fuzzy
Infer^
encia Fuzzy
Conjuntos Fuzzy
em
Conjuntos Fuzzy
em
A Figura 2.2 ilustra a conguraca~o basica do sistema fuzzy de sistemas com fuzzicador
e defuzzicador:
Regras Fuzzy
x em U
y em V
Defuzzificador
F uzzificador
Infer^
encia Fuzzy
Conjuntos Fuzzy
Conjuntos Fuzzy
em
em
Figura 2.2: Conguraca~o basica dos sistemas fuzzy com fuzzicador e defuzzicador.
Nestes sistemas, um fuzzicador transforma uma variavel de valor real em um conjunto
fuzzy, para a entrada, e um defuzzicador transforma um conjunto fuzzy em uma variavel
real, para a sada.
O principal caracterstica do sistema fuzzy com fuzzicador e defuzzicador e permitir que
o usuario entre com valores reais e obtenha na sada valores reais, mas todo o processamento
da informaca~o e feito em termos lingusticos.
12
2.1. Introduc~ao
Takagi-Sugeno (Takagi e Sugeno, 1985). Nestes sistemas, as entradas e sadas s~ao variaveis
reais, como nos sistemas com fuzzicador e defuzzicador. Entretanto, ao inves de considerar
as regras fuzzy Se-Ent~ao na forma (2.1), estes sistemas usam as regras na seguinte forma:
Se x
e A (premissa),
(2.2)
Ent~ao y = cx (consequente):
Comparando (2.1) e (2.2), verica-se que a parte consequente, \Ent~ao", muda de uma
descric~ao que usa termos lingusticos para uma simples formula matematica. Esta mudanca
torna mais facil combinar as regras. Assim, no sistema fuzzy TS e obtido um peso medio
dos valores nas partes \Ent~ao" das regras.
A Figura 2.3 mostra a congurac~ao basica de uma sistema fuzzy TS.
Regras Fuzzy
Peso M
edio
x em
y em
13
2.1. Introduc~ao
(x)
v1
v2
v3
(x) = >
>
>
>
>
>
>
>
>
:
x v1
; v x v2 ;
v2 v1 1
v3 x
; v x v3 ;
v3 v2 2
0;
(2.3)
(x)
v1
v2
v3
v4 x
(x) = >
>
>
>
>
>
>
>
>
>
>
>
>
>
:
x v1
; v x v2 ;
v2 v1 1
1;
v2 x v3 ;
v4 x
; v x v4 ;
v4 v3 3
0;
(2.4)
14
2.1. Introduc~ao
(x)
x
w
2m
1 + jx wxpj
!!
(2.5)
Na infer^encia fuzzy, os princpios de logica fuzzy s~ao usados para combinar as regras fuzzy
Se-Ent~ao em um mapeamento de um conjunto fuzzy A em U , para um conjunto B em V . A
seguir ser~ao citados os metodos mais comuns da literatura.
Infer^encia \Produto";
Infer^encia \Mnimo" ;
Infer^encia \Lukasiewicz";
Infer^encia \Zadeh";
Infer^encia \Dienes-Rescher" ;
Infer^encia \Takagi-Sugeno".
2.1. Introduc~ao
15
A principal caracterstica dos modelos lingusticos e a de serem qualitativamente interpretaveis desde que os respectivos conjuntos de regras sejam claros e bem denidos. No
entanto, a obtenc~ao de um conjunto adequado de regras a partir de dados de um sistema n~ao e uma tarefa simples, especialmente porque as regras envolvem termos de natureza
lingustica.
Tong prop^os um metodo o-line de tentativa e erro associado com heursticas e dados
estatsticos para tratar esse problema (Tong, 1978). Posteriormente, Graham e Newell generalizaram esta metodologia atraves de um algoritmo com capacidade de gerac~ao automatica
de regras e um gerenciamento heurstico de regras con
itantes (Graham e Newell, 1989).
Embora limitadas, essas contribuico~es expuseram a complexidade do problema e motivaram
a busca por estrategias ecientes para aborda-lo.
Uma das abordagens mais conhecidas e ecientes para esse problema e o uso de tecnicas
de clustering (Sugeno e Yasukawa (1993); Setnes et al. (1998); Pedrycz e Vasilakos (1999)).
Essas tecnicas, baseadas em otimizac~ao, foram capazes de gerar automaticamente conjunto
de regras fuzzy que podem descrever precisamente o comportamento de entrada e sada de sistemas complexos. Contudo, os conjuntos fuzzy de regras resultantes s~ao usualmente obtidos
a posteriori pelo algoritmo, e n~ao denidos pelo usuario. Consequentemente, os conjuntos e
as respectivas regras podem n~ao possuir um signicado lingustico claro (Guillaume, 2001).
Outras abordagens s~ao encontradas na literatura, destacando-se os Modelos Relacionais
Fuzzy. Esses modelos consistem de uma representac~ao dos modelos lingusticos em que os
conjuntos de regras s~ao escritos como uma relac~ao fuzzy em uma equaca~o relacional (Yager
2.1. Introduc~ao
16
e Filev, 1994). A vantagem dessa representac~ao e que nos modelos lingusticos tem-se um
conjunto de regras que devem ser determinadas, enquanto nos modelos relacionais tem-se
apenas uma matriz relacional que descreve a relac~ao fuzzy a ser estimada. Este modelo
apresenta caractersticas importantes tanto sob aspectos numericos quanto lingusticos.
Outros modelos com propositos especcos t^em sido propostos, como por exemplo, os
Celibate Fuzzy Models (Filev e Yager, 1997), desenvolvidos para a modelagem de problemas que requerem soluc~oes exclusivas (n~ao combinaveis), tais como diagnosticos e algumas
aplicac~oes de tomada de decis~ao; os Fuzzy Multimodels (Pedrycz, 1996), desenvolvidos para
a modelagem de problemas que admitem multiplas soluco~es tendo em vista a sua natureza mais relacional do que funcional; os Modelos Hierarquicos (Wang (1998); Campello e
Amaral (2002a); Wang (1999); Chen e Wang (2000)), desenvolvidos para tratar do problema de dimensionalidade em sistemas fuzzy, Modelos com Func~oes de Base Ortonormal
(FBO) (Campello e Amaral, 2002b) para a modelagem fuzzy de sistemas din^amicos sem
realimentac~ao dos erros de previs~ao.
O modelo fuzzy TS (Takagi e Sugeno, 1985) e uma abordagem alternativa para a modelagem fuzzy. Este modelo tambem possui uma estrutura baseada em regras. Contudo,
os consequentes das regras n~ao s~ao conjuntos fuzzy como nos modelos lingusticos. Esses
consequentes s~ao formados por func~oes crisp (n~ao fuzzy) que mapeiam as entradas do modelo em sua sada. Essas func~oes, tambem denominadas modelos locais, possuem usualmente
uma forma am em seus argumentos. Nesse caso o modelo TS e linear nos par^ametros das
referidas func~oes que por sua vez podem ser estimados utilizando algoritmos classicos como
os algoritmos dos Mnimos Quadrados (Least Squares) e o ltro de Kalmam (Soderstrom e
Stoica (1989), Ljung (1999)). Embora o modelo TS original seja am, a vers~ao linear e a
que tem sido mais utilizada.
Estes modelos podem ser considerados como uma vers~ao fuzzy do metodo de aproximaca~o
linear por partes, que proporciona uma relaca~o linear (ou am) da entrada-sada para cada
subespaco pre-determinado do espaco de entrada, possuindo a vantagem de serem capazes de
combinar as diferentes relac~oes correspondentes a cada uma de suas regras. Essa habilidade
de interpolac~ao permite a gerac~ao de um mapeamento nal mais suave, reduzindo o numero
de relac~oes individuais e par^ametros de projeto necessarios para representar um sistema com
precis~ao arbitraria.
Embora os modelos TS n~ao sejam interpretaveis no sentido qualitativo, ou seja, n~ao
podem proporcionar conhecimento lingustico devido ao formato funcional (crisp) dos consequentes de suas regras, sua estrutura e intrinsecamente adequada para o controle de siste-
17
mas din^amicos (Filev (1991); Johansen, Shorten e Smith (1998)), o que sera explorado no
Captulo 5.
Os modelos fuzzy Takagi-Sugeno (TS) tambem s~ao referenciados na literatura como modelos fuzzy Takagi-Sugeno-Kang (TSK). A raz~ao para isto e que este tipo de modelo foi
originalmente proposto por Takagi e Sugeno (Takagi e Sugeno, 1985), mas Kang e Sugeno
(Sugeno e Kang (1986b), Sugeno (1988)) desenvolveram importantes trabalhos em identicac~ao de modelos fuzzy e por isso muitos pesquisadores t^em citado o modelo fuzzy original
de Takagi-Sugeno como TSK. Neste trabalho, como em Tanaka e Wang (2001), ele sera
denotado como TS.
!iyi
i=1
y0 = P
r wi
i=1
(2.7)
sendo
Ri (i = 1; 2; : : : ; r) denota a regra fuzzy i. S~ao relaco~es fuzzy que descrevem implicac~oes
que s~ao calculadas atraves de uma func~ao de implicac~ao;
zj (t) (j = 1; 2; : : : ; p) e a entrada. S~ao as variaveis das premissas;
yi e a sada da implicac~ao i. Por simplicidade, um sistema com multiplas entradas
18
j =1
ij (zj0 ):
(2.8)
Sugeno e seus colaboradores (Takagi e Sugeno (1985); Sugeno e Kang (1986b); Sugeno
e Kang (1988); Sugeno e Tanaka (1991)) propuseram a utilizac~ao de funco~es ans nas partes
consequentes das implicaco~es, ou seja:
fi (z1 ; : : : ; zn ) = q0i +
j =1
qji xj :
(2.9)
Esta escolha (2.9) permite uma interpretac~ao matematica simples do modelo com uma
interpolaca~o de diferentes modelos ans e implica que a sada em (2.7) e linear nos par^ametros
q0i ; : : : ; qni . Logo, esses par^ametros podem ser estimados utilizando qualquer algoritmo de
estimac~ao (Soderstrom e Stoica (1989); Ljung (1999); Teixeira et al. (1996); Teixeira et al.
(1998); Teixeira, Daruichi e Assunc~ao (2000)).
Assim, o modelo fuzzy TS e capaz de aproximar um sistema n~ao-linear com uma combinac~ao de varios sistemas lineares ans pela decomposic~ao de todo o espaco de entrada
em varios espacos parciais e representar cada espaco entrada/sada (I/O) com uma equac~ao
linear.
No caso em que apenas os termos constantes s~ao considerados em (2.9), o modelo (2.7)
coincide com o modelo lingustico do tipo singleton (Kim, Kang e Park (1999), Kim (2001)).
A estrutura do sistema fuzzy TS, equivale uma estrutura composta por uma infer^encia
do tipo produto, fuzzicador singleton e defuzzicador com centro medio (Wang, 1997)
O algoritmo original de identicaca~o sugerido por Sugeno e seus colaboradores t^em os
seguintes passos (Takagi e Sugeno, 1985):
1. Escolha a estrutura da premissa e a estrutura da parte consequente;
2. Estime os par^ametros da estrutura determinada no passo 1;
3. Avalie o modelo;
4. Repita o passo 1 ate que o resultado seja satisfatorio.
Maiores detalhes podem ser encontrados em Sugeno e Kang (1986b).
19
20
f
f (x)
m1
(x)
f (x)
f
f (x)
m2
m2
(a)
(b)
Figura 2.7: Exemplos de aproximaca~o com modelo TS (a) am e (b) homog^eneo: f (x) e a
func~ao do sistema de simulac~ao; ff (x) e a func~ao de aproximac~ao obtida com modelos fuzzy
e m1 e m2 s~ao aproximac~oes lineares em (b). Em (a) m2 e a aproximaca~o am.
21
(z(t)) 0 e
i=1
wi(z(t)) > 0:
Uma escolha natural para a obtenc~ao de um modelo fuzzy TS para sistemas n~ao-lineares
e adotar z(t) = x(t), sendo x(t) o vetor estado do sistema n~ao-linear. Esta escolha e feita
em todos os desenvolvimentos teoricos deste trabalho.
Desta forma, dado um par (x(t); u(t)), o sistema fuzzy resultante e obtido como a media
ponderada dos modelos locais, e para i = 1; 2; : : : ; r; tem a forma:
r
x_ (t)
i=1
=
=
i=1
wi (x(t))
i (x(t))(Aix(t) + Bi u(t))
i=1
r
X
i=1
i (x(t))Ai x(t) +
A()x(t) + B()u(t):
i=1
(2.11)
!
i (x(t))Bi u(t)
y(t)
Para i = 1; 2; : : : ; r,
i=1
=
=
wi(x(t))
i (x(t)) = X
r
i=1
wi(x(t))
i=1
wi (x(t))Ci x(t)
r
i=1
wi(x(t))
i (x(t))Ci x(t)
(2.12)
C()x(t):
0; e
i=1
i (x(t)) = 1:
(2.13)
Observac~ao 1 Em algumas passagens desta dissertac~ao, x(t) sera representado apenas por
x, para facilitar a notac~ao. Mas em todos os casos citados, x e uma func~ao de t.
22
conjunto fuzzy ou valor constante. Esta propriedade apresenta varias vantagens (Johansen,
Shorten e Smith, 1998):
Da perspectiva de engenharia de controle, o uso de modelos locais lineares (ou local
propriedades do modelo local podem, em algumas aplicaco~es, serem facilmente relacionadas com o sistema fsico. Isto simplica o desenvolvimento do modelo e validac~ao.
23
Outra importante raz~ao e que a escolha do algoritmo (o algoritmo dos mnimos quadrados,
por exemplo) geralmente e feita com o objetivo explcito de selecionar os par^ametros dos
modelos locais para otimizar o desempenho global.
Isto e frequentemente obtido com modelos locais que s~ao signicativamente diferentes
das linearizac~oes locais. Os problemas s~ao, na maioria das aplicac~oes praticas, ampliados
por restric~oes sobre o projeto experimental, que restringe a quantidade de informaco~es nos
dados transientes. Uma consequ^encia e que se pode determinar facilmente um modelo fuzzy
TS, que fornece um bom modelo n~ao-linear global do sistema n~ao-linear, mas com modelos
locais que t^em pouco em comum com as linearizac~oes locais.
Em Shorten et al. (1999) e mostrado que o modelo fuzzy din^amico TS am contem excessivos graus de liberdade e deve ser interpretado cuidadosamente. O problema da interpretaca~o
tambem e discutido em Leith e Leithead (1999).
Muitos dos problemas mencionados acima ocorrem somente para a modelagem din^amica
na identicaca~o. Logo, estes problemas n~ao ocorrem quando e feita a convers~ao direta do
modelo fsico (mapeamentos estaticos), como sera feito nesta tese.
2.5.1 Aproximac~oes Locais Ans
24
Em alguns casos o numero de variaveis premissas pode ser reduzido sem reduzir a precis~ao,
mas este procedimento sacrica a interpretabilidade do modelo local como linearizac~oes
locais.
2.5.3 Func~ao de Pertin^encia para Sistemas Fuzzy Takagi-Sugeno
O modelo fuzzy global TS pode fornecer uma aproximac~ao satisfatoria do sistema n~ao-linear
ate mesmo quando os modelos locais ans constituintes n~ao s~ao convencionalmente linearizados. Na pratica, os modelos TS s~ao construdos interpolando os par^ametros dos modelos
locais constituintes usando infer^encia fuzzy. A escolha da funca~o de pertin^encia e de import^ancia crucial neste procedimento (Leith e Leithead, 1999). Esta escolha deve ser feita
para fornecer tanta precis~ao do sistema din^amico quanto possvel. Entretanto, em algumas
aplicac~oes, funco~es de pertin^encia escolhidas para aproximar as din^amicas globais podem ser
inadequadas quando o modelo e linearizado. No entanto, para aplicaco~es de controle que
requerem a linearizac~ao do modelo da planta, a delidade do modelo na vizinhanca do ponto
de equilbrio da planta e de primordial import^ancia.
A Figura 2.8 apresenta uma ilustraca~o simplicada do modelo TS. Uma aproximac~ao de
uma funca~o f (x) : R ! R e feita com dois modelos locais lineares denidas pelas constantes
a1 e a2 combinados com as funco~es de pertin^encia 1 (x) e 2 (x).
f (x); ff (x)
f1 = a1 x
f2 = a2 x
f (x)
ff (x)
0 =
x0
Figura 2.8: Ilustrac~ao da aproximaca~o da funca~o do modelo de simulaca~o pela func~ao obtida
por modelos fuzzy TS.
Considere a funca~o n~ao-linear f (x) descrita na Figura 2.8. Note que esta func~ao pode ser
aproximada, para x x0 = 0, por f1(x) = a1x, que e a reta tangente desta curva em x = 0.
25
Uma aproximaca~o linear para esta func~ao, para x x1 , e f2(x) = a2 x; observe que esta
segunda aproximaca~o linear n~ao e t~ao boa quanto a primeira aproximaca~o linear, pois ela n~ao
coincide com a reta tangente de f (x) em x = x1 . Adotando-se f1 (x) e f2(x) como modelos
locais, e as funco~es 1 (x), 2 (x) denidas na Figura 2.8 (observe que 1 (x) + 2 (x) = 1),
um modelo fuzzy TS para f (x) seria ff (x) = 1(x)f1 (x) + 2(x)f2(x), como ilustrado na
Figura 2.8. Pode-se observar que para x x0 , ent~ao 1 1, 2 0 e ff (x) f1 (x) e para
x x1 , ent~ao 2 1, 1 0 e ff (x) f2 (x). Finalmente, verique que ff (x) proporciona
uma aproximaca~o da func~ao f (x) muito melhor do que as func~oes f1(x) (linearizac~ao em
torno de um ponto de operac~ao) ou f2(x), por exemplo, para x0 x x1 . Obviamente,
se aumentarmos o numero de modelos locais, a aproximaca~o torna-se melhor. Esse exemplo
simples mostra o potencial dos modelos fuzzy TS, no tratamento de funco~es e/ou de sistemas
n~ao-lineares.
Os modelos fuzzy TS t^em sido uteis na descric~ao aproximada de sistemas n~ao-lineares. E
bem conhecido que sistemas fuzzy aditivos F : R n ! R p, como o modelo fuzzy TS, podem
aproximar uniformemente qualquer funca~o contnua f : U R n ! R p em um domnio
compacto (fechado limitado) U (Kosko, 1997). No caso do modelo fuzzy TS, quanto maior
o numero de modelos locais, melhor sera a ader^encia do modelo a equaca~o diferencial n~aolinear da planta. Entretanto, quanto maior o numero de modelos locais, mais difcil pode
se tornar o controle. Assim, neste trabalho, o objetivo e obter uma representac~ao fuzzy que
aproxime, com a precis~ao desejada, o modelo a equac~ao diferencial n~ao-linear, com o menor
numero de modelos locais.
26
e Sugeno (1990); Tanaka e Sugeno (1992); Tanaka e Sano (1993a)). O projeto de controle
de sistemas fuzzy se reduz ao problema de encontrar uma matriz P comum denida positiva,
que solucione simultaneamente varias equac~oes de Lyapunov, sendo que cada equac~ao esta
relacionada com um modelo local do modelo TS. Este procedimento nem sempre era trivial.
As primeiras analises de estabilidade e metodos para determinar P foram feitas utilizando
um procedimento de tentativa e erro. Kawamoto e seus colaboradores apresentaram um
procedimento para construir uma matriz P comum para um sistema de segunda ordem
(Kawamoto, 1992). Outros pesquisadores tambem apresentaram propostas de estabilidade
para sistemas fuzzy como, por exemplo, Langari e Tomizuka (1990), Kitamura e Kurozumi
(1991); Farinwata (1993); Singh (1992); Katoh (1993); Cheng (1993); Hara e Ishibe
(1992); Teixeira e Z_ ak (1999). A partir de 1995, Tanaka e seus colaboradores introduziram
as LMIs para projetar os controladores fuzzy e determinar a matriz P comum (Wang et al.
(1995a); Wang et al. (1995b); Wang et al. (1996); Thathachar e Viswanath (1997)). Esta
tecnica permite realizar um projeto total e sistematico satisfazendo n~ao apenas a estabilidade,
mas tambem a taxa de decaimento, restrico~es sobre a entrada e sada de controle, e outros
ndices de desempenho. Veja Boyd et al. (1994).
O problema de determinar uma matriz P comum esta relacionado com o numero de
regras Se-Ent~ao. Se o numero de regras e grande, pode ser difcil encontrar uma P comum
que satisfaca as condic~oes de estabilidade.
Condico~es de estabilidade relaxadas foram apresentadas em Tanaka et al. (1996a), Tanaka, Ikeda e Wang (1998a); Tanaka, Taniguchi e Wang (1998a). Estas condic~oes foram
exibilizadas em Kim e Lee (2000); Teixeira, Pietrobom e Assunca~o (2000); Teixeira,
Assunc~ao e Pietrobom (2001); Teixeira, Assunc~ao e Avellar (2001); Teixeira, Assunc~ao e
Avellar (2003).
A matriz P usada na func~ao de Lyapunov, quando xa, pode fornecer um projeto conservativo do controlador . Algumas propostas foram apresentadas para serem aplicadas nos
casos onde uma matriz P comum n~ao pode ser encontrada. Cao e seus colaboradores optaram por construir a funca~o de Lyapunov utilizando um conjunto de matrizes P (Cao et al.
(1996) e Cao et al. (1997a)). Outra proposta foi feita por Chang (Chang (1999) e Chang
(2000a)), onde os valores de P devem ser atribudos diretamente pelo projetista. No projeto
com LMIs e impossvel para o projetista escolher diretamente a matriz P. Lee e seus colaboradores propuseram determinar a matriz P de forma analtica (Lee, Chen e Chuang, 1998).
Narendra e Balakrishan (Narendra e Balakrishnan, 1994) sugeriram uma forma sistematica
de encontrar uma matriz P comum de \n" sistemas contnuos simult^aneos e em Jadbabaie
27
(1999) estes resultados s~ao estendidos para sistemas discretos. Outras analises de estabilidade podem ser encontradas na literatura, com o emprego de funco~es de Lyapunov quadraticas
por partes (Johansson e Rantzer, 1997). Outras condic~oes de estabilidade quadratica foram
propostas em Cao et al. (1996); Cao et al. (1997b); Feng e Ma (2001) e Kiriakidis et al.
(1998). Analise de estabilidade para sistemas de grande porte foi proposta em Hsiao e
Hwang (2001).
Em geral, existe um numero innito de controladores que estabilizam uma planta, se ela e
estabilizavel (Tanaka e Wang, 2001). A selec~ao de um controlador particular e decidida em
func~ao de especicac~oes de desempenho de controle como robustez, controle otimo, restric~oes
de entrada, restrico~es de sada, taxa de decaimento, etc.
Robustez e um dos principaisndices de desempenho de controle. Controladores robustos
s~ao projetados para sistemas que contem incertezas. Estas incertezas podem ser representadas na parte premissa (Tanaka e Sano (1994a); Tanaka e Sugeno (1993b)), na parte
consequente (Kim, Kim e Park (1996); Kim, Cho e Park (1996); Tanaka et al. (1996b);
Lee, Chen e Chuang (1998)) ou em ambas as partes (Zhao et al. (1995); Farinwata (1999)) e
Chen et al. (1999)). Outras analises de estabilidade com robustez e projetos de controladores
robustos s~ao encontrados em Johansen (1994); Johansen (1996); Cao e Lin (2003); Lee
et al. (1999); Kiriakidis (1999a) e Joh et al. (1998).
O controle otimo esta relacionado a controladores que, sob condic~oes otimas, satisfacam
determinados criterios de desempenho como restric~oes e estabilidade. Em geral, e difcil obter
controladores otimos para sistemas n~ao-lineares e s~ao poucos os resultados que fornecem uma
forma eciente de projeto. Tanaka e seus colaboradores apresentaram uma metodologia para
um controle sub-otimo (Tanaka, Nishimura e Wang (1998); Tanaka, Taniguchi e Wang
(1998a); Tanaka, Taniguchi e Wang (1998b) e Tanaka et al. (1999a)) baseada na funca~o
de desempenho quadratico e utilizando condico~es de estabilidade relaxadas e LMIs. Tuan
(Tuan et al., 2001) prop^os um metodo de projeto e analise de estabilidade de controle otimo
utilizando desigualdades matriciais lineares parametrizadas (PLMI).
O projeto de controle misto H2=H1 e atraente em engenharia de controle, ja que combina
os meritos de ambos os controles otimos H2 e robusto H1. Problemas de controle misto para
sistemas lineares t^em sido extensivamente estudados e apenas recentemente analises para o
problema de controle misto H2=H1 para sistemas n~ao-lineares t^em sido propostas. Analises
sobre o problema de controle misto que podem ser ecientemente resolvidos por meio de
LMIs s~ao apresentadas em Tanaka et al. (1999a); Tanaka, Nishimura e Wang (1998),
Tanaka, Taniguchi e Wang (1998a). Outras propostas de controle misto s~ao apresentadas
28
29
30
(1999); Toribio et al. (1999); Yoneyama et al. (2000). Em Ma et al. (1998) e Kim, Joogseon,
Langari e Kwon (1999) foram propostos projetos de controladores usando estimadores.
Johansen e seus colaboradores mostraram a necessidade do sistema fuzzy am na estrutura do controle de ganho programado (Johansen, Hunt e Gawathrop, 1998). Condic~oes de
estabilidade para sistemas ans foram discutidas em Marin e Titli (1995); Marin e Titli
(1997); Johansson e Malmborg (1997); Johansson e Rantzer (1998); Kim e Kim (2001).
A seguir, ser~ao destacadas algumas das principais aplicac~oes de modelos fuzzy encontrados
na literatura.
O sistema \trailer-trunck" (um veculo com um trailer que tem sido utilizado para testar
varios metodos de projeto de controle incluindo controle neural, controle fuzzy e controle
hbrido neuro-fuzzy): Tanaka e Kosaki (1997), Tanaka, Kosaki e Wang (1998), Tanaka
et al. (1999); Tanaka et al. (1999c); Kong e Kosko (1992), Inoue et al. (1995); Tokunaga
e Ichihashi (1992); Tanaka e Sano (1994a) e Tanaka et al. (1996).
Aproximac~ao fuzzy para detecc~ao e isolamento de falhas: Dexter (1995); Frank e Kiupel
(1993); Isermann e Ulieru (1993), Spreitzer e Balle (2000), Diao e Passino (2000) e Patton
et al. (1998).
Controle de temperatura: Lin et al. (2000); Matko et al. (2000); Fischer et al. (1998),
Skrjanc e Matko (1999). Controle de processos com pH altamente n~ao-lineares: Biasizzo
et al. (1997). Condicionadores de ar: (Sousa et al., 1997). Detecc~ao de bordas: Bezdec et al.
(1998). Controle de mssil: Lee, Chen e Chuang (1998). Controle da concentrac~ao de
oz^onio: Mourot et al. (1999).
Controle de p^endulo invertido: Cao et al. (1996); Cao et al. (1997b); Kawamoto (1997);
Ma et al. (1998); Chen et al. (1999); Teixeira e Z_ ak (1999); Chen et al. (2000); Guo et al.
(2000); Yi e Yubazaki (2000); Kim (2001); Zheng et al. (2001) e Rizk et al. (2001).
2.8. Contribuico~es
31
Pela descrica~o bibliograca verica-se que a teoria fuzzy tem recebido cada vez mais
aceitac~ao da comunidade cientca e, algumas vezes, e referenciada como uma das linhas de
pesquisa mais promissoras na area de controle.
2.8 Contribuic~oes
A principal contribuica~o deste captulo refere-se a descric~ao bibliograca abrangente do modelo fuzzy TS.
No proximo captulo sera abordada a construc~ao de modelos locais. Ser~ao estudados dois
metodos descritos na literatura e sera proposto um novo metodo de construca~o que permitira
uma melhor aproximaca~o local do sistema.
Captulo 3
Modelos Locais Fuzzy
3.1 Introduc~ao
O primeiro passo no projeto de um sistema de controle e a construc~ao de um \modelo de
simulac~ao" do sistema din^amico a ser controlado. Este modelo deve representar o comportamento do sistema por meio de equaco~es diferenciais lineares ou n~ao-lineares e representar
todas as caractersticas que possam ser obtidas do sistema fsico.
Neste trabalho, o sistema din^amico n~ao-linear escolhido para ilustrar a teoria desenvolvida
e o p^endulo invertido. O p^endulo invertido e um sistema amplamente utilizado na literatura
(veja no Captulo 2) para analises de estabilidade e projetos de controladores fuzzy. No
Ap^endice A apresenta-se uma descrica~o matematica detalhada deste sistema.
Apos obter o modelo de simulac~ao do sistema din^amico, o passo seguinte e obter o
\modelo de projeto". Este modelo deve ser mais simples que o modelo de simulaca~o e deve
considerar apenas as caractersticas essenciais do projeto. No Ap^endice B e apresentada uma
forma de se obter o modelo de projeto por meio da tecnica de linearizaco~es por Taylor. O
Ap^endice B mostra ainda que esta tecnica n~ao e adequada para linearizar pontos distantes
da origem (que n~ao s~ao pontos de equilbrio) e que nestes pontos se faz necessario obter
outras formas de linearizac~ao.
Neste captulo, s~ao apresentados dois metodos utilizados para a construc~ao dos modelos
locais lineares, descritos na literatura.
O primeiro foi elaborado em Taniguchi et al. (2001). A combinaca~o destes modelos locais
com as funco~es de pertin^encia (que ser~ao apresentadas com maiores detalhes no Captulo
4) permite obter uma representac~ao exata do sistema. O metodo completo constitui-se de
modelagem, reduca~o de regras e projeto de reguladores. Por ser um metodo de modelagem
exata, foi escolhido para comparar os resultados obtidos neste trabalho.
O segundo metodo de construc~ao foi proposto em Teixeira e Z_ ak (1999). Os modelos
32
33
obtidos com este metodo permitem uma melhor aproximac~ao local do sistema do que o
metodo de linearizaca~o por Taylor. Devido a sua versatilidade, o metodo tem sido utilizado
por diversos autores para construir modelos locais lineares ate mesmo para sistemas que
utilizam modelos fuzzy (veja no Captulo 2).
Baseado no metodo de construc~ao de Teixeira e Z_ ak (1999) sera proposto um novo
metodo para determinar os modelos locais. A ideia deste novo metodo e obter uma melhor
aproximaca~o local do sistema. Para isto ser~ao acrescentados novos graus de liberdade ao
sistema, em forma de pre-compensac~ao.
Neste captulo ser~ao descritos apenas os modelos locais. Nos proximos captulos ser~ao
abordados as funco~es de pertin^encia e o projeto de reguladores.
j =1
k=1
Logo, para representar o sistema de simulaca~o com a forma generalizada s~ao necessarios
2s modelos locais, sendo s o numero de n~ao-linearidades existentes no sistema (Taniguchi
et al., 2001). O exemplo a seguir apresenta detalhes sobre este fato.
34
Exemplo 1
Considere por exemplo a func~ao f~ij (x(t)) : R n ! R , sendo que, de (3.2), f~ij (x(t)) 2 [aij2; aij1]
e que aij2 6= aij1 (isto e, aij1 > aij2).
Neste exemplo sera mostrado que f~ij (x(t)) pode ser representada, de forma exata, por
um modelo fuzzy TS, considerando apenas dois modelos locais: aij1 e aij2. Ou seja, sera
provado que existem ij1(x(t)) e ij2 (x(t)) tais que
f~ij (x(t)) = ij 1 (x(t))aij 1 + ij 2 (x(t))aij 2 ;
(3.3)
ij 1 (x(t)) + ij 2 (x(t)) = 1; com
(3.4)
ij 1 (x(t)) 0 e ij 2 (x(t)) 0:
(3.5)
Efetuando a substituica~o de (3.4) em (3.3), ent~ao,
f~ij (x(t)) = ij 1 (x(t))aij 1 + (1 ij 1 (x(t)))aij 2
= (aij1 aij2)ij1(x(t)) + aij2:
Logo, considerando que aij1 > aij2, segue que
f~ (x(t)) aij 2
(x(t)) = ij
:
(3.6)
ij 1
aij 1 aij 2
Como f~ij (x(t)) 2 [aij2; aij1] e aij1 aij2 > 0, ent~ao note que de (3.6), ij1(x(t)) = 0 para
f~ij (x(t)) = aij 2 , ij 1 (x(t)) = 1 para f~ij (x(t)) = aij 1 , e ij 1 (x(t)) 2 (0; 1) para f~ij (x(t)) 2
(aij2; aij1). Desta forma 0 ij1 (x(t)) 1 e assim, note que
ij 2 (x(t)) = 1 ij 1 (x(t))
(3.7)
tambem satisfaz a relaca~o 0 ij2(x(t)) 1. Desta forma, ij2(x(t)) e ij1(x(t)) satisfazem
as equaco~es (3.3) e (3.5), que correspondem a representaca~o exata de f~ij (x(t)) atraves dos
modelos fuzzy TS.
Considere agora, sem perda de generalidade, por exemplo, que em (3.1):
x_ i (t) = f~ij (x(t))xj (t) + gij (x(t))u(t):
(3.8)
Tendo em vista que de (3.2), f~ij (x(t)) 2 [aij2 ; aij1] e gij (x(t)) 2 [bij2 ; bij1], ent~ao, usando
os passos descritos acima para a func~ao f~ij (x(t)), e possvel obter ij1(x(t)), ij2(x(t)),
ij 1(x(t)) e ij 2(x(t)) tais que:
f~ij (x(t)) = ij 1 (x(t))aij 1 + ij 2 (x(t))aij 2 ;
(3.9)
gij (x(t)) = ij 1(x(t))bij 1 + ij 2(x(t))bij 2 ; com
(3.10)
ij 1 (x(t)) + ij 2 (x(t)) = 1; ij 1(x(t)) + ij 2(x(t)) = 1 e
(3.11)
ij 1 (x(t)) 0; ij 2 (x(t)) 0; ij 1 (x(t)) 0; e ij 2 (x(t)) 0:
(3.12)
35
i=1
i = 1; 2; 3; 4;
(3.15)
(3.16)
e de (3.13) e (3.14)
x_ i (t) = [1 (x(t))aij 1 + 2 (x(t))aij 2 + 3 (x(t))aij 1 + 4 (x(t))aij 2 ] x1 (t)
(3.17)
+ [1 (x(t))bij1 + 2 (x(t))bij2 + 3(x(t))bij1 + 4(x(t))bij2 ] u(t):
Finalmente, observe que (3.15), (3.16) e (3.17) permitem um descrica~o exata de (3.8)
atraves dos modelos TS. Note que em (3.17), os quatro modelos locais relacionados com
1 (x(t)), 2 (x(t)), 3 (x(t)) e 4 (x(t)), correspondem a todas combinaco~es possveis de
(aij1; aij2) e (bij1; bij2), que s~ao os vertices do politopo.
No primeiro caso estudado neste exemplo, note que foi possvel modelar exatamente o
sistema n~ao-linear com uma func~ao n~ao-linear utilizando dois modelos locais. Ja no segundo caso, a modelagem exata do sistema n~ao-linear com duas n~ao-linearidades, foi possvel
empregando quatro modelos locais. Segundo este metodo, se o sistema apresentar s func~oes
n~ao-lineares, ser~ao necessarios 2s modelos locais para a sua representac~ao exata atraves de
modelos TS.
O metodo ilustrado neste exemplo, descrito em Taniguchi et al. (2001), valoriza os modelos fuzzy TS, pois ele mostra que e possvel modelar exatamente uma grande classe de
sistemas n~ao-lineares com modelos fuzzy TS, com um numero nito de modelos locais.
Entretanto, uma crtica a este metodo e o elevado numero de modelos locais necessarios,
a medida que o numero de n~ao-linearidades cresce, o que pode dicultar o projeto e/ou a
implementac~ao pratica de sistemas de controle.
Uma das contribuico~es desta tese e a apresentaca~o de um novo metodo para a modelagem
fuzzy TS, com um numero reduzido de modelos locais.
36
Exemplo 2
6
6
6
6
6
4
7
7
7
7
7
5
6
6
6 1
6
6
4
1
2
32
7
7
7
7
7
5
7
7
7
7
7
5
6
6
6
6
6
4
6
6
6
6
6
4
1
2
6
6
6
4
7
7
7
5
6
6
6
4
7
7
7
5
7
7
7
7
7
5
37
sendo g = 1; : : : ; 16 e q = 1; 2.
Portanto, os modelos locais s~ao obtidos realizando as seguintes combinaco~es:
a211 a411 b211 b411 ;
a212 a411 b211 b411 ;
a211 a412 b211 b411 ;
a212 a412 b211 b411 ;
a211 a411 b212 b411 ;
a212 a411 b212 b411 ;
a211 a412 b212 b411 ;
a212 a412 b212 b411 ;
A1 = A5 = A9 = A13 ;
A2 = A6 = A10 = A14 ;
(3.23)
A1
6
6
6
4
A3
6
6
6
4
0
17:2923
0
0:6315
1
0
0
0
0
0
0
0
0
0
1
0
0
17:2923
0
1:7289
1
0
0
0
0
0
0
0
0
0
1
0
3
7
7
7
5
A2
6
6
6
4
3
7
7
7
5
B1 = B2 = B3 = B4 ;
A4
6
6
6
4
0
12:6304
0
0:6315
1
0
0
0
0
0
0
0
0
0
1
0
0
12:6304
0
1:7289
1
0
0
0
0
0
0
0
0
0
1
0
3
7
7
7
5
3
7
7
7
5
(3.24)
B5 = B6 = B7 = B8 ;
(3.25)
= 0 0:0779 0 0:1176
B9
= 0 0:0779 0 0:1039
;
;
B5 =
B13 =
0 0:1765 0 0:1176
0 0:1765 0 0:1039
(3.26)
Observac~ao 2 Pode-se vericar que, devido as caractersticas simetricas das func~oes n~aolineares, os mesmos modelos locais obtidos acima tambem representam de forma exata o
sistema no intervalo =3 x1 =3 rad, uma vez que na construc~ao dos modelos s~ao
considerados os valores maximos e mnimos das func~oes.
3.3. Modelos Locais Lineares Otimos
38
3.3 Modelos Locais Lineares Otimos
A ideia central deste metodo de construca~o e obter os modelos locais de forma que, no
ponto de denic~ao deste modelo, os valores do modelo de simulaca~o e do modelo fuzzy sejam
coincidentes e sejam os mais proximos possveis na vizinhanca deste ponto. Desta forma e
possvel obter representac~ao exata do sistema no ponto de denic~ao e uma boa representac~ao
nas suas proximidades. Para isto s~ao consideradas as caractersticas do sistema nos pontos
de denic~ao dos modelos como os valores das funco~es n~ao-lineares e dos gradientes destas
func~oes.
Em Teixeira e Z_ ak (1999) os modelos locais s~ao construdos para sistemas n~ao-lineares
da forma
x_ = f (x) + G(x)u;
(3.27)
sendo que x 2 R n, u 2 R m e x = 0 e um ponto de equilbrio, ou seja, f (0) = 0.
Considere um estado de operac~ao x0j , j = 1; : : : ; r, que n~ao coincida com um estado de
equilbrio de (3.27), isto e, f (x0j ) 6= 0. O objetivo e construir um modelo linear em x e u
que aproxime o comportamento de (3.27) na vizinhanca do estado de operac~ao x0j . Ent~ao
se deseja encontrar matrizes constantes A e B tais que para uma entrada u arbitraria, na
vizinhanca de x0j
f (x) + G(x)u Ax + Bu; 8u
(3.28)
e
f (x0j ) + G(x0j )u = Ax0j + Bu; 8u:
(3.29)
Como u e arbitraria, tem-se que:
G(x0j ) = B;
(3.30)
e na vizinhanca de x0j :
f (x) Ax
(3.31)
e
f (x0j ) = Ax0j :
(3.32)
Sejam f (x) = [f1(x) : : : fn(x)]T e aTi a linha i da matriz A. Ent~ao, as condico~es (3.31) e
(3.32) s~ao equivalentes as seguintes condic~oes:
fi (x) aTi x; i = 1; : : : ; n
(3.33)
39
3.3. Modelos Locais Lineares Otimos
e
fi (x0j ) = aTi x0j ; i = 1; : : : ; n; j = 1; : : : ; r:
(3.34)
(3.35)
sendo que rfi(x) = [@fi (x)=@x1 : : : @fn (x)=@xn ]T e o vetor gradiente de fi(x).
Agora, usando (3.34), pode-se representar (3.35) como
rT fi (x0j )(x x0j ) aTi (x x0j )
(3.36)
min
ai E
(3.37)
sujeito a aTi x0j = fi(x0j ):
Note que (3.37) e um problema de otimizac~ao convexo com restric~ao. Isto signica que a
condic~ao de primeira ordem necessaria para o mnimo global de E e tambem suciente (veja
_ (1996)). As condico~es de primeira ordem s~ao
Chong e Zak
;
(3.38)
(3.39)
rfi(x0j ) + x0j = 0;
(3.40)
(3.41)
40
3.3. Modelos Locais Lineares Otimos
(3.44)
Exemplo 3
6
6
6
6
6
6
6
6
6
6
4
7
7
7
7
7
7
7
7
7
7
5
6
6
6
6
6
6
6
6
6
6
6
4
7
7
7
7
7
7
7
7
7
7
7
5
6
6
6
6
6
6
6
6
6
6
6
6
4
7
7
7
7
7
7
7
7
7
7
7
7
5
6
6
6
6
6
6
6
6
6
6
4
7
7
7
7
7
7
7
7
7
7
5
6
6
6
6
6
6
6
6
6
6
4
7
7
7
7
7
7
7
7
7
7
5
41
3.3. Modelos Locais Lineares Otimos
Ent~ao, de (3.45)
a211
sin(0)
= 4l=3 g mla
cos2(0) ;
@f2 (x1 )
@x1
f4 (x01 ) =
= 17:2941;
a411 =
mag sin(0)=2
4=3 ma cos2 (0) :
@f4 (x1 )
=
@x1
1:7294;
4a=3
cos(0) = 0:1765; b =
= 4l=3 amla
411
2
cos (0)
4=3 ma cos2 (0) = 0:1176:
Portanto, o primeiro modelo local, utilizando a formula (3.45) e (3.30), e dado por:
b211
A1
6
6
6
4
0
17:2941
0
1:7294
1
0
0
0
0
0
0
0
0
0
1
0
3
7
7
7
5
(3.47)
0
0
:
1765 :
(3.48)
B1 =
0
0:1176
O segundo modelo local e obtido usando (3.45) e (3.30) com x1 = =3 rad e x02 =
[=3 0 0 0]T .
Primeiro e calculada aT2 , segunda linha de A2. Note que
g sin(=3)
f2 (x02 ) =
4l=3 mla cos2 (=3) = 13:2266;
2
6
6
6
4
7
7
7
5
42
3.3. Modelos Locais Lineares Otimos
ent~ao, de (3.45),
a2
aT2
a212
T
= rf2(x02 ) + f2(x02 ) jjxx02jj2rf2(x0 ) x02 = [12:6304 0 0 0]T ;
02
= [12:6304 0 0 0];
= 12:6304:
Da mesma forma calcula-se aT4 , a quarta linha da matriz A2, do segundo modelo local:
g sin(=3)
f4 (x02 ) =
4l=3 mla cos2(=3) = 0:6613;
rf4(x02 ) = [0:8529 0 0 0]T ;
a4
aT4
a412
T
= rf4(x02 ) + f4(x02 ) jjxx02jjr2 f4(x02 ) x02 = [ 0:6315 0 0 0]T ;
02
= [ 0:6315 0 0 0];
= 0:6315:
6
6
6
4
7
7
7
5
(3.49)
0
0
:
0779 :
(3.50)
B2 =
0
0:1038
Utilizando a notaca~o dos sistemas fuzzy TS, os dois modelos locais (A1; B1) e (A2; B2)
podem descrever o sistema (3.46) da seguinte forma:
2
6
6
6
4
7
7
7
5
(3.51)
43
(3.52)
x_ (t) = (1 (x1 )A1 + 2 (x1 )A2 )x(t) + (1 (x1 )B1 + 2 (x1 )B2 )u(t);
1 (x1 ) + 2 (x1 ) = 1;
1 (x1 ) 0
2 (x1 ) 0:
Considerando que os modelos locais (A1; B1) e (A2; B2) obtidos pela formula (3.45)
s~ao otimos, normalmente adota-se adicionalmente no estado de operaca~o x0i, que o i (x)
associado a esse ponto e i(x0i) = 1 e j (x0i ) = 0, j 6= i, j = 1; 2; : : : ; r. Por exemplo, para
o sistema (3.51), (3.52), ent~ao 1(0) = 1, 2 (0) = 0, 1 (=3) = 0 e 2(=3) = 1. Nesta
situac~ao, note que para x1 0, 1(x1 ) 1, 2 (x1 ) 0 e x_ A1(x)+ B1 up e para x1 =3,
1 (x1 ) 0, 2 (x1 ) 1 e x_ A2 (x) + B2 up.
Uma implementaca~o tambem viavel consiste em adotar i(x0i ) 1 e j (x0i) 0 j 6= i,
j = 1; 2; : : : ; r no lugar de i (x0i ) = 1 e j (x0i ) = 0, j 6= i, j = 1; 2; : : : ; r, como descrito
anteriormente.
Exemplos de funco~es de pertin^encia tpicas representadas pelos is(x) foram apresentadas
no Captulo 2. Um metodo para a escolha otima dos is(x), utilizando a formula (3.45),
sera proposto no Captulo 4.
(3.53)
(3.54)
(3.55)
u0
e x = x
x0 ;
(3.56)
44
(3.58)
Desta forma, o ponto de equilbrio (x; u) = (x0; u0 ) de (3.53) foi deslocado em (3.57).
Este fato permite a aplicaca~o da formula (3.45) no sistema (3.57), pois originalmente a
formula sup~oe que o ponto de equilbrio coincide com a origem.
Exemplo 4
DO
sendo que
Eq
xdP
0
xdP Eq
P2
Vs Eq
xdP sin:
xd xd
xd P cos:Vs
0
(3.60)
= kA xR (u + dd(t)))
sendo a posica~o angular do rotor do gerador (Gq ) com respeito a uma rotac~ao sncrona de
refer^encia, que e selecionada aqui para ser o barramento innito; ! e a velocidade angular
do rotor; Pe e Pm s~ao a pot^encia ativa e pot^encia mec^anica de Gq , respectivamente, Eq e
forca eletromotriz (EMF) no eixo q de Gq ; Eq0 e EMF transiente no eixo q de Gq ; Ef e a
EMF equivalente na excitac~ao do rolamento de Gq ; xd e a reat^ancia do eixo d de Gq ; x0d e a
reat^ancia transiente do eixo d de Gq ; xT e xL s~ao as reat^ancias do transformador e da linha
Ef
ad
F
45
x=B
@
x1
x2
x3
C
A
B
@
!
Eq0
1
C
A
(3.61)
8
>
>
>
>
>
>
>
>
>
>
>
>
>
>
>
>
>
>
<
>
>
>
>
>
>
>
>
>
>
>
>
>
>
>
>
>
>
:
x1 = x1 x10 ;
x2 = x2 x20 ;
x3 = x3 x30 :
O modelo din^amico do sistema de pot^encia pode ser reescrito como:
x_ 1 = 2f0 x2 =: f1 (x)
x_ 2 = HD x2 + xH Pm x V (x3 + x30 )sin(x1 + x10 )
(3.62)
"
20
+ (x
xd )Vs2
P
xd xd P sin
0
x_ 3 =
xd P
P
TDo x d
0
(x3 + x30 ) + xT
d
xd
D0
Vscos(x1 + x10 ) + Tk
xad
Rf
D0
(3.63)
(u0 + u + dd(t))
ad
D0
"
kAxad
Rf
(3.65)
46
ou equivalentemente
0:0018p:u: u 0:00031p:u::
(3.66)
Os modelo locais fuzzy do sistema s~ao obtidos atraves da linearizac~ao do sistema (3.63)
em torno dos pontos x1 = [ 30; 0; 0]T , x2 = [0; 0; 0]T , e x1 = [+30; 0; 0]T ,
respectivamente.
Em termos de regras Se-Ent~ao, os modelos fuzzy admitem a seguinte forma:
Regra 1 : Se x1 e pequeno (isto e, x1 esta em torno de 300, x1 300;
Ent~ao
x_ (t) = (A1 + A1 )x(t) + B1 (u0 + u + dd (t)):
Regra 2 : Se x1 e medio (isto e, x1 esta em torno de 00 , x1 600;
Ent~ao
x_ (t) = (A2 + A2 )x(t) + B2 (u0 + u + dd (t)):
Regra 3 : Se x1 e grande (isto e, x1 esta em torno de + 300, x1 900;
Ent~ao
x_ (t) = (A3 + A3 )x(t) + B3 (u0 + u + dd (t))
sendo que Ai (i = 1; 2; 3) considera os par^ametros de perturbaca~o em xL.
Usando (3.45) as matrizes Ai e Bi (i = 1; 2; 3) s~ao obtidas como a seguir (note que
xL = 0 no calculo de Ai e Bi):
2
A1 = 64
2
A2 = 64
2
A3 = 64
0 314:1600 0
0:1002 0:1000 0:0563
0:2519 0
0:6937
0 314:1600 0
0:1009 0:1000 0:0975
0:3121 0
0:6937
0 314:1600 0
0:0850 0:1000 0:1126
0:3441 0
0:6937
0
0
B1 = B2 = B3 =
962:9630
2
6
4
7
5
7
5
7
5
7
5
(3.67)
(3.68)
(3.69)
(3.70)
47
p2
p1
p2 x
48
un
x fx Gxu
_ =
) +
uf
X
=
`=1
` (x)H`
`=1
` (x)H` ;
x_ = f (x) + G(x) un +
`=1
` (x)H` :
(3.74)
@xj
3) `(x0`) = 1, ` = 1; : : : ; r, sendo que x = x01 ; x02; : : : ; x0r , s~ao os pontos onde s~ao
denidos os modelos locais.
49
"
`=1
"
f (x0j ) + G(x0j ) un +
`=1
` (x0j )H`
`=1
e
f (x0j ) + G(x0j )
`=1
(3.83)
Dena aTij como sendo a enesima linha da matriz Aj . Ent~ao a condica~o (3.82) pode ser
representada por
r
fi (x) + gi (x) ` (x)H` aTij x; i = 1; 2; : : : ; n
(3.84)
X
`=1
r
`=1
(3.85)
50
Lema 1 As equac~oes (3.84) e (3.85) podem ser descritas, respectivamente, da seguinte forma:
fi (x) +
fi (x0j ) +
q=1
q=1
q (x)
q (x0j )
k=1
m
k=1
(3.86)
(3.87)
.
fn (x)
.
.
gn1 (x) : : :
.
gnm (x)
54
Hm1
Hm2
Hmr
55
Aj x;
f1 (x)
6
7
6f2 (x)7
6
7
2
... +
...
fn (x)
gn1 (x)[1 (x)H11 + : : : + r (x)H1r ] + : : : + gnm (x)[1 (x)Hm1 + : : : + r (x)Hmr ]
Aj x;
6
4
7
5
f1 (x)
6
7
6f2 (x)7
6
7
2
6
4
7
5
... +
...
fn (x)
1 (x)[gn1 (x)H11 + : : : + gnm (x)Hm1 ] + : : : + r (x)[gn1 (x)H1r + : : : + gnm (x)Hmr ]
Aj x:
Logo,
r
m
fi (x) + q (x) gik (x)Hkq aTij x; i = 1; 2; : : : ; n:
6
4
7
5
6
4
7
5
q=1
k=1
q=1
k=1
m
X
q x0j
q=1
k=1
r
X
( )
(3.88)
51
q=1
q (x0j )
(3.89)
(3.90)
Portanto,
r i(x0j )(x x0j ) +
Tf
q=1
q (x0j )
k=1
k=1
k=1
(3.91)
e satisfaca a restric~ao
k=1
k=1
Ej =
i=1
Eij =
1 [ MT MT : : : MT
nj
2j
1j
2
6
6
6
6
4
M1j
M2j
] ...
Mnj
(3.92)
a1j ;
a2j ;
(3.93)
anj :
3
7
7
7
7
5
(3.94)
52
32
6
6
6
6
4
7
7
7
7
5
6
6
6
6
4
7
7
7
7
5
6
6
6
6
4
7
7
7
7
5
7
7
7
7
5
6
6
6
6
4
7
7
7
7
5
6
6
6
6
4
9
>
>
>
>
>
>
>
>
>
>
>
>
>
>
>
>
>
>
>
=
2j 0j
aTnj x0j
...
2 0j
fn (x0j ) +
k=1
m
k=1
2k 0j
kj
>
>
>
>
>
>
>
>
>
>
>
>
>
>
>
>
>
>
>
;
53
Atj
6
6
6
6
6
6
6
6
6
6
6
6
6
6
6
6
6
6
6
6
6
6
6
6
4
Atj
bpj
=
=
=
6
6
6
6
4
"
@g11 (x0j )
@x1
:::
@g1m (x0j )
@x1
@g11 (x0j )
@xn
@g21 (x0j )
@x1
:::
:::
@g1m (x0j )
@xn
@g2m (x0j )
@x1
...
...
@g (x
@x
...
21
0j
@gn1 (x0j )
@x1
...
@gn1 (x0j )
@xn
...
...
:::
...
...
...
@g (x
@x
...
2m
0j
...
0
0
...
0
...
0
...
0
:::
@gnm (x0j )
@x1
:::
@gnm (x0j )
@xn
...
...
:::
...
:::
:::
...
:::
...
:::
...
:::
0
...
1
0
...
0
...
0
...
0
0
...
0
1
...
0
...
0
...
0
...
:::
:::
...
:::
...
:::
...
:::
...
...
...
rgn1(x0j ) : : : rgnm(x0j )
... ...
0 0
0 :::
... : : :
0 :::
0 :::
... ...
1 :::
... : : :
0 :::
... : : :
0 :::
:::
...
...
:::
0
...
0
0
...
0
...
1
...
0
7
7
7
7
5
@f1 (x0j )
@fn (x0j )
@fn (x0j )
@f1 (x0j )
:::
:::
:::
@x1
@xn
@x1 i
@xn
T
T
T
T
rf1 (x0j ) rf2 (x0j ) : : : rfn (x0j ) :
...
gn1 (x0j )
g11 (x0j )
g (x )
= 21 ... 0j
gn1 (x0j )
2
6
6
6
6
4
...
...
: : : gnm (x0j )
: : : g1m (x0j )
: : : g2m (x0j )
...
...
: : : gnm (x0j )
...
0
xT0j
0
...
0
...
:::
...
0
0 :::
xT0j : : :
... ...
0 :::
...
0
0
0
...
xT0j
...
:::
:::
:::
...
:::
...
:::
...
:::
0
...
0
...
1
3
7
7
7
7
7
7
7
7
7
7
7
7
7
7
7
7
7
7
7
7
7
7
7
7
5
;
#
...
0
...
0
0
Cpj
:::
...
0
...
0
0
...
:::
:::
...
0
0
...
3
7
7
7
7
5
: : : x01 : : : x0n
3
7
7
7
7
5
= f1(x0j ) : : : fn(x0j ) T :
sendo que wj 2 R (m+n )1 , Atj 2 R (n )(m+n ) , bpj 2 R (n )1 , Cpj 2 R n(m+n ) e dpj 2 R n1 .
A func~ao energia (3.96) e redenida para
1
Ej = jjAtj wj + bpj jj22
(3.98)
2
e o problema de otimizac~ao (3.97) reescrito para
minw j
sujeito a
(3.99)
(Atj wj + bpj )T I(Atj wj + bpj ) 2j ;
j > 0;
Cpj w = dpj :
dpj
9
>
>
>
>
>
>
>
=
>
>
>
>
>
>
>
;
54
Exemplo 5
Atj =
"
bpj =
Cpj =
"
"
x1
1 0
0 1
g2 (x0 )
g4 (x0 )
(3.101)
x1 =x0j
x1 =x0j
x1
(3.102)
(3.103)
x1 =x0j
(3.104)
dpj =
"
f2 (x0j )
f4 (x0j )
x1 =x0j
55
(3.105)
O problema de otimizac~ao (3.100) com wj , Atj , bpj , Cpj e dpj denidos respectivamente
em (3.101), (3.102), (3.103), (3.104) e (3.105) foi resolvido utilizando o software LMIsol
(Oliveira et al., 1997) .
Para o primeiro modelo local j = 1, x01 = 0 (assim, x1 = 0) os resultados para H11 , a211
a411 s~ao dados por:
H11 = 0;
a111 = 17:2941;
(3.106)
a211 = 1:1765:
Portanto, o primeiro modelo local e denido por
H11
= 0;
A1
2
6
6
6
4
0
17:2941
0
1:1765
1
0
0
0
0
0
0
0
0
0
1
0
3
7
7
7
5
(3.107)
B1 e dado em (3.48).
Uma observaca~o interessante foi o resultado obtido: H11 = 0. Ele esta de acordo com a
linearizac~ao por Taylor no ponto de equilbrio x01 = 0.
Para o segundo modelo em torno de x1 = =3 rad, j = 2, H12, a212 a412 s~ao dados por
H12 = 27:117;
a111 = 10:6132;
(3.108)
a211 = 2:0590:
Portanto, o segundo modelo local e denido por
H12
A2
= 27:1176;
0
= 10:6132
0
2:0590
2
6
6
6
4
1
0
0
0
0
0
0
0
0
0
1
0
3
7
7
7
5
(3.109)
e B2 e dado em (3.50).
A Figura 3.3 mostra a aproximac~ao da curva f2(x1 ) do sistema em (3.46) com os modelos
obtidos em (3.109) e (3.50), sendo que fh2(x1 ) = f2(x1 ) + g2(x1 )(1(x1 )H1 + 2(x1 )H2).
Observe na Figura 3.3 que com os modelos obtidos com (3.109) a regi~ao de aproximac~ao
e maior na vizinhanca do ponto de operac~ao x1 = =3 rad do que a aproximac~ao obtida com
(3.45), sem o novo grau de liberdade.
56
f2 (x1 ); f (x1 )
f (x1 )
16
14
16
f2 (x1 )
12
18
0.4
0.6
0.8
1.2
(a)
1.4
x1
fh
fh
(x1 )
f
10
8
0.2
(x1 ); f (x1 )
12
0
0
14
aproximac~ao local
10
0
0
(rad)
1.6
(x1 )
aproximac~ao local
0.2
0.4
0.6
0.8
1.2
x1
1.4
(b)
(rad)
1.6
Figura 3.3: Exemplo de aproximac~ao com modelo TS com: (a) modelo local otimo obtido
com (3.45), dado por (3.49); (b) modelo com novo grau de liberdade dado por (3.109). f2 (x1 )
representa a func~ao do sistema; ff (x1 ) e a aproximac~ao fuzzy desta func~ao; fh2(x1 ) e a func~ao
n~ao-linear com novo grau de liberdade; ffh(x1 ) e a aproximaca~o fuzzy desta funca~o.
Para ilustrar este exemplo foram utilizadas as seguintes funco~es de pertin^encia:
1;
0 x1 0:4
(x
0
:
5(1
+
cos
(
0
:
4)))
;
0:4 x1 =3;
1 (x1 ) =
=3 0:4 1
(3.110)
0;
x1 > =3:
2 (x1 ) = 1 1 (x1 ):
Estas funco~es atende as tr^es hipoteses feitas no incio desta seca~o e est~ao representadas
na Figura 3.4.
8
>
<
>
:
2 (x2 )
1 (x1 )
1
0.9
0.8
1 2 (x1 )
0.7
0.6
0.5
0.4
0.3
0.2
0.1
0
0
0.2
0.4
0.6
0.8
1.2
1.4
x1 (rad)
1.6
57
1 (x1 )
0.9
0.8
2 (x2 )
1 2 (x1 )
0.7
0.6
0.5
0.4
0.3
0.2
0.1
0
0
0.2
0.4
0.6
0.8
1.2
1.4
x1 (rad)
1.6
f2 (x1 ); f (x1 )
f (x1 )
18
16
14
f2 (x1 )
10
0.6
0.8
(a)
1.2
1.4
x1
1.6
fh
0.4
(x1 )
f 2 (x1 )
f
fh
aproximac~ao local
10
8
0.2
(x1 ); f (x1 )
12
0
0
14
aproximac~ao local
12
16
(rad)
0
0
0.2
0.4
0.6
0.8
(b)
1.2
1.4
x1
1.6
(rad)
Figura 3.6: Exemplo de aproximac~ao com modelo TS com: (a) modelo local otimo obtido
com (3.45), dado por (3.49); (b) modelo com novo grau de liberdade dado por (3.109) e
func~oes de pertin^encia dadas em (3.111). f2 (x1) representa a funca~o do sistema; ff (x1 ) e a
aproximaca~o fuzzy desta func~ao; fh2(x1 ) e a func~ao n~ao-linear com novo grau de liberdade;
ffh (x1 ) e a aproximac~ao fuzzy desta func~ao.
Como ilustra a Figura 3.6, a aproximac~ao fuzzy com modelos obtidos utilizando (3.100)
apresenta uma maior aproximac~ao local do que os modelos obtidos com (3.45). Entretanto,
a aproximaca~o em torno do primeiro modelo local, x1 = 0 e inferior ao obtido com (3.45).
Na Figura 3.3 \(b)" verica-se uma melhor aproximaca~o em torno do ponto x1 = 0 do que
a aproximaca~o obtida na Figura 3.6 \(b)". As aproximac~oes apresentadas nas Figuras 3.3 e
3.6 mostram a import^ancia de se escolher adequadamente as funco~es de pertin^encia. Com elas
e possvel vericar que uma escolha inadequada destas funco~es pode prejudicar a aproximac~ao
nas vizinhancas dos modelos locais. No Captulo 4 e apresentada uma metodologia para obter
as func~oes de pertin^encia a partir dos modelos locais dados em (3.45).
Em Guo et al. (2000), Guo e seus colaboradores utilizaram a formula (3.45) para obter
os modelos locais de um sistema n~ao-linear e ent~ao foi projetado um controlador PI robusto
utilizado no rastreamento de orbitas caoticas. O metodo proposto n~ao utiliza aproximac~oes
fuzzy. Neste caso, ao inves de usar (3.45), pode-se utilizar (3.100) e obter uma melhor aproxi-
58
mac~ao local do sistema. Embora o sistema obtido com estes modelos locais sejam diferentes
do modelo original, espera-se que a aproximac~ao local em uma regi~ao mais abrangente na
vizinhanca do ponto de operac~ao proporcione um melhor desempenho do rastreador (que
deve ser reprojetado para o novo sistema).
59
Exemplo 4 da Seca~o 3.4. Para rastreamento de orbitas de sistemas caoticos (Guo et al.,
2000), citado na seca~o anterior; no projeto de observadores fuzzy (Bergsten et al., 2002), no
controle de um processo qumico com atraso de transporte (Cao e Frank, 2000) e no controle
de um p^endulo invertido, utilizando sistemas fuzzy Singleton (Kim, 2001).
O modelo proposto na Sec~ao 3.5 e uma extens~ao do modelo apresentado em Teixeira e
Z_ ak (1999). A ideia deste metodo e melhorar a aproximac~ao local dos modelos obtidos com
(3.45), com o acrescimo de um novo grau de liberdade ao sistema. A principal motivac~ao
deste metodo e reduzir o numero de modelos locais para representar o sistema com um erro
de modelagem adequado na regi~ao de operaca~o.
Captulo 4
Modelagem e Funco~es de Pertin^encia
4.1 Introduc~ao
Func~oes de pertin^encia s~ao funco~es utilizadas para relacionar (ou combinar) os modelos
locais, na descric~ao de sistemas din^amicos atraves de modelos fuzzy TS.
Estas funco~es possuem duas caractersticas principais. A primeira e que seus valores
devem ser sempre positivos e menores ou iguais a 1. A segunda e que a soma dos valores de
varias func~oes em um determinado ponto deve ser sempre igual a 1.
No Captulo 2 foram apresentadas as func~oes mais utilizadas na literatura que s~ao as
triangulares, as trapezoidais e as gaussianas.
A escolha de uma determinada func~ao de pertin^encia depende do conhecimento do projetista sobre o sistema. Um sistema de identicaca~o pode ser utilizado para obter os par^ametros
destas funco~es de pertin^encia, quando o sistema e modelado a partir de dados de entrada e
sada.
As funco~es de pertin^encia determinam o grau de ader^encia das func~oes obtidas com
modelos fuzzy as funco~es do modelo de simulaca~o e t^em in
u^encia direta na estabilizac~ao do
sistema, uma vez que elas tambem interpolam os ganhos obtidos no projeto de controladores
fuzzy, como sera visto no Captulo 5.
Para uma modelagem completa, alem das func~oes de pertin^encia, e necessario determinar
o numero de modelos locais e a localizaca~o destes modelos na regi~ao de operac~ao. Esta
tarefa nem sempre e trivial. A tecnica mais simples consiste em determinar os modelos
locais em intervalos igualmente espacados na regi~ao de operac~ao. Se a aproximac~ao obtida
n~ao for satisfatoria, diminuem-se os espacamentos e acrescentam-se mais modelos locais.
Esta tecnica pode produzir um numero excessivo de modelos locais o que pode dicultar a
implementac~ao. Outra tecnica, um pouco mais elaborada, consiste em acrescentar modelos
locais nas regi~oes onde as n~ao-linearidades s~ao mais fortes e reduz-los nas regi~oes com poucas
60
61
j =1
k=1
i = 1; : : : ; n:
A forma generalizada e obtida expressando as variaveis f~ij (x(t)) e gij (x(t)) na representac~ao de modelos fuzzy.
Utilizando as variaveis denidas em (3.2), f~ij (x(t)) e gij (x(t)) podem ser representadas
62
como
f~ij (x(t)) =
a
(i;j )=1
gik (x(t)) =
`b(i;k)=1
ij`
a
(i;j )
ik`
(x(t))aij`
b
(i;k)
a
(i;j )
(x(t))bik`
b
(i;k)
sendo que ij1 (x(t)), ij2(x(t)), ik1(x(t)) e ik2(x(t)) foram previamente denidas no Exemplo 1 da Seca~o 3.2 e possuem as seguintes caractersticas:
2
`a(i;j )=1
ij`
a
(i;j )
(x(t)) = 1;
ij 1 (x(t))
`b(i;k)=1
ik`
b
(i;k)
(x(t)) = 1;
ij 2 (x(t))
=
(4.1)
ik1 (x(t)) =
ik2 (x(t)) =
Os elementos `a(i;j) e `b(i;k) est~ao relacionados com os limites de maximo e mnimo das
func~oes f~ij (x(t)) e gik (x(t)). Sempre assumir~ao valores 1, relacionado ao maximo, ou 2,
relacionado ao mnimo.
Usando a representaca~o com modelos fuzzy, (3.1) e reescrita como:
n
m
x_ i (t) =
f~ij (x(t))xj (t) + gik (x(t))uk (t)
X
=
+
j =1
n
X
k=1
j =1 `
m
X
a
(i;j )=1
ij`
k=1 `b(i;k)=1
a
(i;j )
ik`
(x(t))aij`
b
(i;k)
xj (t)
a
(i;j )
(x(t))bik`
b
(i;k)
uk (t):
=
+
=
+
XX
ij`
a
(i;j )
ik`
ij`
a
(i;j )
b
(i;k)
a
(i;j )
ik`
(x(t))aij`
(x(t))bik`
b
(i;k)
(x(t))Aij`
b
(i;k)
UAij x(t)
UBik u(t)
a
(i;j )
(x(t))Bik`
x(t)
b
(i;k)
u(t)
(4.2)
63
sendo
0 0
...
...
UAij = i 0 1
...
...
0 0
2
0
...
0 e
...
0
3
7
7
7
7
7
7
7
5
6
6
6
6
6
6
6
4
0 0
...
...
UBik = i 0 1
...
...
0 0
2
6
6
6
6
6
6
6
4
0
...
0
...
0
3
7
7
7
7
7
7
7
5
0 0 0
0 0 0
...
...
...
...
...
...
0 e Bbik = i 0 bik` 0
Aaij = i 0 aij`
...
...
...
...
...
...
0 0 0
0 0 0
para `a(i;j)=1 = 1; 2 e `b(i;k)=1 = 1; 2 sendo que UijA 2 R (nn) e UikB 2 R (nm) . Os elementos
aaij` e bbik` desempenham um importante papel na reduca~o de regras. A forma generalizada (4.2) e uma estrutura conveniente para a reduc~ao do numero de regras. Veja Taniguchi
et al. (2001).
2
6
6
6
6
6
6
6
6
4
(i;j )
a
(i;j )
7
7
7
7
7
7
7
7
5
6
6
6
6
6
6
6
6
4
b
(i;k)
3
7
7
7
7
7
7
7
7
5
(i;k)
Exemplo 6
Considere o Exemplo 2 da Sec~ao 3.2. A forma generalizada (4.3) pode ser construda
para o sistema n~ao-linear (3.20):
x_ (t)
=
+
4 4
XX
i=1 j =1 `
=1
2
X
a
(i;j )
4 X
1
X
ij`
a
(i;j )
ik`
(x(t))aij`
b
(i;k)
a
(i;j )
UAij x(t)
(x(t))
(t)
bik`a(i;k) UBik u
(4.3)
sendo que em (4.3), as variaveis a211 , a411 , b211 , b411 s~ao dadas em (3.21).
A forma generalizada (4.3) pode ser convertida no modelo fuzzy (4.4):
x_ (t) =
16
p=1
(4.4)
(2;1)
(4;1)
(2;1)
(4;1)
(4.5)
211 (x)
411 (x)
211 (x)
64
a
f~ (x)
212 (x) = 211 21 ;
a211 a212
a
f~ (x)
412 (x) = 411 41 ;
a411 a412
b
g (x)
212 (x) = 211 21 ;
b211 b212
(4.6)
b
g (x)
412 (x) = 411 41 :
= g41b (x) b b412 ;
b411 b412
411 412
Note que o sistema (3.18) tem termos n~ao-lineares em A(2; 1), A(4; 1), B (2; 1) e B (4; 1),
sendo que A(2; 1) denota o elemento (2; 1) da matriz A.
As funco~es f~21 (x), f~41 (x) , g21(x) e g41(x) denidas em (3.20) s~ao dependentes apenas da
variavel de estado x1. Logo pode-se denir hp(x(t)) utilizando (4.5), da seguinte forma:
h1 (x1 (t)) = 211 (x1 (t)) 411 (x1 (t)) 211 (x1 (t)) 411 (x1 (t));
h2 (x1 (t)) = 212 (x1 (t)) 411 (x1 (t)) 211 (x1 (t)) 411 (x1 (t));
h3 (x1 (t)) = 211 (x1 (t)) 412 (x1 (t)) 211 (x1 (t)) 411 (x1 (t));
h4 (x1 (t)) = 212 (x1 (t)) 412 (x1 (t)) 211 (x1 (t)) 411 (x1 (t));
h5 (x1 (t)) = 211 (x1 (t)) 411 (x1 (t)) 212 (x1 (t)) 411 (x1 (t));
h6 (x1 (t)) = 212 (x1 (t)) 411 (x1 (t)) 212 (x1 (t)) 411 (x1 (t));
h7 (x1 (t)) = 211 (x1 (t)) 412 (x1 (t)) 212 (x1 (t)) 411 (x1 (t));
h8 (x1 (t)) = 212 (x1 (t)) 412 (x1 (t)) 212 (x1 (t)) 411 (x1 (t));
(4.7)
h9 (x1 (t)) = 211 (x1 (t)) 411 (x1 (t)) 211 (x1 (t)) 412 (x1 (t));
h10 (x1 (t)) = 212 (x1 (t)) 411 (x1 (t)) 211 (x1 (t)) 412 (x1 (t));
h11 (x1 (t)) = 211 (x1 (t)) 412 (x1 (t)) 211 (x1 (t)) 412 (x1 (t));
h12 (x1 (t)) = 212 (x1 (t)) 412 (x1 (t)) 211 (x1 (t)) 412 (x1 (t));
h13 (x1 (t)) = 211 (x1 (t)) 411 (x1 (t)) 212 (x1 (t)) 412 (x1 (t));
h14 (x1 (t)) = 212 (x1 (t)) 411 (x1 (t)) 212 (x1 (t)) 412 (x1 (t));
h15 (x1 (t)) = 211 (x1 (t)) 412 (x1 (t)) 212 (x1 (t)) 412 (x1 (t));
h16 (x1 (t)) = 212 (x1 (t)) 412 (x1 (t)) 212 (x1 (t)) 412 (x1 (t)):
A Figura 4.1 ilustra as func~oes de pertin^encia hj (x1 (t)), j = 1; : : : ; 16.
A Figura 4.2 apresenta as func~oes f~21 (x1 ), f~41(x1 ) , g21(x1 ) e g41(x1 ) e suas respectivas
aproximaco~es exatas f~f 21 (x1)x1 , f~f 41 (x1 )x1 , gg21 (x1 ) e gg41(x1 ).
O elemento \", que aparece em destaque na Figura 4.2, e nas proximas guras desta
sec~ao, tem efeito ilustrativo e serve apenas ressaltar a origem e os extremos da regi~ao de
operac~ao. O perodo de amostragem utilizado foi x = =180.
411 (x)
O metodo de reduca~o de regras Taniguchi et al. (2001) consiste em reduzir dois modelos locais
em um unico modelo local. Isto e feito substituindo-se os termos n~ao-lineares f~ij (x(t)), que
65
0.6
0.4
h (x1 (t))
0.8
0.2
0
1
0.5
x1 (rad)
0.5
Figura 4.1: Funco~es de pertin^encia do metodo de representac~ao exata com dezesseis modelos
locais para o intervalo 60=180 x1 60=180 rad.
1.5
10
0.5
15
10
0.5
15
1
0.5
(a)
0
0.5
1.5
x1 (rad)
1
0.5
0.5
(b)
0
0.5
(d)
0.5
x1 (rad)
1
0.18
1
0.8
(x1 )
g
0.2
g41 (x1 ); g
g21 (x1 ); g
0
0.2
0.4
0.6
0.8
1
0.14
41
0.4
21
(x1 )
0.16
0.6
0.12
0.1
0.08
0.06
1
0.5
(c)
0
0.5
x1 (rad)
1
x1 (rad)
1
Figura 4.2: Aproximaca~o fuzzy: aproximac~ao exata com dezesseis modelos locais para o
intervalo 60=180 x1 60=180 rad; (-) curvas do modelo de simulac~ao, (+)
aproximaco~es com modelos fuzzy.
66
ser~ao reduzidos, pelos termos constantes ai j e os termos n~ao-lineares constantes gik (x(t)),
que ser~ao reduzidos, pelos termos constantes bi j , sendo
(a + a )
ai j = ij 1 ij 2 ;
2
(4.8)
(
bik1 + bik2 )
bi k =
:
2
Para a reduc~ao com relac~ao a f~i j (x(t)) o modelo reduzido e descrito como a seguir:
0 0
0 0
0 0
0 0
0 0
x_ (t)
i=1
j =1
ij`
a
(i;j )
a
(i;j )=1
ik`
b
(i;k)
(x(t))aij`
a
(i;j )
(x(t))bik`
b
(i;k)
(4.9)
UBik u(t):
Para a reduc~ao com respeito a gi k (x(t)) o modelo reduzido e descrito como a seguir:
0 0
x_ (t)
XX
i=1
ij`
a
(i;j )
(x(t))aij`
a
(i;j )
k=1
(i;k)6=(i0 ;k0 )
`b(i;k)=1
ik`
b
(i;k)
UAij x(t)
(x(t))bik`
b
(i;k)
(4.10)
UBik u(t) + bi k UBi0k0 u(t):
0 0
Considere o Exemplo 6 e a reduc~ao com respeito a A(2; 1), A(4; 1), B (2; 1) e B (4; 1).
a) Reduc~ao com respeito a A(2; 1)
O modelo fuzzy reduzido e representado como:
x_ (t)
i=1
X
j =1
a
(i;j )=1
(i;j )6=(2;1)
4
1 X
2
XX
ij`
ik`
a
(i;j )
b
(i;k)
(x(t))aij`
(x(t))bik`
a
(i;j )
b
(i;k)
(4.11)
UBik u(t):
De (3.2), verica-se que os elementos a111 , a131 , a141 , a112 , a132 , a142 , a221 , a231 , a241 , a222 ,
a232 , a242 , a311 , a321 , a331 , a312 , a322 , a332 , a421 , a431 , a441 , a422 , a432 , a442 , b111 , b112 , b131 , b132 ,
67
6
6
6
4
7
7
7
5
6
6
6
4
6
6
0 0 6
4
7
7
7
5
6
6
6
4
7
7
7
5
6
6
6
4
7
7
7
5
6
6
6
4
7
7
7
5
6
6
6
4
7
7
7
5
211
e de (4.8),
ai j
0 0
0
0
0
0
0
0
0
0
3
7
7
7
5
(4.12)
212
(4.13)
mp (x(t))(Apx(t) + Bpu(t));
(4.14)
sendo
p=1
A1 = A3 = A5 = A7 ;
A2 = A4 = A6 = A8 ;
0
14
:
9614
A1 =
0
0:6315
2
6
6
6
4
1
0
0
0
0
0
0
0
0
0
1
0
3
7
7
7
5
0
14
:
9614
A2 =
0
1:7289
2
6
6
6
4
1
0
0
0
0
0
0
0
0
0
1
0
3
7
7
7
5
68
B1 = B2 ; B3 = B4 ;
B5 = B6 ; B7 = B8 ;
0 0:0779 0 0:1176
B5 = 0 0:0779 0 0:1039
B1 =
;
;
0 0:1765 0 0:1176
B7 = 0 0:1765 0 0:1039
B3 =
;
:
(4;1)
(2;1)
(4;1)
m1 (x1 (t))
m2 (x1 (t))
m3 (x1 (t))
m4 (x1 (t))
m5 (x1 (t))
m6 (x1 (t))
m7 (x1 (t))
m8 (x1 (t))
10
0.5
15
10
15
1
0.5
(a)
0
0.5
0.5
1.5
x1 (rad)
1
0.5
0.5
(b)
0
0.5
(d)
0.5
x1 (rad)
1
0.18
1
0.8
(x1 )
g
0.2
g41 (x1 ); g
g21 (x1 ); g
0
0.2
0.4
0.6
0.8
1
0.14
41
0.4
21
(x1 )
0.16
0.6
0.12
0.1
0.08
0.06
1
0.5
(c)
0
0.5
x1 (rad)
1
x1 (rad)
1
Figura 4.3: Aproximaca~o fuzzy: aproximaca~o com reduc~ao do termo A(2; 1) para o intervalo
60=180 x1 60=180 rad; (-) curvas do modelo de simulac~ao, (+) aproximac~oes
com modelos fuzzy.
69
A Figura 4.3 (a) apresenta a aproximac~ao da curva f~21 (x1)x1 quando e feita a reduc~ao
de regras com termo n~ao linear A(2; 1). As aproximaco~es das funco~es f~41(x1 )x1 , g21 (x1 ) e
g41 (x1 ) n~ao s~ao afetadas pela reduc~ao e s~ao as mesmas apresentadas na Figura 4.2.
b) Reduc~ao com respeito a A(4; 1)
Seguindo o mesmo procedimento da reduca~o anterior, obtem-se o seguinte modelo fuzzy
reduzido:
x_ (t) =
p=1
mp (x(t))(Apx(t) + Bpu(t));
(4.16)
sendo
A1 = A3 = A5 = A7 ;
A2 = A4 = A6 = A8 ;
0
A1 = 17:2923
0
1:1802
2
6
6
6
4
1
0
0
0
0
0
0
0
0
0
1
0
3
7
7
7
5
0
A2 = 12:6304
0
1:1802
2
6
6
6
4
1
0
0
0
0
0
0
0
0
0
1
0
3
7
7
7
5
B1 = B2 ; B3 = B4 ;
B5 = B6 ; B7 = B8 ;
h
0 0:0779 0 0:1176
B5 = 0 0:0779 0 0:1039
B1 =
;
;
B3 = 0
h
B7 = 0
h
0:1765 0 0:1176
0:1765 0 0:1039
T
T
;
:
(2;1)
m1 (x1 (t))
m2 (x1 (t))
m3 (x1 (t))
m4 (x1 (t))
m5 (x1 (t))
m6 (x1 (t))
m7 (x1 (t))
m8 (x1 (t))
(2;1)
(4;1)
70
10
0.5
15
10
0.5
15
1
(a)
0.5
1.5
x1 (rad)
0.5
0.5
(b)
0
0.5
x1 (rad)
0.5
(d)
0.5
x1 (rad)
0.18
1
0.8
(x1 )
g
0.2
g41 (x1 ); g
g21 (x1 ); g
0
0.2
0.4
0.6
0.8
1
0.14
41
0.4
21
(x1 )
0.16
0.6
0.12
0.1
0.08
0.06
1
(c)
0.5
x1 (rad)
0.5
Figura 4.4: Aproximac~ao fuzzy: aproximaca~o com reduc~ao do termo A(4; 1) para o intervalo
60=180 x1 60=180 rad; (-) curvas do modelo de simulaca~o, (+) aproximac~oes
com modelos fuzzy.
A aproximaca~o da curva f~41 (x1)x1 e apresentada na Figura 4.4 (b) e as aproximac~oes
das curvas f~21(x1 )x1 , g21 (x1 ) e g41 (x1) n~ao s~ao alteradas pela reduca~o e continuam sendo as
mesmas da Figura 4.2.
c) Reduc~ao com respeito a B (2; 1)
Para a reduc~ao com relac~ao a B (2; 1), o modelo fuzzy reduzido e representado por:
x_ (t) =
p=1
mp (x(t))(Apx(t) + Bpu(t));
(4.18)
sendo
A1 = A5 ; A2 = A6 ;
A3 = A7 ; A4 = A8 ;
2
A1
6
6
6
4
0
17:2923
0
0:6315
1
0
0
0
0
0
0
0
0
0
1
0
3
7
7
7
5
0
12
:
6304
A2 =
0
0:6315
2
6
6
6
4
1
0
0
0
0
0
0
0
0
0
1
0
3
7
7
7
5
71
A3
6
6
6
4
0
17:2923
0
1:7289
1
0
0
0
0
0
0
0
0
0
1
0
0
;
A4 = 12:6304
0
1:7289
B1 = B2 = B3 = B4 ;
B5 = B6 = B7 = B8 ;
3
7
7
7
5
6
6
6
4
1
0
0
0
0
0
0
0
0
0
1
0
3
7
7
7
5
0 0:1272 0 0:1176 T ;
B5 = 0 0:1272 0 0:1039
As funco~es mp em (4.18) s~ao dadas como a seguir
mp (x(t)) = 21` (x(t))41` (x(t))41` (x(t));
B1 =
(2;1)
(4;1)
(4;1)
h1 (x1 (t))
h2 (x1 (t))
h3 (x1 (t))
h4 (x1 (t))
h5 (x1 (t))
h6 (x1 (t))
h7 (x1 (t))
h8 (x1 (t))
sendo
p=1
mp (x(t))(Apx(t) + Bpu(t));
(4.19)
A1 = A5 ; A2 = A6 ;
A3 = A7 ; A4 = A8 ;
2
A1
6
6
6
4
2
A3
6
6
6
4
0
17:2923
0
0:6315
0
17:2923
0
1:7289
1
0
0
0
1
0
0
0
0
0
0
0
0
0
0
0
0
0
1
0
0
0
1
0
3
7
7
7
5
3
7
7
7
5
0
A2 = 12:6304
0
0:6315
0
12
:
6304
A4 =
0
1:7289
2
6
6
6
4
6
6
6
4
1
0
0
0
1
0
0
0
0
0
0
0
0
0
0
0
0
0
1
0
0
0
1
0
3
7
7
7
5
3
7
7
7
5
72
10
0.5
15
10
0.5
15
1
0.5
(a)
0
0.5
1.5
x1 (rad)
1
0.5
0.5
(b)
0
0.5
(d)
0.5
x1 (rad)
1
0.18
1
0.8
(x1 )
g
0.2
g41 (x1 ); g
g21 (x1 ); g
0
0.2
0.4
0.6
0.8
1
0.14
41
0.4
21
(x1 )
0.16
0.6
0.12
0.1
0.08
0.06
0.5
(c)
0
0.5
x1 (rad)
1
x1 (rad)
1
Figura 4.5: Aproximac~ao fuzzy: aproximaca~o com reduca~o do termo B (2; 1) para o intervalo
60=180 x1 60=180 rad; (-) curvas do modelo de simulac~ao, (+) aproximac~oes
com modelos fuzzy.
B1 = B2 = B3 = B4 ;
B5 = B6 = A7 = B8 ;
B1 =
0 0:0779 0 0:1108
B3 =
0 0:1765 0 0:1108
(2;1)
m1 (x1 (t))
m2 (x1 (t))
m3 (x1 (t))
m4 (x1 (t))
m5 (x1 (t))
m6 (x1 (t))
m7 (x1 (t))
m8 (x1 (t))
(4;1)
(2;1)
73
10
0.5
15
10
0.5
15
1
0.5
(a)
0
0.5
1.5
x1 (rad)
1
0.5
0.5
(b)
0
0.5
(d)
0.5
x1 (rad)
1
1
0.18
0.6
(x 1 )
0.16
0.4
g41 (x1 ); g
g21 (x1 ); g
0
0.2
0.4
0.6
0.8
1
0.14
41
0.2
21
(x1 )
0.8
0.12
0.1
0.08
0.06
0.5
(c)
0
0.5
x1 (rad)
1
x1 (rad)
1
Figura 4.6: Aproximac~ao fuzzy: aproximaca~o com reduca~o do termo B (4; 1) para o intervalo
60=180 x1 60=180 rad; (-) curvas do modelo de simulac~ao, (+) aproximac~oes
com modelos fuzzy.
f~21 (x1 )x1 , f~41 (x1 )x1 e g21 (x1 ) n~ao s~ao alteradas pela reduc~ao e continuam sendo as mesmas
da Figura 4.2.
Nesta primeira etapa foram realizados quatro tipos de reduc~oes com oito modelos locais
em cada uma delas. A fase seguinte do processo de reduc~ao consiste em se escolher um termo,
diferente do reduzido, e realizar a reduc~ao utilizando quatro modelos locais. A escolha do
novo termo a ser reduzido e determinada pela taxa de decaimento no projeto do regulador.
Veja Taniguchi et al. (2001).
Ao realizar alguma das reduc~oes, o metodo proposto em Taniguchi et al. (2001) deixa de
ser um metodo de representac~ao exata e passa a ser um metodo de representac~ao aproximada.
74
6
6
4
7
7
5
6
6
4
7
7
5
j =1
rX1
j =1
j (xf ):
(4.22)
75
As restric~oes em (4.21) e (4.22) especicam que j (xf ) 2 [0; 1], j = 1; : : : ; r (note que
r (xf ) pode ser substitudo por 1 (xf ); 2 (xf ) : : : r 1 (xf )).
Assim, para cada xf 2 , ser~ao obtidos j (xf ), j = 1; : : : ; r que minimizam o erro entre
o sistema de simulaca~o e a aproximaca~o fuzzy.
A soluca~o para o problema (4.21) pode ser obtida analiticamente, onde sera apresentada
apenas uma soluc~ao parcial, ou de forma completa, como descrito acima, por meio de LMIs.
Antes de apresentar a soluc~ao para o problema (4.21), sera enfocada a propriedade de
simetria das funco~es de pertin^encia, que sera utilizada nos proximos exemplos.
4.3.1 Simetria das Func~oes de Pertin^encia
Na Sec~ao 3.4.1 foi mostrado que, para sistemas com caractersticas descritas em (3.71), os
modelos locais s~ao simetricos em relaca~o a origem. Portanto, para xf = x0 ou xf = x0 , os
modelos locais s~ao dados por
fi (x0 ) xT0 rfi (x0 )
ai = rfi (x0 ) +
x0 :
kx0 k2
Para os sistemas que possuem estas caractersticas, as funco~es de pertin^encia obtidas
com a resoluca~o do problema (4.21) tambem s~ao simetricas em relaca~o a origem. Veja a
Figura 4.7 . Estas funco~es dependem dos modelos locais. Como os modelos locais s~ao
iguais quando denidos em pontos simetricos em relac~ao a origem, as funco~es de pertin^encia
tambem possuem a propriedade de simetria.
1
1 2 (x
;
1 (x
)
2 (x
p2
p1
p2 x
Uma tentativa para solucionar o problema denido em (4.21) consiste em desprezar inicialmente as restrico~es de desigualdade em (4.21) e obter uma soluca~o parcial para o problema:
minimizar
E()
(4.23)
1 ; 2 ; : : : ; r 1
76
com
rX1
r (xf ) = 1
j =1
j (xf ):
(4.24)
A soluca~o deste novo problema pode ser facilmente obtida pela equaca~o:
rE (1 ; 2; : : : ; r 1) =
Observe o esquema
0
B
B
B
B
B
B
B
B
B
B
B
B
B
B
@
...
r 1
C
C
C
C
C
C
C
C
C
C
C
C
C
C
A
B
B
B
B
B
B
B
B
B
B
B
B
B
B
@
=)
"
@E
@E
:::
@1
@r 1
minimizar
E()
1
minimizar
E()
2
...
minimizar
E()
r
C
C
C
C
C
C
C
C
C
C
C
C
C
C
A
B
B
B
B
B
B
B
B
B
B
B
B
B
B
@
=)
= 0:
@E
@1
=0
@E
@2
=0
...
@E
@r 1
(4.25)
1
=0
C
C
C
C
C
C
C
C
C
C
C
C
C
C
A
(4.26)
(4.27)
1 (xf ) + : : : + r (xf ) = 1;
k (xf )
r (xf )
= 1
k = 1; : : : ; r
1;
(4.28)
sendo
20
Lka
Lkg
Lkag
4@
i
20
4@
rX1
j =1;j 6=k
rX1
j =1;j 6=k
j (xf ) (aij
air )T xf
1
A
(gi(x0k ) gi(x0r )) ;
i
(aTik
aTir )xf
+ (gi(x0k )
gi (x0r ))2 :
air )T xf ;
77
Se
k (xf ) 0 k = 1; 2; : : : ; r
ent~ao k (xf ), k = 1; 2; : : : ; r s~ao uma soluc~ao para o problema.
sendo
Ea1
= 12 (1(xf )aT11 xf
Ean
Eg1
Egn
+2 (xf )aT12 xf
...
:::
r (xf )aT1r xf
f1 (xf ))2 ;
:::
r (xf )aTnr xf
fn (xf ))2 ;
...
:::
+
+
:::
@E
@E
@E
a1
rE = @E
+
: : : + an + g1 + : : : + gn = 0;
@1
@1
@1
@1
1
78
sendo
@Ea1
@1
@Ean
@1
@Eg1
@1
...
@Ean
@1
@Eg1
@1
@Egn
@1
...
a1r )T xf + : : : + r 1 (a1(r 1)
a1r )T xf
...
sendo
La11
@Egn
@1
@Ea1
@1
f1 (xf )
2 (xf )(a12
+f1(xf )] (a11
Lag1
...
a1r )T xf
aT1r xf
79
La1n
Lg11
Lg1n
Lag1
: : : r 1 (xf )(an(r 1)
anr )T xf
aTnr xf
...
sendo
La21
1 (xf )(a11
+f1 (xf )] (a12
Lag2
...
a1r )T xf
aT1r xf
La2n
anr )T xf
Lg21
Lg2n
...
(r 1)
Lag(r 1)
80
La(r 1)1
a1r )T xf
La(r 1)n
Lg(r 1)1
Lg(r 1)n
Lag(r 1)
...
aT1r xf
anr )T xf
...
r (xf )
sendo
n
Lka
Lkg
Lkag
i=1
n
20
4@
rX1
j =1;j 6=k
20
= 1
j (xf ) (aij
air )T xf
rX1
( j (xf )(gi(x0j )
i=1
j =1;j 6=k
(gi(x0k ) gi(x0r )) ;
n
i=1
4@
aTik
aTir
)xf + (gi(x0k )
1
A
air )T xf ;
gi (x0r ))2 :
.
81
1 (x
2 (x
p2
p1
3 (x
p3
Figura 4.8: Funco~es de pertin^encia: soluca~o analtica direta para tr^es modelos locais.
Uma tentativa para contornar este problema e determinar dois conjuntos de func~oes de
pertin^encia entre dois modelos locais consecutivos, com duas funco~es em cada conjunto.
O primeiro conjunto e obtido entre xf = p1 e xf = p2 . As funco~es de pertin^encia 1(xf )
e 2(xf ) = 1 1(xf ), s~ao obtidas de (4.28):
L + L1g
(x ) = 1a
;
1
L1ag
(4.29)
(4.30)
82
1 (x
2 (x
1 2 (x
0p1
p2
i
i=1
Ljg
Xh
Ljag
i=1
i=1
(aTij
+ gi(x0j )
gi (x0(j +1) )
Xh
i=1
L2g
L2ag
i=1
i=1
(aTi2
aTi3 )xf
+ (gi(x02 )
gi (x03 )) ;
gi (x03 ))2 :
83
2 (x
3 (x
1 2 (x
0p1
p3 x
p2
(b)
1 (x
2 (x
3 (x
; ;
1 2 3 (x
p1
p2
p3 x
Figura 4.11: Funco~es de pertin^encia resultantes de soluco~es parciais para tr^es modelos locais.
Assim, pode-se concluir que o numero total de func~oes de pertin^encia obtidas com (4.28)
e com a divis~ao destas func~oes em conjuntos de duas funco~es para cada dois modelos locais
consecutivos sera igual ao numero de modelos locais utilizados para obter as func~oes de
aproximaca~o.
Estas funco~es ser~ao uma soluc~ao do problema (4.21) se os valores de k (xf ), k = 1; 2; 3
pertencerem ao intervalo [0; 1].
A equaca~o (4.28) pode ser representada na forma de sistema linear do tipo:
Ax = B
(4.33)
84
Exemplo 8
85
G(x0 ) = B;
logo, em (4.34)
g2 (x01 ) = b211 ;
g2 (x02 ) = b212 ;
(4.38)
g4 (x01 ) = b411 ;
g4 (x02 ) = b412 :
Para a especicac~ao dos pontos x1 2 [ 60=180; 60=180] rad para os quais ser~ao calculadas as funco~es de pertin^encia 1 (x1) e 2(x1 ), sera utilizado o intervalo de amostragem
x = =180 rad.
A Figura 4.12 apresenta os valores de 1(x1 ) e 2 (x1) para a regi~ao em quest~ao.
1 (x1 ); 2 (x1 )
2 (x1 )
0.8
1 (x1 )
2 (x1 )
0.6
0.4
0.2
0
1
0.5
0.5
x1
(rad)
2 (x1 ) = 0:
86
2 (x1 ) = 1:
1.5
10
(x1 )
15
f4 (x1 ); f
f2 (x1 ); f
0.5
(x1 )
10
0.5
15
1
0.5
(a)
0
0.5
1.5
x1 (rad)
1
0.5
(b)
0
0.5
x1 (rad)
0.5
(d)
0.5
x1 (rad)
1
0.18
0.8
0.16
g4(x1 ); g 4 (x1 )
0.4
0.2
g2 (x1 ); g 2 (x1 )
0.6
0
0.2
0.4
0.6
0.14
0.12
0.1
0.08
0.8
0.06
0.5
(c)
0
0.5
x1 (rad)
Figura 4.13: Aproximaca~o fuzzy: soluc~ao analtica com dois modelos locais para o intervalo
60=180 x1 60=180 rad. (-) curvas do modelo de simulaca~o; (+) aproximac~oes com
modelos fuzzy, () representa os modelos locais .
87
Exemplo 9
Considere agora, apenas como exemplo de modelagem, uma regi~ao de operaca~o com
intervalo maior, 106=180 x1 106=180 rad.
Como os extremos s~ao simetricos em relaca~o a origem, os modelos locais ser~ao calculados
na origem e no ponto x1 = 106=180 rad.
O primeiro modelo local, em x1 = 0, A1 , e dado em (3.47) e B1 em (3.48) e para o
segundo modelo local, em x1 = 106=180 rad, A2 e obtido utilizando (3.45), com x02 =
[106=180 0 0 0 ]. Para obter o segundo modelo local, calcula-se a linha aT2 , a segunda
linha da matriz A2
f (x ) xT02 rf2 (x02 )
a2 = rf2 (x02 ) + 2 02
x02 = [7:7260 0 0 0]T ;
(4.40)
jjx02jj2
aT2 = [7:7260 0 0 0];
(4.41)
a212 = 7:7260:
(4.42)
e aT4 , a quarta linha da matriz A2:
f (x )
a = rf (x ) + 4 02
4
aT4
a412
4 02
= [0:2130 0 0 0];
= 0:2130:
0 0 0]T ;
= 0:1012:
(4.43)
(4.44)
(4.45)
(4.46)
0 1 0 0
0
7
:
7260
0
0
0
0
:
0418
A2 =
e B2 = 0 :
(4.47)
0 0 0 1
0:2130 0 0 0
0:1012
Para a especicac~ao dos pontos x1 2 [ 106=180; 106=180] para os quais ser~ao calculadas as funco~es de pertin^encia 1 (x1 ) e 2(x1 ), sera utilizado o intervalo de amostragem
x = =180 rad.
A Figura 4.14 apresenta os valores de 1 (x1 ) e 2 (x1 ) obtidas resolvendo (4.28), com
i = 2; 4 para a regi~ao 106=180 x1 106=180rad.
Pela Figura 4.14 verica-se que as restric~oes do problema (4.21) foram satisfeitas.
As curvas aproximadas de f2 (x1 ), f4(x1 ), g2(x1 ) e g4 (x1) denominadas respectivamente
por ff 2 (x1 ), ff 4 (x1 ), gg2(x1 ) e gg4(x1 ) s~ao obtidas a partir das equaco~es (4.39).
2
6
6
6
4
7
7
7
5
6
6
6
4
7
7
7
5
88
2 (x1 )
1 (x1 ); 2 (x1 )
2 (x1 )
1 (x1 )
0.8
0.6
0.4
0.2
0
2
1.5
0.5
0.5
1.5
x1
(rad)
2
1.5
10
(x1 )
15
f4 (x1 ); f
f2 (x1 ); f
0.5
(x1 )
10
0.5
15
2
1.5
0.5
(a)
0
0.5
1.5
2
x1 (rad)
1.5
1.5
0.5
(b)
0
0.5
1.5
1.5
0.5
(d)
0.5
1.5
x1 (rad)
2
0.18
1
0.8
0.16
g4(x1 ); g 4 (x1 )
0.4
0.2
g2 (x1 ); g 2 (x1 )
0.6
0
0.2
0.4
0.6
0.8
1
2
0.14
0.12
0.1
0.08
0.06
1.5
0.5
(c)
0
0.5
x1 (rad)
1.5
x1 (rad)
2
Figura 4.15: Aproximaca~o fuzzy: soluc~ao analtica com dois modelos locais para o intervalo
106=180 x1 106=180 rad; (-) curvas do modelo de simulac~ao, (+) aproximac~oes
com modelos fuzzy, () representa os modelos locais .
89
cos(x1 ) = 0:0522; b =
4a=3
= 4l=3 amla
412
2
cos (x1 )
4=3 ma cos2(x1 ) = 0:1018 (4.48)
Portanto, o segundo modelo local e dado por:
0 1 0 0
0
11:5084 0 0 0
0:0522 :
A2 =
e
B
=
(4.49)
2
0 0 0 1
0
0:3936 0 0 0
0:1018
O ponto x1 = 106=180 rad deixa de ser o segundo modelo local e passa a ser considerado
como o terceiro modelo. Os modelos s~ao denominados em ordem crescente e consecutiva. A
cada novo modelo local inserido, deve-se renomea-los de acordo com este criterio.
Logo, o terceiro modelo local e obtido redenindo (4.47) de A2 para A3 e de B2 para B3 :
0 1 0 0
0
7
:
7260
0
0
0
0
:
0418
A3 =
e B3 = 0 :
(4.50)
0 0 0 1
0:2130 0 0 0
0:1012
b212
6
6
6
4
7
7
7
5
6
6
6
4
7
7
7
5
6
6
6
4
7
7
7
5
6
6
6
4
7
7
7
5
90
; ;
1 2 3 (x1 )
3 (x1 )
1 (x1 )
2 (x1 )
0.8
0.6
0.4
0.2
0
0.2
0.4
1.5
0.5
0.5
1.5
x1
(rad)
2
91
2 (x1 )
2 (x1 )
1 (x1 )
0.6
1 2 (x1 )
0.8
0.4
0.2
0
2
1.5
0.5
0.5
x1 (rad)
1.5
Figura 4.17: Func~oes de pertin^encia para o intervalo 70=180 x1 70=180 rad com
dois modelos locais.
1.2
3 (x1 )
2 (x1 )
2 (x1 )
0.6
2 3 (x1 )
0.8
3 (x1 )
0.4
0.2
0
2
1.5
0.5
0.5
x1 (rad)
1.5
1.2
3 (x1 )
2 (x1 )
1 (x1 )
; ;
1 2 3 (x1 )
0.8
0.6
0.4
0.2
0
2
1.5
0.5
0.5
x1 (rad)
1.5
Figura 4.19: Funco~es de pertin^encia para o intervalo 106=180 x1 106=180 rad com
tr^es modelos locais: x1 = 0 rad, x1 = 70=180 rad e x1 = 106=180 rad.
92
10
(x1 )
1.5
0.5
f4 (x1 ); f
f2 (x1 ); f
(x1 )
15
0.5
10
15
2
1.5
0.5
(a)
0
0.5
x1 (rad)
1.5
1.5
0.18
x1 (rad)
1.5
0.5
(b)
0
0.5
1.5
1.5
0.5
(d)
0.5
1.5
1
0.8
0.16
g2 (x1 ); g 2 (x1 )
g4(x1 ); g 4 (x1 )
0.6
0.4
0.14
0.2
0.12
0.2
0.1
0.4
0.08
0.6
0.8
0.06
2
1.5
0.5
(c)
0
0.5
x1 (rad)
1.5
x1 (rad)
2
Figura 4.20: Aproximaca~o fuzzy: soluc~ao analtica parcial com tr^es modelos locais para
o intervalo 106=180 x1 106=180 rad. (-) curvas do modelo de simulac~ao, (+)
aproximaco~es com modelos fuzzy, () representa os modelos locais.
as func~oes de pertin^encia apresentadas na Figura 4.19 s~ao ilustradas na Figura 4.20, sendo
ff 2 (x1 ) = 1 (x1 )a211 x1 + 2 (x1 )a212 x1 + 3 (x1 )a213 x1 ;
ff 4 (x1 ) = 1 (x1 )a411 x1 + 2 (x1 )a412 x1 + 3 (x1 )a413 x1 ;
(4.51)
gg2 (x1 ) = 1 (x1 )b211 x1 + 2 (x1 )b212 x1 + 3 (x1 )b213 x1 ;
gf 4 (x1 ) = 1 (x1 )b411 x1 + 2 (x1 )b412 x1 + 3 (x1 )b413 x1 :
4.3.3 Soluc~ao por LMIs
(4.53)
93
"
X
j =1
( )
j xf aTij xf
fi (xf )
j =1
min
sujeito a
> 0:
(4.55)
sujeito a
"
2
T ((xf ))
((xf )) I2n
> 0;
> 0:
min
sujeito a
"
2
T ((xf )) > 0;
((xf ))
I2n
> 0;
j (xf ) 0; j = 1; : : : ; r 1;
r
1
j (xf ) 0:
#
(4.56)
j =1
rX1
j =1
j (xf ):
A soluca~o das LMIs acima pode ser facilmente obtida (Boyd et al., 1994) utilizando-se
softwares disponveis, por exemplo, o LMISol (Oliveira et al., 1997) e o LMI Control Toolbox
do Matlab, para cada xf 2 . Para o calculo numerico, dene-se um conjunto abrangente
de pontos xf em e, em cada um deles, j (xf ) e obtida atraves da soluca~o do problema
descrito em (4.56). Em seguida, realiza-se a interpolac~ao polinomial com a ordem adequada
e desta forma obt^em-se as func~oes que representam os j (xf ), j = 1; : : : ; r.
94
Exemplo 10
4((xf )) =
"
(4.57)
"
4((x1 )) =
T ()
"
(4.58)
95
2 (x1 )
(x1 )
0.8
1 (x1 )
0.6
0.4
0.2
0
1
0.5
0.5
x1 (t) (rad)
1
1.5
10
(x1 )
15
f4 (x1 ); f
f2 (x1 ); f
0.5
(x1 )
Figura 4.21: Func~oes de pertin^encia obtidas por meio da soluca~o de LMIs para os intervalos
60=180 x1 60=180 rad, com dois modelos locais.
10
0.5
15
1
0.5
(a)
0
0.5
1.5
x1 (rad)
1
0.5
0.5
(b)
0
0.5
x1 (rad)
1
1
0.18
0.8
0.16
0.4
g4(x1 ); g 4 (x1 )
0.2
g2 (x1 ); g 2 (x1 )
0.6
0
0.2
0.4
0.6
0.8
1
0.14
0.12
0.1
0.08
0.06
0.5
(c)
0
0.5
x1 (rad)
1
(d)
0
0.5
x1 (rad)
1
Figura 4.22: Aproximaca~o fuzzy: soluc~ao por LMIs com dois modelos locais para o intervalo
60=180 x1 60=180 rad. (-) curvas do modelo de simulaca~o, (+) aproximac~oes com
modelos fuzzy, () representa os modelos locais.
96
Exemplo 11
Considere agora uma regi~ao de operac~ao com intervalo maior, 106=180 x1 106=180 rad.
O primeiro modelo local, em x1 = 0, A1 e dado em (3.47) e B1 em (3.48) e o segundo
modelo local, em x1 = 106=180 rad, A2 e dado em (4.47).
Resolvendo (4.54) e considerando (4.58) com
a211 = 17:2931;
a212 = 7:7260;
a411 = 1:7295; a412 = 0:2130;
(4.59)
b211 = 0:1765; b212 = 0:0418;
b411 = 0:1176;
b412 = 0:1012;
obt^em-se 1 (x1 ) e 2 (x1).
A Figura 4.23 apresenta os valores de 1(x1 ) e 2(x1 ) para 106=180 x1 106=180 rad
com intervalo de amostragem x = =180 rad.
1
2 (x1 )
1 (x1 )
0.8
(x1 )
2 (x1 )
0.6
0.4
0.2
0
2
1.5
0.5
0.5
x1 (t) (rad)
1.5
Figura 4.23: Funco~es de pertin^encia: soluc~ao por LMIs para o intervalo 106=180 x1
106=180 rad, com dois modelos locais.
Na Figura 4.24 s~ao ilustradas as func~oes n~ao-lineares f2 (xf ), f4(xf ), g2(xf ) e g4 (xf ) do
sistema de simulaca~o e suas respectivas aproximac~oes fuzzy ff 2 (x1) , ff 4 (x1 ), gg2 (x1) e gg4(x1 )
denidas em (4.39), considerando as funco~es de pertin^encia apresentadas na Figura 4.23.
Como no Exemplo 9, a Figura 4.24 mostra que ha um erro consideravel nas aproximac~oes
obtidas principalmente com ff 4 (x1) e gg4(x1 ).
Novamente sera considerado um novo modelo local em x1 = 70=180 rad, que e visualmente o ponto onde ocorreu o maior erro de aproximaca~o. Na Seca~o 4.4 sera proposto um
algoritmo para determinar o ponto exato onde ocorreu o maior erro de aproximaca~o.
O processo de redenica~o dos modelos locais e semelhante ao apresentado para o Exemplo
9. Portanto, para o primeiro modelo local em x1 = 0, A1, e denido em (3.47) e B1 em
(3.48), para o segundo modelo local em x1 = 70=180 rad, A2 e denido em (4.49) e para o
terceiro modelo local em x1 = 106=180 rad, A3 e denido em (4.50).
97
1.5
10
(x1 )
15
f4 (x1 ); f
f2 (x1 ); f
0.5
(x1 )
0.5
10
15
2
1.5
0.5
(a)
0
0.5
1.5
2
x1 (rad)
1.5
1.5
0.5
(b)
0
0.5
1.5
1.5
0.5
(d)
0.5
1.5
0.18
x1 (rad)
2
0.8
0.16
g4(x1 ); g 4 (x1 )
0.4
0.2
g2 (x1 ); g 2 (x1 )
0.6
0
0.2
0.4
0.6
0.8
1
2
0.14
0.12
0.1
0.08
0.06
1.5
0.5
(c)
0
0.5
x1 (rad)
1.5
x1 (rad)
2
Figura 4.24: Aproximaca~o fuzzy: soluc~ao por LMIs com dois modelos locais para o intervalo
106=180 x1 106=180 rad. (-) curvas do modelo de simulac~ao, (+) aproximac~oes
com modelos fuzzy, () representa os modelos locais .
1.2
3 (x1 )
2 (x1 )
1 (x1 )
0.6
; ;
1 2 3 (x1 )
0.8
0.4
0.2
0
2
1.5
0.5
0.5
x1 (rad)
1.5
Figura 4.25: Funco~es de pertin^encia: soluca~o por LMIs para o intervalo 106=180 x1
106=180 rad, com tr^es modelos locais.
98
De (4.54) e (4.58)
2((x1 )) =
4((x1 )) =
"
"
(4.60)
10
(x1 )
1.5
0.5
f4 (x1 ); f
f2 (x1 ); f
(x1 )
15
0.5
10
15
2
1.5
0.5
(a)
0
0.5
x1 (rad)
1.5
1.5
0.18
1.5
0.5
(b)
0
0.5
1.5
1.5
0.5
(d)
0.5
1.5
x1 (rad)
2
1
0.8
0.16
g4 (x1 ); g 4 (x1 )
g2 (x1 ); g 2 (x1 )
0.6
0.4
0.14
0.2
0.12
0.2
0.1
0.4
0.08
0.6
0.8
0.06
2
1.5
0.5
(c)
0
0.5
x1 (rad)
1.5
x1 (rad)
2
Figura 4.26: Aproximac~ao fuzzy: soluca~o por LMIs com tr^es modelos locais para o intervalo
106=180 x1 106=180 rad; (-) curvas do modelo de simulac~ao, (+) aproximac~oes
com modelos fuzzy, () representa os modelos locais.
Na Figura 4.26 s~ao ilustradas as func~oes n~ao-lineares f2 (x1), f4 (x1 ), g2(x1 ) e g4(x1 ) do
sistema de simulaca~o e suas respectivas aproximaco~es fuzzy ff 2 (x1) , ff 4 (x1 ), gg2 (x1) e gg4(x1 )
denidas em (4.39).
99
g(xf ) = g(xf )
i=1
r
X
i=1
i (xf )Bi :
Observac~ao 4 Por simplicidade de notac~ao, os termos ~f (xf ) e g(xf ) ser~ao denotados
apenas por ~f e g.
A soluca~o das LMIs da (4.61) fornece o erro de aproximaca~o para um conjunto abrangente
de valores de xf 2 , sendo a regi~ao de operac~ao. Assim o erro e obtido para cada elemento
deste conjunto de pontos.
Os erros calculados em (4.61) consideram o maior erro entre as aproximaco~es de f (xf ) e
g (xf ), para cada valor de xf . Ele pode ser determinado a partir das aproximac~oes realizadas
com j (xf ) obtidos de forma analtica, resolvendo o problema (4.23) ou por meio de LMIs,
resolvendo (4.56).
A denic~ao do erro na forma (4.61) e apropriada para averiguar o ponto em que ocorreu
o maior erro de aproximac~ao de todas as func~oes n~ao-lineares do sistema. Este erro sera
utilizado na determinaca~o dos pontos em que ser~ao inseridos novos modelos locais.
100
1. Regi~ao de operaca~o:
Dena a regi~ao de operaca~o , sendo um subconjunto fechado do R n.
2. Erro de modelagem:
Estabeleca o erro de modelagem maximo vmax desejado para a aproximaca~o, de acordo
com (4.21), (4.61) e (4.62).
3. Modelos locais nos extremos da regi~ao:
Utilize (3.30) e (3.45) para obter os modelos locais na origem, este ponto sera denominado p1 , e no extremo desta regi~ao, denominado p2. Considere (r = 2) e d = 2. Se
necessario, realize o deslocamento de coordenadas descrito na Sec~ao 3.4.
101
4. Funco~es de pertin^encia:
Com os modelos locais obtidos , determine os valores de j (xf ) j = 1; : : : ; r, para um
conjunto valores de xf entre p1 e pd. Resolva o problema (4.56), para obter os valores
de j (xf ), j = 1; : : : ; r por meio de LMIs, ou resolva o problema (4.28), para obter a
soluca~o analtica.
5. Aproximaco~es fuzzy.
Realize a aproximac~ao das func~oes do modelo de simulaca~o, fi(xf ) e gi(xf ) pelas
funco~es obtidas a partir do modelo fuzzy, ffi(xf ) e ggi(xf ), utilizando as func~oes de
pertin^encia obtidas no Passo 4, considerando:
ffi (xf ) =
ggi(xf ) =
j =1
r
j =1
j (xf )aTij xf ;
j (xf )gi (x0j )
Se a condica~o for satisfeita n~ao e necessario obter outros modelos locais e o processo
de aproximaca~o se encerra. Caso contrario, considere r = r + 1, d = d + 1.
7. Denic~ao do novo modelo local:
Se a condic~ao n~ao for satisfeita para algum ponto xf no intervalo, determine qual o
valor de xf em que se obteve o maior v (xf ). Este ponto sera denominado de pd .
Construa um novo modelo local no ponto xf = pd utilizando (3.30) e (3.45).
8. Renomeie os modelos locais de forma a ordena-los em ordem crescente.
Para o ponto p1 o modelo local permanece o mesmo, (A1; B1). Para o ponto pd, d = 3
que esta entre p1 e p2 o modelo local sera renomeado para (A2; B2). O ponto p2 que fora
nomeado como modelo (A2; B2) sera renomeado para modelo local (A3; B3). Apenas
os ndices s~ao alterados para efeito de organizac~ao e melhor compreens~ao do metodo.
102
9. Volte ao passo 4.
Uma justicativa para o Passo 7 e que, quando e inserido um novo modelo local em um
novo ponto de operaca~o utilizando (3.30) e (3.45), o erro de modelagem neste ponto torna-se
nulo e, na sua vizinhanca, e reduzido.
A seguir sera apresentado um exemplo ilustrativo de aplicac~ao do metodo.
Considere um funca~o hipotetica f (xf ), xf 2 R . Deseja-se obter a aproximac~ao fuzzy
desta funca~o no intervalo 0 xf tf .
1. Regi~ao de operaca~o: 0 xf xp
2. Erro de modelagem: vmax .
3. Modelos locais nos extremos da regi~ao:Utilize (3.45) para obter os modelos locais na
origem, este ponto sera denominado p1 , e no extremo desta regi~ao, xf = xp, denominado
p2 (xp = p2 ). Considere (r = 2) e d = 2.
f (x
p1
p2 x
Figura 4.27: Algoritmo de aproximac~ao: modelos locais nos extremos da regi~ao de operac~ao.
4. Funco~es de pertin^encia: Com os modelos locais obtidos , determine os valores de j (xf )
j = 1; : : : ; r, para um conjunto valores de xf entre p1 e p2 , resolvendo o problema (4.56),
se a soluc~ao for por LMIs, ou (4.28), se a soluc~ao for analtica.
A Figura 4.28 ilustra as func~oes 1(xf ) e 2 (xf ) entre os pontos p1 e p2 .
5. Aproximaco~es fuzzy: Realize a aproximac~ao das funco~es do modelo de simulac~ao, fi(xf )
pelas func~oes obtidas a partir do modelo fuzzy, ffi(xf ), utilizando as func~oes de per-
103
1 (x
2 (x
(x
0p1
p2 x
Figura 4.28: Algoritmo: exemplo de func~oes de pertin^encia 1(xf ) e 2(xf ) obtidos entre os
dois pontos extremos p1 e p2 com dois modelos locais.
tin^encia obtidas no Passo 4, considerando:
ffi (xf ) =
ggi (xf ) =
j =1
r
j =1
j (xf )aTij xf ;
j (xf )gi (x0j )
)
f (x
)
f (x
f
0p
)
p2 x
Figura 4.29: Algoritmo: aproximac~ao fuzzy para modelos locais nos extremos da regi~ao de
operac~ao.
6. Erro de modelagem: Obtenha o erro de modelagem, v (xf ) a partir de (4.61) e de
(4.62) para todos os valores de xf 2 no intervalo xf 2 [0; p2].
A condica~o v (xf ) vmax n~ao e satisfeita para o ponto xf = xd , como ilustrado na
Figura 4.30. Considere r = 3, d = 3.
7. Denic~ao do novo modelo local: Construa um novo modelo local no ponto xf = pd
utilizando (3.45). Veja a Figura 4.31.
104
(x
v
vmax
p1
p2 x
p1
p3
p2 x
Figura 4.31: Algoritmo: modelo local no ponto p3 onde ocorreu o maior erro de aproximac~ao
com dois modelos locais.
8. Renomeie os modelos locais de forma a ordena-los em ordem crescente.
Para o ponto p1 o modelo local permanece o mesmo, (A1; B1). Para o ponto p3 que
esta entre p1 e p2 o modelo local sera renomeado para (A2; B2). O ponto p2 que fora
nomeado como modelo (A2; B2) sera renomeado para modelo local (A3; B3), como
ilustra a Figura 4.32.
f (x
p1
p2
p3 x
105
1 (x
2 (x
(x
3 (x
p1
p3 x
p2
Figura 4.33: Algoritmo: func~oes de pertin^encia obtidas por meio de LMIs para tr^es modelos
locais.
Soluca~o analtica
Determine as funco~es de pertin^encia j (xf ) para j = 1; 2; 3 utilizando (4.28). Verique
se os valores destas func~oes satisfazem a restric~ao j (xf ) 2 [0; 1], j = 1; 2; 3 para todos
os valores de xf . Se a restric~ao for satisfeita, passe para o passo seguinte.
Caso contrario, estabeleca duas novas funco~es de pertin^encia entre p1 e p2 utilizando
(4.28), com r = 2 e 2(xf ) = 1 1(xf ), como mostra a Figura 4.34,
1 (x
2 (x
(x
0p1
p2
Figura 4.34: Algoritmo: func~oes de pertin^encia obtidas de forma analtica entre a origem e
o ponto p2 onde ocorreu o maior erro de aproximac~ao.
Em seguida, pela equac~ao (4.31) obtenha a outra parcela da func~ao de pertin^encia
2 (xf ) e a funca~o de pertin^encia 3 (xf ), entre p2 e p3 , como mostra a Figura 4.35.
106
2 (x
3 (x
(x
0p1
p2
p3 x
Figura 4.35: Algoritmo: func~oes de pertin^encia obtida de forma analtica entre o ponto p2 ,
onde ocorreu o maior erro de aproximac~ao e o ponto p3, extremo da regi~ao de operac~ao.
11. Aproximaca~o fuzzy utilizando os novos modelos locais. Com as novas func~oes de pertin^encia obtidas no Passo 10, obtenha a aproximac~ao do modelo de simulac~ao fi(xf )
pelas funco~es obtidas com modelos fuzzy, com
ffi (xf ) =
ggi (xf ) =
j =1
r
j =1
j (xf )aTij xf ;
j (xf )gi (x0j )
p1
p2
p3 x
107
0p
p4
p2
p3 x
(x
p1
p4 p3 x
p2
6
6
6
4
7
7
7
5
6
6
6
4
7
7
7
5
108
2 (x1 )
2 (x1 )
1 (x1 )
0.6
1 2 (x1 )
0.8
0.4
0.2
0
3
x1 (rad)
3
x1 rad,
; ] rad.
(4.65)
rad
109
1.5
10
(x1 )
15
f 4 (x 1 ); f
f2 (x1 ); f
0.5
(x1 )
10
0.5
15
3
(a)
0
1.5
x1 (rad)
3
(b)
0
x1 (rad)
(d)
x1 (rad)
1
0.18
0.8
g4(x1 ); g 4 (x1 )
0.16
0.4
0.2
g2 (x1 ); g 2 (x1 )
0.6
0
0.2
0.4
0.6
0.14
0.12
0.1
0.08
0.8
0.06
(c)
0
x1 (rad)
3
Figura 4.40: Aproximac~ao fuzzy: soluca~o por LMIs com dois modelos locais para o intervalo
x1 rad; (-) curvas do modelo de simulac~ao, (+) aproximaco~es com modelos fuzzy,
() representa os modelos locais .
7. Denic~ao do novo modelo local
Como a condica~o do item anterior n~ao foi satisfeita, um novo modelo local sera construdo utilizando (3.45) no ponto onde ocorreu o maior erro de aproximaca~o, ou seja,
em x1 = 106=180 rad:
0 1 0 0
0
7
:
7259
0
0
0
0
:
0418
A3 =
0 0 0 1 ; B3 = 0 :
0:2129 0 0 0
0:1012
2
6
6
6
4
7
7
7
5
6
6
6
4
7
7
7
5
6
6
6
4
7
7
7
5
6
6
6
4
7
7
7
5
O ponto x1 = rad que foi nomeado como modelo (A2; B2) em (4.63) sera renomeado
110
(x1 )
0.6
0.5
0.4
0.3
0.2
0.1
0
x1 (rad)
3
x1 rad, com
1
0
0
0
0
0
0
0
0
0
1
0
0
B3 = 0:1765
0
0:1176
3
7
7
7
5
6
6
6
4
7
7
7
5
(x1 )
0.8
0.6
0.4
0.2
0
3
x1 (rad)
3
x1 rad,
111
e ggi(xf ), i = 2; 4, sendo
ff 2 (x1 ) =
ff 4 (x1 ) =
gg2 (x1 ) =
gg4 (x1 ) =
e
10
(x1 )
15
f4 (x1 ); f
f2 (x1 ); f
10
0.5
15
3
(a)
0
1.5
x1 (rad)
3
0.18
0.8
0.16
g4(x1 ); g 4 (x1 )
0.6
0.4
0.2
g2 (x1 ); g 2 (x1 )
0.5
(x1 )
a211
a212
a213
b211
b212
b213
0
0.2
0.4
(b)
0
(d)
x1 (rad)
3
0.14
0.12
0.1
0.08
0.06
0.04
0.6
0.02
0.8
1
(c)
0
x1 (rad)
3
x1 (rad)
3
Figura 4.43: Aproximaca~o fuzzy: soluca~o por LMIs com tr^es modelos locais para o intervalo
x1 rad. (-) curvas do modelo de simulaca~o, (+) aproximaco~es com modelos fuzzy,
() representa os modelos locais .
O algoritmo sera reinicializado a partir do Passo 6. A seguir ser~ao apresentadas as evoluc~oes
das aproximaco~es das func~oes n~ao-lineares, dos erros de modelagem e das func~oes de pertin^encia. Para efeito de ilustrac~ao sera apresentado o processo de aproximac~ao a partir de
dois modelos locais.
112
15
10
10
(x1 )
15
f2 (x1 ); f
f2 (x1 ); f
10
2 modelos
x1 (rad)
3
15
10
10
(x1 )
15
x1 (rad)
3 modelos
0
5 modelos
0
x1 (rad)
7 modelos
x1 (rad)
(x1 )
f2 (x1 ); f
f2 (x1 ); f
15
3
10
10
15
15
3
4 modelos
x1 (rad)
3
15
10
10
(x1 )
15
f2 (x1 ); f
(x1 )
10
15
f2 (x1 ); f
(x1 )
10
10
15
15
3
6 modelos
0
x1 (rad)
3
15
f2 (x1 ); f
(x1)
10
10
15
3
8 modelos
0
x1 (rad)
3
Figura 4.44: Aproximaca~o fuzzy da curva f2(x1 ): soluca~o por LMIs para o intervalo
x1 rad. (-) curvas do modelo de simulaca~o, (+) aproximaco~es com modelos fuzzy, ()
representa os modelos locais.
113
1.5
(x1 )
1.5
f4 (x1 ); f
f4 (x1 ); f
0.5
2 modelos
0
3 modelos
5 modelos
0
7 modelos
1.5
(x1 )
1.5
x1 (rad)
3
0.5
0.5
f4 (x1 ); f
f4 (x1 ); f
0.5
1.5
x1 (rad)
0.5
1.5
0.5
4 modelos
0
1.5
x1 (rad)
3
1.5
(x1 )
1.5
x1 (rad)
3
0.5
0.5
f4 (x1 ); f
(x1 )
(x1 )
1.5
f4 (x1 ); f
0.5
0.5
(x1 )
0.5
1.5
0.5
6 modelos
0
x1 (rad)
1.5
8 modelos
x1 (rad)
3
1.5
0.5
f4 (x1 ); f
(x1)
0.5
1.5
x1 (rad)
3
Figura 4.45: Aproximaca~o fuzzy da curva f4(x1 ): soluca~o por LMIs para o intervalo
x1 rad. (-) curvas do modelo de simulaca~o, (+) aproximaco~es com modelos fuzzy, ()
representa os modelos locais.
114
1
0.8
0.6
0.6
g2(x1 ); g 2 (x1 )
1
0.8
0.4
0
0.2
0.4
0.6
0
0.2
0.4
0.8
3
2 modelos
0
x1 (rad)
3
3 modelos
5 modelos
0
7 modelos
1
0.8
0.6
0.6
g2(x1 ); g 2 (x1 )
1
0.8
0.4
0.2
g2 (x1 ); g 2 (x1 )
0.2
0.6
0.8
0
0.2
0.4
0.4
0.8
1
4 modelos
0
x1 (rad)
3
1
0.8
0.6
0.6
g2(x1 ); g 2 (x1 )
1
0.8
0.4
x1 (rad)
3
0.4
0.2
0.2
0.2
0.6
x1 (rad)
0.2
0.8
3
0.4
0.6
g2 (x1 ); g 2 (x1 )
0.4
0.2
g2 (x1 ); g 2 (x1 )
0
0.2
0.4
0
0.2
0.4
0.6
0.6
0.8
0.8
6 modelos
0
x1 (rad)
8 modelos
x1 (rad)
3
1
0.8
g2 (x1 ); g 2 (x1 )
0.6
0.4
0.2
0
0.2
0.4
0.6
0.8
1
x1 (rad)
3
Figura 4.46: Aproximaca~o fuzzy da curva g2(x1 ): soluca~o por LMIs para o intervalo
x1 rad. (-) curvas do modelo de simulaca~o, (+) aproximaco~es com modelos fuzzy, ()
representa os modelos locais.
115
0.18
0.18
0.16
g4(x1 ); g 4 (x1 )
0.14
g4 (x1 ); g 4 (x1 )
0.16
0.12
0.1
0.14
0.12
0.1
0.08
0.06
0.04
0.08
0.02
0.06
2 modelos
0
x1 (rad)
3
3 modelos
x1 (rad)
5 modelos
0
x1 (rad)
7 modelos
x1 (rad)
0.18
0.16
0.16
0.14
0.14
0.12
0.1
0.08
0.06
0.1
0.06
0.02
0.02
4 modelos
0
x1 (rad)
3
0.18
0.18
0.16
0.16
0.14
0.14
0.12
0.1
0.08
0.06
0.1
0.08
0.06
0.04
0.02
0.02
6 modelos
0
x1 (rad)
8 modelos
0.12
0.04
0.08
0.04
0.12
0.04
g4(x1 ); g 4 (x1 )
0.18
g4 (x1 ); g 4 (x1 )
g4(x1 ); g 4 (x1 )
g4 (x1 ); g 4 (x1 )
0.18
g4 (x1 ); g 4 (x1 )
0.16
0.14
0.12
0.1
0.08
0.06
0.04
0.02
0
x1 (rad)
3
Figura 4.47: Aproximaca~o fuzzy da curva g4(x1 ): soluca~o por LMIs para o intervalo
x1 rad. (-) curvas do modelo de simulaca~o, (+) aproximaco~es com modelos fuzzy, ()
representa os modelos locais.
116
0.4
0.2
0.2
2 modelos
0
4 3 2
0
3
x1 (rad)
3
2 3 4
0.6
3 modelos
0
5 4 3 2
x1 (rad)
3
2 3 4 5
0.6
0.4
0.4
0.2
0.2
0
3
0.8
(x1 )
(x1 )
0.8
4 modelos
0
6 5 4 3 2
0
3
2 3 4 56
(x1 )
0.6
76 543 2
5 modelos
0
x1 (rad)
3
23 4 56 7
0.6
0.4
0.4
0.2
0.2
0
3
0.8
0.8
(x1 )
0.6
0.4
0.8
0.6
0
3
(x1 )
(x1 )
0.8
6 modelos
0
0
3
x1 (rad)
3
7 6 5 4 3 2
7 modelos
0
2 3 4 5 6 7
x1 (rad)
3
(x1 )
0.8
0.6
0.4
0.2
x1 (rad)
8 modelos
Figura 4.48: Funco~es de pertin^encia: soluca~o por LMIs para o intervalo
0
4
x1 rad.
117
0.05
1
0.9
0.04
0.8
(x1 )
0.6
0.03
0.5
(x1 )
0.7
0.4
0.02
0.3
0.01
0.2
0.1
0
2 modelos
0
x1 (rad)
3
3 modelos
0
5 modelos
x1 (rad)
3
0.05
x 10
5
4.5
0.04
(x1 )
0.03
3
2.5
(x1 )
3.5
0.02
2
1.5
0.01
1
0.5
4 modelos
0
x1 (rad)
3
x 10
3.5
3.5
(x1 )
x 10
3
2.5
2.5
(x1 )
4.5
4.5
2
1.5
1.5
0.5
0.5
0
x1 (rad)
6 modelos
0
x1 (rad)
3
7 modelos
0
x1 (rad)
2
x 10
4.5
2.5
(x1 )
3.5
1.5
0.5
8 modelos
0
x1 (rad)
x1 rad.
118
Erro de modelagem
v com \j "
modelos locais
6
6
6
4
7
7
7
5
6
6
6
4
7
7
7
5
6
6
6
4
7
7
7
5
6
6
6
4
7
7
7
5
Aj
Bj
0 1 0 0
0
0:00 0 0 0
0:1765
1
0
0 0 0 1
0
0:00 0 0 0
0:1176
0 1 0 0
0
0
:
00
0
0
0
0
:
1765
2
= 3:1416
0 0 0 1
0
0:00 0 0 0
0:1176
0 1 0 0
0
7:7259 0 0 0
0:0418
3 106=180 = 1:8500
0 0 0 1
0
0:2129 0 0 0
0:1012
0 1 0 0
0
4:4527 0 0 0
0:1215
4 138=180 = 2:0485
0 0 0 1
0
0:3309 0 0 0
0:1090
0 1 0 0
0
11:5084 0 0 0
0:0522
5
70=180 = 1:2217
0 0 0 1
0
0:3936 0 0 0
0:1018
0 1 0 0
0
6:1121 0 0 0
0:0829
6 122=180 = 2:1293
0 0 0 1
0
0:3239 0 0 0
0:1044
0 1 0 0
0
7
:
7259
0
0
0
0
:
0418
7
90=180 = 1:5708
0 0 0 1
0
0:2129 0 0 0
0:1012
0 1 0 0
0
2:5102 0 0 0
0:1566
8 156=180 = 2:7227
0 0 0 1
0
0:2293 0 0 0
0:1143
Tabela 4.1: Modelos Locais e Erros de Modelagem para o intervalo
2
6
6
6
4
7
7
7
5
6
6
6
4
7
7
7
5
6
6
6
4
7
7
7
5
6
6
6
4
7
7
7
5
6
6
6
4
7
7
7
5
6
6
6
4
7
7
7
5
6
6
6
4
7
7
7
5
6
6
6
4
7
7
7
5
6
6
6
4
7
7
7
5
6
6
6
4
7
7
7
5
6
6
6
4
7
7
7
5
6
6
6
4
7
7
7
5
0.9618
0.0433
0.0250
0.0028
0.0023
0.0018
0.0008
x1 rad.
119
A Figura 4.44 apresenta a evoluca~o das aproximac~oes ff 2(x1 ) da funca~o n~ao-linear f2 (x1 )
iniciando com dois modelos locais completando a aproximac~ao com oito modelos locais.
A Figura 4.45 apresenta a evoluc~ao das aproximac~oes ff 4 (x1 ), da funca~o n~ao-linear f4 (x1 ).
A Figura 4.46 apresenta a evoluc~ao das aproximaco~es gg2(x1 ), da func~ao n~ao-linear g2(x1 ).
A Figura 4.47 apresenta a evoluc~ao das aproximac~oes gg4(x1 ), da func~ao n~ao-linear g4(x1 ).
A Figura 4.48 apresenta as funco~es de pertin^encia e a Figura 4.49 ilustra a evoluc~ao do
erro de modelagem.
A Tabela 4.1 apresenta os modelos locais e os valores dos erros de modelagem maximos
obtidos.
4.8.
Contribuico~es e Perspectivas
120
mas mostrou-se muito eciente quando comparado com um metodo de aproximac~ao exato
proposto em Taniguchi et al. (2001). Para obter uma aproximaca~o do p^endulo em uma
pequena regi~ao de operaca~o ([ =3; =3] rad), no metodo proposto foram utilizados dois
modelos locais. Para uma regi~ao de operaca~o mais abrangente ([ ; ] rad) foram utilizados
oito modelos locais. Para o metodo de aproximaca~o exata para qualquer uma das regi~oes
s~ao utilizados dezesseis modelos locais.
Embora o algoritmo tenha sido ilustrado para func~oes n~ao-lineares dependentes de uma
unica variavel (xf = x1), o metodo tambem se aplica para xf 2 R q , q > 1.
4.8
Contribuic~oes e Perspectivas
Captulo 5
Projeto de Reguladores com Modelos
Fuzzy Takagi-Sugeno
5.1 Introduc~ao
Denidos os modelos locais e as func~oes de pertin^encia, o proximo passo para o controle de
sistemas n~ao-lineares com modelos fuzzy consiste no projeto dos ganhos dos reguladores.
Em geral, os projetos dos reguladores s~ao obtidos a partir de condico~es de estabilidade
utilizando funco~es de Lyapunov e complementados por ndices de desempenho como taxa de
decaimento, restric~ao na entrada de controle e restric~ao na sada de controle dispostos em
forma de LMIs.
Para abordar o projeto de reguladores, inicialmente sera apresentado o metodo de projeto
que utiliza a representaca~o exata proposto em Taniguchi et al. (2001).
Em seguida ser~ao propostos dois metodos para o projeto dos ganhos. O primeiro metodo
considera um conjunto de pontos da regi~ao de operac~ao. Para cada ponto deste conjunto s~ao
determinados os valores das funco~es de pertin^encia e das normas do erro de aproximac~ao.
Este metodo, embora pouco convencional, permite que se utilize todas as informac~oes a
respeito do sistema. Nenhuma informaca~o e desprezada nos pontos considerados.
No segundo metodo as func~oes de pertin^encia participam de forma indireta do projeto
dos ganhos do regulador. Como no primeiro metodo, deni-se um conjunto de pontos da
regi~ao de operac~ao e determinam-se as func~oes de pertin^encia e as normas dos erros de aproximac~ao destes pontos. Em seguida especica-se o ponto onde ocorreram os maiores erros
de aproximaca~o. Apenas as normas destes erros s~ao consideradas no projeto do regulador.
A analise deste projeto e mais proxima das analises encontradas na literatura.
Comparac~oes de desempenho destes tr^es metodos de projeto s~ao feitas utilizando, como
exemplo, o p^endulo invertido.
Utilizou-se o conceito de Compensaca~o Distribuda Paralela (CPD) para projetar os re121
122
guladores fuzzy para estabilizar sistemas n~ao-lineares descritos por modelos fuzzy. A ideia e
projetar um compensador para cada regra do modelo fuzzy. Para cada regra, s~ao utilizadas
tecnicas de projeto de controle linear. O regulador fuzzy global resultante, que e n~ao-linear
em geral, e uma combinaca~o fuzzy de cada regulador linear individual. O regulador fuzzy
projetado compartilha os mesmos conjuntos de regras com o modelo fuzzy nas partes premissas.
Para os modelos fuzzy (2.10), sendo i = 1; 2; : : : ; r, os reguladores fuzzy via CDP possuem
a seguinte estrutura:
Regra i
(5.1)
Portanto, de forma analoga a efetuada na obtenc~ao de (2.11), o regulador fuzzy e dado por
r w i (x(t))F x(t)
i
i=1
u(t) =
r w i (x(t))
i=1
r
=
i (x(t))Fi x(t)
(5.2)
i=1
= F()x(t):
P
sendo = [1; : : : ; r ]T .
O objetivo do projeto do regulador fuzzy e determinar os ganhos de realimentaca~o locais
Fi nas partes consequentes. Para a lei de controle (5.2), a equaca~o (2.11) e dada por (5.3)
(Tanaka, Ikeda e Wang, 1998a), tendo em vista (2.13):
x_ (t)
=
=
sendo que
XX
i (x(t))j (x(t))fAi
i=1 j =1
r
X
i2 x
i=1
( (t))Gii x(t) + 2
r
i<j
i<j
BiFj gx(t)
i (x(t))j (x(t))
r
X X
i=1
Gij + Gji
x(t)
(5.3)
j =1
(i<j )
As condic~oes sucientes para a estabilidade de sistemas fuzzy contnuos no tempo s~ao obtidas
usando funco~es de Lyapunov quadraticas do tipo V (x(t)) = xT (t)Px(t) (Tanaka e Sugeno,
123
1992), (Pietrobom, 1999), (Teixeira, Pietrobom e Assunc~ao, 2000), (Kim e Lee, 2000),
(Teixeira, Assunca~o e Avellar, 2003). Os resultados basicos est~ao descritos abaixo.
Lema 3 O ponto de equilbrio x = 0 do sistema fuzzy contnuo descrito por (2.11) e assintoticamente estavel globalmente se existe uma matriz simetrica positiva denida comum P
tal que
ATi P + PAi < 0
para i = 1; 2; : : : ; r; isto e, para todos os subsistemas.
Prova:
1
0
A
A
A
A
A A
A
A
A
A
A
A
A
A
A
A A A
A
A
A
x1 (t)
Figura 5.1: Exemplo de um conjunto de 4 regras fuzzy: 1 (x1(t)), 2 (x1(t)), 3 (x1 (t)),
4 (x1 (t)) 2 [0; 1] e 1 (x1 (t)) + 2 (x1 (t)) + 3 (x1 (t)) + 4 (x1 (t)) = 1:
Observe que na Figura 5.1, 1 (x1(t))3 (x1 (t)) = 1(x1 (t))4 (x1 (t)) = 2(x1 (t))4 (x1(t)) =
0; 8 x1 (t) 2 R . A exist^encia deste fato tambem foi explorada no estudo da estabilidade,
como sera visto nos Lemas 4 e 5.
Lema 4 O ponto de equilbrio x = 0 do sistema de controle fuzzy contnuo descrito por
(5.3) e assintoticamente estavel globalmente se existe uma matriz simetrica positiva denida
comum P tal que
GTii P + PGii < 0
124
para todo i = 1; : : : ; r e
Gij + Gji
para todo i; j
0; 8 x(t).
P+P
Gij + Gji
0;
Prova:
1)Q < 0
(5.4)
para todo i = 1; : : : ; r e
Gij + Gji
para todo i; j
0; 8 x(t).
P+P
Gij + Gji
Q 0;
(5.5)
Prova:
E importante considerar n~ao apenas a estabilidade, mas tambem outros ndices de desempenho do sistema controlado tais como a velocidade de resposta e restric~oes de entrada e
125
sada. A velocidade de resposta esta relacionada com a taxa de decaimento , isto e, o maior
expoente de Lyapunov.
_ x(t)) < 0,
Considere uma candidata da funca~o de Lyapunov V(x(t)) = xTPx e que V(
_ x(t))
para todo x 6= 0. A taxa de decaimento , > 0, e obtida se a condic~ao V(
2 V(x(t)) (Tanaka, Ikeda e Wang, 1998a) e satisfeita para toda a trajetoria.
5.2.3 Restric~ao na Entrada
"
X MTi
Mi 2 I
0
(5.6)
(5.7)
s~ao satisfeitas (veja (Boyd et al., 1994) e (Tanaka, Ikeda e Wang, 1998a)), sendo X = P
e Mi = FiX.
"
X XCTi
Ci X 2 I
0
(5.8)
(5.9)
s~ao satisfeitas (veja (Boyd et al., 1994) e (Tanaka, Ikeda e Wang, 1998a)), sendo X = P 1.
126
A equaca~o (5.10) introduz o modelo reduzido com incertezas de modelo iAj (t) e iBk (t):
0 0
x_ (t) =
i=1
`ai;j
j =1
ij`
a
(i;j )
i=1
ik`
(x(t))aij`
b
i;k
UAij x(t)
(5.10)
b
(i;k)
a
(i;j )
0 0
(x(t))bik`
b
(i;k)
UBik u(t)
(5.11)
(5.12)
Portanto, o modelo fuzzy para a forma generalizada (5.10) pode ser escrito como
x_ (t) =
i=1
hi (x(t))(Ai + Dai (t)ai (t)Eai )x(t) + (Bi + Dbi (t)bi (t)Ebi )u(t);
(5.13)
sendo Ai 2 R nxn, Bi 2 R nxm, Dai 2 R nx1, Dbi 2 R nx1, Eai 2 R 1xn e Ebi 2 R 1xm .
Em (5.13), ai (t) e bi (t) s~ao elementos que representam as incertezas, sendo
ai (t) = iA0j0(t);
bi (t) = iB0k0 (t):
Dap , Dbp , Eap e Ebp s~ao matrizes conhecidas dadas por:
2
Dai = i0
6
6
6
6
6
6
6
6
6
6
6
6
4
0
...
0
1
0
...
0
7
7
7
7
7
7
7
7
7
7
7
7
5
6
6
6
6
6
6
6
6
6
6
6
6
4
Dbi = i0
0
...
0
1
0
...
0
7
7
7
7
7
7
7
7
7
7
7
7
5
6
6
6
6
6
6
6
6
6
6
6
6
4
ETai = j0
0
...
0
1
0
...
0
7
7
7
7
7
7
7
7
7
7
7
7
5
6
6
6
6
6
6
6
6
6
6
6
6
4
ETbi = k0
0
...
0
1
0
...
0
3
7
7
7
7
7
7
7
7
7
7
7
7
5
sistema.
A reduca~o que proporcionar a maior taxa de decaimento no controle sera efetivamente
utilizada.
127
Considere o sistema fuzzy com elementos de incertezas ai (t) e bi (t) denidos em (5.13)
sendo
jj (t)jj 1 ;
(5.14)
ai
ai
jjbi(t)jj 1 :
(5.15)
bi
Os termos ai e bi s~ao os limites superiores de jjai(t)jj e jjbi(t)jj e s~ao selecionados
considerando o limite superior de (5.11) e (5.12).
Para estabilizar o sistema fuzzy foi empregado o controlador CDP
u(t) =
i=1
(5.16)
X > 0; Y0 0;
S^ ii + (s 1)Y1 < 0;
^ ij 2Y2 < 0;
T
i<j
(5.17)
tal que hi \ hj 6= ;
sendo s > 1 e
$(Ai ; Bi; X; Mj ) = XATi + AiX
$(Aj ; Bj ; X; Mi ) = XATj
2
S^ ii =
6
6
6
6
6
6
4
+ Aj X
$(Ai ; Bi; X; Mi ) + 2t X
DTai
DTbi
Eai X
Ebi Mi
Bi Mj
MTj BTi ;
Bj Mi
MTi BTj ;
0
0 I
0 0
0 0
I
0
0
2ai I
0
0
0
0
2bi I
3
7
7
7
7
7
7
5
128
($(Ai; Bi; X; Mj )
+$(Aj ; Bj ; X; Mi) + 4t X)
DTai
I
T
Dbi
0
T
D
0
aj
^ ij =
T
DTbj
0
Eai X
0
Ebi Mj
0
Eaj X
0
Ebj Mi
0
2
6
6
6
6
6
6
6
6
6
6
6
6
6
6
6
6
6
6
4
Y1 = bloco diag ( Y0
Y2 = bloco diag ( Y0
0
I
0
0
0
0
0
0
0
0
I
0
0
0
0
0
0
0
0
I
0
0
0
0
0
0
0
0
2ai I
0
0
0
0
0
0
0
0
2bi I
0
0
0
0
0
0
0
0
2aj I
0
0
0
0
0
0
0
0
2bj I
7
7
7
7
7
7
7
7
7
7
7
7
7
7
7
7
7
7
5
0 0 0 0 );
0 0 0 0 0 0 0 0 ):
(5.18)
Exemplo 13
sujeito a
X > 0; Y0 0;
S^ ii + (s 1)Y1 < 0;
^ ij 2Y2 < 0;
T
i<j
(5.19)
tal que hi \ hj 6= ;
129
sendo s > 1 e
=
=
=
=
=
=
=
=
=
=
=
=
=
=
=
=
M1 X 1 = 105 [
M2 X 1 = 105 [
M3 X 1 = 105 [
M4 X 1 = 105 [
M5 X 1 = 105 [
M6 X 1 = 105 [
M7 X 1 = 105 [
M8 X 1 = 105 [
M9 X 1 = 105 [
M10 X 1 = 105 [
M11 X 1 = 105 [
M12 X 1 = 105 [
M13 X 1 = 105 [
M14 X 1 = 105 [
M15 X 1 = 105 [
M16 X 1 = 105 [
1:6454
2:1277
1:7529
2:2070
1:2371
1:5538
1:3308
1:6411
1:8721
2:2911
1:9657
2:3724
1:3485
1:6569
1:4415
1:7337
0:4331
0:5602
0:4614
0:5811
0:3256
0:4091
0:3503
0:4321
0:4928
0:6032
0:5174
0:6246
0:3549
0:4363
0:3794
0:4565
0:1317
0:1704
0:1404
0:1768
0:0990
0:1245
0:1066
0:1315
0:1499
0:1835
0:1574
0:1900
0:1080
0:1327
0:1154
0:1389
0:2704 ];
0:3498 ];
0:2881 ];
0:3628 ];
0:2033 ];
0:2555 ];
0:2187 ];
0:2698 ];
0:3077 ];
0:3767 ];
0:3231 ];
0:3900 ];
0:2216 ];
0:2724 ];
0:2369 ];
0:2851 ]:
6
6
6
4
7
7
7
5
130
Na pratica existe uma limitac~ao da entrada da entrada de controle e na sada de controle. Portanto, no projeto, e importante considerar n~ao somente a taxa de decaimento, mas
tambem a restric~ao na entrada e na sada de controle.
x1 (t)(rad)
x3 (t)(m)
1
0
4
10
10
0
0
5
x 10
4
u(t)(N)
2
0
2
0
Tempo(s)
Figura 5.2: Forma Generalizada. Respostas de x1 (t), x3(t), e u(t) com dezesseis modelos
locais para condica~o inicial x(0) = [0:96 0 0 0]T , intervalo 60=180 x1 60=180 rad e
considerando-se a taxa de decaimento maxima.
b) Estabilidade + Taxa de Decaimento + Restric~ao na Entrada de Controle
+ Restric~ao na sada de Controle
Maximize t e encontre as matrizes simetricas X, Y0 e matrizes Mj , j = 1; : : : ; 16,
sujeito a (5.19), (5.6), (5.7), (5.8), (5.9), com = 380, = 20, Cj = [0 0 1 0], j = 1; : : : ; 16
e x(0) = [0:96 0 0 0]T .
Note que 0:96 rad corresponde a 550. Este valor para condic~ao inicial foi escolhido porque
o metodo de representac~ao exata opera dentro de um intervalo especco onde s~ao denidos
os modelos locais.
131
x1 (t)(rad)
1
0.5
0
x3 (t)(m)
0.5
0
10
10
15
10
15
10
15
5
0
5
0
400
u(t)(N)
200
0
0
Tempo(s)
Figura 5.3: Forma Generalizada. Respostas de x1 (t), x3(t), e u(t) com dezesseis modelos
locais para condica~o inicial x(0) = [0:96 0 0 0]T ; intervalo 60=180 x1 60=180 rad e
considerando-se = 380 e = 20.
F1
F2
F3
F4
F5
F6
F7
F8
F9
F10
F11
F12
F13
F14
F15
F16
=
=
=
=
=
=
=
=
=
=
=
=
=
=
=
=
M1 X 1 =
M2 X 1 =
M3 X 1 =
M4 X 1 =
M5 X 1 =
M6 X 1 =
M7 X 1 =
M8 X 1 =
M9 X 1 =
M10 X 1 =
M11 X 1 =
M12 X 1 =
M13 X 1 =
M14 X 1 =
M15 X 1 =
M16 X 1 =
424:3823
395:1769
424:1494
394:7480
372:5314
359:0581
371:3648
359:7995
411:5427
386:2394
407:5548
386:2097
373:3998
360:1106
372:1238
360:1832
[
[
[
[
[
[
[
[
[
[
[
[
[
[
[
[
1:2391
1 = P = 0:3170
0:0388
0:1002
2
6
6
6
4
0:3170
0:0840
0:0103
0:0275
106:4767
107:3829
106:3069
107:5006
94:3146
94:9313
94:2558
95:6333
103:2861
103:2822
102:6961
103:9039
94:4489
95:3325
94:4157
96:1656
0:0388
0:0103
0:0043
0:0050
8:2149
8:7107
8:1895
8:8062
7:3175
7:6579
7:2847
7:9893
7:2269
7:5454
7:0570
7:7681
7:3542
7:7806
7:3195
8:2586
29:7576
28:4545
29:7638
28:7502
18:8560
19:2621
18:7165
20:0828
24:8619
23:4822
23:7410
24:3024
18:9887
19:6403
18:8460
20:8099
0:1002
0:0275 0:
0:0050
0:0150
3
7
7
7
5
];
];
];
];
];
];
];
];
];
];
];
];
];
];
];
]:
132
A Figura 5.3 mostra as respostas de x1 (t), x3 (t) e u(t). Pode ser vericado que maxjju(t)jj2 =
372 < (N ), maxjjx3 (t)jj2 = 5:58 < (m).
Exemplo 14
Deseja-se projetar os ganhos do regulador fuzzy para a regi~ao 70=180 x1 70=180 rad.
Os modelos locais que s~ao determinados utilizando (3.2), (3.22), (3.23) e (3.25) com
a211 = 17:2923;
a212 = 11:5084;
a411 = 0:3936; a412 = 1:7289;
b211 = 0:0522;
b212 = 0:1764;
b411 = 0:1176;
b412 = 0:1018:
As funco~es de pertin^encia s~ao denidas em (4.5), (4.6) e (4.7). A Figura 5.4 ilustra os
valores de hj (x(t)), j = 1; : : : ; 16.
Como pode ser vericado na Figura 5.4, n~ao existem hi ; hj , i; j = 1; 2; : : : ; 16 tal que
hi \ hj = 0.
Na Figura 5.5 s~ao ilustradas as func~oes n~ao-lineares f~21 (x1 )x1, f~41(x1 )x1 , g21 (x1 ) e g41(x1 )
do sistema de simulaca~o e suas respectivas aproximac~oes fuzzy f~f 21 (x1 )x1 , f~f 41 (x1 )x1 , gg21(x1 )
e gg41(x1 ), obtidas a partir da forma generalizada (4.4).
1
h (x1 )
0.8
0.6
0.4
0.2
0
1
0.5
0.5
x1 rad
1
= 1; : : : ; 16,
133
10
10
15
0.5
(a)
0
0.5
0.5
0.5
1.5
x1 (rad)
1
0.18
0.8
0.16
(x1 )
0.6
41
0.4
0.2
g41 (x1 ); g
21
(x1 )
g12 (x1 ); g
15
0
0.2
0.4
0.6
0.5
0.5
(b)
0
0.5
(d)
0.5
x1 (rad)
1
0.14
0.12
0.1
0.08
0.06
0.04
0.02
0.8
1
0.5
(c)
0
0.5
x1 (rad)
1
x1 (rad)
1
Figura 5.5: Aproximaca~o fuzzy com a forma generalizada com dezesseis modelos locais para
o intervalo 70=180 x1 70=180 rad; (-) curvas do modelo de simulaca~o, (+) aproximac~oes com modelos fuzzy, () representa a origem e os extremos da regi~ao de operac~ao.
Quando t = 0:25 = tmax , obtem-se pelo MATLAB as matrizes X e Mj , j = 1; : : : ; 16
que solucionam as LMIs acima. Foram obtidos os seguintes resultados:
1:5731 0:4133 0:0427 0:1664 ];
F1 = M1 X 1 = 105 [
1:7170 0:4512 0:0466 0:1817 ];
F2 = M2 X 1 = 105 [
1:6062 0:4220 0:0436 0:1699 ];
F3 = M3 X 1 = 105 [
1
5
1:7338 0:4557 0:0471 0:1835 ];
F4 = M4 X = 10 [
0:8696 0:2284 0:0236 0:0920 ];
F5 = M5 X 1 = 105 [
0:9537 0:2506 0:0259 0:1009 ];
F6 = M6 X 1 = 105 [
1
5
0
:9009 0:2367 0:0245 0:0953 ];
F7 = M7 X = 10 [
1
5
0:9817 0:2580 0:0267 0:1039 ];
F8 = M8 X = 10 [
1
5
1:7444 0:4583 0:0474 0:1845 ];
F9 = M9 X = 10 [
1:8579 0:4883 0:0505 0:1966 ];
F10 = M10 X 1 = 105 [
1
5
1:7721 0:4656 0:0481 0:1875 ];
F11 = M11 X = 10 [
1
5
1:8763 0:4931 0:0510 0:1985 ];
F12 = M12 X = 10 [
0:9382 0:2465 0:0255 0:0992 ];
F13 = M13 X 1 = 105 [
1:0193 0:2679 0:0277 0:1078 ];
F14 = M14 X 1 = 105 [
1
5
0:9708 0:2550 0:0264 0:1027 ];
F15 = M15 X = 10 [
1:0457 0:2748 0:0284 0:1106 ]:
F16 = M16 X 1 = 105 [
134
6
6
6
4
7
7
7
5
x1 (t)(rad)
1
0.5
0
x3 (t)(m)
0.5
0
6
10
12
10
12
0.5
Tempo(s)
1.5
2.5
4
2
0
0
5
x 10
2
u(t)(N)
1
0
1
0
Figura 5.6: Forma Generalizada. Respostas de x1 (t), x3(t), e u(t) com dezesseis modelos
locais para condica~o inicial x(0) = [0:96 0 0 0]T , intervalo 70=180 x1 70=180 rad e
considerando-se a taxa de decaimento maxima.
b) Estabilidade + Taxa de Decaimento + Restric~ao na Entrada de Controle
+ Restric~ao na Sada de Controle
Maximize t e encontre as matrizes simetricas X, Y0 e matrizes Mj , j = 1; : : : ; 16,
sujeito a (5.19), (5.6), (5.7), (5.8) e (5.9), com = 450, = 35, Cj = [0 0 1 0], j =
1; : : : ; 16 e x(0) = [0:96 0 0 0]T .
135
5.4. Projeto de Reguladores para Modelos Locais Otimos
Para as restrico~es de entrada = 450 e de sada = 35 n~ao foi possvel obter uma
soluc~ao factvel. A factibilidade das LMIs para uma entrada = 450 foi possvel somente
para = 90. Portanto, para estas restrico~es n~ao foi possvel projetar os ganhos do regulador.
c) Reduc~ao de Regras
N~ao foi possvel realizar a reduc~ao de regras para nenhum elemento n~ao-linear.
5.4 Projeto de Reguladores para Modelos Locais Otimos
Ser~ao apresentados dois metodos de projeto de reguladores que utilizam os modelos locais
_ (1999) e dados pela formula (3.45).
otimos denidos em Teixeira e Zak
Estes metodos de projeto ser~ao denominados: \Projeto 1" e \Projeto 2" e em ambos os
metodos ser~ao utilizadas as func~oes de pertin^encia denidas nas Seco~es 4.3.2 ou 4.3.3.
As condico~es sucientes para a estabilidade de sistemas fuzzy contnuos no tempo s~ao obtidas usando funco~es de Lyapunov quadraticas do tipo V(x(t)) = xT (t)Px(t), como efetuado
em (Tanaka e Sugeno, 1992).
Para a lei de controle (5.1), a equac~ao (2.11) e dada por (5.20)
x_ = f (x) + g(x)u
r
~
= f (x)x g(x) j (x)Fj x
X
i=1
j =1
i (x)(Aix Bi (
+(~f (x)
(g(x)
=
X
4
i=1
i=1
r
X
i=1
j (x)Fj x))
j =1
i (x)Ai)x
i (x)(Ai
i (x)Bi )(
Bi
j =1
+~f g
j =1
j (x)Fj x)
(5.20)
j (x)Fj )
r
j =1
j (x)Fj 5 x;
A ideia principal deste metodo e obter condico~es de estabilidade para projetar os ganhos
do regulador considerando a maior quantidade de informac~oes possveis do sistema. Para
isto, sera considerado um conjunto de pontos da regi~ao de operac~ao (x 2 ) e para cada
ponto deste conjunto ser~ao determinados os valores das func~oes de pertin^encia (obtidas com
136
5.4. Projeto de Reguladores para Modelos Locais Otimos
a soluc~ao do problema (4.23), soluc~ao analtica, ou do problema (4.56), soluc~ao por LMIs) e
dos erros de aproximaca~o (denidos em (4.62)) (Daruichi et al., 2003).
Os pontos deste conjunto podem ser escolhidos em intervalos igualmente espacados ou
espacados em intervalos diferentes, isto e, podem ser considerados mais pontos nas regi~oes
onde as n~ao-linearidades s~ao mais fortes e um numero reduzido de pontos nas regi~ao mais
linearizadas. Um caracterstica fundamental deste conjunto de pontos e que ele possibilite
uma boa representaca~o das funco~es n~ao-lineares na regi~ao de operaca~o.
O teorema a seguir apresenta as condic~oes de estabilidade para este metodo de projeto.
Teorema 2 O ponto de equilbrio x = 0 do sistema de controle fuzzy contnuo descrito por
(5.20) e globalmente e assintoticamente estavel se existirem uma matriz simetrica positiva
denida comum P e matrizes Fj , j = 1; 2; : : : ; r, tais que, para todo i (x) admissvel,
i = 1; 2; : : : ; r:
Qe1 ()
= [(
i=1
i (x)(ATi
+P(
i=1
j =1
j =1
i (x)(Ai
Bi(
j =1
j =1
(5.21)
j (x)Fj )] < 0:
V_ = x_ T Pxr + xT Px_
r
T
T
= x [( i(x)(Ai ( j (x)Fj )T BTi ))P + ~f T P
i=1
j =1
r
r
+P( i(x)(Ai Bi( j (x)Fj ))) + P~f
X
i=1
j =1
j (x)
FTj
)
gT P
j =1
Pg(
j =1
_ x(t)) <
Do Teorema 2, para uma candidata da func~ao Lyapunov V(x(t)) = xTPx ent~ao V(
_ x(t)) 2p1V(x(t))
0 se Qe1() < 0, sendo Qe1() dada em (5.21). Logo, a condic~ao V(
5.4. Projeto de Reguladores para Modelos Locais Otimos
137
i=1
+P(
i=1
j =1
j =1
i (x)(Ai
Bi (
j =1
j =1
(5.22)
sendo p1 > 0.
Portanto, a taxa de decaimento que pode ser encontrada usando uma func~ao de Lyapunov
quadratica e obtida multiplicando-se Qp1 por X pelo lado direito e esquerdo, sendo X = P 1,
e resolvendo-se o seguinte problema de otimizac~ao em X e p1:
Maximize p1 e encontre uma matriz simetrica X e matrizes Mj , j = 1; : : : ; r sujeito a
X > 0;
r
r
r
X
X
X
T
T
X( i (x)Ai ) ( j (x)Mj )( i (x)BTi ) + X~f T
i=1
j =1
i=1
r
r
r
X
X
X
+( i (x)Ai)X ( i(x)Bi)( j (x)Mj ) + ~f X
i=1
i=1
j =1
r
r
X
X
T
T
( j (x)Mj )g g( j (x)Mj ) + 2p1X < 0:
j =1
j =1
(5.23)
138
5.4. Projeto de Reguladores para Modelos Locais Otimos
meio de LMIs, com r = 2. Estas func~oes s~ao representadas pela Figura 4.12 ou pela Figura
4.21.
As aproximaco~es fuzzy para o sistema s~ao ilustras pela Figura 4.13 (ou pela Figura 4.22).
Na Figura 5.7 s~ao apresentados os valores de jjf (x1 )jj2 e jjg (x1 )jj2, denidos em (4.62)
para x1 2 [ 60=180; 60=180] rad. O conjunto de pontos foi denido em intervalos igualmente espacados de x = =180 rad. A Figura tambem apresenta os erros de modelagem
obtidos para os estes pontos.
4
0.015
x 10
4.5
4
3.5
3
2.5
(x1 )
0.01
0.005
1.5
1
0.5
0
1.5
0.5
(a)
0
0.5
x1 (rad)
1.5
0.5
(b)
0
0.5
x1 (rad)
1
Figura 5.7: (a) Erros de aproximac~ao: (+) jjf (x1 )jj2 e (-) jjg (x1 )jj2. (b) Erro de modelagem v (x1 ) para o intervalo 60=180 x1 60=180 rad, com dois modelos locais.
Para projetar o controlador fuzzy deve-se ter um modelo fuzzy que represente as din^amicas
da planta n~ao-linear. Portanto, primeiro representa-se o sistema pelo modelo fuzzy. Aqui
aproximou-se o sistema atraves das regras 1 e 2 e utilizou-se o controlador fuzzy correspondente:
Regra 1 : SE x1 (t) esta em torno de 0rad;
1 x(t) + B1 up (t)
ENTA~ O xy_ ((tt)) == A
C1 x(t)
up(t) = F1 x(t):
Regra 2 : SE x1 (t) esta em torno de 60=180rad;
2 x(t) + B2 up (t)
ENTA~ O xy_ ((tt)) == A
C2 x(t)
up(t) = F2 x(t):
(
a) Taxa de Decaimento
Quando p1 = 1:4 =
1max ,
M1
e M2 que
139
5.4. Projeto de Reguladores para Modelos Locais Otimos
4:1371
1 = P = 106 1:1350
0:8544
0:8398
2
6
6
6
4
1:1350
0:3114
0:2344
0:2304
0:8544
0:2344
0:1769
0:1736
;
;
0:8398
0:2304 0:
0:1736
0:1706
3
7
7
7
5
x1 (t)(rad)
1
0
1
x3 (t)(m)
2
0
4
10
2
0
2
0
5
x 10
2
u(t)(N)
1
0
1
0
Tempo(s)
Figura 5.8: Projeto 1. Respostas de x1 (t), x3 (t), e u(t) com dois modelos locais para condic~ao
inicial x(0) = [0:96 0 0 0]T , intervalo 60=180 x1 60=180 rad, e considerando-se a
taxa de decaimento maxima.
A Figura 5.8 mostra as respostas de x1(t), x3(t) e u(t), sendo maxjju(t)jj2 = 128650 (N ).
A entrada de controle possui valor muito elevado, visto que a restrica~o na entrada n~ao e
considerada no projeto de regulador fuzzy.
b) Estabilidade + Taxa de Decaimento + Restric~ao na Entrada de Controle
+ Restric~ao na Sada de Controle:
Maximize p1 e encontre a matriz simetrica X e matrizes M1 e M2 sujeito a X > 0,
140
5.4. Projeto de Reguladores para Modelos Locais Otimos
= 380, = 20,
Cj
= [0 0 1 0], j = 1; 2 e
6
6
6
4
7
7
7
5
x1 (t)(rad)
1
0.5
0
x3 (t)(m)
0.5
0
5
10
12
10
12
Tempo(s)
10
12
5
0
400
u(t)(N)
200
0
200
0
Figura 5.9: Projeto 1. Respostas de x1 (t), x3 (t), e u(t) com dois modelos locais para condic~ao
inicial x(0) = [0:96 0 0 0]T , intervalo 60=180 x1 60=180 rad e considerando-se
= 380 e = 20.
Exemplo 16
141
5.4. Projeto de Reguladores para Modelos Locais Otimos
2 (x1 )
0.9
0.7
1 2 (x1 )
2 (x1 )
1 (x1 )
0.8
0.6
0.5
0.4
0.3
0.2
0.1
0
1.5
0.5
0.5
x1 (rad)
1.5
Figura 5.10: Funco~es de pertin^encia para o intervalo 70=180 x1 70=180 rad, com
dois modelos locais; (-) soluc~ao analtica, () soluc~ao por LMIs .
As linhas contnuas representam o sistema de simulaca~o fi(x1 ) e gi(x1 ), com i = 2; 4, e
as linhas descontnuas s~ao as respectivas aproximaco~es fuzzy ffi (x1) e ggi(x1 ), i = 2; 4 dadas
em (4.39).
Na Figura 5.12 s~ao apresetados os valores de jjf (x1 )jj2 e jjg (x1)jj2, denidos em (4.62)
e o erro de modelagem v (x1 ), denido em (4.61) para x1 2 [ 70=180; 70=180]rad .
a) Taxa de Decaimento
1:3855
1 = P = 104 0:3891
0:1215
0:1913
2
6
6
6
4
0:3891
0:1093
0:0341
0:0537
0:1215
0:0341
0:0107
0:0168
0:1913
0:0537 0:
0:0168
0:0264
3
7
7
7
5
M1
e M2 que
142
1.5
10
(x1 )
15
f4 (x1 ); f
f2 (x1 ); f
0.5
(x1 )
5.4. Projeto de Reguladores para Modelos Locais Otimos
0.5
10
15
1.5
0.5
(a)
0
0.5
x1 (rad)
1
1.5
1.5
1.5
0.18
0.8
0.16
g4 (x1 ); g 4 (x1 )
0.4
0.2
0
0.2
0.4
(b)
0
0.5
x1 (rad)
1.5
0.5
(d)
0.5
x1 (rad)
1.5
0.12
0.1
0.08
0.06
0.04
0.6
0.02
0.8
1
1.5
0.5
0.14
g2 (x1 ); g 2 (x1 )
0.6
0.5
(c)
0
0.5
x1 (rad)
1
0
1.5
1.5
Figura 5.11: Aproximaca~o Fuzzy com dois modelos locais para o intervalo 70=180 x1
70=180 rad. (-) curvas do modelo de simulac~ao, (+) aproximaco~es com modelos fuzzy, ()
representa os modelos locais .
0.03
x 10
0.9
0.8
0.7
0.6
0.5
(x1 )
0.02
0.4
0.01
0.3
0.2
0.1
0
1.5
0.5
(a)
0
0.5
x1 (rad)
1.5
0.5
(b)
0
0.5
x1 (rad)
Figura 5.12: (a) Erros de aproximaca~o: (+) jjf (x1 )jj2 e (-) jjg (x1 )jj2. (b) Erro de modelagem v (x1 ) para o intervalo 70=180 x1 70=180 rad com dois modelos locais.
143
5.4. Projeto de Reguladores para Modelos Locais Otimos
x1 (t)(rad)
x3 (t)(m)
1
0
4
10
15
2
0
2
0
5
x 10
4
u(t)(N)
0.1
0.2
10
0.3
0.4
0.5
2
0
2
0
Tempo(s)
Figura 5.13: Projeto 1. Respostas de x1 (t), x3 (t), e u(t) com dois modelos locais para condic~ao inicial x(0) = [0:96 0 0 0]T , intervalo 70=180 x1 70=180 rad e considerando-se
a taxa de decaimento maxima.
A Figura 5.13 mostra as respostas de x1 (t), x3 (t) e u(t), sendo maxjju(t)jj2 = 24104 (N ).
b) Estabilidade + Taxa de Decaimento + Restric~ao na Entrada de Controle
+ Restric~ao na Sada de Controle:
Maximize p2 e encontre a matriz simetrica X e matrizes M1 e M2 sujeito a X > 0,
(5.23), (5.6), (5.7) (5.8) e (5.9), com = 450, = 35 Cj = [0 0 1 0], j = 1; 2 e
x0 = [0:96 0 0 0]T .
(5.24)
6
6
6
4
7
7
7
5
144
5.4. Projeto de Reguladores para Modelos Locais Otimos
x1 (t)(rad)
1
0.5
0
x3 (t)(m)
0.5
0
10
10
15
10
15
10
15
5
0
5
0
500
u(t)(N)
500
0
Tempo(s)
Figura 5.14: Projeto 1. Respostas de x1 (t), x3 (t), e u(t) com dois modelos locais para condic~ao inicial x(0) = [0:96 0 0 0]T , intervalo 70=180 x1 70=180 rad e considerando-se
= 450 e = 35.
5.4.2 Projeto 2
A ideia central deste metodo projeto e utilizar apenas os erros maximos de aproximac~ao
obtido na regi~ao de operac~ao.
Novamente, como no metodo de projeto anterior, sera considerado um conjunto de pontos
da regi~ao de operac~ao e para cada ponto deste conjunto ser~ao determinados os valores das
func~oes de pertin^encia (obtidas com a soluca~o do problema (4.23), soluca~o analtica, ou do
problema (4.56), soluca~o por LMIs) e dos erros de aproximac~ao (denidos em (4.62)).
Entretanto, ao inves de utilizar todas as informac~oes referentes a todos os pontos do
conjunto sera considerado no projeto dos ganhos do regulador apenas o valores das normas
dos maiores erros de aproximaca~o obtidos.
Para obter as condico~es de estabilidade ser~ao realizadas algumas manipulac~oes matematicas e majoraco~es de forma que o projeto dos ganhos dependa apenas dos valores
maximos dos erros. Formas semelhantes desta analise matematica s~ao encontras na literatura (Chen et al., 1999) e o mesmo tipo de manipulaca~o foi aplicado em Taniguchi et al. (2001).
A diferenca fundamental entre o metodo \Projeto 2" e o metodo proposto em Taniguchi et al.
(2001) e o tratamento dado ao erro de modelagem.
O teorema a seguir apresenta as condico~es de estabilidade para este metodo de projeto.
145
5.4. Projeto de Reguladores para Modelos Locais Otimos
ATi P + ATj P + PAi + PAj FTj BTi P PBi Fj FTi BTj P PBj Fi
+2jj~f jj22max + 4PP + FTi jjgjj22maxFi + FTj jjgjj22maxFj < 0;
i < j tal que hi \ hj 6= ;:
(5.26)
2Q
(5.27)
=
=
i=1
r
j =1
r
X
i=1
r
X
i=1
i (x)
j =1
j (x)Zij x
r
X
Z + Zji
i (x)2 Zii x + 2 i (x)j (x) ij
x
(
i<j
sendo
Zii = Ai
Zij = Ai
Bi Fi + ~f
gFi ;
Bi Fj + ~f gFj
146
5.4. Projeto de Reguladores para Modelos Locais Otimos
i=1
XX
xT
V_
i=1
r
X
i=1
r
i=1
r
i=1
(5.30)
X
i (x)2 xT (ZT P + PZii )x + 2 i (x)j (x)xT Qx
ii
i<j
1)
i=1
i (x)2 xT Qx
1)Q)x
i (x)2 xT Qe2 x:
1)Q 0 8i;
em (5.31), tem-se:
Bi Fj + ~f
gFj
(5.31)
147
5.4. Projeto de Reguladores para Modelos Locais Otimos
Qe2
ATi P + PAi
ATi P + PAi
1)Q
Logo, se
ATi P + PAi
(5.32)
_ x(t)) < 0
Do Teorema 3, para uma candidata da func~ao Lyapunov V(x(t)) = xTPx ent~ao V(
se (5.26) e (5.27) s~ao satisfeitas.
_ x(t)) 2p2V(x(t)) (Tanaka, Ikeda e Wang, 1998a) para toda
Logo, a condica~o V(
trajetoria e satisfeita para
ATi P + PAi
(5.33)
ATi P + ATj P + PAi + PAj FTj BTi P PBiFj FTi BTj P PBj Fi 2Q
(5.34)
+2jj~f jj22max + 4PP + FTi jjgjj22maxFi + FTj jjgjj22maxFj + 4p2P < 0
sendo p2 > 0.
Multiplicando (5.33) e (5.34) do lado esquerdo e direito por P 1 e denindo X = P 1,
tem-se:
(5.35)
(5.36)
148
5.4. Projeto de Reguladores para Modelos Locais Otimos
6
4
7
5
Wij
6
6 X
6
4 Mi
Mj
2
sendo
f
=
=
=
jj
g
jj
Wii
Wij
X
MTi MTj
0:5f 2I 0 0
0 g 2 I 0
0
0 g 2I
3
7
7
7
5
> 0;
$(Ai ; Bi ; X; Mi)
1
gmax
jj2 ;
jj2 ;
Exemplo 17
149
5.4. Projeto de Reguladores para Modelos Locais Otimos
M1
e M2 que
6
6
6
4
7
7
7
5
1:4013
0:3923
0:0669
0:1341
0:3923
0:1106
0:0184
0:0372
0:0669
0:0184
0:0068
0:0087
0:1341
0:0372 0:
0:0087
0:0183
3
7
7
7
5
0,
150
5.4. Projeto de Reguladores para Modelos Locais Otimos
x1 (t)(rad)
10
12
x3 (t)(m)
1
0
4
2
0
10
u(t)(N)
2
0
5
x 10
2
1
0
1
0
0.5
1.5
Tempo(s)
Figura 5.15: Projeto 2. Respostas de x1 (t), x3 (t), e u(t) com dois modelos locais para condic~ao inicial x(0) = [0:96 0 0 0]T , intervalo 60=180 x1 60=180 rad e considerando-se
a taxa de decaimento maxima.
x1 (t)(rad)
1
0.5
0
x3 (t)(m)
0.5
0
5
10
12
10
12
Tempo(s)
10
12
5
0
600
u(t)(N)
400
200
0
200
0
Figura 5.16: Projeto 2. Respostas de x1 (t), x3 (t), e u(t) com dois modelos para condic~ao
inicial x(0) = [0:96 0 0 0]T , intervalo 60=180 x1 60=180 rad e considerando-se
= 380 e = 20.
151
5.4. Projeto de Reguladores para Modelos Locais Otimos
A Figura 5.16 mostra a resposta de x1 (t), x3 (t) e u(t). Pode ser vericados que as
respostas satisfazem as restric~oes maxjju(t)jj2 = 414:6 < (N ) e maxjjx3 (t)jj2 = 4:62 <
(m).
Exemplo 18
F2 = 105
23:9437
6:9199 0:
1:2748
2:5276
e u(t). Pode ser vericado que
3
7
7
7
5
152
5.4. Projeto de Reguladores para Modelos Locais Otimos
x1 (t)(rad)
1
0.5
0
x3 (t)(m)
0.5
0
4
10
12
10
12
2
0
2
0
5
x 10
2
u(t)(N)
1
0
1
0
Tempo(s)
Figura 5.17: Projeto 2. Respostas de x1 (t), x3 (t), e u(t) com dois modelos para condic~ao
inicial x(0) = [0:96 0 0 0]T , intervalo 70=180 x1 70=180 rad e considerando-se a
taxa de decaimento maxima.
b) Estabilidade + Taxa de Decaimento + Restric~ao na Entrada de Controle
+ Restric~ao na Sada de Controle
Maximize p2 e encontre a matriz simetrica X e matrizes M1 e M2 sujeito a X >
(5.37), (5.8) e (5.9), com = 35, = 450, Cj = [0 0 1 0], j = 1; 2 e x0 = [0:96 0 0 0]T .
0,
Para as restrico~es de entrada = 450 e de sada = 35 n~ao foi possvel obter uma soluc~ao
factvel. Portanto, para estas restrico~es n~ao foi possvel projetar os ganhos do regulador.
Uma soluca~o para este problema e inserir um novo modelo local no ponto onde ocorreu o
maior erro de modelagem x1 = 48=180 rad O problema de projeto dos ganhos do regulador
para tr^es modelos locais e denido a seguir:
Maximize p2 e encontre a matriz simetrica X e matrizes M1 , M2 e M3 sujeito a X > 0,
(5.37),(5.6), (5.7), (5.8) e (5.9), com = 35, = 450, Cj = [0 0 1 0], j = 1; 2; 3 e
x0 = [0:96 0 0 0]T .
153
5.4. Projeto de Reguladores para Modelos Locais Otimos
x1 (t)(rad)
1
0.5
0
x3 (t)(m)
0.5
0
4
10
12
10
12
2
0
2
0
600
u(t)(N)
400
200
0
200
0
Tempo(s)
Figura 5.18: Projeto 2. Respostas de x1 (t), x3 (t), e u(t) com tr^es modelos para condic~ao
inicial x(0) = [0:96 0 0 0]T , intervalo 70=180 x1 70=180 rad e considerando-se
= 450 e = 35.
A soluca~o e obtida quando p2 = 0:14:
354:1352 96:9399 5:3548 16:0512 ];
F1 = M1 X 1 = [
1
418:9455 117:9631 6:1981 18:2869 ];
F2 = M1 X = [
559:4880 163:6720 8:7526 28:5556 ];
F3 = M1 X 1 = [
1:4537 0:4244 0:0342 0:0908
0:4244 0:1246 0:0098 0:0261 0:
X 1=P=
0:0342 0:0098 0:0019 0:0031
0:0908 0:0261 0:0031 0:0089
A Figura 5.18 mostra a resposta de x1 (t) x3 (t) e u(t). A resposta do sistema satisfaz as
restric~oes maxjju(t)jj2 = 439 < (N ) e maxjjx3 (t)jj2 = 3:8 < (m).
A Tabela 5.1 apresenta um resumo dos ndices de desempenho obtidos nos Exemplos
(13), (15) e (17).
A Tabela 5.2 apresenta um resumo dos ndices de desempenho obtidos nos Exemplos
(14), (16) e (18). A Tabela 5.2 tambem apresenta os resultados obtidos para a resposta
transitoria com tr^es modelos locais para o Exemplo (18).
2
6
6
6
4
7
7
7
5
5.4. Projeto de Reguladores para Modelos Locais Otimos
154
Metodos Resposta
de Projeto Transitoria
ts (s) I (N ) O (N ) I (m) O (m) ts (s)
Exato
(16 modelos) 0:5 4
380 372:0 20 5:58 0:02 8
Projeto 1
(2 modelos) 1:4 2
380 376:8 20 4:45 0:31 6
Projeto 2
(2 modelos) 1:1 3
380 414:6 20 4:62 0:26 6
Tabela 5.1: Indices de Desempenho para o intervalo 60=180 x1 60=180 rad e
x0 = [0:96 0 0 0]T ; sendo que I e I s~ao os valores impostos das restrico~es de entrada e
sada e 0 e 0 s~ao os valores obtidos, respectivamente; ts e o tempo de estabelecimento; e
e a taxa de decaimento
Metodos
de Projeto
Resposta
Transitoria
ts (s)
I (N ) O (N ) I (m) O (m)
ts (s)
Exato
(16 modelos) 0:25 3:5 450
35
Projeto 1
(2 modelos) 0:70 4:5 450 443:6 35 5:71 0:19
8
Projeto 2
(2 modelos) 0:39 6:0 450
35
Projeto 2
(3 modelos) 0:75 5:5 450 439:0 35
3:8 0:14
6
Tabela 5.2: Indices de Desempenho para o intervalo 70=180 x1 70=180 rad e
x0 = [0:96 0 0 0]T ; sendo que I e I s~ao os valores impostos das restrico~es de entrada e
sada e 0 e 0 s~ao os valores obtidos, respectivamente; ts e o tempo de estabelecimento; e
e a taxa de decaimento.
155
As linhas tracejadas na Tabela 5.2 indicam que n~ao foi possvel obter resultados com as
restric~oes impostas.
Pela Tabela 5.2, verica-se que o segundo metodo, \ Projeto 2 ", apresentou resultados
infactveis para o intervalo 70=180 x1 70=180 rad com dois modelos locais, para as
restric~oes impostas. Isto ocorreu porque o erro de modelagem maximo obtido na aproximaca~o
com dois modelos locais, apresentado na Figura 5.12 e muito grande. A inclus~ao de um novo
modelo local no ponto x1 = 48=180 rad reduziu o erro de modelagem e possibilitou o
projeto dos ganhos do regulador.
Entretanto, os ndices de desempenho do metodo de aproximaca~o exata, mostram que
o intervalo, 70=180 x1 70=180 rad, tambem e crtico para este metodo. Para as
restric~oes impostas, n~ao foi possvel obter os ganhos do regulador.
Para o intervalo 60=180 x1 60=180 rad foi possvel obter melhores ndices de
desempenhos do que o metodo de representac~ao exata, como mostra a Tabela 5.1
Para o metodo \Projeto 1" osndices de desempenho para os dois intervalos considerados
foram melhores em relaca~o aos outros dois metodos.
156
projetar o ganhos dos reguladores satisfazendo as restric~oes de entrada e sada com os tr^es
metodos. Foram utilizados dois modelos locais para os metodos \Projeto 1" e \Projeto 2".
Para o metodo de representac~ao exata, utilizou-se dezesseis modelos locais. N~ao foi possvel
projetar os ganhos com nenhum tipo de reduc~ao.
O segundo exemplo foi para o intervalo 70=180 x1 70=180 rad . Com dois
modelos locais foi possvel projetar os ganhos do regulador e impor restric~oes como taxa de
decaimento, restric~oes no controle da entrada e da sada para o metodo \Projeto 1".
Para o segundo metodo de projeto proposto, \Projeto 2", que e obtido de forma similar
ao proposto em Taniguchi et al. (2001), os resultados foram mais restritivos. Para esta regi~ao
de trabalho, n~ao foi possvel projetar os ganhos atendendo a restrica~o de entrada imposta,
com dois modelos locais. Para superar este problema um novo modelo local foi inserido
no ponto onde ocorreu o maior erro de modelagem. A inclus~ao deste novo modelo local
diminuiu os erros de aproximaca~o e viabilizou o projeto dos ganhos do regulador atendendo
as restrico~es de entrada e sada impostas.
Para o metodo proposto em Taniguchi et al. (2001), n~ao foi possvel realizar o projeto
com as restric~oes impostas. Neste exemplo, tambem n~ao foi possvel obter a reduc~ao de
regras para nenhum elemento n~ao-linear.
Portanto, com os metodos propostos foi possvel obter ndices de desempenho superiores
ao metodo de aproximaca~o exata proposto Taniguchi et al. (2001), para o exemplo estudado
e com as restric~oes impostas, com um numero menor de modelos locais.
Vericou-se que, para os intervalos desejados, as funco~es de pertin^encia obtidas de forma
analtica ou por meio de LMIs s~ao coincidentes e podem ser armazenadas ou representadas
por uma funca~o polinomial utilizando, por exemplo, o software Matlab. Nas simulac~oes do
sistema foram utilizadas representaco~es polinomiais de quarta ordem.
Com os resultados resta responder a seguinte quest~ao: \Como um metodo de representac~ao aproximada pode produzir ndices de desempenho superiores a um metodo de representac~ao exata?".
A resposta a esta pergunta pode ser simples: a modelagem exata utiliza 2s modelos locais
e modela uma classe de sistemas mais ampla do que a considerada. Este fato ocorre porque
para este metodo, os modelos locais s~ao calculados a partir dos valores extremos das func~oes
no intervalo de operaca~o considerado, ou seja, s~ao considerados somente os valores maximos
e mnimos das funco~es n~ao-lineares da planta.
Para os modelos locais apresentados em Teixeira e Z_ ak (1999), e utilizados nos metodos
de projeto propostos, s~ao utilizadas mais informac~oes sobre o sistema nos pontos de denic~ao
5.6.
Contribuico~es e Perspectivas
157
dos modelos locais, como os valores das func~oes n~ao-lineares e gradientes destas func~oes (veja
a equac~ao (3.45)). Desta forma, os modelos locais s~ao obtidos de forma mais elaborada e
permitem projetar os reguladores com melhores ndices de desempenho.
Outro resultado a ser observado e desempenho obtido com do metodo \Projeto 2". No
segundo exemplo de projeto com este metodo foi possvel vericar a in
u^encia que um novo
modelo local posicionado no ponto onde ocorreu o maior erro de modelagem pode acarretar
no projeto dos ganhos. Se as restric~oes de projeto n~ao fossem satisfeitas com tr^es modelos,
novos modelos locais deveriam ser includos ate que fossem obtidos os ndices desejados.
Ent~ao, deve-se atentar ao fato de que o numero de novos modelos locais pode, em alguns
casos, crescer consideravelmente, podendo se igualar ao numero de modelos do metodo de
representaca~o exata.
Nos exemplos estudados, os metodos propostos permitiram projetar os ganhos com um
numero reduzido de modelos.
5.6
Contribuic~oes e Perspectivas
Captulo 6
Conclus~oes
O problema de modelagem e controle de sistemas n~ao-lineares representados por modelos
fuzzy Takagi-Sugeno foi abordado. Novos metodos para se determinar os modelos locais,
func~oes de pertin^encia e projeto de reguladores foram apresentados.
A primeira parte do trabalho enfocou a modelagem de sistemas n~ao-lineares. Foram
estudados dois metodos de modelagem descritos na literatura. O primeiro foi um metodo
de representac~ao exata proposto em Taniguchi et al. (2001) e o segundo, um metodo de
modelagem utilizando modelos locais otimos, proposto em Teixeira e Z_ ak (1999).
Varios pesquisadores t^em utilizado a formula que determina os modelos locais lineares
descritos em Teixeira e Z_ ak (1999), o que motivou um estudo mais aprofundado sobre estes
modelos. Algumas propriedades da formula que determina os modelos locais foram exploradas e um novo metodo para se determinar os modelos locais foi proposto. O procedimento
para se obter os novos modelos consiste em se acrescentar novos graus de liberdade ao sistema, uma especie de pre-compensac~ao. Os resultados e simulaco~es apresentados mostram
que aproximaca~o obtida nas vizinhancas do ponto de operac~ao com o novo metodo, e melhor
do a obtida com os modelos locais originais, utilizando o metodo apresentado em Teixeira e
Z_ ak (1999). Estes resultados preliminares nos levam a seguinte conjetura: se a aproximac~ao
dos modelos locais abrange uma regi~ao maior do sistema ent~ao um numero menor de modelos locais e necessario para representar este sistema. Estudos sobre os benefcios destes
novos modelos est~ao sendo realizados, inclusive a sua aplicac~ao em sistemas que n~ao sejam
representados por modelos fuzzy.
Ainda relacionado com a modelagem, foram concebidas novas func~oes de pertin^encia.
Estas funco~es combinam os modelos locais e s~ao responsaveis pelo grau de ader^encia do
modelo fuzzy ao modelo de simulac~ao. Assim, na determinac~ao destas funco~es foi elaborado
um problema de otimizaca~o onde buscou-se minimizar o erro entre as func~oes do modelo de
simulac~ao e sua representac~ao fuzzy. Os modelos locais utilizados na determinac~ao destas
158
159
func~oes foram os modelos propostos em Teixeira e Z_ ak (1999). A soluc~ao para este problema
foi obtida de forma analtica e por meio de soluco~es de LMIs. A soluca~o analtica n~ao
considera todas as restrico~es impostas pelo problema que determina as func~oes. Logo, o
problema n~ao foi resolvido por completo. Estudos mais avancados est~ao sendo realizados
com o intuito de resolver o problema considerando todas restrico~es. Entretanto, a soluc~ao
obtida ate o momento foi suciente para resolver o problema proposto para controlar o
p^endulo invertido. A soluc~ao por LMIs considera todas as restrico~es do problema e utiliza
um conjunto abrangente de pontos na regi~ao de operaca~o da planta. Vericou-se ainda
que, para as duas soluc~oes, as funco~es de pertin^encia obtidas foram id^enticas nos exemplos
estudados (a modelagem de um p^endulo invertido com dois modelos locais).
Uma vez denido como obter os modelos locais e as func~oes de pertin^encia para combinalos, resta ainda estabelecer em quais pontos do sistema ser~ao extrados os modelos locais.
Este e um dos aspectos mais importantes da modelagem fuzzy porque, em geral, depende do
conhecimento do projetista sobre a din^amica do sistema.
Um algoritmo para determinar a localizac~ao dos pontos dos quais ser~ao extrados os modelos locais foi apresentado. O algoritmo consiste basicamente em se determinar os modelos
nos pontos em que ocorrer o maior erro de modelagem. Este erro de modelagem e denido a
partir de um problema de otimizac~ao, descrito por LMIs, que minimiza o erro de aproximaca~o
das funco~es n~ao-lineares do sistema. O algoritmo se inicia com a aproximaca~o da regi~ao de
operac~ao com os modelos locais denidos nos extremos desta regi~ao. Naturalmente este e
um algoritmo heurstico, que pode n~ao ser o otimo, mas esta de acordo com os princpios
basicos da teoria fuzzy com modelos TS, que e o de eliminar os modelos locais das regi~oes
onde as n~ao linearidades s~ao mais fracas e acrescentar modelos onde as n~ao-linearidades
s~ao mais fortes. Um exemplo de aproximac~ao utilizando o algoritmo foi ilustrado. Apenas as funco~es n~ao-lineares do p^endulo invertido foram utilizadas como exemplo. A regi~ao
proposta na ilustrac~ao serviu apenas para demonstrar os passos do algoritmo. Vericouse que para representar as func~oes do p^endulo invertido para o intervalo [ ; ] rad com
uma boa precis~ao (menor que 1e-3), foram necessarios oito modelos locais. Nas ilustrac~oes
apresentadas, vericou-se que os modelos locais realmente se concentram nas regi~oes onde
as n~ao-linearidades est~ao mais caracterizadas. Para o metodo de representac~ao exata, para
representar a mesma regi~ao s~ao necessarios dezesseis modelos locais.
Outro exemplo ilustrado para o intervalo [ 106=180; 106=180] rad utiliza tr^es modelos
locais para se obter uma boa representaca~o de todas func~oes n~ao-lineares, enquanto que para
o metodo de representaca~o exata, para se obter uma boa aproximac~ao de todas as func~oes,
160
s~ao ainda necessarios dezesseis modelos locais.
Na segunda parte do trabalho abordou-se o projeto de reguladores fuzzy. Utilizando-se
o conceito de Compensaca~o Distribuda Paralela e condic~oes de estabilidade usando func~oes
de Lyapunov foram propostos dois metodos de projeto de reguladores.
No primeiro metodo, obteve-se os modelos locais utilizado (3.45) e deniu-se um conjunto
abrangente de pontos da regi~ao de operaca~o das componentes do vetor de estado que fazem
parte das n~ao-linearidades do sistema (os pontos deste conjunto devem ser escolhidos de
forma a representar adequadamente as func~oes n~ao-lineares do sistema e das func~oes de
pertin^encia). Ent~ao, determinou-se o erro de aproximac~ao para cada ponto deste conjunto.
O regulador e projetado considerando todos os pontos denidos e seus respectivos erros de
aproximaca~o. Nenhuma informaca~o e desprezada e n~ao e feito nenhum tipo de majorac~ao
na manipulaca~o da func~ao de Lyapunov. Desta forma, as func~oes de pertin^encia participam
diretamente da determinac~ao dos ganhos do regulador.
No segundo metodo, o projeto do regulador foi desenvolvido considerando-se as regras
ativas. Na obtenca~o dos ganhos do regulador, foi utilizada apenas a norma do erro no ponto
onde ocorreu o maior erro de aproximaca~o. Este metodo e desenvolvido de forma similar ao
proposto em Taniguchi et al. (2001). Mas, ele e simplicado e possui um numero menor de
LMIs, pois, por exemplo, para as func~oes de pertin^encia, obtidas por LMIs ou por soluc~ao
analtica, i(x):j (x) = 0 8 x 2 Rn, para j 6= i 1; i e i + 1.
Dois exemplos de projeto de reguladores ilustraram o desempenho do metodo de representac~ao exata e dos metodos propostos. No primeiro exemplo, foi considerada a regi~ao
x1 2 [ 60=180; 60=180] rad.
Para esta regi~ao os metodos propostos apresentaram, com dois modelos locais e sob as
mesmas restrico~es do controle da entrada e da sada, taxas de decaimento maiores que as
obtidas com o metodo de representac~ao exata proposto em Taniguchi et al. (2001) (com
dezesseis modelos locais).
No segundo exemplo, foi considerada a regi~ao x1 2 [ 70=180; 70=180] rad, que e uma
regi~ao extrema de controle para o sistema estudado, utilizando-se dois modelos locais.
Para o primeiro metodo proposto, foi possvel realizar o projeto dos ganhos do regulador,
com dois modelos locais, taxa de decaimento e restrica~o na entrada e na sada de controle.
Para o segundo metodo, com dois modelos, n~ao foi possvel realizar o projeto com as
restric~oes desejadas. Para resolver o problema foi inserido um novo modelo local no ponto
onde ocorreu o maior erro de modelagem. Ent~ao, com tr^es modelos locais, foi possvel obter
os ganhos do regulador atendendo as restric~oes de entrada e sada de controle.
161
Os resultados obtidos com o segundo metodo, \Projeto 2", reforcam a ideia de que a
precis~ao com que e feita a aproximaca~o do sistema com modelos fuzzy ao modelo de simulaca~o
pode ser t~ao boa quanto desejada e isto e feito com a inclus~ao de novos modelos locais. O
algoritmo desenvolvido no Captulo 4 e uma das soluc~oes possveis para se determinar onde
incluir estes novos modelos locais. A inclus~ao de novos modelos pode, em alguns casos, fazer
com que o numero de modelos cresca consideravelmente podendo se igualar ao numero de
modelos do metodo de representac~ao exata.
Para os exemplos analisados, que utilizam uma representaca~o aproximada do sistema,
os metodos de projeto propostos apresentaram melhores ndices de desempenho do que o
metodo de representaca~o exata, com um numero menor de modelos locais. Isto ocorreu
porque os modelos locais, utilizados nos metodos propostos, s~ao obtidos considerando mais
informac~oes sobre o sistema nos pontos de denic~ao dos modelos locais (como exemplo, o valor das funco~es n~ao-lineares e dos gradientes nestes pontos) do que o metodo de representac~ao
exata, que obtem os modelos considerando apenas os extremos das funco~es e modela uma
classe mais ampla de sistemas do que a considerada. Alem disso, o numero de restric~oes
(e consequentemente de LMIs) a serem satisfeitas pelo metodo de representaca~o exata e
consideravelmente maior do que nos metodos propostos.
Por simplicidade, todos os exemplos desenvolvidos consideraram funco~es n~ao-lineares
dependentes de uma unica variavel. Esta escolha foi proposital e util para ilustrar, de forma
simples, os topicos abordados. No entanto, os modelos locais e as funco~es de pertin^encia
podem ser obtidos a partir de func~oes dependentes de varias variaveis, sem qualquer restric~ao.
O mesmo ocorre para o projeto dos reguladores, desde que os sistemas a serem controlados
pertencam a classe de sistemas especicada, ou seja, que possa ser representado na forma
(5.20).
162
Func~oes de Pertin^encia
1. Obter uma soluc~ao analtica completa para o problema que determina as func~oes
de pertin^encia.
2. Desenvolver um novo conjunto de funco~es de pertin^encia a partir dos novos modelos locais obtidos com os novos graus de liberdade.
Projeto de Reguladores
Ap^endice A
Construindo o Modelo de Simulac~ao
Nesta seca~o, e apresentado um modelo de simulaca~o de um sistema n~ao-linear conhecido
como p^endulo invertido. Esta modelagem foi extrada do artigo Teixeira e Z_ ak (1999).
Na obtenca~o deste modelo verdadeiro foram utilizadas as leis de Newton, de uma forma
similar ao modelo obtido em Kwakernaak e Sivan (Kwakernnak e Sivan, 1972), e Ogata
(Ogata, 1997), onde os modelos linearizados do p^endulo invertido foram desenvolvidos. Uma
forma alternativa, usando o metodo de D'Alembert, pode ser encontrado em Cannon (1967,
Sec~ao 22.4). Ent~ao este modelo e usado para construir o modelo de projeto fuzzy. Um
diagrama de um p^endulo invertido sobre um carro, e mostrado na Figura A.1:
pp
pp ~
m
l
s
r
r
M
164
angular da haste da posic~ao vertical e denotado por = (t).
A massa do carro e denotada por M , enquanto que a massa da haste e m. O comprimento
da haste e l, e seu centro de gravidade e o seu centro geometrico. A forca de controle aplicada
no carro e denominada por u. Assume-se que a roda do carro n~ao deslisa.
A forca de fricca~o da roda do carro sobre o trilho e dada por
fc = csign(_x);
(A.1)
sendo c o coeciente de fricca~o do carro. Friedland (Friedland, 1996, pagina 201) refere-se
a este modelo de fricca~o como o modelo de fricc~ao classico de Coulomb.
Considere (xG; yG) como as coordenadas do centro de gravidade da haste. Ent~ao
xG = x + l sin()
(A.2)
yG = l cos():
A seguir ser~ao descritas as equaco~es do sistema. A equaca~o que descreve o movimento
de rotaca~o da haste sobre seu centro de gravidade e obtida aplicando a vers~ao rotacional
da segunda Lei de Newton. Somando os momentos sobre o centro de gravidade da haste,
obtem-se
d2
J 2 = V l sin() Hl cos();
(A.3)
dt
sendo
l
J = r2 dm = ml2 =3:
(A.4)
l
A equaca~o que descreve o movimento horizontal do centro de gravidade da haste e obtida
aplicando a segunda lei de Newton ao longo do eixo x
(
d2
m 2 (x + l sin()) = H:
dt
(A.5)
= H:
(A.6)
(A.7)
mg:
=V
mg:
(A.8)
165
Finalmente, aplicando a segunda lei de Newton para o carro
d2 x
M 2 = u H fc :
(A.9)
dt
Substituindo (A.9) em (A.6) obtem-se
mx + ml cos() ml_2 sin() + fc = u M x:
(A.10)
Substituindo agora a equac~ao (A.8) e (A.9) em (A.3), ent~ao
J = mg ml_2 cos() ml sin() l sin() + fc l cos()
(u M x) l cos():
(A.11)
A seguir, substitui-se u M x de (A.10) em (A.11) e desenvolvendo as manipulac~oes
obtem-se
J = mgl sin() ml2 mxl cos():
(A.12)
Considere
1 :
a=
m+M
Ent~ao, pode-se representar (A.10) como
x = mal cos() + mal_2 sin() afc + pu:
(A.13)
Substituindo (A.13) em (A.12) obtem-se
mgl sin() m2 l2 a_2 sin(2)=2 + mal cos()fc mal cos()u
:
(A.14)
=
J m2 l2 a cos2 () + ml2
Considere x1 = e x2 = _. Usando a express~ao para J , dada por (A.4), pode-se
representar (A.14) na forma de espaco de estado como a seguir
x_ 1 = x2
sin(2x )=2+a cos(x )f
x_ 2 = g sin(x ) mlax
(A.15)
4l=3 mla cos (x )
2
2
mal cos(x1 )u
m2 l2 a cos2 (x1 ) :
1
4ml2 =3
3
7
7
7
5
2
6
6
6
6
6
4
2
2
2
2
2
7
7
7
7
7
5
6
6
6
6
4
1
2
7
7
7
7
5
166
A equaca~o (A.17) tambem pode ser representada por
2
6
6
6
4
sendo
x_ 1
x_ 2
x_ 3
x_ 4
7
7
7
5
6
6
6
6
4
x2
g sin(x )
4l=3 mla cos (x )
x4
maa sin(2x )=2
4=3 ma cos (x )
1
1
2
7
7
7
7
5
6
6
6
6
4
4l=3
a cos(x1 )
mla cos2 (x1 )
4=3
4a=3
ma cos2 (x1 )
3
7
7
7
7
5
up
(A.18)
(A.19)
Em todos os exemplos desta tese ser~ao considerados: g=9,8 m=s2 , M=8kg, m=2kg,
l=0.5m.
Ap^endice B
Construindo o Modelo de Projeto
Os pontos de equilbrio de um sistema din^amico s~ao os pontos do espaco de estados, tais
que, se o sistema for abandonado nestes pontos em t = t0, ele permanecera nestes pontos
para t > t0 . Em problemas de controle, normalmente deseja-se trabalhar o mais proximo
possvel do ponto de operaca~o, (outro nome de um ponto de equilbrio).
Por exemplo, no caso de estabilizac~ao de uma planta n~ao linear, constroi-se um controlador, partindo de uma condica~o inicial arbitraria em alguma vizinhanca do ponto de
operac~ao, a trajetoria do sistema de malha convergira para o ponto de operaca~o. Por outro
lado, se o ponto inicial coincide com o ponto de operac~ao, espera-se que a trajetoria do sistema de malha fechada permanecera neste ponto por todo o tempo subsequ^ente. A descrica~o
acima sup~oe, naturalmente, que um ponto de operac~ao deve ser um estado de equilbrio
assintoticamente estavel do sistema de malha fechada.
O modelo de projeto e construdo a partir do modelo de simulac~ao. Para isto, uma descric~ao matematica do processo em termos do modelo verdadeiro e uma descrica~o lingustica
do processo s~ao utilizadas para obter o modelo de projeto fuzzy. O modelo de projeto fuzzy
e da forma de um modelo fuzzy TS. Os componentes essenciais deste modelo s~ao os modelos locais lineares. Estes modelos locais lineares descrevem o comportamento din^amico
da planta em seus diferentes pontos de operac~ao. A seguir sera mostrado que, usando uma
aproximaca~o de linearizac~ao usual para construir modelos locais, pode-se obter em um modelo de projeto fuzzy diferente do que o projetista tinha em mente. Por exemplo, suponha
que o modelo verdadeiro da planta tenha a forma:
x_ = f (x) + G(x)u:
(B.1)
Por simplicidade de notaca~o, considere F (x; u) = f (x) + G(x)u. Ent~ao, pode-se representar o modelo (B.1) como
x_ = F (x; u):
(B.2)
167
168
Expandindo F por meio da serie de Taylor em torno de (x0 ; u0) obtem-se
x_
= F (x0 ; u0 ) +
@ F ??
?
@x ? ux
?
=x0
=u0
(x
x0 ) +
@ F ??
?
@ u ? ux
?
=x0
=u0
(u u0 )
(B.3)
(B.4)
Para escrever as express~oes do o segundo e terceiro termos de (B) como as func~oes de f
e G, considere gij como sendo o elemento (i,j) da matriz G. Ent~ao,
@ F ??
?
@x ? ux
?
=x0
=u0
@ f ??
?
@x ?x=x
?
+ H (x0 ; u0 );
(B.5)
k=1
Finalmente,
@xj
@ F ??
?
@ u ? ux
?
=x0
=u0
?
?
?
?
?
x=x0
u=u0
= G(x0 ):
(B.6)
Um ponto (xT0 ; uT0 )T 2 R n+m e um ponto de equilbrio de (B.2) se F (x0; u0) = 0, isto e,
se em (x0; u0), tivermos x_ = 0. Considere x = x x0 e u = u u0. Note que
dx0
dt
= 0:
u=u0
?
?
?
?
? =
0
u=u0
Para construir o modelo de projeto o primeiro passo e gerar modelos locais lineares
que descrevem o comportamento da planta em pontos selecionados no espaco de estados.
E natural costruir primeiro um um modelo local linear que descreve o comportamento da
planta em torno do estado de equilbrio x = 0. Pode-se obter o primeiro modelo local linear
usando a tecnica de linearizaca~o descrita acima. O modelo resultante e dado por
x_ = A1 x + B1 u:
169
A seguir, constroi-se modelos locais lineares que descrevam o comportamento da planta nos
outros pontos de operac~ao remanescentes.
Suponha que x = xj seja o proximo ponto de interesse. O resultado da lineariac~ao de
Taylor do modelo n~ao linear em torno de um ponto de operaca~o, que n~ao e um ponto de
equilbrio do sistema, e um modelo am, n~ao e um modelo linear.
Mesmo quando o ponto considerado e um ponto de equilbrio diferente de (x0 ; u0) =
(0; 0), a linearizaca~o pelas series de Taylor, em geral, n~ao fornecer~ao modelo locais lineares.
Realmente, suponha que o ponto de operac~ao (xj ; uj ) seja um ponto de equilbrio, isto e
f (xj ) + G(xj )uj = 0:
(B.8)
xj ) + Bj (u
uj )
(B.9)
(B.10)
(Aj xj + Bj uj ) :
(B.11)
O termo (Aj xj + Bj uj ) n~ao tem que ser igual a zero, e consequentemente o modelo (B.11)
n~ao e um modelo linear, ou seja, ele e um modelo am. A analise apresentada neste ap^endice
_ (1999).
tem como base os resultados descritos em Teixeira e Zak
Ap^endice C
Propriedades Matematicas
1. Produto da diferenca
(A B)T (A
AT B + BT A
AT B + BT A
Portanto,
B)
=
=
AT A AT B BT A + BT B
AT A + BT B (A B)T (A B)
AT A + BT B:
p
sendo jj~f T jj2max e jjgT jj2max os valores maximos das normas Euclidianas de ~f T e
gT , respectivamente, na regi~ao de operac~ao.
170
Ap^endice D
Complemento de Schur
A ideia basica do complemento de Schur diz que a LMI (VanAntwerp e Braatz, 2000):
Q(x) S(x)
S(x)T R(x) > 0;
sendo que Q(x) = Q(x)T , R(x) = R(x)T e S(x) t^em uma depend^encia am de x, e equivalente a:
R(x) > 0 e Q(x) S(x)R(x) 1 S(x)T > 0:
()) Suponha que:
Q(x) S(x)
(D.1)
S(x)T R(x) > 0
e dena:
T
u :
Q(x) S(x)
(D.2)
F(u; v ) = uv
T
v
S(x) R(x)
Ent~ao
F(u; v ) > 0; 8[u; v ] 6= 0
(D.3)
Considere, inicialmente, u = 0. Ent~ao:
"
"
"
#"
"
Adote, agora,
Ent~ao,
Suponha que:
8 v 6= 0 ) R(x) > 0:
v = R(x) 1 S(x)T u;
com u 6= 0:
171
(D.4)
172
Fixando-se u e otimizando-se em termos de v F(u; v) denido em (D.2), obtem-se:
rv F T = 2R(x)v + 2S(x)T u = 0
(D.5)
(D.6)
Desde que (Q(x) S(x)R(x) 1S(x)T ) > 0, o mnimo de F(u) ocorre para u = 0, que
tambem implica que v = 0. Ent~ao, o mnimo de F(u; v) ocorre em (0; 0) e e igual a zero.
Portanto, F(u; v) > 0; 8[u; v] 6= 0, isto e,
Q(x) S(x)
S(x)T R(x) > 0:
"
^
REFERENCIAS
BIBLIOGRAFICAS
174
^
REFERENCIAS
BIBLIOGRAFICAS
175
^
REFERENCIAS
BIBLIOGRAFICAS
176
Farinwata, S. S. (1993). Stability analysis of the fuzzy logic controller designed by the phase
portrait assignment algorithm, Proceeding of the 2nd International Conference on Fuzzy
Systems, pp. 1377{1382.
Farinwata, S. S. (1999). A robust stabilizing controller for a class of fuzzy systems, Proceeding
of the 38th IEEE Conference on Decision and Control, Phoenix-Arizona, pp. 4355{4360.
Fayaz, A. M. (1999). On the Sugeno-Type fuzzy observers, Proceedings of the 38th IEEE
Conference on Decision and Control, Phoenix-Arizona, pp. 4828{4833.
Feng, G., Cao, S. G., Rees, N. W. e Chak, C. K. (1997). Design of fuzzy control systems
with guaranteed stability, Fuzzy Sets and Systems 85: 1{10.
Feng, G. e Ma, J. (2001). Quadratic stabilization of uncertain discrete-time fuzzy dynamic
systems, IEEE Transactions on Circuits and Systems - I Fundamental Theory and
Applications 48(11): 1337{1344.
Filev, D. (1991). Fuzzy modeling of complex systems, International Journal Approximate
Reasoning, Vol. 5, pp. 281{290.
Filev, D. P. e Yager, R. R. (1997). Learning celibate fuzzy models, Proceedings 7th IFSA
World Congress, Prague-Czech Republic, pp. 422{427.
Fink, A., Fischer, M., Nelles, O. e Isermann, R. (2000). Supervision of nonlinear adaptive
controllers based on fuzzy models, Control Engineering Practice 8: 1093{1105.
Fischer, M., Nelles, O. e Isermann, R. (1998). Adaptive predictive control of a heat exchanger
based on fuzzy model, Control Engineering Practice 6: 259{269.
Frank, P. M. e Kiupel, N. (1993). Fuzzy supervision and application to lean production,
International Journal System Science 24: 1935{1944.
Friedland, B. (1996). Advanced Control Systems Design, Prentice-Hall, New Jersey-USA.
Gazi, V. e Passino, K. M. (2000). Direct adaptive control using dynamic structure fuzzy
systems, Proceedings of the IEEE Conference on Decision and Control, Chicago-Illinois,
pp. 1954{1958.
Graham, B. P. e Newell, R. B. (1989). Fuzzy adaptive control of a rst-order process, Fuzzy
Sets and Systems 31: 47{65.
^
REFERENCIAS
BIBLIOGRAFICAS
177
Gu, Y., Wang, H. O. e Tanaka, K. (2001). Fuzzy control of nonlinear time-delay systems:
Stability and design issues, Proceedings of the 2001 American Control Conference, Arlington, pp. 25{27.
Guillaume, S. (2001). Designing fuzzy inference systems from data: An interpretabilityoriented review, IEEE Transactions on Fuzzy Systems 9: 426{443.
Guo, S., Shieh, L., Chen, G. e Lin, C. (2000). Eective chaotic orbit tracker: a predictionbased digital redesign approach, IEEE Transactions on Circuits and Systems-I Fundamental Theory and Application 47(11): 1557{1570.
Hadjili, M. L., Wertz, V. e Scorletti, G. (1998). Fuzzy model-based predictive control,
Proceedings of the 37th IEEE Conference on Decision and Control, Tampa-Florida,
pp. 2927{2929.
Hara, F. e Ishibe, M. (1992). Simulation study on the existence of limit cycle oscillation
in a fuzzy control system, Proceedings of the Korea-Japan Joint Conference on Fuzzy
Systems and Engineering, pp. 25{28.
Hirota, K. A., Arai, A. e Hachisu, S. (1989). Fuzzy controlled robot arm playing twodimensional ping-pong game, Fuzzy Sets and Systems 32(2): 149{159.
Hong, S. K. e Langari, R. (2000). An LMI-based H1 fuzzy control system design with TS
framework, Information Sciences 123: 163{179.
Hsiao, F. H. e Hwang, J. D. (2001). Stability analysis of fuzzy large-scale systems, IEEE
Transactions on Systems, Man, and Cybernetics- Part B 32(1): 122{126.
Huaguang, Z. e Bien, Z. (1998). Multivariable fuzzy generalizes predictive control approach
and its performance analysis, Proceedings of the American Control Conference, Philadelphia, pp. 2276{2280.
Ichtev, A., Hellendoorn, J. e Babuska, R. (2001). Fault detection and isolation using multiple
Takagi-Sugeno fuzzy model, Proceedings of the 10th IEEE International Conference on
Fuzzy Systems pp. 1498{1502.
Inoue, H., Kamei, K. e Inoue, K. (1995). Auto-generation of fuzzy production rules using
hyper-cone membership function by genetic algorithm, Proceedings International Joint
Conference CFSA/IFIS/SOFT'95, pp. 53{58.
^
REFERENCIAS
BIBLIOGRAFICAS
178
Prentice Hall PTR, Upper Saddle
^
REFERENCIAS
BIBLIOGRAFICAS
179
^
REFERENCIAS
BIBLIOGRAFICAS
180
Kim, K., Joogseon, J., Langari, R. e Kwon, W. (1999). LMI-based design of T-S fuzzy
controllers Using fuzzy estimator, Proceedings of the 38th IEEE Conference on Decision
and Control, Phoenix-Arizona, pp. 4343{4348.
Kim, S., Cho, Y. e Park, M. (1996). A multirule-base controller using the robust property
of a fuzzy controller and its design method,, IEEE Transactions on Fuzzy Systems
4: 315{327.
Kim, S. e Han, J. (1997). The design of sliding mode controller with nonlinear sliding
surfaces, Proceedings of ICASE, Vol. 3, Seoul-Korea, pp. 36{41.
Kim, S. W., Kim, E. T. e Park, M. (1996). A new adaptive fuzzy controller using the parallel
structure of fuzzy controller and its application, Fuzzy Sets and Systems 81: 205{226.
Kiriakidis, K. (1999a). Takagi-Sugeno fuzzy modeling and control unmodeled dynamics
and robustness, Proceedings of the 38th IEEE Conference on Decision and Control,
Phoenix-Arizona, pp. 4361{4363.
Kiriakidis, K., Grivas, A. e Tzes, A. (1998). Quadratic stability analysis of the Takagi-Sugeno
fuzzy models, Fuzzy Sets and Systems 98: 1{14.
Kitamura, S. e Kurozumi, T. (1991). Extended circle criterion and stability analysis of fuzzy
control systems, Proceedings of the International Fuzzy Engineering Symposium.'91,
Vol. 2, pp. 634{643.
Kong, G. S. e Kosko, B. (1992). Adaptive fuzzy systems for backing up a truck-and-trailer,
IEEE Transactions Neural Networks 3: 211{223.
Korba, P. e Frank, P. (2000). An applied optimization-based gain-scheduled fuzzy control,
Proceedings of the American Control Conference, Chicago-Illinois, pp. 3383{3387.
Kosko, B. (1997). Fuzzy engineering, Upper Saddle River, New Jersey 07458: Prentice-Hall,
USA.
Kwakernnak, H. e Sivan, R. (1972). Linear Optimal Control Systems, Wiley, New York.
Langari, R. e Tomizuka, M. (1990). Analysis and synthesis of fuzzy linguistic control systems,
Proceedings ASME Winter Annual Meeting, pp. 35{42.
Lee, H., Kang, E. K. H. J. e Park, M. (1998). Design of a sliding mode controller with fuzzy
sliding surfaces, IEEE Proceedings Control Theory Application, Vol. 145, 5, pp. 411{418.
^
REFERENCIAS
BIBLIOGRAFICAS
181
Lee, K. R., Lee, J. H., Jeung, E. T., Yun, H. O. e Park, H. B. (1999). Observer-based
fuzzy H1 control for uncertain nonlinear systems with time delays, Proceedings of the
American Control Conference, San Diego- California, pp. 1269{1273.
Lee, T. S., Chen, Y. H. e Chuang, J. (1998). Fuzzy modeling and uncertainty-based control
for nonlinear systems, Proceedings of the American Control Conference, PhiladelphiaPennsylvania, pp. 2088{2092.
Leith, D. J. e Leithead, W. E. (1999). Analytic framework for blended multiple model
systems using local linear models, International Journal Control 72: 605{619.
Li, J., Niemann, D., Wang, H. O. e Tanaka, K. (1998). Multiobjective dynamic feedback control of Takagi-Sugeno model via LMIs, Proceedings 4th Joint Conference of Information
Science, Vol. 1, Durham, pp. 159{162.
Li, J., Wang, H. O., Niemann, D. e Tanaka, K. (1999). Synthesis of gain-scheduled controller
for a class of LPV Systems, Proceedings 38th IEEE Conference on Decision and Control,
Phoenix, pp. 2314{2319.
Li, J., Wang, H. O., Niemann, D. e Tanaka, K. (2000). Dynamic parallel distributed compensation for Takagi-Sugeno fuzzy systems: an LMI approach, Information Sciences
123: 201{221.
Lin, C. T., Juang, C. F. e Li, C. P. (2000). Water bath temperature control with a neural
fuzzy inference network, Fuzzy Sets and Systems 111: 285{306.
Ljung, L. (1999). System identication: theory for the user, 2nd ed, Prentice Hall.
Ma, X. J., Sun, Z. Q. e He, Y. Y. (1998). Analysis and design of fuzzy controller and fuzzy
observer, IEEE Transactions on Fuzzy Systems 6(1): 41{51.
Mamdani, E. H. e Assilian, S. (1975). An experiment linguistic synthesis with a fuzzy logic
controller, International Journal Man Mach Studies 7(1): 1{13.
Marin, J. P. e Titli, A. (1995). Necessary and sucient conditions for quadratic stability
of a class of Takagi-Sugeno fuzzy systems, Proceeding of EUFIT, Aachen-Germany,
pp. 786{790.
Marin, J. P. e Titli, A. (1997). Robust quadratic stabilizability of nonhomogeneous Sugeno's
systems ensuring completeness of the closed-loop system, Proceeding IEEE International
Conference Fuzzy Systems, Barcelona-Spain, pp. 185{192.
182
^
REFERENCIAS
BIBLIOGRAFICAS
Marullo, A., Pollini, L., Giulietti, F. e Innocenti, M. (2001). Dierential inclusion stability analysis of fuzzy gain-scheduling controlled systems, Proceedings of the American
Control Conference, Arlington, pp. 4777{4781.
Matko, D., Biasizzo, K. K., Skrjanc, I. e Music, G. (2000). Generalized predictive control
of a thermal plant using fuzzy model, Proceedings of the American Control Conference,
Chicago-Illinois, pp. 2053{2057.
Mollov, S., Boom, T. V. D., Cuesta, F., Ollero, A. e Babuska, R. (2002). Robust stability
constraints for fuzzy model predictive control, IEEE Transactions of Fuzzy Systems
10(1): 50{64.
Mourot, G., Gasso, K. e Ragot, J. (1999). Modeling of ozone concentrations using a TakagiSugeno model, Control Engineering Practice 7: 707{715.
Narendra, K. S. e Balakrishnan (1994). A common Lyapunov functions for stable LIT
systems with commuting a-matrices, IEEE Transactions on Automatic Control AC39: 2469{2471.
Niemann, D., Li, J., Wang, H. O. e Tanaka, K. (1999). Parallel Distributed Compensation
for Takagi-Sugeno Fuzzy Models: New stability Conditions and Dynamic Feedback
Designs, Proceedings 1999 International Federation of Automatic Control (IFAC) World
Congress, Beijing, pp. 207{212.
Ogata, K. (1997). Modern Control Engineering, Prentice Hall, New Jersey-USA.
Oliveira, M. C., Farias, D. P. e Geromel, J. C. (1997).
Campinas-SP, Brasil.
UNICAMP,
Ordonez, R., Spooner, J. T. e Passino, K. M. (1996). Stable multi-input multi-output adaptive fuzzy control, Proceedings of the 35th IEEE Conference on Decision and Control,
Kobe-Japan, pp. 610{615.
Patton, R. J., Chen, J. e Toribio, L. C. J. (1998). Fuzzy observers for non-linear dynamic systems fault diagnosis, Proceedings of the 37th IEEE Conference on Decision and
Control, Tampa-Florida, pp. 84{89.
Pedrycz, W. (1996). Fuzzy multimodels, IEEE Transactions Fuzzy Systems 4(139-148).
^
REFERENCIAS
BIBLIOGRAFICAS
183
^
REFERENCIAS
BIBLIOGRAFICAS
184
^
REFERENCIAS
BIBLIOGRAFICAS
185
Tanaka, K., Ikeda, T. e Wang, H. O. (1997a). Controlling chaos via an model-based fuzzy
control system design, Proceedings of the 36th IEEE Conference on Decision and Control, San Diego, pp. 1488{1493.
Tanaka, K., Ikeda, T. e Wang, H. O. (1998a). Fuzzy regulators and fuzzy observers: relaxed stability conditions and LMI-based designs, IEEE Transactions on Fuzzy Systems
6(2): 250{265.
Tanaka, K., Ikeda, T. e Wang, H. O. (1998b). Fuzzy control of chaotic system using LMIs:
regulation, synchronization and chaos model following, Seventh International IEEE
Conference on Fuzzy Systems, Alaska, pp. 434{439.
Tanaka, K., Ikeda, T. e Wang, H. O. (1998c). A unied approach to controlling chaos via
an LMI-based fuzzy control system design, IEEE Transactions on Circuits and Systems
45(10): 1021{1040.
Tanaka, K. e Kosaki, T. (1997). Design of a stable fuzzy controller for an articulated vehicle,
IEEE Transactions on Systems, Man and Cybernet-Part B 27(3): 552{558.
Tanaka, K., Kosaki, T. e Wang, H. O. (1996). Fuzzy control of an articulated vehicle and
its stability analysis, Proceedings 1996 International Federation of Automatic Control
(IFAC) World Congress, Vol. F, San Francisco, pp. 115{120.
Tanaka, K., Kosaki, T. e Wang, H. O. (1998). Backing control problem of a mobile robot
with multiple trailers: fuzzy modeling and LMI-based design, IEEE Transactions on
Systems, Man and Cybernet-Part C:Applications and Reviews 28(3): 329{337.
Tanaka, K., Nishimura, M. e Wang, H. O. (1998). Multi-objective fuzzy control of high
rise/high speed elevators using LMIs, Proceedings of the American Control Conference,
Philadelphia -Pennsylvania, pp. 3450{3454.
Tanaka, K., Ohtake, H. e Hori, T. (2001). Stable control for R/C helicopter, IFSA World
Congress and 20th NAFIPS International Conference 4: 2056{2061.
Tanaka, K. e Sano, M. (1993a). Fuzzy stability criterion of a class of nonlinear systems,
Information Science. 71: 3{26.
Tanaka, K. e Sano, M. (1994a). A robust stabilization problem of fuzzy control systems and
its application to backing up control of a truck-trailer, IEEE Transactions on Fuzzy
Systems 2(2): 119{134.
^
REFERENCIAS
BIBLIOGRAFICAS
186
Tanaka, K. e Sugeno, M. (1990). Stability analysis of fuzzy systems using Lyapunov's direct
method, Proceedings of NAFIPS'90 pp. 133{136.
Tanaka, K. e Sugeno, M. (1992). Stability analysis and design of fuzzy control systems,
Fuzzy Sets and Systems 45(2): 136{156.
Tanaka, K. e Sugeno, M. (1993b). Concept of stability margin or fuzzy systems and design
of robust fuzzy controllers, Proceedings of the 2nd IEEE International Conference on
Fuzzy Systems, pp. 29{34.
Tanaka, K., Taniguchi, T. e Wang, H. O. (1998a). Model-based fuzzy control of TORA
system: fuzzy regulator and fuzzy observer design via LMIs that represent decay rate,
disturbance rejection, robustness, optimality, Proceedings of the 7th IEEE International
Conference on Fuzzy Systems, Alaska, pp. 313{318.
Tanaka, K., Taniguchi, T. e Wang, H. O. (1998b). Fuzzy control based on quadratic performance function - a linear matrix inequality approach, Proceedings of the 37th IEEE
Conference on Decision and Control, Tampa-Florida, pp. 2914{2919.
Tanaka, K., Taniguchi, T. e Wang, H. O. (1999). An LMI approach to backing control
of a vehicle with three trailers, Eighth International Fuzzy Systems Association World
Congress, Vol. 2, Taipei, pp. 640{644.
Tanaka, K., Taniguchi, T. e Wang, H. O. (1999a). Robust and optimal fuzzy control: a linear
matrix inequality approach, Proceedings 1999 International Federation of Automatic
Control (IFAC) World Congress, Beijing-China, pp. 213{218.
Tanaka, K., Taniguchi, T. e Wang, H. O. (1999c). Trajectory control of an articulated
vehicle with triple trailers, IEEE International Conference on Control Applications,
Vol. 2, Hawaii.
Tanaka, K. e Wang, H. O. (2001). Fuzzy control systems design and analysis - A linear
matrix inequality approach, John Wiley and Sons, Inc, USA.
Taniguchi, T., Tanaka, K., Ohatake, H. e Wang, H. O. (2001). Model construction, rule reduction, and robust compensation for generalized form of Takagi-Sugeno fuzzy systems,
IEEE Transactions on Fuzzy Systems 9(4): 525{537.
^
REFERENCIAS
BIBLIOGRAFICAS
187
^
REFERENCIAS
BIBLIOGRAFICAS
188
^
REFERENCIAS
BIBLIOGRAFICAS
189
Wang, L. (1997). Mixed H2=H1 control of nonlinear systems, Proceedings of the 34th IEEE
Conference on Decision and Control, Vol. 12, New Orleans, pp. 333{338.
Wang, L. e Langari, R. (1995). A decomposition approach for fuzzy systems identication,
Proceedings of 34th IEEE Conference on Decision and Control, New Orleans, pp. 261{
266.
Wang, L. e Langari, R. (1995b). Building Sugeno-type models using fuzzy discretization
and orthogonal parameter estimation techniques, IEEE Transactions on Fuzzy Systems
3: 454{458.
Wang, L. X. (1998). Universal approximation by hierarchical fuzzy systems, Fuzzy Sets and
Systems 93: 223{230.
Wang, L. X. (1999). Analysis and design of hierarchical fuzzy systems, IEEE Transactions
Fuzzy Systems 7: 617{624.
_ S. H. (1997). Four whell steering control systems
Will, A. B., Teixeira, M. C. M. e Zak,
design using fuzzy models, Sixth IEEE Conference on Control Applications, Hartford
CT USA, pp. 73{78.
Yager, R. R. e Filev, D. P. (1994). Essentials of fuzzy modeling and control, John Wiley and
Sons, USA.
Yamakawa, T. (1989). Stabilization of an inverted pendulum by a high-speed fuzzy logic
controller hardware systems, Fuzzy Sets and Systems 32: 161{180.
Yasunobu, S. e Miyamoto, S. (1985). Automatic train operation by predictive fuzzy control,
in Industrial Application of Fuzzy Control 28: 1{18.
Yasunobu, S., Sekino, S. e Hasegawa, T. (1987). Automatic train operation and automatic crane operation system based an predictive fuzzy control, Proceedings 2nd IFSA
Congress., Tokio-Japan, pp. 835{838.
Yen, J., Wang, L. e Gillespie, C. W. (1998). Improving the interpretability of TSK fuzzy
model by combining global learning and local learning, IEEE Transactions on Fuzzy
Systems 6(4): 530{537.
Yi, J. e Yubazaki, N. (2000). Stabilization fuzzy control of inverted pendulum systems,
Articial Intelligence in Engineering 14: 153{163.
^
REFERENCIAS
BIBLIOGRAFICAS
190
Yi, Z. e Heng, P. A. (2002). Stability of fuzzy control systems with bounded uncertain delays,
IEEE Transactions on Fuzzy Systems 10(1): 92{97.
Ying, H. (1998e). General Takagi-Sugeno fuzzy systems with simplied linear rule consequent
are universal controllers, models and lters, Information Sciences, in press .
Ying, H. (2000). Theory and application of a novel fuzzy PID controller using a simplied
Takagi-Sugeno rule scheme, Information Sciences 123: 281{293.
Yoneyama, J., Nishikawa, M., Katayama, H. e Ichikawa, A. (2000). Output stabilizations of
Takagi-Sugeno fuzzy systems, Fuzzy Sets and Systems 111: 253{266.
Zadeh, L. A. (1965). Fuzzy sets, Information and Control 8: 338{353.
Zadeh, L. A. (1968). Fuzzy algorithms, Information and Control 12(2): 94{102.
Zadeh, L. A. (1971). Similarity relations and fuzzy ordering, Information Sciences 3(2): 177{
200.
Zadeh, L. A. (1973). Outline of a new approach to the analysis of complex systems and decision processes, IEEE Transactions on Systems, Man, and Cybernetics SMC-3(1): 28{44.
Zhang, H., He, X., Meng, Z. e Bien, Z. (1999). Multivariable FGPC controller and its
performance analysis, Proceedings 1999 International Federation of Automatic Control
(IFAC) World Congress, Beijing-China, pp. 223{228.
Zhao, J., Wertz, V. e Gorez, R. (1995). Linear TS fuzzy model based robust stabilizing
controller design, Proceedings of the 34th IEEE Conference on Decision and Control,
pp. 255{260.
Zheng, F., Wang, Q. G., Lee, T. H. e Huang, X. (2001). Robust PI controller design for
nonlinear systems via fuzzy modeling approach, IEEE Transactions on Systems, Man,
and Cybernetics - Part A: Systems and Humans 31(6): 666{675.