Identificação por meio do erro de predição aplicada ao projeto baseado em dados de controladores multivariáveis

Abstract

Neste trabalho, um método de controle baseado em dados – o Optimal Controller Identification (OCI) – é estendido para sistemas multivariáveis. Com base em uma única batelada de dados de entrada e de saída coletados da planta, um controlador de estrutura fixa é identificado sem usar um modelo para o processo, através da adaptação do método de identificação pelo erro de predição para o problema de projeto do controlador. Apesar de a formulação MIMO (multiple-input multiple-output) ser obtida a partir da versão SISO (single-input single-output) de uma maneira natural, a solução do problema de otimização é consideravelmente mais complexa devido à estrutura especial que a inversa do controlador assume no casoMIMO. Uma versão flexível do método OCI também é desenvolvida para lidar com sistemas de fase não-mínima (FNM), sem o conhecimento a priori do zero de transmissão de FNM, o qual é identificado em paralelo com os parâmetros do controlador. Uma abordagem similar já existe para o método VRFT (Virtual Reference Feedback Tuning) para modelos de referência diagonais. Aqui, considera-se estruturas de modelo de referência não apenas diagonais mas mais genéricas. Resultados de simulação assim como um experimento em uma planta de nível validam a metodologia apresentada, além de comparar o OCI com o método VRFT.

In this work, a data-driven control method – the Optimal Controller Identification (OCI) – is extended for multivariable systems. Based on a single batch of input-output data collected from the process, a fixed structure controller is estimated without using a process model, by embedding the control design problem in the prediction error identification of an optimal controller. Even though the multiple-input multiple-output (MIMO) formulation is extended from its single-input single-output (SISO) version in a natural way, the solution of the optimization problem is rather complex due to the special structure the inverse of the controller assumes in its MIMO version. A flexible formulation of the OCI method is also developed to cope with non-minimum phase (NMP) systems, without a priori knowledge of the NMP transmission zero, which is identified along with the controller parameters. A similar approach has already been developed for the Virtual Reference Feedback Tuning (VRFT) method for diagonal reference models. Here we consider not only diagonal but more general reference model structures. Simulated results as well as an experiment on a level plant show the efficiency of the proposed methodology, also comparing the OCI with the VRFT method.