Controle Multivariavel

Controle Multivari avel
Marcio Fantini Miranda

30 de maio de 2005
Sumario
1 Introdu cao 11
1.1 Objetivo Geral do Curso . . . . . . . . . . . . . . . . . . . . . . . . . . . 11
1.2 O Problema de Controle . . . . . . . . . . . . . . . . . . . . . . . . . . . 11
1.3 Controle Multivari avel: Breve Hist orico . . . . . . . . . . . . . . . . . . . 12
1.3.1 Uma Deni cao . . . . . . . . . . . . . . . . . . . . . . . . . . . . 13
1.4 Sistemas MIMO . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 13
1.5 Motiva cao I . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 13
1.5.1 Exerccio . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 15
1.5.2 Exerccio . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 15
1.6 Congura coes para um Sistema 2 2 . . . . . . . . . . . . . . . . . . . . 17
1.7 Motiva cao 2 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 18
1.7.1 Resultados do Matlab . . . . . . . . . . . . . . . . . . . . . . . . 19
1.7.2 Exerccio . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 20
1.8 Alguns Processos MIMO . . . . . . . . . . . . . . . . . . . . . . . . . . . 20
1.9 Sistema Multivariaveis: Conceitos Basicos I . . . . . . . . . . . . . . . . 22
1.9.1 Deni coes . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 22
1.9.2 Abordagem Entrada-Sada . . . . . . . . . . . . . . . . . . . . . . 23
1.10 Sistema Multivari aveis: Conceitos Basicos II . . . . . . . . . . . . . . . . 25
1.10.1 Intera coes e Malhas MIMO . . . . . . . . . . . . . . . . . . . . . 25
1.10.2 Representa coes em Malha . . . . . . . . . . . . . . . . . . . . . . 26
1.10.3 Exerccio . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 27
1.10.4 Malha de Realimentacao Escondida . . . . . . . . . . . . . . . . . 28
1.11 Coment arios Finais . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 29
1
SUM
ARIO SUM
ARIO
2 Introdu cao à Analise de Sistemas Lineares 30
2.1 Introdu cao ` a An alise no Espa co de Estados . . . . . . . . . . . . . . . . . 30
2.1.1 Representa cao no Espa co de Estados . . . . . . . . . . . . . . . . 31
2.2 Representa cao Entrada-Sada . . . . . . . . . . . . . . . . . . . . . . . . 31
2.3 Obtendo a Representa cao no Espa co de Estados . . . . . . . . . . . . . . 33
2.3.1 Exerccio . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 34
2.4 Solucao para a Equa cao de Estados . . . . . . . . . . . . . . . . . . . . . 35
2.4.1 Abordagem Entrada Sada . . . . . . . . . . . . . . . . . . . . . . 35
2.4.2 Abordagem no Espa co de Estados . . . . . . . . . . . . . . . . . . 35
2.4.3 Sistemas Discretos . . . . . . . . . . . . . . . . . . . . . . . . . . 36
2.4.4 Exerccio . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 36
2.4.5 Autovalores e Autovetores . . . . . . . . . . . . . . . . . . . . . . 36
2.4.6 Solucao da Equa cao de Estados Revisitada . . . . . . . . . . . . . 37
2.5 Estabilidade . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 37
2.6 Algumas Deni coes de

Algebra Linear . . . . . . . . . . . . . . . . . . . 38
2.6.1 Bases, Representa coes e Espa cos . . . . . . . . . . . . . . . . . . . 38
2.6.2 Range, Rank, Nulidade e Espa co Nulo . . . . . . . . . . . . . . . 39
2.6.3 Teorema Importante . . . . . . . . . . . . . . . . . . . . . . . . . 40
2.6.4 Exerccio . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 41
2.6.5 Espa cos Invariantes e Complementares . . . . . . . . . . . . . . . 41
2.6.6 Exerccio: Outras Deni coes . . . . . . . . . . . . . . . . . . . . . 42
2.7 Algumas Matrizes Importantes . . . . . . . . . . . . . . . . . . . . . . . . 42
2.7.1 Matrizes Companheiras . . . . . . . . . . . . . . . . . . . . . . . . 42
2.7.2 Matriz Diagonal: Autovalores reais distintos . . . . . . . . . . . . 43
2.7.3 Exerccio . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 43
2.7.4 Autovalores Complexos . . . . . . . . . . . . . . . . . . . . . . . . 44
2.7.5 Exerccio . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 44
2.7.6 Forma de Jordan: Autovalores n ao Todos Distintos . . . . . . . . 45
2.7.7 Coment arios . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 46
2.7.8 Gerando a Matriz de Jordan . . . . . . . . . . . . . . . . . . . . . 46
2.7.9 Deni cao dos Autovetores Generalizados . . . . . . . . . . . . . . 48
2.7.10 Transforma cao de Similaridade . . . . . . . . . . . . . . . . . . . 49
2.8 Representa cao no Espa co de Estados . . . . . . . . . . . . . . . . . . . . 51
2.9 Deni coes Elementares de Sistemas Lineares . . . . . . . . . . . . . . . . 53
2
SUM
ARIO SUM
ARIO
2.9.1 Controlabilidade e Observabilidade . . . . . . . . . . . . . . . . . 53
2.9.2 Teorema sobre Controlabilidade . . . . . . . . . . . . . . . . . . . 54
2.9.3 Teorema sobre Observabilidade . . . . . . . . . . . . . . . . . . . 55
2.10 Mais Denic oes . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 56
2.10.1 Forma Can onica Control avel . . . . . . . . . . . . . . . . . . . . . 56
2.10.2 Forma Can onica Observavel . . . . . . . . . . . . . . . . . . . . . 57
2.10.3 Estabilizabilidade e Detectabilidade . . . . . . . . . . . . . . . . . 58
2.11 Autovalores e Estabilidade . . . . . . . . . . . . . . . . . . . . . . . . . . 60
2.12 Realiza cao Mnima: observ avel e control avel . . . . . . . . . . . . . . . . 61
2.13 P olos e Zeros (Introdu cao) . . . . . . . . . . . . . . . . . . . . . . . . . . 62
2.13.1 Exerccio . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 62
2.14 Zeros em Sistemas MIMO: Introdu cao . . . . . . . . . . . . . . . . . . . 63
2.14.1 Exerccio . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 63
2.15 Decomposi cao Can onica (ou de Kalman) . . . . . . . . . . . . . . . . . . 64
2.15.1 Teoremas da Decomposi cao Can onica . . . . . . . . . . . . . . . . 64
2.15.2 Coment arios I . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 67
2.15.3 Coment arios II . . . . . . . . . . . . . . . . . . . . . . . . . . . . 67
2.15.4 Coment ario III . . . . . . . . . . . . . . . . . . . . . . . . . . . . 68
2.16 Introdu cao ` a Realimenta cao por Vari aveis de Estado . . . . . . . . . . . 69
2.17 Realimenta cao de Estados: SISO . . . . . . . . . . . . . . . . . . . . . . 71
2.17.1 Aloca cao de P olos via Realimenta cao de Estados . . . . . . . . . 72
2.18 Adendo: Realiza cao Mnima . . . . . . . . . . . . . . . . . . . . . . . . . 73
2.19 Bases Matriciais . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 74
2.19.1 Bases e Representa coes . . . . . . . . . . . . . . . . . . . . . . . . 74
2.19.2 Base Ortonormal . . . . . . . . . . . . . . . . . . . . . . . . . . . 75
2.19.3 Exerccio . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 77
2.20 Transforma cao de Base . . . . . . . . . . . . . . . . . . . . . . . . . . . . 77
2.20.1 Transforma cao de Similaridade: Matrix Companheira . . . . . . . 78
2.21 Transforma cao de Similaridade Revisitada . . . . . . . . . . . . . . . . . 79
2.22 Adendo: Observabilidade e Controlabilidade . . . . . . . . . . . . . . . . 80
2.23 Resumo dos Resultados mais Importantes . . . . . . . . . . . . . . . . . 82
3 Matrizes Polinomiais e Racionais 84
3.1 Objetivo do Captulo . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 84
3
SUM
ARIO SUM
ARIO
3.2 Matrizes Polinomiais - Introducao . . . . . . . . . . . . . . . . . . . . . . 85
3.2.1 Matrizes Polinomiais M ultiplas . . . . . . . . . . . . . . . . . . . 85
3.3 Fra coes Coprimas de Matrizes Racionais . . . . . . . . . . . . . . . . . . 87
3.4 Polin omio Caracterstico e Grau de uma Matriz Racional . . . . . . . . . 88
3.4.1 Denominador Comum de um Sistema MIMO . . . . . . . . . . . . 88
3.5 Realiza cao de Um Sistema MIMO: Exemplo . . . . . . . . . . . . . . . . 90
3.5.1 Exerccios . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 91
3.6 Realiza cao Mnima . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 92
3.6.1 Exerccio . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 95
3.6.2 Exerccios . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 97
3.7 P olos, Zeros e Forma de McMillan . . . . . . . . . . . . . . . . . . . . . . 98
3.8 Transforma coes Elementares . . . . . . . . . . . . . . . . . . . . . . . . . 100
3.8.1 Forma de Hermite . . . . . . . . . . . . . . . . . . . . . . . . . . 100
3.8.2 Exerccio . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 102
3.9 P olos em Sistemas MIMO . . . . . . . . . . . . . . . . . . . . . . . . . . 103
3.9.1 Dois Exemplos . . . . . . . . . . . . . . . . . . . . . . . . . . . . 103
3.9.2 Exerccios . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 104
3.10 Zeros em Sistema MIMO . . . . . . . . . . . . . . . . . . . . . . . . . . . 105
3.10.1 Zeros a partir da Realiza cao . . . . . . . . . . . . . . . . . . . . . 105
3.10.2 Zeros a partir da Matriz de Transferencia . . . . . . . . . . . . . . 106
3.10.3 Exerccio . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 107
3.10.4 Exerccio . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 107
3.10.5 Forma de Smith . . . . . . . . . . . . . . . . . . . . . . . . . . . . 108
3.10.6 Forma de Smith-McMillan . . . . . . . . . . . . . . . . . . . . . . 111
3.10.7 P olos e Zeros para a Forma Can onica . . . . . . . . . . . . . . . . 113
3.11 Descri cao Fracional de Matrizes. Alguns Resultados . . . . . . . . . . . . 114
3.12 Resumo dos Resultados e Resultados Adicionais . . . . . . . . . . . . . . 114
3.12.1 Conceitos B asicos (J a Vistos) . . . . . . . . . . . . . . . . . . . . 114
3.12.2 Deni coes e Teoremas . . . . . . . . . . . . . . . . . . . . . . . . 115
3.12.3 P olos e Zeros . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 117
3.13 Forma de Smith-McMillan e MFDs . . . . . . . . . . . . . . . . . . . . . 119
3.13.1 Forma de Smith-McMillan: Historico e Conceitos . . . . . . . . . 119
3.14 Mais Teoremas e Lemas sobre MFDs . . . . . . . . . . . . . . . . . . . . 120
3.15 P olos e Zeros no Innito . . . . . . . . . . . . . . . . . . . . . . . . . . . 121
4
SUM
ARIO SUM
ARIO
4 Intera cao e Desacoplamento em Sistemas MIMO 122
4.1 Motiva cao . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 122
4.2 Analise por meio da MGR . . . . . . . . . . . . . . . . . . . . . . . . . . 123
4.3 Introdu cao ` a MGR . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 124
4.4 Exemplo I . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 126
4.4.1 Sele cao das Malhas . . . . . . . . . . . . . . . . . . . . . . . . . . 127
4.5 Formaliza cao dos Resultados . . . . . . . . . . . . . . . . . . . . . . . . . 129
4.5.1 Deni cao Matem atica da MGR para sistemas n n . . . . . . . . 129
4.6 C alculo da RGA . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 130
4.7 Exemplo II . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 133
4.8 Exemplo-III . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 134
4.9 Algumas Propriedades da RGA . . . . . . . . . . . . . . . . . . . . . . . 137
4.9.1 RGA no MATLAB . . . . . . . . . . . . . . . . . . . . . . . . . . 137
4.10 Desacoplamento . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 139
4.10.1 Introdu cao . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 139
4.10.2 Exemplos de Desacopladores . . . . . . . . . . . . . . . . . . . . . 139
4.10.3 Desacoplador Ideal . . . . . . . . . . . . . . . . . . . . . . . . . . 140
4.10.4 Exemplo . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 141
4.10.5 Desacoplamento Parcial . . . . . . . . . . . . . . . . . . . . . . . 142
4.10.6 Desacoplador Est atico . . . . . . . . . . . . . . . . . . . . . . . . 142
4.11 Desacoplamento por Realimenta cao de Estados . . . . . . . . . . . . . . 143
4.12 Decomposi cao em Valores Singulares . . . . . . . . . . . . . . . . . . . . 145
4.12.1 Normas de Vetores . . . . . . . . . . . . . . . . . . . . . . . . . . 145
4.12.2 Normas Induzidas . . . . . . . . . . . . . . . . . . . . . . . . . . . 146
4.12.3 Matrizes de Transferencia . . . . . . . . . . . . . . . . . . . . . . 147
4.12.4 Observa cao . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 147
4.12.5 Valores Singulares . . . . . . . . . . . . . . . . . . . . . . . . . . . 147
4.12.6 Resumindo os Resultados . . . . . . . . . . . . . . . . . . . . . . 148
4.12.7 Valores Singulares, Raio Espectral e Autovalores . . . . . . . . . . 149
4.12.8 Interpreta cao . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 150
4.13 Resumo dos Resultados e Mais uma Interpreta cao . . . . . . . . . . . . . 151
4.13.1 Importante . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 152
4.13.2 SVD com G Variando . . . . . . . . . . . . . . . . . . . . . . . . 152
4.14 Adendos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 154
5
SUM
ARIO SUM
ARIO
4.14.1 Estruturas para Controladores . . . . . . . . . . . . . . . . . . . . 154
4.14.2 Diagrama para Representa cao no Espa co de Estados . . . . . . . 155
4.14.3 Alguns Modelos . . . . . . . . . . . . . . . . . . . . . . . . . . . . 156
5 Aloca cao de P olos em Sistemas MIMO 158
5.1 Introdu cao . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 158
5.2 Realimenta cao por Vari aveis de Estado: Conceitos Correlatos . . . . . . . 158
5.2.1 Consideracoes . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 159
5.3 Realimenta cao de Estados: SISO . . . . . . . . . . . . . . . . . . . . . . 160
5.3.1 Aloca cao de P olos via Realimenta cao de Estados . . . . . . . . . 161
5.3.2 F ormulas para k . . . . . . . . . . . . . . . . . . . . . . . . . . . 162
5.3.3 F ormula de Bass-Gura . . . . . . . . . . . . . . . . . . . . . . . . 163
5.3.4 Realiza cao Adequada para Calcular a Realimenta cao de Estados . 164
5.3.5 F ormula Ackermann . . . . . . . . . . . . . . . . . . . . . . . . . 165
5.3.6 F ormula de Mayne-Murdoch . . . . . . . . . . . . . . . . . . . . . 165
5.3.7 Abordagem da Fun cao de Transferencia . . . . . . . . . . . . . . . 166
5.3.8 Coment arios . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 167
5.3.9 Algoritmo . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 168
5.3.10 Exerccio . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 168
5.3.11 Coment arios Adicionais . . . . . . . . . . . . . . . . . . . . . . . . 168
5.4 Conceitos para a Realimenta cao de Estados para Sistemas MIMO . . . . 169
5.4.1

Indices de Controlabilidade e Observabilidade . . . . . . . . . . . 170
5.5 Realimenta cao de Estados: MIMO . . . . . . . . . . . . . . . . . . . . . 171
5.5.1 Alguns Metodos de Projeto . . . . . . . . . . . . . . . . . . . . . 171
5.5.2 Metodo de Aloca cao MIMO via Lyapunov . . . . . . . . . . . . . 171
5.6 Exemplo de Utiliza cao do Algoritmo . . . . . . . . . . . . . . . . . . . . 172
5.6.1 Caso SISO . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 173
5.6.2 Express ao para F 5 5 . . . . . . . . . . . . . . . . . . . . . . . 174
5.6.3 Caso MIMO . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 174
5.7 Estimadores (Observadores) de Estado: MIMO . . . . . . . . . . . . . . 175
5.7.1 Introdu cao . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 175
5.7.2 Projeto de Observadores . . . . . . . . . . . . . . . . . . . . . . . 176
5.7.3 Teoremas e Projetos . . . . . . . . . . . . . . . . . . . . . . . . . 178
5.7.4 Estimadores de Ordem Reduzida . . . . . . . . . . . . . . . . . . 179
6
SUM
ARIO SUM
ARIO
5.8 Realimenta cao de Estados com Estimadores . . . . . . . . . . . . . . . . 180
5.9 Interpreta cao da Fun cao de Transferencia . . . . . . . . . . . . . . . . . . 182
5.9.1 Caso SISO . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 182
5.9.2 Caso MIMO . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 186
5.10 Adendos: Deni coes e Teoremas . . . . . . . . . . . . . . . . . . . . . . . 189
5.11 Controle LQG . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 191
5.11.1 LQG e LQR Padr ao . . . . . . . . . . . . . . . . . . . . . . . . . 191
5.11.2 Realimenta cao

Otima de Estados . . . . . . . . . . . . . . . . . . 193
5.11.3 Estimador

Otimo de Estados . . . . . . . . . . . . . . . . . . . . 194
5.11.4 LQG = LQR + Kalman . . . . . . . . . . . . . . . . . . . . . . . 195
5.11.5 Exemplo do Controlador LQG para um Sistema SISO . . . . . . . 196
5.11.6 LQG para Sistemas com Entrada r(t) . . . . . . . . . . . . . . . . 197
5.11.7 Exemplos e Exerccios . . . . . . . . . . . . . . . . . . . . . . . . 197
6 Analise de Sistemas Multivariaveis Realimentados 200
6.1 Introdu cao . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 200
6.1.1 Conceitos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 200
6.2 Exemplo para Motiva cao . . . . . . . . . . . . . . . . . . . . . . . . . . . 202
6.3 A Malha MIMO Padr ao . . . . . . . . . . . . . . . . . . . . . . . . . . . 206
6.4 Especica coes de Desempenho Baseadas nas Fun coes Sensitividade . . . . 206
6.4.1 Deni cao das Fun coes Sensitividade . . . . . . . . . . . . . . . . . 208
6.5 Estabilidade do Sistema em Malha Fechada . . . . . . . . . . . . . . . . 209
6.6 Revis ao dos Conceitos sobre An alise de Nyquist . . . . . . . . . . . . . . 213
6.6.1 Nota cao e Conceitos . . . . . . . . . . . . . . . . . . . . . . . . . 213
6.6.2 Estabilidade do Sistema . . . . . . . . . . . . . . . . . . . . . . . 214
6.6.3 Criterio de Estabilidade de Nyquist para sistemas MIMO . . . . . 215
6.7 Analise Frequencial . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 218
6.7.1 Analise de Nyquist para Estabilidade de Sistemas MIMO . . . . . 219
6.8 Resposta em Regime Estacion ario para Entrada Degrau . . . . . . . . . . 220
6.9 Analise no Domnio da Freq uencia - Extensao ao Bode . . . . . . . . . . 221
6.9.1 Rastreamento . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 222
6.9.2 Introdu cao ` a Robustez . . . . . . . . . . . . . . . . . . . . . . . . 223
6.10 Exerccios . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 224
7
SUM
ARIO SUM
ARIO
7 Restri coes Fundamentais e Limites para o Desempenho e Compromis-
sos 225
7.1 Introdu cao . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 225
7.2 Controlabilidade Entrada-Sada . . . . . . . . . . . . . . . . . . . . . . . 226
7.3 Regras para An alise da Controlabilidade Entrada-Sada . . . . . . . . . . 226
7.4 Controlabilidade Funcional . . . . . . . . . . . . . . . . . . . . . . . . . . 229
7.5 Exerccios . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 230
7.6 Revis ao das Restri coes em Sistemas SISO . . . . . . . . . . . . . . . . . . 232
7.6.1 Escalonamento (Normaliza cao) . . . . . . . . . . . . . . . . . . . 232
7.7 Desempenho . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 233
7.8 Controle Perfeito . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 233
7.9 Restricoes em S(s) e T(s) . . . . . . . . . . . . . . . . . . . . . . . . . . 234
7.10 An alise da Controlabilidade Entrada-Sada . . . . . . . . . . . . . . . . . 235
7.11 Exemplos e Aplica coes . . . . . . . . . . . . . . . . . . . . . . . . . . . . 236
8 Projeto de Controladores MIMO Usando Sntese Q 237
8.1 Introdu cao . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 237
8.1.1 Linhas de Solu cao com a Parametriza cao-Q . . . . . . . . . . . . 238
8.2 Introdu cao a Parametriza cao-Q e ao IMC . . . . . . . . . . . . . . . . . . 239
8.2.1 Equa coes . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 240
8.3 Revis ao da Sntese-Q para Sistemas SISO . . . . . . . . . . . . . . . . . . 241
8.3.1 Voltando ao Exemplo . . . . . . . . . . . . . . . . . . . . . . . . . 241
8.3.2 Compromissos Implcitos . . . . . . . . . . . . . . . . . . . . . . . 242
8.3.3 Exerccios . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 244
8.3.4 Exerccio . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 245
8.4 Sntese-Q: Conceitos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 246
8.5 Parametriza cao de Todos Controladores Estabilizantes . . . . . . . . . . 248
8.5.1 Estabilidade de Sistemas . . . . . . . . . . . . . . . . . . . . . . . 248
8.6 Outras Congura coes Usuais . . . . . . . . . . . . . . . . . . . . . . . . . 250
8.7 Parametriza cao de Todos Controladores Estabilizantes: SISO e G(s) Est avel251
8.8 Revis ao dos Conceitos de Fatora cao Coprima . . . . . . . . . . . . . . . . 252
8.8.1 Lema Adicional . . . . . . . . . . . . . . . . . . . . . . . . . . . . 252
8.8.2 Revis ao Fatora cao Coprima: SISO . . . . . . . . . . . . . . . . . 253
8.8.3 Revis ao Fatora cao Coprima: MIMO . . . . . . . . . . . . . . . . . 254
8
SUM
ARIO SUM
ARIO
8.8.4 Fatora cao Coprima Dupla . . . . . . . . . . . . . . . . . . . . . . 254
8.8.5 Constru cao da Fatora cao Coprima Dupla . . . . . . . . . . . . . . 255
8.9 Parametriza cao de Todos Controladores Estabilizantes: SISO e G(s) Generica256
8.10 Parametriza cao de Todos Controladores Estabilizantes: MIMO e G(s)
Generica . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 257
8.10.1 Lema Adicional, Caso MIMO . . . . . . . . . . . . . . . . . . . . 258
8.11 Coment arios . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 259
9 Projeto de Controladores MIMO na Abordagem H
260
9.1 Introdu cao . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 260
9.2 Revis ao . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 260
9.3 Conceitos do Loop Shaping Cl assico . . . . . . . . . . . . . . . . . . . . . 269
9.4 Conceitos do Loop Shaping H
. . . . . . . . . . . . . . . . . . . . . . . 270
9.4.1 Especica coes de Desempenho Baseadas nas Fun coes Sensitividade 270
9.4.2 Caractersticas da Funcoes S(s) e T(s) . . . . . . . . . . . . . . . 272
9.4.3 Rela coes para S(s) . . . . . . . . . . . . . . . . . . . . . . . . . . 272
9.4.4 Rela coes para T(s) . . . . . . . . . . . . . . . . . . . . . . . . . . 273
9.5 Projeto via Sensitividade Composta . . . . . . . . . . . . . . . . . . . . . 273
9.6 Esquema S/KS . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 274
9.6.1 Escolha dos Pesos . . . . . . . . . . . . . . . . . . . . . . . . . . . 275
9.7 Outros Esquemas para Projeto via Sensitividade Composta . . . . . . . . 277
9.7.1 Esquema S/KS/T . . . . . . . . . . . . . . . . . . . . . . . . . . . 278
9.7.2 Esquema GS/T . . . . . . . . . . . . . . . . . . . . . . . . . . . . 279
9.7.3 Projeto para Controlador com Dois Graus de Liberdade . . . . . . 280
9.8 Projeto H
Robusto . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 281
9.8.1 Filosoa do Projeto H
Robusto . . . . . . . . . . . . . . . . . . 282
9.8.2 Rela coes para Robustez . . . . . . . . . . . . . . . . . . . . . . . 282
9.8.3 Incertezas . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 283
9.8.4 Especica cao do Projeto H
Robusto . . . . . . . . . . . . . . . 284
9.8.5 Projeto H
Robusto com Incerteza Multiplicativa de Entrada . . 285

9.9 Solucao Via Equa coes de Riccati . . . . . . . . . . . . . . . . . . . . . . . 286
9.10 Exemplo de Projeto de Controlador H
MIMO (via Loop Shaping) . . . 288

9.11 Exemplo de Utiliza cao . . . . . . . . . . . . . . . . . . . . . . . . . . . . 288
9.11.1 Resposta em Freq uencia do Sistema . . . . . . . . . . . . . . . . . 289
9
SUM
ARIO SUM
ARIO
9.11.2 Procedimento . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 290
9.12 Como montar a matriz P(s) no MATLAB . . . . . . . . . . . . . . . . . 293
9.13 An alise . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 294
9.13.1 Respostas Temporais . . . . . . . . . . . . . . . . . . . . . . . . . 295
9.13.2 Analise de S(s) e W(s) . . . . . . . . . . . . . . . . . . . . . . . . 296
9.13.3 Coment arios . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 297
9.13.4 Exerccios . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 297
10
Captulo 1
Introdu cao
1.1 Objetivo Geral do Curso
Apresentar as particularidades de sistemas din amicos que possuem mais de uma entrada
e uma sada. Estudar e implementar r tecnicas para projeto de controladores para estes
sistemas (os ditos sistemas multivari aveis).
Nesse captulo s ao apresentados alguns conceitos genericos que serao aprofundados
no decorrer do curso.
Considera-se, a menos que dito o contr ario, sistemas contnuos, representados por
equa coes din amicas (diferenciais e integrais) ou no domnio de Laplace.
Principais t opicos abordados no captulo:
1. Exemplos cl assicos de sistemas 2 2.
2. Caractersticas de sistemas MIMO.
1.2 O Problema de Controle
Deni cao 1.1 [39] O problema central em Controle e o de encontrar uma maneira
tecnicamente viavel de agir sobre um dado processo de tal forma que o mesmo tenha
um comportamento o mais pr oximo possvel do desejado (ou idealizado), a despeito das
incertezas e perturba coes.
11
Introdu cao
Algumas coloca coes sao pertinentes em relacao a deni cao acima
Comportamento Desejado: relacionado com a especica cao (seja do Engenheiro,
Gerente, Uusuario). Para cada um deve levar em considera cao um determinado
criterio.
Viavel tecnicamente: deve-se considerar um limitepara o que se deseja.
Incertezas: sempre presentes. Limitam o comportamento. Dene um projeto
robusto.
Perturba coes: sempre presentes. Se levada em conta no projeto passa a denir um
projeto robusto
1.3 Controle Multivariavel: Breve Hist orico
O motivo de se dar aten cao para sistemas de controle que possuem mais de uma vari avel
e obvio: a maioria do sistemas reais s ao multivari aveis.
Em relacao ao controle de processos industriais usualmente tem-se interesse em con-
trolar as vari aveis: temperatura, vaz ao, press ao (nvel), PH ou rea coes qumicas e umi-
dade. Em geral estas vari aveis n ao s ao independentes. A existencia do acoplamento
impossibilita, muitas vezes, abordagens multimalhas. Da a preocupacao do estudo
multivariavel.
Historicamente, as tecnicas multivari aveis de projeto e an alise apareceram como uma
extensao das tecnicas SISO. Os metodos existentes ate 1976 podem ser divididos em tres
grupos [20]. Na primeira categoria est ao os projetos no domnio da freq uencia, como
por exemplo os metodos de Nyquist para sistema MIMO, isto e, as matrizes inversas e
diretas de Nyquist, INA e DNA, respectivamente.
Na segunda categoria est ao os metodos baseados na abordagem de espa co de estados,
incluindo controle otimo LQG e fun coes de Lyapunov, por exemplo.
Na terceira categoria est ao os metodos que usam a resposta ao impulso do sistema
multivariavel como base para o projeto do sistema de controle. Um exemplo e a abor-
dagem da Matriz de Controle Din amica, DMC (Dynamic Matrix Control), que na ver-
dade e uma deriva cao do IMC [20].
Atualmente, as tecnicas de controle multivari avel incluem a abordagem de controle
com incertezas, Projeto de controladores H
e H
2
, Projeto de Contraladores

Otimos,
12
Introdu cao
Controle Adaptativo Multivari avel, Controle via Modelo Interno, IMC (Internal Model
Control) [58], projetos baseados na Matriz Interactora [90], an alise de compromissos
MIMO [75], Teoria da Realimenta cao Quantitativa, QFT Quantitative Feedback Theory
[6], Metodos preditivos (MPC, DMC), Projetos no Espa co de Estados, entre outras.
1.3.1 Uma Deni cao
Um sistema multivari avel e aquele em que uma entrada afeta nao s o a sua sada cor-
respondente, mas tambem outras sadas da planta. Nesse caso, diz-se que h a uma
intera cao, ou acoplamento entre entradas e sadas [20].
1.4 Sistemas MIMO
O projeto e a an alise de sistemas multivari aveis e inerentemente mais complexo do que
para sistemas monovari aveis. Uma justicativa imediata para essa arma cao e a de que
sistemas multivari aveis possuem acoplamento entre as vari aveis envolvidas. Assim um
sistema multivariavel n ao e simplesmente uma superposi cao de vari aveis, ao contr ario,
e um interliga cao delas, o que provoca o aumento da complexidade na interpreta cao de
seu comportamento.
Durante todo texto Sistemas Multivari aveis serao chamados de sistemas MIMO
(Multi-Input - Muli-Output, muitas entradas-muitas sadas) e Sistemas Monovari aveis
serao chamados de SISO (Single-Input-Single-Output).
Sistemas MIMO podem ser expressos por matrizes de transferencia, que sao an alogas
às fun coes de transferencia com a diferen ca de que s ao acrescidos os acoplamentos entre
as vari aveis.
A partir da matriz de transferencia pode-se fazer diversos estudos: analise em
freq uencia, interpreta cao geometrica (polos, zeros e direcionalidade), fun coes sensitivi-
dade e sensitividade complementar ou estudos matriciais de redu cao ` a formas can onicas,
que facilitam a interpreta cao fsica de seus elementos e de suas rela coes
1.5 Motiva cao I
Exemplo 1.1 (Um Sistema MIMO) [37]
Considere um sistema 2 2 como dado a seguir. y
1
e y
2
sao as sadas e u
1
e u
2
sao as
13
Introdu cao
entradas.
y
1
=
2
s + 1
u
1
+
3
s + 2
u
2
(1.1)
y
2
=
1
s + 1
u
1
+
1
s + 1
u
2
(1.2)
Considere o setpoint r
1
para y
1
e r
2
para y
2
. Para controlar y
1
, usa-se um PI:
u
1
=
K
1
(s + 1)
s
(r
1
y
1
).
0 1 2 3 4 5 6 7 8 9 10
0
0.1
0.2
0.3
0.4
0.5
0.6
0.7
0.8
0.9
1
saida y1 com u2 = 0 e K2 = 0
tempo
y
1
Figura 1.1:
Nesse caso a fun cao de transferencia entre r
1
e y
1
(com u
2
= 0) sera:
Y
1
(s)
R
1
(s)
u
2
=0
=
2K
1
s + 2K
1
.
Para K
1
, a resposta temporal ` a entrada degrau e dada na gura 1.1 (com u
2
= 0).
Analogamente, considerando o controle de y
2
por u
2
:
u
2
=
K
2
(s + 1)
s
(r
2
y
2
)
tem-se a funcao de transferencia de malha fechada:
Y
2
(s)
R
2
(s)
u
1
=0
=
K
2
s + K
2
Nesse caso, se K
2
= 0, obtem-se a resposta ao degrau dada na gura 1.1.
Pergunta-se: O que aconteceria se os dois controladores estivessem ligadossimultaneamente
? Coment arios:
14
Introdu cao
O resultado da opera cao simult anea desses controladores e dada na gura 1.2(a),
para K
1
= 1 e K
2
= 2, com r
1
= 1 e r
2
= 0.
Repare que, mesmo para r
2
= 0, com o controlador K
2
ligado, haver a altera cao
na resposta y
1
.
Se os ganhos s ao elevados (na tentativa de melhorar a velocidade da resposta), por
exemplo, K
1
= 4 e K 2 = 8, tem-se uma resposta inst avel (vide gura 1.2(b)
0 1 2 3 4 5 6 7 8 9 10
0
0.2
0.4
0.6
0.8
1
1.2
1.4
saida y1 com u2 = 0 mas K2 dif 0
tempo
y
1
y2
y1
(a)
0 1 2 3 4 5 6 7 8 9 10
1
0.5
0
0.5
1
1.5
2
2.5
saida y1 com u2 = 0. K2 = 8 K1 = 4
tempo
y
1
(b)
Figura 1.2: Respostas para diferentes sintonias de controladores multimalha.
1.5.1 Exerccio
Considere, no Matlab (Simulink), o sistema do exemplo 1.1. Obtenha as curvas dadas
no exemplo. Simule-o com diferentes condicoes.
Considere primeiramente o caso com K
2
= 0.
Considere r
2
= 0 mas K
2
,= 0. Compare.
Considere r
1
,= 0 e r
2
,= 0, com K
1
e K
2
nao nulos. Compare.
1.5.2 Exerccio
Tente usar u
1
para controlar y
2
e u
2
para controlar y
1
. Use, por exemplo:
u
1
= K
1
s + 1
s
(r
2
y
2
) e u
2
= K
2
s + 2
s
(r
1
y
1
)
Obtenha a funcao entre R
1
e Y
1
(s) e R
2
e Y
2
(s). Investigue a estabilidade. Simule o
sistema em malha fechada. Analise.
15
Introdu cao
Alguns Problemas de Sistemas MIMO
Zeros de malha fechada. Zeros de fase n ao-mnima (abordado no captulo 3).
Polos de malha aberta de malha fechada (abordado no captulo 3).
Acoplamentos (abordado no captulo ??).
Emparelhamento (abordado no captulo ??).
16
Introdu cao
1.6 Congura coes para um Sistema 2 2
_
C
1
(s)
C
2
(s)
_
=
_
g
11
(s) g
12
(s)
g
21
(s) g
22
(s)
__
M
1
(s)
M
2
(s)
_
G
c1
(s)
G
c2
(s)
+
-
-
+
+
G
11
(s)
G
12
(s)
G
21
(s)
G
22
(s)
+
+
m1
m2
+
+
G
11
(s)
G
12
(s)
G
21
(s)
G
22
(s)
+
+
m1
m2
+
+
c1
c2
c1
c2
ou
ou
PLANTA
Figura 1.3: Diagrama esquematico de uma matriz de transferencia 2 2. Uma planta 2 2
pode ter sua vari avel controlada C
i
(i = 1 ou i = 2) relacionada ` a v ariavel manipulada 1 ou 2.
17
Introdu cao
1.7 Motiva cao 2
Exemplo dado em [56], pg. 448.
Considere o modelo simplicado de planta-piloto de coluna de destila cao:
_
X
d
(s)
X
B
(s)
_
=
_
12,8e
s
16,7s+1
18,9e
3s
21s+1
6,6e
7s
10,9s+1
19,4e
3s
14,4s+1
__
R(s)
S(s)
_
Considere que se deseja projetar um controlador multimalha, consistindo de dois
PIs. Compare o resultado da malha fechada para os possveis emparalhamentos
entre as vari aveis de entrada e sada.
Avalie a resosta quando h a varia cao no set-point de uma malha e depois de duas.
A gura 1.4 apresenta o resultado do controle. Repare os emparelhamentos dados
na tabela.
Figura 1.4:
18
Introdu cao
1.7.1 Resultados do Matlab
A gura 1.5 apresenta o resultado do controle para as duas malhas controladas com PI
dados por:
K
p
1
T
i
s
, com K
p1
= 0.945, K
p2
= 0.196, T
i2
= 9 e T
i1
= 3.26.
A gura 1.6 apresenta o resultado do controle para as malha 1 com PI e a malha 2 em
0 5 10 15 20 25 30
0
0.5
1
1.5
2
respostas temporais para y1 e y2 com PI para M1 e M2
y
1
tempo (s)
0 5 10 15 20 25 30
0.5
0
0.5
1
1.5
2
2.5
3
tempo (s)
y
2
Figura 1.5:
aberto, com M2 = 0, 0455
0 5 10 15 20 25 30
0
0.5
1
1.5
2
respostas temporais para y1 e y2 com M2 = constante
y
1
tempo (s)
0 5 10 15 20 25 30
0
0.5
1
1.5
2
tempo (s)
y
2
Figura 1.6:
19
Introdu cao
1.7.2 Exerccio
Considere o exemplo da secao 1.7. Pede-se:
a) Obtenha os resultados das guras 1.5 e 1.6.
b) Fa ca um controle an alogo ao das guras 1.5 e 1.6, mas trocando os emparelhamentos.
c) Sintonize um PI para cada malha separadamente (use Z/N, sntese direta ou outro
metodo que tenha domnio) para que a resposta ao degrau unit ario para ambas as
malhas seja adequada.
d) Simule o sistema em malha fechada para referencia r = 1 para ambas as malhas.
e) Tente criarum controlador cheio(isto e, uma matriz 2 2) que controle ade-
quadamenteas duas malhas.
1.8 Alguns Processos MIMO
Coluna de Destila cao (Benchmark denido por Skogestad): Modelo simplicado
Feed (F)
Bottoms (B)
Reflux (L)
Distillate (D)
Reflux
Drum
LT
Steam
Reboiler
LT
C
o
n
d
e
n
s
e
r
LC
LC
TT TC
FC
FC

Figura 1.7:
(2 2): (um entre varios). (Vide [78] e [56]).
G(s) =
1
75s + 1
_
87.8 86.4
108.2 109.6
_
(1.3)
20
Introdu cao
Sistema de Mistura de dois Fluidos.
Figura 1.8:
Tanques Interativos.
BA-01
FV-02
FV-03 FV-04
FV-07
F
V
-
A
Q
F
C
V
-
0
1
FV-01
FV-08
FV-06
BA-02
TQ-01
TQ-02
A
Q
-
0
1
FT-01
TQ-03
LT-01 TT-01
FCV-02
F
V
-
0
5
u
3
u
1
u
2
Figura 1.9:
21
Introdu cao
1.9 Sistema Multivariaveis: Conceitos Basicos I
1.9.1 Deni coes
Um sistema fsico pode ser representado por equa coes de estado da forma:
S :
_
x = Ax + Bu
y = Cx + Du
(1.4)
que dene uma realizacao (A, B, C, D) para o sistema S. Nessa equa cao, x(t) e um
vetor ndimensional dos estados do sistema, u(t) um vetor de entrada ldimensional
e y(t) o vetor de sada mdimensional. Para este sistema dene-se a matriz fun cao de
transferencia dada por:
G(s) = C(sI A)
1
B + D
Pode-se ainda expressar o sistema pela equa cao matricial:
_
(sI A) B
C D
__
x(s)
u(s)
_
=
_
x(0)
y(s)
_
(1.5)
Dene-se ainda uma matriz P dada por:
P(s) =
_
(sI A) B
C D
_
P e chamada de matriz do sistema (ou matriz de Rosenbrock).
As equa coes din amicas descrevem uma realiza cao do sistema fsico, dada pelas
matrizes A, B, C, D. Se D = 0 o sistema e dito ser pr oprio, caso contr ario ele e
nao pr oprio.
A an alise de sistemas MIMO e feita a partir do conhecimento de G(s) ou P(s). Di-
versas formas can onicas s ao denidas para essas matrizes, sendo que as princpais
sao as de Hermite [45], e de Smith e McMillan-Smith [52].
Zeros e p olos tambem sao denidos para as matrizes G(s) e P(s), sendo que as
denicoes e interpretacoes sao um pouco diferentes das feitas para sistemas SISO.
22
Introdu cao
1.9.2 Abordagem Entrada-Sada
No caso de ser ter m ultiplas entradas e sadas, e possvel expressar este sistema por
matrizes de transferencia, que sao matrizes racionais pr oprias, cujos elementos s ao
razoes de polin omios na vari avel s, com o grau do denominador maior ou igual ao do
numerador.
Um conceito anterior ao das Matrizes Racionais e o que dene as Matrizes
Polinomiais.
Matriz Polinomial
Uma matriz retangular, A(), m n cujos elementos sao polin omios em com coe-
cientes numericos (n umeros pertencentes ao conjunto dos complexos ou reais, depen-
dendo da abordagem) e denominada matriz polinomial.
Se o maior grau entre todos elementos de A() e N, pode-se escrever:
A() = A
0
N
+ A
1
N1
+ + A
N
,
sendo A
i
matrizes mn com elementos pertencentes ao conjunto dos n umeros complexos
(ou reais, dependendo do caso).
Ser ao consideradas durante o curso matrizes polimomiais e racionais com polin omios
com coecientes reais, a menos quando dito ao contr ario.
Algumas Deni coes
R
ps
(s) e o conjunto das funcoes racionais pr oprias est aveis. O conjunto de matrizes com
elementos em R
ps
(s) e denotado com R
pxm
ps
(s). Os elementos de R
mxm
ps
(s) sao chamados
de matrizes biproprias-biest aveis e sao caracterizadas pela propriedade de que toda
matriz e B(s) e bipropria-biest avel se, e somente se, seu determinante R
ps
(s). Uma
martriz K e bi-estavel e bi-pr opria se K e K
1
sao pr oprias e est aveis.
A uma dada matriz de transferencia G(s) pode ser a associada uma realiza cao (A, B, C, D),
geralmente denotada por:
G(s) =
_
A B
C D
_
. (1.6)
Associacao fun cao de transferencia G(s) (ou g(s)) com MATRIZ de TRANS-
FER
ENCIA, G(s), ou G(s).

23
Introdu cao
Matrizes de transferencias (G(s)) s ao tratadas em ambiente pr oprio, que faz uso
do ferramental matem aticodas matrizes polinomiais e racionais. Esse ferra-
mental dene um conjunto de lemas e propriedades para manipula cao de matrizes
cujos elementos sao polin omios.
Essa abordagem, em geral, s o e estudada em alguns contextos particulares (como
no caso de controle multivariavel). No dizer de Thomas Kailath, [45], ... it is
necessary to develop the relatively unfamiliar theory of polynomial matrices....
No trato com sistemas polinomiais (sejam fun coes ou matrizes) e importante tra-
balhar a no cao de formas reduzidas. Essas formas reduzidas est ao diretamente
ligadas as realiza coes mnimas, que por sua vez est ao associadas aos n umeros
m aximos de integradores (ou derivadores) da equa cao diferencial associada.
As realiza coes mnimas s ao obtidas a partir da fatora cao das fun coes (ou matrizes).
E estao tambem ligadas as quest oes de controlabilidade e observabilidade.
Vide [45], cap. 2, se cao 2.4 para as fatora coes de sistemas SISO e cap 6, para as
fatora coes de sistemas MIMO.
24
Introdu cao
1.10 Sistema Multivariaveis: Conceitos Basicos II
1.10.1 Intera coes e Malhas MIMO
C
1
(s)
M
1
(s)
= G
p11
(s) e
C
1
(s)
M
2
(s)
= G
p12
(s)
C
2
(s)
M
1
(s)
= G
p21
(s) e
C
2
(s)
M
2
(s)
= G
p22
(s)
As equa coes acima podem ser usadas para determinar o efeito, nas sadas, de
mudancas em M
1
ou M
2
.
Princpio da superposi cao (sistemas lineares): mudan cas simult aneas em M
1
e M
2
tem o efeito aditivo na sada:
C
1
(s) = G
p11
M
1
(s) + G
p12
M
2
(s)
C
2
(s) = G
p21
M
1
(s) + G
p22
M
2
(s)
ou
C(s) = G
p
(s)M(s)
G
p
(s) =
_
G
p11
(s) G
p12
(s)
G
p21
(s) G
p22
(s)
_
25
Introdu cao
1.10.2 Representa coes em Malha
(a)
(b)
Figura 1.10: Duas representa coes para um sistema MIMO 2 2
Emparelhamento 1 1/2 2
No esquema da gura 1.10(a), C
1
e controlado por M
1
e C
2
or M
2
. Essa congura cao e
denominada 1 1/2 2.
Emparelhamento 1 2/2 1
Uma alternativa a congura cao 1 1/2 2 e a denominada 1 2/2 1, vista na gura
1.10(a).
26
Introdu cao
Como mostrado na gura 1.10 existe uma intera cao entre mas malhas.
Essa intera cao e um problema dos sistemas MIMO (mesmo para um 2 2).
Por exemplo, para a congura cao 1 1/2 2, suponha que C
1
, ja controlada (isto e C
1
= R
1
) seja alterada. Nesse caso:
a) O controlador da malha-1 G
c1
ajusta M
1
para for car C
1
voltar ao valor inicial (R
1
).
Entretanto M
1
afeta C
2
via G
p21
.
b) Como C
2
foi alterada, o controlador da malha-2 altera M
2
para regul a-la.
1.10.3 Exerccio
Um sistema MIMO 2 2 constitudo de uma funcao G(s) com todos os elementos
est aveis, e controlado por controladores G
c1
e G
c2
est aveis, pode ter uma malha fechada
instavel ?
Observa cao
Pode ser instrutivo perceber o comportamento dinamico como uma seq uencia de eventos.
Entretanto na pr atica essa interacao ocorre continuamente e simultaneamente.
27
Introdu cao
1.10.4 Malha de Realimenta cao Escondida
Como notado por Shinskey [76], a intera cao no sistema 2 2 ocorre devido a presen ca
de uma malha escondida, denida a partir da intera cao. A gura 1.11.
Figura 1.11: Diagrama esquematico destacando a malha escondida
A malha escondidacausa alguns problemas potenciais:
Pode desestabilizar o sistema.
Diculta a sintonia da malha fechada.
A Questao da Intera cao
Se M
2
(s) = 0 (G
c2
est a em manual ou aberto, isto e C
2
M
2
aberto) ent ao:
C
1
(s)
M
1
(s)
= G
p11
(s)
Entretanto, se G
c2
est a no autom atico, M
2
(s) ,= 0, (isto e C
2
M
2
fechado) tem-se:
C
1
(s)
M
1
(s)
= G
p11
(s)
G
p12
G
p21
G
c2
1 + G
c2
G
p22
Esse resultado mostra, entre outras coisas, que os controladores n ao podem ser
sintonizados independentemente.
28
Introdu cao
1.11 Comentarios Finais
Nesse captulo ojetivou-se apresentar alguns conceitos importantes que ser ao trabalhados
posterirmente. Por hora, e importante atentar para a quest ao do acoplamento e da forma
de se representar um sistema MIMO.
A abordagem entrada-sada em sistemas MIMO remete ao estudo de um ferramental
matematico particular, a saber, o das matrizes racionais e das matrizes polinomiais.
Esse e o assunto do captulo 3.
A abordagem no espa co de estados tambem tem algumas particulares para o caso
MIMO. Mas uma questao de suma import ancia e como encontrar realizacoes para
matrizes de transferencia.
Uma vez representados os sistemas MIMO no Espa co de Estados, as formas de
projeto e an alise sao bastante semelhantes ` as do sistema SISO.
A importancia da representa cao no EE para sistemas MIMO advem do fato de se
obter um ambiente um pouco mais simples para o trato com as quest oes multivari aveis.
Ja, na abordagem entrada/sada, corre-se o risco de se necessitar de uma matem atica
mais elaborada.
No captulo 2 ser a tratada a quest ao da representa cao no EE. Deve-se atentar para
a quest ao de como encontrar realizac oes.
No captilo 3 ser ao abordadas quest oes pertinentes a teoria das matrizes polino-
miais, matrizes racionais e fatora coes matriciais.
29
Captulo 2
Introdu cao à Analise de Sistemas
Lineares
2.1 Introdu cao à Analise no Espaco de Estados
Sistema Linear: obedece o princpio da superposi cao.
Uma representa cao possvel para um sistema linear: modelo em vari aveis de es-
tado.
Vari aveis de estado s ao representa coes que formam um conjunto completo no
sentido de que, conhecidos seus valores e possvel determinar o comportamento
dinamico do sistema.
Na representa cao por vari aveis de estado, a qualquer momento t e possvel saber o
valor da sada do sistema, desde que conhecidos os valores das variaveis de estado
x(t), no referido tempo, bem como a entrada, u(t).
Um sistema LTI pode ser escrito por um conjunto de equa coes como o das equa coes
(2.1) e (2.2).
dx(t)
dt
= Ax(t) + Bu(t) (2.1)
y(t) = Cx(t) + Du(t) (2.2)
Nessas equacoes as matrizes A, B, C e D possuem dimensoes compatveis com os vetores
u(t), y(t) e x(t).
30
Introdu cao ` a An alise de Sistemas Lineares
2.1.1 Representacao no Espa co de Estados
Considera-se entao um sistema linear representado pela realiza cao (A,B,C,D), como
sendo denido no espa co de estados:
S :
_
x = Ax + Bu
y = Cx + Du
(2.3)
Para denotar a rela cao G(s) com a representa cao A, B, C, D e comum escrever:
G(s) =
_
A B
C D
_
Diz-se que A, B, C, D e uma realizacao de (ou para) G(s).
A partir da representa cao no EE e possvel analisar a estabilidade e projetar com-
pensadores, de uma forma semelhante tanto para sistemas SISO quanto MIMO.

E possvel tambem denir polos e zeros do sistema a partir da realiza cao de G(s).
2.2 Representa cao Entrada-Sada
Vide [13] captulo 2
Considere um pulso de largura e altura 1/Delta,
(t t
1
).Vide gura 2.1. Con-
sidere tambem que toda entrada u(t) possa ser aproximada por uma seq uencia desses
pulsos, isto e:
u(t)
i
u(t
i
)
(t t
i
)
(lembre-se que a altura do pulso e 1/Delta, logo
(t t
i
) ter a altura 1).
Seja g
(t, t
i
) a sada no tempo t, cuja entrada foi um pulso u(t) =
(t t
i
) aplicado
no tempo t
i
. Tem-se:
(t t
i
) g
(t, t
i
)
(t t
i
)u(t
i
) g
(t, t
i
)u(t
i
)
(t t
i
)u(t
i
)
i
g
(t, t
i
)u(t
i
)
31
Figura 2.1: Pulso aplicado em t
1
No desenvolvimento anterior, fez-se uso de duas propriedades dos sistemas lineares:
a homogeneidade e a aditividade.
Assim, a sada y(t) para uma entrada u(t) pode ser aproximada por:
y(t)
i
g
(t, t
i
)u(t
i
)
No limite:
y(t) =
_

g(t, )u()d
...que e a famosa intregal de convolu cao !!! E g(t, ) e a famosa resposta ao impulso!!
do sistema em questao.
Uma equa cao mais realista:
y(t) =
_
t
t
0
g(t, )u()d
32
Seja um sistema MIMO com p entradas e q sadas, dado por:
G(t, ) =
g
11
(t, ) g
11
(t, ) . . . g
1p
(t, )
g
21
(t, ) g
22
(t, ) . . . g
2p
(t, )
.
.
.
.
.
.
.
.
.
g
q1
(t, ) g
q2
(t, ) . . . g
qp
(t, )
, tem-se que
y(t) =
_
t
t
0
G(t, )u()d
Nao estaremos usando a nota cao de vetor durante o curso para representar os
vetores. Nas equa coes estar a implcito se a vari avel e vetor ou escalar.
2.3 Obtendo a Representa cao no Espa co de Estados
Em se tratando de sistemas dinamicos, e de se esperar que, para an alise e projeto
de controladores, parte-se do conhecimento de algum modelo. Uma representacao
basica de qualquer sistema din amico e a que faz uso de equa coes diferenciais (lin-
eares ou nao).
Considerando-se sistemas din amicos lineares (SISO ou MIMO) tem-se as repre-
senta coes via funcao (matriz) de transferencia, via espa co de estados ou mesmo
via equa coes diferenciais.
A representa cao no Espa co de Estados (EE) (domnio do tempo) est a diretamente
relacionada com a representa cao no domnio de Laplace (domnio da freq uencia),
que por sua vez est a relacionada com a representa cao em equa coes diferenciais.
Lembrando que, com um certo abuso de linguagem, podemos associar a vari avel
s com o operador derivada e a vari avel 1/s ao operador integrador.
Deve-se lembrar tambem que representacoes em FT (ou MT) consideram condi coes
iniciais nulas. Ja no EE isto n ao e condicao necessaria (para haver a representa cao).
Exemplo 2.1 (Exemplo de Sistema Linear) Considere o sistema g(s) = 1/(s + 1)
denindo a rela c ao entre y(s) e u(s):
y(s) = g(s) u(s) (s + 1)y(s) = u(s) y(t) + y(t) = u(t)
33
Considerando condi c oes iniciais nulas. Escolha por, exemplo, a sada y(t) como sendo
um estado:
x
1
(t) = y(t)
Teremos ent ao:
x
1
(t) = x
1
(t) + u(t)
y(t) = x
1
(t) + 0u(t)
Que est a na forma
x(t) = Ax(t) + Bu(t) (2.4)
y(t) = Cx(t) + Du(t) (2.5)
2.3.1 Exerccio
Para os dois circuitos da gura 2.2, obtenha a representa cao no espa co de estados e a
funcao de transferencia.
C
R1
e
i
L
R2
e
o
b)
a) C
R
e
i
e
o
L
Figura 2.2: Circuitos para Exerccio da subse cao 2.3.1
34
2.4 Solu cao para a Equa cao de Estados
Vide [13] captulo 4.
2.4.1 Abordagem Entrada Sada
y(t) =
_
t
t
0
g(t, )u()d (2.6)
Para achar a sou cao y(t) pode-se resolver a equa cao 2.6.
N ao existe solu cao an alitica simples.
Pode-se calcula-la discreta (passo de integra cao dado por ):
y(k) =
k
m=k
0
g(k, m)u(m)
Pode-se resolve-la via Transformada de Laplace. (Fracoes parciais e Laplace In-
versa...)
2.4.2 Abordagem no Espa co de Estados
Dado o sistema din amico de realiza cao (A, B, C, D) (equa cao (2.3)), com um estado ini-
cial x(t
0
) e uma entrada u(t), a resposta din amica x(t) para t t
0
pode ser determinada
por:
x(t) = e
A(tt
0
)
x(t
0
) +
_
t
t
0
e
A(t)
Bu()d (2.7)
sendo a matriz exponencial
e
At
= I +
k=1
(At)
k
k!
(existem outras formas de calcul a-la). A sada e dada por
y(t) = Cx(t) + Du(t).
35
2.4.3 Sistemas Discretos
Pode-se ainda fazer uso da presenta cao no EE para sistemas discretos (equa coes de
diferenca e funcoes F(z)).
S :
_
x(k + 1) = Ax(k) + Bu(k)
y(K) = Cx(k) + Du(k)
(2.8)
2.4.4 Exerccio
Mostre que a solu cao de (2.3) e dada pela equa cao (2.7).
Vide [13], captulo 4, p agina 87 a 89.
Resolva os exemplos 4.1 e 4.2 de [13] p agina 89.
2.4.5 Autovalores e Autovetores
Deni cao 2.1 Um n umero real e chamado autovalor de uma matriz real n n, A,
se existir um vetor n ao nulo x tal que
Ax = x
Importante ainda denir o autovetor.

Deni cao 2.2 Qualquer vetor n ao nulo x satisfazendo Ax = x e denominado autove-
tor (` a direita) de A, associado ao autovalor .
Para encontrar os autovalores de A resolve-se a equa cao

Ax = x ou Ax = Ix I e a matriz identidade.
Ou:
(A I)x = 0 (2.9)
Se (A I) for n ao singular a unica solucao possvel para a equa cao acima e
x = 0. Logo, para que (2.9) tenha solu cao (A I) deve ser singular, isto e seu
determinante deve ser nulo.
36
Dene-se ainda o polin omio caracterstico de A.
Deni cao 2.3 O polin omio caracterstico da matriz A, de coecientes reais e dado por:
() = p(s) = det(I A)
Logo os autovalores de A podem ser encontrados como a solu cao de p(s) = 0.
O polin omio p(s) ter a a ordem igual a dimens ao de A. Isto e, uma matriz n n
possui n autovalores e n solucoes para equa cao polinomial p() = 0.
Um polin omio e dito ser m onico se seu termo de maior ordem possui o coeciente
1.
2.4.6 Solu cao da Equa cao de Estados Revisitada
Dado o sistema din amico de realiza cao (A, B, C, D) (equa cao (2.3)) sabe-se que a solu cao
pode ser encontrada a partir da matriz exponencial. No caso, em se tendo A diagonal,
tem-se uma solucao particular.
Para uma realiza cao onde A e diagonal, A
d
= SAS
1
, tem-se que:
e
A
d
t
= diage
i
(A)t
sendo
i
(A) o i-esimo autovalor de A. Refere-se ao termo e
i
(A)t
como o modo
associado ao auto valor
i
(A).
Lembre-se que o autovalor
i
sastaz
Ap
i
=
i
p
i
sendo p
i
o autovetor correspondente. Veja deni coes 2.1 e 2.2.
2.5 Estabilidade
A estabilidade de um sistema dinamica pode ser avaliada a partir da matriz A de sua
representa cao no espa co de estados.
37
Teorema 2.1 ([78], pg. 128)
Um sistema din amico linear, x = Ax + Bu e est avel se e somente se todos os p olos
estao no semi-plano esquerdo aberto (OLHP, open left-half plane), isto e, 1
i
(A) <
0i. Uma matriz A que satisfa ca essa condicao e dita ser estavel ou Hurwitz.

i
(A) e o espectro de A
Existem muitas questoes que envolvem o espectro de A: se todos os autovalores s ao
distintos, se existem autovalores repetidos, se s ao reais ou complexos, por exemplo.
Os autovalores da matriz A denem o comportamento din amico do sistema e
podem ser encontrados com a solu cao da equa cao (AI)x = 0.
2.6 Algumas Deni c oes de

Algebra Linear
2.6.1 Bases, Representa coes e Espacos
Espa co real linear n-dimensional denotado por 1
n
.
Todo vetor x 1
n
e um conjunto de n elementos tais que:
x =
x
1
x
2
.
.
.
x
n
O conjunto de vetores x, x
1
, x
2
, x
m
(cada um consistindo em um vetor de n
elementos como o dado na equa cao acima) e dito ser linearmente dependente
(LD) se existirem escalares reais,
i
(i = 1, . . . , m), nao todos nulos, tais que:
1
x
1
+
2
x
2
+ +
m
x
m
= 0. (2.10)
Caso contr ario (isto e, a equa cao 2.34 s o e satisfeita para todos os nulos) diz-se
que os vetores sao linearmente independentes (LI).
38
Considere o sistema de equacoes na representa cao matricial dado por:
Ax = y (2.11)
sendo A uma matriz mn, y um vetor m1 e x um vetor n 1. A e y sao dados. x
e a inc ognita. Assim tem-se m equa coes e n vari aveis desconhecidas.
Sabe-se que, dependendo do problema, o n umero de equa coes pode ser maior,
menor ou igual ao n umero de incognitas.
2.6.2 Range, Rank, Nulidade e Espa co Nulo
Condi coes para a solu cao de (2.11) s ao denidas em rela cao a estrutura de A. A partir
dessa estrutura, denem-se alguns termos.
Range
O range de A (range space) e denido como sendo todas as combina coes lineares de
todas as colunas de A.
Rank ou Posto
O posto (rank) de A e denido como sendo a dimensao do range (isto e do espa co
denido pelas colunas de A).
Vetor Nulo
Um vetor x e denominado vetor nulo de A se Ax = 0.
Espaco Nulo
O espaco nulo de A consiste de todos os vetores nulos de A.
Nulidade
A nulidade (nullity) e denida como sendo o n umero m aximo de vetores LI (linearmente
independentes) que sao solu cao de Ax = 0.
39
Rela c oes Importantes
Considere A mn
Nulidade(A) = n umero de colunas de A - rank(A)

O rank (posto) de A e denido como sendo o n umero de colunas LI de A. E
tambem e igual ao n umero de linhas LI de A. Sendo assim, para A m n
tem-se que:
rank(A) min(m, n) Asendo uma matriz mn.
No MATLAB use os comandos orth, null e rank.
Denota-se para o rank e para a nulidade.
No MATLAB a solucao para Ax = y pode se encontrada com o comando A y.
2.6.3 Teorema Importante
Teorema 2.2 (Chen, [13], pg. 50)
1. Dada uma matriz (mn) A, um vetor (m1), y e um vetor x (n1), a solu cao
para Ax = y exisitira se e somente se y estiver no espaco range de A, ou
equivalentemente
(A) = ([A y]).
Nesse caso, [A y] uma matriz (m(n + 1)) com y acrescentada como uma
coluna adicional de A.
2. Dada A, a solucao x para Ax = y existir a para todo y se e somente se A tiver
rank m (rank completo para linha).
40
2.6.4 Exerccio
Seja A dada por
A =
0 1 1 2
1 2 3 4
2 0 2 0
Pede-se:
1. Quantas colunas LI A possui ? Quais s ao elas.
2. Quantas colunas LD A possui ? Quais ?
3. Dena uma base que pode ser usada para o range de A ?
4. Qual a nuliade de A ?
5. Quais os vetores nulos de A ?
6. Veriifque se An
i
=0, sendo n
i
os vetores nulos encontrados no item anterior.
7. Resolva a equa cao Ax = y para y = [1 2 3]
T
e y = [0 0 1]
T
.
2.6.5 Espa cos Invariantes e Complementares
Espaco Invariante
Deni cao 2.4 Dada uma matriz A, nn em um subespa co de ordem n, um subespa co
S e dito ser invariante sobre A, ou simplesmente invariante se:
As S s S.
Complemento Ortogonal
Se S e um subespaco, diz-se que S
e o seu complemento ortogonal, denido como:

Deni cao 2.5 Dados vetores y e x e um sub-espa co S T, tem-se
S
= y T
n
: y
x = 0 x S
onde T pode ser o conjunto dos complexos, c ou dos reais 1. Diz-se que S e S sao
complementares.
41
2.6.6 Exerccio: Outras Deni coes
Dada uma matriz A n n
1. Dena seu determinante, seus cofatores e menores.
2. Dena o que e uma matriz singular e uma n ao-singular.
3. Dena sua matriz adjunta adj(A).
4. Dena o inverso de A em funcao de sua matriz adjunta e seu determinante. Mostre
como caria A
1
para uma matriz generica A 2 2 cujos elementos fossem deno-
tados por a
i,j
(i, j = 1, 2).
2.7 Algumas Matrizes Importantes
2.7.1 Matrizes Companheiras
As matrizes:
0 0 0
4
1 0 0
3
0 1 0
2
0 0 1
1
1

2

3

4
1 0 0 0
0 1 0 0
0 0 1 0
e suas transpostas
0 1 0 0
0 0 1 0
0 0 0 1
4

3

2

1
1
1 0 0
2
0 1 0
3
0 0 1
4
0 0 0
possuem todas o mesmo polin omio caracterstico

p() = () =
4
+
1
3
+
2
2
+
3
+
4
(e comum usar p(s) no lugar de p(), por raz oes obvias...).
Essas matrizes sao denominadas matrizes companheiras.
42
2.7.2 Matriz Diagonal: Autovalores reais distintos
Se todos os autovalores de A sao distintos pode-se obter uma forma diagonal para A,
denotada por , formada pelo autovalroes na diagonal isto e:
=
1
0 0 . . . 0
0
2
0 . . . 0
0 0
3
. . . 0
.
.
.
.
.
.
.
.
.
.
.
.
0 0 0 . . .
n
(2.12)
Sendo os autovalores distintos tem-se que (q
i
sao os autovetores associados):
Aq
i
= q
i
O conjunto de todos autovetores q
i
forma uma base linearmente independente (LI)
Se form denida a matriz Q formada pelos autovetores q
i
, isto e:
Q = [q
1
q
2
. . . q
n
] (2.13)
ent ao a matriz ser a dada por = Q
1
AQ
2.7.3 Exerccio
Dada a matriz A:
A =
0 0 0
1 0 2
0 1 1
Pede-se:
a) O polin omio caracterstico.
b) Os autovalores e autovetores associados.
c) A matriz Q como denida em (2.13).
d) Uma equivalente diagonal de A (matriz , como denda em (2.12))
e) Verique se Q = AQ.
f) Verique os c alculos usando eig no matlab (que retorna os autovalores e autovetores).
43
2.7.4 Autovalores Complexos

E possivel que a matriz A, mesmo tendo todos elementos reais, tenha autovalores
complexos.
Polos complexos sempre est ao em pares conjugados.
No caso de se admitir autovalores complexos, tem-se que considerar que o espa co
linear, que antes era real, deva ser complexo, no sentido que os escalares que
formam o conjunto LI (base) possam assumir valores complexos.
Isto e, na equa cao (2.34), admte-se
i
complexo.
Por exemplo, considere a equa cao Av = 0:
Av =
_
1 1 + j
1 j 2
_
v = 0
Nesse caso os possveis vetores v forem considerados apenas reais, n ao haver a
solucao n ao-nula para a equa cao acima. Nesse caso A ter a duas colunas LI.
Entretanto se v puder assumir valores complexos, entao haver a uma solu cao n ao-
nula para a equa cao acima, a saber:
v =
_
2
1 j
_
Nesse caso as colunas de A sao LD !. No primeiro caso o rank de A seria 2. No
segundo ser a 1.
Havendo autovalores complexos, considera-se espacos lineares complexos com
escalares e autovetores complexos.
A matriz conjugada e A passa ser a matriz conjugada complexa de A
2.7.5 Exerccio
Verique, no Matlab, o rank de A dada por
A =
_
1 1 + j
1 j 2
_
44
2.7.6 Forma de Jordan: Autovalores nao Todos Distintos
Quando autovalores s ao repetidos, diz-se que h a multiplicidade.
Ou, dene-se um autovalor de multiplicidade 2 ou maior como sendo um autovalor
repetido.
Autovalores que n ao possuem multiplicade s ao ditos serem simples.
Se A possui autovalores repetidos, possivelmente nao haver a uma forma diagonal
para A.
Nesse caso haver a uma forma bloco diagonal para A.
Teorema 2.3 (Vide [?])
Seja a matriz L
k
() uma matriz k k da forma:
L
k
() =
1 0 . . . 0
0 1 . . . 0
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
1
.
.
.
.
.
.
0 0 . . .
,
com L
1
() = . Entao, existe uma matriz T tal que (considere A n n):
J = T
1
AT =
L
k
1
(
1
) 0
0 L
k
2
(
2
)
0 0
.
.
.
0 0 0 0 L
kr
(
r
)
,
com k
1
+ k
2
+ + k
r
= n.
Essa representa cao J e a forma de Jordan da matriz A.
Os n umeros
i
sao os autovalores de A, nao necessariamente todos distintos.
Por exemplo se A e de terceira ordem (3 3) e possui um autovalor

1
de multiplicade
3 ent ao

A pode ser escrita como:
A
1
=
1
0 0
0
1
0
0 0
1
45
ou
A
2
=
1
0 0
0
1
1
0 0
1
ou ainda.
A
3
=
1
1 0
0
1
1
0 0
1
2.7.7 Comentarios
A forma bloco-diagonal de Jordan est a associada ao fato da base para matrizes que
possuem autovalores repetidos n ao poder ser montadacom os seus respectivos
autovetores.
No caso de se ter todos os autovalores distintos, tem-se que a base pode ser dada
pelo conjunto de autovetores, q
i
, associados aos autovalores
i
. Isto e, a partir de
Aq
i
=
i
q
i
obtem-se a base.
No caso de haver multiplicidade, tem-se que calcular os autovetores general-
izados. Um autovetor generalizado de ordem n e tal que:
(AI)
n
v = 0
e ao mesmo tempo:
(AI)
n1
v ,= 0
Matrizes de Jordan s ao bloco diagonais (triangulares) e podem ser usadas para
estabelecer muitas propriedades de matrizes.
2.7.8 Gerando a Matriz de Jordan
Vide [13], pagina 59.
46
Exemplo para Nulidade = 1 (de (A I))
Considere uma matriz A n n com um autovalor de multiplicade n.
Ou seja, considere que A tenha apenas um autovalor com multiplicidade igual a
sua dimensao (isto e,
1
=
2
=
3
=
4
= ).
Para simplicar, considere que n = 4.
Com essas consideracoes, a matriz (A I) ter a rank n 1 = 3, ou equivalente-
mente, ter a nulidade 1.
Estara sendo usada a nota cao de vetor, para enfatizar a presen ca dos autovetores
nas equa coes que se seguem.
Nesse caso a equacao Aq = q, isto e:
(AI)q = 0,
possui apenas uma solu cao independente (as outras s ao LD dessa).
Logo A ter a apenas um autovetor q
1
associado a .
Como fazer para gerar uma base ? (nao podemos usar os autovetores, j a que eles
nao s ao LI).
Sao necessarios (n 1) = 3 vetores adicionais (no caso 3 vetores adicionais), para
se formar uma base LI no espa co da matriz (n = 4, logo, 1
4
.
Os tres vetores que faltam, denotados por q
2
, q
3
e q
4
serao escolhidos para satis-
fazerem
(AI)
2
q
2
= 0
(AI)
3
q
3
= 0
(AI)
4
q
4
= 0
47
2.7.9 Deni cao dos Autovetores Generalizados
Como dito anteriromente, um vetor v e o denominado autovetor generalizado
se satizer
(A I)
n
v = 0
e ao mesmo tempo:
(A I)
n1
v ,= 0
Se n = 1, tem-se que (AI)v = 0 e v ,= 0, sendo portanto v o pr oprio autovetor
de A.
Se n = 4, denem-se:
v
4
= v
v
3
= (AI)v
4
= (A I)v
v
2
= (AI)v
3
= (A I)
2
v
v
1
= (AI)v
2
= (A I)
3
v
Tem-se denido acima uma cadeia de autovetores generalizados de ordem
4.
Essa cadeia possui a propriedade:
(AI)v
1
= 0 (AI)
2
v
2
= 0 (AI)
3
v
3
= 0 (AI)
4
v
4
= 0
Esses vetores, pela forma que foram gerados, ja sao LI e podem ser
usados como uma base !.
A partir dessas rela coes tem-se que:
Av
1
= v
1
Av
2
= v
1
+ v
2
Av
3
= v
2
+ v
3
Av
4
= v
3
+ v
4
48
Assim a representa cao de Jordan, em relacao à base v
1
, v
2
, v
3
, v
4
sera:
J =
1 0 0
0 1 0
0 0 1
0 0 0
Exemplo para Nulidade = 2

Considere agora que (AI) possui rank n 2, isto e, nulidade 2. Ent ao a equa cao
(AI)q = 0
possuir a duas solucoes LI.
Logo A possuir a dois autovetores LI e ser a necessario gerar (n 2) autovetores
generalizados.
2.7.10 Transforma cao de Similaridade
As representa coes no espa co de estados de um sistema LTI n ao s ao unicas.
Se A e diagonaliz avel, pode-se considerar uma mudan ca de variavel do tipo =
T
1
x (ou = Tx) tal que T
1
AT seja diagonal (ou TAT
1
seja diagonal):
=

A +

Bu (2.14)
y =

C +

Du (2.15)
Nesse caso, as novas matrizes do sistema sao dadas por:
A = T
1
AT

B = T
1
B

C = CT

D = D
O sistema dado pelas equa coes (2.14) e (2.15) possui o mesmo comportamento din amico
do original(da representacao original).
Exemplo 2.2 (Transforma cao de Similaridade [39], pg. 493)
49
Considere o sistema dado pela seguinte representa cao A, B, C, D:
A =
4 1 1
0 3 1
1 1 3
B =
1
1
0
C =
_
1 1 0
_
D = 0
Se A pode ser diagonalizada por uma transforma cao de similaridade:
A = = T
1
AT
e se A possui todos os autovalores distintos, ent ao:
= diag
1
,
2
, . . . ,
n
No caso acima n = 3 e os autovalores de A sao

1
,
2
,
3
, sendo 5, 3, 2. Con-
hecidos A e , tem-se que T vale:
T =
0, 8018 0, 7071 0
0, 2673 0, 7071 0, 7071
0, 5345 0 0, 7071
.
As matrizes

B ,

C e

D podem ser calculadas conhecida a matriz T.
50
2.8 Representa cao no Espa co de Estados
Estado de um sistema em um tempo t, x(t) representa a quantidade de in-
forma caonecessaria para determinar o comportamento futuro da sada desse sis-
tema se as entradas sao conhecidas.
S :
_
x = Ax + Bu
y = Cx + Du
(2.16)
Uma das vantagens da representa cao no EE e que sistemas SISO e MIMO s ao
tratados de forma semelhante.
Mostra-se que:
G(s) = C(sI A)
1
B + D
Passar da representa cao no EE para entrada-sada n ao e uma tarefa simples (prin-
cipalmente para sistemas MIMO).
G(s) =
b
1
s
n1
+ b
2
s
n2
+ + b
n1
s + b
n
s
n
+ a
1
s
n1
+ + a
n1
s + a
n
Formas Companheiras
E possvel obter algumas representa coes no EE que apresentem algumas particulari-

dades, no sentido de oferecerem facilidades para a relacao entrada-sada com EE. Essas
representa coes amig aveissao uteis tanto na determina cao da realiza cao a partir de
G(s), quanto na caracteriza cao do sistema a partir da realiza cao.
Formas Can onicas
A seguir sao apresentadas algumas formas companheiras.
Sabe-se que, para o SISO, tem-se a representacao can onica de controle (con-
troller cannonical form:
x(t) =
a
1
a
2
. . . a
n1
a
n
1 0 . . . 0 0
0 1 . . . 0 0
.
.
.
.
.
.
.
.
.
.
.
.
0 0 . . . 1 0
x(t) +
1
0
0
.
.
.
0
u(t)
51
y(t) = [ b
1
b
2
. . . b
n1
b
n
]x(t)
Compare essa representacao com a dada na se cao ??.
Tem-se tambem a forma can onica do observador:
x(t) =
a
1
1 0 . . . 0
a
2
0 1 . . . 0
.
.
.
.
.
.
.
.
.
.
.
.
a
n1
0 0 0 1
a
n
0 0 0 0
x(t) +
b
1
b
2
.
.
.
b
n1
b
n
u(t)
y(t) = [ 1 0 0 . . . 0 ]x(t)
Compare essa representacao com a dada na se cao ??.
Essas representacoes estao relacionadas com duas caractersticas do sistema de
controle: controlabilidade e observabilidade.
Essas duas formas (entre outras) s ao f aceis de serem obtidas a partir de g(s). Da
a denomina cao de companheiras.
Nem sempre e facil, dada uma g(s), encontrar uma boarepresenta cao no EE.
Para sistemas MIMO os problemas s ao maiores...
52
2.9 Deni c oes Elementares de Sistemas Lineares
As deni coes aqui apresentadas s ao baseadas em Zhou et al [96], Kailath [45] e Skoges-
tad e Postlethwaite [78]. Considera-se um sistema linear representado pela realizacao
(A,B,C,D):
S :
_
x = Ax + Bu
y = Cx + Du
(2.17)
2.9.1 Controlabilidade e Observabilidade
Deni cao 2.6 Um estado x do sistema linear representado pela realiza c ao (A, B, C, D)
e dito ser control avel se para um dado valor inicial, x(0) = x
0
um dado tempo nito
t
1
> 0 e um estado nal, x
1
, existe um entrada u(.) tal que a soluc ao da equa cao (2.17)
satisfa ca x(t
1
) = x
1
.
Deni cao 2.7 Um sistema e dito ser control avel se todos seus estados sao control aveis.
Dizer que um sistema e control avel equivale a dizer que o par (A, B) e control avel.
Deni cao 2.8 Um estado x do sistema linear representado pela realiza c ao (A, B, C, D)
e dito ser observ avel se para todo tempo t
1
> 0 nito, pode-se determinar um estado
inicial inicial, x(0) = x
0
a partir dos valores de u(t) e y(t) no intervalo [0, t
1
] (isto e
informa c oes passadas de u e y).
Deni cao 2.9 Um sistema e dito ser observ avel se todos seus estados sao observ aveis.
Dizer que um sistema e observ avel equivale a dizer que o par (C, A) e observ avel.
Teorema 2.4 ([45],pg. 366) (teste PBH dos autovetores)
1. O par A, B sera control avel se e somente se n ao existir autovetores de A que
s ao ortogonais a todas as colunas de B, isto e, se e somente se:
p
A = p
B = 0 p 0
2. O par A, C sera control avel se e somente se n ao existir autovetores de A que
s ao ortogonais a todas as lihas de C, isto e, se e somente se:
Ap = p Cp = 0 p 0
53
Teorema 2.5 ([45],pg. 366) (PBH do posto das matrizes)

1. O par A, B sera control avel se e somente se a matriz: (A 1
n
1
n
)
[sI A B] possuir posto (rank) n para todo s. (2.18)
2. O par A, C sera observ avel se e somente se a matriz
_
C
sI A
_
possuir posto (rank) n para todo s. (2.19)
Na teoria das matrizes polinomiais, matrizes (sIA) e B que satisfazem a condicao

(2.18) s ao ditas serem primas relativas ` a esquerda (ou coprimas a esquerda), (rel-
atively left prime).
matrizes C e (sI A) que satisfazem a condicao (2.19) s ao ditas serem primas
relativas ` a diretia (ou coprimas a direita), (relatively right prime).
2.9.2 Teorema sobre Controlabilidade
O teorema seguinte resume os resultados sobre controlabilidade.
Teorema 2.6 (Vide [96], pg. 47)
As seguintes arma coes sao equivalentes:
i) (A, B) e control avel.
ii) A matriz W
c
abaixo e positiva denida para todo t > 0.
W
c
(t) =
_
t
0
e
A
BB
e
A
d
iii) A matriz de controlabiliade, c, dada abaixo possui posto (rank) completo para
a linha (full row rank).
c =
_
B AB A
2
B . . . A
n1
B
_
54
iv) A matriz [(A I) B] possui posto (rank) completo em linha para todo c.
v) Seja um autovalor com o correspondente autovetor x (` a esquerda) de A, isto e,
seja x
A = x
. Entao x
B ,= 0.
vi) Os autovalores de A + BF podem ser alocados sem quaisquer restri coes (exceto a
de que p olos complexos devem aparecer em pares conjugados), a partir da escolha
da matriz F.
2.9.3 Teorema sobre Observabilidade

O teorema seguinte resume os resultados sobre observabilidade.
Teorema 2.7 (Vide [96], pg. 50)
As seguintes arma coes sao equivalentes:
i) (A, C) e observ avel.
ii) A matriz W
o
abaixo e positiva denida para todo t > 0.
W
o
(t) =
_
t
0
e
A
Ce
A
d
iii) A matriz de observabilidade, O, dada abaixo possui posto (rank) completo para
a coluna (full column rank).
O =
_
B AB A
2
B . . . A
n1
B
_
iv) A matriz
_
(AI)
C
_
possui posto (rank) completo em coluna para todo c.
v) Seja um autovalor com o correspondente autovetor y (à direita) de A, isto e, seja
Ay = y. Entao Cy ,= 0.
vi) Os autovalores de A + LC podem ser alocados sem quaisquer restri coes (exceto a
de que p olos complexos devem aparecer em pares conjugados), a partir da escolha
da matriz L.
55
2.10 Mais Denic oes
Considere-se o sistema S1 dado na equacao (5.5).
S1 :
x = Ax + bu
y = cx + dy
(2.20)
A e n n, b e n 1, c e 1 n e d e 1 1. Seja o polin omio caracterstico da matriz A
dado por:
() = det( I A) =
n
+
1
n1
+ +
n1
+
n
2.10.1 Forma Can onica Controlavel
Se o sistema n-dimensional LTI S1, da equa cao (5.5) e control avel, ent ao ele pode ser
transformado, por uma transforma cao de equivalenica, na forma:
CS1 :
x =
0 1 0 . . . 0 0
0 0 1 . . . 0 0
0 0 0 . . . 0 0
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
0 0 0 . . . 0 1
n

n1

n2
. . .
2

1
x +
0
0
0
.
.
.
0
1
u
y =
_

n

n1

n2
. . .
2

1
_
x + du
(2.21)
sendo
1
,
2
, . . . ,
n
sao os coecientes do polinomio caracterstico de A e
i
sao calcula-
dos a partir do modelo S1. A equa cao din amica (2.21) e denominada forma can onica
controlavel. A funcao de transferencia de CS1:
g(s) =

1
s
n1
+
2
s
n2
+ +
s
n
+
1
s
n1
+ +
n1
+
n
+ e
Prova: vide [12].
56
Algumas Rela coes Importantes
Sejam U e

U as matrizes de controlabilidade do sistema original e do modicado,
respectivamente:
U = [b Ab . . . A
n1
b] e U = [
b

A
b . . .

A
n1
b]
Entao:
P =

UU
1
e Q = U

U
1
Seja
Q [q
1
q
2
. . . q
n
] P
1
E sejam as rela coes:
x = Px x = Q x
A = Q
1
AQ AQ = Q

A

b = Q
1
b c = cQ
Seja a rela cao para
i
obtida de:
c = cQ = [
n

n1

n2
. . .
1
]
2.10.2 Forma Can onica Observavel
Se o sistema n-dimensional LTI S1, da equa cao (5.5) e observ avel, ent ao ele pode ser
transformado, por uma transforma cao de equivalenica, na forma:
OS1 :
x =
0 0 . . . 0
n
1 0 . . . 0
n1
0 1 . . . 0
n2
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
0 0 . . . 1
1
x +
n1
n2
.
.
.
u
y =
_
0 0 . . . 1
1
_
x + du
(2.22)
57
sendo
1
,
2
, . . . ,
n
sao os coecientes do polinomio caracterstico de A e
i
sao calcula-
dos a partir do modelo S1. A equa cao din amica (2.21) e denominada forma can onica
observavel. A funcao de transferencia de OS1:
g(s) =

1
s
n1
+
2
s
n2
+ +
n1
s +
n
s
n
+
1
s
n1
+ +
n1
+
n
+ d
Prova: vide [12].
Algumas Considera coes Importantes
A equivalencia entre 5.5 e 2.22 e dada pela rela cao:
x = Px
que pode ser obtida pela deni cao de P
P =

V
1
V Q = V
1
V
V =
c
cA
.
.
.
cA
n1
V =
c
c

A
.
.
.
c

A
n1
= V P
1
= V Q
2.10.3 Estabilizabilidade e Detectabilidade
Deni cao 2.10 Um sistema e dito estavel se todos os autovalores de A estao no semi-
plano esquerdo do plano complexo, isto e Re(A) < 0. Neste caso diz-se que a matriz
A e est avel ou Hurwitz.
Deni cao 2.11 [78]
1. Um sistema ser a estabilizavel se todos os seus modos instaveis s ao control aveis.
2. Um sistema ser a detect avel se todos os seus modos instaveis s ao observ aveis.
58
Os teoremas 2.8 e 2.9 formalizam estas deni coes.
Teorema 2.8 [96]
As seguintes arma coes sa equivalentes:
1. (A,B) e estabilizavel.
2. A matriz [AI, B] possui posto completo para linha para todo Re 0.
3. Para todo e x tal que x
A = x
e Re 0, tem-se x
B ,= 0.
4. Existe uma matriz F tal que A + BF e Hurwitz.
As deni coes para detectabilidade s ao duais ` a de estabilizabilidade.
Teorema 2.9 [96]
As seguintes arma coes sa equivalentes:
1. (C,A) e detect avel.
2. A matriz
_
AI
C
_
possui posto completo para coluna para todo Re 0.
3. Para todo e x tal que Ax = x e Re 0, tem-se Cx ,= 0.
4. Existe uma matriz L tal que A+ LC e Hurwitz.
5. (A
, C
) e estabilizavel.
Comentario 2.1
No sistema control avel assessa-se todos os estados atravese do sinal de entrada.
No sistema observ avel mede-se todos os estados na sada.
No sistema detectavel os modos insta aveis devem ser observ aveis e no sistema
estabiliz avel eles devem ser control aveis.
A propriedade de se ter A+BF e A+LC Hurwitz est a particularmente relacionada
com o fato se ter um controlador estabilizante para o sistema (A,B,C,D). O con-
trolador H
, por exemplo assume que (A, B, C) seja estabiliz avel e detetect avel.
59
2.11 Autovalores e Estabilidade
Vide [45], [12], [78], [96].
Dado o sistema din amico de realiza cao (A, B, C, D) (equa cao (2.17)), com um es-
tado inicial x(t
0
) e uma entrada u(t) a resposta din amica x(t) para t t
0
pode ser
determinada por:
x(t) = e
A(tt
0
)
x(t
0
) +
_
t
t
0
e
A(t)
Bu()d
sendo a matriz exponencial
e
At
= I +
k=1
(At)
k
k!
(existem outras formas de calcul a-la). A sada e dada por
y(t) = Cx(t) + Du(t).
Para uma realiza cao onde A e diagonal, A
d
= SAS
1
, tem-se que:
e
A
d
t
= diage
i
(A)t
sendo
i
(A) o i-esimo autovalor de A. Refere-se ao termo e
i
(A)t
como o modo associado
ao auto valor
i
(A). Lembre-se que o autovalor
i
sastaz
Ap
i
=
i
p
i
sendo p
i
o autovetor correspondente.
Teorema 2.10 ([78], pg. 128)
Um sistema din amico linear, x = Ax+Bu e est avel se e somente se todos os polos est ao
no semi-plano esquerdo aberto (OLHP, open left-half plane), isto e, 1
i
(A) < 0i.
Uma matriz A que satisfa ca essa condicao e dita ser estavel ou Hurwitz.
60
2.12 Realiza cao Mnima: observavel e controlavel
Vide [78], pg. 126.
Deni cao 2.12 (Realizacao Mnima)
Uma realiza cao (A, B, C, D) de G(s) e dita ser uma realizacao mnima de G(s) se
A possuir a menor dimens ao possvel (isto e o menor n umero de estados). A menor
dimens ao e denominada Grau de McMillan de G(s)(por motivos que car ao claro
adiante).
Um modo e dito ser um modo escondido (hidden mode) se ele n ao e control avel
(state controllable) ou n ao e observ avel, de forma que ele n ao aparece na realiza c ao
mnima.
Uma vez que apenas estados control aveis e observ aveis contribuem para o compor-
tamento de entrada-sada do sistema (entre u e y), segue-se que uma realiza cao ser a
mnima se e somente se (A, B) for control avel e (A, C) for observ avel.
Realizacao
Encontrar uma realiza cao a partir de uma matriz de transferencia, G(s) n ao e uma
tarefa f acil. Encontr a-la na forma mnima e uma tarefa mais difcil ainda.
Um caminho usual para encontrar tal representa cao e dado a partir dos p olos da
matriz G(s).
Exemplo 2.3 Considere o sistema escalar:
A =
_
2 2
0 4
_
, B =
_
1
1
_
, C =
_
1 0
_
D = 0
A fun cao de transferencia e:
G(s) = C(sI A)
1
B =
1
(s + 4)
Enquanto a realiza cao possui dois estados, G(s) possui apenas 1. Existe um estado em
(A, B, C, D) que n ao e control avel.
Exerccio: (Prove que esse estado existe). Interprete o resultado.
61
2.13 P olos e Zeros (Introdu cao)
Tanto em sistemas SISO como MIMO e importante obter os p olos e zeros, como forma
de avaliar o comportamento din amico dos mesmos. Para sistemas MIMO o c alculo dos
polos e zeros nem sempre e algo trivial.
Polos e Zeros: Importante para a caracteriza cao do sistema.
Diferenca entre abordagem SISO e MIMO.
Vide secao 3.9.
Deni cao 2.13 Por p olos entenda-se os autovalores (considerando-se suas multiplici-
dades) da matriz A. O polin omio dos polos, (usalmente (s) ou p(s)) e o polinomio
caracterstico, formado por det[I A].
Para se denir os p olos de G(s) (MIMO) pode-se fazer:

G(s) = C(sI A)
1
+ D
1
det[sI A]
[c(sI A)
a
B + D[det[sI A]],
sendo (sI A)
a
a matriz adjunta de (sI A) (transposta conjugada).
Da expressao acima tem-se que todos os polin omios do denominador de G(s) sao
divisores do polin omio dos p olos. Ou seja, todos os denominadores dos elementos
de G(s) tem, no mnimo o denominador comum (de todos os denominadores dos
elementos de G(s)).
Em geral o p olo do sistema MIMO pode ser calculado a partir dos menores de
G(s).
Logo, para se calcular os p olos e zeros deve-se antes denir os menores
2.13.1 Exerccio
1. Diga (sem fazer c alculo algum) qual e (ou quais s ao) o(s) p olo(s) do sistema dado
por G(s)
G(s) =
_
2
s+1
3
s+2
1
s+1
1
s+1
_
62
2. Para esse sistema, dena ainda uma realiza cao.
3. Para a matriz G(s), encontre todos os menores.
2.14 Zeros em Sistemas MIMO: Introdu cao
Denidos a partir da matriz de Rosenbrock.
Diversos tipos de zeros: Zeros de transmiss ao, Zeros de sistema, etc.
Vide secao 3.10.
2.14.1 Exerccio
1. Para as fun coes de transferencia dadas a seguir, diga quais s ao os p olos e os zeros.
a)
g
1
(s) =
4
(s + 1)(s + 2)
b)
g
2
(s) =
1
(s + 1)
c)
g
3
(s) =
2
(s + 1)
d)
g
4
(s) =
1
2(s + 1)(s + 2)
e)
g
5
(s) =
s + 1
s
2
1
2. Dada G(s) a seguir diga quais s ao seus p olos e zeros:
G(s) =
_
4
(s+1)(s+2)
1
(s+1)
2
(s+1)
1
2(s+1)(s+2)
_
63
2.15 Decomposi cao Can onica (ou de Kalman)
(Vide [39] pg. 513 a 516, [45], pg. 134 ou [96] pg. 53 a 58) Como armado em [45], pg.
134, essa decomposi cao foi enunciada pela primeira vez por Gilbert [36] e Kalman [66].
Como se sabe, existem in umeras maneiras de se descrever um dado sistema din amico.
Sabe-se tambem que existem coordenadasque s ao mais vantajosas para se expressar
um dado sistema.
Genericamente falando, seja uma dada matriz T 1
\\
nao singular. Dena:
x = Tx
Assim o sistema original (dado por exemplo pelas equa coes 5.5) pode ser alterado para
(transforma cao de similaridade):
x = TAT
1
x + TBu (2.23)
y = CT
1
x + Du (2.24)
Essas equacoes representam o mesmo sistema original (para qualquer matriz T nao
singular). Pode-se ver que a G(s) calculada a partir de A, B, C, D sera a mesma se
calculada por

A,

B,

C,

D
2.15.1 Teoremas da Decomposi cao Can onica
Consridera-se a tranforma cao de coordenadas para um sistema que n ao e completamente
controlavel e/ou completamente observ avel. Ser a considerada a seguinte transforma cao:
_
A B
C D
_
_

A

B
C

D
_
=
_
TAT
1
TB
CT
1
D
_
Considerando-se essa transforma cao as matrizes de controlabilidade e de observabil-
idade estao relacionadas por:
c = Tc e

O = OT
1
Teorema 2.11 ([96], pg. 54)
A controlabilidade (ou estabilizabilidade) e a observabilidade (ou a detectabilidade) s ao
invariantes para transforma coes de similaridade.
64
Teorema 2.12 ([96], pg. 54)
Se a matriz de controlabilidade c possuir posto k
1
< n, ent ao exisitr a uma transforma c ao
de similaridade dada por:
x =
_
x
c
x
c
_
= Tx
tal que:
_

x
c
x
c
_
=
_

A
c

A
12
0

A
c
__
x
c
x
c
_
(2.25)
y =
_

C
c

C
c
_
_
x
c
x
c
_
+ Du (2.26)
com

A
c
c
k
1
k
1
e (

A
c
,

B
c
) control avel. Alem disso,
G(s) = C(sI A)
1
B + D =

C
c
(si

A
c
)
1

B
c
+ D
O teorema anterior pode ser colocado de forma compacta no corol ario seguinte.
Corolario 2.12.1 Se um sistema e estabilizavel e a matriz de controlabilidade c possuir
posto k
1
< n, entao, existe uma transforma c ao de similaridade T tal que:
_
TAT
1
TB
CT
1
D
_
=
A
c

A
12

B
c
0

A
c
0
C
c

C
c
D
com

A
c
c
k
1
k
1
, (

A
c
,

B
c
) control avel e

A
c
estavel.
Por dualidade, tem-se os seguintes resultados para um sistema que n ao e completa-

mente observavel.
Teorema 2.13 Se a matriz de observabilidade O possui posto k
2
n, ent ao existe uma
transforma cao de similaridade T tal que:
_
TAT
1
TB
CT
1
D
_
=
A
o
0

B
o
A
21

A
o

B
o
C
o
0 D
com

A
o
c
k
2
k
2
e (

C
o
,

A
o
, ) observ avel.
65
Corolario 2.13.1 Se o sistema e detect avel e a matriz de observabilidade O possui

posto k
2
n, ent ao existe uma transforma cao de similaridade T tal que:
_
TAT
1
TB
CT
1
D
_
=
A
o
0

B
o
A
21

A
o

B
o
C
o
0 D
com

A
o
c
k
2
k
2
, (

C
o
,

A
o
, ) observ avel e

A
o
estavel.
Pelos dois resultados acima, tem-se ainda que:

G(s) = C(si A)
1
B + D = c
o
(sI

A
o
)
1

B
o
+ D
Combinando-se os dois resultados anteriores, tem-se a Decomposicao Can onica
de Kalman.
Teorema 2.14 Seja um sistema LTI descrito pelas equa coes ??. Entao existe um trans-
forma cao de coordenadas (de similiaridade) efetuada por uma matriz T n ao singular,
do tipo x = Tx, tal que:
co
x
x
c
o
x
x
co
x
x
c
o
x
A
co
0

A
13
0
A
21

A
c o

A
23

A
24
0 0

A
co
0
0 0

A
43

A
c o
x
co
x
c o
x
co
x
c o
B
co
B
c o
0
0
u (2.27)
y =
_

C
co
0

C
co
0
_
x
co
x
c o
x
co
x
c o
+ Du (2.28)
ou equivalentemente:
_
TAT
1
TB
CT
1
D
_
=
A
co
0

A
13
0

B
co
A
21

A
c o

A
23

A
24

B
c o
0 0

A
co
0 0
0 0

A
43

A
c o
0
C
co
0

C
co
0 D
66
onde x
co
e control avel e observ avel, x
c o
e control avel mas nao e observ avel, x
co
e ob-
serv avel mas n ao control avel e x
c o
n ao e observ avel nem control avel.
A partir do teorema acima, tem-se o seguinte corol ario

Corolario 2.14.1 (Rela cao Matriz de Transferencia com Espa co de Estados)
Considere a matriz de transferencia H(s) que relaciona y(t) com u(t) pela rela c ao:
Y (s) = H(s)U(s).
Entao:
H = C(si A)
1
B + D =

C
co
(sI

A
co
)
1

B
co
+ D
2.15.2 Comentarios I
O corol ario 2.14.1 mostra que as partes (ou os modos) n ao control aveis e n ao
observ aveis de um sistema linear n ao aparecem na fun cao (matriz) de transferencia.
Reciprocamente, dada uma funcao (matriz) de transferencia e possvel encontrar
uma realiza cao que seja completamente observ avel e completamente control avel.
Essa realizacao (completamente observ avel e control avel) e a realiza cao mnima
do sistema (da fun cao ou matriz de transferencia).
Repare que G(s) sendo a mesma, usando-se (A, B, C, D) ou (

A
co
,

B
co
,

C
co
, D), o
comporatamento interno do sistema e completamente diferente.
2.15.3 Comentarios II
Denota-se por [M] o conjunto de autovalores de uma dada matriz quadrada M. Assim,
considerando-se essa notacao, tem-se o seguinte resultado:
[

A] = [

A
co
] [

A
c o
] [

A
co
] [

A
c o
]
sendo:
[

A] os autovalores do sistema
67
[

A
co
] autovalores do sistema control avel e observavel
[

A
c o
] autovalores do sistema control avel e mas n ao observ avel
[

A
co
] autovalores do sistema observavel mas n ao control avel.
[

A
c o
] autovalores do sistema n ao observ avel e n ao control avel.
2.15.4 Comentario III
Considere um sistema que e control avel mas n ao observ avel possui dois autovalores,
a
e
b
. Dize-se que os modos e
at
e e
b
t
sao control aveis mas n ao observ aveis.
68
2.16 Introdu cao à Realimenta cao por Variaveis de
Estado
Considere o modelo no espa co de estados com m entradas e p sadas:
x(t) = A
0
x(t) + B
0
u(t) (2.29)
y(t) = C
0
u(t) (2.30)
sendo x(t) 1
n
, u(t) 1
m
e y(t) 1
p
.
O objetivo da realimenta cao de estados e encontrar uma matriz K 1
mn
tal que
A
0
B
0
K tenha seus autovalores no SPE. Alem disso e comum especicar uma
dada regiao do SPE, relacionada a uma determinada especica cao de desempenho.
A estrategia usual para achar a matriz K em sistemas SISO n ao se aplica a sistemas
MIMO.
Porem existem procedimentos particulares para o caso MIMO.
Uma das abordagens MIMO para a escolha de K faz uso da otimiza cao quadr atica.
Para detalhes vide apendice ??.
Em linhas gerais, a ideia central desse projeto e encontrar K a partir de um
problema de minimizacao de uma fun cao de custo quadr atica, da forma:
J =
_
tr
0
_
x(t)
T
x(t) + u(t)
T
u(t)
dt.
Nessa funcao de custo, 1
nn
e uma matriz simetrica nao-negativa denida e
1
mm
e uma matriz simetrica positiva denida.
Mostra-se (vide apendice ??) que quando t
f
a lei de controle que otimiza
essa funcao de custo possui a seguinte forma:
u(t) = Kx(t). (2.31)
Nessa caso, K =
1
B
T
0
P, com P 1
nn
sendo uma matriz P = P
T
0, solu cao
da seguinte Equa cao de Riccati (ARE) Contnua:
0 = + A
T
0
P + PA
0
PB
T
0

1
B
0
P (2.32)
69
O teorema ?? mostra que, desde que o par (A
0
, B
0
) seja estabiliz avel e (
1/2
, A
0
) seja
detect avel, entao existe uma solu cao (n ao-negativa denida) unica para a equa cao (5.4)
e que garante que a lei de controle (5.3) estabiliza a malha.
70
2.17 Realimenta cao de Estados: SISO
Nessa secao estuda-se o efeito de uma realimenta cao do tipo:
u = r + Kx r pode ser nulo,
sobre a equa cao din amica S1 (equa cao (5.5)). A vari avel r est a associada a referencia
aplicada ao sistema e K e a matriz ganho (ou simplesmente ganho) do sistema em
malha fehcada.
Nas deducoes dessa sessao considera-se que todos os estados estejam disponveis
para serem realimentados.
A realimenta cao de estados dada na gura 5.1. Considere o sistema S1 da equa cao
5.5. Considere o ganho k, com k = [k
1
k
2
. . . k
n
].
k
c
A
b
d
+
+
r u y x
x
dt
d
int
+
+ +
+
Figura 2.3: Representacao de uma realimenta cao de estaods
A malha fechada do diagrama da gura 5.1 pode ser dada por:
S1mf :
x = (A+ bk)x + br
y = (c + dk)x + dr
(2.33)
Teorema 2.15 A equa cao dinamica S1mf, (5.6), e control avel para qualquer vetor k,
1 n se e somente se a equa cao S1, 5.5 for control avel.
Corolario 2.15.1 A controlabilidade de um sistema MIMO, LTI, dado pela equa cao ??
e invariante sobre uma realimenta cao de estados da forma u(t) = r(t) + K(t)x(t).
71
Embora a realimenta cao de estados preserve a controlabilidade, ela quase sempre

altera a propriedade da observabilidade, no sentido de destru-la, isto e o sistema
em malha fechada nao e mais observ avel.
2.17.1 Aloca cao de P olos via Realimenta cao de Estados
Teorema 2.16 Se o sistema din amico SISO, S1, dado em (5.5) e control avel entao, a
partir de uma realimenta cao de estados, u = r + kx, com k sendo um vetor 1 n, os
autovalores de (A+bk) podem ser arbitrariamente alocados, considerando-se obviamente,
que os autovetores complexos sejam atribudos em pares.
72
2.18 Adendo: Realiza cao Mnima
Considere:
H(s) = C(sI A)
1
B =
b(s)
a(s)
A realiza cao (A, B, C) sera mnima se e somente se
a(s) = det(sI A) s b(s) = C adj(sI A)B
forem primos, isto e, se nao houver fator comum entre eles. Ou ainda, se n ao houver
cancelamento. Diz-se nesse caso que b(s)/a(s) s ao irredutveis.
Exemplo 2.4 Considere:
A =
_
2 2
0 4
_
B =
_
1
1
_
C =
_
1 0
_
D = 0
Assim:
det(sI A) = det
_
s + 2 2
0 s + 4
_
= (s + 2)(s + 4)
e
Cadj(sI A)B =
_
1 0
_
_
s + 2 2
0 s + 4
__
1
1
_
= (s + 2)
Logo,
H(s) =
(s + 2)
(s + 2)(s + 4)
=
1
(s + 4)
Caso MIMO, as matrizes devem ser primaspara se ter a realiza cao mnima.
Passar de (A,B,C,D) para H(s) e mole !!! O inverso, nem sempre.
Logo H(s) sera sempre mnima.... (a menos que vc. coloque algum polo igual a
um zero).
73
2.19 Bases Matriciais
Considere um espaco linear n-dimensional, 1
n
. Todo vetor em 1
n
e um conjunto de n
elementos (n-tuple) de n umeros reais tais que
x =
x
1
x
2
.
.
.
x
n
O conjunto de vetoresx = [x
1
, x
2
, x
m
]
T
(cada um consistindo em um vetor de n elementos
como o dado na equa cao acima) e dito ser linearmente dependente (LD) se existirem
escalares reais,
i
(i = 1, . . . , m), nao todos nulos, tais que:
1
x
1
+
2
x
2
+ +
m
x
m
= 0 (2.34)
Se o unico conjunto existente para que 2.34 seja satisfeita e o conjunto:
1
= 0,
2
= 0, . . .
n
= 0,
ent ao o conjunto de vetores x = [x
1
, x
2
, x
m
]
T
e dito ser linermente independente (LI).
Se o conjunto (2.34) e LD, ent ao existe pelo menos um
i
(por exemplo o
1
, que e
diferente de zero. Ent ao (2.34) implica em:
x
1
=
1
1
[
2
x
2
+
3
x
3
+ +
m
x
m
] (2.35)
=
2
x
2
+
3
x
3
+ +
m
x
m
(2.36)
sendo
i
=
i
/
1
A expressao dada em (2.36) e denominada combina cao linear.
A dimensao do espa co linear pode ser denida como sendo o n umero maximo de
vetores LI no espa co. Um espa co 1
n
ter a, no maximo n vetores LI.
2.19.1 Bases e Representacoes
Um conjunto de vetores LI em 1
n
e chamado de base se todo vetor em 1
n
pode ser
expresso por uma combina cao linear unica desse conjunto.
74
Em 1
n
, qualquer conjunto de n vetores LI pode ser usado como base.
Seja q
1
, q
2
, . . . , q
n
uma base (q
i
sao vetores.
Assim todo vetor x pode ser escrito como:
x =
1
q
1
+
2
q
2
+ +
n
q
n
(2.37)
Dena a matriz quadrada (n n).
Q [q
1
q
2
. . . q
n
]
Entao (2.37) pode ser escrita como:
x = Q
2
. . .
(2.38)
x = Q x (2.39)
O vetor x, dado por x = [
1
2
. . .
n
]
e a representacao do vetor x na (ou em rela cao

à) base [q
1
, q
2
. . . q
n
].
2.19.2 Base Ortonormal
Todo espa co 1
n
possui a base ortonormal:
i
1
=
1
0
0
. . .
0
0
, i
2
=
0
1
0
. . .
0
0
, i
n1
=
0
0
0
. . .
1
0
, i
n
=
0
0
0
. . .
0
1
Em relacao ` a essa base, tem-se que:

x =
x
1
x
2
. . .
x
n
= x
1
i
1
+ x
2
i 2 + + x
n1
i
n1
+ x
n
i
n
= I
n
x
1
x
2
. . .
x
n
sendo I
n
uma matriz identidade de ordem n.
Ou seja, a presenta cao de qualquer vetor x na base ortonormal e o pr oprio vetor.
75
Exemplo 2.5 (Representa cao em Diferentes Bases. Vide [13] pg. 46)
Vide gura 2.4. Considere um vetor x = [1 3]
em 1
2
. Os dois vetores q
1
= [3 1]
e q
2
[2 2]
sao LI, e portanto podem ser usados como base. Se forem desenhadas a partir de
x duas retas paralelas ` a q
1
e q
2
, a interse cao delas com os respectivos vetores (q
1
e q
2
)
denira a representacao de x em relacao à base [q
1
q
2
]. Elas interceptam em q
1
e q
2
.
Assim a representa cao de x em rela cao ` a [q
1
q
2
] sera [1 2]
.
Isso pode ser vericado fazendo-se:
x =
_
1
3
_
= [q
1
q
2
]
_
1
2
_
=
_
3 2
1 2
__
1
2
_
.
Outra base: Para encontrar a representa cao de x em rela cao à base [q
2
i
2
], desenha-
se retas paralelas ` a i
2
e q
2
. Elas interceptar ao os vetores da base em 0, 5q
2
e 2i
2
. A
representa c ao de x nessa base sera [0, 5 2]
.
x
q1
q2
0 i
1
i
2
Figura 2.4: Vide [13] pg. 47. Representa cao de um vetor em diferentes bases.
76
2.19.3 Exerccio
Para o exemplo 2.5, encontre a representa cao de x na base [i
2
, q
1
] e na base [i
1
, q
1
. Fa ca
por constru cao (usando a gura) e por c alculo matricial.
2.20 Transforma cao de Base
Vide [13].
Considere uma matriz A nn. Ela mapeia 1
n
em 1
n
. Se for denida um base orto-
normal em 1
n
(vide subsecao 2.19.2), ent ao a i-esima coluna de A sera a representa cao
de Ai, na base ortonormal.
Se for selecionada uma base diferente, q
1
, q
2
, . . . q
n
, ent ao a matriz A ter a uma nova
representa cao,

A.
Para essa nova representacao tambem ha uma rela cao entre as colunas de

A e a Aq
i
(em analogia a Ai).
Isto e, a nova representa cao, a i-esima coluna de

A e a representa cao de Aq
i
em
relacao à base q
1
, q
2
, . . . q
n
.
Veja o exemplo a seguir.
Exemplo 2.6 Seja a matriz
A =
3 2 1
2 1 0
4 3 1
Seja b = [0 0 1]
. Seja ainda os seguintes produtos:

Ab =
1
0
1
, A
2
b = A(Ab) =
4
2
3
, A
3
b = A(A
2
b) =
5
10
13
Com essas op c oes, tem-se que:

A
3
b = 17b 15Ab + 5A
2
b
Assim, os vetores b, Ab e A
2
b sao LI.
Sendo LI eles forma uma base
77
Para calcular A nessa base, faz-se:
A(b) =
_
b Ab A
2
b
_
0
1
0
A(Ab) =
_
b Ab A
2
b
_
0
0
1
A(A
2
b) =
_
b Ab A
2
b
_
17
15
5
Assim a representa cao de A na base [b, Ab, A

2
b] sera:
A =
0 0 17
1 0 15
0 1 5
2.20.1 Transforma cao de Similaridade: Matrix Companheira

O exemplo anterior pode ser usado para motivar um procedimento de mudan ca de base.
Seja A uma matriz nn. Se existir um vetor b n1 tal que os n vetores b, Ab, . . . , A
n1
b
sejam LI e se:
A
n
b =
1
b +
2
Ab + +
n
A
n1
b
ent ao a representa cao de A na base [b, Ab, . . . , A
n1
b] sera:
A =
0 0 . . . 0
1
1 0 . . . 0
2
0 1 . . . 0
3
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
0 0 . . . 0
n1
0 0 . . . 1
n
A matriz acima e uma matriz companheira.

78
2.21 Transforma cao de Similaridade Revisitada
Usando a nota cao das transforma coes de base acima estudadas, nesta secao apresenta-se
uma revis ao da transforma cao de similaridade.
Seja a equa cao
Ax = y (2.40)
Nessa equa cao, a matriz quadrada A mapeia x 1
n
em y 1
n
. Em rela cao a base
q
1
, q
2
, . . . , q
n
, a equa cao torna-se:
A x = y, (2.41)
sendo x e y representa coes de x e y em relacao a base q
1
, q
2
, . . . , q
n
. Como visto
anteriormente, a rela cao entre esses vetores e dada por:
x = Q x y = Q y
com
Q =
_
q
1
q
2
. . . q
n
_
(2.42)
sendo Q uma matriz n ao-singular n n.
Levando (2.42) em (2.40) tem-se:
AQ x = Q y e Q
1
AQ x = y (2.43)
Comparando esta equa cao com a (2.41), tem-se que:
Essa e a transforma cao de similaridade. As matrizes A e

A sao similares.
A = Q
1
AQ ou A = Q

AQ
1
(2.44)
A equa cao (2.44) pode ser escrita como:
AQ = Q

A
ou ainda:
A
_
q
1
q
2
. . . q
n
_
=
_
Aq
1
Aq
2
. . . Aq
n
_
=
_
q
1
q
2
. . . q
n
_

A
A rela cao acima mostra que a i-esima coluna de

A e a representa cao de Aq
i
em
rela cao ` a base
_
q
1
q
2
. . . q
n
_
.
79
2.22 Adendo: Observabilidade e Controlabilidade
A gura 2.5 apresenta um sistema que possui um estado n ao control avel. Considere que
o estado x e a tensao no capacitor C. Se x(0) = 0, ent ao x(t) = 0 para todo t 0,
independentemente do valor da entrada u aplicada. Isso, naturalmente, ocorre devido
ao equilbrio da ponte. Assim sendo o estado e nao control avel (e como s o h a esse estado,
o sistem todo e nao control avel).
R R
R R
R= 1
C
u
y
Figura 2.5: Circuito RC n ao control avel
A gura 2.6 apresenta outro exemplo de um sistema n ao control avel. Considere
denidos os estados x
1
e x
2
, como mostrado na gura. O sinal de entrada u pode alterar
o valor de x
1
ou x
2
para qualquer valor, mas nao pode alterar x
1
e x
2
(separadamente)
para qualquer valor.
R= 1
C=1F
u
x
2
C=1F
R= 1
x
1
Figura 2.6: Circuito RC n ao control avel
80
A gura 2.7 apresenta um circuito como exemplo de um sistema n ao control avel.
Se a entrada e nula, independentemente do valor da tens ao no capacitor, a sada ser a
identicamente nula. Assim, conhece-se a entrada e a sada (ambas s ao zero) mas n ao se
pode determinar o valor do estado inicial (x(0)). Assim o circuito, ou melhor, a equa cao
de estado que o descreve, e nao observ avel.
R
R
R R
R= 1
C
u
y
x
Figura 2.7: Circuito RC n ao observ avel
A gura 2.8 (a) apresenta outro circuito n ao observ avel (ou melhor, cuja repre-
senta cao e nao observ avel). O circuito possui duas vari aveis de estado, x
1
e x
2
, sendo,
respectivamente, a corrente no indutor e a tens ao no capacitor. A entrada u e uma fonte
de corrente. Se u = 0, o circuito pode ser visto como o da gura (b). Se x
1
(0) = ,
com sendo uma constante n ao nula e se x
2
= 0, ent ao a sada ser a nula. Qualquer
x(0) = [x
1
(0) x
2
(0)]
= [ x
2
(0)]
resultar a na mesma sada, y(t) = 0. Assim, n ao h a

como determinar o valor do estado inicial ([ x
2
(0)]
) unicamente e portanto a equa cao

que descreve o sistema e nao observ avel.
81
C=1F
b)
a)
R=1
L=1H
u R=1
y
x1
x2
C=1F
R=1
L=1H
u R=1
y
x1
x2
Figura 2.8: Circuito RC n ao observ avel
2.23 Resumo dos Resultados mais Importantes
Representa cao entrada e sada: resposta ao impulso, integral de convolu cao.
Representa cao no Espa co de Estados: realizacao A, B, C, D.
Solu cao da equa cao de estados: matriz exponencial ou solu cao da integral de
convolu cao.
Autovalores e Autovetores.
Polin omio caraceterstico.
Bases, espa co nulo, nulidade, rank, range.
Estabilidade.
Matrizes diagonais e de Jordan.
Matrizes companheiras e canonicas.
Transforma cao de Similaridade.
Mudando da EE para ES e vice-versa.
Controlabilidade e Observabilidade.
Polos e Zeros.
82
Realiza cao Mnima.
Realimentacao de Estados.
83
Captulo 3
Matrizes Polinomiais e Racionais
3.1 Objetivo do Captulo
Apresentar deni coes e teoremas relacionados com a teoria de Matrizes Polinomi-
ais.
Apresentar metodos para, dada uma matriz racional G(s) encontrar sua realiza cao.
Apresentar formas para diferenciar realiza cao mnima de uma n ao mnima.
Denir fatora coes e decomposi coes matriciais .
Denir polin omio caracterstico, polin omio dos p olos, dos zeros e propriedades
correlatas.
Denir matrizes coprimas e propriedades que as envolvem.
Formalizar a deni cao de P olos e Zeros de sistemas MIMO.
Denir transforma coes elementares para matrizes polinomiais e racionais.
Apresentar formas can onicas para matrizes racionais e polinomiais: Hermite, Smith-
McMillan.
Relacionar essas formas com propriedades dos sistemas.
84
3.2 Matrizes Polinomiais - Introdu cao
Vide denicoes de matrizes racionais e polinomiais na subse cao 1.9.2.
Nas denicoes que se seguem, supoe-se tratar de um sistema linear, invariante no
tempo, descrito pelas equa coes din amicas:
x = Ax + Bu (3.1)
y = Cx + Du (3.2)
Sabe-se que G(s) = C(sI A)
1
B + D.
As funcoes de transferencia(na verdade, para sistemas MIMO tem-se matrizes
de transferencia) de sistemas MIMO sao dadas por matrizes racionais (raz oes de
polin omios) ou fatoradas em matrizes polinomias (matrizes de polinomios).
Existem diveros teoremas e deni coes relacionados com matrizes polinomiais e
racionais. A seguir serao apresentados alguns.
Deni cao 3.1 (Matriz Polinomial)
Uma matriz Q(s) = [q
ik
(s)] 1
nm
e uma matriz polinomial se seus elementos
q
ik
(s) sao polin omios em s (para todo i, k, i = 1, 2, . . . n e k = 1, 2, . . . m.
Deni cao 3.2 (Matriz Unimodular)
Uma matriz polinomial e dita Unimodular se seu determinante e uma constante n ao
nula.
Teorema 3.1 Uma matriz polinomial A(s) e unimodular se e somente se sua inversa
e tambem uma matriz polinomial.
3.2.1 Matrizes Polinomiais M ultiplas
Considere a igualdade A(s) = B(s)C(s), onde A, B e C sao matrizes polinomiais. A
partir desta igualdade denem-se
1. C(s) e divisor ` a direita de A(s)
2. A(s) e m ultiplo ` a esquerda de C(s)
85
3. B(s) e divisor a esquerda de A(s)
4. A(s) e m ultiplo ` a direita de B(s)
Considere, agora duas matrizes polinomiais N(s) e D(s). Uma matriz polinomial
R(s) sera chamada de divisor comum à direita de N(s) e D(s) se existirem as matrizes
N(s) e

M(s), polinomiais, tais que:
N(s) =

N(s)R(s) e D(s) =

D(s)R(s)
(considerando o n umero de linhas e colunas apropriados para as multiplica coes)
Deni cao 3.3 O maximo divisor comum à direita (MDCD) (ou GCRD, great-
est commom right divisor) de duas matrizes N(s) e D(s) e uma matriz R(s) com as
seguintes propriedades:
1. R(s) e divisor comum de N(s) e D(s).
2. Se R
1
(s) e outro divisor comum de N(s) e D(s) , ent ao R
1
(s) e divisor comum
de R(s), isto e, existe uma matriz P(s) tal que R(s) = W(s)R
1
(s) (ou seja R(s)
e m ultiplo à esquerda de R
1
(s)).
(A deni cao m aximo divisor comum ` a esquerda e an aloga, com as devidas altera coes.)
Comentario 3.1 A partir dessas deni c oes desenvolvem-se opera coes para encontrar
o MDCD (ou MDCE) e apresentam-se teoremas a respeito das propriedades de D(s),
N(s). Vide Chen, 1984, [12] - apendice G e Kailath, 1986 - cap. 6, [45].
Deni cao 3.4 Duas matrizes polinomiais s ao primas relativas ou coprimas (a es-
querda ou direita) se seus MDCD (ou MDCE) sao unimodulares. Esta denicao
arma que duas matrizes sao coprimas se elas n ao possuirem fatores comuns. (An alogo
à n umeros primos).
86
3.3 Fra c oes Coprimas de Matrizes Racionais
Considere uma matriz racional pr opria, q p. A fra cao G(s) = N(s)D
1
(s) (G(s) =
N
1
(s)D(s)) e chamada de fracao coprima ` a direita (esquerda) se N(s) e D(s) forem
coprimas à direita (esquerda).
Ambas (direita ou esquerda) s ao chamadas de fra coes irredutveis.
Dada uma G(s) e possvel obter varias fra coes (ou decomposi coes), algumas irre-
dutveis outras n ao. Entretanto, todas s ao relaciondas com o seguinte teorema.
Teorema 3.2 Considere uma matriz racional pr opria q p com a fra cao coprima ` a
direita . Ent ao para outra fra cao existe uma matriz polinomial p p, n ao singular T(s)
tal que
N(s) = N(s)T(s) e

D(s) = D(s)T(s)
Se a fra c ao for coprima ` a direita, ent ao T(s) e unimodular.
Este teorema arma que todas fra coes irredutveis s ao relacionadas por matrizes
unimodulares.
Comentario 3.2 (Resultado 1.1) Uma matriz polinomial P(s) de rank (posto) em
coluna completo e irredutvel se suas linhas s ao coprimas ` a direita. Vide [45], pg. 380.
87
3.4 Polin omio Caracterstico e Grau de uma Matriz
Racional
Teorema 3.3 Seja o seguinte sistema linear SISO invariante no tempo expresso pela
realiza cao A, B, C, D e pelas equa coes din amicas:
x = Ax + Bu (3.3)
y = Cx + Du (3.4)
A equa c ao dinamica ser a irredutvel (controlavel e observavel) se e somente se
dimens ao de A = grau de g(s)
Com este teorema e possvel determinar se um sistema SISO e irredutvel a partir do
grau de sua fun cao de transferencia. Para sistemas multivari aveis e desejavel se ter
um teorema analogo. Antes, entretanto e necessario denir o que e denominadorpara
sistema MIMO.
3.4.1 Denominador Comum de um Sistema MIMO
Deni cao 3.5 (Polin omio Caracterstico de uma Matriz)
O polin omio caracterstico, (usualmente denotado por (s), p(s) ou (s)) de uma
matriz racional pr opria G(s) e denido como sendo o mnimo m ultiplo comum dos
denominadores de todos os menores (n ao nulos) de G(s). O grau de G(s), denotado por
G(s), e denido como o grau do polin omio caracterstico.
Comentario 3.3
O polinomio caracterstico denido acima e tambem chamado de polinomio dos
polos(pole polynomial.
Em geral, o polinomio caracterstico de G(s) e diferente do denominador do deter-
minante de G(s) e do mnimo denominador comum dos elementos (entradas)
de G(s)
88
Ao calcular o polin omio caracterstico, todo menor da matriz deve ser reduzido ` a
sua forma irredutvel
A denicao seguinte e an aloga ` a denicao 3.5
Deni cao 3.6 Seja uma matriz G(s) racional pr opria fatorada como
G(s) = N
r
(s)D
1
r
(s) = D
1
l
(s)N
l
(s).
Assume-se que D
r
(s) e N
r
(s) sao coprimas pela direita e D
l
(s) e N
l
(s) sao coprimas
pela esquerda. Ent ao o polin omio caracterstico de G(s) e denido como:
det (D
r
(s)) e det (D
l
(s))
e o grau de G(s) e denido como:
grau de G(s) = grau de [det (D
r
(s))] ou grau de [det (D
r
(s))]
(A equivalencia das deni coes e pode ser vericada usando-se as formas can onicas
de Smith-McMillan)
O teorema seguinte e o an alogo ao teorema 3.3 para o caso MIMO
Teorema 3.4 Seja a realizacao A, B, C, D de matriz de transferencia G(s) de um
sistema MIMO. A realiza cao sera irredutvel (controlavel e observavel) se e somente
se:
dimens ao de A = grau de G(s)
89
3.5 Realizacao de Um Sistema MIMO: Exemplo
Seja H(s) dada por:
H(s) =
_
1
(s1)
2
1
(s1)(s+3)
6
(s1)(s+3)
2
(s2)
(s+3)
2
_
E possvel associar diferentes realizacoes a essa matriz, isto e, encontrar diferentes ma-
trizes A, B, C e D tais que:
H(s) = C(sI A)
1
B + D
(vide [45], pg 346 a 348).
Exemplos de Duas Realiza coes
1) Uma realiza cao possvel e obtida a partir de realiza coes individuais para cada g
ij
(s),
isto e:
A =
2 1
1 0
1 0
2 3
5 3 9
1 0 0
0 1 0
6 9
1 0
B =
_
1 0 0 0 1 0 0 0 0
0 0 1 0 1 0 0 1 0
_
T
e C =
_
0 1 0 1 1 0 0 0 0
0 0 1 0 1 0 6 1 2
_
2) Uma outra realiza cao possvel pode ser obtida a partir de uma fatoracao dos polin omios
de H(s):
Escreva H(s) fatorada:
H(s) =
1
(s 1)
2
(s + 3)
2
_
(s + 3)
2
(s 1)(s + 3)
6(s + 1) (s 2)(s 1)
2
_
=
1
d(s)
_
N
1
s
3
+ N
2
s
2
+ N
3
s + N
4
90
sendo d(s) = s
r
+ d
1
s
r1
+ + d
r
.
d(s) e o mnimo m ultiplo comum dos denominadores de todos elementos de
H(s).
Assim, em analogia ` a realiza cao can onica de controle, tem-se uma realiza cao (de
ordem 8) dada por:
A =
d
1
I
m
d
2
I
m
. . . d
r
I
m
I
m
0 . . . 0
.
.
.
.
.
.
.
.
.
.
.
.
0 I
m
0
B =
_
I
m
0 0 . . . 0
_
T
e C =
_
N 1 N
2
. . . N
r
_
Neste caso, tem-se um sistema com m entradas, I
m
e uma matriz identidade mm.
A ordem dessa realiza cao e r m = 4 2 = 8.
Repare que o denominador possui ordem 4.
A ordem dessa realiza cao (can onica) e rm. Pode-se obter uma dual, de ordem rp.
Pergunta:
E possvel encontrar uma realiza cao de menor ordem ?

Lembre-se que para o caso escalar, se n ao houver cancelamento, a realiza cao
mnima ter a a ordem do polin omio do denominador (polin omio dos p olos), d(s).
E de se esperar que no caso MIMO a menor realiza cao tenha ordem de d(s)...
Vide [45], pg. 348 (e redondezas).
3.5.1 Exerccios
1. Ler p aginas 346 a 353 de [45].
2. Fazer exerccio 6.1.1 (a), pg. 352.
91
3.6 Realizacao Mnima
Uma realiza cao mnima e aquela que possui a menor ordem para A que satisfa cao G(s) =
C(sI A)
1
B.
Teorema 3.5 Uma realiza cao e mnima se e somente se for control avel e observ avel.
A matriz H(s) pode ser representada como:

H(s) =
N(s)
d(s)
Nesse caso d(s) possui grau r. Em geral as realiza coes (mais obvias) possuem
ordem maior que r. Considera-se que a entrada e de ordem m. (existem m
entradas). Considera-se ainda que existam p sadas.
Como visto anteriormente, algumas realiza coes (naturais) tinham ordem 9 e 8.
Consideremos agora, outra representa cao para H(s).
Ela pode tambem ser escrita como uma fra cao de matrizes:
H(s) = N
R
(s)D
1
R
(s), D
R
= d(s)I
m
, N
R
(s) = N(s)
Nesse caso d(s) possui ordem r, como dado no incio dessa subsecao. Lembre-se
que a ordem de uma realiza cao obtida (can onica do controlador ou observador era,
respectivamente, rm e rp.
O grau da matriz do denominador e:
deg[D
r
(s)] deg[det[D
R
(s)]] = rm Pois D
R
(s) = d(s)I
m
Pode-se ainda escrever:
H(s) = D
1
L
N
L
(s), D
L
= d(s)I
p
, N
L
(s) = N(s)
O grau da matriz do denominador e:
deg[D
L
(s)] deg[det[D
L
(s)]] = rp
92
Essas formas s ao semelhantes a fatora cao de uma raz ao de polin omios (caso es-
calar).
Com a diferenca que no caso matricial deve-se atentar para a ordem da divis ao.
Denem-se no caso matricial matrizes para o denominador a esquerda e a direita.
Esssas representacoes sao as denominadas Descricao Fracional de Matrizes,
MFD, do ingles, Matriz-Fraction Description.

E possvel obter varias MFDs de uma matriz.
Exemplo 3.1
H(s) =
_
s
(s+1)
2
(s+2)
2
s
(s+2)
2
s
(s+2)
2
s
(s+2)
2
_
(3.5)
Que pode ser escrita como:
H(s) =
_
s s(s + 1)
2
s(s + 1)
2
s(s + 1)
2
__
(s + 1)
2
(s + 2)
2
0
0 (s + 1)
2
(s + 2)
2
_
1
Ou seja:
H(s) = N
1
(s)D
1
(s)
com grau[det[D
1
(s)]] = 8.
93
Outras Fatora coes Para o Exemplo 3.1
Podem ser obtidas outras fatora coes para H(s) dada em (3.5). Vejamos...
1. Multiplique a primeira coluna de H(s) por p
1
(s), sendo p
1
(s) o mnimo m ultiplo
comum (lcm, least common multiple) dos denominadores da primeira coluna.
Fa ca o mesmo com a segunda coluna. Nesse caso, p
1
(s) = (s + 1)
2
(s + 2)
2
e
p
2
(s) = (s + 2)
2
. Assim:
H(s)
_
p
1
(s) 0
0 p
2
(s)
_
=
_
s s
s(s + 1)
2
s
_
que resulta em:
H(s) = N
2
(s)D
s
(s)
1
repare que grau[det[D
2
]] = 6
2. Pode-se ainda obter a rela cao:
H(s) =
_
s 0
s(s = 1)
2
s
2
__
(s + 1)
2
(s + 2)
2
(s + 1)
2
(s + 2)
2
0 s + 2
_
1
ou seja:
H(s) = N
3
(s)D
1
3(s) com grau[det[D
3
]] = 5
3.

E possvel denir uma quarta MFD, com grau[det[D
4
]] = 6 (na verdade pode-se
denir innitas):
H(s) =
_
s 0
s s
2
__
0 (s + 1)
2
(s + 2)
(s + 2)
2
s + 2
_
1
= N
4
(s)D
4
(s)
1
Pode-se mostrar que o menor grau da matriz denominador de H(s) e cinco, e portanto
a realiza cao mnima possivel e de ordem 5.
94
Algumas Observa coes Importantes
Dada uma MFD pode-se encontrar outras (innitas) escolhendo-se matrizes nao-
singulares, W(s) tais que:
N(s) = N(s)W
1
(s) e

D(s) = D(s)W
1
(s)
(

N(s) e

D(s) sao matrizes polinomiais).
Assim,
H(s) = N(s)D
1
(s) =

N(s)

D
1
(s)
Sendo N(s) =

N(s)W(s) e D(s) =

D(s)W(s), denomina-se W(s) de divisor a
direita de N(s) e de D(s).
Alem disso
deg[det[D(s)]] = deg[det[

D(s)]] + deg[det[W(s)]] (3.6)
Portanto:
deg[det[D(s)]] deg[det[

D(s)]] (3.7)
Em outras palavras o grau da MFD (isto e, o grau da matriz denominador),
pode ser reduzido removendo-se os divisores das matrizes do numerador
e denominador.
Assim, e natural esperar que, se for removido de N(s) e D(s) o maximo divisor
comum (a direita) (GCRD, greatest commom right divisor) ent ao a MFD ter a
a menor ordem possvel.
3.6.1 Exerccio
Analise a quest ao do GCRD a partir das equa coes (3.6) e (3.7). Qual a ser a a rela cao
entre os graus de deg[det[D(s)]] e deg[det[

D(s)]] quando for extrado o GCRD ?
O GCRD ser a extrado se det[W(s)] for dado por:
det[W(s)] = uma constante, nao nula, (independente de s). Ou seja, grau 0).
Diz-se que W(s) deve ser unimodular
95
Mais Alguns Comentarios
Duas matrizes polinomiais N(s) e D(s) com o mesmo n umero de colunas s ao ditas
coprimas a direita se eles possuirem apenas divisores comuns (a direita) que sejam
unimodulares.
Uma MFD H(s) = N(s)D
1
(s) e dita ser irredutvel se N(s) e D(s) forem coprimas
a direita.
MFDs irredutveis n ao s ao unicas, pois pode-se fazer: N(s)W(s)[D(s)W(s)]
1
,
com W(s) unimodular.
Comentarios analogos para MFDs a esquerda.
A ordem da realiza cao mnima sera igual a ordem da MFD irredutvel equivalente.
Dada uma MFD a direita:
H(s) = N
R
(s)D
1
R
(s)
pode-se sempre obter uma realiza cao (A, B, C) control avel de ordem
n = degdet[D
R
(s)] grau da MFD
Dada uma MFD a esquerda:
H(s) = D
1
L
(s)N
L
(s)
pode-se sempre obter uma realiza cao (A, B, C) observ avel de ordem
n = deg[detD
R
(s)] grau da MFD
Alem disso sabe-se que a menor ordem dos denominadores das MFDs (direita e
esquerda) de H(s) sera a ordem da menor realiza cao de H(s). (Lembre-se que
MFDs sao uma extens ao das fatora coes em sistemas escalares).
96
3.6.2 Exerccios
Sejam:
A =
1 0 0
0 1 0
0 0 3
B =
0
1
1
e C
1 0
1 2
0 1
a) Essa realiza cao e control avel ?

E observ avel ?
b) Escreva C(sI A)
1
B como D
1
L
(s)N
L
(s) e N
R
(s)D
1
R
, sendo os determinantes de D
R
e D
L
de grau 3.
c) Repita o item acima sendo os determinantes de D
R
e D
L
de grau 2.
97
3.7 P olos, Zeros e Forma de McMillan
Como comentando na subse cao 2.13, os p olos s ao denidos como as reazes da
equa cao,
(s) det(sI A) = 0. Isto e, os polos s ao dados por
i
(A).
Importante, entretanto, notar que se A n ao e uma representa cao mnima, esse
calculo incluir a os p olos (autovalores) que n ao s ao control aveis e/ou observ aveis.
Assim, o menor n umero de p olosde uma realiza cao est a associado a realiza cao
mnima.
A importancia do conhecimento dos p olos e zeros do sistema e obvia: eles de-
terminam o comportamento din amico do sistema. Mais ainda: conhecendo-se a
estrutura de polos e zeros, determina-se o grau relativo do sistema e seu compor-
tamento para s e para s = 0.
O conceito de p olos e zeros para sistemas MIMO n ao e trivial. Dentre as v arias
denicoes e interpretacoes para p olos e zeros, adotaremos as realizadas via forma
de Smith-McMillan.
A representa cao de McMillan (ou Smith-McMillan) [96, 78] e uma forma de se
expressar uma matriz racional a partir da qual e possvel denir, de forma direta,
o conjunto de p olos e zeros do sistema.
As formas de Smith, Smith-McMillan sao obtidas a partir de transforma coes ele-
mentares, isto e, operacoes de linhas e colunas que transformam as matrizes em outras,
mas simples.
Matrizes relacionadas por transforma coes elementares sao ditas serem equiva-
lentes.
Sao consideradas transforma coes equivalentes:
i) Trocar linhas ou colunas.
ii) Adicionar a uma linha (ou coluna) outra linha ou coluna multiplicada por
um fator (nao nulo).
98
iii) Multiplicar ou dividir uma linha ou coluna por um n umero real.
Vide [45], pg 373, 374.
As opera coes elementares sao realizadas por multiplica coes (pre ou p os) por ma-
trizes elementares.
Algumas matrizes elementares:
1 0 0
0 0 1
0 1 0
1 0 0
(s) 1 0
0 1 0
1 0 0
0 3 0
0 0 1
Pos-multiplicar implica em opera coes sobre colunas e pre-muiltiplicar sobre linhas.

99
3.8 Transformac oes Elementares
Deni cao 3.7 (Wolovich, [91], pg. 26 deni cao 2.5.3)
Duas matrizes polinomiais P(s) e Q(s) serao chamadas serem (a) equivalentes em linha
(row equivalent); (b) equivalentes em coluna (column equivalent); e (c) equiva-
lentes; se e somente se uma delas pode ser obtida a partir da outra por uma seq uencia
de operacoes elementares em (respectivamente): (a) linha; (b) coluna; e (c) linha
e coluna.
Deni cao 3.8 (Wolovich, [91], pg. 26 deni cao 2.5.3)

Sejam duas matrizes polinomiais P(s) e Q(s). P(s) sera (a) equivalente em linha (row
equivalent); (b) equivalentes em coluna (column equivalent); e (c) equivalentes a
Q(s), respectivamente se e somente se: (a) P(s) = U
L
(s)Q(s); (b) P(s) = Q(s)U
R
(s);
e (c) P(s) = U
L
(s)Q(s)U
R
(s). As matrizes U
L
(s) e U
R
(s) acima devem ser unimodu-
lares.
3.8.1 Forma de Hermite

Conforme visto acima, atraves de operacoes elementares, pode-se converter ma-
trizes polinomiais genericas para outras que possuem formas particulares.
A forma de Hermite e uma delas.
Outras seriam as formas de Smith (ou Mcmillan-Smith para matrizes racionais)
ou a de Popov (vide se cao 6.7.2 do livro do Kailath, [45]).
O teorema 3.6 dene a forma de Hermite.
Teorema 3.6 (Forma de Hermite para Coluna - [45], pg. 375)
Qualquer matriz polinomial p m de rank (posto) r pode ser reduzida, por opera coes
elementares de linha (isto e atraves de pre-multiplica cao por matrizes unimodulares apro-
priadas) em matrizes quasi-triangular (inferiores ou superiores). Tais matrizes obe-
decem as seguintes condi coes:
1. Se p > r, as ultimas p r linhas s ao identicamente nulas.
100
2. Na coluna j, 1 j r, o elemento da diagonal e monico e de grau superior aos
elementos (n ao nulos) que est ao acima dele.
3. Na coluna j, 1 j r, se o elemento da diagonal e o calor 1, entao todos os
elementos acima dele s ao zero.
4. Se m > r, n ao se pode armar nada sobre os elementos das ulitmas mr colunas
e sobre as primeiras r linhas.
Comentarios
Pode-se denir, analogamente, a forma de Hermite para linha. Para isso, troque no
teorema anterior as linhaspor colunase premultiplica cao por p osmultiplica cao.
Quando a matriz e quadrada, pode-se denir uma forma de Hermite unica, no
sentido de que P(s) e U(s)P(s) (sendo U(s) unimodular) ter ao a mesma forma de
Hermite.
A prova do teorem pode ser encontrada em [45], pgs. 375 e 376.
Exemplo 3.2 Os seguintes passos transformam a matriz G(s) na sua forma de Her-
mite.
G(s) =
s
2
0
0 s
2
1 s + 1
Passo 1:

s
2
0
0 s
2
1 s + 1
1 (s + 1)
0 s
2
s
2
0
Passo 2:

1 (s + 1)
0 s
2
s
2
0
1 (s + 1)
0 s
2
0 s
2
(s + 1)
Passo 3:

1 (s + 1)
0 s
2
0 s
2
(s + 1)
1 (s + 1)
0 s
2
0 0
101
3.8.2 Exerccio
1. Descreva, para as transforma coes acima, quais foram as opera coes realizadas.
2. Obtenha as matrizes unimodulares usadas (U
1
, U
2
e U
3
, por exemplo).
3. Mostre que, utilizando as tres matrizes acima, obtem-se a matriz de transforma cao
dada por:
H(s) =
0 0 1
0 1 0
1 s + 1 s
2
4. Mostre que H(s) e unimodular.

102
3.9 P olos em Sistemas MIMO
Os dois teorema abaixo s ao complementares e formalizam os resultados apresentados na
subsecao 3.4.1.
Teorema 3.7 (P olos em Sistema MIMO)
O polin omio dos polos, ou polinomio caracterstico, (s) associado a uma realiza c ao
mnima de um sistema com matriz de transferencia G(s), e o mnimo denominador
comum de todos os menores (n ao nulos e de todas as ordens possveis) de G(s).
Teorema 3.8 (P olos em Sistema MIMO)

Os p olos de um sistema MIMO s ao as razes (ou zeros) do polin omio caracterstico (ou
polin omio dos polos).
3.9.1 Dois Exemplos

Exemplo 3.3 (Calculando P olos de um sistema MIMO - I)
Considere G(s) dado a seguir. Calcule os p olos desse sistema.
G(s) =
1
1, 25(s + 1)(s + 2)
_
(s 1) s
6 (s 2)
_
(3.8)
1. Menores de ordem 1: s ao os pr oprios elementos. Logo todos tem o mesmo denom-
inador: 1, 25(s + 1)(s + 2)
2. Menores de ordem 2 (s o h a um): e o pr oprio determinante:
det(G(s)) =
(s 1)(s 2) + 6s
1, 25(s + 1)(s + 2)
=
1
1, 25
2
(s + 1)(s + 2)
Assim o mnimo denominador comum de todos os menores ser a
= (s + 1)(s + 2)
Assim os p olos da realizacao mnima serao:s = 1 e s = 2.
10)
103
Exemplo 3.4 (Calculando P olos de um sistema MIMO - II)
G(s) =
1
(s 1)(s + 1)(s + 2)
_
(s 1)(s + 2) 0 (s 1)
2
(s + 1)(s + 2) (s 1)(s + 1) (s 1)(s + 1)
_
(3.9)
1. Menores de ordem 1 (n ao nulos):
1
s + 1
,
s 1
(s + 1)(s + 2)
,
1
s 1
,
1
s + 2
,
1
s + 2
2. Menores de ordem 2 (existem 3, pois pode-se deletar coluna 1, 2 ou 3):
(a) M
1
=
(s1)
(s+1)(s+2)
2
(b) M
2
=
2
(s+1)(s+2)
(c) M
3
=
1
(s+1)(s+2)
Assim o mnimo denominador comum de todos os menores ser a
= (s + 1)(s + 2)
2
(s 1)
Assim os p olos da realizacao mnima serao:s = 1, s = 1 e s = 2, s = 2.
Repare que os p olos dos sistemas MIMO sao os pr oprios p olos dos seus elementos.
A questao e a sua multiplicidade.
Examinando os elementos n ao e possvel calcular os p olos !
3.9.2 Exerccios
1. Econtre duas reliza coes para as fun coes G(s) dadas nos dois exemplos anteriores.
2. Para essas realiza coes, calcule seus autovalores.
3. Verique se as realiza coes calculadas s ao observ aveis e/ou control aveis.
104
3.10 Zeros em Sistema MIMO
(Vide apendice ??, secao ??.)
Zeros de sistemas dinamicos s ao valores os quais a sada e nula quando a(s) en-
trada(s) n ao o e(sao).
Essa efeitode se ter a sada nula para entrada nao nula e atribudo a uma com-
peticao internaao sistema (ocasionada pela presen ca de zeros).
Para sistemas SISO, zeros z
i
sao calculados pela solu cao de G(z
i
) = 0. (perda de
posto: de 1 para 0)
Em geral dene-se:
Deni cao 3.9 (Zeros de Sistemas dinamicos) ([78] e [52])
z
i
sera um zero de G(s) se o rank (posto) de G(z
i
) for menor que o rank de G(s). O
polin omio dos zeros, z(s) e dado por:
z(s) =
nz
i=1
(s z
i
)
sendo n
z
o n umero de zeros nitos de G(s).
Repare que essa denicao vale tanto para sistemas MIMO quanto para SISO.
Fala-se Zeros nitos pois existem zeros no innito.
Essa denicao considera a matriz G(s) associada a uma realizacao mnima. Tais
zeros sao denominados zeros de transmiss ao.
3.10.1 Zeros a partir da Realiza cao
Os zeros podem ser calculados a partir da representa cao no espa co de estados.
Lembrando da relacao dada na equa cao (1.5), subsec cao 1.9.1, tem-se que (P(s) e
matriz de Rosenbrock):
P(s)
_
x
u
_
=
_
0
y
_
lembrando que P(s) e dada por:
105
P(s) =
_
(sI A) B
C D
_
Nesse caso os zeros z sao os valores,s = z tais que P(s) perde rank, resultando em
uma sada nula para alguma entrada n ao nula.
Os zeros podem ser encontrados a partir das solu coes n ao triviais para o seguinte
problema:
(zI
g
M)
_
x
z
u
z
_
= 0
M =
_
A B
C D
_
e I
g
=
_
I 0
0 0
_
Este e o denominado problema do autovalor generalizado.
Para realiza coes n ao-mnimas, serao obtidos zeros adicionais.
3.10.2 Zeros a partir da Matriz de Transferencia
O seguinte teorema apresenta a forma de se calcular os zeros em sistemas MIMO.
Teorema 3.9 (Zeros em Sistemas MIMO) ([78] e [52])
O polin omio dos zeros, z(s), associado ` a realizacao mnima de um sistema, e o
maximo divisor comum, GCD (Greatest Common Divisot) de todos os numeradores
de todos menores de ordem r de G(s). Nesse caso, r e o rank normal de G(s). Deve-
se considerar ainda que todos os menores foram ajustadospara que todos tenham o
polin omio dos polos, (s) em seus denominadores.
Essa denicao est a associada a denicao de formas can onicas para representa cao
de G(s). Vide apendice ??, secao ??.
Exemplo 3.5 ([78], pg. 131)
Considere G(s) dada por:
G(s) =
1
s + 2
_
s 1 4
4, 5 2(s 1)
_
106
O rank normal de G(s) e 2 (r = 2).
O menor de ordem 2 e o pr oprio determinante de G(s):
M
2
= 2
s 4
s 2
Pelo teorema 3.7, (s) vale
(s) = s + 2
Logo o polinomio dos zeros vale:
z(s) = s 4
Assim o zero de G(s) vale z = 4.
Em geral, os zeros do sistema MIMO n ao est ao associados ao zeros dos elementos.

E possvel ter zeros e polos de sistemas MIMO identicos.
3.10.3 Exerccio
Obtenha os zeros dos sistemas dados nos exemplos 3.3 e 3.4
3.10.4 Exerccio
Encontre os p olos e zeros da matriz G(s) dada abaixo.
G(s) =
_
4
(s+1)(s+2)
1
(s+1)
2
(s+1)
1
2(s+1)(s+2)
_
107
3.10.5 Forma de Smith
Teorema 3.10 (Forma de Smith [45], pg. 390)
Dada uma matriz polinomial p m, P(s), pode-se encontrar opera c oes elementares de
linhas e colunas, ou, dizendo de outra forma, pode-se encontrar matrizes unimodulares
U(s) e V (s) tais que:
U(s)P(s)V (s) = (s)
sendo
(s) =
1
(s)
.
.
.
.
.
. 0
r(mr)
r
(s)
0
(pr)r
0
(pr)(mr)
e
r = rank (posto) normal de P(s)
e os
i
sao polin omios ( unicos) monicos que satisfazem a propriedade da divis ao:
i
(s)[
i+1
(s), i = 1, . . . , r 1
Alem disso, se for denido
i
(s) = o gcd de todos i i menores de P(s),
pode-se denir:
i
(s) =

i
(s)
i1
(s)

0
(s) = 1
A matriz (s) e denominada Forma de Smith de P(s).

Os polin omios
i
sao chamados divisores determinantes (determinantal divi-
sors) de P(s).
Os polin omios
i
(s) sao denominados polin omios invariantes de P(s).
Veja a prova desse teorema em [45], pg 391.
108
Lema 3.1 (Teste para Vericar se duas Matrizes sao Coprimas)
N(s) e D(s) sao coprimas a direita se e somente se a forma de Smith de [N
T
D
T
(s)]
T
e igual a [I 0]
T
.
Exemplo 3.6 Seja G(s) dada por:

G(s) =
1
s
2
+3s+2
1
s
2
+3s+2
s
2
+s4
s
2
+3s+2
2s
2
s8
s
2
+3s+2
s2
s+1
2s4
s+1
(3.10)
O mnimo denominador comum de G
ij
(s) e d(s) = s
2
+3s +2 e portanto G(s) pode ser
escrita como:
G(s) =
1
s
2
+ 3s + 2
1 1
s
2
+ s 4 2s
2
s 8
(s 2)(s + 2) (2s 4)(s + 2)
(3.11)
=
1
d(s)
N(s) (3.12)
Vamos calcular a forma de Smith para a matriz polinomial N(s)
N(s) S(s) = diag
1
(s),
2
(s) (3.13)
sendo que os
i
(s) sao determinados pelos divisores determintantes(s):
i
(s) =

i
(s)
i1
(s)
, i = 1, 2 (3.14)
Assim:
0
(s) = 1 (3.15)
1
(s) = gcd
_
1, 1, s
2
+ s 4, 2s
2
s 8, s
2
4, 2s
2
8
_
= 1 (3.16)
2
(s) = gcd
_
1 1
s
2
+ s 4 2s
2
s 8
1 1
s
2
4 2s
2
8
s
2
+ s 4 2s
2
s 8
s
2
4 2s
2
8
_
(3.17)
= gcd
_
3(s
2
4), 3(s
2
4), 3s(s
2
4)
_
= s
2
4 = (s + 2)(s 2) (3.18)
109
onde gcd indica o maior divisor comum (greatest common divisor). Assim,
1
(s) =
D
1
(s)
D
0
(s)
= 1 (3.19)
2
(s) =
D
2
(s)
D
1
(s)
= (s + 2)(s 2) (3.20)
Logo S(s) (a forma de Smith de N(s)) ser a:
N(s) S(s) sendo S(s) =
1 0
0 (s + 2)(s 1)
0 0
(3.21)
110
3.10.6 Forma de Smith-McMillan
Podem ser feitas deni coes semelhantes as anteriores, para uma forma can onica
de G(s).
Teorema 3.11 [96]: Seja G(s) 1
p
uma matriz de transferencia racional real. Entao
existem matrizes unimodulares L(s) e R(s) tais que:
L(s)G(s)R(s) = M(s) :=
1
(s)
1
(s)
0 0 0
0

i
(s)
i
(s)
0 0
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
0 0
n(s)
n(s)
0
0 0 0 0
(3.22)
e
i
(s) divide
i+1
(s) e
i+1
(s) divide
i
(s)
A matriz M(s) e denominada forma de Smith-McMillan de G(s). A partir dela
denem-se os polos e zeros para um sistema MIMO.
Deni cao 3.10 O polinomio p(s) (ou (s)) e denominado polin omio dos p olos. (ou
polin omio caractersito)
p(s) =
1
.
2

n
(3.23)
Deni cao 3.11 O polin omio z(s) e denominado polin omio dos zeros.
z(s) =
1
.
2

n
(3.24)
Procedimento para Encontrar a Forma de Smith-McMillan
1. Seja G(s) uma matriz de transferencia (pr opria ou estritamente pr opria). Encontre
o mnimo denominador comum d(s) entre todos os elementos de G(s) e reescreva
G(s) como:
G(s) =
1
d(s)
N(s)
2. Determine a forma de Smith para N(s), isto e, encontre S(s) N(s) da forma:
N(s) S(s) = dia
1
(s),
2
(s), . . . ,
r
(s), 0, 0, . . . , 0
111
Lembre-se que os polin omios
i
(s) sao calculados pelos divisores determi-
nantes, isto e:
i
(s) =

i
(s)
i1
(s)
i = 1, 2, . . . , r
3. Assim a forma de Smith-McMillan de G(s) sera dada por:
G(s) M(s) =
1
d(s)
S(s)
Exemplo 3.7 Seja G(s) dada por:
G(s) =
1
s
2
+3s+2
1
s
2
+3s+2
s
2
+s4
s
2
+3s+2
2s
2
s8
s
2
+3s+2
s2
s+1
2s4
s+1
(3.25)
Como visto no exemplo anterior, G(s) tambem e dada por:
G(s) =
1
s
2
+ 3s + 2
1 1
s
2
+ s 4 2s
2
s 8
(s 2)(s + 2) (2s 4)(s + 2)
(3.26)
=
1
d(s)
N(s) (3.27)
Como ja temos a forma de Smith de G(s), a forma de Smith-McMillan e dada por:
G(s) M(s) =
1
d(s)
S(s) =
1
(s + 1)(s + 2)
0
0
s 2
s + 1
0 0
(3.28)
Repare que os fatores comuns foram cancelados. Os polin omios dos polos e dos zeros
s ao dados por
(s) = p(s) = (s + 1)
2
(s + 2) (3.29)
z(s) = s 2 (3.30)
Assim, G(s) possui os p olos s = 1, 1, 2 e o zero (de transmiss ao) s = 2.
112
3.10.7 P olos e Zeros para a Forma Can onica
A partir desses polin omios denem-se:
Deni cao 3.12 As raizes do polin omio p(s) da forma de McMillan-Smith s ao denom-
inadas p olos de G(s).
Deni cao 3.13 As raizes do polin omio z(s) da forma de McMillan-Smith s ao denom-
inadas zeros de transmissao de G(s).
113
3.11 Descri cao Fracional de Matrizes. Alguns Re-
sultados
Lema 3.2 ([45], pg 379 (Identidade de Bezout)) N(s) e D(s) serao coprimas
a direita se e somente se existirem matrizes polinomiais X(s) e Y (s) tais que:
X(s)N(s) + Y (s)D(s) = I
3.12 Resumo dos Resultados e Resultados Adicionais

Essa secao apresenta resultados adicionais e um resumo dos principais resultados sobre
matrizes de transferencia e matrizes polinomiais. Muitos dos resultados aqui apresenta-
dos s ao explicados no texto.
3.12.1 Conceitos Basicos (Ja Vistos)
Matriz Polimomial: matriz cujos elementos s ao polin omios.
Matriz P(s) Unimodular: det[P(s)] ,= 0 e e uma constante.
Fracao Matricial a Direita (MFDR): N(s)D
1
(s).
Fracao Matricial a Esquerda (MFDE): )D
1
L
(s)N
L
(s).
Divisor a direita, a esquerda, divisores comuns.
Matrizes coprimas:
Forma de Hermite:
Forma de Smith:
Forma de Smith-McMillan (para matrizes racionais):
Exerccio
Dados os termos acima, dena-os, conforme apresentado nas se coes anteriores. De ex-
emplos.
114
3.12.2 Deni coes e Teoremas
Deni cao 3.14 Se G(s) pode ser expressa como G(s) = N(s)D
1
(s), diz-se que N(s)D
1
(s)
e uma MFD a direita (ou MFDR, Right Matriz Fraction Description) de G(s)
Deni cao 3.15 Se G(s) = N(s)D

1
(s) e N(s) e D(s) sao coprimas a direita, ent ao
N(s)D
1
(s) e uma MFD-coprima a direita de G(s)
Existem denicoes an alogas as feitas acima para MFD a esquerda.

Deni cao 3.16 Se N(s)D
1
(s) e uma MFD-coprima a direita de G(s) ent ao o grau
de D(s) e chamando de Grau de McMillan de G(s)
Lema 3.3 A dimens ao de qualquer realiza cao de G(s) (propria) e igual a, no mnimo,
ao Grau de McMillan de G(s).
Teorema 3.12 A menor dimens ao n possvel de uma realiza cao e igual ao Grau de
McMillan de G(s).
Teorema 3.13 ([?],pg. 439) Qualquer realiza cao de uma MFD cuja ordem e igual
ao grau do determinante da matriz denominadorser a mnima (ou, equivalentemente
observ avel e control avel) se e somente se a MFD for irredutvel.
Deni cao 3.17 O rank (posto) de uma matriz polinomial e o rank da matriz para
quase todos os valores de s
Deni cao 3.18 Diz-se que uma matriz polinomial possui rank (normal) igual a r se r
e a m axima ordem entre todos os menores n ao nulos.
Deni cao 3.19 O rank nominal de uma matriz racional e a ordem do menor n ao nulo
de m axima ordem da matriz.
115
Exemplo 3.8 A matriz F(s)
F(s) =
_
1
s+1
0
s1
(s+1)(s+2)
1
s1
1
s+2
1
s+2
_
possui rank 2 pois o menor de maior ordem e 2:
det(
_
0
s1
(s+1)(s+2)
frac1s + 2
1
s+2
_
=
s 1
(s + 1)(s + 2)
2
Deni cao 3.20 Uma matriz polinomial P(s) e dita ser nao-singular se seu determi-
nante e diferente de zero, isto e, se
det[P(s)] ,= 0.
Uma matriz polinomial e singular se seu determinante e nulo (para todo valor de s).
Exemplo 3.9 A matriz

Q(s) =
_
s + 1 s + 3
s
2
+ 3s + 2 s
2
+ 5s + 4
_
e n ao singular, pois:
det[Q(s)] = (s + 1)(s
2
+ 5s + 4) (s + 3)(s
2
+ 3s + 2) = 2s 2
A matriz P(s) e dita ser singular, pois seu determinante e nulo:
P(s) =
_
s + 1 s + 3
s
2
+ 3s + 2 s
2
+ 5s + 6
_
det[P(s)] = (s + 1)(s
2
+ 5s + 6) (s + 3)(s
2
+ 3s + 2) = 0
116
Comentarios
Porem a matriz Q(s) do exemplo acima e singula para s = 1, isto e, seu determi-
nante e nulo para s = 1.
Ao contr ario a matriz P(s) e singular, por que seu determinante e sempre 0
A matriz Q(s) possui rank (normal) igual ao 2. Porem ela perde rank(isto e,
torna-se singular) para s = 1. Em s = 1 seu rank e dois.
A matriz P(s) possui rank 1, pois o menor de maior ordem n ao nulo e o pr oprio
elemento (ordem 1).
3.12.3 P olos e Zeros
Deni cao 3.21 O polo de uma matriz de transferencia (matriz racional) G(s) com
uma fatora cao (MFD) coprima a direita N(s)D(s)
1
e um n umero complexo s
0
tal que
det[D(s
0
)] = 0
Lema 3.4 Seja (A, B, C) uma realizacao mnima de uma matriz de transferencia G(s)
estritamente pr opria. Ent ao s
0
e um polo de G(s) se e somente se s
0
e um autovalor
de A.
Teorema 3.14 Seja G(s) uma matriz de transferencia com uma realiza cao mnima
(A, B, C). Entao as seguintes arma coes sao equivalentes:
i) s
0
e um p olo de G(s)
ii) s
0
e um autovalor de A
iii) x
0
, y
0
tal que Ce
At
x
0
= y
0
e
s
0
t
,= 0 t 0
117
Deni cao 3.22 Seja G(s) com uma fatora c ao coprima N(s)D
1
(s). Entao s
0
e um
zero de transmissao de G(s) se:
rank[N(s
0
)] < max
sC
rank[N(s)].
(Isto e, o rank de N(s) e menor que o seu rank normal em s = s
0
). Diz-se que N(s)
perderank em s = s
0
.
Lema 3.5 Seja (A, B, C) uma realizacao mnima de G(s). Entao s

0
e um zero de
transmiss ao de G(s) se e somente se:
rank
_
s
0
I A B
C 0
_
< max
sC
rank
__
sI A B
C 0
__
Teorema 3.15 Seja G(s) uma matriz de transferencia com uma realiza cao mnima
(A, B, C), sendo B n m. Entao as seguintes arma coes sao equivalentes:
i)
rank
_
s
0
I A B
C 0
_
< n + m
ii) u
0
,= 0, x
0
tal que Ce
At
x
0
+
_
t
0
Ce
A(t)
Bu
0
e
s
0
0.
Comentario 3.4
O vetor u
0
e algumas vezes denominado vetor de entrada de direcao zero
(input zero-direction)
Se s
0
e um zero de transmiss ao de G(s) ent ao (i) e verdadeiro. O contr ario nem
sempre e verdade.
118
3.13 Forma de Smith-McMillan e MFDs
Considere uma matriz racional H(s) =
N(s)
d(s)
, que pode ser reduzida por uma forma
equivalente de Smith-McMillan:
H(s) = U(s)M(s)V (s) (3.31)
sendo
M(s) =
_
diag
i
(s)/
i
(s) 0
0 0
_
(3.32)
sendo que
i+1
(s)[
i
(s) (isto e
i+1
divide
i
(3.33)
i
(s)[
i+1
(s) (3.34)
d(s) =
1
(s) (3.35)
3.13.1 Forma de Smith-McMillan: Hist orico e Conceitos
Vide [45], pg. 444.
O resultado da forma de Smith-McMillan foi proposto pela primeira vez por McMil-
lan, em 1952, a partir da forma de Smith para matrizes polinomiais (e claro...).
A matriz M(s) como denida acima e uma forma can onica geral usada em matrizes
racionais e pode inclusive ser denida sem se referir as matrizes polinomiais. Ele e de
grande importancia, tanto do ponto de vista te orico quanto de conceitos e aplica coes
em sistemas.
Historicamente, a forma de Smith-McMillan foi usada por Kalman para generalizar
a tecnica de Gilbert.
1
Kalman usou a forma de Smith-McMillan para construir realiza coes control aveis e
observ aveis (e portanto mnimas) para M(s) usando apenas n
min
integradores, sendo
n
min
=
deg
i
(s) (3.36)
Esta alternativa para a ordem mnima que coincide com o grau de McMillan era
interessante do ponto de vista de constru cao do modelo, em termo de utiliza cao de
capacitores e indutores, necess arios para representar (realizar) uma matriz H(s).
1
A tecnica de Gilbert e utilizada para encontrar realizacoes a partir de matrizes de transferencia.
Ela parte da condi cao de que o denominador dos polos, d(s) tenha razes distintas.
119
O resultado de Kalman, 3.36, mostrou que se H(s) fosse realizada com integradores
(amp. op.s), ent ao o grau de McMillan seria a ordem mnima do sistema.
A partir da representa cao de Smith-McMillan e possvel obter uma MFD.
Considere as equacoes (3.31) e (3.32)
Pode-se escrever M(s) como uma MFDR (MFD a direita) ou MFDL (MFD a
esquerda):
M(s) = E(s)
1
R
(s) =
1
L
(s)E(s) sendo :
E(s) =
_
diag
i
0
0 0
_
, p m
R
(s) =
_
diag
i
0
0 I
mr
_
, mm
L
(s) =
_
diag
i
0
0 I
pr
_
.
Sendo
i
(s),
i
(s), i = 1, . . . , r coprimos implica que as matrizes E(s),
R
(s)
serao coprimas e portanto as matrizes N
0
e D
0
dadas abaixo tambem o s ao:
N
0
(s) U(s)E(s) D
0
(s) = V
1
(s)
R
(s)
Isto e verdade pois U(s), V (s) sao matrizes unimodulares. Pode-se agora escr-
ever H(s) como uma MFD irredutvel:
H(s) = [U(s)E(s)][
1
R
(s)V (s)] = N
0
(s)D
1
0
(s)
Nota-se ainda que a equa cao (3.36) e resultado direto do teorema 3.13, isto e:
n
min
= degdet[D
0
(s)] = degdet[
R
(s)] =
deg
i
(s) =grau de McMillan de H(s)
3.14 Mais Teoremas e Lemas sobre MFDs
Vide [45] p aginas 377 a 384 para alguns resultados uteis. Vide tambem secao 6.5
120
Lema 3.6 (Identidade de Bezout)
N(s) e D(s) serao coprimas a direita se e somente se existirem matrizes polinomiais
X(s) e Y (s) tais que:
X(s)N(s) + Y (s)D(s) = I
Lema 3.7 (Identidade de Bezout Generalizada)

Sejam N
R
(s), D
R
(s) coprimas ` a direita e N
L
(s), D
L
(s) coprimas ` a esquerda, com
D
R
(s) n ao singular. Ent ao existir ao matrizes polinomiais X(s), Y (s), X
(s), Y
(s)
tais que:
_
X(s) Y (s)
D
L
(s) N
L
(s)
__
N
R
(s) X
(s)
D
R
(s) Y
(s)
_
=
_
I 0
0 I
_
e
_
N
R
(s) X
(s)
D
R
(s) Y

(s)
__
X(s) Y (s)
D
L
(s) N
L
(s)
_
=
_
I 0
0 I
_
3.15 P olos e Zeros no Innito

Vide [45] pg. 448 a 455
Zeros de sistemas, de transmissao e de bloqueio
Sinais em sistemas MIMO
121
Captulo 4
Intera cao e Desacoplamento em
Sistemas MIMO
4.1 Motiva cao
Considere os tres exemplos de sistemas MIMO dados na gura 4.1.
O processo da gura (a) e um sistema de mistura: duas subst ancias, A e B, com
vaz oes w
A
e W
B
, respectivamente, sao misturadas para produzirem a subst ancia
X, com vaz ao w e composi cao x. As vari aveis manipuladas w
A
e w
B
afetam, w e
x. Uma quest ao importante e denir quem controle o que.
O processo em (b) e um exemplo de uma coluna de destila cao. A composi cao do
destilado, x
D
e do fundo x
B
podem ser afetadas pela vaz ao de reuxo R ou pela
vaz ao do vapor da entrada S.
Para o separador g as-lquido de (c), a vaz ao de sada do g as, G tem um efeito direto
na pressao P e um efeito indireto no nvel do lquido, h (pois mudando a pressao
no vaso haver a mudan ca na vaz ao do lquido, L, que afeta h). Ao contr ario, a
outra vari avel manipulada (L no caso) afeta h diretamente, o que resulta em um
efeito (indireto) em P (ainda que pequeno).
Quando intera coes estao presentes, e importante saber qual o melhor emparel-
hamento variavel controlada com a variavel manipulada. Nem sempre essa
escolha e obvia.
122
Interacao e Desacoplamento em Sistemas MIMO
4.2 Analise por meio da MGR
A Matriz de Ganhos Relativos, MGR, ou RGA, Relative Gain Array, foi proposta
inicialmente como uma medida de intera c ao para controle multivari avel, desen-
volvida para superar deciencias pr aticas e te oricas da representa cao matricial [...].
Em Bristol, [11]. (Primeiro artigo sobre a MGR).
A MGR tornou-se uma ferramenta bastante comum para an alise e projeto, prin-
cipalmente no meio industrial [56]. A MGR (original) trata de ganhos est aticos.
Em sistemas MIMO, os acoplamentos existentes entre entradas e sadas fazem com
que a fun cao de transferencia de malha aberta entre um par (u
j
, y
i
) dependa da
forma como as outras malhas interagem entre si e com o par.
Se um par de entrada e sada e considerado em particular, o ganho entre es-
tas variaveis pode variar com a abertura ou fechamento de outros pares de en-
trada/sada.
Figura 4.1:
123
4.3 Introdu cao à MGR
Figura 4.2: Dois experimentos para calcular a RGA 2 2.
Considere um processo com duas entradas e duas sadas, como mostrado na gura
4.2. Os seguintes experimentos podem ser realizados.
1. Considere m
2
constante. Varie m
1
segundo um degrau de amplitude m
1
e ar-
mazene a nova sada, y
1
. Seja y
1
a varia cao causada em y
1
.

E claro que a varia cao em y
1
so ocorreu devido a varia cao de m
1
Assim, o ganho estatico entre y
1
e m
1
quando m
2
e mantido constante
e dado por:
_
y
1
m
1
_
m
2
2. Considere agora o experimento em que se deseja computar o ganho entre y
1
e m
1
com m
2
variando. Nesse caso, a malha 2 estar a fechada, por um controlador, que
objetiva controlar a sada y2. Assim ao se introduzir uma varia cao em m
1
, (m
1
)
a varia cao da sada ser a y
1
. Porem, essa varia cao da sada (y
1
) sera diferente
da obtida no experimento (1) pois a malha (2) estar a sendo controlada (no sentido
de manter y
2
constante). Assim, o controlador dessa segunda malha faz com que
m
2
seja alterado para manter y
2
constante na presenca de alguma perturba cao (no
caso m
1
). Assim o ganho estatico entre y
1
e m
1
sera dado por:
_
y
1
m
1
_
y
2
124
Isto e, com y
2
constante (mantido gra cas ao controle existente na malha 2).
A raz ao entre os dois ganhos acima e o denominado ganho relativo entre a sada y
1
e
a entrada m
1
, dado por:
11
=
_
y
1
m
1
_
m
2
_
y
1
m
1
_
y
2
Esse ganho relativo e util para se medir o grau da interacao entre as malhas,
isto e:
1. Se
11
= 0 ent ao o ganho de malha aberta (entre m
11
e y
11
) e zero, isto e, y
1
nao
responde a variacoes de m
1
(com a outra malha aberta). Portanto m
1
nao pode
ser usado para controlar y
1
.
2. Se
11
= 1 ent ao m
2
nao afeta y
1
, pois a raz ao do ganho com m
2
constante e m
2
variando e igual a 1 (numerador = denominador). Portanto a malha de controle
entre y
1
e m
1
nao interage com a malha entre y
2
e m
2
. Nesse caso tem-se um
sistema completamente desacoplado.
3. Se 0 <
11
< 1 ent ao existe uma intera cao e varia coes de m
2
(no sentido de manter
y
2
constante) afetam o valor em regime de y
1
. Quanto menor for o valor de
11
, maior ser a a intera cao. (denominador maior implica em um ganho para m
2
variando maior...).
4. Se
11
< 0 ent ao m
2
inuencia fortemente a sada y
1
, em um sentido inverso` a
varia cao provocada por m
1
. Nesse caso a intera cao e perigosa. Nesse caso
o ganho de malha aberta e o ganho de malha fechada possuem sinais trocados.
Situa cao indesej avel.
125
Analogamente ao exemplo acima, pode-se denir outros ganhos relativos:
12
=
_
y
1
m
2
_
m
1
_
y
1
m
2
_
y
2
ganho relativo entre y
1
e m
2
21
=
_
y
2
m
1
_
m
2
_
y
2
m
1
_
y
1
2
e m
1
22
=
_
y
2
m
2
_
m
1
_
y
2
m
2
_
y
1
2
e m
2
Os valores desse ganhos podem ser usado para medir a intera cao entre as re-
spectivas malhas.
Uma matriz composta de ganhos relativos,
ij
e denominada Matriz de Ganhos
Relativos, MGR (ou RGA, Relative Gain Array)
4.4 Exemplo I
1) Considere as duas possibilidades para controle do sistema da gura 4.3. Na gura
tem-se duas possibilidades para se controlar as variaveis y
1
e y
2
.
Figura 4.3: Alternativas de controle para uma malha 2 2.
126
4.4.1 Sele cao das Malhas
Reportando-se ` a gura 4.3, pergunta-se qual a melhor forma de controle, do ponto
de vista da minimiza cao da intera cao entre as malhas.
Para responder a pergunta, faz-se uso dos ganhos relativos, MGR:
=
_

11

12
21

22
_
A partir da deni cao de
ij
, pode-se mostrar que
11
+
12
= 1 e
11
+
21
= 1
21
+
22
= 1 e
12
+
22
= 1
Para o caso 2 2 e necessario apenas conhecer para uma malha. Os outros s ao
conhecidos pelas rela coes anteriores.
Para o caso em quest ao podem ser relacionados 6 casos:
1.
11
= 1. Nesse caso a MGR e:
=
_
1 0
0 1
_
Para essa MGR e obvio que as duas malhas n ao interagem entre si.
Portanto, para se escolher o emparelhamento, deve-se ter m
1
controlando
y
1
e m
2
, y
2
.
2.
11
= 0. Nesse caso a MGR e:
=
_
0 1
1 0
_
Para essa MGR as duas malhas nao interagem entre si.
Os elementos na diagonal inversa indicam que as malhas tem um empar-
elhamento inverso, isto e: deve-se escolher o emparelhamento, com m
1
controlando y
2
e m
2
, y
1
.
127
3.
11
= 0, 5. Nesse caso a MGR e:
=
_
0, 5 0, 5
0, 5 0, 5
_
A intera cao entre as malhas e a mesma, tanto controlando y
1
com m
1
,
quanto m
2
(o mesmo para y
2
)
Nesse caso a escolha do emparelhamento e irrelevante para o desempenho
do controlador MIMO.
4. 0 <
11
< 0, 5 (por exemplo
11
=
_
0, 25 0, 75
0, 75 0, 25
_
Dois valores grandes (0, 75) na anti-diagonal indica a recomenda cao de
se controlar y
1
com m
2
e y
2
com m
1
)
5. 0, 5 <
11
< 1 (por exemplo
11
=
_
0, 8 0, 2
0, 2 0, 8
_
Dois valores grandes (0, 8) na diagonal indica a recomenda cao de se con-
trolar y
1
com m
1
e y
2
com m
2
)
6.
11
> 1. Nesse caso
22
=
11
> 1 e
12
=
21
= 1
11
< 0
Nesse caso (valores de ganhos relativos maiores que 1), tem-se alguns
problemas:
Suponha que se controle y
1
com m
1
e y
2
com m
2
, sendo
11
e
22
maiores
que 1. Nese caso,
_
y
1
m
1
_
m
2
>
_
y
1
m
1
_
y
2
e
_
y
2
m
2
_
m
1
>
_
y
2
m
2
_
y
1
Fechando a malha 2 haver a redu cao do ganho da malha 1. Haver a,
portanto uma interacao que ser a tanto mais forte quanto maior o valor
de
11
.
No caso,
12
sera negativo. Um ganho negativo indica uma intera ca no
sentido inverso, isto e, os ganhos de malha aberta e fechada tem sinais
opostos.
128
Uma regra importante: n ao deve-se emparelhar sadas e entradas cujos
ganhos relativos sejam negativos. (No caso n ao deve-se emparelhar y
1
com m
2
e m
1
com y
2
)
Esses resultados podem ser extendidos para casos de matrizes n n.
Assim, pode-se generalizar para a seguinte regra:
Recomendacao de Bristol para emparelhamento [11]
Recomenda cao: Monta-se o emparelhamento das vari aveis controladas/manipuladas
tais que o ganho relativo correspondente seja positivo e o mais pr oximo de 1 possvel.
4.5 Formaliza cao dos Resultados
4.5.1 Deni cao Matematica da MGR para sistemas n n
A varia cao no ganho de uma fun cao de transferencia devido ao fechamento de outras
malhas pode ser denido pela razao entre o ganho de malha aberta (MA) e ganho
de malha fechada (MF), isto e:
ij
=
MA
MF
=
y
i
u
j
u
k
=cte.;k=1,...,n;k=j
y
i
u
j
y
l
=0,l=1,...,n;l=i
ij
=
C
i
M
j
M
C
i
M
j
C
O smbolo (C
i
/M
j
)
M
indica a derivada parcial que e calculada com todas as
vari aveis manipuladas, exceto M
j
, mantidas constantes. Esse termo e o ganho
de malha aberta entre C
i
e M
j
.
Analogamente, o smbolo (C
i
/M
j
)
C
e calculado com todas as vari aveis contro-
ladas constantes, com excecao da C
i
. Isto e conseguido ajustando-se todas as
vari aveis manipuladas com controladores com a cao integral.
O termo (C
i
/M
j
)
C
pode ser interpretado como o ganho de malha fechada
que relaciona M
j
com C
i
quando todas as outras malhas s ao fechadas.
129
Caso Estatico
E conveniente arrumar a matriz de ganhos relativos, MGR ou RGA (relative gain array),
denotada por , como na equa cao dada a seguir.
M
1
M
2
. . . M
n
=
C
1
C
2
.
.
.
C
n
11

12
. . .
1n
21

22
. . .
2n
. . . . . . . . . . . .
n1

n2
. . .
nn
(4.1)
M
1
M
2
M
n
C
1
C
2
C
n
processo
Figura 4.4: Sistema MIMO com n vari aveis manipuladas e n vari aveis controladas
Duas Propriedades Importantes
A RGA e normalizada no sentido de que a soma de todas linhas ou colunas dara
sempre 1.
Os ganhos relativos s ao adimensionais.
4.6 Calculo da RGA
Nessa secao formaliza-se o calculo realizado anteriormente, considerando:
ij
=
(C
i
/M
j
)
M
(C
i
/M
j
)
C
(4.2)
Calculo para estado estacion ario.
Exemplos para sistema 2 2.
130
Seja o sistema:
C
1
= K
11
M
1
+ K
12
M
2
(4.3)
C
2
= K
21
M
1
+ K
22
M
2
(4.4)
sendo K
ij
o ganho em estado estacion ario entre C
i
e M
j
. Esse sistema pode ser escrito
como:
C = KM (4.5)
O ganho em estado estacion ario em (4.5), esta relacionado com a equa cao din amica
(C(s) = G
p
(s)M(s)) por:
K = G
p
(0) = lim
s0
G
p
(s) (4.6)
Para se calcular
11
faz-se:
_
C
1
M
1
_
M
2
= K
11
(4.7)
Antes de calcular
C
1
M
1
a partir de (4.3), deve-se eliminar M
2
. Isso e feito resolvendo-se
(4.4) para M
2
com C
2
= 0
M
2
=
K
21
K
22
M
1
(4.8)
levando em (4.3) resulta em
C
1
= K 1
_
1
K
12
K
21
K
11
K
22
_
M
1
(4.9)
Segue-se que:
_
C
1
M
1
_
C
2
= K
11
_
1
K
12
K
21
K
11
K
22
_
(4.10)
Substituindo as equa coes (4.7) e (4.10) em (4.2) tem-se a equa cao para o ganho rela-
tivo:
11
=
1
1
K
12
K
21
K
11
K
22
(4.11)
Ja que cada o total da soma de cada coluna de em (??) e 1, os outros ganhos s ao
calculados facilmente:
12
=
21
= 1
11

22
=
11
(4.12)
Assim a RGA (para um sistema c) e dada por:
=
_
1
1
_
(4.13)
131
Note que a RGA para o sistema (2 2) e simetrica.
Para matrizes maiores que 2 2, tem-se que:
ij
= K
ij
H
ij
sendo:
K
ij
= o (i, j)esimo elemento de K dado na equa cao 4.5
e
H
ij
= o (i, j)esimo elemento de K = (K
1
)
T
(isto e, H(ij) e o elemento ((i, j)-esimo) da transposta da inversa da matriz de ganhos.
Alguns Comentarios
Comentario 4.1
1. A recomenda c ao anterior e baseada no ganho em estado estacion ario. Pode-se, en-
tretanto, considerar a din amica na escolha do emparelhamento. Vide, por exemplo
a dissertacao [19]. Vide tambem [78].
2. Se = 0 ou = 1, o sistema de controle possui malhas que n ao interagem ou que
exibem uma intera cao em uma unica dire c ao (isto e uma malha afeta outra, mas
essa utlima n ao afeta a primeira). Por exemplo considere:
K =
_
K
11
K
12
0 K
22
_
Nesse caso a malha 1 n ao afeta a segunda malha (K
21
= 0). Entretanto a malha 2
afeta a malha 1.
132
4.7 Exemplo II
Exemplo 4.1 [82], pg. 501]
Considere o processo dado por:
y
1
=
1
s + 1
m
1
+
1
0, 1s + 1
m
2
(4.14)
y
2
=
0, 2
0, 5s + 1
m
1
+
0, 8
s + 1
m
2
(4.15)
(4.16)
Para calcular a MGR, fa ca:
1. Aplique um degrau em m
1
(isto e, m
1
= 1/s), mantendo-se m
2
constante (isto e,
m
2
= 0). Assim a partir de 4.14:
y
1
=
1
s + 1
1
s
Nesse caso, pelo teorema do valor nal:
y
1
() = lim
s0
[s y
1
(s)] = lim
s0
_
1
s + 1
_
= 1
Logo:
_
y
1
m
1
_
m
2
= 1/1 = 1
2. Mantenha y
2
constante (controlada), variando-se m
2
. Introduza uma perturba cao
(degrau) em m
1
. Como y
2
deve car constante ( y
2
= 0), a partir da equa cao (4.15)
e possvel calcular a varia cao de m
2
:
m
2
=
0, 2
0, 8
1 + s
0, 5s + 1
m
1
Levando esse valor em (4.14), tem-se:
y
1
=
1
s + 1
m
1
+
1
0, 1s + 1
0, 2
0, 8
s + 1
0, 5s + 1
m
1
Assim o valor para y
1
no estado estacion ario sera:
y
i
() = lim
s0
_
s
_
1
s + 1
1
s
+
1
0, 1s + 1
0, 2
0, 8
s + 1
0, 5s + 1
1
s
__
= 1, 25
133
Portanto, (y
1
/m
1
)
y
2
= 1, 25/1 = 1, 25 e
11
=
(y
1
/m
1
)
m
2
(y
1
/m
1
)
y
2
=
1
1, 25
= 0, 8
Usando equa coes ??, encontra-se os valores para
ij
:
12
=
21
= 0, 2 e
22
= 0, 8
Conclui-se portanto que o emparelhamento deve ser dado por m
1
y
1
e m
2
y
2
,
para que as malhas tenham a menor intera cao possvel.
4.8 Exemplo-III
As duas possibilidades mencionadas na gura 4.3 podem ser ilustradas no problema de
mistura de duas composi coes, como e mostrado na gura 4.5.
Figura 4.5: Alternativas de controle para uma malha 2 2.
Exemplo 4.2 [82], pg. 502]
Considere o sistema dado na gura 4.5. Nela representa-se um sistema de mistura de
dois uidos com vaz ao F
1
e F
2
e composi coes de um determinado produto (em mols)
dadas x
1
= 80% e x
2
= 20%. Deseja-se saber a melhor congura cao para o controle
da produ cao, isto e, a melhor forma de regular a vari avel x que e a combina cao das
134
composi coes e a vazao F. Sejam F = y
1
e x = y
2
as vari aveis controladas (sadas).
Sejam F
1
= m
1
e F
2
= m
2
as vari aveis manipuladas. Qual das duas congura c oes,
apresentadas na gura ?? e a melhor ?
O balan co das massas, em regime e dado por:
F = F
1
+ F
2
(4.17)
Fx = F
1
x
1
+ F
2
x
2
(4.18)
Suponha que se deseja uma opera c ao com os valores em estado estacion ario dados
por:
F = 200(mol/hr) e x = 60% em moles
Com esses valores encontre os valores de F
1
e F
2
em estado estacion ario usando
(4.17) e (4.18)
F
1
= 133, 4 e F
2
= 66, 6
Para calcular a RGA, proceda da seguinte forma:
1. Varie F
1
de uma unidade F
1
= 134, 4) mantendo F
2
constante. Resolva as equacoes
(4.17) e (4.18) para F e x e encontre os novos valores para estado estacion ario:
F = 201 e x = 0, 6012 portanto:
_
F
F
1
_
F
2
=
1
1
= 1
_
x
F
1
_
F
2
=
0, 0012
1
= 0, 0012
2. Varie F
1
de uma unidade mantendo x constante. Resolva as equacoes (4.17) e
(4.18) para F e x e encontre os novos valores para estado estacion ario:
F = 201, 67 F
2
= 67, 27 portanto:
_
F
F
1
_
x
=
1, 67
1
= 1, 67
Consequentemente, o ganho relativo entre F e F
1
sera:
11
=
(F/F
1
)
F
2
(F/F
1
)
x
=
1
1, 67
= 0, 6
135
Logo a MGR ser a
=
_
0, 6 0, 4
0, 4 0, 6
_
Pode-se tirar duas conclus oes:
1. As malhas com menores interacoes sao aquelas denidas quando emparelha-se F
com F
1
e x com F
2
. (gura ??)
2. Apesar da intera c ao entre as duas malhas denidas como dito acima ser a menor
possvel, ela ainda e signicante. Dessa forma, qualquer a cao de controle que
tentar regular F, por exemplo, estara afetando a vari avel x (e vice-versa).
136
4.9 Algumas Propriedades da RGA
A RGA possui v arias propriedades que sao uteis para a an alise e projeto de controladores
para sistemas MIMO. A seguir s ao apresentadas algumas propriedades. Para mais de-
talhesm veja em [78] ou os artigos de Grosdidier er. al [40], Morari, [57] ou de Hovd e
Skogestad, [?]. Considere dado um sistema MIMO G(S) ou uma matriz constante A.
1. RGA(A) = (A) = A [A
1
]
T
2. [A
1
] = [A
T
] = ([A])
T
.
3. Qualquer permuta cao de linhas e colunas de A resulta na mesma permuta na
matrix RGA.
4. [A] = I se e somente se A e triangular inferior ou superior. Em particular, a
RGA de uma matriz diagonal e a matriz identidade.
5. Plantas com elementos de valor elavado para a RGA pr oximo ` a freq uencia de
cruzamento de ganho (cross-over frequency) sao difcies de controlar devido ` a sensi-
bilidade (ou sensitividade) ` a incertezas de entrada. Em particular, desacopladores
ou outros controladores baseado na inversa da planta devem ser evitados.
6. Se o sinal de um elemento de RGA muda quando se troca S = 0 para s = ent` ao
existe um zero no semi-plano direito (zero de fase n ao mnima, RHP-zero) em G.
7. Se a soma dos elementos de uma coluna da RGA e pequena (<< 1) ent ao pode-se
deletar a entrada correspondente (isto e, pode-se desconsidera-la). Se todos os ele-
mentos de uma linha da RGA s ao pequenos (<< 1), ent ao a sada correspondente
nao pode ser controlada.
4.9.1 RGA no MATLAB
Para uma matriz constante:
lambda=g.*(pinv(g)).
Para um matriz G(s):
137
G = pck(A,B,C,D);
omega = logspace(-2,2,41);
Gw = frsp(G,omega);
RGA = veval(.*,Gf,vpinv(vtp(Gf)));
Exemplo 4.3 Considere o sistema;
G(s) =
_
1,31e
2,5s
20s+1
e
4s
3s
0,038(182s+1)
(27s+1)(10s+1)(6,5s+1)
0,36
s
_
Para calcular a RGA, troque 1/s por I (por exemplo). Calcule a RGA quando I tende
a innito.
K =
_
1, 318 I/3
0, 038 0, 36I
_
=
_
0, 97 0, 03
0, 03 0, 97
_
Exemplo 4.4 (Seborg, [56], pg. 460)

Calcule a RGA estatica e da fun cao de transferencia G(s) dada abaixo e interprete o
resultado:
G(s) =
_
2e
s
10s+1
1,5e
s
s+1
1,5e
s
s+1
2e
s
10s+1
_
K =
_
2 1, 5
1, 5 2
_
e =
_
0, 64 0, 36
0, 36 0, 64
_
A an alise da RGA recomenda o emparelhamento 1-1/2-2.
Entretanto, as constantes de tempo dos termos fora da diagonal principal s ao 10
vezes menores do que os da diagonal/
Assim C
1
respondera dez vezes mais rapidas ` a M
2
do que ` a entrada M
1
. O mesmo
para C
2
em rela cao a M
1
Consequentemente o empareamento 1 2/2 1 e mais favor avel, considerando-se
essa rela c ao temporal.
Motivacao para a an alise via RGA din amica.
138
4.10 Desacoplamento
4.10.1 Introdu cao
A MGR indica como as entradas estao acopladas com as sadas e recomenda como
formar malhas que reduzam essas intera coes.
Mas algumas vezes, mesmo escolhendo o melhor emparelhamento, a intera cao,
mesmo pequena, pode persistir ou ainda pode n ao ser pequena o suciente.
Vide exemplo 4.2.
No caso da intera cao ser forte o suciente para afetar o desempenho do sistema
como um todo, pode-se fazer uso de desacopladores, que sao elementos intro-
duzidos na malha para canclearas intera coes
Desacopladores sao projetados para compensar intera coes indesejadas presentes no
processo.
No controle desacoplado, est a embutido, no objetivo do projeto a obten cao de
um sistema que reduza a intera cao entre as malhas, atraves de de controladores
adicionais especcos, denominados de desacopladores.
Em linhas gerais, os projetos de desacopladores trazem consigo duas vantagens
importantes:
1. As intera coes entre as malhas e eliminada, e consequentemente a estabilidade
da malha fechada pode ser obtida pela an alise da estabilidade das malhas
separadamente.
2. Uma mudan ca de set-point em uma variavel controlada n ao afeta as outras
vari aveis controladas.
Na pr aticas essas vantagens (te oricas) n ao s ao totalmente aplic aveis, devido ` as
imperfeicoes do modelo.
Em geral os desacopladores s ao projetados a partir de modelos simples.
4.10.2 Exemplos de Desacopladores
Um tipo de desacoplador e dado na gura 4.6.
139
Figura 4.6:
4.10.3 Desacoplador Ideal
Na gura 4.6 tem-se um sistema 2 2, com dois controladores convencionais, G
c1
e G
c2
, e dois desacopladores D
12
e D
21
.
O sinal de entrada para cada desacoplador e a sada do controlador.
Sendo os desacopladores projetados para eliminar intera coes indesejadas, D
21
pode ser projetado, por exemplo, para cancelar o efeito de C
21
, que aparece devido
à intera cao entre M
1
e C
2
.
Este cancelamento ocorrer a em C
2
se a sada do desacoplador D
21
(sinal M
21
)
satiszer:
G
p21
M
11
+ G
p22
M
21
= 0 que seria o C
2
original (4.19)
Substituindo M
21
= D
21
M
11
tem-se:
(G
p21
+ G
p22
D
21
)M
11
= 0 (4.20)
Mas M
11
,= 0, j a que M
11
e a sada do controlador. Assim, para satisfazer (4.20),
deve-se ter:
G
p21
+ G
p22
D
21
= 0. (4.21)
Resolvendo-se apra D
21
, obtem-se a expressao para o desacoplador ideal:
D
21
(s) =
G
p21(s)
G
p22
(s)
(4.22)
140
Da mesma forma, pode-se deduzir uma expressao para D
12
(s), a partir da condi cao de
que M
22
nao deve afetar C
1
, isto e:
D
12
(s) =
G
p12(s)
G
p11
(s)
(4.23)
O desacoplador ideal e semelhante ao controle em avan co [56].
O desacoplador ideal n ao e sicamente realizavel (por isso chama-se ideal...).
4.10.4 Exemplo
Exemplo 4.5 ([56], pg. 465)
Um dado processo possui a seguinte matriz de transferencia:
G
p
(s) =
_
5
4s+1
e
5s 2
8s+1
e
4s
3
12s+1
e
3s 6
10s+1
e
3s
_
Projete um desacoplador ideal considerando as simplicacoes necess arias. Usando a
equa cao ??, tem-se:
D
21
(s) =
0, 5(10s + 1)
12s + 1
Considerando que o zero est a pr oximo ao p olo, pode-se simplicar D
21
(s) para 0, 5.
Neste caso pode-se substituir ?? por D
21
(s) = 0, 5. Usando agora a equa cao 4.23,
tem-se:
D
12
(s) =
0, 25(4s + 1)e
s
8s + 1
,
que e um sistema n ao realiz avel (termo em avan co). Repare que a matriz de trans-
ferencia possui termos em atraso em diferentes tempos. No caso, sendo que G
p11
(s)
possui um tempo de atraso maior, M
2
ir a afetar C
1
antes de M
1
. Sendo o termo em
avan co pequeno em rela c ao aos termos de atraso do sistema, pode-se aproximar D
12
(s)
por:
D
12
(s) =
0, 25(4s + 1)
8s + 1
,
(caso o termo em avan co fosse signicante, essa simplica cao poderia resultar em um
controlador inadequado).
141
4.10.5 Desacoplamento Parcial
Em alguns esquemas 2 2 e desejavel utilizar apenas um desacoplador, isto e,
considera-se D
21
ou D
12
igual a zero. Esse e o desacoplador parcial.
Desacoplamento parcial e interessante em sistemas em que uma malha predomina
sobre outra.
4.10.6 Desacoplador Estatico
Uma abordagem menos ambiciosapara o desacoplador e a elimina cao da in-
tera cao em regime estacion ario. A vantagem e que esse tipo de desacoplador ser a
sempre realiz avel.
A desvantagem ( obvia) e que haver a intera cao durante o transit orio.
O Desacoplador Est atico pode ser obtido fazendo-se s = 0 nas equa coes 4.22 e
4.23. Assim:
D
21
=
K
p21
K
p22
D
12
=
K
p12
K
p11
(4.24)
Existem outras possibilidades para lidar com sistemas acoplados do ponto de vista
do desacoplamento. Marlin, [54] apresenta, no captulo 21 de [54] mais duas pos-
sibilidades: alterar as vari aveis manipuladas ou alterar as vari aveis controladas.
Vide tambem Seborg, [56], pg 462.
142
4.11 Desacoplamento por Realimenta cao de Estados
Vide [12], pg. 371. Considere o sistema com p entradas e p sadas:
S1 :
x = Ax + Bu
y = Cx
(4.25)
sendo u p 1, y p 1, A, n n, B, n p e C p n. Considere p n. Sabe-se que a
matriz de transferencia, cujos elementos sao dados por g
ij
(s) e dada por:
G(s) = C(sI A)
1
B
Buscar-se a uma forma de tornar G(s) totalmente desacoplada, isto e diagonal (e n ao
singular), a partir de uma realimentacao de estados do tipo:
u(t) = Kx + Hr (4.26)
com K sendo uma matriz real constante p n. H e p p. Substituindo-se (4.26) em
(4.25) tem-se:
x = (A+ BK)x + BHu

y = Cx
(4.27)
A funcao (matriz) de malha fechada sera:
G
cl
= C(sI A BK)
1
BH (4.28)
A seguir apresenta-se a condi cao na qual G(s) pode ser desacoplada. Antes, dene-se d
i
e E
i
como sendo:
Deni cao 4.1 d
i
= mindiferen ca entre os graus do denominador e numerador de cada
elemento da i-esima linha de G(s) -1
Deni cao 4.2 E

i
e uma vetor linha, 1 p dado por:
E
i
lim
s
s
d
i
+1
G
i
(s).
sendo que G
i
(s) e a i-esima linha de G(s).
143
Exemplo 4.6
G(s) =
_
s+2
s
2
+s+1
1
s
2
+s+2
1
s
2
+s2+1
3
s
2
+s+4
_
As diferen cas dos graus da primeira linha e 1 e 2, logo d
1
= 0. (min(1, 2) 1).
E
1
= lim
s
s
_
s+2
s
2
+s+1
1
s
2
+s+2
_
= [1 0]
Analogamente, d
2
= 1 e
E
2
= lim
s
s
2
_
1
s
2
+2s+1
3
s
2
+s+4
_
= [1 3]
Teorema 4.1 Um sistema com matriz de transferencia G(s) pode ser desacoplado por
uma realimentac ao de estados da forma u = Kx + HR se e somente se a matriz con-
stante:
E =
E
1
E
2
.
.
.
E
p
,
for n ao-singular.
O sistema ser a desacoplado se:

K = E
1
F e H = E
1
sendo:
F
C
1
A
d
1
+1
C
2
A
d
2
+1
.
.
.
C
p
A
dp+1
.
Nesse caso, tem-se que G
i
(s) e C
i
sao e a i-esima linha de de G(s) e de C, respectiva-
mente, sendo que:
G
i
(s) = c
i
(sI A)
1
B
144
4.12 Decomposi cao em Valores Singulares
A Decomposi cao em Valores Singulares, DVS (ou SVD, Singular Value Decomposition, e
uma importante ferramenta (n umerica) da algebra linear moderna usada em aplica coes
de projeto de sistemas de controle.
A SVD e uma an alise que est a relacionada com a resposta em freq uencia de um
sistema MIMO. Para sistemas SISO, a resposta em freq uencia de uma fun cao de trans-
ferencia e denida (de forma direta) a partir do m odulo de G(j) e de seu angulo,
G(j), para 0 .
Para sistemas MIMO, G(j) passa a ser uma matriz complexa, de tal forma que
nao existe uma associa cao direta (como no caso SISO) entre ganhos e agulos com
a resposta frequencial (relacionada com entrada de sinais peri odicos).
Existem diferentes medidas de ganho de uma matriz de transferencia, seja na
abordagem freq uencial, seja em termos de ganho est atico.
Entre as deni coes relevantes, est ao o autovalor, os raio espectral, os valores sin-
gulares, entre outros.
Antes de denir esses conceitos e interessante revisar os conceitos de normas,
principalmente nas normas relacionadas com matrizes.
Importante lembrar que o conceito de norma pode estar relacionado a um vetor,
um sinal, um operador, uma funcao, um n umero, uma matriz real ou mesmo uma
matriz polimonial ou racional (em s).
O apendice ?? apresenta alguns conceitos de normas. A seguir resume-se alguns desses
conceitos.
4.12.1 Normas de Vetores
Deni cao 4.3 Se x e um vetor complexo c de dimens ao n a norma p de x e denida
como:
[[x[[
p
=
_
n
i=1
[x
i
[
p
_
1/p
145
Em teoria de controle usualmente usa-se a norma 1, 2 e . Em termos de norma de

vetor tem-se as respectivas normas 1, 2 e dadas por:
[[x[[
1
=
n
i=1
[x
i
[
[[x[[
2
=
_
n
i=1
[x
i
[
2
=
x
[[x[[
= max
i
[x
i
[
4.12.2 Normas Induzidas
Normas-p de matrizes podem ser denidas em relacao as normas de vetores.
Deni cao 4.4 Seja uma matriz A c uma matriz m n. Entao a norma-p de A e
denida como
[A[[
p
= sup
xC
n
,x=0
[[Ax[[
p|
[[x[[
p
A c
mn
Importante
A normal matricial como dada acima e uma norma induzida. Ela e induzida
pelos vetores (de norma-p).
[[A[[
p
pode ser interpretada como oganho maximo da matriz.
[[A[[
p
mede a raz ao entre o vetor de entrada e o de sada (na norma-p).
Nao e facil calcular essas normas de matrizes.
Para p = 1, p = 2 ou p = entretanto existem algoritmosque facilitam a
obtencao desses vaores.
146
Pode-se mostrar que:
[[A[[
i1
= max
j
m
i=1
[a
ij
[ (4.29)
[[A[[
i2
= max
i
_
i
(A
A valor singular m aximo (4.30)

[[A[[
i
= max
i
n
j=1
[a
ij
[ m axima soma das linhas (4.31)
(em geral pode-se tirar o ndice i da deni cao da norma).
4.12.3 Matrizes de Transferencia
Para matrizes G(s) o conceito de norma induzida e extendido, para valores de G(j).
Por exemplo, a norma-2 de G(s) e dada por:
[[G(j)[[
2
= sup
uC,u=0
[[G(j)u[[
2
[[u[[
2
= max
i
_
i
(G
(j)G(j))
4.12.4 Observa cao
A norma H
(distinta da norma (induzida) innita) de G(s), esta relacionada com a

maxima norma do vetor de entrada, isto e:
norma H
: [[G(j)[ = max
d(t)
=
[[y(t)[[
2
[[d(t)[[
2
sendo d(t) a entrada e y(t) a sada.
4.12.5 Valores Singulares
Assim, como dito acima, pode-se estender o conceito de norma induzida para sistemas
G(s). Seja a rela cao:
y = G(j)u.
Nesse caso o ganho em freq uencia de G(s) estar a relacionado com a dire cao em que e
usada (sua posi cao na matriz, por exemplo), que determinar a, por sua vez, a rela cao
entre y e u. Em outras palavras, o ganho de G(j) sera descrito como a raz ao entre a
sada y e a entrada u, levando-se em conta a norma usada nesses vetores. Nesse caso
147
importante notar que n ao haver a dependencia apenas no ganho, mas sim da dire cao. Se
por exemplo, for calculado uma norma sobre todos os valores de freq uencia sobres as
quais procura-se o m aximo ganho, tem-se a deni cao da norma-2 de G(j) como dada
acima. Essa norma-2 e denida como sendo o maximo valor singular de G(j), ou
seja:
[G(j)] = max
i
_
i
(G
(j)G(j))
Esse valor e o valor m aximo, em qualquer dire cao, que o vetor de sada pode ter (ele
fornece a maxima amplica cao do sistema).
Deni cao 4.5 A morma H
sera o maior valor singular percorrida todas as freq uencias.

Isto e:
[[G(s)[ = max
(M(j))
Analogamente, o menor valor singular pode ser denido como:
[G(j)] = inf
uC,u=0
[[G(j)u[[
2
[[u[[
2
= max
i
_
i
(G
(j)G(j))
4.12.6 Resumindo os Resultados
Deni cao 4.6 Se o ganho de uma matriz de transferencia G(s) for denido como
raz ao entre a norna-2 do vetor de sada pela norma-2 do vetor de entrada, os valores
singular m aximo e mnimo, s ao, respectivamente, o limite superir e inferior desse ganho.
A an alise do ganho de G(s) pode ser feita atraves da denominada Decomposicao em
Valores Singulares, DVS. Para denir a DVS, dene-se antes os valores singulares de
uma matriz.
Lema 4.1 Os valoes singulares de uma matriz complexa A c
mn
, denotados por
i
(A) sao denidos como os k maiores valores (n ao negativos) da raiz quadrada dos
autovalores de A
A, onde k = minn, m. Assim,
i
=
_
i
(A
)A) i = 1, 2, . . . , k.
A raz ao entre os valores singulares m aximo e mnimo e o n umero de condicionamento

de uma matriz:
(A) ( ou (G)) =
(A)
(A)
148
Matrizes com n umero de condi cao grande s ao ditas mal-condicionadas.
A seguir dene-se a DVS.
Lema 4.2 Decomposicao em Valores Singulares.
Para toda matriz complexa Q (m p), existem matrizes unit arias V (m m) e U
(p p) e uma matriz real , tais que:
Q = V
_
0
0 0
_
U
, (4.32)
onde = diag(
1
,
2

r
) com
1

2

r
0 e min(m, p) r.
Comentario 4.2 Quando Q e real, V e U podem ser ortogonais. A express ao
4.32 e chamada de decomposicao de valores singulares de Q.
As grandezas
1
,
2

r
sao iguais ` a raiz quadrada dos autovalores positivos de
Q
Q ou QQ
e s ao unicamente determinadas por Q.

4.12.7 Valores Singulares, Raio Espectral e Autovalores
Assim, como dito acima, todas raizes quadradas n ao negativas dos autovalores de Q
Q
sao denominadas de valores singulares de Q:
1
,
2

r
> 0 e
r+1
,
r+2

p
= 0. (4.33)
Os valores singulares m aximo e mnimo s ao denotados, respectivamente, por =
1
e
=
p
.
Os autovalores (ou ganhos caractersticos) de uma matriz quadrada A, n n sao as
nesimas solu coes,
i
para a equa cao caracterstica,
det(A I) = 0 (4.34)
Os autovetores, t
i
(` a direita) ou ` a esquerda, q
i
sao satisfazem as rela coes:
At
i
=
i
t
i
(4.35)
q
T
i
A =
i
q
T
i
(4.36)
(4.37)
149
Os autovalores est ao associados ` as caractersticas internas do sistema e denem, por
exemplo, os seus modos internos. O maior valor absoluto do autovalor e o raio espectral,
, isto e
(A) max
i
[
i
(A)[.
Tanto os valores singulares quanto os autovalores s ao medidas de ganho para o sistema.
Entretanto os autovalores so informam os ganhos na direcao do autovalor, enquanto que
os valores singulares s ao uma medida de ganho nas dire coes denidas pelos vetores u
i
e
v
i
que sao as colunas das matrizes U e V denidas na DVS, na equa cao (4.32).
4.12.8 Interpreta cao
A DVS para uma matriz real A pode ser interpretada da seguinte forma. Qualquer
matriz real mapeia um espa co em outro (uma hiper-esfera em um hiper-elisoide). Os
valores singulares de A,
i
(A) especicam o comprimento do eixo principal do
elips oide, que e a superfcie mapeada. Os vetores singulares u
i
especicam as direcoes
(ortogonais) desses eixos principais . Os vetores v
i
sao mapeados nos vetores u
i
, de
forma que se tem:
Av
i
=
i
u
i
Exemplo 4.7 Seja A dada por:
A =
_
0, 8712 1.3195
1.5783 0, 0947
_
A DVS de A e dada por A = UV com:
U =
1
2
_
1 1
1 1
_
, =
_
2 0
0 1
_
, V =
1
s
_

3 1
1
3
_
150
4.13 Resumo dos Resultados e Mais uma Interpreta cao
Considere uma matriz de transferencia G(s) mn. Considere uma dada freq uencia,
0
. Neste caso G(j
0
) sera uma matriz constante mn e sera possvel calcular
sua SVD, que no caso ser a a SVD de G(s) na freq uencia
0
.
Assim, tem-se que:
G(j
0
) = G = UV
T
Nesse caso, como visto anterirmente, e uma matriz com k = minm, n val-
ores singulares nao negativos,
i
, arranjados em ordem decrescente de valor, na
diagonal principal, e com os outros elementos nulos. Os valores singulares s ao as
raizes quadradas dos autovalores de G
T
G (na verdade G
H
G, sendo G
H
o complexo
conjugado de G), isto e:
i
=
_
i
[G
H
G]
Alem disso, U e uma matriz m m, unit aria, formadas de vetores u
i
em suas
colunas, denominados vetores singulares de sada.
E V e uma matriz n n cuja colunas sao os vetores v
i
, vetores singulares de
entrada.
Uma matriz G real, 2 2 pode sempre ser escrita como:
G =
_
cos(
1
) sen(
1
)
sen(
1
) cos(
1
)
__

1
0
0
2
__
cos(
2
) sen(
1
)
sen(
2
) cos(
2
)
_
T
= UV
T
.
Os angulos
1
e
2
dependem de G. Pela equa cao acima pode ser visto que U e V
est ao relacionadas com rota coes.
Os valores singulares s ao tambem chamados de ganhos principais e est ao associados
a dire coes denominadas principais.
SVD e calculada numericamente.
151
4.13.1 Importante
Como comentado, pode-se mostrar que o maior ganho, para qualquer dire cao e igual
ao valor singular m aximo:
[G]
1
[G] = max
d=0
[[Gd[[
2
[[d[[
2
=
[[Gv
1
[[
2
[[v
1
[[
2
Alem disso, o menor ganho para qualquer dire cao e igual ao valor singular mnimo:
(G)
k
(G) = min
d=0
[[Gd[[
2
[[d[[
2
=
[[Gv
k
[[
2
[[v
k
[[
2
sendo k = min(l, m) (para uma matriz G l m). Para qualquer vetor d, tem-se que:
[G]
[[Gd[[
2
[[d[[
2
[G]
Tem-se ainda que:
Gv
1
= u
1
e
Gv
k
= u
k
Dena v
1
= v e u
1
= u. v
k
= v e u
k
= u.
O vetor v corresponde a direcao da entrada que possui a maior amplica cao e
u corresponde a direcao da sada na qual a entrada e mais etiva.
As dire coes envolvendo u e v sao geralmente referenciadas como sendo dire coes
fortes, ou mais fortes ou ainda de alto ganho, ou mais importante.
As dire coes mais fracasest ao associadas ` as dire coes u
k
e v
k
.
4.13.2 SVD com G Variando

E possvel calcular a SVD para uma matriz em uma faixa de freq uencia. Isto
equivale a calcular a SVD para diferentes freq uencias.
Em geral, o graco da SVD para matrizes de transferencia apresenta os ganhos
principais, para v arios valores de freq
Uencia.
152
No matlab isto pode ser feito usando-se o comando vsvd.
Os valores singulares das fun coes sensititividade e sensitividade complementar sao
extremamente importantes no contexto de projeto de controladores MIMO.
Exemplo 4.8 Seja G dada por:
G =
_
5 4
3 2
_
Tem-se que:
G = UV
com:
G =
_
0, 872 0, 490
0, 490 0, 872
__
7, 343 0
0 0, 272
__
0, 794 0, 608
0, 608 0, 794
_
O maior ganho e 7,343, para uma entrada na dire cao
_
0, 794
0, 608
_
e o menor ganho e
0, 272 na dire c` ao de entrada v =
_
0, 608
0, 794
_
.
153
4.14 Adendos
4.14.1 Estruturas para Controladores
F
y
G
-
+
y u r
F
r
G Fr
r
u
Fy
+
(b)
Figura 4.7:
Uma congura cao possvel para um sistema de controle e o dado na gura 4.7 (a).
A partir dela tem-se que:
u = F
r
r F
y
y (4.38)
O controlador da equa cao (4.38) e denominado controlador de dois graus
de liberdade (2-DOF, ou 2 degree-of-freedom). Ele e determinado por duas
funcoes (matrizes) de transferencia, indepentemente, F
r
e F
y
.
As caractersticas da malha fechada cam determinadas de forma indepentente, a
partir de F
r
e F
y
. F
y
determina as caractersticas da malha fechada propriamente
dita e F
r
afeta a rela cao da respota temporal com a entrada r.
Um caso especial seria F
r
= F
y
, que resulta em:
u = F
y
(r y)
Que e o controlador (convecional) de um grau de liberdade (1-DOF).
Uma forma de se projetar um controlador 2-DOF e denir primeiramente o con-
trolador 1-DOF e depois fazer:
u = f
y
(

F
r
r y)
A rela cao anterior e ilustrada na gura 4.7 (b)
154
4.14.2 Diagrama para Representa cao no Espa co de Estados
c
A
b
d
r
u
y x
x
dt
d
int
+
+ +
+
Figura 4.8: Representacao no espa co de estados
Na realimentacao de estados, pode-se fazer:
u(t) = Kx + Hr
K
C
A
B
D
+
+ r u y x
x
dt
d
int
+
+ +
+
H
Figura 4.9: Representacao de uma realimenta cao de estaods
A malha fechada ser a:
G
cl
= C(sI A BK)
1
BH
Lembre-se: nem sempre, ESTA FORMA de desacoplamento e possvel.
155
4.14.3 Alguns Modelos
Sistema de Mistura
Vide [?], pg 621
Considere o sistema de mistura da gura ??. Nela tem-se uma subst ancia A e
um solvente S que sao misturados para gerar o produto com concentra cao e vaz ao
medidos.
O sistema foi modelado com as seguitnes considera coes:
As concentra coes das subst ancias que entram s ao constantes.
A mistura e perfeita
As densidades do solvente e do componente sao iguais.
O balan co de massa resulta nas equa coes:
F
m
= F
A
+ F
S
(4.39)
F
m
X
m
= F
A
X
A
+ F
S
X
S
(4.40)
sendo:
F
S
= vaz ao da mistura (massa/tempo) (4.41)
F
A
= vaz ao de A (4.42)
F
m
= vaz ao do solvente (4.43)
X
A
= fra cao m assica do componente A em relacao a quantidade de A = 1(4.44)
X
S
= fra cao m assica do componente A em relacao a quantidade de A = 0(4.45)
X
m
= fra cao m assica do componente A na mistura (4.46)
(4.47)
Considerando a equa cao 4.40, tem-se
X
m
=
F
A
F
m
F
2
m
F
A
F
m
F
2
m
logo:
F
A
+ F
S
F
2
m
F
F
A
(F
A
+ f
S
)
F
2
M
156
assim:
X
m
(t) =
F
A
F
A
F
2
m
+
F
S
F
A
F
2
m
F
A
F
A
F
2
m
F
A
F
S
F
2
m
que resulta em:
X
m
(t) =
_
F
S
(F
S
+ F
A
)
2
)
_
F
A
(t) +
_
F
A
(F
S
+ F
A
)
2
)
_
F
S
(t)
Considerando-se os sensores da gura ??, tem-se que F
1
= F
S
e F
2
= F
A
.
157
Captulo 5
Aloca cao de P olos em Sistemas
MIMO
5.1 Introdu cao
Nesse captulo s ao apresentados resultados para o projeto de controladores para a
formula cao no espa co de estados.
Sao apresentados exemplos de aloca cao de p olos via realimenta cao de estados.
Sao discutidas formas de implementa cao de observadores de estados.
5.2 Realimenta cao por Variaveis de Estado: Con-
ceitos Correlatos
Considere o modelo no espa co de estados com m entradas e p sadas:
x(t) = A
0
x(t) + B
0
u(t) (5.1)
y(t) = C
0
x(t) (5.2)
sendo x(t) 1
n
, u(t) 1
m
e y(t) 1
p
.
O objetivo da realimenta cao de estados e encontrar uma matriz K 1
mn
tal que
A
0
B
0
K tenha seus autovalores no SPE. Alem disso e comum especicar uma
158
Aloca cao de P olos em Sistemas MIMO
dada regiao do SPE, relacionada a uma determinada especica cao de desempenho.
A estrategia usual para achar a matriz K em sistemas SISO n ao se aplica a sistemas
MIMO. Porem existem procedimentos particulares para o caso MIMO.
Uma das abordagens MIMO para a escolha de K faz uso da otimiza cao quadr atica.
Para detalhes vide apendice ??. Em linhas gerais, a ideia central desse projeto
e encontrar K a partir de um problema de minimiza cao de uma fun cao de custo
quadr atica, da forma:
J =
_
tr
0
_
x(t)
T
x(t) + u(t)
T
u(t)
dt.
Nessa funcao de custo, 1
nn
e uma matriz simetrica nao-negativa denida e
1
mm
e uma matriz simetrica positiva denida.
Mostra-se (vide apendice ??) que quando t
f
a lei de controle que otimiza
essa funcao de custo possui a seguinte forma:
u(t) = Kx(t). (5.3)
Nessa caso, K =
1
B
T
0
P, com P 1
nn
sendo uma matriz P = P
T
0, solu cao
da seguinte Equa cao de Riccati (ARE) Contnua
1
:
0 = + A
T
0
P + PA
0
PB
T
0

1
B
0
P (5.4)
5.2.1 Considera coes
Considere-se o sistema S1 dado na equacao (5.5).
S1 :
x = Ax + bu
y = cx + dy
(5.5)
A e n n, b e n 1, c e 1 n e d e 1 1. No caso de sistemas MIMO, troque b por
B, c por C e d por D e considere A e n n, B e n p, C e q n e D e q p. Seja o
polin omio caracterstico da matriz A dado por:
() = det( I A) =
n
+
1
n1
+ +
n1
+
n
1
O teorema ?? (apendice ??) mostra que, desde que o par (A
0
, B
0
) seja estabiliz avel e (
1/2
, A
0
) seja
detect avel, ent ao existe uma solu cao (n ao-negativa denida) unica para a equa cao (5.4) e que garante
que a lei de controle (5.3) estabiliza a malha.
159
5.3 Realimenta cao de Estados: SISO
Nessa secao estuda-se o efeito de uma realimenta cao do tipo:
u = r Kx r pode ser nulo,
sobre a equa cao din amica S1 (equa cao (5.5)). A vari avel r est a associada a referencia
aplicada ao sistema e K e a matriz ganho (ou simplesmente ganho) do sistema em
malha fehcada.
Nas deducoes dessa sessao considera-se que todos os estados estejam disponveis
para serem realimentados.
A realimenta cao de estados dada na gura 5.1. Considere o sistema S1 da equa cao
5.5. Considere o ganho k, com k = [k
1
k
2
. . . k
n
].
k
c
A
b
d
+
+
r u y x
x
dt
d
int
+
+ +
+
Figura 5.1: Representacao de uma realimenta cao de estados
A malha fechada do diagrama da gura 5.1 pode ser dada por:
S1mf :
x = (A bk)x + br
y = (c dk)x + dr
(5.6)
Teorema 5.1 A equa cao dinamica S1mf, (5.6), e control avel para qualquer vetor k,
1 n se e somente se a equa cao S1, 5.5 for control avel.
Corolario 5.1.1 A controlabilidade de um sistema MIMO, LTI, dado pela equa cao ??
e invariante sobre uma realimenta cao de estados da forma u(t) = r(t) k(t)x(t).
160
Embora a realimenta cao de estados preserve a controlabilidade, ela quase sempre

altera a propriedade da observabilidade, no sentido de destru-la, isto e o sistema
em malha fechada nao e mais observ avel.
5.3.1 Aloca cao de P olos via Realimenta cao de Estados
Teorema 5.2 Se o sistema din amico SISO, S1, dado em (5.5) e control avel entao, a
partir de uma realimenta cao de estados, u = r kx, com k sendo um vetor 1 n, os
autovalores de (Abk) podem ser arbitrariamente alocados, considerando-se obviamente,
que os autovetores complexos sejam atribudos em pares.
Exemplo 5.1 (Calculando k)
Este exemplo apresenta um metodo para encontrar o vetor k da realimenta c ao de esta-
dos. A deni c ao da realmenti c ao como sendo u = kx e puramente arbitraria. Poderia
ser = +kx, como pode ser visto nas dedu coes a seguir.
Considere o sistema dado a seguir:
x =
0 1 0 0
0 0 1 0
0 0 0 1
0 0 5 0
x +
0
1
0
2
u (5.7)
y =
_
1 0 0 0
_
x (5.8)
E um sistema control avel, portanto, e possvel alocar arbritariamente seus p olos. Seja
os autovalores desejados dados por:
1; 2; 1 j
Entao,
(s) = (s + 1)(s + 2)(s + 1 j)(s + 1 + j) = s

4
+ 5s
3
+ 10s
2
+ 10s + 4
Calcule o polin omio caracterstico de:
A + bk =
0 1 0 0
k
1
k
2
k
3
1 k
4
0 0 0 1
2k
1
2k
2
5 2k
3
2k
4
161
sendo k = [k
1
k
2
k
3
k
4
]. Nesse caso:
mf
(s) = det(sI Abk) = s
4
+ (2k
4
k
2
)s
3
+ (2k
3
k
1
5)s
2
+ 3k
2
s + 3k
1
Comparando-se os coecientes de
mf
(s) com os de

(s) tem-se:
k
1
=
4
3
k
2
=
10
3
k
3
=
63
8
k
4
=
25
6
Assim, a realimenta c ao de estados:
u(t) = r(t) + [
4
3
10
3
63
8
25
6
]x
resulta em uma malha fechada com os autovalores nos locais desados.
Para sistemas de maior ordem, o c alculo de k como no exemplo anterior e complicado.
Nesse caso deve-se usar um algoritmo ou uma das formulas j a conhecidas para k.
5.3.2 F ormulas para k
([45], pg. 197).
Considere a realiza cao:
x = Ax(t) + bu(t) y(t) = cx(t)
com o polin omio caracterstico
a(s) = det(sI A) = s
n
+ a
1
s
n1
+ + a
n
e com fun cao de transferencia:
H(s) =
b(s)
a(s)
=
b
1
s
n1
+ + b
n
s
n
+ a
1
s
n1
+ + a
n
.
Considera-se tambem que a realiza cao [A, b, c] possui n estados.
Deseja-se, como no exemplo anterior, modicar o sistema para que ele passe a ter
um polin omio caracterstico dado por:
(s) = s
n
+
1
s
n1
+ +
n
,
a partir de uma realimentacao de estados dada por:
u(t) = r(t) kx(t).
162
Naturalmente, o sistema realimentado sera dado por:
x(t) = (Abk)x(t) + br(t) y(t) = cx(t)
cujo polin omio caracterstico e dado por:
a
k
(s) = det(sI A+ bk)
5.3.3 F ormula de Bass-Gura
Considere a seguinte identidade para um determinante de uma matriz:
a
k
(s) = det(sI A+ bk) =
= det(sI A)[I + (sI A)
1
bk]
= det(sI A) det[I + (sI A)
1
bk]
= a(s)[1 + k(sI A)
1
b]
Portanto,
a
k
(s) a(s) = a(s)k(sI A)
1
b (5.9)
Sendo, ambos os lados da equa cao acima polin omios em s, k pode ser determinado
igualando-se os coecientes das potencias em s de mesma ordem. Para fazer isto, use a
rela cao:
(sI A)
1
=
1
a(s)
[s
n1
I + s
n2
(A+ a
i
I) + s
n3
(A
2
+ a
1
A+ a
2
I) + . . . ], (5.10)
que aplicada na equa cao (5.9) resulta em:
1
a
1
= kb,
2
a
2
= kAb + a
1
kb,
3
a
3
= kA
2
b + a
1
kAb + a
2
kb, . . .
que pode ser agrupada na forma matricial como:
a = kc/
T
sendo:
= [
1

2

n
] a = [a
1
a
2
. . . a
n
],
c = [b Ab . . . A
n1
b] (5.11)
163
e /
T
=uma matriz Toeplitz triangular inferior com a primeira coluna sendo:

[1 a
1
. . . a
n1
]
T
.
Sendo a matriz /
T
sempre n ao singular, pode-se resolver (5.11) para k, com e a

arbitr arios, se e somente se, c for nao singular. Assim, provou-se que:
A realimentacao de estados pode fornecer uma realocacao arbitr aria dos autovalores
da realiza cao [A, b, c] se e somente se c, sendo
c = [b Ab . . . A
n1
b],
for n ao singular.
Alem disso, o ganho k pode ser dado por:
k = ( a)/
T
c
1
(5.12)
sendo
/
T
[/
1
]
T
Toeplitz Matrix
(vide [45], pg. 648) Uma mattriz e dita ser uma Matrix Toeplitz se seu elemento (i, j)
depende apenas do valor de i j. Desta forma a matrix de Toeplitz ser a constante ao
longo das diagonais. Note que uma matrix Toeplitz triangular inferior (ou superior) e
completamente especicada pelos elementos da sua primeira coluna (ou linha).
5.3.4 Realiza cao Adequada para Calcular a Realimenta cao de
Estados
Dada a f ormula explcita para encontrar k, e natural perguntar se existe uma realiza cao
na qual o c alculo e mais facilmente executado. Importante lembrar que tem-se quatro
formas can onicas bastante uteis, nas quais a matriz de controlabilidade e de observabili-
dade sao obrigatoriamente n ao singulares (isto e, formas canonicas que s ao por deni cao
observ aveis ou control aveis).
Em particular sabe-se que que a matriz de controlabilidade c sera igual a identidade
para a forma canonica de controlabilidade. Essa e a forma mais adequada para se efetuar
o c alculo de k como dado acima.
164
Pode-se ter um calculo mais simples ainda se a matrix /
T
for denida como sendo

a inversa da matrix de controlabilidade c
c
da forma canonica de controle, [A
c
, b
c
, c
c
],
sendo A
c
matriz companheira com [a
i
] na linha superior e b
c
tendo 1 no seu primeiro
elemento e zeros nos outros. Assim, considerando o exposto acima, tem-se que:
k
c
= ( a)/
T
c
1
= ( a)/
T
c
1
c
= ( a)
pois /
T
= c
1
c
.
5.3.5 F ormula Ackermann
Ackermann, em um artigo de 1972 mostrou que k poderia ser calculado a partir de:
k = q
T
n
(A) (5.13)
sendo (s) o polin omio caracterstico desejado e
q
T
n
= [0 . . . 0 1]c
1
= [a ulima linha de] c
1
Neste caso, n ao se faz necessario o conhecimento do polin omio caracterstico original,
a(s) = det(sI A).
Comentarios
Formula conveniente do ponto de vista te orico.
O gasto computacional n ao e muito vantajoso em rela cao a f ormula de Bass-Gura
Exerccio
Mostre que a equacao (5.13) est a correta. Para isso use equa cao (5.12). Considere que a
realiza cao est a na forma can onica do controlador. Voce devera usar tambem o teorema
de Cayley-Hamilton.
5.3.6 F ormula de Mayne-Murdoch
Especicar p olos desejados (polin omio caracterstico desejado) ou autovalores de-
sejados (matriz A desejada) e a mesma coisa do ponto de vista te orico.
165
Porem, do ponto de vista numerico, em algumas aplica coes pode ser prefervel
trabalhar com os autovalores no lugar do polin omio caracterstico.
Considere A diagonal com autovalores distintos [
1
, . . . ,
n
] e que os autovalores deseja-
dos s ao [
1
, . . . ,
n
]. Para calcular k, remeta-se à equa cao (5.9):
a
k
(s) a(s) = a(s)k(sI A)
1
b
e reescreva-a como:
a
k
(s)
a(s)
= 1 +
n
1
k
i
b
i
s
i
Que e obtida fazendo-se a expans ao em fra coes parciais de a
k
(s)/a(s) e dividindo-se o
coeciente do termo (s
i
)
1
por b
i
.
Mais explicitamente, multiplique os dois lados da equa cao por (s
i
) e fa ca s =
i
para obter:
k
i
b
i
=

j
(
i
i
)
j=i
(
i
j
)
Comentarios
O ganho k aumenta quando a diferen ca entre
i
e
i
aumenta.
Pode-se obter essa formula para A nao diagonal.
5.3.7 Abordagem da Fun cao de Transferencia
Considere o diagrama da gura 5.2. Dena uma vari avel (uma sada ctcia) z, na sada
do bloco k. Neste caso, tem-se:
z(t) = kx(t)
Ainda, em rela cao ` a gura 5.2, tem-se:
Z(s)
U(s)
= k(sI A)
1
b =
g(s)
a(s)
Como resultado de uma realimentacao unit aria, tem-se:
Z(s)
R(s)
=
g(s)
a(s) + g(s)
166
Figura 5.2: Representacao de uma realimenta cao de estados
Assim, a nova fun cao de transferencia em malha fechada ser a:
Y (s)
R(s)
=
Y (s)
U(s)
U(s)
Z(s)
Z(s)
R(s)
=
b(s)
a(s)
a(s)
g(s)
g(s)
a(s) + g(s)
Ou,
Y (s)
R(s)
=
b(s)
a(s) + g(s)
(5.14)
Assim, o novo polin omio caracterstico sera:
a(s) + g(s) = (s)
5.3.8 Comentarios
realimentacao de estados possibilita alocar apenas os polos. Os zeros continuam
os mesmos.
167
5.3.9 Algoritmo
O seguinte algoritmo ([12], pg. 337) pode ser usado para se encontrar o vetor k.
1. Encontre o polin omio caracterstico de A:
(s) = det(s I A) = s
n
+
1
s
n1
+ +
n
2. Calcule:
(s) = (s
1
)(s
2
) . . . (s
n
) = s
n
+
1
s
n1
+ +
n
3. Calcule:
k = [
n

n

n1

n1
. . .
1

1
]
4. Calcule
q
n1
= Aq
ni+1
+
i
q
n
para i = 1, 2, . . . , (n 1), com q
n
= b
5. Monte a matriz Q:
Q = [q
1
q
2
. . . q
n
]
6. Calcule:
P Q
1
7. Assim:
k =

kP.
5.3.10 Exerccio
Calcule k para o exemplo 5.1 usando o algoritmo.
5.3.11 Comentarios Adicionais
Atencao para a forma como a realimenta cao e apresentada: alguns autores con-
sideram u = r + Kx e outros u = r Kx.
168
A habilidade de se alocar arbritariamente os autovalores via realimenta cao de
estados e denominada controlabilidade modal modal controllability, sendo que
o termo modal refere-se aos modos denidos pelos autovalores. Vide [45], pg.
199.
Dada uma f ormula para se achar K e natural questionar se existem realiza coes
nas quais o c alculo e mais simples. De fato, a realiza cao mais adequada para se
calcular K e a forma can onica do controlador, controller canonical form.
5.4 Conceitos para a Realimenta cao de Estados para
Sistemas MIMO
Seja [A, B, C, D] uma realiza cao mnima de G(s) e sejam G(s) =

D
1
(s)

N(s) = N(s)D
1
(s)
fatora coes coprimas.

D e reduzida em linha e D(s) e reduzida em coluna.
Entao:
B(sI A)
1
C + D = N(s)D
1
(s) =

D
1
(s)

N(s)
que implica em
1
det(sI A)
B[Adj(sI A)C + D =
1
det(D(s))
N(s)[Adj(D(s))]
=
1
det(

D(s))
[Adj(

D(s)]

N(s)
Pelo fato dos tres polinomios: det(sI A), det(D(s)) e det(

D(s)) terem o mesmo
grau, podemos concluir:
deg[G(s)] = deg[det(D(s)] = deg[det(

D(s)] = dim[A]
O polin omio caracterstico de G(s) = k
1
det[D(s)] = k
2
det[

D(s)] = k
3
det[sI A]
para algumas constante n ao nulas, k
i
.
O conjunto dos graus das colunas de D(s) e igual ao conjunto dos ndices de
controlabilidade de (A, B).
O conjunto dos graus das colunas de

D(s) e igual ao conjunto dos ndices de
observabilidade de (A, B).
169
Pode-se concluir, portanto que:
A fatora cao coprima (` a direita ou ` a esquerda) e as realiza coes control aveis e ob-
servaveis contem essencialmente a mesma informa cao.
5.4.1

Indices de Controlabilidade e Observabilidade
O fato da matriz de controlabilidade:
c = [B AB . . . A
n1
B]
ter rank n signica que existem n colunas LI em c. Pode ocorrer, entretanto, que seja
possvel encontrar essas n colunas LI, em uma matriz de dimensao menor do que a c,
matriz essa denominada matriz de controlabilidade parcial:
c
= [B AB . . . A
q1
B], 1 q n.
O menor q que satisfa ca tal condicao e denotado por (isto e o q tal que c
tenha rank
n) ser a denominado ndice de controlabilidade de A, B. Analogamente, dene-se
o ndice de observabilidade de A, C como sendo o menot inteiro q, denotado por ,
tal que
O
T
= [C
T
A
T
C
T
. . . (A
T
)
q1
C
T
], 1 q n;
tenha rank n.
170
5.5 Realimenta cao de Estados: MIMO
5.5.1 Alguns Metodos de Projeto
Projeto via matriz cclica ([13], pg. 256).
Projeto via Equa cao de Lyapunov ([13], pg. 259).
Projeto da forma can onica ([13], pg. 260).
Metodo Direto ([45], pg. 503).
Considere o sistema S1M, da equacao (5.15).
S1M :
x = Ax + Bu
y = Cx + Dy
(5.15)
Para esse sistema considera-se A e n n, B e n p, C e q n e D e q p.
No caso de uma realimenta cao de estados, u e trocado por:
u = r Kx
sendo K uma matriz p n (com elementos reais (constantes)).
A malha realimentada ca:
S1Mmf :
x = (A+ BK)x + Br
y = (C + Dk)x + Dr
(5.16)
Analogamente ao caso SISO, os autovalores de (A+ BK) podem ser arbritariamente
alocados se S1M e control avel. Nas subse coes ?? a 5.5.2 sao discutidos brevemente tres
metodos de aloca cao para o sistema MIMO.
5.5.2 Metodo de Aloca cao MIMO via Lyapunov
Esse metodo faz uso de uma equa cao de Lyapunov do tipo AM + MB = N.
Deni cao 5.1 Uma equa cao matricial da forma:
AM + MB = N
e denominada equa cao de Lyapunov. A, B, M, N s ao matrizes complexas n n.
171
Algoritmo
Considere um sistema comA, B controlavel sendo A e B nn e np, respectivamente,
matrizes constantes. Encontre K (pn) tal que A+BK tenha os autovalores desejados.
1. Escolha uma matriz qualquer F n n que nao tenha autovalores em comum com
A cujos autovalores sejam os desejados para a malha fechada.
2. Escolha uma matriz qualquer

K p n tal que F,

K seja observ avel.
3. Resolva a equa cao de Lyapunov (em T), isto e, encontre a matriz ( unica) T para:
AT TF = B

K.
4. Se T e nao singular ent ao tem-se que K =

KT
1
e A + BK possui os mesmos
autovalores de F. Se T for singular, escolha outra matriz F ou outra matriz

K e
repita o procsso.
Comentarios
(ABK) e F sao similares (tem o mesmo conjunto de autovalores (mesmo espec-
tro)).
O procedimento semelhante, para o caso SISO, sempre resulta em T n ao singular.
Para o caso MIMO pode-se te-la singular.
Assim para o caso MIMO as condicoes (A, B) control ave e (F,

K) control avel s ao
condicoes necessarias, mas n ao sucientes para se ter T nao singular.
5.6 Exemplo de Utiliza cao do Algoritmo
Os autovalores de A BK podem ser alocados em qualquer lugar (arbritaria-
mente), exceto nos autovalores de A.
Observa cao: No caso SISO, se A e F nao tiverem autovalores comuns, ent ao
existira uma solu cao unica T para
AT TF = b

K.
172
Teorema 5.3 (Vide [12])
Se A e F n ao tiverem autovalores em comum entao a soluc ao unica, T, para AT TF =
B

K sera n ao singular somente se (A, B) for control avel e (F,

K) for observ avel.
Dado um conjunto de autovalores existem innitas matrizes F com esses autoval-
ores.
Pode-se obter matrizes diagonais, diagonais em bloco, na forma de Jordan ou nas
formas companheiras.
Uma forma de obter uma matriz F e a partir do polin omio dos autovalores.
Pode-se obter uma matriz na forma canonica observavel ou control avel, de ob-
servabilidade ou de controlabilidade, entre outras.
Para um F montada a partir do polin omio dos autovalores na forma observavel a
escolha de

K e facilitada.
5.6.1 Caso SISO
Considere o polin omio dos autovalores dado por:
(s) = s
4
+
1
s
3
+
2
s
2
+
3
s +
4
.
Neste caso F pode ser dada por:
F =
1
1 0 0
2
0 1 0
3
0 0 1
4
0 0 0
Para essa matriz F, se for dada uma matriz

k como sendo:
k = [1 0 0 0]
ent ao (F,
k) sera observ avel.

173
5.6.2 Expressao para F 5 5
Se n = 5 e for desej avel alocar 5 autovalores dados por
1
,
1
j
1
e
2
j
2
F pode
ser dada por:
F =
1
0 0 0 0
0
1

1
0 0
0
1

1
0 0
0 0 0
2

2
0 0 0
2

2
(5.17)
5.6.3 Caso MIMO
Analogamente ao caso SISO, se F for expressa como na equa cao 5.17

K poder a ser
expressa como:
K =
_
1 1 0 0 0
0 0 0 1 0
_
ou

K =
_
0 0 1 0 0
1 0 0 1 0
_
Nesse dois casos, F,

K sera observ avel.
174
5.7 Estimadores (Observadores) de Estado: MIMO
5.7.1 Introdu cao
O projeto via realimenta cao de estados parte do pressuposto que todos os estados
est ao disponveis.
Mas isso nem sempre ocorre seja porque n ao e possvel medir diretamente o estado
seja pelo fato do n umero de elementos de medida e limitado.
No caso de um determinado estado nao estar disponvel, deve-se estim a-lo (ou
observ a-lo).
O dispositivoque obtem o valor aproximado do estado e o denominado estimador
de estados ou observador de estados.
A forma de projeto do observador e dual ao projeto do realimentador de estados.
Nessa secao, os estados estimador ser ao denotados por x.
C
A
B
u
x
x
dt
d
int
+
+
y
A
B
x
dt
d
int
+
+
x
sistema
estimador
Figura 5.3: Representacao de uma Estimacao de Estados em Malha Aberta
175
5.7.2 Projeto de Observadores
Considere o sistema S1M, da equacao (??), repetida a seguir por conveniencia:
S1M :
x = Ax + Bu
y = Cx
(5.18)
Para esse sistema considera-se A e n n, B e n p, C e q n e D e q p. Por
simplicidade e sem perda de generalidade, considera-se D = 0.
u
A
B
x
dt
d
int
+
+
x
estimador
C
A
B
x
x
dt
d
int
+
+
y
sistema
L
C
+
-
Figura 5.4: Representacao de uma Estimacao de Estaods em Malha Fechada
176
Se o sistema original S1M e o estimador possuirem os mesmos estados iniciais e
tiverem a mesma entrada, a sada x(t) do estimador ser a igual ao valor real x(t)
para todo t.
Se A e B sao conhecidos pode-se usar o Estimador em Malha Aberta:
x = A x + bu (5.19)
Se as equa coes 5.19 e (??) possuirem os mesmos estados iniciais ent ao para qual-
quer entrada, x(t) = x(t).
O Estimador de Malha Aberta pode ser modicado como mostra a gura 5.4.
Assim, tem-se
x = A x + Bu + L(y C x)
Que pode ser escrita como
x = (ALC) x + Ly + Bu
Dena
e(t) = x(t) = x(t) x(t)
e(t) = x(t) e o erro entre o estado real e o estimado. Derivando-se o erro e
efetuando as substitui coes necessarias, tem-se:
x = (ALC) x
Essa e a equa cao que determina a din amica do estimador. Se todos os autovalores
de ALC puderem ser alocados arbritariamente, entao pode-se controlar a taxa
de decaimento de e(t)
177
5.7.3 Teoremas e Projetos
Teorema 5.4 Se a equa cao dinamica n-dimensional ?? S1m e observ avel ((A, C) e
observ avel), seus estados podem ser estimados usando o estimador de dimens ao n:
x = (ALC) x + Ly + Bu
sendo que o erro x = x x obedece a equa cao dinamica:
x = (ALC) x
e todos os autovalores de ALC podem ser arbritariamente alocados (autovalores com-
plexos em pares).
Metodo via Lyapunov
Considere o sistema de dimensao n com q sadas (??) (A e nn, B e np e C e q n).
Considere S1M irredutvel. Considere o projeto de um estimador de ordem-n.
Algoritmo
1. Escolha uma matriz F, (n)(n) que tenha todos os seus autovalores com as partes
reais negativas, diferentes dos da matriz A.
2. Escolha uma matriz L, (n) q (q = 1 para SISO) tal que F, L seja control avel.
3. Resolva, em T, a equa cao TA FT = LC, isto e, encontre a solu cao unica T,
(n) n para a referida equa cao de Lyapunov. T sera n ao singular.
4. Assim o estimador ser a denido pelas rela coes
z = Fz + Ly + Tbu (5.20)
x = T
1
z (5.21)
Exerccio
Dena e z Tx. Mostre que o estiamador acima denido denir a uma din amica para
e(t) que resultar a em e(t) 0 se t .
178
5.7.4 Estimadores de Ordem Reduzida
Algoritmo
1. Escolha uma matriz F, (n q) (n q) que tenha todos os seus autovalores com
as partes reais negativas, diferentes dos da matriz A. Caso SISO q = 1.
2. Escolha uma matriz L, (n q) q tal que F, L seja control avel.
3. Resolva, em T, a equa cao TA FT = LC, isto e, encontre a solu cao unica T,
(n q) n para a referida equa cao de Lyapunov.
4. Se a matriz quadrada P, de ordem n:
P =
_
C
T
_
(5.22)
for n ao singular, calcule H = TB. A equa cao (??), com as matrizes F, L e H
e um estimador de Tx(t), isto e, x(t) = T
1
z(t). Se P for singular, escolha uma
matriz F (e/ou L) diferente e repita o procedimento.
O estimador e dado pelas rela coes:
z = Fz + Ly + Hu (5.23)
x =
_
C
T
_
1
_
y
z
_
(5.24)
Teorema 5.5 Se A e F n ao possuem autovalores em comum, as condi coes necess arias
para que exista uma matriz T n ao singular em TAFT = LC sao:
A, C observ avel;
F, L control avel.
Para o caso SISO (q = 1) essas condi coes sao tambem sucientes.
Prova: vide [12], pg. 359.

179
5.8 Realimenta cao de Estados com Estimadores
Vide [13], pg. 265.
Considere a equacao de estados ndimensional:
x = Ax + Bu (5.25)
y = Cx (5.26)
Considere ainda o estimador de ordem (nq) das equa coes (5.23) e (5.24). Calcula-se
a inversa de matriz P, equa cao (5.22) e particiona-se essa inversa em
Q = [Q
1
Q
2
]
sendo Q
1
n q e Q
2
n (n q), ou seja:
QP = I
_
Q
1
Q
2
_
_
C
T
_
= Q
1
C + Q
2
T = I (5.27)
Assim o estimador de ordem (n q) das equa coes(5.23) e (5.24) pode ser escrito como:
z = Fz + TBu + Ly (5.28)
x = Q
1
y + Q
2
z (5.29)
Assim a realimentacao de estados pode ser dada por:
u = r K x = r KQ
1
y KQ
2
z
Substituindo nas equa coes (5.25), (5.26)e (5.28), tem-se:
x = Ax + B(r KQ
1
Cx KQ
2
z)
= (ABKQ
1
C)x BKQ
2
z + Br (5.30)
z = Fz + TB(r KQ
1
Cx KQ
2
z) + LCX
= (LC TBKQ
1
C)x + (F TBKQ
2
)z + TBr (5.31)
180
Que, colocadas na forma matricial:
_
x
z
_
=
_
ABKQ
1
C BKQ
2
LC TBKQ
1
C F TBKQ
2
__
x
z
_
+
_
B
TB
_
r (5.32)
y =
_
C 0
_
_
x
z
_
(5.33)
Estas equa coes descrevem o sistema realimentado da gura 5.5.
K
planta
Estimador
Y
u
X
^
+
-
Figura 5.5: Congura cao para Realimenta cao de Estados com Estimador
Seja a seguinte transforma cao de equivalencia:
_
x
e
_
=
_
x
z Tx
_
=
_
I
n
0
T I
nq
__
x
z
_
Apos algumas manipula coes e usando TAFT = LC e (5.27), tem-se:
_
x
e
_
=
_
ABK BKQ
2
0 F
__
x
e
_
+
_
B
0
_
r (5.34)
y = [C 0]
_
x
e
_
(5.35)
essas duas equa coes acima mostram que o projeto do estimador e da realimentacao de
estados podem ser efetuados separadamente. Este e o conhecido prncipio da sep-
aracao.
181
5.9 Interpreta cao da Fun cao de Transferencia
A duas subsecoes que se seguem apresentam a interpreta cao, do ponto de vista da fun cao
(matriz) de transferencia para o controlador via estima cao e realimenta cao de estados.
5.9.1 Caso SISO
Considere o estimador de ordem n (vide teorema 5.4).
x = A x(t) + Bu(t) + L(y(t) C x(t))

A interpreta cao para fun cao de transferencia e dada pelo seguinte lema.
Lema 5.1 A fun cao de transferencia do estimador de estados acima possui as seguintes
propriedades:
1.
X(s) = (sI A+ LC)

1
(Bu(s) + Ly(s)) = T
1
(s)u(s) + T
2
y(s)
Sendo T
1
e T
2
fun c oes de transferencia dadas por:
T
1
(sI A+ LC)
1
B (5.36)
T
2
(sI A+ LC)
1
L (5.37)
(5.38)
Note que T
1
e T
2
tem o denominador comum:
E(s) det(sI A + LC) (5.39)
2.
X(s) = (sI A)
1
Bu(s)
f
0
(s)
E(s)
Sendo f
0
(s) um vetor polinomial (em s) cujos coecientes dependem linear-
mente das condicoes iniciais do erro x(t).
3.
T
1
(s) + T
2
(s)G
0
(s) = (sI A)
1
B
Sendo G
0
(s) a planta nominal (modelo).
182
A propriedade 2 do lema acima e conhecida como propriedade da nao-polarizacao

assint otica, uma vez que o termo
f
0
(s)
E(s)
vai a zero com uma taxa determinada pelos
polos do observador (raizes de E(s)). A interpreta cao para a fun cao de transferencia da
realimentacao de estados com estimador e dada pelo lema a seguir:
Lema 5.2 A lei da realimenta c ao de estados u = r K x pode ser escrita na forma de
fun c ao de transferencia como:
L(s)
E(s)
u(s) =
P(s)
E(s)
y(s) + r(s) (5.40)
sendo E(s) o polin omio denido em (5.39) e:
L(s)
E(s)
= 1 + KT
1
(s) =
det(sI A+ LC + BK)
E(s)
(5.41)
e
P(s)
E(s)
= 1 + KT
2
(s) =
KAdj(sI A)L
E(s)
(5.42)
A realimenta cao de estados n ao introduz din amica adicional na malha, uma vez
que o esquema de realimenta cao se baseia em um ganho proporcional de determinadas
vari aveis. Pode-se determinar a fun cao de transferencia da malha fechada como sendo:
y(s)
r(s)
= C(sI A+ BK)
1
B =
CAdj(SI A+ BK)B
F(s)
(5.43)
com
F(s) det(sI ABK) (5.44)
Resultado da

Algebra Linear
Lema 5.3 Dada uma matriz W 1
nn
e um par de vetores arbitr arios
1
1
n
e
2
1
n
, ent ao, desde que W e W +
1
T
2
sejam n ao-singulares:
Adj(W +
1
T
2
)
1
= Adj(W)
1
(5.45)
T
2
Adj(W +
1
T
2
) =
T
2
Adj(W) (5.46)
Aplica cao do lema acima na equa cao (5.43) resulta em

CAdj(sI A+ BK)B = CAdj(Si A)B (5.47)
183
O lado direito da express ao acima e o numerador B(s) de uma funcao G(s) =
B(s)
A(s)
.
Assim, enquanto que a realimenta cao de estados aloca os p olos na posi cao desejada, ela
preserva os zeros da malha aberta.
Um resultado an alogo ao do lema 5.2 e dado a seguir.
Lema 5.4 A fun cao de transferencia entre r(s) e y(s) e dada por:
y(s)
r(s)
=
B(s)
det(sI A+ BK)
=
B(s)
F(s)
sendo B(s) o numerador da fun cao de transferencia (nominal) de malha aberta. P(s)
e L(s) s ao ploin omios denidos em 5.41 e 5.42. F(s) e denido em 5.44.
Prova:
A partir da equa cao 5.40 e do modelo da planta G(s) = B(s)/A(s) tem-se que:
y(s)
r(s)
=
B(s)E(s)
A(s)L(s) + B(s)P(s)
(5.48)
Usando a equa cao para o polin omio da malha fechada:
A
cl
(s) = det(sI A+ BK)det(si A + LC)
juntamente com (5.48) tem-se que:
A
cl
(s) = det(sI A + BK)det(si A+ LC) (5.49)
= F(s)E(s) = A(s)L(s) + B(s)P(s) (5.50)
O resultado desejado e obtido usando (5.50) para simplicar (5.48). O lema acima
mostra que o problema de aloca cao de p olos possui uma interpreta cao na teoria do
espa co de estados a partir da combina cao das ideias de realimenta cao de estados e
estimacao.
Interpreta cao
A combina cao do observador com a realimenta cao de estados possui um interpreta cao
simples do ponto de vista da malha padr ao de controle. Da equa cao ?? tem-se que:
u(s) =
E(s)
L(s)
_
r(s)
P(s)
E(s)
y(s)
_
(5.51)
184
Essa rela cao e mostrada na gura 5.6 (a).
Uma segunda interpreta cao advem da denicao de um sinal r(s), isto e assume-se
que o sinal r(s) e gerado a partir de r(s):
r(s) =
P(s)
E(s)
r(s) (5.52)
Assim pode ser escrita como
u(s) =
P(s)
L(s)
( r(s) y(s)) (5.53)
A equa cao 5.53 corresponde a gura 5.6 (b).
) (
) (
s L
s P
) ( s G
+
-
) ( s r
) ( s y
) (
) (
s L
s E
) ( s G
) (
) (
s E
s P
+
-
) ( s r ) ( s y
a)
b)
Figura 5.6: Teorema da separacao na abordagem entrada sada (malha de controle padr ao)
185
5.9.2 Caso MIMO
Para o caso MIMO o lema 5.1 ainda e v alido, isto e, x(s) pode ser dado por:
x(s) = (sI A+ LC)
1
(Bu(s) + Ly(s)) = T
1
(s)u(s) = T
2
(s)y(s) (5.54)
sendo T
1
e T
2
duas matrizes de transferencia dadas por:
T
1
(s) (sI A+ LC)
1
B (5.55)
T
2
(s) (sI A+ LC)
1
L (5.56)
Assim a lei de controle baseada na realimenta cao de estados estimados e dada por:
u(s) = r(s) K x(s) (5.57)
= KT
1
(s)u(s) KT
2
(s)y(s) + r(s); (5.58)
que pode ser escrita como:
C
D
(s)u(s) = C
N
(s)y(s) + r(s) (5.59)
sendo

C
D
e

C
N
matrizes estaveis dadas por:
C
D
(s) = I + K[sI A+ LC]
1
B =
N
CD
(s)
E(s)
(5.60)
C
N
(s) = K[sI A + LC]
1
L =
N
CN
(s)
E(s)
(5.61)
com

N
CD
(s) e

N
CN
(s) matrizes polinomias e E(s) o polin omio do observador,
dado por:
E(s) = det(sI A + LC)
A partir de (5.59) tem-se que [

C
D
(s)]
1

C
N
(s) e uma MFDE (LMFD) para o
controlador.
O controlador denido pelas equa coes (5.59) a (5.61) pode ser implementado via
representa cao no espa co de estados (um grau de liberdade). Primeiramente dene-se:
(vide equa cao 5.52)
R(s) =

C
N
(s)

R(s) (5.62)
186
y(s)
u(s) ) ( s r
) ( s v
o
) ( s w
o
B
ob
S
K
L
+
-
+
-
Figura 5.7: Representacao no espa co de estados de um controlador MIMO
A malha de controle e dada na gura 5.7.
Na gura 5.7 S
ob
o a matriz de transferencia do observador, denida pela realiza cao
(A
ob
, B
ob
, C
ob
, D
ob
), sendo
A
ob
= ALC; B
ob
= I; C
ob
= I; D
ob
= 0
A matriz de transferencia de v
o
(s) para w
o
(s) e dada por [sI A+ LC]
1
A partir da gura 5.7 nota-se que:
u(s) = K[sI A+ LC]
1
(L( r(s) y(s)) Bu(s) (5.63)
Assim o controlador pode ser expresso por:
u(s) = [I + K[sI A A+ LC]
1
B]
1
K[sI A+ LC]
1
L(R(s) y(s)) (5.64)
Que corresponde a LMFD dada por (5.60) e (5.60).
Essa forma de se expressar o controlador permite a utiliza cao dos conceitos de
observador e realimenta cao de estados na representa cao padr ao de controle.
Resultados Adicionais
E possvel tambem obter uma RMFD para o controlador. A partir do lema 6.3 segue-se
que:
[

C
D
(s)]
1

C
N
(s) = C
N
(s)[C
D
(s)]
1
(5.65)
sendo:
C
D
(s) = I C(sI A+ BK)
1
L =
N
CD
(s)
F(s)
(5.66)
C
N
(s) = K(sI A+ BK)
1
L =
N
CN
(s)
F(s)
(5.67)
187
com N
CD
(s) e N
CN
(s) matrizes polinomiais e F(s):
F(s) = det(sI A+ BK)
Analogamente, usando 6.40 e 6.41, a planta G(s) pode ser expressa como:
G(s) = C[sI A]
1
B
= [

G
D
(s)]
1

G
N
(s) = G
N
(s)[G
D
(s)]
1
(5.68)
sendo:
G
N
(s) = C(sI A+ LC)
1
B (5.69)
G
D
(s) = I C(sI A+ LC)
1
L (5.70)
G
N
(s) = C(sI A+ BK)
1
B (5.71)
G
D
(s) = I K(sI A+ BK)
1
B (5.72)
(5.73)
Tem-se portanto o seguinte resultado.
Lema 5.5 As matrizes sensitividade e sensitividade complementares resultantes da lei
de controle (5.59) s ao, respectivamente:
S(s) = C
D
(s)

G
D
(s) = I G
N
(s)

C
N
(s) (5.74)
T(s) = G
N
(s)

C
N
(s) = I C
D
(s)

G
D
(s) (5.75)
bf Prova:
A partir do lema 6.3 (pagina 211) tem-se que:
G
D
(s)C
D
(s) +

G
N
(s)C
N
(s) =

C
D
(s)G
D
(s) +

C
N
(s)G
N
(s) = I (5.76)
A partir do lema 5.5 nota-se que os p olos de malha fechada sao alocados nos zeros de
E(s) e F(s), como no caso SISO.
188
5.10 Adendos: Deni coes e Teoremas
Deni cao 5.2 Considere A com elementos reais. O polin omio mnimo de A e um
polin omio monico
min
(s) de menor grau possvel tal que
min
(A) = 0
Teorema 5.6 Matrizes similares possuem o mesmo polin omio mnimo.
Deni cao 5.3 Sejam

1
,
2
, . . . ,
m
autovalores distintos de A com multiplicidades n
1
, n
2
, . . . , n
m
,
respectivamente. O polin omio caracterstico de A e dado por:
() det(I A) =
m
i=1
(
i
)
n
i
Seja uma matriz A e sua representacao na forma de Jordan:
A =
A
1
0 . . . 0
0

A
2
. . . 0
.
.
.
.
.
.
.
.
.
0 0 . . .

A
m
sendo que a matriz n

i
n
i

A
i
representa todos os blocos de Jordan associados a
i
.
Deni cao 5.4 A maior ordem entre os blocos de Jordan associados com
i
em A e
denominada ndice de
i
em A.
Deni cao 5.5 A multiplicidade de

i
e denotada por n
i
. Ondice de
i
e denotado
por n
i
.
Teorema 5.7 O polinomio mnimo de A e:
min
() =
m
i=1
(
i
)
n
i
sendo n
i
o ndice de
i
em A.
Prova: veja [12], pg. 47.

189
Deni cao 5.6 Uma matriz A e dita ser cclica se seu polinomio caracterstico e igual
ao seu polin omio mnimo.
Teorema 5.8 Uma matriz A e cclica se e somente se a forma can onica de Jordan de
A possuir um e somente um bloco de Jordan a associado a cada autovalor distinto.
Teorema 5.9 Se A, B e control avel e se A e cclica entao, para quase todos vetores
reais p 1 v, o par A, Bv, de entrada unica, e control avel.
190
5.11 Controle LQG
Esta se cao e baseada em [78], se cao 9.2 e [37] Ainda no contexto de projeto de con-
troladores no espa co de estados, apresenta-se nesta se cao os fundamentos do Controle
Linea Quadr atico.
Controle otimo, baseado na teoria de ltros de Wiener (1940)
Filtro de Kalman
LQG: Linear Quadratic Gaussian
1960: problemas voltados para otimiza cao de trajet oria e consumo de combustveis.
Consideracoes:
1. Necessita do modelo da planta (modelos, em geral, s ao incertos).
2. Perturba coes modeladas como rudo branco. (hip otese pouco utilizada em
controle de processos)
3. Pouco roubusto.
4. Rela cao com LQR = Linear Quadratic Regulator
O nome LQG advem das caractersticas do projeto: considera-se um modelo
linear, uma funcao de custo quadratica, e de uma perturba cao Gaussiana
(rudo branco com media zero e vari ancia dada).
5.11.1 LQG e LQR Padrao
No controle LQG tradicional, considera-se a planta linear e conhecida e que as per-
turba coes presentes sao estoc asticas com as propriedades estatsticas conhecidas, isto e,
tem-se o modelo:
x(t) = Ax(t) + Bu(t) + w
d
(5.77)
y(t) = Cx(t) + w
n
, (5.78)
191
sendo w
d
perturba coes externas ao processo (rudo do processo)e w
n
rudo de medi cao,
que sao sinais n ao correlacionados, de media zero, com matrizes de densidade de potencia
espectral W e V constantes, ou seja w
d
e w
n
sao rudo branco com covari ancias:
Ew
d
(t)w
d
(t)
T
= W(t )
Ew
n
(t)w
d
(n)
T
= V (t )
e
Ew
d
(t)w
n
(t)
= 0 Ew
n
(t)w
d
(t)
= 0
sendo E o operador esperan ca (valor esperado) e (t ) a funcao delta de Dirac.
O problema do controle LQG e encontrar o sinal de controle otimo, u(t), que mini-
miza:
J = E
_
lim
T
1
T
_
T
0
_
x
T
Qx + u
T
Ru
dt
_
, (5.79)
sendo Q e R matrizes de dimensoes compatveis, constantes, com as seguintes carac-
tersticas:
Q = Q
T
0 e R = R
T
> 0
Elas sao as matrizes pondera cao (ou matrizes peso) e s ao o grau de liberdade do projeto
(par ametros de projeto).
Solu cao para o Problema LQG
A solu cao para o problema LQG, conhecida como Teorema da Separacao ou Princpio
da Equivalencia Exata e simples e elegante. Ela (a solu cao) e dividida em duas partes:
primeiro resolve-se o problema do LQR, isto e, encontra-se a solucao (isto e, o contro-
lador otimo) para o problema do regulador quadr atico linear (determinstico), LQR, que
e o problema LQG sem as perturba coes w
d
e w
n
. A segunda parte da solu cao e econtrar
o estado estimado (otimo), x, que minimiza E[x x]
T
[x x].
A solu cao para o problema LQR pode ser dada em termos da lei de controle:
u(t) = K
r
x(t),
sendo K
r
uma matriz constante, que n ao depende de V e W (obviamente).
A solu cao para o segundo problema, isto e, a estimacao otima para x, e dada por
uma algoritmodenominado Filtro de Kalman (na verdade e um estimador otimo), e
independe de Q e R.
192
A solu cao para o problema LQG ser a ent ao:
u(t) = K
r
x(t)
A solu cao do problema LQG, portanto, pode ser separada em duas partes distintas
e independentes, como mostra a gura 5.8.
Figura 5.8: Diagrama de blocos mostrando a estrutura do LQG a partir do teorema da
separacao.
.
A seguir apresentam-se as solucoes para K
r
e para o Filtro de Kalman.
5.11.2 Realimenta cao

Otima de Estados
O problema LQR considera os estados conhecidos, isto e, busca-se a realimentacao
u = Kx otima para o sistema x = Ax + Bu, com estado inicial n ao nulo x(0). Esse K
otimo e encontrado a partir da minimiza cao da fun cao de custo:
J =
_

0
[x(t)
T
Qx(t) + u(t)
T
Ru(t)]dt
Pode-se mostrar que a solucao otima para esse problema sera:
K
r
= R
1
B
T
X
193
sendo X = X
T
0 a solu cao unica, positiva semi-denida, para a equa cao de Riccati:
A
T
X + XAXBR
1
B
T
X + Q = 0
A
B
u
int
+
+
+
+
x
dt
d
^
y
^
C
+
K
f
x
^
y u
x
^
estimador = filtro de
kalman
Figura 5.9: Diagrama de blocos mostrando a estrutura do estimador = ltro de Kalman.
5.11.3 Estimador

Otimo de Estados
O estimador otimo sera dado pelo ltro de Kalman, cuja estrutura e dada na gura 5.9,
sendo K
f
o ganho otimo. A equa cao do estimador da gura 5.9 e dada por:
x = A x + Bu + K
f
(y C x)
O ganho otimo que minimiza
E[x x]
T
[x x],
e dado por:
K
f
= Y C
T
V
1
sendo Y = Y
T
0 a solu cao unica, positiva semi-denida, para a equa cao algebrica de
Riccati:
Y A
T
+ AY Y C
T
V
1
CY + W = 0.
194
5.11.4 LQG = LQR + Kalman
Combinando as duas solu coes otimas dadas acima, isto e, K
r
e K
f
(o regulador mais
o ltro) obtem-se a solucao para o problema LQG, cuja fun cao de custo, J e dada na
equa cao 5.79. A estrutura do controlador (LQG) que satisfaz a otimalidade para J e
dada na gura 5.10. A fun cao de transferencia entre y e u (assumindo uma realimenta cao
positiva) e dada por:
K
LQG
(s)
_
ABK
r
K
f
C K
f
K
r
0
_
que por ser escrita como:
K
LQG
(s)
_
A BR
1
B
T
X Y C
T
V
1
C Y C
T
V
1
R
1
B
T
X 0
_
A
B
u
int
+
+
+
+
x
dt
d
^
y
^
C
Planta
+
K
f
-K
f
x
^
x
^
Figura 5.10: Diagrama de blocos mostrando a estrutura do estimador = ltro de Kalman
mais a do controlador= LQG.
A funcao de tranferencia do controlador acima possui a mesma ordem da planta
(mesmo n umero de p olos).
195
5.11.5 Exemplo do Controlador LQG para um Sistema SISO
G(s) =
3(2s + 1
(5s + 1)(10s + 1)
Para a fun cao de custo J =
_
(x
T
Qx + u
T
Ru escolha Q = C
T
C (ponderar a sada no
lugar dos estados) e R = 1. Considere W = wI, w = 1 (rudo do processo, diretamente
nos estados) e V = 1 (rudo de medi cao). Considere o codigo a seguir:
num = [-2 1];ganho = 3;den = [50 15 1];
G = nd2sys(num,den,ganho); [A,B,C,D] = unpck(G);
q=1; Q = q.C*C; R=1;
% realmentacao de estados otima
Kx = lqr(A,B,Q,R); Bnoise = eye(size(A));
W = eye(size(A)); V =1;
% estimador otimo (Kalman)
Ke = lqe(A,Bnoise,C,W,V);
[Ac,Bc,Cc,Dc] = reg(A,B,C,D,Kx,Ke); % combina o estimador com a realimentacao
Ks = pck(Ac,Bc,Cc,Dc);
%************************************************************************
% agora colocando um integrador na planta:
%************************************************************************
int = nd2sys(1,[1 0]);
G2 = mmult(G,int);
[A,B,C,D] = unpck(G2);
q=1; Q = q.C*C; R=1;
% realmentacao de estados otima
Kx = lqr(A,B,Q,R);
Bnoise = eye(size(A));
W = eye(size(A)); V =1;
% estimador otimo (Kalman)
Ke = lqe(A,Bnoise,C,W,V);
[Ac,Bc,Cc,Dc] = reg(A,B,C,D,Kx,Ke); Ks = pck(Ac,Bc,Cc,Dc); Klqg = mmult(Ks,int,-1);
196
Figura 5.11: Diagrama de blocos do controlador com entrada referencia, r(t) para o sistema
5.11.6 LQG para Sistemas com Entrada r(t)
O controlador LQG para o sistema dado na gura 5.11 possui uma estrutura de um
controlador de dois graus de liberdade (2-DOF), isto e,
K(s) = [K
1
(s) K
2
(s)]
ou
K(s) = K
r
(sI A+ BK
r
+ K
f
C)
1
[B K
f
] + [I 0]
5.11.7 Exemplos e Exerccios
Considere o modelo linear de um ca ca, com as vari aveis:
= angulo entre o eixo principal do ca ca (corpo do ca ca) e o eixo do curso (norte)
v
y
= velocidade do ca ca na direcao y
= roll angle ( angulo de rolagem em torno do vetor velocidade)

a
= aileron deection

r
= rudder deection
Com os estados:
x
1
= v
y
x
2
= p = taxa de varia cao angular de
x
3
= r = taxa de varia cao angular de retorno
197
x
4
= ; x
5
= ; x
6
=
6
; x
7
=
r
.
Para este sistema (vide [37], pg. 34 e 35), considere x = Ax + Bu + N
a
w, com:
A =
0.292 8.13 201 9.77 0 12.5 17.1

0.152 2.54 0.561 0.0004 0 107 7.68
0.0364 0.0678 0.481 0.0012 0 4.67 7.98
0 1 0.0401 0 0 0 0
0 0 0 0 0 20 0
0 1 0.0401 0 0 0 20
B =
0 2.15
31.7 0.0274
0 1.48
0 0
0 0
0 0
20 0
0 20
N
a
=
0.292 0.001 0.97 0.0032

0.152 2.54 0.552 0.000043
0.0364 0.0688 0.456 0.00012
0 0 0 0
0 0 0 0
0 0 0 0
0 0 0 0
e
w =
_
w
1
w
2
w
3
w
4
_
T
sendo:
w
1
= velocidade do vento atraves do ca ca;
w
2
= velocidade angular do vento ao longo do eixo ROLL;
w
3
= velocidade angular do vento ao longo do eixo TURNING;
w
4
= acelera cao do vento atraves do ca ca.
198
Exerccio
Considere uma perturba cao com w
1
dada pela varia cao da gura 5.12. w
4
e a derivada
de w
1
. Considere ainda w
2
= w
3
= 0.
0 1 2 3 4 5 6 7 8 9 10
0
1
2
3
4
5
6
7
8
9
10
funcao w1
t
w
1
Figura 5.12: Representacao temporal de w
1
1. Obtenha o controlador LQR considerando Q = R = I (de dimensoes compatveis).
2. Obtenha a resposta temporal para o w dado.
3. Repita os items 1 e 2 para Q e R dados por:
Q =
_
1 0
0 10
_
R = 0.1I;
4. Repita os items 1 e 2 para Q = I e R = 0.1I dados por:
5. Obtenha o controlador LQG, calculando o estimador, com V = W = I.
6. Simule a resposta temporal para o LQG do item anterior.
199
Captulo 6
Analise de Sistemas Multivariaveis
Realimentados
6.1 Introdu cao
6.1.1 Conceitos
Sistemas Desacoplados Dinamicamente: malhas independentes.
Sistemas Desacoplados por Faixa: a matriz de transferencia pode ser considerada
diagonal apenas em uma faixa de freq uencia.
Sistemas Desacoplados Estaticamente: Quando o sistema e diagonal apenas para
= 0.
Sistemas Triangulares: a matriz de transferencia e triangular (superior ou inferior).
Nesse caso existe um acoplamento hier arquico.
Sistemas Diagonalmente Dominantes (vide tambem [53] e [20])
200
Analise de Sistemas Multivari aveis Realimentados
Revisao das Tecnicas Frequenciais
Diversas tecnicas de analise de sistemas MIMO no domnio da freq uencia.
Escola Inglesa:
Matriz Inversa de Nyquist (INA, Inverse Nyquist Array)
Lugares Caractersticos (Characteristic Loci)
Valores Singulares
Generaliza cao do gr aco de Bode para sistemas MIMO.
Loop Shaping
Ferramenta de projeto baseada na tecnica SISO similar.
Sistemas Dominantes na Diagonal
Um sistema MIMO sera dominante na diagonal se suas mm funcoes de transferencia
da matriz de transferencia H(s), mm sao tais que:
[H
kk
(j)[ >
m
i=1;i=k
[H
ik
(j)[ 1
201
6.2 Exemplo para Motiva cao
y
1
(s) = g
11
(s)u
1
(s) onde g
11
(s) =
2
s
2
+ 3s + 2
(6.1)
y
2
(s) = g
22
(s)u
2
(s) onde g
22
(s) =
2
s
2
+ 5s + 6
(6.2)
Considere que para esses dois sistemas (independentes) sejam projetados contradores de
tal forma que seja obtida a mesma funcao sensitividade complementar para ambos, isto
e:
T
o1
(s) = T
o2
(s) =
9
s
2
+ 4s + 9
Para tanto, os respectivos controladores s ao:
c
1
(s) =
4.5
s
2
+ 3s + 2
s(s + 4) e c
2
(s) =
1.5(s
2
+ 5s + 6)
s(s + 4)
(6.3)
(Esses controladores foram calculados a partir da fun cao sensitividade complementar
desejada). Considere agora que exista acoplamento entre esses sistemas, isto e, que o
sistema dado por (6.1) e (6.2) seja modicado para:
y
1
(s) = g
11
(s)u
1
(s) + g
12
(s)u
2
(6.4)
y
2
(s) = g
21
(s)u
1
(s) + g
22
(s)u
2
(6.5)
(6.6)
sendo as fun coes de acoplamentodadas por:
g
12
(s) =
k
12
s + 1
e g
21
(s) =
k
21
s
2
+ 2s + 1
(6.7)
sendo que k
12
e k
21
sao par ametros usados para variar o grau da intera c ao. Por exemplo,
para valores pequenos de k
12
e k
21
(k
12
= 0, 1 e k
21
= 0, 1, ent ao os efeitos da intera cao
podem ser desprezados. Vide gura 6.1.
202
Figura 6.1: Efeitos de uma intera cao fraca, para um projeto SISO
Os resultados mostrados na gura 6.1 sugerem que, nesse exemplo, (com k
12
= 0, 1
e k
21
= 0, 1), um projeto SISO ser a suciente para satisfazer os requisitos de
controle.
Considere agora k
12
= 1 e k
21
= 0, 5. Para examinar os efeitos da intera cao (crosstalk),
simula-se o sistema MIMO para uma entrada degrau em t = 1s na malha 1 (r
1
) e um
degrau (negativo) em t = 10s, na malha 2. Vide gura 6.2.
Figura 6.2: Efeitos de uma intera cao forte, para um projeto SISO
203
A gura 6.2 mostra que uma mudan ca na referencia de uma malha afeta signi-
cantemente outra malha.
Se k
12
= 2 e k
21
= 1, o sistema se tornaria inst avel.
A instabilidade advem da interacao entre as malhas.
Nesse caso, mostra-se quao inadequado e o projeto de sistemas MIMO por tecnicas
SISO.
Para se ter uma ideia melhor da intera cao, e interessante obter relacoes que quanticam
o sistema MIMO.
_
y
1
(s)
y
2
(s)
_
=
_
(I + g
o
(s)c(s))
1
g
o
(s)c(s)
_
r
1
(s)
r
2
(s)
_
(6.8)
sendo:
g
o
(s) =
_
g
11
(s)c
1
(s) g
12
(s)c
2
(s)
g
21
(s)c
1
(s) g
22
(s)c
2
(s)
_
c(s) =
_
c
1
(s) 0
0 c
2
(s)
_
Se se considera k
12
= 2 e k
21
= 1, e substituindo (6.1), (6.2) e (6.7) e (6.8), tem-se
que [(I + g
o
(s)c(s))
1
g
o
(s)c(s)] e dada por:
1
d(s)
_
9s
4
+ 40, 5s
3
+ 67s
2
18s 81 3s65 30s
4
105s
3
150s
2
72s
4, 5s
4
31, 5s
3
63s62 36s 9s
4
+ 40, 5s
3
+ 67s
2
18s 81
_
(6.9)
sendo:
d(s) = s
6
+ 10s
5
+ 51s
4
+ 134s
3
+ 164s
2
+ 18s 81
A seguir apresentam-se alguns comentarios a respeito desses resultados:
O sinal de acomplamento na malha 1 (2), dado por g
12
(s)u
2
(s) (respectivamente,
g
21
u
1
(s)) aparece como se fosse uma perturba cao de entrada. Entretanto, ela n ao
pode ser tratada como tal, ja que ele n ao e um sinal independente dos outros sinais
da malha.
Apesar de projetos de malha independentes garatirem a estabilidade da referida
malha (para a qual foi projetada), quando se introduz a intera cao, pode ocorrer
estabilidade no sistema MIMO.
204
Para se averiguar a establidade (sua existencia ou n ao), deve-se utilizar um modelo
MIMO. No exemplo anterior, com k
12
= 2 e k
21
= 1. observa-se que as quatro
funcoes de malha fechada em (6.9) possuem um denominador comum, d(s) e que
esse e instavel.
Se k
12
= 0 (ou k
21
= 0) ent ao g
o
(s) se torna uma matriz triangular inferior (ou
superior). Nesse caso, em qualquer dessas duas congura coes, o denominador das
quatro funcoes de transferencia, se torna o numerador de:
det (1 + g
11
(s)c
1
(s)) det (1 +g
22
9s)c
2
(s))
Assim, se as malhas sao estabilizadas independentemente e os termos de acopla-
mento (n ao nulos) s ao est aveis, ent ao o sistema (completo) e estavel. Essa pro-
priedade faz com que a congura cao triangularseja de interesse em sistemas
MIMO.
Se se observa os numeradores do termo da diagonal de 6.9, para k
12
= 2 e
k
21
= 1, pode-se observar que existem razes no SPD (Semi-Plano Direito). Isto
signica que o sistema pode exibir comportamento de fase n ao mnima, embora
nenhuma das fun coes SISO que o comp oe possui zeros no SPD.
205
6.3 A Malha MIMO Padrao
Ser ao considerados sistemas quadrados (matrizes n n), isto e sistemas nos quais
o vetor de entrada possui o mesmo n umero de elementos que o vetor de sada).
Considera-se tambem que todas as matrizes de transferencia sao n ao-singulares
em quase todos os pontos, isto e sao matrizes n ao-singulares, exceto em um
n umero nito de zeros. (lembre-se que zero de uma matriz e o que a faz perder
rank).
Parte-se da denominada big picture.
6.4 Especica coes de Desempenho Baseadas nas Fun coes
Sensitividade
As funcoes sensitividade podem ser denidas a partir das rela coes entre entradas e sadas
do sistema de controle da gura 9.7, onde se considera um sistema LTI, G(s), controlado
por K(s) e com as entradas r, de referencia, d, uma perturba cao na sada da planta, v
uma perturba cao na entrada da planta, ambas de baixa freq uencia e um rudo de alta
freq uencia.
K
+
+
+
-
G
d
y r
v
e
w u
+
+
+
+
Figura 6.3: Diagrama para Especicacoes das Funcoes Sensitividade
Para esse sistema, as rela coes entrada/sada podem ser expressas pelas equacoes (9.7)
206
a (9.10), a seguir.
y = (I + GK)
1
GKr + (I + GK)
1
d + G(I + KG)
1
v (I + GK)
1
GK(6.10)
w = K(I + GK)
1
r K(I + GK)
1
d + KG(I + KG)
1
v K(I + GK)
1
(6.11)
u = K(I + GK)
1
r K(I + GK)
1
d + (I + KG)
1
v K(I + GK)
1
(6.12)
e = (I + GK)
1
r (I + GK)
1
d + G(I + KG)
1
v (I + GK)
1
(6.13)
Em geral, as especica coes de desempenho usuais sao: boa resposta tipo rastrea-
mento (tracking), boa atenua cao das perturba coes (d e v) e do rudo (), erro em
estado estacion ario nulo.
Essas funcoes de malha fechada ser ao referenciadas, genericamente como sendo as
funcoes (ou matrizes) sensitividade. A tabela 9.1 apresenta a deni cao de algumas
funcoes sensitividade.
Funcao Formula Rela cao E/S
entrada sada
Sensitividade na sada da planta S
o
(s) = (I + GK)
1
r e
d y
Sensitividade na entrada da planta S
i
(s) = (I + KG)
1
v u
Sensitividade na entrada do controle S
k
(s) = KS
o
v u
Sensitividade Complementar na sada da planta T
o
(s) = GKS
o
= I S
o
r y
Sensitividade Complementar na entrada da planta T
i
(s) = KGS
i
= I S
i
v u
Tabela 6.1: Deni cao das fun coes sensitividade em relacao aos sinais de entrada e sada de
um sistema de controle padrao. No decorrer do texto as fun coes S
o
(s) e T
o
(s) serao tratadas
como S(s) e T(s) (por serem as mais usadas). Em geral, pelo contexto, e possvel distinguir
entre as fun coes utilizadas.
Um fato importante quando da utiliza cao das fun coes S(s) e T(s) para projetos e a
existencia de compromissos (algebricos e analticos) entre essas fun coes [31, 75, 78].
Por exemplo, e interessante atentar para os compromissos advindos da rela cao
S(s) +T(s) = I. Tal rela cao leva ` a conclus ao, por exemplo, de que a especica cao
T(s) = 1, requerida para se ter y = r, equivale a se ter S = 0, ou ainda que
minimizacao de [[S(s)[[
e conitante com a minimiza cao de [[T[[
na mesma
faixa de freq uencia, por exemplo.
207
O conhecimento das rela coes das fun coes sensitividade com o comportamento do
sistema (seja no domnio do tempo ou da freq uencia) e de suma import ancia no
projeto MIMO
Caractersticas da Fun coes S(s) e T(s)
10
1
10
0
10
1
10
2
80
60
40
20
0
20
40
60
frequencia (rad/s)
|
L
(
j
w
)
|

(
d
B
)
L(j)
l()
u()
l

h
baixas frequncias
altas frequncias
cross
over
Resposta em freqncia tpica de L()
Figura 6.4: Diagrama tpico para L(j) especicando diferentes regioes de ganho para L(s)
em fun cao da freq uencia.
Em geral, podem-se denir tres regioes para a especica cao de S(s) e T(s) (vide
gura 9.6).
Na regi ao de baixas freq uencias deve-se requerer boa rejei cao a perturba coes de
carga e boa resposta para rastreamento, logo a sensitividade deve ser reduzida. Em
altas freq uencias a sensitividade complementar deve ser reduzida para atenuar efeito de
rudos de medi cao. Na regi ao da freq uencia de cruzamento de ganho, onde [[L(j)[[ 1
nada se pode inferir sobre S(s) ou T(s) a n ao ser rela coes para a taxa de varia cao ou
decaimento (taxa de roll o ). Neste caso, como na especica cao para L(s), deve-se
atentar, na regiao de cruzamento de ganho, para a taxa de varia cao de S(s) e T(s)
(varia cao em dBs por decada).
6.4.1 Deni cao das Fun coes Sensitividade
G(s) e a planta (real). G
0
(s) e o modelo (nominal). Espera-se (caso ideal) que
G
0
(s) = G(s).
208
S
0
(s) = [I + G
0
(s)C(s)]
1
(6.14)
T
0
(s) = G
0
(s)C(s)[I + G
0
(s)C(s)]
1
= [I + G
0
(s)C(s)]
1
G
0
(s)C(s) (6.15)
= I S
0
(s) (6.16)
S
u0
(s) = C(s)[I + G
0
(s)C(s)]
1
= C(s)S
0
(s) = [G
0
(s)]
1
T
0
(s) (6.17)
S
i0
(s) = [I + G
0
(s)C(s)]
1
G
0
(s) = G
0
(s)[I + C(s)G
0
(s)]
1
= S
0
(s)G
0
(s)(6.18)
As relacoes dessas funcoes na malha s ao dadas nas equa coes (9.7) a (9.10) e repetidas a
seguir por conveniencia.
Y (s) = T
0
(s)R(s) T
0
(s)(s) + S
0
(s)D(s) + S
i0
(s)V (s) (6.19)
U(s) = S
u0
(s)R(s) S
u0
(s)(s) S
u0
(s)D(s) S
u0
(s)V (s) (6.20)
E(s) = S
0
(s)R(s) S
0
(s)(s) S
0
(s)D(s) S
i0
(s)V (s) (6.21)
(6.22)
As relacoes ideiais, a partir do modelo nominal G
0
(s), podem ser substitudas
pela real, que faz uso do sistema real, G(s).
S(s) = [I + G(s)C(s)]
1
(6.23)
T(s) = G(s)C(s)[I + G(s)C(s)]
1
= [I + G(s)C(s)]
1
G(s)C(s) (6.24)
= I S(s) (6.25)
S(s) = C(s)[I + G(s)C(s)]
1
= C(s)S(s) = [G(s)]
1
T(s) (6.26)
S(s) = [I + G(s)C(s)]
1
G(s) = G(s)[I + C(s)G(s)]
1
= S(s)G(s) (6.27)
Repare que as matrizes, em geral, nao comutam.
6.5 Estabilidade do Sistema em Malha Fechada
Em geral sistemas MIMO sao est aveis se todos seus p olos est ao em uma regi ao
especca (de estabilidade), isto e, o crculo unit ario para sistemas discretos e o
SPE (Semi-Plano Esquerdo) para sistemas contnuos.
209
Porem, conexoes entre sistemas pode resultar em novos sistemas, que podem ser
instaveis.

E o caso de haver modos escondidos, isto e, instabilidade interna. Isso
ocorre no caso de haver cancelamento de polos e zeros inst aveis.
Lema 6.1 ([39]) Considere a malha de controle (nominal) da gura 9.7. Essa malha
sera internamente est avel se e somente se as quatro fun coes sensitividade denidas em
(6.14) a (6.18) forem est aveis.
Prova:
Se todas as entradas, isto e, r(t), d(t), v(t) e (t) sao limitadas, ent ao, nota-se que, a
partir de (6.19) e (6.21) que a estabilidade das quatro fun coes sensitividade e necessaria
apra se ter sadas limitadas (y(t), u(t), e(t)). Nota-se tambem que esta condicao e
suciente, desde que S
u0
(s)G
0
(s) = [G
0
(s)]
1
T
0
(s)G
0
(s) e estavel se e somente se T
0
(s)
e estavel.
Estabilidade via MFD
A estabilidade tambem pode ser expressa usando-se MFD (matrix fraction description)
(vide captulo ??. Considere as descricoes RMFD e LMFD para a planta e o controlador.
G
0
(s) = G
0N
(s)[G
0D
(s)]
1
= [

G
0D
(s)]
1

G
0N
(s) (6.28)
C(s) = C
N
(s)[C
D
(s)]
1
= [

C
D
(s)]
1

C
N
(s) (6.29)
Entao, as fun coes de transferencia dadas em (6.19) a (6.21) podem ser reescritas como:
S
0
(s) = C
D
(s)[

G
0D
(s)C
D
(s) +

G
0N
(s)C
N
(s)]
1

G
0D
(s) (6.30)
T
0
(s) = G
0N
(s)[

C
D
(s)G
0D
(s) +

C
N
(s)G
0N
(s)]
1

C
N
(s) (6.31)
S
u0
(s) = C
N
(s)[

G
0D
(s)

C
D
(s) +

G
0N
(s)]
1

G
0D
(s) (6.32)
S
i0
(s) = C
D
(s)[

G
0D
(s)C
D
(s) +

G
0N
(s)C
N
(s)]
1
G
0N
(s) (6.33)
S
u0
(s)G
0
(s) = C
N
(s)[

G
0D
(s)C
D
(s) +

G
0N
(s)C
N
(s)]

G
0N
(s) (6.34)
Importante notar que as matrizes

G
0N
(s),

G
0D
(s), C
N
(s) e C
D
(s) sao matrizes
polinomiais ou matrizes cujos elementos s ao fun coes racionais est aveis.
Assim o lema 6.1 pode ser apresentado como o lema 6.2, a seguir.
210
Lema 6.2 ([39]) Considere uma malha de realimenta c ao MIMO um DOF (grau de
liberdade, Degrre of Freedom), como mostrado na gura 9.7. A planta nominal e o
controlador s ao expressos em MFD (Matrix Fraction Description) como na equa cao
(6.28). Ent ao a malha nominal ser a estavel se e somente se a matriz caracterstica
da malha fechada, A
cl
dada por:
A
cl
(s)

G
0D
(s)C
D
(s) +

G
0N
(s)C
N
(s), (6.35)
tiver todos seus (Smith-McMilan) zeros estritamente no SPE.
Comentario 6.1 (Estabilidade MIMO SISO)

Note que a fun c ao da matriz A
cl
, para sistemas MIMO, e a mesma do polin omio
caracterstico, em sistemas SISO.
Considere que a MFD do modelo da planta seja construda usando um observador
e uma realimenta cao de estados. Ent ao, no lema 6.3 mostra-se que A
cl
(s) = I e
portanto o sistema de controle em malha fechada e est avel.
O lema seguinte esta relacionado com a Igualdade de Bezout.
Lema 6.3 ([39]) Sempre existir a uma RMFD e uma LMFD para um sistema que tenha
a seguinte propriedade da fatora cao coprima:
_

C
D
(s)

C
N
(s)
G
N
(s)

G
D
(s)
__
G
D
(s) C
N
(s)
G
N
(s) C
D
(s)
_
=
_
G
D
(s) C
N
(s)
G
N
(s) C
D
(s)
__

C
D
(s)

C
N
(s)
G
N
(s)

G
D
(s)
_
= I
sendo
C
N
= K[sI A+ BK]
1
J (6.36)
C
D
= I + C[sI A+ BK]
1
J (6.37)
C
N
(s) = K[sI A+ JC]
1
J (6.38)
C
D
(s) = I + K[sI A+ JC]
1
B (6.39)
211
e
G
N
(s) = C[sI A+ BK]
1
B (6.40)
G
D
= I K[sI A+ BK]
1
B (6.41)
G
N
(s) = C[sI A+ JK]
1
B (6.42)
G
D
(s) = I C[sI A+ JC]
1
J (6.43)
Essas matrizes est ao associadas ao sistema:
x(t) = Ax(t) + Bu(t) (6.44)
y(t) = Cx(t), (6.45)
e ao observador
x(t) = A x(t) + Bu(t) + J(y(t) C x(t)) (6.46)

y(t) = C x(t) + v(t), (6.47)
Um lema importante e dado a seguir:

Lema 6.4 Uma RMFD, G(s) = G
N
(s)G
1
D
(s) e irredutvel se as suas matrizes G
N
(s)
e G
D
sao coprimas a direita.
Quando uma RMFD e irredutvel tem-se que:

s = z e um zero de G(s) se e somente se G
N
(s) perde rank em s = z.
s = p e um polo de G(s) se e somente se G
D
(s) e singular em s = p. Isto signica
que o polin omio dos p olos de G(s), (s) e dado por (s) = det[D
D
(s)].
Uma outra forma de analisar a estabilidade MIMO e atraves da an alise de Nyquist
vide captulos ?? e ??. Se se assume que podem ocorrer apenas cancelamentos de p olos
e zeros estaveis (quando da realimentacao), ent ao a estabilidade interna da malha
nominal e garantida desde que S
0
(s) seja estavel.
212
6.6 Revisao dos Conceitos sobre Analise de Nyquist
6.6.1 Nota cao e Conceitos
Introdu cao à Teoria de Estabilidade no Domnio da Freq uencia para Sistemas
MIMO
Considera-se um sistema MIMO linear, invariante no tempo com l entradas e m sadas,
(ser a abordardo o caso particular com l = m), mostrado na gura 6.5.
K(s)
+
-
R(s)
Y(s)
G(s) L(s)
F
E(s) U(s)
Figura 6.5:
G(s) e uma matriz de transferencia que descreve o sistema n ao controlado, K(s),
L(s) e F sao matrizes que n ao possuem zeros no semiplano direito. Todas as matrizes
sao m m e todos os vetores (r, y, eeu) sao m 1. A rela cao entrada sada em malha
fechada pode ser dada por:
y = Hr
y = L(s)G(s)K(s)e
= L(s)G(s)K(s)r L(s)G(s)K(s)Fy
Assim:
(I + L(s)G(s)K(s)F)y = (L(s)G(s)K(s))Fy
logo y pode ser expresso por:
y = (I + Q(s)F)
1
Q(s)r (6.48)
213
sendo Q(s) = L(s)G(s)K(s). A partir de 6.48 tem-se que:
y =
Adj(I + Q(s)F)
[I + Q(s)F[
, (6.49)
sendo que usa-se a nota cao [M(s)[ para o determinante de M(s).
Assume-se que [Q(s)[ ,= 0, [L(s)[ ,= 0, [K(s)[ ,= 0 e [G(s)[ ,= 0.
6.6.2 Estabilidade do Sistema
Nessa secao ser a estudada a estabilidade do sistema MIMO de forma semelhante à analise
para sistemas SISO: utilizando a matriz de transferencia. A equa cao 6.48 apresenta a
rela cao em malha fechada de um sistema MIMO, cuja Matriz de Transferencia de
Malha Fechada , H(s), e dada por:
H(s) = (I + Q(s)F)
1
Q(s) (6.50)
Tomando-se o determinante em ambos lados da equa cao (6.50), obtem-se a rela cao:
[H(s)[ = [(I + Q(s)F)
1
Q(s)[ = [(I + Q(s)f)
1
[[Q(s)[ (6.51)
[I + Q(s)F[ =
[Q(s)[
[H(s)[
(6.52)
Para as matrizes acima, a nota cao [ [ indica determinante da respectiva matriz.
Usar-se-a essa nota cao, juntamente com a forma usual, det[M(s)].
Fazendo-se analogia entre sistemas MIMO e SISO, pode-se observar que a fun cao
[I +Q(s)[ da equa cao 6.52 e semelhante ` a ao polin omio caracterstico
1
, p(s) = (1+q(s)f)
de sistemas SISO.
A estabilidade de sistemas SISO (e analogamente MIMO) e investigada atraves do
comportamento dessa fun cao: O sistema em malha fechada e assintoticamente estavel
se todos seus polos estiverem no semiplano esquerdo aberto no plano complexo
Quando q(s)f e estritamente pr opria, a fun cao caracterstica se torna uma relacao
de polin omios:
1 + q(s)f =

m
i=1
(s
i
)
n
i=1
(s
i
)
=
clcp
olcp
(6.53)
1
tambem chamada de fun cao caracterstica
214
onde
i
sao os p olos de malha fechada e
i
os p olos de malha aberta. O numerador
na equa cao (6.53) e o polin omio caracterstico de malha fechada (clcp, Close
Loop Characteristic Polinomial) ja que suas raizes sao os p olos de malha fechada do
sistema. O denominador e o polin omio caracterstico de malha aberta (olcp, Open
Loop Characteristic Polinomial) j a que suas raizes s ao as raizes de q(s), a funcao de
transferencia de malha aberta.
Caso MIMO
Para o caso MIMO tem-se uma rela cao semelhante, isto e:
[I + Q(s)F[ =
[Q(s)[
[H(s)[
=

m
i=1
(s
i
)
n
i=1
(s
i
)
=
clcp
olcp
(6.54)
onde novamente,
i
sao os p olos de malha fechada e
i
os p olos de malha aberta. Da
mesma forma, o sistema de malha fechada e assintoticamente estavel se todos os p olos
estiverem no semiplano esquerdo.
Ainda, para a equa cao 6.54 e possvel interpretar o signicado dos polin omios do
numerador e denominador [20]: analogamente ao caso SISO, o denominador do
determinante da equa cao (4.5) e o olcp (open-loop characteristic polynomial) e o
numerador do determinante e o clcp (close-loop characteristic polynomial).
Essa equa cao fornece uma rela cao fundamental entre o comportamento de malha
fechada e de malha aberta de um sistema multivari avel. A partir dela e realizado
o teste de estabilidade de Nyquist do sistema.
6.6.3 Criterio de Estabilidade de Nyquist para sistemas MIMO
A equa cao 6.54 fornece uma rela cao de polin omios em s, que sera chamada de
R(s).
Assume-se que os p olos de malha aberta, , sao conhecidos, mas os de malha
fechada,
nao.
Note que para sistemas SISO, R(s) e dado pela rela cao (1+q(s)f) e para sistemas
MIMO, por det(I + Q(s)F) . O criterio de Nyquist arma que:
215
Criterio de Nyquist
Deni cao 6.1 (Criterio de Nyquist)
Seja R(s) uma razao de polin omios em s. Seja p o n umero de p olos e z o n umero
de zeros de R(s) que est ao dentro de um contorno fechado no plano s, levando-se em
conta a multiplicidade. Seja um contorno fechado tal que nao passe por nenhum p olo
ou zeros de R(s). A func ao complexa R(s) mapeia o contorno fechado D do plano s
para um contorno fechado D
no plano complexo 1. O n umero de envolvimentos no

sentido hor ario da origem no plano imagem, enquanto um ponto percorre o contorno D
no sentido hor ario e igual a z p.
Para sistemas que nao possuem p olos de malha aberta no semiplano direito, o teo-
rema de Nyquist se reduz, tanto para sistemas SISO quanto para sistemas MIMO, ` a
seguinte arma cao:
Seja o contorno de R(s) tra cado quando s caminha no sentido hor ario em torno de
D no plano s. Se o caminho de s envolve a origrm N
R
vezes ent ao o sistema de malha
fechada ser a est avel se e somente se:
N
R
= p (6.55)
Sendo que R(s) para o caso MIMO e uma raz ao de polin omios.
Para o caso MIMO, portanto avalia-se a estabilidade a partir da raz ao de polin omios
determinada pela equa cao 6.54.
Seja N
Q
e N
H
o n umero de envolvimentos da origem por det(Q(s)) e det(H(s)),
respectivamente. Sendo N
R
o n umero de envolvimentos da origem pelo polin omio
R(s), pode-se expressar (6.55) como:
N
Q
N
H
= p (6.56)
N
H
N
Q
= p (6.57)
pois, sendo R uma raz ao de polin omios complexos (isto e, polinomios em s, com s
complexo) o envolvimento pela origem (ou de outro ponto) pela raz ao e igual a envolvi-
mento do seu numerador menos os envolvimentos de seu denominador.
A partir da equa cao (6.50), e possvel encontrar uma rela cao entre as fun coes Q e
H que possibilita a deni cao do metodo INA.
216
De (6.50) tem-se:
H(s) = (I + Q(s)F)
1
Q(s)
H
1
(s) = [(I + Q(s)F)
1
Q(s)]
1
= Q
1
(s)(I + Q(s)F)
H
1
(s) = Q
1
+ F (6.58)
A equa cao (6.58) e uma rela cao simplicada entre H(s) e Q(s). Na literatura e
comum denominar as matrizes inversas como:
Q
1
(s) =

Q e H
1
(s) =

H
Usando esta nota cao, as equa coes (6.52) e (6.54) podem ser re-escritas:
clcp
olcp
=
[Q(s)[
[H(s)[
=
[
H(s)[
[
Q(s)[
(6.59)
Usando (eq:relacaoHQhat) com as matrizes inversas de N
Q
e N
H
tem-se que:
N
H

N
Q
= p
0
(6.60)
N
Q

N
H
= p
0
Assim, a partir das inversas de Q e H a rela cao de estabilidade e tambem estabele-
cida.
A conveniencia de se trabalhar, com

Q e

H reside no fato de se ter uma equacao
como a (6.60) para se estabelecer o criterio de Nyquist.
217
6.7 Analise Frequencial
r
j
Figura 6.6: Contorno de Nyquist
A gura 6.6 est a relacionada com o Teorema de Nyquist, dado a seguir.
Teorema 6.1 Se uma funcao de malha aberta, pr opria G
0
(s)C(s) possui P polos no
RHP aberto, e nenhum em cima do eixo imaginario, ent ao a malha fechada possuir a Z
polos no RHP aberto se e somente se o graco polar de G
0
(j)C(j) envolver o ponto
(1, 0), no sentido antihor ario, N = Z P vezes.
Considere agora a funcao F

0
(s) denida como:
F
0
(s) = det(I + G
0
(s))C(s) =
m
i=1
(1 +
i
(s)) (6.61)
sendo
i
(s) (i = 1, 2, . . . , m) os autovalores de G
0
(s)C(s).
O gr aco (polar) de
i
(j) no plano complexo, e denominado lugares carac-
tersitcos (characteristic loci).
Comparando-se as equa coes (6.61) e (6.14) nota-se que S
0
(s) ser a est avel se e
somente se todas as razes de F
0
(s) estiverem (estritamente) dentro do RHP.
Se o contorno de Nyquist c
s
= c
i
c
r
, mostrado na gura 6.6 e utilizado, ent ao
tem-se o seguinte teorema, que foi adaptado do teorema de Nyquist (teorema 6.1):
218
Teorema 6.2 Se um matriz de transferencia de malha aberta G
0
(s)C(s) possuir P
p olos no RHP (aberto), ent ao a malha fechada tera Z zeros no RHP se e somente se o
tra cado (polar) que descreve a combinacao de todos os lugares caractersticos (ao longo
de todo o tra cado de Nyquist), envolve o ponto (1, 0), no sentindo hor ario, N = ZP
vezes.
PROVA:
Observa-se primeiramente que, desde que F
0
(s) e pr opria, ent ao c
r
(no plano-s) mapeia
s em F
0
, o que signica que deve-se atentar ao mapeamento no eixo imaginario, c
i
.
Sobre essa curva:
F
0
(j) =
m
i=1
1 +
i
(j)
Assim, qualquer altera cao no angulo de F
0
(j) e resultado de combina coes nas altera c oes
de fase nos temos (1 +
1
(j))
6.7.1 Analise de Nyquist para Estabilidade de Sistemas MIMO
Analise frequencial: tecnica bastante usada na decada de 70 (Escola Inglesa).
Conceitos de lugar caracterstico ou lugar dos autovalores.
Ao inves de se tracar o diagrama de Nyquist para det[G(s)H(s)], tra ca-se o lugar
caractersticos dos autovalores de G(s)H(s).
Isto e:
det[I + kG(s)] =
i
[1 + k
i
(s)]
219
6.8 Resposta em Regime Estacionario para Entrada
Degrau
Se o sistema de malha fechada e estavel, pode-se avaliar o valor da sada em regime
estacion ario (para entradas limitadas).
Nessa secao, considera-se referencia e perturba coes como sinais degraus, isto e:
R(s) = K
r
1
s
D
i
(s) = K
d1
1
s
D
0
(s) = K
do
1
s
(6.62)
sendo K
r
1
m
, K
di
1
m
e K
do
1
m
vetores constantes.
Todos esses sinais atingem um valor constante em regime.
Esses valores podem ser calculados com as equa coes (6.19) - (6.21), usando o
teorema do valor nal:
lim
t
y(t) = T
o
(0)K
r
+ S
o
(0)K
do
+ S
io
(0)K
di
(6.63)
lim
t
u(t) = T
o
(0)K
r
+ S
o
(0)K
do
+ S
io
(0)K
di
(6.64)
lim
t
e(t) = T
o
(0)K
r
+ S
o
(0)K
do
+ S
io
(0)K
di
(6.65)
Considerando o Efeito de R(s) em E(s)
Lema 6.5 Considere um malha MIMO est avel, como na gura 9.7. Assume-se que a
referencia R(s) e um vetor como mostrado em (6.62). O erro em estado estacion ario no
iesimo canal, e
i
(), ser a zero se a i-esima linha de S
o
(0) for zero. Nessas condi coes,
a iesima linha de T
o
(0) e o vetor e
i
= [0 . . . 0 1 0 . . . 0]
T
.
220
6.9 Analise no Domnio da Freq uencia - Extensao
ao Bode
Ferramenta util tambem para sistemas MIMO.
Faz uso dos valores singulares (vide ??, secoes ?? e ??).
221
6.9.1 Rastreamento
222
6.9.2 Introdu cao à Robustez
223
6.10 Exerccios
Exerccio 1
Considere uma planta nominal G
0
(s) e um controlador diagonal, C(s) dados por:
G
0
(s) =
_
2
s+1
1
(s+1)(s+2)
1
(s+1)(s+2)
2
(s+2)
_
C(s) =
_
2
s
0
0
1
s
_
Verique se o sistema em malha fechada sera est avel.
Exerccio 2
Considere uma planta nominal cuja Matriz Senstividade Complementar, T
0
(s) e dada
por:
T
0
(s) =
_
9
(s
2
+5s+9)
s
(s
2
+5s+9s)
s
(s
2
+5s+9)
3(s+3)
(s
2
+5s+9s)
_
C(s) =
_
2
s
0
0
1
s
_
A malha possui uma entrada de perturbacao d
o
(t) dada por:
d
o
(t) =
_
K
1
sen(
d
t +
1
)
K
2
sen(
d
t +
2
)
_
Determine a freq uencia
d
, a raz ao K
1
/K
2
e a diferenca
1
2
para maximizar a norma
Euclidiana do erro estacion ario, [[E[[
2
.
224
Captulo 7
Restri coes Fundamentais e Limites
para o Desempenho e Compromissos
7.1 Introdu cao
225
Restri coes Fundamentais e Limites para o Desempenho e Compromissos
7.2 Controlabilidade Entrada-Sada
Com objetivo de apresentar regras para an alise de sistemas lineares, Skogestad [78]
cunhou o termo Controlabilidade Entrada/Saida, (em oposi cao ao termo contro-
labilidade, usado na abordagem no espa co de estados e que depende das matrizes A e
B).
A Controlabilidade Entrada-Sada pode ser assim denida:
Deni cao 7.1 ([78])
Controlabilidade Entrada-Sada e a habilidade de se obter um desempenho aceit avel para
o sistema de controle, ou seja, manter a sada, y, dentro de limites especicados, em
rela cao a referencia, r, mesmo na presen ca de perturba coes d ou varia coes da planta,
usando sinais de entrada adequados, u, e medi coes aceitaveis (y
m
e d
m
).
Assim, uma planta ser a control avel (entrada-sada) se existir um controlador (alem
e claro de instrumentos de medida e atuadores comp ativeis) que resulte em um
desempenho razoavel para a malha fechada, a despeito de varia coes e perturba coes.
A controlabilidade (entrada-sada) como denida acima e uma propriedade da
planta e independe do controlador.
A an alise de controlabilidade (entrada-sada) e aplicada ` a planta para vericar
qual o desempenho (da malha controlada) pode ser obtido.
Os metodos para essa an alise s ao, em sua maioria, quantitativos.
7.3 Regras para Analise da Controlabilidade Entrada-
Sada
A sguir s ao apresentadas algumas regras para avaliar se um dado sistema MIMO e
controlavel no sentido entrada-sada [78], pg. 246, 247. Considere um sistema MIMO
G(s) l r.
1. Normalize todas as vari aveis (isto e, coloque-as em escalas compatveis), entradas,
u, sadas y, perturba coes, d e referencias, r) para obter um modelo normalizado.
226
2. Obtenha uma realiza cao mnima.
3. Verique a Controlabilidade Funcional. Para que seja possvel controlar as
sadas independentemente, e necessario, antes de mais nada, que se tenha, pelo
menos o mesmo n umero de entradas e sadas. Segundo, e necessario que o rank
(posto) de G(s) seja igual ao n umero de sadas, l, isto e, o menor valor singular de
G(s), denotado por [G] =
l
[G] deve ser nao-nulo, exceto para possveis zeros no
eixo j). Se a planta e funcionamente n ao-controlavel ent ao encontre as dire coes
de sada nas quais a planta n ao possui ganho, para obter um maior conhecimento
sobre seu comportamento. (Vide secao 7.4).
4. Encontre seus p olos. Para p olos inst aveis, (RHP-polos, ou [Right Half Plane]-
polos, p olos no semi-plano direito), obtenha sua localiza cao e dire coes associadas.
RHP-polos r apidos (longes da origem) n ao s ao bons.
5. Encontre seus zeros. Para RHP-zeros (zeros no semi-plano direito) encontre sua
localiza cao e dire cao associada. RJP-zeros pr oximos a origem n ao s ao bons.
6. Obtenha a resposta em freq uencia de G(j) e calcule sua RGA. Plantas cuja
RGA possui elementos de valores elevados na regi ao de freq uencia de cruzamento
de ganho (crossover frequency) s ao difcies de se controlar e devem ser evitadas.
7. Calcule os valores singulares de G(j) e trace o graco deles em funcao da freq uencia.
Lembre-se que para esse calculo a escala e importante (por isso o modelo deve estar
normalizado). Obtenha tambem os vetores singulares de entrada e sada.
8. O valor singular mnimo, [G(s], e particularmente util para a medida da con-
trolabilidade entrada-sada. Em geral, ele deve ter valor elevado em freq uencias
nas quais o controle deve ser considerado (faixas de freq uencia relvantes: pr oximo
a freq uencia de curzamento de ganho, freq uencia de corte, faixa de passagem do
sistema). Se [G(s
0
] < 1 (normalizado), ent ao, n ao e possvel, na freq uencia
0
obter uma varia coes (unit arias) independentes da sada usando entradas unitarias.
9. Para perturba coes, considere os elementos da matriz G
d
. Em valores de freq uencia
nos quais os elementos da matriz G
d
sao maores que 1, e necessario controle. Em
geral, e possvel se obter maiores informa coes considerando uma perturba cao de
227
cada vez (colunas g
d
de G
d
). Deve-se ter, para cada pertuba cao, que S(s) seja
menor que 1/[[g
d
[[
2
na direcao da perturba cao, y
d
, isto e:
[[Sy
d
[[
2
1/[[g
d
[[
2
.
Observa cao: assim, pela rela cao acima, deve-se ter, no mnimo [S] 1/[[g
d
[[
2
.
Alem disso deve-se garantir que [S] 1/[[g
d
[[
2
, sendo o valor singular
m aximo.
10. An alise das satura coes das entradas e perturba coes.
i) Primeiro Passo: Obtenha o valor (amplitude) dos sinais de entrada necess arios
para se ter um controle perfeito, calculando os elementos do produto G
1
G
d
.
1
Se todos os elementos desse produto forem menores que 1, em todas as
freq uencias, entao pode-se esperar que n ao haja problema devido a satura cao
da entrada. Se alguns elementos de G
1
G
d
(ou G
G
d
, no caso de G n ao
quadrada) for maior que 1, em uma dada freq uencia, ent ao o controle perfeito
nao pode ser obtido nessa freq uencia. Pode-se entretanto obter um controle
aceit avel ([[e[[
2
< 1). Para tanto faz-se uso do segundo passo.
ii) Segundo Passo: Deve-se vericar a condicao dada na equa cao 7.1, isto e,
deve-se considerar os elementos de U
T
G
d
2
e certicar-se de que os elementos
de iesima linha sao menores que
i
[G] + 1, para todas as freq uencias.
i
(G) [u
T
i
g
d
[ 1, nas freq uencias onde [u
T
i
g
d
[ > 1 (7.1)
11. Deve-se vericar se todas as condi coes sao compatveis: deve-se vericar as per-
turba coes, os p olos e zeros no semi-plano direito e suas localiza coes e dire coes.
12. Incertezas: se o n umero de condi cao (G) for pequeno ent ao n ao h a problemas
com incerteza. Se os elementos da RGA forem elevados, espera-se que haja grande
sensibilidade (sensitivity) com as incertezas.
13. Deve-se vericar se ha possibilidade de se usar controladores multimalhas.
1
No caso de matriz G n ao quadrada deve-se fazer, G
G
d
, sendo G
a pseudo-inversa de G
2
O autor usa U
H
G
d
, sendo U
H
a Hermitina (transposta conjugada) de U
228
7.4 Controlabilidade Funcional
O termo Controlabilidade Funcional, Functional Controllability, foi cunhado por Rosen-
brock, em 1970, [67], para sistemas MIMO quadrados. A seguir apresenta-se a deni cao
como apresentada em [78], para um sistema MIMO l m:
Deni cao 7.2 (Controlabilidade Funcional) [78]
Um sistema G(s) com m-entradas e l-sadas e controlavel segundo a controlabilidade
funcional se o posto (rank) normal de G(s), r, for igual a n umero de sadas, isto e
(r = rank(G(s)) = l), isto e, G(s) possui rank completo para linha. Ele ser a n ao-
control avel (controlabilidade funcional) se r < l.
Deni cao 7.3
Se uma planta MIMO possui a controlabilidade funcional disse-se que ela e funcional-
mente controlavel. Caso contr ario disse-se que ela e funcionalmente nao-controlavel.
O rank normal de G(s) e o rank de G(s) para quase todos os valores s, isto e, para
todos os valores de s exceto nos zeros de G(s).
Se uma planta e funcionalmente nao-controlavel, isto e, se r < l ent ao existem l r
direcoes de sadas, denotadas por y
o
que nao podem ser afetadas. Essas dire coes
variam com a freq uencia e tem-se:
y
T
o
(j)G(j) = 0
A partir de uma SVD de G(j), isto e, G(j) = UV , a dire coes de sada n ao-
controlaveis, y
o
(j) (do ponto de vista funcional), s ao as ultimas l r colunas de
U(j).
Analisando essas direcoes o Engenheiro de Controle pode decidir se e possvel
manter certas sadas n ao-controladas, ou se ser ao necessarios novos atuadores na
planta para que o rank de G(s) seja aumentado.
229
7.5 Exerccios
1) Verique se a seguinte planta G(s) e funcionalmente controlavel. Caso n ao seja
determine uma direcao de sada que e nao control avel.
G(s) =
_
1
s+1
2
s+1
2
s+2
4
s+2
_
2) Dado o sistema da equa cao 7.2, pede-se:
a) Seus p olos e zeros.
b) As direcoes (sada e entrada) de zeros e p olos. (sug.: uma forma e usar SVD).
G(s) =
1
s + 2
_
s 1 4
4, 5 2(s 1)
_
(7.2)
c) RGA dinamica.
d) Analise a controlabilidade entrada-sada.
G(s) =
_
5000s
(5000s+1)(2s+1))
2(5s+1)
100s+1
3
5s+1
3
5s+1
_
(7.3)
c) RGA dinamica.
d) A SVD (dinamica).
e) Um projeto de controlador multimalha que garanta um desempenho razo avel para o
perl da gura 7.1.
230
f) Simule o sistema controlado para o perl dado.
g) Para o sistema controlado pelo controlador do item acima, trace o gr aco de [S],
[S], [T], [T], em funcao da freq uencia, sendo S(s) e T(s) as fun coes sensitividade
e sensitividade complementar, respectivamente.
G(s) =
1
(0, 2s + 1)(s + 1)
_
1 1
1 + 2s 2
_
(7.4)
2 1 12 11 10 9 8 7 6 5 4 3
entrada 2
entrada 1
r
t
Figura 7.1: Perl Tpico para Teste de um Sistema 2 2 controlado
Sobre o perl, o projetista deve escolher os valores de varia coes (relativas) para as
entradas de acordo com a dimensao do problema. Da mesma forma o valor do degrau
e dos valores relativos para as entradas devem estar relacionadas com a dimens ao do
sistema.
231
7.6 Revisao das Restricoes em Sistemas SISO
7.6.1 Escalonamento (Normaliza cao)
Vide [78], pgs. 5 a 8.
Import ancia pr atica: torna a an alise do modelo e o projeto de controladores mais
simples.
Seja o sistema original (n ao normalizado) com a seguintes vari aveis (n ao normal-
izadas):
y =

G u +

G
d

d e = y r
No caso, o chapeue usado para indicar que a vari avel n ao est a normalizada (isto
e, est a em unidades de engenharia).
Uma forma pratica de se obter a normaliza cao e tornar as vari aveis com valor
m aximo de 1.
Isso pode ser feito dividindo-se cada uma pelo seu valor m aximo (ou valor m aximo
esperado), por exemplo:
d =

d/
d
max
u = u/hatu
max
As variaveis y e e devem estar na mesma unidade (mesmo fator de escala). Elas
podem gerar a vari avel normalizada a partir de duas alternativas de divis ao:
dividir por e
max
;
dividir por r
max
.
Uma vez que o maior objetivo do controle e minimizar o erro e, usualmente
escalona-se em rela cao ao erro m aximo, isto e:
y = y/ e
max
, r = r/ e
max
, e = e/ e
max
.
Assim, para formalizar o procedimento de normaliza cao, introduz-se os fatores
de escala:
D
e
= e
max
, D
u
= u
max
, D
d
=

d
max
, D
r
= r
max
Para sistemas MIMO atentar para o fato de que os vetores

d, e, r, y, podem ter
diferentes valores maximos. D
e
, D
u
, D
d
, D
r
serao matrizes diagonais.
232
7.7 Desempenho
Considerando que o modelo est a devidamente normalizado, pode-se considerar
como uma condicao adequada de desempenho o seguinte criterio:
Manter a sada y(t), na faixa entre r 1 e r + 1 (na maioria do tempo) para
qualquer perturba cao d(t) entre 1 e 1 e referencia r(t) entre R e R, usando
uma entrada na faixa de 1 a 1.
Ou em freq uencia:
Em cada ponto de freq uencia a condi cao desempenho e manter o erro den-
tro da faixa,[e()[ 1, para qualquer perturba cao [d()[ 1 e referencia
[r()[ R(), usando entradas tais que [u()[ 1.
7.8 Controle Perfeito
Vide captulo introdut orio das notas de aula.
Seja o sistema dado pela rela cao:
y = Gu + G
d
d
Resolvendo para u:
u = G
1
r G
1
G
d
d
Para uma realimenta cao do tipo u = K(r y), tem-se:
u = KSr KSG
d
d S(s) e a funcao sensitividade
Considerando-se que T = GKS, tem-se:
u = G
1
Tr G
1
TG
d
d
Note que em freq uencias nas quais a realimenta cao e efetiva, T I.
Note que o controle perfeito depende da inversa de G.
Assim, o controle perfeito, nao pode ser usado se:
233
G contem RHP-zeros.
G contem atrasos.
G possui mais p olos que zeros.
G contem incertezas.
[G
1
G
d
[ e grande.
[G
1
R[ e grande.
G e instavel.
G
d
e grande.
7.9 Restri c oes em S(s) e T(s)
S + T = 1.
Efeito colch ao d agua (Vide [78], pg. 165). Vide apendice ??
Restri coes de Interpola cao:
T(p) = 1, S(p) = 0 p e um polo RHP de L(s) = G(s)K(s)
T(z) = 0, S(z) = 1 z e um zero RHP de L(s) = G(s)K(s)
Maximo (picos, sensitivity peaks) de S(s) e T(s).
Restri coes impostas pelos atrasos. Vide [78], pgs. 175, 176.
Limita coes impostas por zeros RHP.
Limita coes impostas por p olos RHP.
Efeitos de combina coes de zeros RHP e p olos RHP.
Limita coes causadas pelas perturba coes e comandos.
Limita coes causadas pelas incertezas.
Limita coes causadas pelos atrasos de fase.
234
Gd
K G
Gm
+
+
+
-
y
d
r
Figura 7.2: Esquema de Realimenta cao com Perturba cao
7.10 Analise da Controlabilidade Entrada-Sada
Para as regras de an alise da Controlabilidade Entrada-Sada, considera-se:
Rela cao advinda da gura ??
y = G(s)u + G
d
(s)d y
m
= G
m
(s)y
Assume-se que as vari aveis d, y, u e r est ao normalizadas. Assume-se que G
m
(0) =
1.

c
e a freq uencia de crossover, denida como sendo a freq uencia na qual [L(j)[
cruza o ganho 1 (a partir de valores maiores que 1). L(s) = G(s)K(s) (ganho
direto).

d
e a freq uencia na qual [G
d
(j)[ cruza o valor 1.

b
e a faixa de passagem do sistema (close loop bandwidth), e e a freq uencia na
qual S(j) cruza na primeira vez o valor 1/
2 = 0, 707 3dB, a partir de

valores inferiores.
Regras
R1 Velocidade de resposta para rejeitar perturba c oes: deseja-se, em geral, que
c
> w
d
. Mais especicamente, com a realimentacao, deseja-se que [S(j)[
235
[1/G
d
(j)[, . Veja as relacoes (5.51) e (5.54) de [78], repetidas a seguir por
convenienica.
[SG
d
(j)[ < 1 [[SG
d
[[
< 1 eq. (5.51) de [78] (7.5)
b
>
d
eq. (5.54) de [78] (7.6)
R2 Velocidade de resposta para seguir (rastrear) referencias. Deseja-se que
[S(j)[ 1/R ate a freq uencia
r
, na qual o rastreamento e desejado. Veja a
rela cao (5.55), repetida a seguir por convenienica.
[S(j)R[ < 1
r
eq. (5.55) de [78]. (7.7)
R3 Restri coes na Entrada Advindas das Perturba coes. Para se ter um controle
aceit avel ([e[ < 1) deve-se ter [G(j)[ > [G
d
(j)[ 1 em freq uencias nas quais
[G
d
(j)[ > 1. Para controle perfeito (e = 0), deve-se ter a satisfeita a condi cao
[G(j)[ > [G
d
(j)[. Veja as relacoes (5.57) e (5.59) de [78], repetidas a seguir por
convenienica.
[G
1
(j)g
d
(j)[ < 1 eq. (5.57) de [78] (7.8)
[G[ > [G
d
[ 1
b
>
d
em freq. nas quais [G
d
[ > 1 eq. (5.59) de [78] (7.9)
7.11 Exemplos e Aplica coes
236
Captulo 8
Projeto de Controladores MIMO
Usando Sntese Q
8.1 Introdu cao

E sabido que em aplica coes industriais controladores PID sao os mais utilizados.
Um problema em relacao a utiliza cao de PIDs e a necessidade de tecnicas SISO
para sintonia, ou deriva coes de teoria de controladores MIMO para que seja vi avel
sua implementa cao (utiliza cao de desacopladores, por exemplo).
Do ponto de vista de aplica cao industrial de controladores MIMO os baseado no
IMC, Internal Model Control, Controle de Modelo Interno, ganhou proje cao na
decada de 70.
Na Fran ca (1978) foi desenvolvido o MAC, Model Algotithmic Control, [?], [20].
Nos EUA (1980) foi desenvolvido o DMC, Dynamic Matrix Control [?].
O desenvolvimento desses algoritmos, como propostas para controladores MIMO,
foi feito, na epoca, a partir de heursticas. Eles baseiam-se em rotinas de otimizacao.
A partir de 1982 (1982 a 1985, basicamente) Garcia e Morari publicaram uma
serie de artigos mostrando que a DMC e o MAC sao varia coes de uma estrutura
mais fundamental, denominada IMC. Vide o livro de Morari, [58].
237
Projeto de Controladores MIMO Usando Sntese Q
Existem v arias formas de se projetar controladores MIMO via IMC. Todas est ao
relacionadas com a parametriza cao de todos os controladores estabilizantes.
8.1.1 Linhas de Solu cao com a Parametrizacao-Q
Solu coes algebricas, baseadas na forma de G(s) e da malha fechada desejada.
Vide [39].
Faz uso do conhecimento da estrutura de G(s) (p olos e zeros).
No caso MIMO faz uso da matriz interactora para recuperar a estrutura de
G(s)
Solu coes via fatora cao coprima. Vide [96], [88], [30].
Solu coes via problemas H
. Vide [78], [96], [88], [30], [53].

Solu coes via IMC. Vide [58] e [20].
238
8.2 Introdu cao a Parametriza cao-Q e ao IMC
Parametriza cao de Youla (todos os controladores estabilizantes): rela cao com
sntese-Q, IMC, especicacoes para projetos H
, otimos, etc.
IMC: alternativa para a estrutura cl assica de realimenta cao.
Conceitos importante: funcoes sentividade e estabilidade interna. Fatora coes Co-
primas.
G
~
y
r
y
d
u
e
r
G Q
K
-
-
+
G
~
y
d
u
G Q
K
r
+
+
+
+
+
+
Figura 8.1: Congura cao para o Modelo Interno
y
d
u
e
r
K G
-
-
G
~
K
-
+
d
r y
G
G
~
Q
Figura 8.2: Congura cao para o Modelo Interno
239
8.2.1 Equa coes
Figura 1
u = r (y

Gu) = r y +

Gu
Figura 2
u = (r y) +

Gu
u
e
= K =
Q
1 Q

G
Figura 3
Estrutura padr ao para controle realimentado.
Associado ao IMC.
Figura 4
Q =
K
1 +

GK
u = (e

Gu)K
e = r +

Gu Gu
e = r +

Gu y
u = (r +

Gu y

Gu)K
u = (r y)K
IMC = Estrutura cl assica. Uma vantagem (dentre v arias): faz uso da parametriza cao-Q
para projeto.
240
8.3 Revisao da Sntese-Q para Sistemas SISO
8.3.1 Voltando ao Exemplo
T
0
(s) : malha fechada (sensitividade complementar). T
d
(s): funcao de malha
fechada desejada.
Seja G
0
(s)
G
0
(s) =
6
(s + 1)(s + 6)
T
d
(s) escolhida: an alise frequencial.
T
d
(s) =
10
s + 10
Projeto (objetivo: calcuar K(s)):
Q(s) = F
Q
(s)[G
0
(s)]
1
K(s) =
Q(s)
1 Q(s)G
0
(s)
Importante:
F
Q
(s) = T
d
(s)
Assim:
Q(s) =
10
s + 10
(s + 1)(s + 6)
6
E, ap os os c alculos e simplicacoes:
K(s) =
10(s + 1)(s + 6)
6s
Preocupar: ordem de K(s). Se K(s) e realizavel. Se tem integrador. Etc.
Caractersticas do Projeto:
i) Presen ca de zeros instaveis no modelo.
ii) Ordem do modelo e escolha de F
Q
(s).
iii) Compromissos intrnsecos.
iv) Esfor co do Controlador.
v) Robustez.
vi) Modos n ao control aveis e/ou cancelados.
241
Zeros de Fase nao Mnima
G
0
(s) =
B
0
(s)
A
0
(s)
=
B
0s
(s)B
0u
(s)
A
0
(s)
B
0s
: parte estavel de B
0
(s).
B
0u
(s): parte inst avel.
Considere B
0u
(0) = 1.
Q(s) = F
Q
(s)G
i
0
(s)
G
i
0
(s) =
_
B
0s
(s)
A
0
(s)
_
1
=
A
0
(s)
B
0s
(s)
Ordem Relativa
Para se ter um controlador pr oprio e necessario que Q(s) tambem o seja. Logo e
necessario que F
Q
(s) tenha o grau relatico ([grau do denominador] - [grau do numer-
ador]) igual a, no mnimo, o grau de [G
i
0
(s)]
1
. Em alguns caso, se Q(s) for n ao-pr opria,
deve-se introduzir termos do tipo:
(s + 1)
n
d
;
no denominador de Q(s). n
d
e sao escolhas do projetista.
8.3.2 Compromissos Implcitos
Dentre as diversas condi coes desejadas, sempre devera se ter erro estacion ario nulo. Se
nao for possvel em todas as freq uencias, pelo menos na faixa de passagem do sistema.
Lema 8.1 Considere um modelo est avel, G
0
(s). A malha de controle que resulta em
erro de estado estacion ario nulo ser a est avel se e somente se o controlador K(s) puder
ser expresso na forma:
K(s) =
Q(s)
1 Q(s)G
0
(s)
com Q(s) sendo dado por:
Q(s) = s
Q(s) + [G
0
(s)]
1
Q
a
(s)
onde

Q(s) e qualquer funcao de transferencia estavel e Q
a
(s) qualquer fun c ao de trans-
ferencia estavel que satisfa ca Q
a
(0) = 1. (Uma possvel escolha, Q
a
(s) = 1)
242
Modos nao Controlaveis e Cancelamentos
Os cancelamentos podem ocorrer em
Q(s)G
0
(s) ou K(s)G
0
(s)
Teorema 8.1 Os p olos cancelados da planta aparecer ao na fun c ao S
i0
(s), dada por:
S
i0
(s) =
G
0
(s)
1 + G
0
(s)K(s)
=
B
0
(s)L(s)
A
0
(s)L(s) + B
0
(s)P(s)
sendo:
G
0
(s) =
B
0
(s)
A
0
(s)
e K(s) =
P(s)
L(s)
A funcao S
io
(s) relaciona a sada com a perturba cao na entrada da planta. Portanto,
cancelamento de p olos lentos da planta resultar ao em um sistema com S
i0
(s) com p olos
lentos, e portanto com resposta lenta ` a perturba cào na entrada da planta.
Teorema 8.2 Para que um dado p olo , s = s
0
n ao seja cancelado, o projeto deve ser
tal que considere:
S(s
0
) = 0ouT(s
0
) = 1
243
Exemplo 8.1 Considere G
0
(s):
G
0
(s) =
6
(s + 1)(s + 6)
Considere que devido a presenca de rudo de medicao a faixa de passagem da malha
fechada tem que ser da ordem de = 10rad/s. Uma possvel escolha para Q(s), con-
siderando o exposto acima, e:
Q(s) = F
Q
(s)
(s + 1)(s + 6)
6
sendo:F
Q
(s) = 1000

1
s + 1
(s
2
+ 14s + 100)(s + 10)
O grau relativo de F
Q
(s) foi escolhido como sendo 2, para que Q(s) seja pr opria. Desde
que T
0
(s) = F
Q
(s) deve-se ter F
Q
(s) para s = 0 igual a 1, isto e F
Q
(0) = 1, para
que garantir que havera invers ao exata em = 0, isto e, K(s) ter a um integrador. O
controlador ser a dado por:
K(s) =
Q(s)
1 Q(s)G
0
(s)
=
(
1
s + 1)(s + 1)(s + 6)
6s(s
2
+ 24s + 240 1000
1
)
Considere que n ao se deseja que o p olo lento da planta em s = 1 seja cancelado. Para
tanto considere T
0
(1) = F
Q
(1) = 1, ou:
F
Q
(1) =
1000
783
(1
1
)
1
=
217
1000
Assim:
K(s) =
(217s + 1000)(s + 6)
6000s(s + 23)
8.3.3 Exerccios
Simule o sistema para um perl de degrau.
Considere perturba coes na entrada e sada da planta. Considere a presen ca de
rudo de medi cao.
Fa ca o projeto admitindo o cancelamento do p olo em s = 1. Simule para entrada
r(t) e d(t), na sada e na entrada da planta.
244
8.3.4 Exerccio
Seja o sistema cujo modelo nominal e dado por:
G
0
(s) =
s + 2
(s + 2)(s + 1)
Considere que existe perturba cao na sada e na entrada da planta. Considere que h a
rudo de medi cao na regi ao de = 5rad/s. Projete um K(s) que:
Tenha um sinal u(t) com pouco rudo.
Tenha integrador.
Tenha uma malha fechada o mais r apido possvel.
Simule o sistema para entrada referencia (perl de degrau) e perturba coes na sada e
entrada da planta.
245
8.4 Sntese-Q: Conceitos
Parametriza cao de todos os controladores estabilizantes: caso SISO. Vide se cao
??.
C(s) = [I Q(s)G
0
(s)]
1
Q(s) = Q(s)[I G
0
(s)Q(s)]
1
(8.1)
Funcoes Sensitividade em Fun cao de Q(s)
A seguintes funcoes (matrizes) sensitividade podem ser parametrizadas em rela cao a
Q(s)
T
0
(s) = G
0
(s)Q(s) (8.2)
S
0
(s) = I G
0
(s)Q(s) (8.3)
S
i0
(s) = (I G
0
(s)Q(s))G
0
(s) (8.4)
S
u0
(s) = Q(s) (8.5)
(8.6)
Todas as funcoes acima ser ao est aveis se Q(s) e estavel.
Representacoes LMFD e RMFD para as Funcoes Sensitividade Parame-
trizadas
C
D
(s) = I Q(s)G
0
(s)

C
N
(s) = Q(s) (8.7)
C
D
(s) = I G
0
(s)Q(s) C
N
(s) = Q(s) (8.8)
G
0D
(s) = I

G
0N
(s) = G
0
(s) (8.9)
G
0D
(s) = I G
0N
(s) = G
0
(s) (8.10)
(8.11)
A escolha acima garante que (5.76) seja satisfeita.
A equa cao (??) e suciente para que (??) e (??) sejam v alidas.
Alem disso (8.7) a (8.10) fornecem uma MFD adequada, que facilitar a os desen-
volvimentos a seguir, visando o projeto do controlador MIMO.
246
Nota-se pelas equa coes (8.7) a (8.10) que o projeto de Q(s) se reduz ao problema de
encontrar uma inversa à direita (ou inversa aproximada ` a direita) de G
0
(s).
A an alise que se segue e semelhante a feita para o caso SISO (vide subse cao ??).
Para o caso SISO, na procura da inversa, deparou-se com as seguintes quest oes:
Presenca (ou n ao) de zeros de fase nao-mnima.
Grau (ordem) relativa do modelo.
Compromissos com as perturba coes.
Questao do esfor co de controle.
Questao da robustez.
Presenca (ou n ao) de modos escondidos.
Essas mesmas questoes surgem no projeto MIMO equivalente (projeto via matriz Q(s)),
porem elas agora passam a ser relacionadas com a quest ao da direcionalidade, partic-
ularidade de um sistema MIMO. A seguir explora-se, com mais detalhes, as questoes da
ordem relativa do modelo e os zeros de fase nao-mnima.
247
8.5 Parametriza cao de Todos Controladores Estabi-
lizantes
8.5.1 Estabilidade de Sistemas
Ideia: Analisar a estabilidade (interna) da malha fechada de um
sistema como o da gura 8.3
K(s) G(s)
+
-
+
+
y(t)
r(t)
d(t)
e(t)
Figura 8.3: Congura cao para a Parametrizacao
Teorema 8.3 A matriz de malha fechada da gura 8.3 ser a estavel se e
somente se a matriz, P(s), que relaciona as entradas r e d com as sadas
e e u, em malha fechada for est avel:
_
r
d
_
= P(s)
_
e
u
_
Pode-se considerar um sistema mais generico do que o dado na gura 8.3.

O da gura 8.4 apresenta perturba cao na sada e na entrada da planta.
Exerccio
Encontre a express ao para P(s). Mostre que P(s) contem as matrizes
sensitividade.
248
Importante notar que o sistema da gura 8.4 pode ser representado
pelo equivalente da gura 8.5 (A ou B).
K(s) G(s)
+
-
+
+
y(t) r(t)
d
i
(t)
e(t)
d
o
(t)
u(t)
K(s)
G(s)
+
-
+
+
v
1
(t) u
1
(t)
u
2
(t)
v
2
(t)
+
+
+
K(s)
G(s)
y(t)
d
i
(t)
u(t)
d
o
(t)
+
+
249
8.6 Outras Congura coes Usuais
K(s)
+
-
+
+
v
1
(t) u
1
(t)
u
2
(t)
v
1
(t)
G(s) +
K(s)
G(s)
w
z
u
y
K(s)
G(s)
w
z
u
y
v
1
(t)
v
2
(t)
T
2
Q
-
+
w z
T
2
T
1
250
lizantes: SISO e G(s) Estavel
Teorema 8.4 A famlia de todos os controladores K(s) tais que a malha
fechada dos sitema da gura 8.3 seja est avel e:
K(s) =
Q(s)
1 G(s)Q(s)
sendo Q(s) estavel e Q()G() ,= 1.
A prova desse teorema requer alguns conceitos adicionais de fa-

tora cao coprima.
251
8.8 Revisao dos Conceitos de Fatora cao Coprima
8.8.1 Lema Adicional
+
-
+
+
y(t) r(t)
d(t)
e(t)
z
1 z
2
u(t)
) (
1
s M
c
) ( s N
c
) (
1
s M
) ( s N
Lema 8.2 Seja G(s) = N(s)/M(s) e K(s) = N
c
(s)/M
c
(s) fatora coes
coprimas. Entao, a malha fechada ser a estavel (assintoticamente) se e
somente se a fun cao de transferencia H(s) entre [r
/
d
/
]
/
e [z
/
1
z
/
2
]
/
for
estavel.
_
r
d
_
= H(s)
_
z
1
z
2
_
sendo
H(s) =
_
M
c
(s) N(s)
N
c
(s) M(s)
_
1
252
8.8.2 Revisao Fatora cao Coprima: SISO

E sempre possvel escrever uma funcao de transferencia como uma
razao de duas fun coes estaveis que nao possuem divisores comuns
(termos coprimos).
Por exemplo:
G(s) =
(s + 1)
(s 1)(s + 10)(s 2)
= N(s)M
1
(s)
Sendo:
N(s) =
1
(s + 10)(s + 1)
M(s) =
(s 1)(s 2)
(s + 1)
2
Alem disso, tem-se a rela cao:
N(s)X(s) + M(s)Y (s)
Sendo:
x(s) =
4(16s 5)
(s + 1)
Y (s) =
(s + 15)
(s + 10)
253
8.8.3 Revisao Fatora cao Coprima: MIMO
Para o caso MIMO e necessario denir as dire coes das divis oes e
multiplica coes.
Dada uma matriz G(s), e possvel encontrar 4 matrizes proprias e
est aveis tais que:
G(s) = N
d
(s)M
1
d
(s) = M
1
s
N
s
(s)
Sendo M
d
(s) e N
d
(s) matrizes coprimas a direita.
Ainda, existe a rela cao:
X
d
(s)N
d
(s) + Y
d
M
d
(s) = I
Sendo M
s
(s) e N
s
(s) matrizes coprimas ` a esquerda.
Ainda, existe a rela cao:
N
s
(s)X
s
+ M
s
(s)Y
s
= I
8.8.4 Fatora cao Coprima Dupla
Denem-se as rela coes:
G(s) = N
d
(s)M d
1
(s) = M
1
s
(s)N
s
e:
_
Y
d
(s) X
d
(s)
N
s
(s) M
s
(s)
__
M
d
(s) X
s
(s)
N
d
(s) Y
s
(s)
_
= I (8.12)
254
8.8.5 Constru cao da Fatora cao Coprima Dupla
Seja (A, B, C, D) uma realiza cao estabilizavel e detect avel de G(s) (denota-
se por G(s) = (A, B, C, D)).
Teorema 8.5 Sejam F e L duas matrizes tais que A + BF e A + LC
sejam est aveis. Entao existe uma fatora c ao coprima dupla dada por 8.12
sendo:
M
d
= (A+ BF, B, F, I) (8.13)
N
d
= (A+ BF, B, C + DF, D) (8.14)
Y
s
= (A+ BF, L, C DF, I) (8.15)
X
s
= (A+ BF, L, F, 0) (8.16)
M
s
= (A+ LC, L, C, I) (8.17)
N
s
= (A+ LC, B + LD, C, D) (8.18)
Y
d
= (A+ LC, B + LD, F, I) (8.19)
X
s
= (A+ LC, L, F, 0) (8.20)
255
lizantes: SISO e G(s) Generica
Seja G(s) dada por:
G(s) =
N(s)
M(s)
.
Considera-se N(s) e M(s) fun coes coprimas (racionais) e est aveis.
Nesse caso existem duas funcoes racionais est aveis X(s) e Y (s) tais
que:
N(s)X(s) + M(s)Y (s) = 1
(equa cao Diofantina ou desgigualdade de Bezout).
fechada dos sitema da gura 8.3 seja est avel (e bem posto) e:
K(s) =
X(s) +M(s)Q(s)
T(s) N(s)Q(s)
sendo Q(s) estavel e Q()G() ,= 1.
256
8.10 Parametriza cao de Todos Controladores Esta-
bilizantes: MIMO e G(s) Generica
Sejam as rela coes:
G(s) = N
d
(s)M d
1
(s) = M
1
s
(s)N
s
e
_
Y
d
(s) X
d
(s)
N
s
(s) M
s
(s)
__
M
d
(s) X
s
(s)
N
d
(s) Y
s
(s)
_
= I (8.21)
fechada dos sitema da gura 8.3 seja est avel (e bem posto) e:
K(s) = (X
s
(s) + M
d
(s)Q
d
(s)) (Y
s
(s) N
d
(s)Q
d
(s))
1
(8.22)
= (Y
d
(s) Q
s
N
s
)
1
(X
d
(s) +Q
s
M
s
(s)) (8.23)
sendo Q
d
(s) (Q
s
(s)) estavel e N
d
())Q
d
() ,= Y
s
() [Q
s
()N
s
() ,=
Y
d
()].
257
8.10.1 Lema Adicional, Caso MIMO
(veja caso SISO para compara cao).
Lema 8.3 Seja G(s) = N
d
(s)M
1
d
(s) e K(s) = N
c
(s)M
1
c
(s) fatora coes
coprimas ` a direita (estaveis). Ent ao, a malha fechada ser a estavel (assin-
toticamente) se e somente se a funcao de transferencia H(s) entre [r
/
d
/
]
/
e [z
/
1
z
/
2
]
/
for est avel.
_
r
d
_
= H(s)
_
z
1
z
2
_
sendo
H(s) =
_
M
c
(s) N
d
(s)
N
c
(s) M
d
(s)
_
1
258
8.11 Comentarios
Se, na parametriza cao-Q, tem-se Q(s) = 0 ent ao o controlador obtido
sera dado por:
K
c
(s) = X
s
(s)Y
1
s
(s)
que coincidde com o controlador projetado por aloca cao de p olos conven-
cional. No caso de Q(s) ,= 0, o projeto (aloca cao) e feito via escolha de
Q(s), que est a relacionada com a funcao de malha fechada desejada.
259
Captulo 9
Projeto de Controladores MIMO na
Abordagem H
9.1 Introdu cao

Crtica ao controle LQR (LQG).
Normas de Sistemas.
Controladores H
e H
2
.
Projeto via loop shaping
9.2 Revisao
Nesta secao s ao apresentados alguns conceitos comumente usados no ambiente de pro-
jeto H
e , denindo mais formalmente alguns termos mencionados nos captulos

precedentes.
A sensitividade de um sistema e um dos conceitos principais para a abordagem de
projeto de controladores robustos na formula cao entrada-sada. Ela est a relacionada
com a sensibilidade do sistema ` a varia coes parametricas na funcao de malha fechada,
T(s) [7] ou ` as perturba coes de carga as quais o sistema est a sujeito.
Por exemplo, para um sistema de controle como o da gura 9.1 onde apresenta-se
um sistema nominal, G
0
(s), um controlador K(s) e as entradas de referencia r e de
260
Projeto de Controladores MIMO na Abordagem H
K
+
+
+
-
G
d
y r
Figura 9.1: Diagrama de um sistema padr ao de controle com uma perturba cao d na sada da
planta.
perturba cao na sada da planta, d, a fun c ao (matriz) sensitividade (de sada), S(s) e a
fun cao (matriz) sensitividade complementar (de sada), T(s), s ao denidas como sendo:
S(s) = (I + L(s))
1
e T(s) = L(s)S(s), (9.1)
sendo L(s) = G
0
K(s).
A funcao S(s) relaciona r(t) ou d(t) com e(t) e a fun cao T(s) relaciona r(t) com
y(t). Em geral, funcoes como S(s) e T(s), que relacionam as diferentes entradas e
sadas em um sistema de controle, podem ser denominadas de fun coes sensitividade.
Tal denomina cao advem do fato dessas fun coes estarem relacionados com a sensibili-
dade de sistemas de controle, o que motivou a utiliza cao das mesmas em projetos de
controladores robustos, isto e controladores que, em linhas gerais, objetivam reduzir essa
sensibilidade. No caso das funcoes S(s) e T(s), essa sensibilidade e medida em termos
da qualidadedas sadas y(t) e e(t).
A abordagem introduzida por Zames [94] visa justamente quanticar a redu cao dessa
sensibilidade, ou da sua norma (ou ainda do m aximo valor singular da matriz S(s),
max
(S(s)). Os conceitos introduzidos por Zames iniciaram um novo tipo de projeto
de controladores, onde busca-se encontrar controladores que reduzam a norma H
da
malha fechada, T(s) ou da sensitividade, S(s) ou ainda de combina coes de funcoes
sensitividade.
Em relacao aos projetos via minimiza cao da norma H
, a formula cao usada ate

meados da decada de 80 baseava-se nas teorias de operadores e an alise complexa. Mais
tarde, em 1989, com o trabalho de Doyle e outros [25], passou-se a resolver o problema
H
via solu cao de equa coes de Riccati, formulando-o diretamente no espa co de estados
1
.
A abordagem inicial do controle H
baseou-se principalmente nos conceitos de

1
Trabalhos anteriores (de 1987 e 1988), principalmente de Khargonekar, Petersen e outros tambem
abordaram a solu cao via Riccati [46, 62].
261
moldagem da resposta em freq uencia desejada para as fun c oes sensitividade, isto e, a
partir de pers especicados para as fun coes S(s) e T(s), resolviam-se os problemas de
otimiza cao H
. Esse problema, denominado de loop shaping,

2
e a abordagem principal
para os projetos de controladores robustos nesta tese.
Loop Shaping H
Os trabalhos de Zames [94, 95] proporcionaram o desenvolvimento de um tipo de projeto

semelhante ao j a ent ao conhecido loop shaping, que pode ser denominado genericamente
como sendo o projeto via sensitividade composta. Nele, sao escolhidos pers para as
funcoes sensitividade a partir dos quais calcula-se o controlador K(s) mediante um
problema de otimiza cao H
. Esse problema, tambem denominado de loop shaping H
ou loop shaping robusto proporcionou o surgimento de diversos trabalhos. Dentre eles,

alguns foram fonte de consulta frequente neste trabalho:
McFarlane e Glover [55], em 1989, introduzem o projeto loop shaping robusto,
baseado nos pers de fun coes de malha aberta para sistemas com representa cao
tipo incerteza aditiva-coprima.
Postlethwaite e outros [63], em 1991, apresentam um estudo para loop shaping
em sistemas SISO, relacionado com o projeto da sensitividade composta, para
otimiza cao H
.
Bailey e Hui [2], em 1991 apresentam uma compila cao de alguns resultados e uma
ferramenta para um projeto loop shaping robusto.
Boyd e Barrat [4], em 1991 apresentam uma formula cao para o loop shaping via
otimiza cao convexa.
Glover e outros [38], em 1992, apresentam um tutorial do projeto criado por Mc-
Farlane e Glover [55].
Braatz e outros [10], em 1996, apresentam um resumo do loop shaping robusto
a partir de funcoes de malha-fechada (como S(s) e T(s)), ao contr ario do loop
shaping de McFarlane e Glover. (Essa tecnica tambem possibilita o projeto a
partir da especica cao da forma para a fun cao L).
2
No decorrer do texto usar-se-a o termo em ingles para se referir a essa tecnica de projeto via
especica cao dos pers (em freq uencia) das funcoes de malha fechada.
262
O livro de Doyle, Francis e Tannenbaum, 1992, [24] que apresenta um captulo

sobre a tecnica loop shaping a partir do perl (shape) das fun coes S(s) e T(s).
O livro de Skogestad e Postlewaite (1996) que apresenta os principais conceitos
dessa tecnica [78].
Braatz [9], em 1993, dene os conceitos do projeto loop-shaping robusto como uma
extensao do loop-shaping classico.
A solu cao do problema da sensitividade composta pode ser encontrada a partir da
solucao de duas equa coes de Riccati, usando-se a formula cao em espa co de estados [25].
Pondera coes para Projetos H
No projeto loop shaping faz-se uso de funcoes que moldam as fun coes sensitividade
desejadas. Em geral, as relacoes entre as entradas w e as sadas z sao ponderadas por
ltros, W(s), que especicam a relev ancia das rela coes entradas/sadas em funcao da
freq uencia. Assim, o diagrama da gura 9.1 pode, por exemplo, ser modicado para o
diagrama da gura 9.2. Neste caso, tem-se duas matrizes de pondera coes, W
1
e W
2
. A
escolha dessas matrizes e de fundamental import ancia na solucao do controlador K
.
K
W2
W1
r e
+
-
z1
z2
y
u
G
0
Figura 9.2: Diagrama de um sistema padr ao de controle com incertezas parametricas no
modelo G
0
e duas pondera coes, uma para o erro W
1
e outra para o sinal de controle W
2
.
Como apresentado a seguir, tanto a representa cao da gura 9.1 quanto a da gura 9.2
podem ser representadas numa forma denominada representa c ao (ou esquema) padr ao
da formula cao H
.
263
Representacao Padrao do Ambiente H
Os diagramas das gura 9.1 e 9.2 podem ser representados pelo esquema padr ao (gura
9.3) usado no ambiente de projeto robusto, onde P(s) e a matriz (ou planta) generalizada
e a rela cao entre P e K passa a ser dada pela Transformacao Linear Fracion aria, LFT
(Linear Fractional Transformation) entre P e K, denida como
F
l
(P, K) = P
11
+ P
12
K(I P
22
K)
1
P
21
,
sendo P particionada de forma compatvel com K:
P =
_
P
11
P
12
P
21
P
22
_
.
No caso a LFT denida e a LFT inferior, da a nota cao, F
l
. Nessa representa cao, w
sao as entradas ex ogenas (referencias, perturba coes, rudos), u e o sinal de controle, z
sao as sadas de pondera cao, e y e a entrada do controlador. No caso da gura 9.2, por
exemplo, z sera formado pelas sadas z
1
e z
2
e w pela entradas r.
P
K
w z
y
u
Figura 9.3: Congura cao padr ao para projetos na formula cao H
mostrando o controlador
K(s), a planta generalizada P(s), duas entradas, w e u e duas sadas z e y. A rela cao entre
K e P e dada pela LFT inferior, F
l
(P, K).
Representacao em Espa co de Estados
O esquema padr ao da gura 9.3 pode ser expresso pela representa cao em espa co de
estados dada por:
x = Ax + B
1
w + B
2
u (9.2)
z = C
1
x + D
11
w + D
12
u (9.3)
y = C
2
x + D
21
w + D
22
u. (9.4)
264
Tal representa cao e util na solu cao do projeto de controladores H
via equa coes de

Riccati, conforme denido em [25].
Problema de Controle H
Em linhas gerais, pode-se dizer que o projeto H
visa minimizar a norma H
da matriz
de malha fechada entre w e z, denidos acima. Ou seja, procura-se um controlador K(s)
tal que a norma H
de T
zw
seja menor que um dado escalar positivo,
0
, isto e, procura-
se K(s) tal que:
[[T
zw
= F
l
(P, K)[[
<
0
. (9.5)
Tal controlador ser a denotado por K
no decorrer do texto.
Sistema Incerto
No caso de se ter um sistema incerto pode-se acrescentar ao sistema nonimal, G
0
, uma
representa cao para a incerteza, usualmente denotada por (s), como mostra o diagrama
da gura 9.4.
K
+
+
+
-
G
d
y r
Figura 9.4: Diagrama de um sistema padr ao de controle com incertezas parametricas no

modelo G
0
.
O sistema da gura 9.4 pode ser representado pelo diagrama da gura 9.5. Para essa
representa cao, em se tendo N = F
l
(P, K), dene-se, M = F
u
(N, ), sendo F
u
a LFT
superior:
F
u
(N, ) = N
22
+ N
21
(I N
11
)
1
N
12
.
Representacoes da Incerteza
Em linhas gerais, as incertezas podem ser de tres tipos:
i) sinais incertos. Por exemplo, perturba coes de carga ou rudos;
265
P
K
w
z
y
u
u
Figura 9.5: Diagrama padr ao com incertezas parametricas. A relacao entre P e K e dada
pela LFT inferior e entre P e pela LFT superior.
ii) desconhecimento do modelo;
iii) varia coes da planta.
Esses tres tipos podem ser representados no diagrama padr ao por uma matriz ,
acrescida ` a planta nominal.
Problema H
Freq uencial com Solu cao via Espaco de Estados

Como comentando, Doyle, Glover, Khargonekar e Francis (em 1989) apresentaram
solucoes para problemas H
e H
2
na formula cao no espa co de estados via equa coes
de Riccati [25].
Tal trabalho mostrou a rela cao entre as solu coes H
2
e H
e dessas com a teoria

LQG, e que as solu coes podem ser parametrizadas via LFTs. Ainda, mostrou-se que
resolver problemas de controladores H
e H
2
equivale a resolver problemas de c alculo de
observadores e controladores, isto e, apresentou-se a caracterstica de separacao presente
nesses problemas. Apresentou-se tambem a caracterstica do controlador central, que e
o obtido a partir de uma escolha particular para a LFT K(s) = F
l
(K
c
, Q) onde K
c
e
uma matriz relacionada com as solu coes das equa coes de Riccati.
3
Dessa forma, o trabalho de Doyle e outros [25] apresentou uma mudan ca da ferra-
menta usada para solucionar problemas H
, ate entao focalizadas na teoria de vari aveis

complexas, teoria de operadores, interpola cao, an alise funcional [30], e proporcionou a
solucao a partir de representa coes no espa co de estados.
3
No pr oximo tem apresenta-se o conceito da solucao via Riccati.
266
Solu cao via Equacoes de Riccati

A solu cao do problema 9.5, para o sistema da representa cao dada na gura 9.3 pode
ser resolvida por duas equa coes matriciais constitudas pelas matrizes da representa cao
em espa co de estados (equa coes (9.2) a (9.4)) da matriz generalizada P(s). As solu coes
dessas equacoes sao matrizes que formam a matriz do controlador K(s). Uma forma
para equa cao de Riccati, com solu cao X, e dada a seguir:
E
T
X + XE XWX + Q = 0 (9.6)
sendo as matrizes E, W e Q de dimens oes compatveis, e W = W
T
e Q = Q
T
.
Para a solu cao do problema (9.5), a equa cao (9.6) e montada com as matrizes A,
B
1
. . . D
22
da representacao dada pelas equa coes (9.2) a (9.4). As implica coes da uti-
liza cao dessa solucao s ao discutidas no Captulo ?? e no Apendice ??. No Captulo ??
sao apresentadas algumas representa coes em espaco de estados (como nas equa coes (9.2)
a (9.4)) para alguns dos esquemas da sensitividade composta estudados .
Analise e Sntese
A introdu cao do Valor Singular Estruturado, SSV (Structured Singular Value) ou
foi feita por Safonov [68] e Doyle [22], sendo que os fundamentos para a sua deni cao
ja haviam sido introduzidos no trabalho de Safonov e Athans [70]. A ideia principal
desta tecnica e denir incertezas estruturadas para a an alise da robustez, via teorema do
ganho pequeno. Tal estruturapossui vantagens em termos de manipula coes algebricas
no c alculo da robustez, tornando-se a analise menos conservadora do que a an alise
H
.
Resultados sobre o c alculo do surgiram em trabalhos de meados da decada de 80.
Dentre eles podem ser citados [22, 23, 60, 93, 41, 42]. Alem desses podem ser destacados
alguns trabalhos sobre aplica cao de controladores : [1, 17, 29, 87, 50, 51, 3, 61, 64, 81].
Solu cao via Desigualdades Matriciais Lineares
Ate o m da decada de 80, os problemas de controle H
eram resolvidos principalmente

via solu cao de duas equa coes de Riccati, seguindo a formula cao de [25]. Entretanto,
a formula cao via Desigualdades Matriciais Lineares (LMI, Linear Matrix Inequalities)
passou a ganhar espa co principalmente devido aos metodos n umericos de solu cao, basea-
dos nos algoritmos de pontos interiores[8]. Em particular, para aplica cao em controle,
267
o desenvolvimento de pacotes, como o pacote para MATLAB, LMI Control Toolbox

[35] ou o programa SCILAB [59] tem motivado a utiliza cao das LMIs para projeto de
controladores para sistemas incertos.
A utiliza cao das LMIs particularmente em projeto de controladores robustos, sejam
H
, H
2
ou mistos, na presen ca ou n ao de incertezas resultou na publica cao de diversos
trabalhos recentes (principalmente a partir de 1990), entre os quais podem ser citados
(para o caso particular do controlador H
):
1. O trabalho de Skelton e Iwasaki [44] em que os autores apresentam a solu cao para
o c alculo do controlador H
via LMIs, sem as restri coes impostas ` a solu cao via

Riccati.
2. O trabalho de Gahinet e Apkarian [34] no qual apresenta-se o c alculo de contro-
ladores H
dinamicos, usando o chamado lema da proje cao, (vide se cao ??).

3. O trabalho de Gahinet (1996) [33] no qual s ao deduzidas formas explcitas para
controladores H
dinamicos (tambem usando o lema da proje cao).

4. Os trabalhos de Scherer [71, 72, 73] nos quais s ao apresentados resultados que n ao
fazem uso do lema da proje cao.
268
9.3 Conceitos do Loop Shaping Cl assico

O projeto loop shaping classico (LSC) e um projeto simples que consiste em encontrar um
controlador K(s) que resulte numa fun cao de malha direta, L(s) = G(s)K(s), desejada.
O projeto LSC baseia-se em duas caractersticas importantes de L(s): i) existe
uma rela cao direta entre a forma da fun cao L(s) com o controlador K(s); e ii) muitas
caracteriza coes para o comportamento da malha fechada podem ser expressas a partir
de L(s) [21].
10
1
10
0
10
1
10
2
80
60
40
20
0
20
40
60
frequencia (rad/s)
|
L
(
j
w
)
|

(
d
B
)
L(j)
l()
u()
l

h
baixas frequncias
altas frequncias
cross
over
Resposta em freqncia tpica de L()
Figura 9.6: Diagrama tpico para L(j) especicando diferentes regioes de ganho para L(s)
em fun cao da freq uencia.
As especica c oes para L(s)acima referidas s ao informa coes que limitam o ganho
(e a fase) de L(s) nas diferentes faixas de freq uencia (veja por exemplo [31] ou [78]) que
podem ser divididas, genericamente, em regiao de altas freq uencias, de baixas freq uencias
e regi ao da freq uencia de corte (cross over), como mostra a gura 9.6.
Em geral deseja-se que [L[ seja grande em baixas freq uencias (o que garante bom
rastreamento e baixa sensibilidade à varia coes (lentas) da planta ou ` a perturba coes de
carga), e que seja pequeno em altas freq uencias (boa rejei cao ao rudo). Na regi ao de
transicao entre as freq uencias altas e baixas (regi ao da freq uencia de corte) especica-se
a taxa de varia cao de L, em termos de decaimento (dB) por decada [31, 78].
Apesar da simplicidade, projetos baseados na especica cao da fun cao L(s) nem sem-
pre sao aplic aveis na pr atica. Raz oes para sua inadequa cao s ao, por exemplo, a inca-
pacidade de se quanticar o esfor co do sinal de controle ou de se especicar rejei coes
à perturba coes na entrada da planta. Ao contr ario, projetos H
conseguem esse tipo

269
de caracteriza coes na medida em que s ao especicados a partir de diferentes funcoes

sensitividade, como S(s), K(s)S(s) e G(s)S(s), por exemplo.
A especicacao dos pers para as fun coes de malha fechada e a base dos projetos
H
no domnio da freq uencia, como introduzido por Zames [95] e Doyle e Stein [26].
9.4 Conceitos do Loop Shaping H
Loop shaping H
sao os projetos baseados nas especica coes de pers para as fun coes
sensitividade. A seguir sao apresentados os conceitos relacionados a este projeto.
9.4.1 Especica coes de Desempenho Baseadas nas Funcoes Sen-
sitividade
As funcoes sensitividade podem ser denidas a partir das rela coes entre entradas e sadas
do sistema de controle da gura 9.7, onde se considera um sistema LTI, G(s), controlado
por K(s) e com as entradas r, de referencia, d, uma perturba cao na sada da planta, v
uma perturba cao na entrada da planta, ambas de baixa freq uencia e um rudo de alta
freq uencia.
K
+
+
+
-
G
d
y r
v
e
w u
+
+
+
+
Figura 9.7: Diagrama para Especicacoes das Funcoes Sensitividade
Para esse sistema, as rela coes entrada/sada podem ser expressas pelas equacoes (9.7)
a (9.10), a seguir.
y = (I + GK)
1
GKr + (I + GK)
1
d + G(I + KG)
1
v (I + GK)
1
GK(9.7)
w = K(I + GK)
1
r K(I + GK)
1
d + KG(I + KG)
1
v K(I + GK)
1
(9.8)
u = K(I + GK)
1
r K(I + GK)
1
d + (I + KG)
1
v K(I + GK)
1
(9.9)
e = (I + GK)
1
r (I + GK)
1
d + G(I + KG)
1
v (I + GK)
1
(9.10)
270
Em geral, as especica coes de desempenho usuais sao: boa resposta tipo rastrea-
mento (tracking), boa atenua cao das perturba coes (d e v) e do rudo (), erro em estado
estacion ario nulo.
Em se tendo as equacoes (9.7) a (9.10), podem-se expressar essas especica coes em
termos de minimiza coes da norma H
das funcoes de malha fechada, isto e, minimiza-se:

[[(I + GK)
1
[[
para se ter um boa resposta para rastreamento;

[[(I + GK)
1
[[
para se ter um boa rejei cao ` a perturba cao na sada da planta;

[[G(I +KG)
1
[[
para se ter um boa rejei cao ` a perturba cao na entrada da planta;

[[(I + GK)
1
GK[[
para se ter um boa rejei cao ao rudo;

[[K(I + GK)
1
[[
para se reduzir o esforco da a cao de controle;

Desta forma, o projeto loop shaping H
parte das especica coes das fun coes de

malha fechada acima referidas, calculando controladores que atendam uma ou mais
dessas condi coes. Essas funcoes de malha fechada ser ao referenciadas, genericamente
como sendo as fun coes (ou matrizes) sensitividade. A tabela 9.1 apresenta a deni cao
de algumas funcoes sensitividade.
Funcao Formula Rela cao E/S
entrada sada
Sensitividade na sada da planta S
o
(s) = (I + GK)
1
r e
d y
Sensitividade na entrada da planta S
i
(s) = (I + KG)
1
v u
Sensitividade na entrada do controle S
k
(s) = KS
o
v u
Sensitividade Complementar na sada da planta T
o
(s) = GKS
o
= I S
o
r y
Sensitividade Complementar na entrada da planta T
i
(s) = KGS
i
= I S
i
v u
Tabela 9.1: Deni cao das fun coes sensitividade em relacao aos sinais de entrada e sada de
um sistema de controle padrao. No decorrer do texto as fun coes S
o
(s) e T
o
(s) serao tratadas
como S(s) e T(s) (por serem as mais usadas). Em geral, pelo contexto, e possvel distinguir
entre as fun coes utilizadas.
Em geral, no projeto H
, especicam-se funcoes sensitividade ponderadas, isto e,

ao inves de se requerer a minimizacao em toda a faixa de freq uencia, denem-se formas
271
para as fun coes que especicam o comportamento desejado em determinada faixa de

freq uencia de interesse.
Um fato importante quando da utiliza cao das fun coes S(s) e T(s) para projetos e a
existencia de compromissos (algebricos e analticos) entre essas fun coes [31, 75, 78]. Por
exemplo, e interessante atentar para os compromissos advindos da rela cao S(s)+T(s) =
I. Tal rela cao leva ` a conclus ao, por exemplo, de que a especica cao T(s) = 1, requerida
para se ter y = r, equivale a se ter S = 0, ou ainda que minimiza cao de [[S(s)[[
e
conitante com a minimiza cao de [[T[[
na mesma faixa de freq uencia, por exemplo.

O conhecimento das rela coes das fun coes sensitividade com o comportamento do
sistema (seja no domnio do tempo ou da freq uencia) e de suma import ancia neste tipo
de projeto. A seguir apresentam-se algumas conclusoes sobre as formas para S(s) e T(s)
e as respostas dos sistemas.
9.4.2 Caractersticas da Fun coes S(s) e T(s)
O entendimento das rela coes para S(s) e T(s) em funcao da freq uencia e fundamental no
projeto loop shaping H
. Em geral, podem-se denir tres regioes para a especica cao

de S(s) e T(s), como feito para o projeto loop shaping classico (vide gura 9.6).
Na regi ao de baixas freq uencias deve-se requerer boa rejei cao a perturba coes de
carga e boa resposta para rastreamento, logo a sensitividade deve ser reduzida. Em
altas freq uencias a sensitividade complementar deve ser reduzida para atenuar efeito de
rudos de medi cao. Na regi ao da freq uencia de cruzamento de ganho, onde [[L(j)[[ 1
nada se pode inferir sobre S(s) ou T(s) a n ao ser rela coes para a taxa de varia cao ou
decaimento (taxa de roll o ). Neste caso, como na especica cao para L(s), deve-se
atentar, na regiao de cruzamento de ganho, para a taxa de varia cao de S(s) e T(s)
(varia cao em dBs por decada).
Nas analises que se seguem, para simplicar, consideram-se S(s) e T(s) escalares.
9.4.3 Rela coes para S(s)
Em geral, espera-se que a funcao S(s) tenha as seguintes caractersticas:
1. S(s) deve ter uma faixa de passagem mnima, w
b
;
2. o m odulo de S(s) deve ter um valor m aximo numa determinada faixa de freq uencia;
272
3. em baixas freq uencias ( 0), S deve ter um valor nulo, indicando erro zero em
regime.
No projeto loop shaping robusto, deseja-se que o comportamento em freq uencia da
funcao S(s) do sistema real se assemelhe ao comportamento da fun cao S(s) especicada.
Nesse sentido, a funcao S(s) especicada (ideal), pode ser dada pela expressao:
S(s) =
s
(1/M)s +
1
(9.11)
onde M e o valor m aximo para a sensitividade (pico de S(s)) e
1
e a faixa de passagem
em malha fechada, denida como sendo a freq uencia onde [S(j)[ corta 1/
_
(2) = 0, 707
( 3 dB) a partir do seu valor mnimo.
Sendo assim, com a denicao da equa cao 9.11 especica-se um perl em freq uencia
no qual epera-se que o comportamento do sistema real se assemelhe.
Portanto, no projeto H
dois fatores serao relevantes na escolha da sensitividade:

M e
1
.
9.4.4 Rela coes para T(s)
Em geral, T(s) ter a m odulo pr oximo de 1 em baixas freq uencias e tender a a zero em
altas freq uencias. Uma expressao tpica para T(s) pode ser:
T(s) =
s +
T
M
T
s +
T
,
onde M
T
e o valor m aximo de T(s) e
T
sua faixa de passagem e << 1.
9.5 Projeto via Sensitividade Composta
O projeto H
via sensitividade composta se fundamenta no trabalho de Zames [94] e

Zames e Francis [95] onde se introduziu o projeto via minimiza cao da norma innita
de S(s) ou de [[W(s)S(s)[[
. A generaliza cao desse projeto, com a inclusao de outras

funcoes para serem minimizadas tem sua justicativa nas rela coes existentes entre as
funcoes sensitividade e as especica coes de desempenho, como apresentado na subsecao
9.4.1.
Dentre as combina coes possveis para esse tipo de projeto, algumas se destacam
pela sua larga utiliza cao e pela rela cao com especicacoes de desempenho comumente
273
usadas. Na literatura podem ser encontradas diversas congura coes (ou esquemas),
dentre as quais: i) S/KS [61, 74, 47, 65, 63]; ii) S/KS/T [16, 15]; iii) S/T [51, 29, 5];
iv) GS/T [16, 15, 80, 79]. Alem desses esquemas existem projetos H
que combinam
diversas dessas fun coes [77, 32, 87, 80].
Em geral, todos os projetos envolvem a funcao sensitividade, S(s), n ao s o pela
interpretacao fsica da mesma, como tambem pela sua rela cao com a robustez do sistema
frente às incertezas de modelo ou ` as perturba coes.
Sendo assim, pode-se considerar como o projeto mais importante (ou o mais generico)
o projeto S/KS (ou o S/KS/T [78]).
A secao seguinte e dedicada ao estudo mais detalhado do projeto via esquema S/KS
que e o esquema principal adotado para os projetos de controladores H
para o STI.
9.6 Esquema S/KS
Neste esquema calcula-se o controlador a partir do problema denido da seguinte forma:
Encontre K(s) tal que:
W
1
(s)S(s)
W
2
K(s)S(s)
, (9.12)
sendo um escalar positivo e W
1
e W
2
as pondera coes para as fun coes sensitividade
S(s) e K(s)S(s), respectivamente.
A gura 9.8 apresenta o diagrama desse projeto, que possui as seguintes carac-
tersticas:
i) Graus de liberdade para a especica cao do projeto: escolha de W
1
e W
2
.
ii) Par ametros de escolha para W
1
: faixa de passagem da sensitividade S(s) e seu valor
m aximo (pico para S(j)).
iii) Par ametros para a escolha de W
2
: caractersticas do sinal de controle (por exemplo,
amplitude e freq uencia de oscila cao).
iv) Procedimento para escolha: conhecimento das regras para loop shaping [78] e com-
promissos existentes para S(s) e T(s) [31].
274
K G
W2
W1
r e
+
-
z1
z2
y
u
Figura 9.8: Esquema S/KS para Projeto H
9.6.1 Escolha dos Pesos

A escolha dos pesos ( otimos) deve levar em consideracao algumas caractersticas iner-
entes aos sistemas reais como satura coes, outros tipos de n ao-linearidades, perturba coes
etc. Desta forma, o projeto deve ser realizado de uma maneira interativa relacionando
a resposta obtida no sistema real com os par ametros a escolher.
Peso W
1
Preliminarmente, o peso W
1
pode ser escolhido a partir da deni cao de uma fun cao S(s)
ideal, que especica o comportamento da malha fechada desejada. A equa cao (9.11)
apresenta uma funcao S(s) padr ao e a partir dela dene-se o peso W
1
:
Deni cao 9.1 A matriz W
1
pode ser escolhida como sendo uma matriz diagonal, W
1
=
w
ii
1
I, com os elementos, w
ii
1
dados por:
w
ii
1
=
s/M
ii
1
+
ii
1
s
(9.13)
onde M
ii
1
e o pico m aximo da sensitividade S(s),
ii
1
e a faixa de passagem esperada
para a malha fechada.
Desta forma, relaciona-se W

1
com a sensitividade desejada para cada malha, in-
dependentemente, e espera-se que, pelo menos em baixas freq uencias, seja satisfeita a
rela cao W
1
1
(s) S(s). Naturalmente, o projeto resultar a em controladores melhores
desde que a escolha de S esteja de acordo com as limita coes e compromissos existentes
para o sistema [31, 75, 78].
275
O fato de se requerer erro nulo em regime, isto e denir W

1
com integradores, faz
com que a solucao via equa coes de Riccati
4
seja n ao factvel. Neste caso, pode-se fazer
uso de um artifcio para viabilizar o c alculo, como apresentado na se cao ??.
Peso W
2
Deni cao 9.2 A fun cao W
2
esta relacionada com a sensitividade de controle, S
k
=
K(s)S(s), e fornece o comportamento desejado para o sinal de controle. Tomando-se
esta fun cao como uma penaliza cao do sinal de controle, a sua forma ideal sera a de um
ltro passa altas. Da mesma forma que para as fun coes anteriores, faz-se W
2
= w
ii
2
I,
onde
w
ii
2
(s) = k
w
2
ii
s +
ii
s +
ii
=
(
ii
/
ii
)s + 1
s/
ii
+ 1
(9.14)
sendo as constantes
ii
,
ii
e
ii
escolhidas de acordo com a cartacterstica desejada
para o ltro.
Representacao no Espa co de Estados no Esquema S/KS

Como o c alculo do controlador H
e realizado via representa cao no espa co de estados

[25], e interessante obter a representacao em espa co de estados da matriz generalizada
para o esquema da gura 9.8. Tal representa cao ser a usada para a solucao do problema
9.12 via equa coes de Riccati, como comentado no captulo ??, pagina 267, e ter a suas
matrizes A, B
1
. . . D
22
relacionadas com a matriz P(s). Assim sendo a representa cao
no espa co de estados da congura cao da gura 9.8 ser a dada pelas equa coes 9.2 a 9.4,
repetidas a seguir por conveniencia:
x = Ax + B
1
w + B
2
u
z = C
1
x + D
11
w + D
12
u
y = C
2
x + D
21
w + D
22
u.
Para o esquema S/KS, w sera a referencia, z = [z
1
z
2
]
T
as sadas de W
1
e W
2
, respec-
tivamente, e y = e. As matrizes A, B
1
. . . D
22
sao obtidas a partir das representa coes
no espa co de estados das funcoes G
0
, W
1
e W
2
, dadas por:
4
A solu cao via Riccati para o problema H
e apresentada na secao ?? e no apendice ??.

276
G
0
=
_
A
g
B
g
C
g
D
g
_
, W
1
=
_
A
w1
B
w1
C
w1
D
w1
_
e W
2
=
_
A
w2
B
w2
C
w2
D
w2
_
. (9.15)
Neste caso, para a representa cao dada pelas equa coes (9.2) a (9.4), as matrizes A,
B
1
, . . . , D
22
ter ao os valores:
A =
A
w1
0 B
w1
C
g
0 A
w2
0
0 0 A
g
, B
1
=
B
w1
0
0
e B
2
=
B
w1
D
g
B
w2
B
g
. (9.16)
C
1
=
_
C
w1
0 D
w1
C
g
0 C
w2
0
_
, C
2
=
_
0 0 C
g
_
. (9.17)
D
11
=
_
D
w1
0
_
, D
12
=
_
D
w1
D
g
D
w2
_
, D
21
= I, D
22
= D
g
. (9.18)
A partir dessas equa coes e possvel relacionar os par ametros de projeto com as matrizes
usadas na solu cao do problema H
.
Comentario 9.1 O projeto S/KS possui a desvantagem de resultar em um controlador
que possui zeros iguais aos p olos est aveis da planta nominal, G
0
(s). Do ponto de vista da
robustez frente ` as incertezas de modelo este projeto pode resultar em sistemas fr ageis, no
sentido de que variacoes muito pequenas no sistema nominal podem resultar em respostas
indesejaveis [78, 15]. Na literatura existem diversos trabalhos realizados no sentido de
se evitar esse cancelamento [69, 84, 48, 83, 14, 85, 86]. Uma solu cao particularmente
facil de ser implementada e a de se fazer o projeto via o esquema GS/T [15, 79, 87],
que considera pondera c oes para KS, S e T, como apresentado na subse cao 9.7.2.
9.7 Outros Esquemas para Projeto via Sensitividade
Composta
Como complemento ao apresentado acima, apresentam-se os estudos de dois esquemas
tambem bastante utilizados em projetos via sensitividade composta: S/KS/T e GS/T.
277
9.7.1 Esquema S/KS/T

O acrescimo da fun cao T(s) para o projeto da sensitividade composta faz com que seja
possvel especicar, alem do limite inferior para a faixa de passagem (especicada a
partir de
1
de S(s)), um limite superior. Com isso, e possvel especicar em qual
freq uencia a fun cao L(s) deve iniciar sua redu cao. Como comentado em [78], em geral
especica-se a funcao T(s) para reduzir a sensibilidade do sistema aos rudos de alta
freq uencia.
Este esquema, representado na gura 9.9, possui a fun cao de transferencia de malha
fechada:
T
zw
=
W
1
S
o
W
2
KS
o
W
3
T
o
. (9.19)
Neste caso, ponderam-se S(s) e T(s) via W
1
e W
3
, respectivamente. KS e ponderado
por W
2
.
Pondera cao W
3
Analogamente ` a especicacao para W
1
, a matriz W
3
pode ser expressa como W
3
= w
ii
3
I,
onde
w
ii
3
=
sM
ii
3
+
ii
3
s +
ii
3
M
ii
3
(9.20)
sendo que M
ii
3
e o valor m aximo esperado para
i
(T(j)) e
ii
3
desejada. e um n umero real postivo tal que << 1.
y
W1
W2
K G
r e
z1
z2
u
+
-
W3
z3
Figura 9.9: Diagrama do esquema S/KS/T para projeto H
278
Representacao no Espa co de Estados

Executando o mesmo procedimento do projeto S/KS, com W
3
= [A
w3
, B
w3
, C
w3
, D
w3
],
tem-se as seguintes matrizes A, B
1
. . . D
22
para a representa cao no espa co de estados da
representa cao S/KS/T da gura 9.9.
A =
A
w1
0 0 B
w1
C
g
0 A
w2
0 0
0 0 A
w3
B
3
C
g
0 0 0 A
g
, B
1
=
B
w1
0
0
0
e B
2
=
B
w1
D
g
B
w2
W
w3
D
g
B
g
. (9.21)
C
1
=
C
w1
0 0 D
w1
C
g
0 C
w2
0 0
0 0 C
w3
D
w3
C
g
, C
2
=
_
0 0 0 C
g
_
. (9.22)
D
11
=
D
w1
0
0
, D
12
=
D
w1
D
g
D
w2
D
3
D
g
, D
21
= I, D
22
= D
g
. (9.23)
9.7.2 Esquema GS/T
O diagrama de blocos correspondente a esse projeto e dado na gura 9.10. A fun cao de
transferencia correspondente e dada por:
T
zw
=
_
W
2
T
i
W
v
W
2
KS
o
W
r
S
o
GW
v
T
o
W
r
_
. (9.24)
W2
Wr
Wv
K G
r
v
u
y
z1
z2
+
-
+
+
Figura 9.10: Diagrama para projeto GS/T.
Para analisar quais fun coes de malha fechada s ao ponderadas, considere-se que a
pondera cao W
2
possui m odulo pequeno na faixa de freq uencia de interesse, em relacao
279
às outras pondera coes, de forma que sua inuencia no valor da norma H
possa ser
desconsiderado. Neste caso, caberia avaliar a segunda linha da matriz T
zw
da equa cao
acima. Pode-se concluir, portanto, que o peso W
r
deve ponderar T
o
e W
v
deve ponderar
GS
o
.
No presente trabalho este projeto e usado como uma alternativa ao projeto S/KS
(S/KS/T), com a vantagem de n ao resultar em controladores que invertem a planta
nominal, G
0
(s).
Executando-se o mesmo procedimento do projeto S/KS, com W
v
= [A
v
, B
v
, C
v
, D
v
],
tem-se as seguintes matrizes para a representacao no espa co de estados:
A =
A
w1
0 B
w1
D
g
C
v
B
w1
C
g
0 A
w2
0 0
0 0 A
v
0
0 0 B
g
C
v
A
g
, B
1
=
B
w1
B
w1
D
g
D
v
0 0
0 B
v
0 B
g
D
v
e B
2
=
B
w1
D
g
B
w2
0
B
g
.
(9.25)
C
1
=
_
C
w1
0 D
w1
D
g
C
v
D
w1
C
g
0 C
w2
0 0
_
, C
2
=
_
0 0 D
g
C
v
C
g
_
. (9.26)
D
11
=
_
D
w1
D
w1
D
g
D
v
0 0
_
, D
12
=
_
D
w1
D
g
D
w2
_
, D
21
= [I D
g
D
v
], D
22
= D
g
(9.27)
9.7.3 Projeto para Controlador com Dois Graus de Liberdade
Alem dos esquemas tradicionaisapresentados, outro de grande interesse e o que dene
a matriz generalizada para o controle H
com dois graus de liberdade, 2-DOF (2 -

Degree of Freedom).
Controladores com dois graus de liberdade possuem a vantagem de computar, inde-
pendentemente, referencias e vari avel controlada, sendo possvel denir separadamente
as especicacoes para rejei cao a rudo ou perturba coes e as especicacoes para rastrea-
mento [15, 28, 43, 49, 89, 92].
280
z2
K G
W2
W1
r
+
-
z1
y
+
d
+
Wr
0
Figura 9.11: Diagrama para projeto de dois graus de liberdade robusto
A estrutura mostrada na gura 9.11 dene o projeto 2-DOF via sensitividade com-
posta. A matriz de malha fechada T
zw
para essa congura cao e:
T
zw
=
_
W
1
(W
r
T
er
) W
1
S
oe
W
2
S
ie
W
2
K
e
S
oe
_
, (9.28)
sendo, K = [K
r
K
e
], S
ie
= (I + K
e
G
0
)
1
, S
oe
= (I + G
0
K
e
)
1
e T
er
= S
oe
G
0
K
k
.
A equa cao (9.28) expressa a rela cao usual para o projeto S/KS (segunda coluna de
T
zw
), alem da especica cao para rastreamento, dada pelo termo W
r
T
er
.
9.8 Projeto H
Robusto
Enquanto os esquemas via sensitividade composta s ao usados para projetar contro-
ladores H
sub- otimos para o sistema nominal, objetivando satisfazer determinadas

condicoes para as fun coes sensitividade, a losoa do projeto H
robusto, apesar de
ser fundamentada nos mesmos princpios, visa calcular controladores que mantenham
explicitamente o desempenho na presen ca de incertezas.
A formula cao da sensitividade composta (sem incertezas) tem sua motiva cao em
projetos nos quais deseja-se especicar uma determinada resposta (em freq uencia) para
a malha fechada, geralmente advinda de problemas de rejei cao ` a rudos ou sinais de
perturba coes previamente conhecidos. Neste caso, a robustez e denida pela condi cao
de que a norma das fun coes sensitividade deva ser menor ou igual a um determinado
valor.
Ao contr ario, o projeto robusto trata de problemas de c alculos de controladores para
plantas incertas, sendo que as incertezas sao, de alguma forma, explicitadas (por exem-
plo, plantas que variam no tempo, ou cujos modelos s ao incertos).
281
9.8.1 Filosoa do Projeto H
Robusto
Por projeto H
robusto entende-se o projeto de controladores que visam minimizar a

norma H
da malha fechada em sistemas com incertezas (geralmente n ao-parametricas,

nao-estruturadas), tendo como fundamento o chamado teorema do ganho pequeno (teo-
rema ?? secao ??, p agina ??).
Pode-se denir esse projeto como uma extensao do problema da sensitividade com-
posta ao qual acrescentam-se informa coes sobre as incertezas do modelo.
9.8.2 Rela coes para Robustez
A considera cao de incertezas no projeto via sensitividade composta possibilita o acrescimo
da condi cao de robustez, que e a condi cao em que o desempenho e a estabilidade s ao
satisfeitas para toda a famlia de plantas denida pelo modelo incerto. Essa condi cao de
robustez (de desempenho e estabilidade) e dependente do tipo de incerteza considerada
e das rela coes entre as entradas e sadas existentes no sistema.
Dada uma famlia de plantas, G
p
(s), especicada a partir das possveis representa coes
para as incertezas presentes em sistemas LTI, do modelo nominal, G
0
, e de um contro-
lador K(s), o sistema em malha fechada pode ser classicado de acordo com as carac-
tersticas enumeradas a seguir.
Deni cao 9.3 [96]
1. Estabilidade Nominal (EN):
Diz-se que um sistema possui estabilidade nominal quando K(s) estabiliza o modelo
nominal G
0
.
2. Estabilidade Robusta (ER): O sistema possui estabilidade robusta se as es-
pecica coes de estabilidade s ao satisfeitas para toda a famlia de plantas, G
p
.
3. Desempenho Nominal (DN): O sistema possuir a desempenho nominal se as
especica c oes de desempenho sao garantidas apenas para a planta nominal.
4. Desempenho Robusto (DR): O sistema possuir a desempenho robusto se as
especica c oes de desempenho sao satisfeitas para toda a famlia de plantas, G
p
.
282
9.8.3 Incertezas
Na se cao ?? do Apendice ?? sao apresentadas as principais representa coes de incertezas
usadas para problemas da abordagem H
.
Algumas delas s ao resumidas na tabela 9.2, onde apresentam-se tambem as rela coes
entre os tipos de incertezas e suas ocorrencias [27, 55, 96].
Incerteza Gp Ocorrencia
Aditiva Gp = G
0
+ zeros no semi-plano direito (RHP) incertos
Multiplicativa na sada Gp = (I + )G
0
Erros (incertezas) na sada da planta.
Din amicas nao modeladas.
Multiplicativa na entrada Gp = G
0
(I + ) Erros na entrada da planta.
Mudan ca do n umero de zeros RHP.
Din amicas nao modeladas.
Inversa na sada Gp = (I + )
1
G
0
Erros parametricos em baixas frequencias.
P olos no RHP incertos.
Inversa na entrada Gp = G
0
(I + )
1
Fatora cao Coprima Gp = (

M +
M
)
1
(

N +
N
)
1
Din amica nao modelada (altas frequencias).
Incertezas em polos e zeros no RHP.
Aditiva Inversa Gp = (G
1
0
)
1
Tabela 9.2: Rela coes entre os tipos de incertezas e a sua ocorrencia.
Rela cao Funcoes Sensitividade e Estabilidade Robusta
Para cada tipo de incerteza da tabela 9.2 existe uma funcao sensitividade relacionada,
usada para o teste da robustez do sistema em malha fechada. A tabela 9.3 apresenta a
rela cao entre o sistema incerto e a sensitividade (ponderada por uma fun cao W) usada
como teste de robustez.
283
Tipo de Incerteza Teste da Estabilidade Robusta

Aditiva [[WKS
o
[[
1
Multiplicativa na entrada [[WT
i
[[
1
Multiplicativa na sada [[WS
o
[[
1
Inversa na sada [[WS
o
[[
1
Inversa na entrada [[WS
i
[[
1
aditiva inversa [[WG
0
S
o
[[
1
Tabela 9.3: Rela cao entre representacao das incertezas e a fun cao sensitividade usada
para testar a robustez da malha fechada.
9.8.4 Especica cao do Projeto H
Robusto
No projeto H
robusto, alem da especica cao das rela coes entrada/sada, isto e, dos
esquemas da sensitividade composta, deve-se atentar para a especica cao das incertezas
(tipo e representa cao). A seguir estes dois aspectos s ao analisados.
Especica cao dos Esquemas para o Projeto H
Robusto
Para esse projeto, podem-se adotar os mesmos esquemas usados para os projetos H
loop
shaping, atentando-se para o fato de que a presen ca de incertezas modica a estrutura
nal da matriz T
zw
usada no c alculo de K(s).
Especica cao das Incertezas
Dentre as incertezas possveis (vide tabela 9.2), a incerteza multiplicativa de entrada e
a que estara sempre presente [78] uma vez que ela traduz a incapacidade de se saber
precisamente o valor da vari avel manipulada. Esse tipo de incerteza e chamado na
literatura de incerteza tipo din amica nao modelada, DNM, ou incerteza tipo din amica
negligenciada, DN
5
.
A gura 9.12 apresenta um diagrama de um sistema com uma incerteza multiplicativa
de entrada, que pode ser usada para representar uma din amica n ao modelada.
5
Skogestad e Postlethawaite [78], entretanto, diferenciam a DNM da DN, chamando a aten cao para
o fato de a DNM considerar obrigatoriamente o aumento da incerteza com o aumento da freq uencia.
284
K
+
+
-
+
Wi
G W3
u
0
Figura 9.12: Esquema para projeto H
padr ao
9.8.5 Projeto H
Robusto com Incerteza Multiplicativa de En-

trada
Matriz Generalizada
O esquema da gura 9.12 resulta na matriz generalizada,
T
zw
=
_
W
3
T
o
W
3
G
0
T
i
W
i
KS
o
W
i
KS
o
G
0
_
. (9.29)
Desta forma, tem-se um problema de otimiza cao com as pondera coes W
3
, relacionada
com a funcao T(s) e a pondera cao W
i
, relacionada com a representa cao das incertezas,
que como comentando anteriormente, poder a variar, de acordo com o maior ou menor
grau de conhecimento da planta.
Em geral, uma forma de representar W
i
e partir da rela cao denida em [78], apre-
sentada a seguir.
Deni cao 9.4 Analogamente ao problema da deni cao dos pesos, a especica cao das
incertezas tipo dinamica nao modelada e feita a partir do conhecimento da planta e
baseia-se em regras heursticas, simula c oes e an alise de experimentos no sistema real.
Entretanto, existem regras genericas que auxiliam na especica cao deste tipo de in-
certeza. Em particular, a equa c ao (9.30) [78] apresenta uma fun cao de transferencia
para a incerteza tipo DNM:
w
I
=
s + r
0
(/r
)s + 1
, (9.30)
onde r
0
e a incerteza relativa em estado estacionario, 1/ indica (aproximadamente)
a freq uencia onde a incerteza relativa atinge 100% (isto e, [w
I
(j)[ = 1) e r
indica
o valor da incerteza em altas freq uencias. Em geral, em sistemas MIMO adota-se a
estrutura diagonal, W
i
= Iw
i
, sendo I a matriz identidade de dimens oes compatveis.
285

Considerando que as matrizes G
0
, W
3
e W
i
possuem realizacoes:
G
0
=
_
A
g
B
g
C
g
D
g
_
, W
3
=
_
A
w3
B
w3
C
w3
D
w3
_
e W
i
=
_
A
wi
B
wi
C
wi
D
wi
_
, (9.31)
a malha fechada T
zw
ter a a realiza cao (referente ` as equa coes 9.2 a 9.4) dada por:
A =
A
w3
0 B
w3
C
g
0 A
wi
0
0 0 A
g
B
1
=
0 B
w3
D
g
0 0
0 D
g
e B
2
=
B
w3
D
g
B
wi
D
g
C
1
=
_
C
w3
0 D
w3
C
g
0 C
wi
0
_
e C
2
=
_
0 0 C
g
_
D
11
=
_
0 D
g
0 0
_
e D
12
=
_
D
g
D
wi
_
e D
21
=
_
I D
g
_
e D
22
= D
g
9.9 Solu cao Via Equacoes de Riccati
Nessa secao objetiva-se renar os conceitos referentes as solu coes via Equa coes de Ric-
cati apresentados no captulo introdut orio. Mostrar-se- ao algumas condi coes para a
utiliza cao das solu coes para o problema H
restrito via Riccati.

Dene-se o problema H
restrito como sendo o problema de achar o controlador

K(s) tal que a norma H
da malha fechada seja menor que um dado n umero positivo,

, isto e:
Deni cao 9.5 (Problema H
restrito) Encontrar K(s) tal que:

[[F
l
(P(s), K(s))[[
< , (9.32)
sendo um escalar positivo, P(s) a matriz generalizada e F
l
a TLF entre P e K.
Em geral, e comum assumir o escalar como sendo o ndice de desempenho desejado

(em termos do valor da norma H
) [18].
286
Como comentando no Captulo ??, a solu cao e obtida a partir da representa cao em
espa co de estados da matriz generalizada P(s), dada por:
P(s) =
A B
1
B
2
C
1
D
11
D
12
C
2
D
21
D
22
. (9.33)
De posse dessas matrizes, e do n umero , montam-se as equa coes de Riccati (sim-
plicadas)
6
, cujas solu coes sao as matrizes X
e Y
:
A
T
X
+ X
A+ C
T
1
C
1
+ X
(
2
B
1
B
T
1
B
2
B
T
2
)X
= 0 (9.34)
AY
+ Y
A
T
+ B
1
B
T
1
+ Y
(
2
C
T
2
C
2
C
T
2
C
2
)Y
= 0. (9.35)
As equa coes acima ter ao como solu coes as matrizes que formam o controlador K(s)
desde que sejam satisfeitas as seguintes condicoes
7
:
A1 (A, B
2
, C
2
) e estabilizavel e detectavel.
A2 D
12
possui posto cheio para coluna e D
21
possui posto cheio para linha.
A3 A matriz:
_
A jI B
2
C
1
D
12
_
(9.36)
deve ter posto cheio para coluna.
A4 A matriz:
_
A jI B
1
C
2
D
21
_
(9.37)
deve possuir posto cheio para linha.
A5 D
12
=
_
0
I
_
e D
21
= [0 I].
A6 D
T
12
C
1
= 0 e B
1
D
T
12
= 0.
A7 (A, B
1
) e estabilizavel e (A, C
1
) e detectavel.
6
No Apendice ?? e apresentado o desenvolvimento matematico das equa coes completas.
7
O desenvolvimento matematico do Apendice ?? requer menos restricoes
287
9.10 Exemplo de Projeto de Controlador H
MIMO
(via Loop Shaping)
Em linhas gerais, o procedimento para se obter um controlador K(s), baseado na tecnia
de Loop Shaping H
pode ser dado pelo seguinte algoritmo.

Procedimento para Projeto H
Loop Shaping
1. Determina-se o esquema a ser usado.
2. Escolhem-se as pondera coes.
3. Monta-se matriz generalizada.
4. Resolve-se o problema de otimizacao H
.
5. Simula-se o resultado. Ap os a an alise, alteram-se os pesos, caso necessario.
9.11 Exemplo de Utiliza cao
Considere o sistema dado por:
A =
_
3, 5757 1
2
3, 5757 1
2
3, 5757 1
2
3, 5790 1
2
_
; B =
_
0, 0114 0
0 0, 0022
_
. (9.38)
C =
_
0 1, 0
0 0, 0067
_
; D =
_
0 0
0 0, 4336
_
. (9.39)
Cuja matrix de transferencia e dada por:
G(s) =
1
s
2
+ 0, 07155s + 1, 18 10
6
_
4, 07 10
4
2, 2 10
3
s + 7, 87 10
5
2, 73 10
6
0, 4336s
2
0, 03101s + 1, 542 10
8
_
Vamos projetar um controlador H
pelo metodo do loopshaping (sensitividade com-

posta).
288
9.11.1 Resposta em Freq uencia do Sistema

10
6
10
4
10
2
10
0
10
5
10
0
a
m
p
litu
d
e
G
11
(j)
10
6
10
4
10
2
10
0
10
5
10
0
a
m
p
litu
d
e
G
12
(j)
10
6
10
4
10
2
10
0
10
5
10
0
tempo (s)
a
m
p
litu
d
e
G
21
(j)
10
6
10
4
10
2
10
0
10
5
10
0
tempo (s)
a
m
p
litu
d
e
G
22
(j)
Figura 9.13: .
Valores Singulares
10
6
10
5
10
4
10
3
10
2
10
1
10
0
10
1
10
0
10
1
10
2
10
3
a
m
p
litu
d
e

max
(j)
10
6
10
5
10
4
10
3
10
2
10
1
10
0
10
4
10
3
10
2
10
1
10
0
tempo (s)
a
m
p
litu
d
e
min
(j)
Figura 9.14: .
289
MGR
10
6
10
4
10
2
10
0
0.5
0
0.5
1
a
m
p
l
i
t
u
d
e
RGA 11
10
6
10
4
10
2
10
0
0.5
0
0.5
1
a
m
p
l
i
t
u
d
e
RGA 12
10
6
10
4
10
2
10
0
0.5
0
0.5
1
tempo (s)
a
m
p
l
i
t
u
d
e
RGA 21
10
6
10
4
10
2
10
0
0.5
0
0.5
1
tempo (s)
a
m
p
l
i
t
u
d
e
RGA 22
Figura 9.15: .
9.11.2 Procedimento
Escolha o tipo de esquema para o projeto da sensitividade composta: (S/KS),
(GS/T), (S,KS,T), etc.
Ao escolher o esquema, atente para o tipo de controle que deseja (regula cao ou
rastreamento (tracking)).
Escolha os pesos (W
1
, W
2
, W
3
, etc.).
Monte a matriz generalizada (P(s)).
Resolva o problema de sntese H
.
Nesse exemplo, adota-se o projeto S/KS.
290
Escolha das Ponderacoes

W
1
sera uma matriz diagonal, W
1
= w
ii
1
I, com os elementos, w
ii
1
dados por:
w
ii
1
=
s/M
ii
1
+
ii
1
s
(9.40)
Sendo M
ii
1
e o pico m aximo da sensitividade S(s),
ii
1
esperada para a malha fechada.
W
2
sera diagonal, com elementos dados por:
w
ii
2
(s) = k
w
2
ii
s +
ii
s +
ii
=
(
ii
/
ii
)s + 1
s/
ii
+ 1
(9.41)
Nesse caso, as constantes
ii
,
ii
e
ii
escolhidas de acordo com a cartacterstica
desejada para o ltro.
Para o exemplo, tem-se:
W
1
=
_
0,5s+0,02
s+410
8
0
0
0,5s+0,2
s+410
7
_
W
2
=
_
s+110
6
s+10
0
0
s+110
3
s+1
_
291
As guras 9.16 e 9.17 apresentam as respostas em freq uencia de W

1
e W
2
.
10
6
10
5
10
4
10
3
10
2
10
1
10
0
10
6
10
4
10
2
10
0
10
2
a
m
p
litu
d
e

max
(j)
10
6
10
5
10
4
10
3
10
2
10
1
10
0
10
6
10
4
10
2
10
0
10
2
tempo (s)
a
m
p
litu
d
e
min
(j)
Figura 9.16: Valores singulares maximo e minimo de W
1
.
10
6
10
5
10
4
10
3
10
2
10
1
10
0
10
8
10
6
10
4
10
2
10
0
tempo (s)
a
m
p
litu
d
e
10
6
10
5
10
4
10
3
10
2
10
1
10
0
10
8
10
6
10
4
10
2
10
0
tempo (s)
a
m
p
litu
d
e
Figura 9.17: Resposta em freq uencia do elementos 11 e 22 de W
2
.
292
9.12 Como montar a matriz P(s) no MATLAB

systemnames = G W1 W2;
sysoutname = P;
inputvar = [ref2;u2];
input
t
o
G
= [u];
input
t
o
W
1 = [ref-G];
input
t
o
W
2 = [u];
outputvar = [W1;W2;ref-G];
cleanupsysic = yes;
sysic;
Para calcular o controlador use hinfsyn
nmeas = 2;
ncon = 2;
gmin = 0.90;
gmax = 40;
tol = 1e 1;
ricmethd = 2;
epr = 1e 10;
epp = 1e 6;
quiet = 1;
[K1, gw, gfin2, ax2, ay2, hamx2, hamy2] = hinfsyn(P, nmeas, ncon, gmin, gmax, tol, ricmethd
, epr, epp, quiet);
293
9.13 Analise
Pode-se usar o comando sysic para montar a matriz usada na simula cao (resposta ao
perl):
% MONTA MATRIZ PARA PLOTAR
systemnames = G;
sysoutname = Pplot;
inputvar = [ref{2};u{2}];
input_to_G = [u];
outputvar = [G;u;ref-G];
cleanupsysic = yes;
sysic;
Para criar o perl use o comando vpck. No comando a seguir e criado o vetor u6000.
te = [0;500;501;1000;1001;1500;1501;2000;2001;3000;3001;3500;3501;4000;...
4001;5000;5001;5500;5501;6000];
u0 = [0;0];
u1 = [0;0];
u2 = [const1*0.5;const2*0];
u3 = [const1*0.5;const2*0];
u4 = [const1*0.5;const2*0.5];
u5 = [const1*0.5;const2*0.5];
u6 = [const1*0.5;const2*0.5];
u7 = [const1*0.5;const2*0.5];
u8 = [-const1*0;const2*0.5];
u9 = u8;
u10 = [-const1*0;-const2*0]; u11 = u10; u12 = [-const1*.5;const2*0];
u13 = [-const1*0.5;-const2*0];
u14 = [const1*0;-const2*0.5]; u15 = u14; u16 = [const1*0.5;0]; u17 = u16;
u18 = u17; u19 = u18;
nu = [u0;u1;u2;u3;u4;u5;u6;u7;u8;u9;u10;u11;u12;u13;u14;u15;u16;u17;u18;u19];
u6000 = vpck(nu,te);
294
9.13.1 Respostas Temporais

0 1000 2000 3000 4000 5000 6000
0.1
0.05
0
0.05
0.1
a
m
p
litu
d
e
Y1 e U1
0 1000 2000 3000 4000 5000 6000
1
0.5
0
0.5
1
tempo(s)
a
m
p
litu
d
e
sinal de controle
Figura 9.18: Resposta temporal para a malha 1
0 1000 2000 3000 4000 5000 6000
0.2
0.15
0.1
0.05
0
0.05
0.1
0.15
a
m
p
litu
d
e
Y2 e U2
0 1000 2000 3000 4000 5000 6000
0.4
0.3
0.2
0.1
0
0.1
0.2
0.3
tempo(s)
a
m
p
litu
d
e
sinal de controle
Figura 9.19: Resposta temporal para a malha 2
295
9.13.2 Analise de S(s) e W(s)

Para que o criterio de robustez seja satisfeito, deve-se ter:
[[W
1
(s)S(s)[[
1
Veja os gr acos a dados em 9.20 e 9.21
10
6
10
5
10
4
10
3
10
2
10
1
10
0
10
5
10
4
10
3
10
2
10
1
10
0
10
1

max
[S(j)] (azul) e
max
[W
1
1
(j)] (tracejada)
freq (rad/s)
a
m
p
litu
d
e
Figura 9.20:
max
[S(j) e
max
[W
1
(j)
10
6
10
5
10
4
10
3
10
2
10
1
10
0
0
0.2
0.4
0.6
0.8
1
1.2
1.4
1.6
1.8
2

min
[S(j)] (azul) e
min
[W
1
1
(j)] (tracejada)
freq (rad/s)
a
m
p
litu
d
e
Figura 9.21:
min
[S(j) e
min
[W
1
(j)
296
9.13.3 Comentarios
Cada tipo de esquema e cada planta ter a um ponto crtico para a escolha das
pondera coes.
Para se ter integrador deve se ter um sensitividade com zero na origem.
O projeto S/KS baseia-se na invers ao da planta (sntese-Q).
9.13.4 Exerccios
1) Fa ca projetos de controladores H
MIMO para o sistema dado no exemplo anterior,

com os esquema GS/T.
2) Repita o projeto para o esquema S/KS/T.
297
Referencias Bibliogracas
[1] N. Amann and F. Allg ower, -suboptimal design of robustly performing con-
troller for a chemical reactor, International J. of Cont., (1994), pp. 665686.
[2] F. Bailey and C. Hui, Loop gain-phase shaping for single-input-single-output
robust controllers, IEEE Control Systems Magazine, 11 (1991), pp. 93101.
[3] G. J. Balas, J. C. Doyle, K. Glover, A. Packard, and R. Smith, -
Analysis and Synthesis Toolbox - Users Guide, The MathWorks Inc., 1992.
[4] C. Barrat and S. Boyd, Closed-loop convex formulation of classical and singular
value loop shaping, internal report, Stanford University, September 1991.
[5] V. Besson and A. T. Shenton, An interactive parameter space method for
robust performance in mixed sensitivity problems, IEEE Trans. on Aut. Cont., 44
(1992), pp. 12721276.
[6] S. Bhattacharyya and L. Keel, eds., Control of Uncertain Dynamic Systems,
CRC Press, 1991.
[7] H. W. Bode, Network Analysis and Feedback Amplier Design, Van Nostrand,
1945.
[8] S. Boyd, L. E. Ghaoui, E. Feron, and V. Balakrishnan, Linear Matrix
Inequalities in System and Control Theory, SIAM, 1994.
[9] R. D. Braatz, Robust Loopshaping for Process Control, PhD thesis, Callifornia
Institute of Technology, Passadena, California, 1993.
298
REFER
ENCIAS BIBLIOGR
AFICAS REFER
ENCIAS BIBLIOGR
AFICAS
[10] R. D. Braatz, M. Morari, and S. Skogestad, Loop shaping for robust perfor-
mance, International Journal of Robust and Nonlinear Control, 6 (1996), pp. 805
823.
[11] E. H. Bristol, On a new measure of interactions for multivariable process control,
IEEE Trans. Auto. Control, AC-11 (1966), p. 133.
[12] C.-T. Chen, Linear System Theory and Design, Holt, Rinehart and Winston, INC,
1989.
[13] , Linear System Theory and Design, Oxford University Press, terceira
edi cao ed., 1999.
[14] R. Y. Chiang and M. G. Safonov, H
synthesis using a bilinear pole shifting

transform, Journal of Guidance, Control and Dynamics, 15 (1992), pp. 11111117.
[15] U. Christen, Engineering Aspects of H
Control, PhD thesis, Swiss Federal In-

stitute of Technology, Zurich, Swiss, June 1996.
[16] U. Christen and H. P. Geering, Inverting and noninverting H
controllers,
Systems and Control Letters, 30 (1997), pp. 3138.
[17] U. Christen, H. E. Mush, and M. Steiner, Robust control of distillation
columns: vs H
-synthesis, J. Proc. Cont., 7 (1997), pp. 1930.

[18] R. DAndrea, Generalized l
2
synthesis, IEEE Trans. on Aut. Cont., 44 (6) (1999),
pp. 11461156.
[19] V. J. de Souza Leite, Efeitos de incertezas e acoplamentos em sistemas multi-
vari aveis: Aplica c ao a um sistema de tanuques interativos, dissertacao de mestrado,
Universidade Federal de Minas Gerais, PPGEE, Belo Horizonte, abril 1998.
[20] P. B. Desphande, ed., Multivariable Process Control, Instrument Society of
America, 1989.
[21] R. C. Dorf and R. H. Bishop, Modern Control Systems, Addison - Wesley,
eighth ed., 1998.
[22] J. C. Doyle, Analysis of feedback systems with structured uncertainties, IEE Pro-
ceedings, V129 (1982). Part D.
299
REFER
ENCIAS BIBLIOGR
AFICAS REFER
ENCIAS BIBLIOGR
AFICAS
[23] J. C. Doyle, Structured uncertainty in control system design, in Proceedings of
24th Conf. on Dec. and Cont., vol. 1, IEEE, 1985, pp. 260265.
[24] J. C. Doyle, B. A. Francis, and A. R. Tannenbaum, Feedback Control
Theory, MacMillan Publishing Company, 1992.
[25] J. C. Doyle, K. Glover, P. P. Khargonekar, and B. A. Francis, State
space solutions to standard H
2
and H
control problems, IEEE Trans. Aut. Control,

34 (1989), pp. 831847.
[26] J. C. Doyle and G. Stein, Multivariable feedback design: Concepts for a clas-
sical/modern synthesis, IEEE Trans. on Aut. Control, AC-26 (1981).
[27] J. C. Doyle, J. E. Wall, and G. Stein, Performance and robustness analysis
for structured uncertainty, in Proc. IEEE Conf. on Decision and Control, 1982,
pp. 629636.
[28] J. M. Edmunds, Output response tuning of one and two-degree-of-freedom con-
trollers using an H
approach, Int. Journal of Control, 59 (1994), pp. 11191126.

[29] M. A. Franchek, Selecting the performance weights for the and H
synthesis
methods for siso regulating systems, Transactions of the ASME, 118 (1996), pp. 126
131.
[30] B. A. Francis, A Course in H
Control Theory, vol. 88 of Lecture Notes in

Control and Information Sciences, Springer Verlag, 1987.
[31] J. S. Freudenberg and D. P. Looze, Frequency Domain Properties of Scalar
and Multivariable Feedback Systems, vol. 104 of Lecture Notes in Control and In-
formation Sciences, Springer-Verlag, 1988.
[32] J.-P. Friang, G. Duc, and J.-P. Bonnet, Robust Autopilot for a exible
missile: Loop-Shaping H
design and real -Analysis, International Journal of

Robust and Nonlinear Control, 8 (1998), pp. 129153.
[33] P. Gahinet, Explict controller formulas for LMI-based H
synthesis, Automatica,
32 (1996), pp. 10071014.
300
REFER
ENCIAS BIBLIOGR
AFICAS REFER
ENCIAS BIBLIOGR
AFICAS
[34] P. Gahinet and P. Apkarian, A linear matrix inequality approach to H
con-
trol, Int. Journal Robust and Nonlinear Control, (1994), pp. 421448.
[35] P. Gahinet, A. Nemirovski, A. J. Laub, and M. Chilali, LMI Control
Toolbox, the Mathworks Inc., 1995.
[36] E. Gilbert, Controllability and observability in multivariable control systems,
SIAM J. Control, 1 (1963), pp. 128151.
[37] T. Glad and L. Ljung, Control Theory: Multivariable and Nonlinear Methods,
Taylor and Francis, 2000.
[38] K. Glover, J. Sefton, and D. McFarlane, A tutorial on loop shaping using
H
robust stabilisation, Trans. Inst. Mes. Cont., 14 (1992), pp. 157168.

[39] G. C. Goodwin, S. E. Graeble, and M. E. Salgado, Control System Design,
Prentice Hall, 2000.
[40] P. Grosdidier, M. Morari, and B. R. Holt, Closed-loop properties from
steady-state gain information, Ind. Eng. Chem. Fundam., 24 (1985), pp. 221235.
[41] A. Helmersson, Methods for Robust Gain Scheduling, PhD thesis, Linkoping
University, Linkoping Sweden, November 1995.
[42] , Application of real- gain scheduling, in Proceedings of the 35th, Kobe -
Japan, December 1996, pp. 16661671.
[43] D. J. Hoyle, R. A. Hyde, and D. J. N. Limebeer, An H
approach to two
degree of freedom design, in Proceedings of the 30th IEEE Conference on Decision
and Control, Brighton, UK, 1991, pp. 15811585.
[44] T. Iwasaki and R. E. Skelton, All Controllers for the General H
Control
Problem: LMI Existence Conditions and State Space Formulas, Automatica, 30
(1994), pp. 13071317.
[45] T. Kailath, Linear Systems, Prentice-Hall, Inc, 1980.
[46] P. P. Khargonekar, I. R. Petersen, and M. A. Rotea, H
-optimal control
with state-feedback, IEEE Trans on Aut. Control, AC-33 (1988), pp. 786788.
301
REFER
ENCIAS BIBLIOGR
AFICAS REFER
ENCIAS BIBLIOGR
AFICAS
[47] H. Kwakernaak, Robust control and H
optimiztion - tutorial paper, Automat-

ica, 29 (1993), pp. 255273.
[48] D. J. N. Limebeer and Y. S. Hung, An analysis of the pole-zero cancellations in
H
-optimal control problems of the rst kind, SIAM J. Control and Optimization,
26 (1987), pp. 14571493.
[49] D. J. N. Limebeer, E. M. Kasenally, and J. D. Perkins, On the design of
robust two degree of freedom controllers, Automatica, 29 (1993), pp. 157168.
[50] J.-L. Lin and B. C. Tho, Analysis and -based controller design for an electro-
magnetic suspension system, IEEE Trans on Education, 41 (1998), pp. 116128.
[51] P. Lundstrom, S. Skogestad, and Z.-Q. Wang, Performance weight selection
for H
and -control methods, Trans. Inst. Meas. and Control, 13 (1991), p. 241.
[52] A. MacFarlane and N. Karcanias, Poles and zeros of linear multivariable
systems: a survey of the algebraic, geometric and complex-variable theory, Int. J.
of Control, 24 (1976), pp. 3374.
[53] J. Maciejowski, Multivariable Feedback Design, Addison-Wesley Publishing Com-
pany, 1989.
[54] T. E. Marlin, Process Control: Design Processes and Control Systems for Dy-
namic Performance, McGraw Hill, second ed., 2000.
[55] D. C. McFarlane and K. Glover, Robust Controller Design Using Normal-
ized Coprime Factor Plant Descriptions, vol. 138 of Lecture Notes in Control and
Information Sciences, Springer-Verlag, 1989.
[56] E. T. F. Mellichamp and D. A. Seborg, Process Dynamics and Control, Jonh
Willey and Sons, 1989.
[57] M. Morari, Robust stability of systems with integral control, IEEE Trans. on Aut.
Control, AC- 30 (1985), pp. 574577.
[58] M. Morari and E. Zafiriou, Robust Process Control, Prentice Hall, 1989.
[59] R. Nikoukhah, F. Delebecque, and L. E. Ghaoui, software scilab.
www.inria.fr.
302
REFER
ENCIAS BIBLIOGR
AFICAS REFER
ENCIAS BIBLIOGR
AFICAS
[60] A. Packard and J. C. Doyle, The complex structured singular value, Automat-
ica, 29 (1993), pp. 71109.
[61] A. Packard, J. C. Doyle, and G. Balas, Linear, multivariable robust control
with a perspective, Transactions of the ASME, 115 (1993), pp. 426437.
[62] I. R. Petersen, Disturbance attenuation and H
optimization: A design method

based on the algebraic riccati equation, IEEE Trans. on Aut. Control, AC-32 (1987),
pp. 427429.
[63] I. Postlethwaite, J.-L.Lin, and D.-W.Gu, A loop-shaping approach to robust
performance for siso systems, Trans. Inst. Meas. and Control, 13 (1991), p. 262.
[64] I. Postlethwaite, J. L. Lin, and D. W. Gu, Robust Control of a High Purity
Distillation Column Using -K Iteration, in Proceedings of the 30th Conference on
Decision and Control, 1991, pp. 15861590.
[65] R. D. Qi and T. Tsuji, On the mixed sensitivity H
control problem with poles

on the imaginary axis, J. Franklin Institute, 333(B) (1996), pp. 85100.
[66] R.E.Kalman, Mathematical description of linear systems, SIAM J. Control, 1
(1963).
[67] H. H. Rosenbrock, The stability of multivariable systems, IEEE Trans. AC, AC-
17 (1972), pp. 105107.
[68] M. G. Safonov, Stability margins of diagonally perturbed multivariable feedback
systems, Proceedings IEE, D-129 (1982), pp. 251256.
[69] M. G. Safonov, Imaginary-axis zeros in multivariable H
-optimal control, NATO

ASI Series, F34 (1987).
[70] M. G. Safonov and M. Athans, Gain and phase margin for multiloop LQG
regulators , IEEE Trans. on Automatic Control, AC-22 (1977), pp. 173178.
[71] C. Scherer, H
-control by state-feedback for plants with zeros on the imaginary

axis, SIAM J. Control Optim., 30 (1992).
[72] , H
-optimization without assumptions on nite or innite zeros, SIAM J.

Control Optimim, 30 (1992).
303
REFER
ENCIAS BIBLIOGR
AFICAS REFER
ENCIAS BIBLIOGR
AFICAS
[73] C. Scherer, P. Gahinet, and M. Chilali, Multiobjective Output-Feedback
Control via LMI Optimization , IEEE Trans. Aut. Control, AC-42 (1997), pp. 896
910.
[74] J. Sefton and K. Glover, Pole/ zero cancellations in the general H
problem
with reference to a two block design, System and Control Letters, 14 (1990), pp. 295
306.
[75] M. M. Seron, J. H. Braslavsky, and G. C. Goodwin, Fundamental Limi-
tations in Filtering and Control, Springer-Verlag, 1997.
[76] F. G. Shinskey, Process Control Systems: Application, Design and Tuning,
McGraw-Hill International Editions, 1988.
[77] S. Skogestad, M. Morari, and J. C. Doyle, Robust control of ill-conditioned
plants: High-purity distillation, IEEE Trans. on Automatic Control, AC-33 (1988),
pp. 10921105.
[78] S. Skogestad and I. Postlethwaite, Multivariable Feedback Control - Analysis
and Design, John Wiley and Sons, 1996.
[79] M. Steinbuch and M. L. Norg, Advanced motion control: An industrial per-
spective, European Journal of Control, (1998), pp. 278293.
[80] M. Steinbuch, G. Schootstra, and O. H. Bosgra, Robust control of a
compact disc player, in Proceedings of the 31st Conference on Decision and Control,
Tucson, Arizona, December 1992, pp. 25962600.
[81] M. Steinbuch, P. J. M. van Gross, G. Schootstra, P. M. R. Wortel-
boer, and O. H. Bosgra, synthesis for a compact disc player, International
Journal of Robust and Nonlinear Control, 8 (1998), pp. 168189.
[82] G. Stephanopoulos, Chemical Process Control: An Introduction to Theory and
Practice, Prentice-Hall Intenational Editions, 1984.
[83] M. C. Tsai, E. Geddes, and I. Postlethwaite, Pole-zero cancellations and
closed-loop properties of an H
mixed sensitivity design problem, in Proceedings of

the 29th Conference on Decision and Control, IEEE, 1990, pp. 10281029.
304
REFER
ENCIAS BIBLIOGR
AFICAS REFER
ENCIAS BIBLIOGR
AFICAS
[84] M. C. Tsai, G. J. M., and Postlethwaite, Pole-zero cancellations and closed-
loop properties of an H
mixed sensitivity design problem, Automatica, 28 (1992),

pp. 519530.
[85] M. C. Tsai, I. Postlethwaite, and E. J. M. Geddes, Pole-Zero Cancella-
tions and Closed-Loop Properties of an H
Mixed Sensitivity Design Problem. Part

I: the Scalar Case. , Tec. Report 90-3, University of Leicester, March. 1990.
[86] , Pole-Zero Cancellations and Closed-Loop Properties of an H
Mixed Sensi-
tivity Design Problem. Part II: the Multivariable Case. , Tec. Report 90-6, Univer-
sity of Leicester, May. 1990.
[87] P. J. M. van Gross, M. Steinbuch, and O. H. Bosgra, Multivairable control
of a compact disc player using -synthesis, in Proceedings of the 1993 European
Control Conference, 1993.
[88] M. Vidyasagar, Control System Synthesis: A Factorization Aproach, The MIT
Press, second printing ed., 1985.
[89] D. J. Walker, On the structure of a two-degree-of-freedom H
loop shaping con-

troller, Int. J. of Control, 63 (1996), pp. 11051127.
[90] S. R. Weller, Structural Issues in Control Design for Linear Multivariable Sys-
tems, PhD thesis, The University of Newcastle, Australia, 1993.
[91] W. A. Wolovich, Linear Multivariable Systems, Springer-Verlag, 1974.
[92] I. Yaesh and U. Shaked, Two-degree-of-freedom H
-optimization of multivari-
able feedback systems, IEEE Trans. on Aut. Control, 36 (1991), pp. 12721278.
[93] P. M. Young, M. P. Newlin, and J. C. Doyle, analysis with real parametric
uncertainty, in Proceedings of the 30 th Conference on Decision and Control, 1991,
pp. 12511256.
[94] G. Zames, Feedback and optimal sensitivity: Model reference transformations,
multiplicative seminorms, and approximate inverses, IEEE Trans. on Aut. Contr.,
(1981).
305
REFER
ENCIAS BIBLIOGR
AFICAS REFER
ENCIAS BIBLIOGR
AFICAS
[95] G. Zames and B. A. Francis, Feedback, minimax sensitivity, and optimal ro-
bustness, IEEE Trans. Aut. Cont., AC-28 (1983).
[96] K. Zhou, J. Doyle, and K. Glover, Robust and Optimal Control, Prentice
Hall, 1996.
306

Controle Multivariavel

Загружено:

Сведения о документе

Авторское право

Доступные форматы

Поделиться этим документом

Поделиться или встроить документ

Параметры публикации

Этот документ был вам полезен?

Это неприемлемый материал?

Авторское право:

Доступные форматы

Controle Multivariavel

Загружено:

Авторское право:

Доступные форматы

Controle Multivari avel

Marcio Fantini Miranda

Robusto com Incerteza Multiplicativa de Entrada . . 285

MIMO (via Loop Shaping) . . . 288

ENCIA, G(s), ou G(s).

Importante ainda denir o autovetor.

Para encontrar os autovalores de A resolve-se a equa cao

Nulidade(A) = n umero de colunas de A - rank(A)

e o seu complemento ortogonal, denido como:

possuem todas o mesmo polin omio caracterstico

Por exemplo se A e de terceira ordem (3 3) e possui um autovalor

Exemplo para Nulidade = 2

No caso acima n = 3 e os autovalores de A sao

E possvel obter algumas representa coes no EE que apresentem algumas particulari-

Teorema 2.5 ([45],pg. 366) (PBH do posto das matrizes)

Na teoria das matrizes polinomiais, matrizes (sIA) e B que satisfazem a condicao

2.9.3 Teorema sobre Observabilidade

Para se denir os p olos de G(s) (MIMO) pode-se fazer:

Por dualidade, tem-se os seguintes resultados para um sistema que n ao e completa-

Corolario 2.13.1 Se o sistema e detect avel e a matriz de observabilidade O possui

Pelos dois resultados acima, tem-se ainda que:

A partir do teorema acima, tem-se o seguinte corol ario

Embora a realimenta cao de estados preserve a controlabilidade, ela quase sempre

e a representacao do vetor x na (ou em rela cao

Em relacao ` a essa base, tem-se que:

. Seja ainda os seguintes produtos:

Com essas op c oes, tem-se que:

Assim a representa cao de A na base [b, Ab, A

2.20.1 Transforma cao de Similaridade: Matrix Companheira

A matriz acima e uma matriz companheira.

resultar a na mesma sada, y(t) = 0. Assim, n ao h a

) unicamente e portanto a equa cao

E possvel encontrar uma realiza cao de menor ordem ?

A matriz H(s) pode ser representada como:

a) Essa realiza cao e control avel ?

Pos-multiplicar implica em opera coes sobre colunas e pre-muiltiplicar sobre linhas.

Deni cao 3.8 (Wolovich, [91], pg. 26 deni cao 2.5.3)

3.8.1 Forma de Hermite

4. Mostre que H(s) e unimodular.

Teorema 3.8 (P olos em Sistema MIMO)

3.9.1 Dois Exemplos

Em geral, os zeros do sistema MIMO n ao est ao associados ao zeros dos elementos.

A matriz (s) e denominada Forma de Smith de P(s).

Exemplo 3.6 Seja G(s) dada por:

3.12 Resumo dos Resultados e Resultados Adicionais

Deni cao 3.15 Se G(s) = N(s)D

Existem denicoes an alogas as feitas acima para MFD a esquerda.

Exemplo 3.9 A matriz

Lema 3.5 Seja (A, B, C) uma realizacao mnima de G(s). Entao s

Lema 3.7 (Identidade de Bezout Generalizada)

3.15 P olos e Zeros no Innito

Exemplo 4.4 (Seborg, [56], pg. 460)

x = (A+ BK)x + BHu

Deni cao 4.2 E

O sistema ser a desacoplado se:

Em teoria de controle usualmente usa-se a norma 1, 2 e . Em termos de norma de

A valor singular m aximo (4.30)

(distinta da norma (induzida) innita) de G(s), esta relacionada com a

sera o maior valor singular percorrida todas as freq uencias.

A, onde k = minn, m. Assim,

A raz ao entre os valores singulares m aximo e mnimo e o n umero de condicionamento

e s ao unicamente determinadas por Q.

Embora a realimenta cao de estados preserve a controlabilidade, ela quase sempre

(s) = (s + 1)(s + 2)(s + 1 j)(s + 1 + j) = s