Contribuições para o método Virtual Reference Feedback Tuning

Abstract

Em métodos de controle baseados em dados o ajuste dos parâmetros do controlador é realizado diretamente a partir dos dados coletados, sem a necessidade de estimar um modelo para o processo. Dentre os métodos propostos na literatura, o Virtual Reference Feedback Tuning (VRFT) talvez seja o método não iterativo mais empregado para realizar o ajuste dos parâmetros de um controlador de modo a atingir um desempenho em malha fechada predeterminado. Contudo, a qualidade da estimativa dos parâmetros com este método é afetada quando: há presença de ruído nos sinais coletados, empregam-se controladores de ordem reduzida, ou os dados são coletados de um experimento pouco informativo. Assim, o presente trabalho propõe soluções para esses três problemas. Para o caso ruidoso, o problema do VRFT é formulado com as soluções de mínimos quadrados Data Least Squares (DLS) e Constrained Total Least Squares (CTLS). Na solução CTLS considerouse não apenas controladores com parametrização linear, mas também controladores com polos e zeros livres, permitindo mais flexibilidade na escolha da estrutura do controlador. Para o caso de controladores de ordem reduzida, são propostos filtros para a solução CTLS, permitindo sua aplicação nesse caso. No caso em que os dados são coletados de um experimento pouco informativo, como dados de operação, por exemplo, a utilização de todo o conjunto de dados não necessariamente melhora a estimativa dos parâmetros, nem o desempenho em malha fechada. Portanto, no presente trabalho foram adaptados para o método VRFT dois critérios de seleção de subconjuntos muito informativos de dados, presentes na literatura de identificação de sistemas. No contexto do presente trabalho, subconjuntos muito informativos de dados são segmentos do conjunto de dados original que contêm informação relevante para identificação dos parâmetros do controlador. Todas as contribuições propostas são ilustradas através de simulações.

In the data-driven (DD) control framework, the task of tuning the controller’s parameters is carried out directly from the collected data, without the knowledge of the process model. Among the DD methods proposed in the literature, the Virtual Reference Feedback Tuning (VRFT) is perhaps the non-iterative method most commonly employed to tune a controller’s parameters aiming to achieve a prescribed closed-loop performance. However, the parameters estimate’s quality with this method is compromised: when the collected data is affected by noise, in the reduced-order controllers case, and when the data is little informative. Therefore, the present work proposes solutions to these three problems. For the noisy case, the VRFT problem is formulated using the least squares solutions known as Data Least Squares (DLS) and Constrained Total Least Squares (CTLS). The CTLS solution is formulated not only using linearly parametrized controllers but also controllers with free poles and zeros, allowing more flexibility to the choice of the controller’s structure. For the reduced-order controllers case, filters are proposed for the CTLS solution, allowing its application in this case. For the case of little informative data, such as routine operating data, for example, more data does not necessarily mean a better estimate or a better closed-loop performance. Therefore, in the present work, two data selection criteria to select strongly informative subsets, applied in the system identification framework, were adapted to the VRFT problem. In the present work, strongly informative subsets are defined as sections of the original dataset containing the information relevant to identify the controller’s parameters. All the proposed contributions are illustrated through simulations.