Академический Документы
Профессиональный Документы
Культура Документы
30 de maio de 2005
Sumário
1 Introdução 11
1.1 Objetivo Geral do Curso . . . . . . . . . . . . . . . . . . . . . . . . . . . 11
1.2 O Problema de Controle . . . . . . . . . . . . . . . . . . . . . . . . . . . 11
1.3 Controle Multivariável: Breve Histórico . . . . . . . . . . . . . . . . . . . 12
1.3.1 Uma Definição . . . . . . . . . . . . . . . . . . . . . . . . . . . . 13
1.4 Sistemas MIMO . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 13
1.5 Motivação I . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 13
1.5.1 Exercı́cio . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 15
1.5.2 Exercı́cio . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 15
1.6 Configurações para um Sistema 2 × 2 . . . . . . . . . . . . . . . . . . . . 17
1.7 Motivação 2 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 18
1.7.1 Resultados do Matlab . . . . . . . . . . . . . . . . . . . . . . . . 19
1.7.2 Exercı́cio . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 20
1.8 Alguns Processos MIMO . . . . . . . . . . . . . . . . . . . . . . . . . . . 20
1.9 Sistema Multivariáveis: Conceitos Básicos I . . . . . . . . . . . . . . . . 22
1.9.1 Definições . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 22
1.9.2 Abordagem Entrada-Saı́da . . . . . . . . . . . . . . . . . . . . . . 23
1.10 Sistema Multivariáveis: Conceitos Básicos II . . . . . . . . . . . . . . . . 25
1.10.1 Interações e Malhas MIMO . . . . . . . . . . . . . . . . . . . . . 25
1.10.2 Representações em Malha . . . . . . . . . . . . . . . . . . . . . . 26
1.10.3 Exercı́cio . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 27
1.10.4 Malha de Realimentação Escondida . . . . . . . . . . . . . . . . . 28
1.11 Comentários Finais . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 29
1
SUMÁRIO SUMÁRIO
2
SUMÁRIO SUMÁRIO
3
SUMÁRIO SUMÁRIO
4
SUMÁRIO SUMÁRIO
5
SUMÁRIO SUMÁRIO
6
SUMÁRIO SUMÁRIO
7
SUMÁRIO SUMÁRIO
8
SUMÁRIO SUMÁRIO
9
SUMÁRIO SUMÁRIO
10
Capı́tulo 1
Introdução
• Nesse capı́tulo são apresentados alguns conceitos genéricos que serão aprofundados
no decorrer do curso.
11
Introdução
12
Introdução
Controle Adaptativo Multivariável, Controle via Modelo Interno, IMC (Internal Model
Control) [58], projetos baseados na Matriz Interactora [90], análise de compromissos
MIMO [75], Teoria da Realimentação Quantitativa, QFT Quantitative Feedback Theory
[6], Métodos preditivos (MPC, DMC), Projetos no Espaço de Estados, entre outras.
1.5 Motivação I
Exemplo 1.1 (Um Sistema MIMO) [37]
Considere um sistema 2 × 2 como dado a seguir. y1 e y2 são as saı́das e u1 e u2 são as
13
Introdução
entradas.
2 3
y1 = u1 + u2 (1.1)
s+1 s+2
1 1
y2 = u1 + u2 (1.2)
s+1 s+1
Considere o setpoint r1 para y1 e r2 para y2 . Para controlar y1 , usa-se um PI:
K1 (s + 1)
u1 = (r1 − y1 ).
s
saida y1 com u2 = 0 e K2 = 0
1
0.9
0.8
0.7
0.6
y1
0.5
0.4
0.3
0.2
0.1
0
0 1 2 3 4 5 6 7 8 9 10
tempo
Figura 1.1:
Para K1 , a resposta temporal à entrada degrau é dada na figura 1.1 (com u2 = 0).
Analogamente, considerando o controle de y2 por u2 :
K2 (s + 1)
u2 = (r2 − y2 )
s
tem-se a função de transferência de malha fechada:
Y2 (s) K2
=
R2 (s) u1 =0 s + K2
14
Introdução
1.2 2
1 y1 1.5
0.8 1
y1
y1
0.6 0.5
0.4 0
0.2 y2 −0.5
0 −1
0 1 2 3 4 5 6 7 8 9 10 0 1 2 3 4 5 6 7 8 9 10
tempo tempo
(a) (b)
1.5.1 Exercı́cio
Considere, no Matlab (Simulink), o sistema do exemplo 1.1. Obtenha as curvas dadas
no exemplo. Simule-o com diferentes condições.
• Considere primeiramente o caso com K2 = 0.
1.5.2 Exercı́cio
Tente usar u1 para controlar y2 e u2 para controlar y1 . Use, por exemplo:
s+1 s+2
u 1 = K1 (r2 − y2 ) e u 2 = K2 (r1 − y1 )
s s
Obtenha a função entre R1 e Y1 (s) e R2 e Y2 (s). Investigue a estabilidade. Simule o
sistema em malha fechada. Analise.
15
Introdução
16
Introdução
m1
G 11 (s)
PLANTA
G 21 (s)
+ c1
m2 + +
c2
G 12 (s)
G 22 (s)
-
m1
+ +
G c2 (s) G 11 (s)
ou
c1
G 21 (s)
+ + + c2
m2
ou
G c1 (s) G 12 (s)
- +
G 22 (s)
17
Introdução
1.7 Motivação 2
Exemplo dado em [56], pg. 448.
Considere o modelo simplificado de planta-piloto de coluna de destilação:
" # " #" #
12,8e−s −18,9e−3s
Xd (s) R(s)
= 16,7s+1
6,6e−7s
21s+1
−19,4e−3s
XB (s) 10,9s+1 14,4s+1
S(s)
• Avalie a resosta quando há variação no set-point de uma malha e depois de duas.
Figura 1.4:
18
Introdução
1.5
y1
0.5
0
0 5 10 15 20 25 30
tempo (s)
2.5
1.5
y2
0.5
−0.5
0 5 10 15 20 25 30
tempo (s)
Figura 1.5:
1.5
y1
0.5
0
0 5 10 15 20 25 30
tempo (s)
1.5
y2
0.5
0
0 5 10 15 20 25 30
tempo (s)
Figura 1.6:
19
Introdução
1.7.2 Exercı́cio
Considere o exemplo da seção 1.7. Pede-se:
b) Faça um controle análogo ao das figuras 1.5 e 1.6, mas trocando os emparelhamentos.
c) Sintonize um PI para cada malha separadamente (use Z/N, sı́ntese direta ou outro
método que tenha domı́nio) para que a resposta ao degrau unitário para ambas as
malhas seja adequada.
e) Tente ”criar”um controlador ”cheio”(isto é, uma matriz 2 × 2) que controle ”ade-
quadamente”as duas malhas.
Reflux
Drum LT
FC
LC
FC Distillate (D)
Reflux (L)
Feed (F)
TT TC
Steam
Reboiler
LT
Bottoms (B)
LC
Figura 1.7:
20
Introdução
Figura 1.8:
• Tanques Interativos.
LT-01 TT-01
FV-08
TQ-02 TQ-03
FV-03 FV-04 BA-02
u3
AQ-01
FV-AQ
FV-06
FV-05
u1
u2
TQ-01
BA-01 FV-01
Figura 1.9:
21
Introdução
que define uma realização (A, B, C, D) para o sistema S. Nessa equação, x(t) é um
vetor n−dimensional dos estados do sistema, u(t) um vetor de entrada l−dimensional
e y(t) o vetor de saı́da m−dimensional. Para este sistema define-se a matriz função de
transferência dada por:
G(s) = C(sI − A)−1 B + D
Pode-se ainda expressar o sistema pela equação matricial:
" #" # " #
(sI − A) −B x(s) x(0)
= (1.5)
C D u(s) y(s)
• Zeros e pólos também são definidos para as matrizes G(s) e P (s), sendo que as
definições e interpretações são um pouco diferentes das feitas para sistemas SISO.
22
Introdução
Matriz Polinomial
Uma matriz retangular, A(λ), m × n cujos elementos são polinômios em λ com coe-
ficientes numéricos (números pertencentes ao conjunto dos complexos ou reais, depen-
dendo da abordagem) é denominada matriz polinomial.
Se o maior grau entre todos elementos de A(λ) é N, pode-se escrever:
A(λ) = A0 λN + A1 λN −1 + · · · + AN ,
sendo Ai matrizes m×n com elementos pertencentes ao conjunto dos números complexos
(ou reais, dependendo do caso).
Serão consideradas durante o curso matrizes polimomiais e racionais com polinômios
com coeficientes reais, a menos quando dito ao contrário.
Algumas Definições
Rps (s) é o conjunto das funções racionais próprias estáveis. O conjunto de matrizes com
elementos em Rps(s) é denotado com Rpxm mxm
ps (s). Os elementos de Rps (s) são chamados
de matrizes bipróprias-biestáveis e são caracterizadas pela propriedade de que toda
matriz é B(s) é biprópria-biestável se, e somente se, seu determinante ∈ Rps (s). Uma
martriz K é bi-estável e bi-própria se K e K −1 são próprias e estáveis.
A uma dada matriz de transferência G(s) pode será associada uma realização (A, B, C, D),
geralmente denotada por: " #
A B
G(s) = . (1.6)
C D
23
Introdução
• Matrizes de transferências (G(s)) são tratadas em ambiente próprio, que faz uso
do ‘ferramental matemático”das matrizes polinomiais e racionais. Esse ferra-
mental define um conjunto de lemas e propriedades para manipulação de matrizes
cujos elementos são polinômios.
• As realizações mı́nimas são obtidas a partir da fatoração das funções (ou matrizes).
E estão também ligadas as questões de controlabilidade e observabilidade.
• Vide [45], cap. 2, seção 2.4 para as fatorações de sistemas SISO e cap 6, para as
fatorações de sistemas MIMO.
24
Introdução
C2 (s) C2 (s)
= Gp21 (s) e = Gp22 (s)
M1 (s) M2 (s)
• As equações acima podem ser usadas para determinar o efeito, nas saı́das, de
mudanças em M1 ou M2 .
ou
C(s) = Gp (s)M(s)
" #
Gp11 (s) Gp12 (s)
Gp (s) =
Gp21 (s) Gp22 (s)
25
Introdução
(a)
(b)
Emparelhamento 1 − 1/2 − 2
Emparelhamento 1 − 2/2 − 1
26
Introdução
• Como mostrado na figura 1.10 existe uma interação entre mas malhas.
Por exemplo, para a configuração 1 − 1/2 − 2, suponha que C1 , já controlada (isto é C1
= R1 ) seja alterada. Nesse caso:
a) O controlador da malha-1 Gc1 ajusta M1 para forçar C1 voltar ao valor inicial (R1 ).
Entretanto M1 afeta C2 via Gp21 .
1.10.3 Exercı́cio
Um sistema MIMO 2 × 2 constituı́do de uma função G(s) com todos os elementos
estáveis, e controlado por controladores Gc1 e Gc2 estáveis, pode ter uma malha fechada
instável ?
Observação
Pode ser instrutivo perceber o comportamento dinâmico como uma seqüência de eventos.
Entretanto na prática essa interação ocorre continuamente e simultaneamente.
27
Introdução
A Questão da Interação
C1 (s)
= Gp11 (s)
M1 (s)
• Esse resultado mostra, entre outras coisas, que os controladores não podem ser
sintonizados independentemente.
28
Introdução
29
Capı́tulo 2
• Um sistema LTI pode ser escrito por um conjunto de equações como o das equações
(2.1) e (2.2).
dx(t)
= Ax(t) + Bu(t) (2.1)
dt
y(t) = Cx(t) + Du(t) (2.2)
30
Introdução à Análise de Sistemas Lineares
δ∆ (t − ti ) → g∆ (t, ti )
δ∆ (t − ti )u(ti )∆ → g∆ (t, ti )u(ti )∆
X X
δ∆ (t − ti )u(ti )∆ → g∆ (t, ti )u(ti )∆
i i
31
Introdução à Análise de Sistemas Lineares
Assim, a saı́da y(t) para uma entrada u(t) pode ser aproximada por:
X
y(t) ≈ g∆ (t, ti )u(ti )∆
i
No limite: Z ∞
y(t) = g(t, τ )u(τ )dτ
−∞
32
Introdução à Análise de Sistemas Lineares
33
Introdução à Análise de Sistemas Lineares
Considerando condições iniciais nulas. Escolha por, exemplo, a saı́da y(t) como sendo
um estado:
x1 (t) = y(t)
Teremos então:
2.3.1 Exercı́cio
Para os dois circuitos da figura 2.2, obtenha a representação no espaço de estados e a
função de transferência.
L R
eo
a) C
ei
R1
C
b)
ei L eo
R2
34
Introdução à Análise de Sistemas Lineares
35
Introdução à Análise de Sistemas Lineares
2.4.4 Exercı́cio
• Mostre que a solução de (2.3) é dada pela equação (2.7).
Ax = λx
♦
Importante ainda definir o autovetor.
Ou:
(A − λI)x = 0 (2.9)
• Se (A − λI) for não singular a única solução possı́vel para a equação acima é
x = 0. Logo, para que (2.9) tenha solução (A − λI) deve ser singular, isto é seu
determinante deve ser nulo.
36
Introdução à Análise de Sistemas Lineares
• O polinômio p(s) terá a ordem igual a dimensão de A. Isto é, uma matriz n × n
possui n autovalores e n solucões para equação polinomial p(λ) = 0.
• Um polinômio é dito ser mônico se seu termo de maior ordem possui o coeficiente
1.
sendo λi (A) o i-ésimo autovalor de A. Refere-se ao termo eλi (A)t como o modo
associado ao auto valor λi (A).
Lembre-se que o autovalor λi safistaz
Api = λi pi
2.5 Estabilidade
A estabilidade de um sistema dinâmica pode ser avaliada a partir da matriz A de sua
representação no espaço de estados.
37
Introdução à Análise de Sistemas Lineares
• λi (A) é o espectro de A
α1 x1 + α2 x2 + · · · + αm xm = 0. (2.10)
Caso contrário (isto é, a equação 2.34 só é satisfeita para todos os α nulos) diz-se
que os vetores são linearmente independentes (LI).
38
Introdução à Análise de Sistemas Lineares
Ax = y (2.11)
Range
Rank ou Posto
Vetor Nulo
Espaço Nulo
Nulidade
39
Introdução à Análise de Sistemas Lineares
Relações Importantes
• Considere A m × n
•
Nulidade(A) = número de colunas de A - rank(A)
40
Introdução à Análise de Sistemas Lineares
2.6.4 Exercı́cio
Seja A dada por
0 1 1 2
A= 1 2 3 4
2 0 2 0
Pede-se:
4. Qual a nuliade de A ?
As ∈ S ∀s ∈ S.
Complemento Ortogonal
S ⊥ = {y ∈ F n : y ∗ x = 0 x ∈ S}
onde F pode ser o conjunto dos complexos, C ou dos reais ℜ. Diz-se que S e S⊥ são
complementares.
41
Introdução à Análise de Sistemas Lineares
e suas transpostas
0 1 0 0 −α1 1 0 0
0 0 1 0
−α2 0 1 0
0 0 0 1 −α3 0 0 1
−α4 −α3 −α2 −α1 −α4 0 0 0
p(λ) = ∆(λ) = λ4 + α1 λ3 + α2 λ2 + α3 λ + α4
42
Introdução à Análise de Sistemas Lineares
Aqi = λqi
Q = [q1 q2 . . . qn ] (2.13)
2.7.3 Exercı́cio
Dada a matriz A:
0 0 0
A= 1 0 2
0 1 1
Pede-se:
a) O polinômio caracterı́stico.
e) Verifique se QΛ = AQ.
43
Introdução à Análise de Sistemas Lineares
• Nesse caso os possı́veis vetores v forem considerados apenas reais, não haverá
solução não-nula para a equação acima. Nesse caso A terá duas colunas LI.
• Entretanto se v puder assumir valores complexos, então haverá uma solução não-
nula para a equação acima, a saber:
" #
−2
v=
1−j
2.7.5 Exercı́cio
Verifique, no Matlab, o rank de A dada por
" #
1 1+j
A=
1−j 2
44
Introdução à Análise de Sistemas Lineares
0 0 λ1
45
Introdução à Análise de Sistemas Lineares
ou
λ1 0 0
Ā2 = 0 λ1 1
0 0 λ1
ou ainda.
λ1 1 0
Ā3 = 0 λ1 1
0 0 λ1
2.7.7 Comentários
• A forma bloco-diagonal de Jordan está associada ao fato da base para matrizes que
possuem autovalores repetidos não poder ser “montada”com 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, qi , associados aos autovalores λi . Isto é, a partir de
Aqi = λi qi obtém-se a base.
(A − λI)n v = 0
• e ao mesmo tempo:
(A − λI)n−1 v 6= 0
• Matrizes de Jordan são bloco diagonais (triangulares) e podem ser usadas para
estabelecer muitas propriedades de matrizes.
46
Introdução à Análise de Sistemas Lineares
• Estará sendo usada a notação de vetor, para enfatizar a presença dos autovetores
nas equações que se seguem.
(A − λI)~q = 0,
• Como fazer para gerar uma base ? (não podemos usar os autovetores, já que eles
não são LI).
• Os três vetores que faltam, denotados por ~q2 , ~q3 e ~q4 serão escolhidos para satis-
fazerem
(A − λI)2 ~q2 = 0
(A − λI)3 ~q3 = 0
(A − λI)4 ~q4 = 0
47
Introdução à Análise de Sistemas Lineares
• e ao mesmo tempo:
(A − λI)n−1~v 6= 0
• Se n = 4, definem-se:
~v4 = ~v
~v3 = (A − λI)~v4 = (A − λI)~v
~v2 = (A − λI)~v3 = (A − λI)2~v
~v1 = (A − λI)~v2 = (A − λI)3~v
• Esses vetores, pela forma que foram gerados, já são LI e podem ser
usados como uma base !.
A~v1 = λ~v1
A~v2 = ~v1 + λ~v2
A~v3 = ~v2 + λ~v3
A~v4 = ~v3 + λ~v4
48
Introdução à Análise de Sistemas Lineares
• Assim a representação de Jordan, em relação à base {~v1 , ~v2 , ~v3 , ~v4 } será:
λ 1 0 0
0 λ 1 0
J =
0 0 λ 1
0 0 0 λ
Considere agora que (A − λI) possui rank n − 2, isto é, nulidade 2. Então a equação
(A − λI)~q = 0
Ā = T −1 AT B̄ = T −1 B C̄ = CT D̄ = D
O sistema dado pelas equações (2.14) e (2.15) possui o mesmo comportamento dinâmico
do “original”(da representação “original”).
49
Introdução à Análise de Sistemas Lineares
1 1 −3 0
Ā = Λ = T −1 AT
Λ = diag{λ1, λ2 , . . . , λn }
No caso acima n = 3 e os autovalores de A são {λ1 , λ2 , λ3 }, sendo {−5, −3, −2}. Con-
hecidos A e Λ, tem-se que T vale:
0, 8018 0, 7071 0
T = 0, 2673 − 0, 7071 0, 7071
−0, 5345 0 0, 7071
.
As matrizes B̄ , C̄ e D̄ podem ser calculadas conhecida a matriz T .
50
Introdução à Análise de Sistemas Lineares
• Mostra-se que:
G(s) = C(sI − A)−1 B + D
Formas Companheiras
Formas Canônicas
51
Introdução à Análise de Sistemas Lineares
y(t) = [ 1 0 0 . . . 0 ]x(t)
• Essas duas formas (entre outras) são fáceis de serem obtidas a partir de g(s). Daı́
a denominação de companheiras.
• Nem sempre é fácil, dada uma g(s), encontrar uma “boa”representação no EE.
52
Introdução à Análise de Sistemas Lineares
Definição 2.7 Um sistema é dito ser controlável se todos seus estados são controláveis.
Dizer que um sistema é controlável equivale a dizer que o par (A, B) é controlável.
Definição 2.9 Um sistema é dito ser observável se todos seus estados são observáveis.
Dizer que um sistema é observável equivale a dizer que o par (C, A) é observável.
p′ A = λp′ p′ B = 0 ⇒ p ≡ 0
Ap = λp Cp = 0 ⇒ p ≡ 0
53
Introdução à Análise de Sistemas Lineares
• Na teoria das matrizes polinomiais, matrizes (sI −A) e B que satisfazem a condição
(2.18) são ditas serem primas relativas à esquerda (ou coprimas a esquerda), (rel-
atively left prime).
• matrizes C e (sI − A) que satisfazem a condição (2.19) são ditas serem primas
relativas à diretia (ou coprimas a direita), (relatively right prime).
i) (A, B) é controlável.
iii) A matriz de controlabiliade, C, dada abaixo possui posto (rank) completo para
a linha (full row rank).
h i
C = B AB A2 B . . . An−1 B
54
Introdução à Análise de Sistemas Lineares
iv) A matriz [(A − λI) B] possui posto (rank) completo em linha para todo λ ∈ C.
i) (A, C) é observável.
iii) A matriz de observabilidade, O, dada abaixo possui posto (rank) completo para
a coluna (full column rank).
h i
O = B AB A2 B . . . An−1 B
" #
(A − λI)
iv) A matriz possui posto (rank) completo em coluna para todo λ ∈ C.
C
v) Seja λ um autovalor com o correspondente autovetor y (à direita) de A, isto é, seja
Ay = λy. Então Cy 6= 0.
55
Introdução à Análise de Sistemas Lineares
β1 sn−1 + β2 sn−2 + · · · + β
g(s) = +e
sn + α1 sn−1 + · · · + αn−1 + αn
56
Introdução à Análise de Sistemas Lineares
• Então:
P = Ū U −1 e Q = U Ū −1
• Seja
Q ≡ [q1 q2 . . . qn ] ≡ P −1
• E sejam as relações:
x̄ = P x x = Qx̄
Ā = Q−1 AQ AQ = QĀ b̄ = Q−1 b c̄ = cQ
57
Introdução à Análise de Sistemas Lineares
x̄ = P x
P = V̄ −1 V Q = V −1 V̄
c
cA
V = ..
.
n−1
cA
c̄
c̄Ā
= V P −1 = V Q
V̄ = ..
.
n−1
c̄Ā
58
Introdução à Análise de Sistemas Lineares
1. (A,B) é estabilizável.
2. A matriz [A − λI, B] possui posto completo para linha para todo Reλ ≥ 0.
1. (C,A) é detectável.
" #
A − λI
2. A matriz possui posto completo para coluna para todo Reλ ≥ 0.
C
5. (A∗ , C ∗ ) é estabilizável.
Comentário 2.1
59
Introdução à Análise de Sistemas Lineares
sendo λi (A) o i-ésimo autovalor de A. Refere-se ao termo eλi (A)t como o modo associado
ao auto valor λi (A). Lembre-se que o autovalor λi safistaz
Api = λi pi
60
Introdução à Análise de Sistemas Lineares
Realização
• Encontrar uma realização a partir de uma matriz de transferência, G(s) não é uma
tarefa fácil. Encontrá-la na forma mı́nima é uma tarefa mais difı́cil ainda.
• Um caminho usual para encontrar tal representação é dado a partir dos pólos da
matriz G(s).
61
Introdução à Análise de Sistemas Lineares
• Em geral o pólo do sistema MIMO pode ser calculado a partir dos menores de
G(s).
2.13.1 Exercı́cio
1. Diga (sem fazer cálculo algum) qual é (ou quais são) o(s) pólo(s) do sistema dado
por G(s) " #
2 3
s+1 s+2
G(s) = 1 1
s+1 s+1
62
Introdução à Análise de Sistemas Lineares
2.14.1 Exercı́cio
1. Para as funções de transferência dadas a seguir, diga quais são os pólos e os zeros.
a)
4
g1 (s) =
(s + 1)(s + 2)
b)
−1
g2 (s) =
(s + 1)
c)
2
g3 (s) =
(s + 1)
d)
−1
g4 (s) =
2(s + 1)(s + 2)
e)
s+1
g5 (s) =
s2 − 1
2. Dada G(s) a seguir diga quais são seus pólos e zeros:
" #
4 −1
(s+1)(s+2) (s+1)
G(s) = 2 −1
(s+1) 2(s+1)(s+2)
63
Introdução à Análise de Sistemas Lineares
x̄ = T x
Assim o sistema original (dado por exemplo pelas equações 5.5) pode ser alterado para
(transformação de similaridade):
x̄˙ = T AT −1 x̄ + T Bu (2.23)
y = CT −1 x̄ + Du (2.24)
Essas equações representam o mesmo sistema original (para qualquer matriz T não
singular). Pode-se ver que a G(s) calculada a partir de A, B, C, D será a mesma se
calculada por Ā, B̄, C̄, D̄
C¯ = T C e Ō = OT −1
64
Introdução à Análise de Sistemas Lineares
65
Introdução à Análise de Sistemas Lineares
Teorema 2.14 Seja um sistema LTI descrito pelas equações ??. Então existe um trans-
formação de coordenadas (de similiaridade) efetuada por uma matriz T não singular,
do tipo x̄ = T x, tal que:
¯˙co
x Āco 0 Ā13 0 x̄co B̄co
x̄˙ x Ā
cō 21 Ācō Ā23 Ā24 x̄cō B̄cō
= + u (2.27)
x̄˙c̄x
o 0 0 Āc̄o 0 x̄c̄o 0
x̄c̄˙ ōx 0 0 Ā43 Āc̄ō x̄c̄ō 0
x̄co
h i x̄
cō
y = C̄co 0 C̄c̄o 0 + Du (2.28)
x̄c̄o
x̄c̄ō
ou equivalentemente:
Āco 0 Ā13 0 B̄co
Ā21 Ācō Ā23 Ā24 B̄cō
" #
−1
T AT TB
= 0 0 Āc̄o 0 0
CT −1 D
0 0 Ā43 Āc̄ō 0
C̄co 0 C̄c̄o 0 D
66
Introdução à Análise de Sistemas Lineares
onde x̄co é controlável e observável, x̄cō é controlável mas não é observável, x̄c̄o é ob-
servável mas não controlável e x̄c̄ō não é observável nem controlável.
A partir do teorema acima, tem-se o seguinte corolário
Considere a matriz de transferência H(s) que relaciona y(t) com u(t) pela relação:
Y (s) = H(s)U(s).
Então:
H = C(si − A)−1 B + D = C̄co(sI − Āco )−1 B̄co + D
2.15.2 Comentários I
• O corolário 2.14.1 mostra que as partes (ou os modos) não controláveis e não
observáveis de um sistema linear não aparecem na função (matriz) de transferência.
• Repare que G(s) sendo a mesma, usando-se (A, B, C, D) ou (Āco , B̄co , C̄co, D), o
comporatamento interno do sistema é completamente diferente.
2.15.3 Comentários II
Denota-se por Λ[M] o conjunto de autovalores de uma dada matriz quadrada M. Assim,
considerando-se essa notação, tem-se o seguinte resultado:
sendo:
67
Introdução à Análise de Sistemas Lineares
68
Introdução à Análise de Sistemas Lineares
• A estratégia usual para achar a matriz K em sistemas SISO não se aplica a sistemas
MIMO.
• Uma das abordagens MIMO para a escolha de K faz uso da otimização quadrática.
Para detalhes vide apêndice ??.
• Mostra-se (vide apêndice ??) que quando tf → ∞ a lei de controle que otimiza
essa função de custo possui a seguinte forma:
• Nessa caso, K = Ψ−1 B0T P , com P ∈ Rn×n sendo uma matriz P = P T ≥ 0, solução
da seguinte Equação de Riccati (ARE) Contı́nua:
69
Introdução à Análise de Sistemas Lineares
O teorema ?? mostra que, desde que o par (A0 , B0 ) seja estabilizável e (Ψ1/2 , A0 ) seja
detectável, então existe uma solução (não-negativa definida) única para a equação (5.4)
e que garante que a lei de controle (5.3) estabiliza a malha.
70
Introdução à Análise de Sistemas Lineares
d
x +
r + u + dt x y
b int c
+
+ +
Teorema 2.15 A equação dinâmica S1mf, (5.6), é controlável para qualquer vetor k,
1 × n se e somente se a equação S1, 5.5 for controlável.
71
Introdução à Análise de Sistemas Lineares
72
Introdução à Análise de Sistemas Lineares
forem “primos”, isto é, se não houver fator comum entre eles. Ou ainda, se não houver
cancelamento. Diz-se nesse caso que b(s)/a(s) são irredutı́veis.
Assim: " #
s+2 2
det(sI − A) = det = (s + 2)(s + 4)
0 s+4
e " #" #
h i s+2 2 1
Cadj(sI − A)B = 1 0 = (s + 2)
0 s+4 1
Logo,
(s + 2) 1
H(s) = =
(s + 2)(s + 4) (s + 4)
• Logo H(s) será sempre mı́nima.... (a menos que vc. coloque algum pólo igual a
um zero).
H
73
Introdução à Análise de Sistemas Lineares
α1 x1 + α2 x2 + · · · + αm xm = 0 (2.34)
α1 = 0, α2 = 0, . . . αn = 0,
sendo
βi = −αi /α1
A expressão dada em (2.36) é denominada combinação linear.
A dimensão do espaço linear pode ser definida como sendo o número máximo de
vetores LI no espaço. Um espaço Rn terá, no máximo n vetores LI.
74
Introdução à Análise de Sistemas Lineares
x = α1 q1 + α2 q2 + · · · + αn qn (2.37)
Q ≡ [q1 q2 . . . qn ]
75
Introdução à Análise de Sistemas Lineares
q1
q2
i2
0 i1
Figura 2.4: Vide [13] pg. 47. Representação de um vetor em diferentes bases.
76
Introdução à Análise de Sistemas Lineares
2.19.3 Exercı́cio
Para o exemplo 2.5, encontre a representação de x na base [i2 , q1 ] e na base [i1 , q1 . Faça
por construção (usando a figura) e por cálculo matricial.
4 3 1
1 3 −13
77
Introdução à Análise de Sistemas Lineares
h i 0
A(b) = b Ab A2 b 1
0
h i 0
A(Ab) = 2
b Ab A b 0
1
h i 17
A(A2 b) = b Ab A2 b −15
0 1 5
78
Introdução à Análise de Sistemas Lineares
x = Qx̄ y = Qȳ
com h i
Q= q1 q2 . . . qn (2.42)
sendo Q uma matriz não-singular n × n.
Levando (2.42) em (2.40) tem-se:
AQ = QĀ
ou ainda:
h i h i h i
A q1 q2 . . . qn = Aq1 Aq2 . . . Aqn = q1 q2 . . . qn Ā
A relação acima
h mostra que ia i-ésima coluna de Ā é a representação de Aqi em
relação à base q1 q2 . . . qn .
79
Introdução à Análise de Sistemas Lineares
R= 1Ω
R R
y
C
R R
C=1F C=1F
x2
x1
u
R= 1Ω R= 1Ω
80
Introdução à Análise de Sistemas Lineares
R= 1Ω
R R
x
u
y
C
R R
A figura 2.8 (a) apresenta outro circuito não observável (ou melhor, cuja repre-
sentação é não observável). O circuito possui duas variáveis de estado, x1 e x2 , sendo,
respectivamente, a corrente no indutor e a tensão no capacitor. A entrada u é uma fonte
de corrente. Se u = 0, o circuito pode ser visto como o da figura (b). Se x1 (0) = α,
com α sendo uma constante não nula e se x2 = 0, então a saı́da será nula. Qualquer
x(0) = [x1 (0) x2 (0)]′ = [α x2 (0)]′ resultará na mesma saı́da, y(t) = 0. Assim, não há
como determinar o valor do estado inicial ([α x2 (0)]′ ) unicamente e portanto a equação
que descreve o sistema é não observável.
81
Introdução à Análise de Sistemas Lineares
L=1H
x1
a)
x2
R=1 Ω C=1F y
u R=1 Ω
b) L=1H
x1
R=1 Ω x2
C=1F y
u R=1 Ω
• Autovalores e Autovetores.
• Polinômio caraceterı́stico.
• Estabilidade.
• Transformação de Similaridade.
• Controlabilidade e Observabilidade.
• Pólos e Zeros.
82
Introdução à Análise de Sistemas Lineares
• Realização Mı́nima.
• Realimentação de Estados.
83
Capı́tulo 3
• Apresentar métodos para, dada uma matriz racional G(s) encontrar sua realização.
84
Matrizes Polinomiais e Racionais
ẋ = Ax + Bu (3.1)
y = Cx + Du (3.2)
Teorema 3.1 Uma matriz polinomial A(s) é unimodular se e somente se sua inversa
é também uma matriz polinomial.
85
Matrizes Polinomiais e Racionais
Considere, agora duas matrizes polinomiais N(s) e D(s). Uma matriz polinomial
R(s) será chamada de divisor comum à direita de N(s) e D(s) se existirem as matrizes
N̄ (s) e M̄ (s), polinomiais, tais que:
Definição 3.3 O máximo divisor comum à direita (MDCD) (ou GCRD, great-
est commom right divisor) de duas matrizes N(s) e D(s) é uma matriz R(s) com as
seguintes propriedades:
2. Se R1 (s) é outro divisor comum de N(s) e D(s) , então R1 (s) é divisor comum
de R(s), isto é, existe uma matriz P (s) tal que R(s) = W (s)R1 (s) (ou seja R(s)
é múltiplo à esquerda de R1 (s)).
Definição 3.4 Duas matrizes polinomiais são primas relativas ou coprimas (a es-
querda ou direita) se seus MDCD (ou MDCE) são unimodulares. Esta definição
afirma que duas matrizes são coprimas se elas não possuirem fatores comuns. (Análogo
à números primos).
86
Matrizes Polinomiais e Racionais
Teorema 3.2 Considere uma matriz racional própria q × p com a fração coprima à
direita . Então para outra fração existe uma matriz polinomial p × p, não singular T (s)
tal que
N̄ (s) = N(s)T (s) e D̄(s) = D(s)T (s)
Se a fração for coprima à direita, então T (s) é unimodular.
Este teorema afirma que todas frações irredutı́veis são relacionadas por matrizes
unimodulares.
Comentário 3.2 (Resultado 1.1) Uma matriz polinomial P (s) de rank (posto) em
coluna completo é irredutı́vel se suas linhas são coprimas à direita. Vide [45], pg. 380.
87
Matrizes Polinomiais e Racionais
ẋ = Ax + Bu (3.3)
y = Cx + Du (3.4)
Comentário 3.3
88
Matrizes Polinomiais e Racionais
Definição 3.6 Seja uma matriz G(s) racional própria fatorada como
Assume-se que Dr (s) e Nr (s) são coprimas pela direita e Dl (s) e Nl (s) são coprimas
pela esquerda. Então o polinômio caracterı́stico de G(s) é definido como:
grau de G(s) = grau de [det (Dr (s))] ou grau de [det (Dr (s))]
89
Matrizes Polinomiais e Racionais
É possı́vel associar diferentes realizações a essa matriz, isto é, encontrar diferentes ma-
trizes A, B, C e D tais que:
1) Uma realização possı́vel é obtida a partir de realizações individuais para cada gij (s),
isto é:
2 −1
1 0
1 0
−2 3
A= −5 −3 9
1 0 0
0 1 0
−6 −9
1 0
" #T " #
1 0 0 0 1 0 0 0 0 0 1 0 1 1 0 0 0 0
B= e C=
0 0 1 0 1 0 0 1 0 0 0 1 0 1 0 −6 1 −2
2) Uma outra realização possı́vel pode ser obtida a partir de uma fatoração dos polinômios
de H(s):
90
Matrizes Polinomiais e Racionais
• Neste caso, tem-se um sistema com m entradas, Im é uma matriz identidade m×m.
A ordem dessa realização é r × m = 4 × 2 = 8.
• A ordem dessa realização (canônica) é rm. Pode-se obter uma dual, de ordem rp.
Pergunta:
3.5.1 Exercı́cios
1. Ler páginas 346 a 353 de [45].
91
Matrizes Polinomiais e Racionais
• Nesse caso d(s) possui grau r. Em geral as realizações (mais óbvias) possuem
ordem maior que r. Considera-se que a entrada é de ordem m. (existem m
entradas). Considera-se ainda que existam p saı́das.
• Nesse caso d(s) possui ordem r, como dado no inı́cio dessa subseção. Lembre-se
que a ordem de uma realização obtida (canônica do controlador ou observador era,
respectivamente, rm e rp.
92
Matrizes Polinomiais e Racionais
• Essas formas são semelhantes a fatoração de uma razão de polinômios (caso es-
calar).
• Com a diferença que no caso matricial deve-se atentar para a ordem da divisão.
Definem-se no caso matricial matrizes para o denominador a esquerda e a direita.
Ou seja:
H(s) = N1 (s)D −1 (s)
com grau[det[D1 (s)]] = 8.
H
93
Matrizes Polinomiais e Racionais
Podem ser obtidas outras fatorações para H(s) dada em (3.5). Vejamos...
1. Multiplique a primeira coluna de H(s) por p1 (s), sendo p1 (s) o mı́nimo múltiplo
comum (lcm, least common multiple) dos denominadores da primeira coluna.
Faça o mesmo com a segunda coluna. Nesse caso, p1 (s) = (s + 1)2 (s + 2)2 e
p2 (s) = (s + 2)2 . Assim:
" # " #
p1 (s) 0 s s
H(s) = que resulta em:
0 p2 (s) −s(s + 1)2 −s
3. É possı́vel definir uma quarta MFD, com grau[det[D4 ]] = 6 (na verdade pode-se
definir infinitas):
" #" #−1
s 0 0 −(s + 1)2 (s + 2)
H(s) =
−s s2 (s + 2)2 s+2
= N4 (s)D4 (s)−1
Pode-se mostrar que o menor grau da matriz denominador de H(s) é cinco, e portanto
a realização mı́nima possı́ivel é de ordem 5.
94
Matrizes Polinomiais e Racionais
• Dada uma MFD pode-se encontrar outras (infinitas) escolhendo-se matrizes não-
singulares, W (s) tais que:
• Assim,
H(s) = N(s)D −1 (s) = N̄(s)D̄ −1 (s)
• Sendo N(s) = N̄ (s)W (s) e D(s) = D̄(s)W (s), denomina-se W (s) de divisor a
direita de N(s) e de D(s).
• Além disso
deg[det[D(s)]] = deg[det[D̄(s)]] + deg[det[W (s)]] (3.6)
• Portanto:
deg[det[D(s)]] ≥ deg[det[D̄(s)]] (3.7)
• Assim, é natural esperar que, se for removido de N(s) e D(s) o máximo divisor
comum (a direita) (GCRD, greatest commom right divisor) então a MFD terá
a menor ordem possı́vel.
3.6.1 Exercı́cio
Analise a questão do GCRD a partir das equações (3.6) e (3.7). Qual a será a relação
entre os graus de deg[det[D(s)]] e deg[det[D̄(s)]] quando for extraı́do o GCRD ?
det[W (s)] = uma constante, não nula, (independente de s). Ou seja, grau 0).
95
Matrizes Polinomiais e Racionais
• Duas matrizes polinomiais N(s) e D(s) com o mesmo número de colunas são ditas
coprimas a direita se eles possuirem apenas divisores comuns (a direita) que sejam
unimodulares.
• Uma MFD H(s) = N(s)D −1 (s) é dita ser irredutı́vel se N(s) e D(s) forem coprimas
a direita.
• MFD’s irredutı́veis não são únicas, pois pode-se fazer: N(s)W (s)[D(s)W (s)]−1,
com W (s) unimodular.
−1
H(s) = NR (s)DR (s)
• Além disso sabe-se que a menor ordem dos denominadores das MFD’s (direita e
esquerda) de H(s) será a ordem da menor realização de H(s). (Lembre-se que
MFD’s são uma extensão das fatorações em sistemas escalares).
96
Matrizes Polinomiais e Racionais
3.6.2 Exercı́cios
Sejam:
1 0 0 0 1 0
A = 0 −1 0 B= 1 e C ′ = −1 2
0 0 −3 1 0 1
97
Matrizes Polinomiais e Racionais
• O conceito de pólos e zeros para sistemas MIMO não é trivial. Dentre as várias
definições e interpretações para pólos e zeros, adotaremos as realizadas via forma
de Smith-McMillan.
98
Matrizes Polinomiais e Racionais
• As operações elementares são realizadas por multiplicações (pré ou pós) por ma-
trizes elementares.
0 1 0 0 1 0 0 0 1
99
Matrizes Polinomiais e Racionais
100
Matrizes Polinomiais e Racionais
4. Se m > r, não se pode afirmar nada sobre os elementos das úlitmas m − r colunas
e sobre as primeiras r linhas.
Comentários
• Pode-se definir, analogamente, a forma de Hermite para linha. Para isso, troque no
teorema anterior as ”linhas”por ”colunas”e ”pré”multiplicação por ”pós”multiplicação.
Exemplo 3.2 Os seguintes passos transformam a matriz G(s) na sua forma de Her-
mite.
s2 0
G(s) = 0 s2
1 s+1
Passo 1:
s2 0 1 (s + 1)
0 s2 −→ 0 s2
1 s+1 s2 0
Passo 2:
1 (s + 1) 1 (s + 1)
0 s2 −→ 0 s2
2 2
s 0 0 −s (s + 1)
Passo 3:
1 (s + 1) 1 (s + 1)
0 s2 −→ 0 s2
0 −s2 (s + 1) 0 0
101
Matrizes Polinomiais e Racionais
3.8.2 Exercı́cio
1. Descreva, para as transformações acima, quais foram as operações realizadas.
1 s + 1 s2
102
Matrizes Polinomiais e Racionais
1. Menores de ordem 1: são os próprios elementos. Logo todos tem o mesmo denom-
inador: 1, 25(s + 1)(s + 2)
(s − 1)(s − 2) + 6s 1
det(G(s)) = = 2
1, 25(s + 1)(s + 2) 1, 25 (s + 1)(s + 2)
φ = (s + 1)(s + 2)
10)
103
Matrizes Polinomiais e Racionais
φ = (s + 1)(s + 2)2 (s − 1)
• Repare que os pólos dos sistemas MIMO são os próprios pólos dos seus elementos.
A questão é a sua multiplicidade.
3.9.2 Exercı́cios
1. Econtre duas relizações para as funções G(s) dadas nos dois exemplos anteriores.
104
Matrizes Polinomiais e Racionais
• Zeros de sistemas dinâmicos são valores os quais a saı́da é nula quando a(s) en-
trada(s) não o é(são).
• Essa “efeito”de se ter a saı́da nula para entrada não nula é atribuı́do a uma “com-
petição interna”ao sistema (ocasionada pela presença de zeros).
• Para sistemas SISO, zeros zi são calculados pela solução de G(zi ) = 0. (“perda de
posto: de 1 para 0”)
• Em geral define-se:
z(s) = Πni=1
z
(s − zi )
• Repare que essa definição vale tanto para sistemas MIMO quanto para SISO.
• Essa definição considera a matriz G(s) associada a uma realização mı́nima. Tais
zeros são denominados zeros de transmissão.
105
Matrizes Polinomiais e Racionais
" #
(sI − A) −B
P (s) =
C D
• Nesse caso os zeros z são os valores,s = z tais que P (s) perde rank, resultando em
uma saı́da nula para alguma entrada não nula.
• Os zeros podem ser encontrados a partir das soluções não triviais para o seguinte
problema: " #
xz
(zIg − M) =0
uz
" # " #
A B I 0
M= e Ig =
C D 0 0
106
Matrizes Polinomiais e Racionais
z(s) = s − 4
• Em geral, os zeros do sistema MIMO não estão associados ao zeros dos elementos.
3.10.3 Exercı́cio
Obtenha os zeros dos sistemas dados nos exemplos 3.3 e 3.4
3.10.4 Exercı́cio
Encontre os pólos e zeros da matriz G(s) dada abaixo.
" #
4 −1
(s+1)(s+2) (s+1)
G(s) = 2 −1
(s+1) 2(s+1)(s+2)
107
Matrizes Polinomiais e Racionais
λi (s)|λi+1 (s), i = 1, . . . , r − 1
pode-se definir:
∆i (s)
λi (s) = ∆0 (s) = 1
∆i−1 (s)
108
Matrizes Polinomiais e Racionais
O mı́nimo denominador comum de Gij (s) é d(s) = s2 + 3s + 2 e portanto G(s) pode ser
escrita como:
1 −1
1
G(s) = 2 s2 + s − 4 2s2 − s − 8 (3.11)
s + 3s + 2
(s − 2)(s + 2) (2s − 4)(s + 2)
1
= N(s) (3.12)
d(s)
• Vamos calcular a forma de Smith para a matriz polinomial N(s)
∆0 (s) = 1 (3.15)
∆1 (s) = gcd 1, −1, s2 + s − 4, 2s2 − s − 8, s2 − 4, 2s2 − 8 = 1
(3.16)
( )
1 −1 1 −1 s2 + s − 4 2s2 − s − 8
∆2 (s) = gcd 2 , ,
s + s − 4 2s2 − s − 8 s2 − 4 2s2 − 8 s2 − 4 2s2 − 8
(3.17)
= gcd 3(s2 − 4), 3(s2 − 4), 3s(s2 − 4) = s2 − 4 = (s + 2)(s − 2)
(3.18)
109
Matrizes Polinomiais e Racionais
onde gcd indica o maior divisor comum (greatest common divisor). Assim,
D1 (s)
λ1 (s) = =1 (3.19)
D0 (s)
D2 (s)
λ2 (s) = = (s + 2)(s − 2) (3.20)
D1 (s)
0 0
H
110
Matrizes Polinomiais e Racionais
Teorema 3.11 [96]: Seja G(s) ∈ Rp uma matriz de transferência racional real. Então
existem matrizes unimodulares L(s) e R(s) tais que:
α1 (s)
0 ··· 0 0
β1 (s) αi (s)
0 0 ··· 0
βi (s)
.. . .. ..
L(s)G(s)R(s) = M(s) := . .. . ..
(3.22)
. .
0 αn (s)
0 · · · βn (s) 0
0 0 ··· 0 0
Definição 3.10 O polinômio p(s) (ou φ(s)) é denominado polinômio dos pólos. (ou
polinômio caracterı́sito)
p(s) = β1 .β2 · · · βn (3.23)
2. Determine a forma de Smith para N(s), isto é, encontre S(s) ∼ N(s) da forma:
111
Matrizes Polinomiais e Racionais
Repare que os fatores comuns foram cancelados. Os polinômios dos pólos e dos zeros
são dados por
112
Matrizes Polinomiais e Racionais
113
Matrizes Polinomiais e Racionais
X(s)N(s) + Y (s)D(s) = I
• Matrizes coprimas:
• Forma de Hermite:
• Forma de Smith:
Exercı́cio
Dados os termos acima, defina-os, conforme apresentado nas seções anteriores. Dê ex-
emplos.
114
Matrizes Polinomiais e Racionais
Definição 3.15 Se G(s) = N(s)D −1 (s) e N(s) e D(s) são coprimas a direita, então
N(s)D −1 (s) é uma MFD-coprima a direita de G(s)
♦
Existem definições análogas as feitas acima para MFD a esquerda.
Definição 3.16 Se N(s)D −1 (s) é uma MFD-coprima a direita de G(s) então o grau
de D(s) é chamando de Grau de McMillan de G(s)
♦
Teorema 3.13 ([?],pg. 439) Qualquer realização de uma MFD cuja ordem é igual
ao grau do determinante da “matriz denominador”será mı́nima (ou, equivalentemente
observável e controlável) se e somente se a MFD for irredutı́vel.
Definição 3.17 O rank (posto) de uma matriz polinomial é o rank da matriz para
“quase todos os valores de s”
♦
Definição 3.18 Diz-se que uma matriz polinomial possui rank (normal) igual a r se r
é a máxima ordem entre todos os menores não nulos.
♦
Definição 3.19 O rank nominal de uma matriz racional é a ordem do menor não nulo
de máxima ordem da matriz.
115
Matrizes Polinomiais e Racionais
Definição 3.20 Uma matriz polinomial P (s) é dita ser não-singular se seu determi-
nante é diferente de zero, isto é, se
det[P (s)] 6= 0.
Uma matriz polinomial é singular se seu determinante é nulo (para todo valor de s).
♦
116
Matrizes Polinomiais e Racionais
Comentários
• Porém a matriz Q(s) do exemplo acima é singula para s = 1, isto é, seu determi-
nante é nulo para s = 1.
• A matriz Q(s) possui rank (normal) igual ao 2. Porém ela “perde rank”(isto é,
torna-se singular) para s = 1. Em s = 1 seu rank é dois.
• A matriz P (s) possui rank 1, pois o menor de maior ordem não nulo é o próprio
elemento (ordem 1).
det[D(s0 )] = 0
♦
Lema 3.4 Seja (A, B, C) uma realização mı́nima de uma matriz de transferência G(s)
estritamente própria. Então s0 é um pólo de G(s) se e somente se s0 é um autovalor
de A.
Teorema 3.14 Seja G(s) uma matriz de transferência com uma realização mı́nima
(A, B, C). Então as seguintes afirmações são equivalentes:
i) s0 é um pólo de G(s)
ii) s0 é um autovalor de A
117
Matrizes Polinomiais e Racionais
Definição 3.22 Seja G(s) com uma fatoração coprima N(s)D −1 (s). Então s0 é um
zero de transmissão de G(s) se:
(Isto é, o rank de N(s) é menor que o seu rank normal em s = s0 ). Diz-se que N(s)
“perde”rank em s = s0 .
♦
Lema 3.5 Seja (A, B, C) uma realização mı́nima de G(s). Então s0 é um zero de
transmissão de G(s) se e somente se:
" # (" #)
s0 I − A B sI − A B
rank < max rank
−C 0 s∈C −C 0
Teorema 3.15 Seja G(s) uma matriz de transferência com uma realização mı́nima
(A, B, C), sendo B n × m. Então as seguintes afirmações são equivalentes:
i) " #
s0 I − A B
rank <n+m
−C 0
Rt
ii) ∃u0 6= 0, x0 tal que CeAt x0 + 0
CeA(t−σ) Bu0 es0 σ ≡ 0.
Comentário 3.4
118
Matrizes Polinomiais e Racionais
sendo " #
diag{ǫi (s)/ψi (s)} 0
M(s) = (3.32)
0 0
sendo que
Esta alternativa para a ”ordem mı́nima“ que coincide com o grau de McMillan era
interessante do ponto de vista de construção do modelo, em termo de utilização de
capacitores e indutores, necessários para representar (“realizar”) uma matriz H(s).
1
A técnica de Gilbert é utilizada para encontrar realizações a partir de matrizes de transferência.
Ela parte da condição de que o denominador dos pólos, d(s) tenha raı́zes distintas.
119
Matrizes Polinomiais e Racionais
O resultado de Kalman, 3.36, mostrou que se H(s) fosse realizada com integradores
(amp. op.’s), então o grau de McMillan seria a ordem mı́nima do sistema.
A partir da representação de Smith-McMillan é possı́vel obter uma MFD.
• Pode-se escrever M(s) como uma MFDR (MFD a direita) ou MFDL (MFD a
esquerda):
M(s) = E(s)Ψ−1 −1
R (s) = ΨL (s)E(s) sendo :
" #
diag{ǫi } 0
E(s) = , p×m
0 0
" #
diag{ψi } 0
ΨR (s) = , m×m
0 Im−r
" #
diag{ψi } 0
ΨL (s) = .
0 Ip−r
• Sendo {ǫi (s), ψi (s)}, i = 1, . . . , r coprimos implica que as matrizes {E(s), ΨR (s)}
serão coprimas e portanto as matrizes N0 e D0 dadas abaixo também o são:
• Isto é verdade pois {U(s), V (s)} são matrizes unimodulares. Pode-se agora escr-
ever H(s) como uma MFD irredutı́vel:
H(s) = [U(s)E(s)][Ψ−1 −1
R (s)V (s)] = N0 (s)D0 (s)
Nota-se ainda que a equação (3.36) é resultado direto do teorema 3.13, isto é:
X
nmin = deg{det[D0 (s)]} = deg{det[ΨR (s)]} = degψi(s) =grau de McMillan de H(s)
120
Matrizes Polinomiais e Racionais
121
Capı́tulo 4
Interação e Desacoplamento em
Sistemas MIMO
4.1 Motivação
• Considere os três exemplos de sistemas MIMO dados na figura 4.1.
• Para o separador gás-lı́quido de (c), a vazão de saı́da do gás, G tem um efeito direto
na pressão P e um efeito indireto no nı́vel do lı́quido, h (pois mudando a pressão
no vaso haverá mudança na vazão do lı́quido, L, que afeta h). Ao contrário, a
outra variável manipulada (L no caso) afeta h diretamente, o que resulta em um
efeito (indireto) em P (ainda que pequeno).
122
Interação e Desacoplamento em Sistemas MIMO
• A MGR tornou-se uma ferramenta bastante comum para análise e projeto, prin-
cipalmente no meio industrial [56]. A MGR (original) trata de ganhos estáticos.
Figura 4.1:
123
Interação e Desacoplamento em Sistemas MIMO
Considere um processo com duas entradas e duas saı́das, como mostrado na figura
4.2. Os seguintes experimentos podem ser realizados.
1. Considere m2 constante. Varie m1 segundo um degrau de amplitude ∆m1 e ar-
mazene a nova saı́da, y1 . Seja ∆y1 a variação causada em y1 .
124
Interação e Desacoplamento em Sistemas MIMO
• Isto é, com y2 constante (mantido graças ao controle existente na malha 2).
A razão entre os dois ganhos acima é o denominado ganho relativo entre a saı́da y1 e
a entrada m1 , dado por: h i
∆y1
∆m1
λ11 = h im2
∆y1
∆m1
y2
Esse ganho relativo é útil para se medir o grau da interação entre as malhas,
isto é:
1. Se λ11 = 0 então o ganho de malha aberta (entre m11 e y11 ) é zero, isto é, y1 não
responde a variações de m1 (com a outra malha aberta). Portanto m1 não pode
ser usado para controlar y1 .
3. Se 0 < λ11 < 1 então existe uma interação e variações de m2 (no sentido de manter
y2 constante) afetam o valor em regime de y1 . Quanto menor for o valor de
λ11 , maior será a interação. (denominador maior implica em um ganho para m2
variando maior...).
125
Interação e Desacoplamento em Sistemas MIMO
• Os valores desse ganhos podem ser usado para medir a interação entre as re-
spectivas malhas.
4.4 Exemplo I
1) Considere as duas possibilidades para controle do sistema da figura 4.3. Na figura
tem-se duas possibilidades para se controlar as variáveis y1 e y2 .
126
Interação e Desacoplamento em Sistemas MIMO
• Para o caso 2 × 2 é necessário apenas conhecer λ para uma malha. Os outros são
conhecidos pelas relações anteriores.
– Para essa MGR é óbvio que as duas malhas não interagem entre si.
– Portanto, para se escolher o emparelhamento, deve-se ter m1 controlando
y1 e m2 , y2 .
2. λ11 = 0. Nesse caso a MGR é:
" #
0 1
Λ=
1 0
127
Interação e Desacoplamento em Sistemas MIMO
128
Interação e Desacoplamento em Sistemas MIMO
• O termo (∂Ci /∂Mj )C pode ser interpretado como o ganho de malha fechada
que relaciona Mj com Ci quando todas as outras malhas são fechadas.
129
Interação e Desacoplamento em Sistemas MIMO
Caso Estático
É conveniente arrumar a matriz de ganhos relativos, MGR ou RGA (relative gain array),
denotada por Λ, como na equação dada a seguir.
M1 M2 . . . Mn
C1
λ11 λ12 . . . λ1n
C2 λ
21 λ22 . . . λ2n
Λ= . (4.1)
..
. . . ... ... ...
Cn λn1 λn2 . . . λnn
C1
M1
M2 processo C2
Mn Cn
(∂Ci /∂Mj )M
λij = (4.2)
(∂Ci /∂Mj )C
130
Interação e Desacoplamento em Sistemas MIMO
Seja o sistema:
sendo Kij o ganho em estado estacionário entre Ci e Mj . Esse sistema pode ser escrito
como:
C = KM (4.5)
O ganho em estado estacionário em (4.5), está relacionado com a equação dinâmica
(C(s) = Gp (s)M(s)) por:
K = Gp (0) = lim Gp (s) (4.6)
s→0
Para se calcular λ11 faz-se:
∂C1
= K11 (4.7)
∂M1 M2
∂C1
Antes de calcular ∂M 1
a partir de (4.3), deve-se eliminar M2 . Isso é feito resolvendo-se
(4.4) para M2 com C2 = 0
K21
M2 = − M1 (4.8)
K22
levando em (4.3) resulta em
K12 K21
C1 = K − 1 1 − M1 (4.9)
K11 K22
Segue-se que:
∂C1 K12 K21
= K11 1 − (4.10)
∂M1 C2 K11 K22
Substituindo as equações (4.7) e (4.10) em (4.2) tem-se a equação para o ganho rela-
tivo:
1
λ11 = K12 K21
(4.11)
1 − K11 K22
Já que cada o total da soma de cada coluna de Λ em (??) é 1, os outros ganhos são
calculados facilmente:
λ12 = λ21 = 1 − λ11 λ22 = λ11 (4.12)
Assim a RGA (para um sistema c) é dada por:
" #
λ 1−λ
Λ= (4.13)
1−λ λ
131
Interação e Desacoplamento em Sistemas MIMO
sendo:
Kij = o (i, j)−ésimo elemento de K dado na equação 4.5
e
Hij = o (i, j)−ésimo elemento de K = (K −1 )T
(isto é, H(ij) é o elemento ((i, j)-ésimo) da transposta da inversa da matriz de ganhos.
Alguns Comentários
Comentário 4.1
Nesse caso a malha 1 não afeta a segunda malha (K21 = 0). Entretanto a malha 2
afeta a malha 1.
132
Interação e Desacoplamento em Sistemas MIMO
4.7 Exemplo II
Exemplo 4.1 [82], pg. 501]
Considere o processo dado por:
1 1
y¯1 = m̄1 + m̄2 (4.14)
s+1 0, 1s + 1
−0, 2 0, 8
y¯2 = m̄1 + m̄2 (4.15)
0, 5s + 1 s+1
(4.16)
1. Aplique um degrau em m1 (isto é, m̄1 = 1/s), mantendo-se m2 constante (isto é,
m̄2 = 0). Assim a partir de 4.14:
1 1
y¯1 =
s+1s
• Nesse caso, pelo teorema do valor final:
1
y1 (∞) = lim[sy¯1 (s)] = lim =1
s←0 s←0 s+1
• Logo:
∆y1
= 1/1 = 1
∆m1 m2
133
Interação e Desacoplamento em Sistemas MIMO
• Conclui-se portanto que o emparelhamento deve ser dado por m1 −y1 e m2 −y2 ,
para que as malhas tenham a menor interação possı́vel.
H
4.8 Exemplo-III
As duas possibilidades mencionadas na figura 4.3 podem ser ilustradas no problema de
mistura de duas composições, como é mostrado na figura 4.5.
134
Interação e Desacoplamento em Sistemas MIMO
F = F1 + F2 (4.17)
Fx = F1 x1 + F2 x2 (4.18)
• Suponha que se deseja uma operação com os valores em estado estacionário dados
por:
F = 200(mol/hr) e x = 60% em moles
(∆F/∆F1 )F2 1
λ11 = = = 0, 6
(∆F/∆F1 )x 1, 67
135
Interação e Desacoplamento em Sistemas MIMO
2. Apesar da interação entre as duas malhas definidas como dito acima ser a menor
possı́vel, ela ainda é significante. Dessa forma, qualquer ação de controle que
tentar regular F , por exemplo, estará afetando a variável x (e vice-versa).
H
136
Interação e Desacoplamento em Sistemas MIMO
7. Se a soma dos elementos de uma coluna da RGA é pequena (<< 1) então pode-se
deletar a entrada correspondente (isto é, pode-se desconsiderá-la). Se todos os ele-
mentos de uma linha da RGA são pequenos (<< 1), então a saı́da correspondente
não pode ser controlada.
lambda=g.*(pinv(g)).’
137
Interação e Desacoplamento em Sistemas MIMO
G = pck(A,B,C,D);
omega = logspace(-2,2,41);
Gw = frsp(G,omega);
RGA = veval(’.*’,Gf,vpinv(vtp(Gf)));
Para calcular a RGA, troque 1/s por I (por exemplo). Calcule a RGA quando I tende
a infinito. " #
−1, 318 −I/3
K=
0, 038 0, 36I
" #
0, 97 0, 03
Λ=
0, 03 0, 97
H
138
Interação e Desacoplamento em Sistemas MIMO
4.10 Desacoplamento
4.10.1 Introdução
• A MGR indica como as entradas estão acopladas com as saı́das e recomenda como
formar malhas que reduzam essas interações.
• Na práticas essas vantagens (teóricas) não são totalmente aplicáveis, devido às
imperfeições do modelo.
139
Interação e Desacoplamento em Sistemas MIMO
Figura 4.6:
• Mas M11 6= 0, já que M11 é a saı́da do controlador. Assim, para satisfazer (4.20),
deve-se ter:
Gp21 + Gp22 D21 = 0. (4.21)
140
Interação e Desacoplamento em Sistemas MIMO
Da mesma forma, pode-se deduzir uma expressão para D12 (s), a partir da condição de
que M22 não deve afetar C1 , isto é:
Gp12(s)
D12 (s) = − (4.23)
Gp11 (s)
4.10.4 Exemplo
Exemplo 4.5 ([56], pg. 465)
Um dado processo possui a seguinte matriz de transferência:
" #
5 −5s 2 −4s
4s+1
e 8s+1
e
Gp (s) = 3 −3s 6
12s+1
e 10s+1
e−3s
141
Interação e Desacoplamento em Sistemas MIMO
• Existem outras possibilidades para lidar com sistemas acoplados do ponto de vista
do desacoplamento. Marlin, [54] apresenta, no capı́tulo 21 de [54] mais duas pos-
sibilidades: alterar as variáveis manipuladas ou alterar as variáveis controladas.
Vide também Seborg, [56], pg 462.
142
Interação e Desacoplamento em Sistemas MIMO
Buscar-se á uma forma de tornar G(s) totalmente desacoplada, isto é diagonal (e não
singular), a partir de uma realimentação de estados do tipo:
u(t) = Kx + Hr (4.26)
143
Interação e Desacoplamento em Sistemas MIMO
Analogamente, d2 = 1 e
h i
E2 = lim s2 1
s2 +2s+1
3
s2 +s+4
= [1 3]
s→∞
H
Teorema 4.1 Um sistema com matriz de transferência G(s) pode ser desacoplado por
uma realimentação de estados da forma u = Kx + HR se e somente se a matriz con-
stante:
E1
E2
E= .. ,
.
Ep
for não-singular.
O sistema será desacoplado se:
K = −E −1 F e H = E −1
sendo:
C1 Ad1 +1
.
F ≡ C2 Ad2 +1 .. .
Cp Adp +1
Nesse caso, tem-se que Gi (s) e Ci são é a i-ésima linha de de G(s) e de C, respectiva-
mente, sendo que:
Gi (s) = ci (sI − A)−1 B
144
Interação e Desacoplamento em Sistemas MIMO
• Para sistemas MIMO, G(jω) passa a ser uma matriz complexa, de tal forma que
não existe uma associação direta (como no caso SISO) entre ganhos e âgulos com
a resposta frequencial (relacionada com entrada de sinais periódicos).
145
Interação e Desacoplamento em Sistemas MIMO
♦
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:
n
X
||x||1 = |xi |
i=1
v
u n
uX √
||x||2 = t |xi |2 = x⋆ x
i=1
Importante
• A normal matricial como dada acima é uma norma induzida. Ela é induzida
pelos vetores (de norma-p).
146
Interação e Desacoplamento em Sistemas MIMO
||G(jω)u||2 p
||G(jω)||2 = sup = max λi (G⋆ (jω)G(jω))
u∈C,u6=0 ||u||2 i
4.12.4 Observação
A norma H∞ (distinta da norma (induzida) infinita) de G(s), está relacionada com a
máxima norma do vetor de entrada, isto é:
||y(t)||2
norma H∞ : ||G(jω)| ∞ = max =
d(t) ||d(t)||2
147
Interação e Desacoplamento em Sistemas MIMO
importante notar que não haverá dependência apenas no ganho, mas sim da direção. Se
por exemplo, for calculado uma norma sobre todos os valores de freqüência sobres as
quais procura-se o máximo ganho, tem-se a definição da norma-2 de G(jω) como dada
acima. Essa norma-2 é definida como sendo o máximo valor singular de G(jω), ou
seja:
p
σ̄[G(jω)] = max λi (G⋆ (jω)G(jω))
i
Esse valor é o valor máximo, em qualquer direção, que o vetor de saı́da pode ter (ele
fornece a máxima amplificação do sistema).
Definição 4.5 A morma H∞ será o maior valor singular percorrida todas as freqüências.
Isto é:
||G(s)| ∞ = max σ(M(jω))¯
ω
||G(jω)u||2 p
σ[G(jω)] = inf = max λi (G⋆ (jω)G(jω))
u∈C,u6=0 ||u||2 i
Lema 4.1 Os valoes singulares de uma matriz complexa A ∈ C m×n , denotados por
σi (A) são definidos como os k maiores valores (não negativos) da raiz quadrada dos
autovalores de A⋆ A, onde k = min{n, m}. Assim,
p
σi = λi (A⋆ )A) i = 1, 2, . . . , k.
A razão entre os valores singulares máximo e mı́nimo é o número de condicionamento
de uma matriz:
σ̄(A)
κ(A) ( ou γ(G)) =
σ(A)
148
Interação e Desacoplamento em Sistemas MIMO
Ati = λi ti (4.35)
qiT A = λi qiT (4.36)
(4.37)
149
Interação e Desacoplamento em Sistemas MIMO
Tanto os valores singulares quanto os autovalores são medidas de ganho para o sistema.
Entretanto os autovalores só informam os ganhos na direção do autovalor, enquanto que
os valores singulares são uma medida de ganho nas direções definidas pelos vetores ui e
vi que são as colunas das matrizes U e V definidas na DVS, na equação (4.32).
4.12.8 Interpretação
A DVS para uma matriz real A pode ser interpretada da seguinte forma. Qualquer
matriz real mapeia um espaço em outro (uma hiper-esfera em um hiper-elisóide). Os
valores singulares de A, σi (A) especificam o comprimento do eixo principal do
elipsóide, que é a superfı́cie mapeada. Os vetores singulares ui especificam as direções
(ortogonais) desses eixos principais . Os vetores vi são mapeados nos vetores ui , de
forma que se tem:
Avi = σi ui
150
Interação e Desacoplamento em Sistemas MIMO
• Nesse caso, como visto anterirmente, Σ é uma matriz com k = min{m, n} val-
ores singulares não negativos, σi , arranjados em ordem decrescente de valor, na
diagonal principal, e com os outros elementos nulos. Os valores singulares são as
raizes quadradas dos autovalores de GT G (na verdade GH G, sendo GH o complexo
conjugado de G), isto é:
p
σi = λi [GH G]
151
Interação e Desacoplamento em Sistemas MIMO
4.13.1 Importante
Como comentado, pode-se mostrar que o maior ganho, para qualquer direção é igual
ao valor singular máximo:
||Gd||2 ||Gv1 ||2
σ̄[G] ≡ σ1 [G] = max =
d6=0 ||d||2 ||v1 ||2
Além disso, o menor ganho para qualquer direção é igual ao valor singular mı́nimo:
||Gd||2 ||Gvk ||2
σ(G) ≡ σk (G) = min =
d6=0 ||d||2 ||vk ||2
sendo k = min(l, m) (para uma matriz G l × m). Para qualquer vetor d, tem-se que:
||Gd||2
σ[G] ≤ ≤ σ̄[G]
||d||2
Tem-se ainda que:
Gv1 = σ̄u1
e
Gvk = σuk
• Defina v1 = v̄ e u1 = ū. vk = v e uk = u.
152
Interação e Desacoplamento em Sistemas MIMO
Tem-se que:
G = UΣV
com: " #" #" #
0, 872 0, 490 7, 343 0 0, 794 −0, 608
G=
0, 490 −0, 872 0 0, 272
0, 608 0, 794
" #
0, 794
O maior ganho é 7,343, para uma entrada na direção e o menor ganho é
0, 608
" #
−0, 608
0, 272 na direçào de entrada v = .
0, 794
153
Interação e Desacoplamento em Sistemas MIMO
4.14 Adendos
4.14.1 Estruturas para Controladores
+ r u
r u y +
Fr Fy G
Fr G
Fy
(b)
Figura 4.7:
• Uma configuração possı́vel para um sistema de controle é o dado na figura 4.7 (a).
u = Fy (r − y)
u = fy (F̃r r − y)
154
Interação e Desacoplamento em Sistemas MIMO
d
x +
r + dt x y
u
b int c
+ +
u(t) = Kx + Hr
d
x +
r + u + dt x y
H B int C
+
+ +
155
Interação e Desacoplamento em Sistemas MIMO
Fm = FA + FS (4.39)
Fm Xm = FA XA + FS XS (4.40)
sendo:
Fm Fm2
logo:
′
FA + FS ′ FA (FA + fS )
2
FA − 2
Fm FM
156
Interação e Desacoplamento em Sistemas MIMO
assim: ′ ′ ′ ′
′ FA FA FS FA FA FA FA FS
Xm (t) = + − −
Fm2 Fm2 Fm2 Fm2
que resulta em:
′ FS ′ FA ′
Xm (t) = FA (t) + − FS (t)
(FS + FA )2 ) (FS + FA )2 )
157
Capı́tulo 5
5.1 Introdução
• Nesse capı́tulo são apresentados resultados para o projeto de controladores para a
formulação no espaço de estados.
158
Alocação de Pólos em Sistemas MIMO
• Uma das abordagens MIMO para a escolha de K faz uso da otimização quadrática.
Para detalhes vide apêndice ??. Em linhas gerais, a idéia central desse projeto
é encontrar K a partir de um problema de minimização de uma função de custo
quadrática, da forma:
Z t−r
x(t)T Ψx(t) + u(t)T Φu(t) dt.
J=
0
• Mostra-se (vide apêndice ??) que quando tf → ∞ a lei de controle que otimiza
essa função de custo possui a seguinte forma:
u(t) = −Kx(t). (5.3)
• Nessa caso, K = Ψ−1 B0T P , com P ∈ Rn×n sendo uma matriz P = P T ≥ 0, solução
da seguinte Equação de Riccati (ARE) Contı́nua1
:
0 = Φ + AT0 P + P A0 − P B0T Ψ−1 B0 P (5.4)
5.2.1 Considerações
Considere-se o sistema S1 dado na equação (5.5).
ẋ = Ax + bu
S1 : (5.5)
y = cx + dy
159
Alocação de Pólos em Sistemas MIMO
d
x +
r + u + dt x y
b int c
+
+ +
Teorema 5.1 A equação dinâmica S1mf, (5.6), é controlável para qualquer vetor k,
1 × n se e somente se a equação S1, 5.5 for controlável.
160
Alocação de Pólos em Sistemas MIMO
• Embora a realimentação de estados preserve a controlabilidade, ela quase sempre
altera a propriedade da observabilidade, no sentido de “destruı́-la”, isto é o sistema
em malha fechada não é mais observável.
161
Alocação de Pólos em Sistemas MIMO
∆mf (s) = det(sI − A − bk) = s4 + (2k4 − k2 )s3 + (2k3 − k1 − 5)s2 + 3k2 s + 3k1
¯
Comparando-se os coeficientes de ∆mf (s) com os de ∆(s) tem-se:
4 10 63 25
k1 = k2 = k3 = k4 =
3 3 8 6
Assim, a realimentação de estados:
4 10 63 25
u(t) = r(t) + [ ]x
3 3 8 6
resulta em uma malha fechada com os autovalores nos locais desados.
α(s) = sn + α1 sn−1 + · · · + αn ,
162
Alocação de Pólos em Sistemas MIMO
Portanto,
ak (s) − a(s) = a(s)k(sI − A)−1 b (5.9)
Sendo, ambos os lados da equação acima polinômios em s, k pode ser determinado
igualando-se os coeficientes das potências em s de mesma ordem. Para fazer isto, use a
relação:
1 n−1
(sI − A)−1 = [s I + sn−2 (A + ai I) + sn−3 (A2 + a1 A + a2 I) + . . . ], (5.10)
a(s)
α − a = kCAT−
sendo:
α = [α1 α2 αn ] a = [a1 a2 . . . an ],
C = [b Ab . . . An−1 b] (5.11)
163
Alocação de Pólos em Sistemas MIMO
e AT− =uma matriz Toeplitz triangular inferior com a primeira coluna sendo:
[1 a1 . . . an−1 ]T .
Sendo a matriz AT− sempre não singular, pode-se resolver (5.11) para k, com α e a
arbitrários, se e somente se, C for não singular. Assim, provou-se que:
A realimentação de estados pode fornecer uma realocação arbitrária dos autovalores
da realização [A, b, c] se e somente se C, sendo
C = [b Ab . . . An−1 b],
k = (α − a)A−T
− C
−1
(5.12)
sendo
A−T −1 T
− ≡ [A− ]
Toeplitz Matrix
(vide [45], pg. 648) Uma mattriz é dita ser uma Matrix Toeplitz se seu elemento (i, j)
depende apenas do valor de i − j. Desta forma a matrix de Toeplitz será constante ao
longo das diagonais. Note que uma matrix Toeplitz triangular inferior (ou superior) é
completamente especificada pelos elementos da sua primeira coluna (ou linha).
164
Alocação de Pólos em Sistemas MIMO
Pode-se ter um cálculo mais simples ainda se a matrix AT− for definida como sendo
a inversa da matrix de controlabilidade Cc da forma canônica de controle, [Ac , bc , cc ],
sendo Ac matriz companheira com [−ai ] na linha superior e bc tendo 1 no seu primeiro
elemento e zeros nos outros. Assim, considerando o exposto acima, tem-se que:
kc = (α − a)A−T
− C
−1
= (α − a)A−T −1
− Cc = (α − a)
Comentários
Exercı́cio
Mostre que a equação (5.13) está correta. Para isso use equação (5.12). Considere que a
realização está na forma canônica do controlador. Você deverá usar também o teorema
de Cayley-Hamilton.
165
Alocação de Pólos em Sistemas MIMO
e reescreva-a como: n
ak (s) X ki bi
=1+
a(s) 1
s − λi
Que é obtida fazendo-se a expansão em frações parciais de ak (s)/a(s) e dividindo-se o
coeficiente do termo (s − λi )−1 por bi .
Mais explicitamente, multiplique os dois lados da equação por (s − λi ) e faça s = λi
para obter:
Πj (λi − µi )
ki bi =
Πj6=i(λi − λj )
Comentários
z(t) = kx(t)
Ainda, em relação à figura 5.2, tem-se:
Z(s) g(s)
= k(sI − A)−1 b =
U(s) a(s)
Z(s) g(s)
=
R(s) a(s) + g(s)
166
Alocação de Pólos em Sistemas MIMO
Ou,
Y (s) b(s)
= (5.14)
R(s) a(s) + g(s)
Assim, o novo polinômio caracterı́stico será:
5.3.8 Comentários
• realimentação de estados possibilita alocar apenas os pólos. Os zeros continuam
os mesmos.
167
Alocação de Pólos em Sistemas MIMO
5.3.9 Algoritmo
O seguinte algoritmo ([12], pg. 337) pode ser usado para se encontrar o vetor k.
2. Calcule:
¯
∆(s) = (s − λ̄1 )(s − λ̄2 ) . . . (s − λ̄n ) = sn + ᾱ1 sn−1 + · · · + ᾱn
3. Calcule:
k̄ = [αn − ᾱn αn−1 − ᾱn−1 . . . α1 − ᾱ1 ]
4. Calcule
5. Monte a matriz Q:
Q = [q1 q2 . . . qn ]
6. Calcule:
P ≡ Q−1
7. Assim:
k = k̄P.
5.3.10 Exercı́cio
Calcule k para o exemplo 5.1 usando o algoritmo.
168
Alocação de Pólos em Sistemas MIMO
Pelo fato dos três polinômios: det(sI − A), det(D(s)) e det(D̄(s)) terem o mesmo
grau, podemos concluir:
• O conjunto dos graus das colunas de D(s) é igual ao conjunto dos ı́ndices de
controlabilidade de (A, B).
• O conjunto dos graus das colunas de D̄(s) é igual ao conjunto dos ı́ndices de
observabilidade de (A, B).
169
Alocação de Pólos em Sistemas MIMO
C = [B AB . . . An−1 B]
ter rank n significa que existem n colunas LI em C. Pode ocorrer, entretanto, que seja
possı́vel encontrar essas n colunas LI, em uma matriz de dimensão menor do que a C,
matriz essa denominada matriz de controlabilidade parcial:
C∐ = [B AB . . . Aq−1 B], 1 ≤ q ≤ n.
O menor q que satisfaça tal condição é denotado por µ (isto é o q tal que C∐ tenha rank
n) será denominado ı́ndice de controlabilidade de {A, B}. Analogamente, define-se
o ı́ndice de observabilidade de {A, C} como sendo o menot inteiro q, denotado por ν,
tal que
O∐ T = [C T AT C T . . . (AT )q−1 C T ], 1 ≤ q ≤ n;
tenha rank n.
170
Alocação de Pólos em Sistemas MIMO
u = r − Kx
AM + MB = N
171
Alocação de Pólos em Sistemas MIMO
Algoritmo
1. Escolha uma matriz qualquer F n × n que não tenha autovalores em comum com
A cujos autovalores sejam os desejados para a malha fechada.
2. Escolha uma matriz qualquer K̄ p × n tal que {F, K̄} seja observável.
3. Resolva a equação de Lyapunov (em T ), isto é, encontre a matriz (única) T para:
AT − T F = −B K̄.
Comentários
• Assim para o caso MIMO as condições (A, B) controláve e (F, K̄) controlável são
condições necessárias, mas não suficientes para se ter T não singular.
AT − T F = bK̄.
172
Alocação de Pólos em Sistemas MIMO
∆(s) = s4 + α1 s3 + α2 s2 + α3 s + α4 .
k̄ = [1 0 0 0]
173
Alocação de Pólos em Sistemas MIMO
174
Alocação de Pólos em Sistemas MIMO
• Mas isso nem sempre ocorre seja porque não é possı́vel medir diretamente o estado
seja pelo fato do número de elementos de medida é limitado.
sistema
d
x y
u + dt x
B int C
d estimador
xˆ
+ dt x̂
B int
175
Alocação de Pólos em Sistemas MIMO
sistema
d
x y
u + dt x
B int C
estimador
+
L
-
C
d
xˆ
+ dt x̂
B int
176
Alocação de Pólos em Sistemas MIMO
• Se as equações 5.19 e (??) possuirem os mesmos estados iniciais então para qual-
quer entrada, x̂(t) = x(t).
• O Estimador de Malha Aberta pode ser modificado como mostra a figura 5.4.
• Assim, tem-se
x̂˙ = Ax̂ + Bu + L(y − C x̄)
x̂˙ = (A − LC)x̂ + Ly + Bu
• Defina
e(t) = x̃(t) = x(t) − x̂(t)
x̃˙ = (A − LC)x̃
177
Alocação de Pólos em Sistemas MIMO
x̂˙ = (A − LC)x̂ + Ly + Bu
x̃˙ = (A − LC)x̃
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 controlável.
ż = F z + Ly + T bu (5.20)
x̂˙ = T −1 z (5.21)
Exercı́cio
Defina e ≡ z − T x. Mostre que o estiamador acima definido definirá uma dinâmica para
e(t) que resultará em e(t) → 0 se t → ∞.
178
Alocação de Pólos em Sistemas MIMO
ż = F z + Ly + Hu (5.23)
" #−1 " #
C y
x̂˙ = (5.24)
T z
• {A, C} observável;
• {F, L} controlável.
179
Alocação de Pólos em Sistemas MIMO
ẋ = Ax + Bu (5.25)
y = Cx (5.26)
Considere ainda o estimador de ordem (n−q) das equações (5.23) e (5.24). Calcula-se
a inversa de matriz P , equação (5.22) e particiona-se essa inversa em
Q = [Q1 Q2 ]
sendo Q1 n × q e Q2 n × (n − q), ou seja:
" #
h i C
QP = I Q1 Q2 = Q1 C + Q2 T = I (5.27)
T
Assim o estimador de ordem (n − q) das equações(5.23) e (5.24) pode ser escrito como:
ż = F z + T Bu + Ly (5.28)
x̂ = Q1 y + Q2 z (5.29)
u = r − K x̂ = r − KQ1 y − KQ2 z
180
Alocação de Pólos em Sistemas MIMO
+ Y
u
planta
K Estimador
^
X
181
Alocação de Pólos em Sistemas MIMO
1.
X̂(s) = (sI − A + LC)−1 (Bu(s) + Ly(s)) = T1 (s)u(s) + T2 y(s)
2.
f0 (s)
X(s) = (sI − A)−1 Bu(s) −
E(s)
• Sendo f0 (s) um vetor polinomial (em s) cujos coeficientes dependem linear-
mente das condições iniciais do erro x̃(t).
3.
T1 (s) + T2 (s)G0 (s) = (sI − A)−1 B
182
Alocação de Pólos em Sistemas MIMO
A propriedade 2 do lema acima é conhecida como propriedade da não-polarização
assintótica, uma vez que o termo fE(s)0 (s)
vai a zero com uma taxa determinada pelos
pólos do observador (raizes de E(s)). A interpretação para a função de transferência da
realimentação de estados com estimador é dada pelo lema a seguir:
183
Alocação de Pólos em Sistemas MIMO
O lado direito da expressão acima é o numerador B(s) de uma função G(s) = B(s) A(s)
.
Assim, enquanto que a realimentação de estados aloca os pólos na posição desejada, ela
preserva os zeros da malha aberta.
Um resultado análogo ao do lema 5.2 é dado a seguir.
y(s) B(s)E(s)
= (5.48)
r(s) A(s)L(s) + B(s)P (s)
Usando a equação para o polinômio da malha fechada:
O resultado desejado é obtido usando (5.50) para simplificar (5.48). O lema acima
mostra que o problema de alocação de pólos possui uma interpretação na teoria do
espaço de estados a partir da combinação das idéias de realimentação de estados e
estimação.
Interpretação
184
Alocação de Pólos em Sistemas MIMO
P (s)
r(s) = r̄(s) (5.52)
E(s)
Assim pode ser escrita como
P (s)
u(s) = (r̄(s) − y(s)) (5.53)
L(s)
A equação 5.53 corresponde a figura 5.6 (b).
a)
+
r (s ) E (s) y (s )
G (s )
L(s)
P( s)
E (s)
b)
+
r (s ) P (s) y (s )
G (s )
L(s)
Figura 5.6: Teorema da separação na abordagem entrada saı́da (malha de controle padrão)
185
Alocação de Pólos em Sistemas MIMO
N̄CD (s)
C̄D (s) = I + K[sI − A + LC]−1 B = (5.60)
E(s)
N̄CN (s)
C̄N (s) = K[sI − A + LC]−1 L = (5.61)
E(s)
com N̄CD (s) e N̄CN (s) matrizes polinomias e E(s) o polinômio do observador,
dado por:
E(s) = det(sI − A + LC)
A partir de (5.59) tem-se que [C̄D (s)]−1 C̄N (s) é uma MFDE (LMFD) para o
controlador.
O controlador definido pelas equações (5.59) a (5.61) pode ser implementado via
representação no espaço de estados (um grau de liberdade). Primeiramente define-se:
(vide equação 5.52)
186
Alocação de Pólos em Sistemas MIMO
r ( s) v o (s ) w o (s ) u(s)
+
+ L S ob K
- -
y(s) B
Resultados Adicionais
É possı́vel também obter uma RMFD para o controlador. A partir do lema 6.3 segue-se
que:
[C̄D (s)]−1 C̄N (s) = CN (s)[CD (s)]−1 (5.65)
sendo:
NCD (s)
CD (s) = I − C(sI − A + BK)−1 L = (5.66)
F (s)
NCN (s)
CN (s) = K(sI − A + BK)−1 L = (5.67)
F (s)
187
Alocação de Pólos em Sistemas MIMO
Analogamente, usando 6.40 e 6.41, a planta G(s) pode ser expressa como:
sendo:
ḠD (s)CD (s) + ḠN (s)CN (s) = C̄D (s)GD (s) + C̄N (s)GN (s) = I (5.76)
A partir do lema 5.5 nota-se que os pólos de malha fechada são alocados nos zeros de
E(s) e F (s), como no caso SISO.
188
Alocação de Pólos em Sistemas MIMO
∆(λ) ≡ det(λI − A) = Πm
i=1 (λ − λi )
ni
♦
Seja uma matriz A e sua representação na forma de Jordan:
Â1 0 . . . 0
0 Â2 . . . 0
 = .
.. ..
.. . .
0 0 . . . Âm
∆min (λ) = Πm
i=1 (λ − λi )
n̄i
189
Alocação de Pólos em Sistemas MIMO
Definição 5.6 Uma matriz A é dita ser cı́clica se seu polinômio caracterı́stico é igual
ao seu polinômio mı́nimo.
♦
Teorema 5.9 Se {A, B} é controlável e se A é cı́clica então, para quase todos vetores
reais p × 1 v, o par {A, Bv}, de entrada única, é controlável.
190
Alocação de Pólos em Sistemas MIMO
• Filtro de Kalman
• Considerações:
191
Alocação de Pólos em Sistemas MIMO
e
E{wd (t)wn (t)τ } = 0 E{wn (t)wd (t)τ } = 0
sendo E o operador esperança (valor esperado) e δ(t − τ ) a função delta de Dirac.
O problema do controle LQG é encontrar o sinal de controle ótimo, u(t), que mini-
miza:
1 T T
Z
T
J = E lim x Qx + u Ru dt , (5.79)
T ←∞ T 0
u(t) = Kr x(t),
192
Alocação de Pólos em Sistemas MIMO
Kr = R−1 B T X
193
Alocação de Pólos em Sistemas MIMO
AT X + XA − XBR−1 B T X + Q = 0
estimador = filtro de
kalman
Kf
+ d x^
^ ^ +
u u + dt x y y
B int C
+
+
^
x
é dado por:
Kf = Y C T V −1
sendo Y = Y T ≥ 0 a solução única, positiva semi-definida, para a equação algébrica de
Riccati:
Y AT + AY − Y C T V −1 CY + W = 0.
194
Alocação de Pólos em Sistemas MIMO
Planta
Kf
+ d x^ ^ ^ +
u + dt x y
B int C
+
+
^
x
-K f
195
Alocação de Pólos em Sistemas MIMO
196
Alocação de Pólos em Sistemas MIMO
Figura 5.11: Diagrama de blocos do controlador com entrada referência, r(t) para o sistema
ou
K(s) = −Kr (sI − A + BKr + Kf C)−1 [B Kf ] + [I 0]
• ϕ = ângulo entre o eixo principal do caça (corpo do caça) e o eixo do curso (norte)
• δa = aileron deflection
• δr = rudder deflection
Com os estados:
• x1 = vy
197
Alocação de Pólos em Sistemas MIMO
• x4 = φ; x5 = ϕ; x6 = δ6 ; x7 = δr .
198
Alocação de Pólos em Sistemas MIMO
Exercı́cio
Considere uma perturbação com w1 dada pela variação da figura 5.12. w4 é a derivada
de w1 . Considere ainda w2 = w3 = 0.
funcao w1
10
w1
5
0
0 1 2 3 4 5 6 7 8 9 10
t
199
Capı́tulo 6
6.1 Introdução
6.1.1 Conceitos
• Sistemas Desacoplados Dinamicamente: malhas independentes.
200
Análise de Sistemas Multivariáveis Realimentados
• ”Escola Inglesa:”
• Valores Singulares
• Loop Shaping
201
Análise de Sistemas Multivariáveis Realimentados
2
y2 (s) = g22 (s)u2 (s) onde g22 (s) = (6.2)
+ 5s + 6 s2
Considere que para esses dois sistemas (independentes) sejam projetados contradores de
tal forma que seja obtida a mesma função sensitividade complementar para ambos, isto
é:
9
To1 (s) = To2 (s) = 2
s + 4s + 9
Para tanto, os respectivos controladores são:
4.5 1.5(s2 + 5s + 6)
c1 (s) = 2
s(s + 4) e c2 (s) = (6.3)
s + 3s + 2 s(s + 4)
202
Análise de Sistemas Multivariáveis Realimentados
• Os resultados mostrados na figura 6.1 sugerem que, nesse exemplo, (com k12 = 0, 1
e k21 = 0, 1), um projeto SISO será suficiente para satisfazer os requisitos de
controle.
203
Análise de Sistemas Multivariáveis Realimentados
• A figura 6.2 mostra que uma mudança na referência de uma malha afeta signifi-
cantemente outra malha.
• Nesse caso, mostra-se quão inadequado é o projeto de sistemas MIMO por técnicas
SISO.
Para se ter uma idéia melhor da interação, é interessante obter relações que quantificam
o sistema MIMO.
" # " #
y1 (s) r 1 (s)
= (I + go (s)c(s))−1 go (s)c(s)
(6.8)
y2 (s) r2 (s)
sendo: " #
g11 (s)c1 (s) g12 (s)c2 (s)
go (s) =
g21 (s)c1 (s) g22 (s)c2 (s)
" #
c1 (s) 0
c(s) =
0 c2 (s)
Se se considera k12 = −2 e k21 = −1, e substituindo (6.1), (6.2) e (6.7) e (6.8), tem-se
que [(I + go (s)c(s))−1 go (s)c(s)] é dada por:
" #
1 9s4 + 40, 5s3 + 67s2 − 18s − 81 −3s65 − 30s4 − 105s3 − 150s2 − 72s
(6.9)
d(s) −4, 5s4 − 31, 5s3 − 63s62 − 36s 9s4 + 40, 5s3 + 67s2 − 18s − 81
sendo:
d(s) = s6 + 10s5 + 51s4 + 134s3 + 164s2 + 18s − 81
A seguir apresentam-se alguns comentários a respeito desses resultados:
• O sinal de acomplamento na malha 1 (2), dado por g12 (s)u2 (s) (respectivamente,
g21 u1 (s)) aparece como se fosse uma perturbação de entrada. Entretanto, ela não
pode ser tratada como tal, já que ele não é um sinal independente dos outros sinais
da malha.
204
Análise de Sistemas Multivariáveis Realimentados
• Se k12 = 0 (ou k21 = 0) então go (s) se torna uma matriz triangular inferior (ou
superior). Nesse caso, em qualquer dessas duas configurações, o denominador das
quatro funções de transferência, se torna o numerador de:
205
Análise de Sistemas Multivariáveis Realimentados
v
r+ + +
y
+
K G
e w u +
-
+
+
η
Para esse sistema, as relações entrada/saı́da podem ser expressas pelas equações (9.7)
206
Análise de Sistemas Multivariáveis Realimentados
a (9.10), a seguir.
Tabela 6.1: Definição das funções sensitividade em relação aos sinais de entrada e saı́da de
um sistema de controle padrão. No decorrer do texto as funções So (s) e To (s) serão tratadas
como S(s) e T (s) (por serem as mais usadas). Em geral, pelo contexto, é possı́vel distinguir
entre as funções utilizadas.
• Um fato importante quando da utilização das funções S(s) e T (s) para projetos é a
existência de compromissos (algébricos e analı́ticos) entre essas funções [31, 75, 78].
Por exemplo, é interessante atentar para os compromissos advindos da relação
S(s) + T (s) = I. Tal relação leva à conclusão, por exemplo, de que a especificação
T (s) = 1, requerida para se ter y = r, equivale a se ter S = 0, ou ainda que
minimização de ||S(s)||∞ é conflitante com a minimização de ||T ||∞ na mesma
faixa de freqüência, por exemplo.
207
Análise de Sistemas Multivariáveis Realimentados
L(jω)
40
20 altas frequências
l(ω)
|L(jw)| (dB)
−40
−60 cross
over
−80 −1
10 10
0 ωl ωh 101 2
10
frequencia (rad/s)
Figura 6.4: Diagrama tı́pico para L(jω) especificando diferentes regiões de ganho para L(s)
em função da freqüência.
Em geral, podem-se definir três regiões para a especificação de S(s) e T (s) (vide
figura 9.6).
Na região de baixas freqüências deve-se requerer boa rejeição a perturbações de
carga e boa resposta para rastreamento, logo a sensitividade deve ser reduzida. Em
altas freqüências a sensitividade complementar deve ser reduzida para atenuar efeito de
ruı́dos de medição. Na região da freqüência de cruzamento de ganho, onde ||L(jω)|| ≈ 1
nada se pode inferir sobre S(s) ou T (s) a não ser relações para a taxa de variação ou
decaimento (taxa de roll off ). Neste caso, como na especificação para L(s), deve-se
atentar, na região de cruzamento de ganho, para a taxa de variação de S(s) e T (s)
(variação em dB’s por década).
208
Análise de Sistemas Multivariáveis Realimentados
As relações dessas funções na malha são dadas nas equações (9.7) a (9.10) e repetidas a
seguir por conveniência.
209
Análise de Sistemas Multivariáveis Realimentados
• Porém, conexões entre sistemas pode resultar em novos sistemas, que podem ser
instáveis. É o caso de haver “modos escondidos”, isto é, instabilidade interna. Isso
ocorre no caso de haver cancelamento de pólos e zeros instáveis.
Lema 6.1 ([39]) Considere a malha de controle (nominal) da figura 9.7. Essa malha
será internamente estável se e somente se as quatro funções sensitividade definidas em
(6.14) a (6.18) forem estáveis.
Prova:
Se todas as entradas, isto é, r(t), d(t), v(t) e η(t) são limitadas, então, nota-se que, a
partir de (6.19) e (6.21) que a estabilidade das quatro funções sensitividade é necessária
apra se ter saı́das limitadas (y(t), u(t), e(t)). Nota-se também que esta condição é
suficiente, desde que Su0 (s)G0 (s) = [G0 (s)]−1 T0 (s)G0 (s) é estável se e somente se T0 (s)
é estável.
A estabilidade também pode ser expressa usando-se MFD (matrix fraction description)
(vide capı́tulo ??. Considere as descrições RMFD e LMFD para a planta e o controlador.
Então, as funções de transferência dadas em (6.19) a (6.21) podem ser reescritas como:
S0 (s) = CD (s)[Ḡ0D (s)CD (s) + Ḡ0N (s)CN (s)]−1 Ḡ0D (s) (6.30)
T0 (s) = G0N (s)[C̄D (s)G0D (s) + C̄N (s)G0N (s)]−1 C̄N (s) (6.31)
Su0 (s) = CN (s)[Ḡ0D (s)C̄D (s) + Ḡ0N (s)]−1 Ḡ0D (s) (6.32)
Si0 (s) = CD (s)[Ḡ0D (s)CD (s) + Ḡ0N (s)CN (s)]−1 G0N (s) (6.33)
Su0 (s)G0 (s) = CN (s)[Ḡ0D (s)CD (s) + Ḡ0N (s)CN (s)]Ḡ0N (s) (6.34)
• Importante notar que as matrizes Ḡ0N (s), Ḡ0D (s), CN (s) e CD (s) são matrizes
polinomiais ou matrizes cujos elementos são funções racionais estáveis.
• Assim o lema 6.1 pode ser apresentado como o lema 6.2, a seguir.
210
Análise de Sistemas Multivariáveis Realimentados
Lema 6.2 ([39]) Considere uma malha de realimentação MIMO um DOF (grau de
liberdade, Degrre of Freedom), como mostrado na figura 9.7. A planta nominal e o
controlador são expressos em MFD (Matrix Fraction Description) como na equação
(6.28). Então a malha nominal será estável se e somente se a matriz caracterı́stica
da malha fechada, Acl dada por:
• Note que a função da matriz Acl , para sistemas MIMO, é a mesma do polinômio
caracterı́stico, em sistemas SISO.
Lema 6.3 ([39]) Sempre existirá uma RMFD e uma LMFD para um sistema que tenha
a seguinte propriedade da fatoração coprima:
sendo
211
Análise de Sistemas Multivariáveis Realimentados
e ao observador
˙
x̂(t) = Ax̂(t) + Bu(t) + J(y(t) − C x̂(t)) (6.46)
y(t) = C x̂(t) + v(t), (6.47)
Um lema importante é dado a seguir:
Lema 6.4 Uma RMFD, G(s) = GN (s)G−1 D (s) é irredutı́vel se as suas matrizes GN (s)
e GD são coprimas a direita.
Quando uma RMFD é irredutı́vel tem-se que:
212
Análise de Sistemas Multivariáveis Realimentados
E(s) U(s)
R(s)
Y(s)
+
K(s) G(s) L(s)
Figura 6.5:
G(s) é uma matriz de transferência que descreve o sistema não controlado, K(s),
L(s) e F são matrizes que não possuem zeros no semiplano direito. Todas as matrizes
são m × m e todos os vetores (r, y, eeu) são m × 1. A relação entrada saı́da 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)F y
Assim:
(I + L(s)G(s)K(s)F )y = (L(s)G(s)K(s))F y
logo y pode ser expresso por:
213
Análise de Sistemas Multivariáveis Realimentados
Adj(I + Q(s)F )
y= , (6.49)
|I + Q(s)F |
|H(s)| = |(I + Q(s)F )−1 Q(s)| = |(I + Q(s)f )−1 ||Q(s)| (6.51)
|Q(s)|
|I + Q(s)F | = (6.52)
|H(s)|
Fazendo-se analogia entre sistemas MIMO e SISO, pode-se observar que a função
|I +Q(s)| da equação 6.52 é semelhante à ao polinômio caracterı́stico1 , p(s) = (1+q(s)f )
de sistemas SISO.
A estabilidade de sistemas SISO (e analogamente MIMO) é investigada através do
comportamento dessa função: O sistema em malha fechada é assintoticamente estável
se todos seus pólos estiverem no semiplano esquerdo aberto no plano complexo
Quando q(s)f é estritamente própria, a função caracterı́stica se torna uma relação
de polinômios:
′
Πm (s − αi ) clcp
1 + q(s)f = i=1
n
= (6.53)
Πi=1 (s − αi ) olcp
1
também chamada de função caracterı́stica
214
Análise de Sistemas Multivariáveis Realimentados
′
onde αi são os pólos de malha fechada e αi os pólos de malha aberta. O numerador
na equação (6.53) é o polinômio caracterı́stico de malha fechada (clcp, Close
Loop Characteristic Polinomial) já que suas raizes são os pólos de malha fechada do
sistema. O denominador é o polinômio caracterı́stico de malha aberta (olcp, “Open
Loop Characteristic Polinomial”) já que suas raizes são as raizes de q(s), a função de
transferência de malha aberta.
Caso MIMO
• Note que para sistemas SISO, R(s) é dado pela relação (1 + q(s)f ) e para sistemas
MIMO, por det(I + Q(s)F ) . O critério de Nyquist afirma que:
215
Análise de Sistemas Multivariáveis Realimentados
Critério de Nyquist
Para sistemas que não possuem pólos de malha aberta no semiplano direito, o teo-
rema de Nyquist se reduz, tanto para sistemas SISO quanto para sistemas MIMO, à
seguinte afirmação:
“Seja o contorno de R(s) traçado quando s caminha no sentido horário em torno de
D no plano s. Se o caminho de s envolve a origrm NR vezes então o sistema de malha
fechada será estável se e somente se:
NR = −p (6.55)
NQ − NH = −p (6.56)
NH − NQ = p (6.57)
pois, sendo R uma razão de polinômios complexos (isto é, polinômios em s, com s
complexo) o envolvimento pela origem (ou de outro ponto) pela razão é igual a envolvi-
mento do seu numerador menos os envolvimentos de seu denominador.
216
Análise de Sistemas Multivariáveis Realimentados
De (6.50) tem-se:
217
Análise de Sistemas Multivariáveis Realimentados
jω
r® ∞
Teorema 6.1 Se uma função de malha aberta, própria G0 (s)C(s) possui P pólos no
RHP aberto, e nenhum em cima do eixo imaginário, então a malha fechada possuirá Z
pólos no RHP aberto se e somente se o gráfico polar de G0 (jω)C(jω) envolver o ponto
(−1, 0), no sentido antihorário, N = Z − P vezes.
Considere agora a função F0 (s) definida como:
218
Análise de Sistemas Multivariáveis Realimentados
• Isto é:
det[I + kG(s)] = Πi [1 + kλi (s)]
219
Análise de Sistemas Multivariáveis Realimentados
• Nessa seção, considera-se referência e perturbações como sinais degraus, isto é:
1 1 1
R(s) = Kr Di (s) = Kd1 D0 (s) = Kdo (6.62)
s s s
• Esses valores podem ser calculados com as equações (6.19) - (6.21), usando o
teorema do valor final:
Lema 6.5 Considere um malha MIMO estável, como na figura 9.7. Assume-se que a
referência R(s) é um vetor como mostrado em (6.62). O erro em estado estacionário no
i−ésimo canal, ei (∞), será zero se a i-ésima linha de So (0) for zero. Nessas condições,
a i−ésima linha de To (0) é o vetor ei = [0 . . . 0 1 0 . . . 0]T .
220
Análise de Sistemas Multivariáveis Realimentados
221
Análise de Sistemas Multivariáveis Realimentados
6.9.1 Rastreamento
222
Análise de Sistemas Multivariáveis Realimentados
223
Análise de Sistemas Multivariáveis Realimentados
6.10 Exercı́cios
Exercı́cio 1
Considere uma planta nominal G0 (s) e um controlador diagonal, C(s) dados por:
" # " #
2 1 2
s+1 (s+1)(s+2) 0
G0 (s) = 1 2
C(s) = s 1
(s+1)(s+2) (s+2)
0 s
Exercı́cio 2
Considere uma planta nominal cuja Matriz Senstividade Complementar, T0 (s) é dada
por: " # " #
9 −s 2
2 2 0
T0 (s) = (s +5s+9)
s
(s +5s+9s)
3(s+3) C(s) = s 1
(s2 +5s+9) (s2 +5s+9s)
0 s
A malha possui uma entrada de perturbação do (t) dada por:
" #
K1 sen(ωd t + α1 )
do (t) =
K2 sen(ωd t + α2 )
224
Capı́tulo 7
7.1 Introdução
225
Restrições Fundamentais e Limites para o Desempenho e Compromissos
226
Restrições Fundamentais e Limites para o Desempenho e Compromissos
4. Encontre seus pólos. Para pólos instáveis, (RHP-pólos, ou [Right Half Plane]-
pólos, pólos no semi-plano direito), obtenha sua localização e direções associadas.
“RHP-pólos rápidos (longes da origem) não são bons”.
5. Encontre seus zeros. Para RHP-zeros (zeros no semi-plano direito) encontre sua
localização e direção associada. RJP-zeros próximos a origem “não são bons”.
227
Restrições Fundamentais e Limites para o Desempenho e Compromissos
cada vez (colunas gd de Gd ). Deve-se ter, para cada pertubação, que S(s) seja
menor que 1/||gd||2 na direção da perturbação, yd , isto é:
||Syd||2 ≤ 1/||gd||2 .
• Observação: assim, pela relação acima, deve-se ter, no mı́nimo σ[S] ≤ 1/||gd||2 .
Além disso deve-se garantir que σ̄[S] ≤ 1/||gd||2 , sendo σ̄ o valor singular
máximo.
11. Deve-se verificar se todas as condições são compatı́veis: deve-se verificar as per-
turbações, os pólos e zeros no semi-plano direito e suas localizações e direções.
12. Incertezas: se o número de condição γ(G) for pequeno então não há problemas
com incerteza. Se os elementos da RGA forem elevados, espera-se que haja grande
sensibilidade (sensitivity) com as incertezas.
228
Restrições Fundamentais e Limites para o Desempenho e Compromissos
Definição 7.3
Se uma planta MIMO possui a controlabilidade funcional disse-se que ela é funcional-
mente controlável. Caso contrário disse-se que ela é funcionalmente não-controlável.
• O rank normal de G(s) é o rank de G(s) para quase todos os valores s, isto é, para
todos os valores de s exceto nos zeros de G(s).
yoT (jω)G(jω) = 0
• A partir de uma SVD de G(jω), isto é, G(jω) = UΣV , a direções de saı́da não-
controláveis, yo (jω) (do ponto de vista funcional), são as últimas l − r colunas de
U(jω).
229
Restrições Fundamentais e Limites para o Desempenho e Compromissos
7.5 Exercı́cios
1) Verifique se a seguinte planta G(s) é funcionalmente controlável. Caso não seja
determine uma direção de saı́da que é não controlável.
" #
1 2
s+1 s+1
G(s) = 2 4
s+2 s+2
b) As direções (saı́da e entrada) de zeros e pólos. (sug.: uma forma é usar SVD).
" #
1 s−1 4
G(s) = (7.2)
s+2 4, 5 2(s − 1)
3) Dado o sistema da equação 7.3, pede-se:
b) As direções (saı́da e entrada) de zeros e pólos. (sug.: uma forma é usar SVD).
c) RGA dinâmica.
b) As direções (saı́da e entrada) de zeros e pólos. (sug.: uma forma é usar SVD).
c) RGA dinâmica.
d) A SVD (dinâmica).
230
Restrições Fundamentais e Limites para o Desempenho e Compromissos
g) Para o sistema controlado pelo controlador do item acima, trace o gráfico de σ̄[S],
σ[S], σ̄[T ], σ[T ], em função da freqüência, sendo S(s) e T (s) as funções sensitividade
e sensitividade complementar, respectivamente.
" #
1 1 1
G(s) = (7.4)
(0, 2s + 1)(s + 1) 1 + 2s 2
entrada 2
entrada 1
1 2 3 4 5 6 7 8 9 10 11 12
t
231
Restrições Fundamentais e Limites para o Desempenho e Compromissos
• Seja o sistema original (não normalizado) com a seguintes variáveis (não normal-
izadas):
ŷ = Ĝû + Ĝd dˆ ê = ŷ − r̂
• No caso, o “chapéu”é usado para indicar que a variável não está normalizada (isto
é, está em unidades de engenharia).
• Isso pode ser feito dividindo-se cada uma pelo seu valor máximo (ou valor máximo
esperado), por exemplo:
ˆ dˆmax
d = d/ u = û/hatumax
• Uma vez que o maior objetivo do controle é minimizar o erro ê, usualmente
escalona-se em relação ao erro máximo, isto é:
y = ŷ/êmax , r = r̂/êmax , e = ê/êmax .
• Para sistemas MIMO atentar para o fato de que os vetores d, ˆ ê, r̂, ŷ, podem ter
diferentes valores máximos. De , Du , Dd , Dr serão matrizes diagonais.
232
Restrições Fundamentais e Limites para o Desempenho e Compromissos
7.7 Desempenho
• Considerando que o modelo está devidamente normalizado, pode-se considerar
como uma condição adequada de desempenho o seguinte critério:
• Ou em freqüência:
y = Gu + Gd d
• Resolvendo para u:
u = G−1 r − G−1 Gd d
u = G−1 T r − G−1 T Gd d
233
Restrições Fundamentais e Limites para o Desempenho e Compromissos
– G contém RHP-zeros.
– G contém atrasos.
– G possui mais pólos que zeros.
– G contém incertezas.
– |G−1 Gd | é grande.
– |G−1 R| é grande.
– G é instável.
– Gd é grande.
• Restrições de Interpolação:
234
Restrições Fundamentais e Limites para o Desempenho e Compromissos
Gd
+ y
+
K G
r +
-
Gm
Regras
235
Restrições Fundamentais e Limites para o Desempenho e Compromissos
|1/Gd (jω)|, ∀ω. Veja as relações (5.51) e (5.54) de [78], repetidas a seguir por
conveniênica.
|SGd (jω)| < 1 ∀ω ⇔ ||SGd ||∞ < 1 eq. (5.51) de [78] (7.5)
236
Capı́tulo 8
8.1 Introdução
• É sabido que em aplicações industriais controladores PID são os mais utilizados.
• Na França (1978) foi desenvolvido o MAC, Model Algotithmic Control, [?], [20].
Nos EUA (1980) foi desenvolvido o DMC, Dynamic Matrix Control [?].
237
Projeto de Controladores MIMO Usando Sı́ntese Q
• Existem várias formas de se projetar controladores MIMO via IMC. Todas estão
relacionadas com a parametrização de todos os controladores estabilizantes.
– Vide [39].
– Faz uso do conhecimento da estrutura de G(s) (pólos e zeros).
– No caso MIMO faz uso da matriz interactora para recuperar a estrutura de
G(s)
238
Projeto de Controladores MIMO Usando Sı́ntese Q
d
K
r + e u y
Q G
-
~ y -
r
G
d
K
+ y
r + + u +
Q G
+ +
~
G
r
+ y
d K G
- -
r e u y
K G
G~ G~
-
239
Projeto de Controladores MIMO Usando Sı́ntese Q
8.2.1 Equações
Figura 1
u = r − (y − G̃u) = r − y + G̃u
Figura 2
u = (r − y) + G̃u
u Q
=K=
e 1 − QG̃
Figura 3
• Associado ao IMC.
Figura 4
K
Q=
1 + G̃K
u = (e − G̃u)K
e = r + G̃u − Gu
e = r + G̃u − y
u = (r + G̃u − y − G̃u)K
u = (r − y)K
IMC = Estrutura clássica. Uma vantagem (dentre várias): faz uso da parametrização-Q
para projeto.
240
Projeto de Controladores MIMO Usando Sı́ntese Q
• Seja G0 (s)
6
G0 (s) =
(s + 1)(s + 6)
• Td (s) escolhida: análise frequencial.
10
Td (s) =
s + 10
• Projeto (objetivo: calcuar K(s)):
Q(s)
Q(s) = FQ (s)[G0 (s)]−1 K(s) =
1 − Q(s)G0 (s)
• Importante:
FQ (s) = Td (s)
• Assim:
10 (s + 1)(s + 6)
Q(s) =
s + 10 6
• E, após os cálculos e simplificações:
10(s + 1)(s + 6)
K(s) =
6s
• Preocupar: ordem de K(s). Se K(s) é realizável. Se tem integrador. Etc.
• Caracterı́sticas do Projeto:
241
Projeto de Controladores MIMO Usando Sı́ntese Q
Ordem Relativa
Para se ter um controlador próprio é necessário que Q(s) também o seja. Logo é
necessário que FQ (s) tenha o grau relatico ([grau do denominador] - [grau do numer-
ador]) igual a, no mı́nimo, o grau de [Gi0 (s)]−1 . Em alguns caso, se Q(s) for não-própria,
deve-se introduzir termos do tipo:
(τ s + 1)nd ;
no denominador de Q(s). nd e τ são escolhas do projetista.
Lema 8.1 Considere um modelo estável, G0 (s). A malha de controle que resulta em
erro de estado estacionário nulo será estável se e somente se o controlador K(s) puder
ser expresso na forma:
Q(s)
K(s) =
1 − Q(s)G0 (s)
com Q(s) sendo dado por:
Q(s) = sQ̄(s) + [G0 (s)]−1 Qa (s)
onde Q̄(s) é qualquer função de transferência estável e Qa (s) qualquer função de trans-
ferência estável que satisfaça Qa (0) = 1. (Uma possı́vel escolha, Qa (s) = 1)
242
Projeto de Controladores MIMO Usando Sı́ntese Q
Teorema 8.1 Os pólos cancelados da planta aparecerão na função Si0 (s), dada por:
G0 (s) B0 (s)L(s)
Si0 (s) = =
1 + G0 (s)K(s) A0 (s)L(s) + B0 (s)P (s)
sendo:
B0 (s) P (s)
G0 (s) = e K(s) =
A0 (s) L(s)
A função Sio (s) relaciona a saı́da com a perturbação na entrada da planta. Portanto,
cancelamento de pólos lentos da planta resultarão em um sistema com Si0 (s) com pólos
lentos, e portanto com resposta lenta à perturbaçào na entrada da planta.
Teorema 8.2 Para que um dado pólo , s = s0 não seja cancelado, o projeto deve ser
tal que considere:
S(s0 ) = 0ouT (s0) = 1
243
Projeto de Controladores MIMO Usando Sı́ntese Q
(s + 1)(s + 6) β1 s + 1
Q(s) = FQ (s) sendo:FQ (s) = 1000
6 (s2 + 14s + 100)(s + 10)
O grau relativo de FQ (s) foi escolhido como sendo 2, para que Q(s) seja própria. Desde
que T0 (s) = FQ (s) deve-se ter FQ (s) para s = 0 igual a 1, isto é FQ (0) = 1, para
que garantir que haverá inversão exata em ω = 0, isto é, K(s) terá um integrador. O
controlador será dado por:
Considere que não se deseja que o pólo lento da planta em s = −1 seja cancelado. Para
tanto considere T0 (−1) = FQ (−1) = 1, ou:
1000 217
FQ (−1) = (1 − β1 ) ⇒ β1 =
783 1000
Assim:
(217s + 1000)(s + 6)
K(s) =
6000s(s + 23)
H
8.3.3 Exercı́cios
• Simule o sistema para um perfil de degrau.
244
Projeto de Controladores MIMO Usando Sı́ntese Q
8.3.4 Exercı́cio
Seja o sistema cujo modelo nominal é dado por:
−s + 2
G0 (s) =
(s + 2)(s + 1)
Considere que existe perturbação na saı́da e na entrada da planta. Considere que há
ruı́do de medição na região de ω = 5rad/s. Projete um K(s) que:
• Tenha integrador.
245
Projeto de Controladores MIMO Usando Sı́ntese Q
• Além disso (8.7) a (8.10) fornecem uma MFD adequada, que facilitará os desen-
volvimentos a seguir, visando o projeto do controlador MIMO.
246
Projeto de Controladores MIMO Usando Sı́ntese Q
Nota-se pelas equações (8.7) a (8.10) que o projeto de Q(s) se reduz ao problema de
encontrar uma inversa à direita (ou inversa aproximada à direita) de G0 (s).
A análise que se segue é semelhante a feita para o caso SISO (vide subseção ??).
Para o caso SISO, na procura da inversa, deparou-se com as seguintes questões:
• Questão da robustez.
Essas mesmas questões surgem no projeto MIMO equivalente (projeto via matriz Q(s)),
porém elas agora passam a ser relacionadas com a questão da direcionalidade, partic-
ularidade de um sistema MIMO. A seguir explora-se, com mais detalhes, as questões da
ordem relativa do modelo e os zeros de fase não-mı́nima.
247
Projeto de Controladores MIMO Usando Sı́ntese Q
d(t)
K(s) G(s)
+
-
Exercı́cio
248
Projeto de Controladores MIMO Usando Sı́ntese Q
d i(t)
d o(t)
K(s) G(s)
+
-
d i(t)
+
y(t)
K(s)
+
v 1(t) + u 1(t)
G(s)
+ G(s)
- +
v 2 (t)
+
+ u(t)
K(s)
d o(t)
u 2(t)
249
Projeto de Controladores MIMO Usando Sı́ntese Q
w
z
v 1(t) + u 1(t)
G(s)
G(s) + ∆
+ u
- +
v 1 (t) y
K(s)
K(s)
u 2(t)
w
z
v 1(t)
G(s)
T1
u +
w z
v 2 (t)
K(s) -
y T2 Q T2
250
Projeto de Controladores MIMO Usando Sı́ntese Q
251
Projeto de Controladores MIMO Usando Sı́ntese Q
d(t)
M c− 1 ( s ) N c (s) −1
M ( s) N (s )
+ +
- z1 u(t) z2
252
Projeto de Controladores MIMO Usando Sı́ntese Q
• Por exemplo:
(s + 1)
G(s) = = N (s)M −1 (s)
(s − 1)(s + 10)(s − 2)
• Sendo:
1 (s − 1)(s − 2)
N (s) = M(s) =
(s + 10)(s + 1) (s + 1)2
• Sendo:
4(16s − 5) (s + 15)
x(s) = Y (s) =
(s + 1) (s + 10)
253
Projeto de Controladores MIMO Usando Sı́ntese Q
Ns(s)Xs + Ms (s)Ys = I
• Definem-se as relações:
• e: " #" #
Yd (s) Xd (s) Md (s) −Xs (s)
=I (8.12)
−Ns (s) Ms (s) Nd (s) Ys (s)
254
Projeto de Controladores MIMO Usando Sı́ntese Q
Md = (A + BF, B, F, I) (8.13)
Nd = (A + BF, B, C + DF, D) (8.14)
Ys = (A + BF, L, −C − DF, I) (8.15)
Xs = (A + BF, L, F, 0) (8.16)
Ms = (A + LC, L, C, I) (8.17)
Ns = (A + LC, B + LD, C, D) (8.18)
Yd = (A + LC, B + LD, −F, I) (8.19)
Xs = (A + LC, L, F, 0) (8.20)
255
Projeto de Controladores MIMO Usando Sı́ntese Q
256
Projeto de Controladores MIMO Usando Sı́ntese Q
Sejam as relações:
257
Projeto de Controladores MIMO Usando Sı́ntese Q
258
Projeto de Controladores MIMO Usando Sı́ntese Q
8.11 Comentários
259
Capı́tulo 9
9.1 Introdução
• Crı́tica ao controle LQR (LQG).
• Normas de Sistemas.
• Controladores H∞ e H2 .
9.2 Revisão
Nesta seção são apresentados alguns conceitos comumente usados no ambiente de pro-
jeto H∞ e µ, definindo mais formalmente alguns termos mencionados nos capı́tulos
precedentes.
A sensitividade de um sistema é um dos conceitos principais para a abordagem de
projeto de controladores robustos na formulação entrada-saı́da. Ela está relacionada
com a sensibilidade do sistema à variações paramétricas na função de malha fechada,
T (s) [7] ou às perturbações de carga as quais o sistema está sujeito.
Por exemplo, para um sistema de controle como o da figura 9.1 onde apresenta-se
um sistema nominal, G0 (s), um controlador K(s) e as entradas de referência r e de
260
Projeto de Controladores MIMO na Abordagem H∞
r+ +
y
K G
+
-
Figura 9.1: Diagrama de um sistema padrão de controle com uma perturbação d na saı́da da
planta.
261
Projeto de Controladores MIMO na Abordagem H∞
Loop Shaping H∞
• Bailey e Hui [2], em 1991 apresentam uma compilação de alguns resultados e uma
ferramenta para um projeto loop shaping robusto.
• Boyd e Barrat [4], em 1991 apresentam uma formulação para o loop shaping via
otimização convexa.
• Glover e outros [38], em 1992, apresentam um tutorial do projeto criado por Mc-
Farlane e Glover [55].
262
Projeto de Controladores MIMO na Abordagem H∞
• Braatz [9], em 1993, define os conceitos do projeto loop-shaping robusto como uma
extensão do loop-shaping clássico.
No projeto loop shaping faz-se uso de funções que moldam as funções sensitividade
desejadas. Em geral, as relações entre as entradas w e as saı́das z são ponderadas por
filtros, W (s), que especificam a relevância das relações entradas/saı́das em função da
freqüência. Assim, o diagrama da figura 9.1 pode, por exemplo, ser modificado para o
diagrama da figura 9.2. Neste caso, têm-se duas matrizes de ponderações, W1 e W2 . A
escolha dessas matrizes é de fundamental importância na solução do controlador K∞ .
z2
W2
z1
W1
r e y
+ K G0
- u
Como apresentado a seguir, tanto a representação da figura 9.1 quanto a da figura 9.2
podem ser representadas numa forma denominada representação (ou esquema) padrão
da formulação H∞ .
263
Projeto de Controladores MIMO na Abordagem H∞
Os diagramas das figura 9.1 e 9.2 podem ser representados pelo esquema padrão (figura
9.3) usado no ambiente de projeto robusto, onde P (s) é a matriz (ou planta) generalizada
e a relação entre P e K passa a ser dada pela Transformação Linear Fracionária, LFT
(Linear Fractional Transformation) entre P e K, definida como
Fl (P, K) = P11 + P12 K(I − P22 K)−1 P21 ,
sendo P particionada de forma compatı́vel com K:
" #
P11 P12
P = .
P21 P22
No caso a LFT definida é a LFT inferior, daı́ a notação, Fl . Nessa representação, w
são as entradas exógenas (referências, perturbações, ruı́dos), u é o sinal de controle, z
são as saı́das de ponderação, e y é a entrada do controlador. No caso da figura 9.2, por
exemplo, z será formado pelas saı́das z1 e z2 e w pela entradas r.
z w
P
u
y
O esquema padrão da figura 9.3 pode ser expresso pela representação em espaço de
estados dada por:
ẋ = Ax + B1 w + B2 u (9.2)
z = C1 x + D11 w + D12 u (9.3)
y = C2 x + D21 w + D22 u. (9.4)
264
Projeto de Controladores MIMO na Abordagem H∞
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, definidos acima. Ou seja, procura-se um controlador K(s)
tal que a norma H∞ de Tzw seja menor que um dado escalar positivo, γ0 , isto é, procura-
se K(s) tal que:
||Tzw = Fl (P, K)||∞ < γ0 . (9.5)
Tal controlador será denotado por K∞ no decorrer do texto.
Sistema Incerto
∆
d
r+ +
y
K G
+
-
O sistema da figura 9.4 pode ser representado pelo diagrama da figura 9.5. Para essa
representação, em se tendo N = Fl (P, K), define-se, M = Fu (N, ∆), sendo Fu a LFT
superior:
Fu (N, ∆) = N22 + N21 ∆(I − N11 ∆)−1 N12 .
Representações da Incerteza
265
Projeto de Controladores MIMO na Abordagem H∞
∆
y∆
u∆
w
P
z
u
y
Figura 9.5: Diagrama padrão com incertezas paramétricas. A relação entre P e K é dada
pela LFT inferior e entre P e ∆ pela LFT superior.
Esses três tipos podem ser representados no diagrama padrão por uma matriz ∆,
acrescida à planta nominal.
266
Projeto de Controladores MIMO na Abordagem H∞
A solução do problema 9.5, para o sistema da representação dada na figura 9.3 pode
ser resolvida por duas equações matriciais constituı́das pelas matrizes da representação
em espaço de estados (equações (9.2) a (9.4)) da matriz generalizada P (s). As soluções
dessas equações são matrizes que formam a matriz do controlador K(s). Uma forma
para equação de Riccati, com solução X, é dada a seguir:
E T X + XE − XW X + Q = 0 (9.6)
Análise e Sı́ntese µ
267
Projeto de Controladores MIMO na Abordagem H∞
3. O trabalho de Gahinet (1996) [33] no qual são deduzidas formas explı́citas para
controladores H∞ dinâmicos (também usando o lema da projeção).
4. Os trabalhos de Scherer [71, 72, 73] nos quais são apresentados resultados que não
fazem uso do lema da projeção.
268
Projeto de Controladores MIMO na Abordagem H∞
L(jω)
40
20 altas frequências
l(ω)
|L(jw)| (dB)
−40
−60 cross
over
−80 −1
10 10
0 ωl ωh 101 2
10
frequencia (rad/s)
Figura 9.6: Diagrama tı́pico para L(jω) especificando diferentes regiões de ganho para L(s)
em função da freqüência.
269
Projeto de Controladores MIMO na Abordagem H∞
v
r+ + +
y
+
K G
e w u +
-
+
+
η
Para esse sistema, as relações entrada/saı́da podem ser expressas pelas equações (9.7)
a (9.10), a seguir.
270
Projeto de Controladores MIMO na Abordagem H∞
• ||(I + GK)−1 ||∞ para se ter um boa rejeição à perturbação na saı́da da planta;
• ||G(I + KG)−1 ||∞ para se ter um boa rejeição à perturbação na entrada da planta;
Desta forma, o projeto loop shaping H∞ parte das especificações das funções de
malha fechada acima referidas, calculando controladores que atendam uma ou mais
dessas condições. Essas funções de malha fechada serão referenciadas, genericamente
como sendo as funções (ou matrizes) sensitividade. A tabela 9.1 apresenta a definição
de algumas funções sensitividade.
Tabela 9.1: Definição das funções sensitividade em relação aos sinais de entrada e saı́da de
um sistema de controle padrão. No decorrer do texto as funções So (s) e To (s) serão tratadas
como S(s) e T (s) (por serem as mais usadas). Em geral, pelo contexto, é possı́vel distinguir
entre as funções utilizadas.
271
Projeto de Controladores MIMO na Abordagem H∞
2. o módulo de S(s) deve ter um valor máximo numa determinada faixa de freqüência;
272
Projeto de Controladores MIMO na Abordagem H∞
3. em baixas freqüências (ω → 0), S deve ter um valor nulo, indicando erro zero em
regime.
s
S(s) = (9.11)
(1/M)s + ω1
onde M é o valor máximo para a sensitividade (pico de S(s)) e ω1 é a faixa de passagem
p
em malha fechada, definida como sendo a freqüência onde |S(jω)| corta 1/ (2) = 0, 707
(≈ −3 dB) a partir do seu valor mı́nimo.
Sendo assim, com a definição da equação 9.11 especifica-se um perfil em freqüência
no qual epera-se que o comportamento do sistema real se assemelhe.
Portanto, no projeto H∞ dois fatores serão relevantes na escolha da sensitividade:
M e ω1 .
δs + ωT
T (s) = ,
MT s + ωT
onde MT é o valor máximo de T (s) e ωT sua faixa de passagem e δ << 1.
273
Projeto de Controladores MIMO na Abordagem H∞
A figura 9.8 apresenta o diagrama desse projeto, que possui as seguintes carac-
terı́sticas:
ii) Parâmetros de escolha para W1 : faixa de passagem da sensitividade S(s) e seu valor
máximo (pico para S(jω)).
iv) Procedimento para escolha: conhecimento das regras para loop shaping [78] e com-
promissos existentes para S(s) e T (s) [31].
274
Projeto de Controladores MIMO na Abordagem H∞
z2
W2
z1
W1
r e y
+ K G
- u
Peso W1
Preliminarmente, o peso W1 pode ser escolhido a partir da definição de uma função S(s)
“ideal”, que especifica o comportamento da malha fechada desejada. A equação (9.11)
apresenta uma função S(s) padrão e a partir dela define-se o peso W1 :
Definição 9.1 A matriz W1 pode ser escolhida como sendo uma matriz diagonal, W1 =
w1ii I, com os elementos, w1ii dados por:
s/M1ii + ω1ii
w1ii = (9.13)
s
onde M1ii é o pico máximo da sensitividade S(s), ω1ii é a faixa de passagem esperada
para a malha fechada.
♦
Desta forma, relaciona-se W1 com a sensitividade desejada para cada malha, in-
dependentemente, e espera-se que, pelo menos em baixas freqüências, seja satisfeita a
relação W1−1 (s) ≈ S(s). Naturalmente, o projeto resultará em controladores melhores
desde que a escolha de S esteja de acordo com as limitações e compromissos existentes
para o sistema [31, 75, 78].
275
Projeto de Controladores MIMO na Abordagem H∞
O fato de se requerer erro nulo em regime, isto é definir W1 com integradores, faz
com que a solução via equações de Riccati4 seja não factı́vel. Neste caso, pode-se fazer
uso de um artifı́cio para viabilizar o cálculo, como apresentado na seção ??.
Peso W2
ẋ = Ax + B1 w + B2 u
z = C1 x + D11 w + D12 u
y = C2 x + D21 w + D22 u.
276
Projeto de Controladores MIMO na Abordagem H∞
Neste caso, para a representação dada pelas equações (9.2) a (9.4), as matrizes A,
B1 , . . . , D22 terão os valores:
Aw1 0 −Bw1 Cg Bw1 −Bw1 Dg
A = 0 Aw2 0 , B1 = 0 e B2 = Bw2 . (9.16)
0 0 Ag 0 Bg
" #
Cw1 0 −Dw1 Cg h i
C1 = , C2 = 0 0 Cg . (9.17)
0 Cw2 0
" # " #
Dw1 −Dw1 Dg
D11 = , D12 = , D21 = I, D22 = −Dg . (9.18)
0 Dw2
A partir dessas equações é possı́vel relacionar os parâmetros de projeto com as matrizes
usadas na solução do problema H∞ .
277
Projeto de Controladores MIMO na Abordagem H∞
W3 To
Neste caso, ponderam-se S(s) e T (s) via W1 e W3 , respectivamente. KS é ponderado
por W2 .
Ponderação W3
z2
z1 W2
W1
r e u
y
z3
K G W3
+
-
278
Projeto de Controladores MIMO na Abordagem H∞
Executando o mesmo procedimento do projeto S/KS, com W3 = [Aw3 , Bw3, Cw3 , Dw3],
têm-se as seguintes matrizes A, B1 . . . D22 para a representação no espaço de estados da
representação S/KS/T da figura 9.9.
Aw1 0 0 −Bw1 Cg Bw1 −Bw1 Dg
0 Aw2 0 0 0 Bw2
A= , B1 = e B2 = . (9.21)
0 0 Aw3 B3 Cg 0 Ww3 Dg
0 0 0 Ag 0 Bg
Cw1 0 0 −Dw1 Cg h i
C1 = 0 Cw2 0 0 , C2 = 0 0 0 −Cg . (9.22)
0 0 Cw3 Dw3 Cg
Dw1 −Dw1 Dg
D11 = 0 , D12 = Dw2 , D21 = I, D22 = Dg . (9.23)
0 D 3 Dg
v
Wv z2
W2
+
r z1
+
Wr K G
+ u
- y
Para analisar quais funções de malha fechada são ponderadas, considere-se que a
ponderação W2 possui módulo pequeno na faixa de freqüência de interesse, em relação
279
Projeto de Controladores MIMO na Abordagem H∞
às outras ponderações, de forma que sua influência no valor da norma H∞ possa ser
desconsiderado. Neste caso, caberia avaliar a segunda linha da matriz Tzw da equação
acima. Pode-se concluir, portanto, que o peso Wr deve ponderar To e Wv deve ponderar
GSo .
No presente trabalho este projeto é usado como uma alternativa ao projeto S/KS
(S/KS/T ), com a vantagem de não resultar em controladores que invertem a planta
nominal, G0 (s).
" #
Cw1 0 −Dw1 Dg Cv −Dw1 Cg h i
C1 = , C2 = 0 0 −Dg Cv −Cg . (9.26)
0 Cw2 0 0
" # " #
Dw1 −Dw1 Dg Dv −Dw1 Dg
D11 = , D12 = , D21 = [I − Dg Dv ], D22 = −Dg
0 0 Dw2
(9.27)
280
Projeto de Controladores MIMO na Abordagem H∞
+
W1
z1
+
r d
+
Wr -
K G0
y
W2
z2
A estrutura mostrada na figura 9.11 define o projeto 2-DOF via sensitividade com-
posta. A matriz de malha fechada Tzw para essa configuração é:
" #
W1 (Wr − Ter ) −W1 Soe
Tzw = , (9.28)
W2 Sie W2 Ke Soe
281
Projeto de Controladores MIMO na Abordagem H∞
282
Projeto de Controladores MIMO na Abordagem H∞
9.8.3 Incertezas
Na seção ?? do Apêndice ?? são apresentadas as principais representações de incertezas
usadas para problemas da abordagem H∞ .
Algumas delas são resumidas na tabela 9.2, onde apresentam-se também as relações
entre os tipos de incertezas e suas ocorrências [27, 55, 96].
Incerteza Gp Ocorrência
Aditiva Gp = G0 + ∆ zeros no semi-plano direito (RHP) incertos
Multiplicativa na saı́da Gp = (I + ∆)G0 Erros (incertezas) na saı́da da planta.
Dinâmicas não modeladas.
Multiplicativa na entrada Gp = G0 (I + ∆) Erros na entrada da planta.
Mudança do número de zeros RHP.
Dinâmicas não modeladas.
Inversa na saı́da Gp = (I + ∆)−1 G0 Erros paramétricos em baixas frequências.
Pólos no RHP incertos.
Inversa na entrada Gp = G0 (I + ∆)−1 Erros paramétricos em baixas frequências.
Pólos no RHP incertos.
Fatoração Coprima Gp = (M̃ + ∆M ) −1
(Ñ + ∆N ) −1
Dinâmica não modelada (altas frequências).
Erros paramétricos em baixas frequências.
Pólos no RHP incertos.
Incertezas em pólos e zeros no RHP.
Aditiva Inversa Gp = (G−1
0 − ∆)
−1 Erros paramétricos em baixas frequências.
Pólos no RHP incertos.
Para cada tipo de incerteza da tabela 9.2 existe uma função sensitividade relacionada,
usada para o teste da robustez do sistema em malha fechada. A tabela 9.3 apresenta a
relação entre o sistema incerto e a sensitividade (ponderada por uma função W ) usada
como teste de robustez.
283
Projeto de Controladores MIMO na Abordagem H∞
Tabela 9.3: Relação entre representação das incertezas e a função sensitividade usada
para testar a robustez da malha fechada.
Para esse projeto, podem-se adotar os mesmos esquemas usados para os projetos H∞ loop
shaping, atentando-se para o fato de que a presença de incertezas modifica a estrutura
final da matriz Tzw usada no cálculo de K(s).
284
Projeto de Controladores MIMO na Abordagem H∞
Wi ∆
+ +
K + G0 W3
u
-
285
Projeto de Controladores MIMO na Abordagem H∞
a malha fechada Tzw terá a realização (referente às equações 9.2 a 9.4) dada por:
Aw3 0 Bw3 Cg
A = 0 Awi 0
0 0 Ag
0 Bw3 Dg Bw3 Dg
B1 = 0 0 e B2 = Bwi
0 Dg Dg
" #
Cw3 0 Dw3 Cg h i
C1 = e C2 = 0 0 −Cg
0 Cwi 0
" # " #
0 Dg Dg h i
D11 = e D12 = e D21 = I −Dg e D22 = −Dg
0 0 Dwi
286
Projeto de Controladores MIMO na Abordagem H∞
C2 D21 D22
De posse dessas matrizes, e do número γ, montam-se as equações de Riccati (sim-
plificadas)6 , cujas soluções são as matrizes X∞ e Y∞ :
A2 D12 possui posto cheio para coluna e D21 possui posto cheio para linha.
A3 A matriz: " #
A − jωI B2
(9.36)
C1 D12
deve ter posto cheio para coluna.
A4 A matriz: " #
A − jωI B1
(9.37)
C2 D21
deve possuir posto cheio para linha.
" #
0
A5 D12 = e D21 = [0 I].
I
T T
A6 D12 C1 = 0 e B1 D12 = 0.
6
No Apêndice ?? é apresentado o desenvolvimento matemático das equações completas.
7
O desenvolvimento matemático do Apêndice ?? requer menos restrições
287
Projeto de Controladores MIMO na Abordagem H∞
2. Escolhem-se as ponderações.
288
Projeto de Controladores MIMO na Abordagem H∞
G11(jω) G12(jω)
0 0
10 10
amplitude
amplitude
−5 −5
10 10
−6 −4 −2 0 −6 −4 −2 0
10 10 10 10 10 10 10 10
G (jω) G (jω)
21 22
0 0
amplitude 10 10
amplitude
−5 −5
10 10
−6 −4 −2 0 −6 −4 −2 0
10 10 10 10 10 10 10 10
tempo (s) tempo (s)
Figura 9.13: .
Valores Singulares
σ (jω)
max
3
10
2
10
amplitude
1
10
0
10
−1
10
−6 −5 −4 −3 −2 −1 0
10 10 10 10 10 10 10
σ (jω)
min
0
10
−1
10
amplitude
−2
10
−3
10
−4
10
−6 −5 −4 −3 −2 −1 0
10 10 10 10 10 10 10
tempo (s)
Figura 9.14: .
289
Projeto de Controladores MIMO na Abordagem H∞
MGR
RGA 11 RGA 12
1 1
amplitude
amplitude
0.5 0.5
0 0
−0.5 −0.5
−6 −4 −2 0 −6 −4 −2 0
10 10 10 10 10 10 10 10
RGA 21 RGA 22
1 1
amplitude
amplitude
0.5 0.5
0 0
−0.5 −0.5
−6 −4 −2 0 −6 −4 −2 0
10 10 10 10 10 10 10 10
tempo (s) tempo (s)
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.
290
Projeto de Controladores MIMO na Abordagem H∞
• W1 será uma matriz diagonal, W1 = w1iiI, com os elementos, w1ii dados por:
s/M1ii + ω1ii
w1ii = (9.40)
s
κii s + β ii (κii /β ii )s + 1
w2ii(s) = kw2 = (9.41)
s + αii s/αii + 1
" #
s+1×10−6
s+10
0
W2 = s+1×10−3
0 s+1
291
Projeto de Controladores MIMO na Abordagem H∞
0
10
amplitude
−2
10
−4
10
−6
10
−6 −5 −4 −3 −2 −1 0
10 10 10 10 10 10 10
σ (jω)
min
2
10
0
10
amplitude
−2
10
−4
10
−6
10
−6 −5 −4 −3 −2 −1 0
10 10 10 10 10 10 10
tempo (s)
0
10
−2
10
amplitude
−4
10
−6
10
−8
10
−6 −5 −4 −3 −2 −1 0
10 10 10 10 10 10 10
tempo (s)
0
10
−2
10
amplitude
−4
10
−6
10
−8
10
−6 −5 −4 −3 −2 −1 0
10 10 10 10 10 10 10
tempo (s)
292
Projeto de Controladores MIMO na Abordagem H∞
systemnames = ’G W1 W2’;
sysoutname = ’P’;
inputvar = ’[ref2;u2]’;
inputt oG = ’[u]’;
inputt oW 1 = ’[ref-G]’;
inputt oW 2 = ’[u]’;
outputvar = ’[W1;W2;ref-G]’;
cleanupsysic = ’yes’;
sysic;
nmeas = 2;
ncon = 2;
gmin = 0.90;
gmax = 40;
tol = 1e − 1;
ricmethd = 2;
epr = 1e − 10;
epp = 1e − 6;
quiet = 1;
[K1, gw, gf in2, ax2, ay2, hamx2, hamy2] = ∗hinf syn(P, nmeas, ncon, gmin, gmax, tol, ricmethd
, epr, epp, quiet);
293
Projeto de Controladores MIMO na Abordagem H∞
9.13 Análise
Pode-se usar o comando sysic para montar a matriz usada na simulação (resposta ao
perfil):
Para criar o perfil use o comando vpck. No comando a seguir é 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
Projeto de Controladores MIMO na Abordagem H∞
Y1 e U1
0.1
0.05
amplitude
0
−0.05
−0.1
0 1000 2000 3000 4000 5000 6000
sinal de controle
1
0.5
amplitude 0
−0.5
−1
0 1000 2000 3000 4000 5000 6000
tempo(s)
Y2 e U2
0.15
0.1
0.05
amplitude
−0.05
−0.1
−0.15
−0.2
0 1000 2000 3000 4000 5000 6000
sinal de controle
0.3
0.2
0.1
amplitude
−0.1
−0.2
−0.3
−0.4
0 1000 2000 3000 4000 5000 6000
tempo(s)
295
Projeto de Controladores MIMO na Abordagem H∞
||W1 (s)S(s)||∞ ≤ 1
0
10
−1
10
amplitude
−2
10
−3
10
−4
10
−5
10
−6 −5 −4 −3 −2 −1 0
10 10 10 10 10 10 10
freq (rad/s)
−1
σ [S(jω)] (azul) e σ [W (jω)] (tracejada)
min min 1
2
1.8
1.6
1.4
1.2
amplitude
0.8
0.6
0.4
0.2
0
−6 −5 −4 −3 −2 −1 0
10 10 10 10 10 10 10
freq (rad/s)
296
Projeto de Controladores MIMO na Abordagem H∞
9.13.3 Comentários
• Cada tipo de esquema e cada planta terá um ponto crı́tico para a escolha das
ponderações.
9.13.4 Exercı́cios
1) Faça projetos de controladores H∞ MIMO para o sistema dado no exemplo anterior,
com os esquema GS/T.
297
Referências Bibliográficas
[4] C. Barrat and S. Boyd, Closed-loop convex formulation of classical and singular
value loop shaping, internal report, Stanford University, September 1991.
[7] H. W. Bode, Network Analysis and Feedback Amplifier Design, Van Nostrand,
1945.
[9] R. D. Braatz, Robust Loopshaping for Process Control, PhD thesis, Callifornia
Institute of Technology, Passadena, California, 1993.
298
REFERÊNCIAS BIBLIOGRÁFICAS REFERÊNCIAS BIBLIOGRÁFICAS
[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.
[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
edição ed., 1999.
[15] U. Christen, Engineering Aspects of H∞ Control, PhD thesis, Swiss Federal In-
stitute of Technology, Zurich, Swiss, June 1996.
[18] R. D’Andrea, Generalized l2 synthesis, IEEE Trans. on Aut. Cont., 44 (6) (1999),
pp. 1146–1156.
[22] J. C. Doyle, Analysis of feedback systems with structured uncertainties, IEE Pro-
ceedings, V129 (1982). Part D.
299
REFERÊNCIAS BIBLIOGRÁFICAS REFERÊNCIAS BIBLIOGRÁFICAS
[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).
[29] M. A. Franchek, Selecting the performance weights for the µ and H∞ synthesis
methods for siso regulating systems, Transactions of the ASME, 118 (1996), pp. 126–
131.
[32] J.-P. Friang, G. Duc, and J.-P. Bonnet, Robust Autopilot for a flexible
missile: Loop-Shaping H∞ design and real µ-Analysis, International Journal of
Robust and Nonlinear Control, 8 (1998), pp. 129–153.
300
REFERÊNCIAS BIBLIOGRÁFICAS REFERÊNCIAS BIBLIOGRÁFICAS
[37] T. Glad and L. Ljung, Control Theory: Multivariable and Nonlinear Methods,
Taylor and Francis, 2000.
[41] A. Helmersson, Methods for Robust Gain Scheduling, PhD thesis, Linköping
University, Linköping Sweden, November 1995.
[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. 1307–1317.
301
REFERÊNCIAS BIBLIOGRÁFICAS REFERÊNCIAS BIBLIOGRÁFICAS
[50] J.-L. Lin and B. C. Tho, Analysis and µ-based controller design for an electro-
magnetic suspension system, IEEE Trans on Education, 41 (1998), pp. 116–128.
[54] T. E. Marlin, Process Control: Design Processes and Control Systems for Dy-
namic Performance, McGraw Hill, second ed., 2000.
[57] M. Morari, Robust stability of systems with integral control, IEEE Trans. on Aut.
Control, AC- 30 (1985), pp. 574–577.
[58] M. Morari and E. Zafiriou, Robust Process Control, Prentice Hall, 1989.
302
REFERÊNCIAS BIBLIOGRÁFICAS REFERÊNCIAS BIBLIOGRÁFICAS
[60] A. Packard and J. C. Doyle, The complex structured singular value, Automat-
ica, 29 (1993), pp. 71–109.
[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. 85–100.
[67] H. H. Rosenbrock, The stability of multivariable systems, IEEE Trans. AC, AC-
17 (1972), pp. 105–107.
[70] M. G. Safonov and M. Athans, Gain and phase margin for multiloop LQG
regulators , IEEE Trans. on Automatic Control, AC-22 (1977), pp. 173–178.
[71] C. Scherer, H∞ -control by state-feedback for plants with zeros on the imaginary
axis, SIAM J. Control Optim., 30 (1992).
303
REFERÊNCIAS BIBLIOGRÁFICAS REFERÊNCIAS BIBLIOGRÁFICAS
[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.
304
REFERÊNCIAS BIBLIOGRÁFICAS REFERÊNCIAS BIBLIOGRÁFICAS
[90] S. R. Weller, Structural Issues in Control Design for Linear Multivariable Sys-
tems, PhD thesis, The University of Newcastle, Australia, 1993.
305
REFERÊNCIAS BIBLIOGRÁFICAS REFERÊNCIAS BIBLIOGRÁFICAS
[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