Controle Multivariavel

Controle Multivariável
Márcio Fantini Miranda
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 Introdução à Análise de Sistemas Lineares 30

2.1 Introdução à Análise no Espaço de Estados . . . . . . . . . . . . . . . . . 30
2.1.1 Representação no Espaço de Estados . . . . . . . . . . . . . . . . 31
2.2 Representação Entrada-Saı́da . . . . . . . . . . . . . . . . . . . . . . . . 31
2.3 Obtendo a Representação no Espaço de Estados . . . . . . . . . . . . . . 33
2.3.1 Exercı́cio . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 34
2.4 Solução para a Equação de Estados . . . . . . . . . . . . . . . . . . . . . 35
2.4.1 Abordagem Entrada Saı́da . . . . . . . . . . . . . . . . . . . . . . 35
2.4.2 Abordagem no Espaço de Estados . . . . . . . . . . . . . . . . . . 35
2.4.3 Sistemas Discretos . . . . . . . . . . . . . . . . . . . . . . . . . . 36
2.4.4 Exercı́cio . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 36
2.4.5 Autovalores e Autovetores . . . . . . . . . . . . . . . . . . . . . . 36
2.4.6 Solução da Equação de Estados Revisitada . . . . . . . . . . . . . 37
2.5 Estabilidade . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 37
2.6 Algumas Definições de Álgebra Linear . . . . . . . . . . . . . . . . . . . 38
2.6.1 Bases, Representações e Espaços . . . . . . . . . . . . . . . . . . . 38
2.6.2 Range, Rank, Nulidade e Espaço Nulo . . . . . . . . . . . . . . . 39
2.6.3 Teorema Importante . . . . . . . . . . . . . . . . . . . . . . . . . 40
2.6.4 Exercı́cio . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 41
2.6.5 Espaços Invariantes e Complementares . . . . . . . . . . . . . . . 41
2.6.6 Exercı́cio: Outras Definições . . . . . . . . . . . . . . . . . . . . . 42
2.7 Algumas Matrizes Importantes . . . . . . . . . . . . . . . . . . . . . . . . 42
2.7.1 Matrizes Companheiras . . . . . . . . . . . . . . . . . . . . . . . . 42
2.7.2 Matriz Diagonal: Autovalores reais distintos . . . . . . . . . . . . 43
2.7.3 Exercı́cio . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 43
2.7.4 Autovalores Complexos . . . . . . . . . . . . . . . . . . . . . . . . 44
2.7.5 Exercı́cio . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 44
2.7.6 Forma de Jordan: Autovalores não Todos Distintos . . . . . . . . 45
2.7.7 Comentários . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 46
2.7.8 Gerando a Matriz de Jordan . . . . . . . . . . . . . . . . . . . . . 46
2.7.9 Definição dos Autovetores Generalizados . . . . . . . . . . . . . . 48
2.7.10 Transformação de Similaridade . . . . . . . . . . . . . . . . . . . 49
2.8 Representação no Espaço de Estados . . . . . . . . . . . . . . . . . . . . 51
2.9 Definições Elementares de Sistemas Lineares . . . . . . . . . . . . . . . . 53
2
SUMÁRIO SUMÁRIO
2.9.1 Controlabilidade e Observabilidade . . . . . . . . . . . . . . . . . 53

2.9.2 Teorema sobre Controlabilidade . . . . . . . . . . . . . . . . . . . 54
2.9.3 Teorema sobre Observabilidade . . . . . . . . . . . . . . . . . . . 55
2.10 Mais Definicões . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 56
2.10.1 Forma Canônica Controlável . . . . . . . . . . . . . . . . . . . . . 56
2.10.2 Forma Canônica Observável . . . . . . . . . . . . . . . . . . . . . 57
2.10.3 Estabilizabilidade e Detectabilidade . . . . . . . . . . . . . . . . . 58
2.11 Autovalores e Estabilidade . . . . . . . . . . . . . . . . . . . . . . . . . . 60
2.12 Realização Mı́nima: observável e controlável . . . . . . . . . . . . . . . . 61
2.13 Pólos e Zeros (Introdução) . . . . . . . . . . . . . . . . . . . . . . . . . . 62
2.13.1 Exercı́cio . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 62
2.14 Zeros em Sistemas MIMO: Introdução . . . . . . . . . . . . . . . . . . . 63
2.14.1 Exercı́cio . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 63
2.15 Decomposição Canônica (ou de Kalman) . . . . . . . . . . . . . . . . . . 64
2.15.1 Teoremas da Decomposição Canônica . . . . . . . . . . . . . . . . 64
2.15.2 Comentários I . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 67
2.15.3 Comentários II . . . . . . . . . . . . . . . . . . . . . . . . . . . . 67
2.15.4 Comentário III . . . . . . . . . . . . . . . . . . . . . . . . . . . . 68
2.16 Introdução à Realimentação por Variáveis de Estado . . . . . . . . . . . 69
2.17 Realimentação de Estados: SISO . . . . . . . . . . . . . . . . . . . . . . 71
2.17.1 Alocação de Pólos via Realimentação de Estados . . . . . . . . . 72
2.18 Adendo: Realização Mı́nima . . . . . . . . . . . . . . . . . . . . . . . . . 73
2.19 Bases Matriciais . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 74
2.19.1 Bases e Representações . . . . . . . . . . . . . . . . . . . . . . . . 74
2.19.2 Base Ortonormal . . . . . . . . . . . . . . . . . . . . . . . . . . . 75
2.19.3 Exercı́cio . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 77
2.20 Transformação de Base . . . . . . . . . . . . . . . . . . . . . . . . . . . . 77
2.20.1 Transformação de Similaridade: Matrix Companheira . . . . . . . 78
2.21 Transformação de Similaridade Revisitada . . . . . . . . . . . . . . . . . 79
2.22 Adendo: Observabilidade e Controlabilidade . . . . . . . . . . . . . . . . 80
2.23 Resumo dos Resultados mais Importantes . . . . . . . . . . . . . . . . . 82
3 Matrizes Polinomiais e Racionais 84

3.1 Objetivo do Capı́tulo . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 84
3
SUMÁRIO SUMÁRIO
3.2 Matrizes Polinomiais - Introdução . . . . . . . . . . . . . . . . . . . . . . 85

3.2.1 Matrizes Polinomiais Múltiplas . . . . . . . . . . . . . . . . . . . 85
3.3 Frações Coprimas de Matrizes Racionais . . . . . . . . . . . . . . . . . . 87
3.4 Polinômio Caracterı́stico e Grau de uma Matriz Racional . . . . . . . . . 88
3.4.1 Denominador Comum de um Sistema MIMO . . . . . . . . . . . . 88
3.5 Realização de Um Sistema MIMO: Exemplo . . . . . . . . . . . . . . . . 90
3.5.1 Exercı́cios . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 91
3.6 Realização Mı́nima . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 92
3.6.1 Exercı́cio . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 95
3.6.2 Exercı́cios . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 97
3.7 Pólos, Zeros e Forma de McMillan . . . . . . . . . . . . . . . . . . . . . . 98
3.8 Transformações Elementares . . . . . . . . . . . . . . . . . . . . . . . . . 100
3.8.1 Forma de Hermite . . . . . . . . . . . . . . . . . . . . . . . . . . 100
3.8.2 Exercı́cio . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 102
3.9 Pólos em Sistemas MIMO . . . . . . . . . . . . . . . . . . . . . . . . . . 103
3.9.1 Dois Exemplos . . . . . . . . . . . . . . . . . . . . . . . . . . . . 103
3.9.2 Exercı́cios . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 104
3.10 Zeros em Sistema MIMO . . . . . . . . . . . . . . . . . . . . . . . . . . . 105
3.10.1 Zeros a partir da Realização . . . . . . . . . . . . . . . . . . . . . 105
3.10.2 Zeros a partir da Matriz de Transferência . . . . . . . . . . . . . . 106
3.10.3 Exercı́cio . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 107
3.10.4 Exercı́cio . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 107
3.10.5 Forma de Smith . . . . . . . . . . . . . . . . . . . . . . . . . . . . 108
3.10.6 Forma de Smith-McMillan . . . . . . . . . . . . . . . . . . . . . . 111
3.10.7 Pólos e Zeros para a Forma Canônica . . . . . . . . . . . . . . . . 113
3.11 Descrição Fracional de Matrizes. Alguns Resultados . . . . . . . . . . . . 114
3.12 Resumo dos Resultados e Resultados Adicionais . . . . . . . . . . . . . . 114
3.12.1 Conceitos Básicos (Já Vistos) . . . . . . . . . . . . . . . . . . . . 114
3.12.2 Definições e Teoremas . . . . . . . . . . . . . . . . . . . . . . . . 115
3.12.3 Pólos e Zeros . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 117
3.13 Forma de Smith-McMillan e MFD’s . . . . . . . . . . . . . . . . . . . . . 119
3.13.1 Forma de Smith-McMillan: Histórico e Conceitos . . . . . . . . . 119
3.14 Mais Teoremas e Lemas sobre MFD’s . . . . . . . . . . . . . . . . . . . . 120
3.15 Pólos e Zeros no Infinito . . . . . . . . . . . . . . . . . . . . . . . . . . . 121
4
SUMÁRIO SUMÁRIO
4 Interação e Desacoplamento em Sistemas MIMO 122

4.1 Motivação . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 122
4.2 Análise por meio da MGR . . . . . . . . . . . . . . . . . . . . . . . . . . 123
4.3 Introdução à MGR . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 124
4.4 Exemplo I . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 126
4.4.1 Seleção das Malhas . . . . . . . . . . . . . . . . . . . . . . . . . . 127
4.5 Formalização dos Resultados . . . . . . . . . . . . . . . . . . . . . . . . . 129
4.5.1 Definição Matemática da MGR para sistemas n × n . . . . . . . . 129
4.6 Cálculo da RGA . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 130
4.7 Exemplo II . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 133
4.8 Exemplo-III . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 134
4.9 Algumas Propriedades da RGA . . . . . . . . . . . . . . . . . . . . . . . 137
4.9.1 RGA no MATLAB . . . . . . . . . . . . . . . . . . . . . . . . . . 137
4.10 Desacoplamento . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 139
4.10.1 Introdução . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 139
4.10.2 Exemplos de Desacopladores . . . . . . . . . . . . . . . . . . . . . 139
4.10.3 Desacoplador Ideal . . . . . . . . . . . . . . . . . . . . . . . . . . 140
4.10.4 Exemplo . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 141
4.10.5 Desacoplamento Parcial . . . . . . . . . . . . . . . . . . . . . . . 142
4.10.6 Desacoplador Estático . . . . . . . . . . . . . . . . . . . . . . . . 142
4.11 Desacoplamento por Realimentação de Estados . . . . . . . . . . . . . . 143
4.12 Decomposição em Valores Singulares . . . . . . . . . . . . . . . . . . . . 145
4.12.1 Normas de Vetores . . . . . . . . . . . . . . . . . . . . . . . . . . 145
4.12.2 Normas Induzidas . . . . . . . . . . . . . . . . . . . . . . . . . . . 146
4.12.3 Matrizes de Transferência . . . . . . . . . . . . . . . . . . . . . . 147
4.12.4 Observação . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 147
4.12.5 Valores Singulares . . . . . . . . . . . . . . . . . . . . . . . . . . . 147
4.12.6 Resumindo os Resultados . . . . . . . . . . . . . . . . . . . . . . 148
4.12.7 Valores Singulares, Raio Espectral e Autovalores . . . . . . . . . . 149
4.12.8 Interpretação . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 150
4.13 Resumo dos Resultados e Mais uma Interpretação . . . . . . . . . . . . . 151
4.13.1 Importante . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 152
4.13.2 SVD com G Variando . . . . . . . . . . . . . . . . . . . . . . . . 152
4.14 Adendos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 154
5
SUMÁRIO SUMÁRIO
4.14.1 Estruturas para Controladores . . . . . . . . . . . . . . . . . . . . 154

4.14.2 Diagrama para Representação no Espaço de Estados . . . . . . . 155
4.14.3 Alguns Modelos . . . . . . . . . . . . . . . . . . . . . . . . . . . . 156
5 Alocação de Pólos em Sistemas MIMO 158

5.1 Introdução . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 158
5.2 Realimentação por Variáveis de Estado: Conceitos Correlatos . . . . . . . 158
5.2.1 Considerações . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 159
5.3 Realimentação de Estados: SISO . . . . . . . . . . . . . . . . . . . . . . 160
5.3.1 Alocação de Pólos via Realimentação de Estados . . . . . . . . . 161
5.3.2 Fórmulas para k . . . . . . . . . . . . . . . . . . . . . . . . . . . 162
5.3.3 Fórmula de Bass-Gura . . . . . . . . . . . . . . . . . . . . . . . . 163
5.3.4 Realização Adequada para Calcular a Realimentação de Estados . 164
5.3.5 Fórmula Ackermann . . . . . . . . . . . . . . . . . . . . . . . . . 165
5.3.6 Fórmula de Mayne-Murdoch . . . . . . . . . . . . . . . . . . . . . 165
5.3.7 Abordagem da Função de Transferência . . . . . . . . . . . . . . . 166
5.3.8 Comentários . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 167
5.3.9 Algoritmo . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 168
5.3.10 Exercı́cio . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 168
5.3.11 Comentários Adicionais . . . . . . . . . . . . . . . . . . . . . . . . 168
5.4 Conceitos para a Realimentação de Estados para Sistemas MIMO . . . . 169
5.4.1 Índices de Controlabilidade e Observabilidade . . . . . . . . . . . 170
5.5 Realimentação de Estados: MIMO . . . . . . . . . . . . . . . . . . . . . 171
5.5.1 Alguns Métodos de Projeto . . . . . . . . . . . . . . . . . . . . . 171
5.5.2 Método de Alocação MIMO via Lyapunov . . . . . . . . . . . . . 171
5.6 Exemplo de Utilização do Algoritmo . . . . . . . . . . . . . . . . . . . . 172
5.6.1 Caso SISO . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 173
5.6.2 Expressão para F 5 × 5 . . . . . . . . . . . . . . . . . . . . . . . 174
5.6.3 Caso MIMO . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 174
5.7 Estimadores (Observadores) de Estado: MIMO . . . . . . . . . . . . . . 175
5.7.1 Introdução . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 175
5.7.2 Projeto de Observadores . . . . . . . . . . . . . . . . . . . . . . . 176
5.7.3 Teoremas e Projetos . . . . . . . . . . . . . . . . . . . . . . . . . 178
5.7.4 Estimadores de Ordem Reduzida . . . . . . . . . . . . . . . . . . 179
6
SUMÁRIO SUMÁRIO
5.8 Realimentação de Estados com Estimadores . . . . . . . . . . . . . . . . 180

5.9 Interpretação da Função de Transferência . . . . . . . . . . . . . . . . . . 182
5.9.1 Caso SISO . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 182
5.9.2 Caso MIMO . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 186
5.10 Adendos: Definições e Teoremas . . . . . . . . . . . . . . . . . . . . . . . 189
5.11 Controle LQG . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 191
5.11.1 LQG e LQR Padrão . . . . . . . . . . . . . . . . . . . . . . . . . 191
5.11.2 Realimentação Ótima de Estados . . . . . . . . . . . . . . . . . . 193
5.11.3 Estimador Ótimo de Estados . . . . . . . . . . . . . . . . . . . . 194
5.11.4 LQG = LQR + Kalman . . . . . . . . . . . . . . . . . . . . . . . 195
5.11.5 Exemplo do Controlador LQG para um Sistema SISO . . . . . . . 196
5.11.6 LQG para Sistemas com Entrada r(t) . . . . . . . . . . . . . . . . 197
5.11.7 Exemplos e Exercı́cios . . . . . . . . . . . . . . . . . . . . . . . . 197
6 Análise de Sistemas Multivariáveis Realimentados 200

6.1 Introdução . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 200
6.1.1 Conceitos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 200
6.2 Exemplo para Motivação . . . . . . . . . . . . . . . . . . . . . . . . . . . 202
6.3 A Malha MIMO Padrão . . . . . . . . . . . . . . . . . . . . . . . . . . . 206
6.4 Especificações de Desempenho Baseadas nas Funções Sensitividade . . . . 206
6.4.1 Definição das Funções Sensitividade . . . . . . . . . . . . . . . . . 208
6.5 Estabilidade do Sistema em Malha Fechada . . . . . . . . . . . . . . . . 209
6.6 Revisão dos Conceitos sobre Análise de Nyquist . . . . . . . . . . . . . . 213
6.6.1 Notação e Conceitos . . . . . . . . . . . . . . . . . . . . . . . . . 213
6.6.2 Estabilidade do Sistema . . . . . . . . . . . . . . . . . . . . . . . 214
6.6.3 Critério de Estabilidade de Nyquist para sistemas MIMO . . . . . 215
6.7 Análise Frequencial . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 218
6.7.1 Análise de Nyquist para Estabilidade de Sistemas MIMO . . . . . 219
6.8 Resposta em Regime Estacionário para Entrada Degrau . . . . . . . . . . 220
6.9 Análise no Domı́nio da Freqüência - Extensão ao Bode . . . . . . . . . . 221
6.9.1 Rastreamento . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 222
6.9.2 Introdução à Robustez . . . . . . . . . . . . . . . . . . . . . . . . 223
6.10 Exercı́cios . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 224
7
SUMÁRIO SUMÁRIO
7 Restrições Fundamentais e Limites para o Desempenho e Compromis-

sos 225
7.1 Introdução . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 225
7.2 Controlabilidade Entrada-Saı́da . . . . . . . . . . . . . . . . . . . . . . . 226
7.3 Regras para Análise da Controlabilidade Entrada-Saı́da . . . . . . . . . . 226
7.4 Controlabilidade Funcional . . . . . . . . . . . . . . . . . . . . . . . . . . 229
7.5 Exercı́cios . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 230
7.6 Revisão das Restrições em Sistemas SISO . . . . . . . . . . . . . . . . . . 232
7.6.1 Escalonamento (Normalização) . . . . . . . . . . . . . . . . . . . 232
7.7 Desempenho . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 233
7.8 Controle Perfeito . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 233
7.9 Restrições em S(s) e T (s) . . . . . . . . . . . . . . . . . . . . . . . . . . 234
7.10 Análise da Controlabilidade Entrada-Saı́da . . . . . . . . . . . . . . . . . 235
7.11 Exemplos e Aplicações . . . . . . . . . . . . . . . . . . . . . . . . . . . . 236
8 Projeto de Controladores MIMO Usando Sı́ntese Q 237

8.1 Introdução . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 237
8.1.1 Linhas de Solução com a Parametrização-Q . . . . . . . . . . . . 238
8.2 Introdução a Parametrização-Q e ao IMC . . . . . . . . . . . . . . . . . . 239
8.2.1 Equações . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 240
8.3 Revisão da Sı́ntese-Q para Sistemas SISO . . . . . . . . . . . . . . . . . . 241
8.3.1 Voltando ao Exemplo . . . . . . . . . . . . . . . . . . . . . . . . . 241
8.3.2 Compromissos Implı́citos . . . . . . . . . . . . . . . . . . . . . . . 242
8.3.3 Exercı́cios . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 244
8.3.4 Exercı́cio . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 245
8.4 Sı́ntese-Q: Conceitos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 246
8.5 Parametrização de Todos Controladores Estabilizantes . . . . . . . . . . 248
8.5.1 Estabilidade de Sistemas . . . . . . . . . . . . . . . . . . . . . . . 248
8.6 Outras Configurações Usuais . . . . . . . . . . . . . . . . . . . . . . . . . 250
8.7 Parametrização de Todos Controladores Estabilizantes: SISO e G(s) Estável251
8.8 Revisão dos Conceitos de Fatoração Coprima . . . . . . . . . . . . . . . . 252
8.8.1 Lema Adicional . . . . . . . . . . . . . . . . . . . . . . . . . . . . 252
8.8.2 Revisão Fatoração Coprima: SISO . . . . . . . . . . . . . . . . . 253
8.8.3 Revisão Fatoração Coprima: MIMO . . . . . . . . . . . . . . . . . 254
8
SUMÁRIO SUMÁRIO
8.8.4 Fatoração Coprima Dupla . . . . . . . . . . . . . . . . . . . . . . 254

8.8.5 Construção da Fatoração Coprima Dupla . . . . . . . . . . . . . . 255
8.9 Parametrização de Todos Controladores Estabilizantes: SISO e G(s) Genérica256
8.10 Parametrização de Todos Controladores Estabilizantes: MIMO e G(s)
Genérica . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 257
8.10.1 Lema Adicional, Caso MIMO . . . . . . . . . . . . . . . . . . . . 258
8.11 Comentários . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 259
9 Projeto de Controladores MIMO na Abordagem H∞ 260

9.1 Introdução . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 260
9.2 Revisão . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 260
9.3 Conceitos do Loop Shaping Clássico . . . . . . . . . . . . . . . . . . . . . 269
9.4 Conceitos do Loop Shaping H∞ . . . . . . . . . . . . . . . . . . . . . . . 270
9.4.1 Especificações de Desempenho Baseadas nas Funções Sensitividade 270
9.4.2 Caracterı́sticas da Funções S(s) e T (s) . . . . . . . . . . . . . . . 272
9.4.3 Relações para S(s) . . . . . . . . . . . . . . . . . . . . . . . . . . 272
9.4.4 Relações para T (s) . . . . . . . . . . . . . . . . . . . . . . . . . . 273
9.5 Projeto via Sensitividade Composta . . . . . . . . . . . . . . . . . . . . . 273
9.6 Esquema S/KS . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 274
9.6.1 Escolha dos Pesos . . . . . . . . . . . . . . . . . . . . . . . . . . . 275
9.7 Outros Esquemas para Projeto via Sensitividade Composta . . . . . . . . 277
9.7.1 Esquema S/KS/T . . . . . . . . . . . . . . . . . . . . . . . . . . . 278
9.7.2 Esquema GS/T . . . . . . . . . . . . . . . . . . . . . . . . . . . . 279
9.7.3 Projeto para Controlador com Dois Graus de Liberdade . . . . . . 280
9.8 Projeto H∞ Robusto . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 281
9.8.1 Filosofia do Projeto H∞ Robusto . . . . . . . . . . . . . . . . . . 282
9.8.2 Relações para Robustez . . . . . . . . . . . . . . . . . . . . . . . 282
9.8.3 Incertezas . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 283
9.8.4 Especificação do Projeto H∞ Robusto . . . . . . . . . . . . . . . 284
9.8.5 Projeto H∞ Robusto com Incerteza Multiplicativa de Entrada . . 285
9.9 Solução Via Equações de Riccati . . . . . . . . . . . . . . . . . . . . . . . 286
9.10 Exemplo de Projeto de Controlador H∞ MIMO (via Loop Shaping) . . . 288
9.11 Exemplo de Utilização . . . . . . . . . . . . . . . . . . . . . . . . . . . . 288
9.11.1 Resposta em Freqüência do Sistema . . . . . . . . . . . . . . . . . 289
9
SUMÁRIO SUMÁRIO
9.11.2 Procedimento . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 290

9.12 Como montar a matriz P (s) no MATLAB . . . . . . . . . . . . . . . . . 293
9.13 Análise . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 294
9.13.1 Respostas Temporais . . . . . . . . . . . . . . . . . . . . . . . . . 295
9.13.2 Análise de S(s) e W (s) . . . . . . . . . . . . . . . . . . . . . . . . 296
9.13.3 Comentários . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 297
9.13.4 Exercı́cios . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 297
10
Capı́tulo 1
Introdução
1.1 Objetivo Geral do Curso

Apresentar as particularidades de sistemas dinâmicos que possuem mais de uma entrada
e uma saı́da. Estudar e implementar r técnicas para projeto de controladores para estes
sistemas (os ditos sistemas multivariáveis).
• Nesse capı́tulo são apresentados alguns conceitos genéricos que serão aprofundados
no decorrer do curso.
• Considera-se, a menos que dito o contrário, sistemas contı́nuos, representados por

equações dinâmicas (diferenciais e integrais) ou no domı́nio de Laplace.
• Principais tópicos abordados no capı́tulo:
1. Exemplos clássicos de sistemas 2 × 2.

2. Caracterı́sticas de sistemas MIMO.
1.2 O Problema de Controle

Definição 1.1 [39] O problema central em Controle é o de encontrar uma maneira
tecnicamente viável de agir sobre um dado processo de tal forma que o mesmo tenha
um comportamento o mais próximo possı́vel do desejado (ou idealizado), a despeito das
incertezas e perturbações.
11
Introdução
Algumas colocações são pertinentes em relação a definição acima
• Comportamento Desejado: relacionado com a especificação (seja do Engenheiro,

Gerente, Uusuário). Para cada um deve levar em consideração um determinado
critério.
• Viável tecnicamente: deve-se considerar um “limite”para o que se deseja.
• Incertezas: sempre presentes. Limitam o comportamento. Define um projeto

robusto.
• Perturbações: sempre presentes. Se levada em conta no projeto passa a definir um

“projeto robusto”
1.3 Controle Multivariável: Breve Histórico

O motivo de se dar atenção para sistemas de controle que possuem mais de uma variável
é óbvio: a maioria do sistemas reais são multivariáveis.
Em relação ao controle de processos industriais usualmente tem-se interesse em con-
trolar as variáveis: temperatura, vazão, pressão (nı́vel), PH ou reações quı́micas e umi-
dade. Em geral estas variáveis não são independentes. A existência do acoplamento
impossibilita, muitas vezes, abordagens multimalhas. Daı́ a preocupação do estudo
multivariável.
Historicamente, as técnicas multivariáveis de projeto e análise apareceram como uma
extensão das técnicas SISO. Os métodos existentes até 1976 podem ser divididos em três
grupos [20]. Na primeira categoria estão os projetos no domı́nio da freqüência, como
por exemplo os métodos de Nyquist para sistema MIMO, isto é, as matrizes inversas e
diretas de Nyquist, INA e DNA, respectivamente.
Na segunda categoria estão os métodos baseados na abordagem de espaço de estados,
incluindo controle ótimo LQG e funções de Lyapunov, por exemplo.
Na terceira categoria estão os métodos que usam a resposta ao impulso do sistema
multivariável como base para o projeto do sistema de controle. Um exemplo é a abor-
dagem da Matriz de Controle Dinâmica, DMC (Dynamic Matrix Control), que na ver-
dade é uma derivação do IMC [20].
Atualmente, as técnicas de controle multivariável incluem a abordagem de controle
com incertezas, Projeto de controladores H∞ e H2 , Projeto de Contraladores Ótimos,
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.
1.3.1 Uma Definição

Um sistema multivariável é aquele em que uma entrada afeta não só a sua saı́da cor-
respondente, mas também outras saı́das da planta. Nesse caso, diz-se que há uma
interação, ou acoplamento entre entradas e saı́das [20].
1.4 Sistemas MIMO

O projeto e a análise de sistemas multivariáveis é inerentemente mais complexo do que
para sistemas monovariáveis. Uma justificativa imediata para essa afirmação é a de que
sistemas multivariáveis possuem acoplamento entre as variáveis envolvidas. Assim um
sistema multivariável não é simplesmente uma superposição de variáveis, ao contrário,
é um interligação delas, o que provoca o aumento da complexidade na interpretação de
seu comportamento.
Durante todo texto Sistemas Multivariáveis serão chamados de sistemas MIMO
(Multi-Input - Muli-Output, muitas entradas-muitas saı́das) e Sistemas Monovariáveis
serão chamados de SISO (Single-Input-Single-Output).
Sistemas MIMO podem ser expressos por matrizes de transferência, que são análogas
às funções de transferência com a diferença de que são acrescidos os acoplamentos entre
as variáveis.
A partir da matriz de transferência pode-se fazer diversos estudos: análise em
freqüência, interpretação geométrica (pólos, zeros e direcionalidade), funções sensitivi-
dade e sensitividade complementar ou estudos matriciais de redução à formas canônicas,
que facilitam a interpretação fı́sica de seus elementos e de suas relações
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:
Nesse caso a função de transferência entre r1 e y1 (com u2 = 0) será:

Y1 (s) 2K1
= .
R1 (s) u2 =0 s + 2K1

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

Nesse caso, se K2 = 0, obtem-se a resposta ao degrau dada na figura 1.1.

Pergunta-se: O que aconteceria se os dois controladores estivessem “ligados”simultaneamente
? Comentários:
14
Introdução
• O resultado da operação simultânea desses controladores é dada na figura 1.2(a),

para K1 = 1 e K2 = 2, com r1 = 1 e r2 = 0.
• Repare que, mesmo para r2 = 0, com o controlador K2 “ligado”, haverá alteração

na resposta y1 .
• Se os ganhos são elevados (na tentativa de melhorar a velocidade da resposta), por

exemplo, K1 = 4 e K − 2 = 8, tem-se uma resposta instável (vide figura 1.2(b)
saida y1 com u2 = 0 mas K2 dif 0 saida y1 com u2 = 0. K2 = 8 K1 = 4
1.4 2.5
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)
Figura 1.2: Respostas para diferentes sintonias de controladores multimalha.
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.
• Considere r2 = 0 mas K2 6= 0. Compare.
• Considere r1 6= 0 e r2 6= 0, com K1 e K2 não nulos. Compare.
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
Alguns Problemas de Sistemas MIMO
• Zeros de malha fechada. Zeros de fase não-mı́nima (abordado no capı́tulo 3).
• Pólos de malha aberta × de malha fechada (abordado no capı́tulo 3).
• Acoplamentos (abordado no capı́tulo ??).
• Emparelhamento (abordado no capı́tulo ??).
16
Introdução
1.6 Configurações para um Sistema 2 × 2

" # " #" #
C1 (s) g11 (s) g12 (s) M1 (s)
=
C2 (s) g21 (s) g22 (s) M2 (s)
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)
Figura 1.3: Diagrama esquemático de uma matriz de transferência 2 × 2. Uma planta 2 × 2

pode ter sua variável controlada Ci (i = 1 ou i = 2) relacionada à váriavel manipulada 1 ou 2.
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)
• Considere que se deseja projetar um controlador multimalha, consistindo de dois

PI’s. Compare o resultado da malha fechada para os possı́veis emparalhamentos
entre as variáveis de entrada e saı́da.
• Avalie a resosta quando há variação no set-point de uma malha e depois de duas.
• A figura 1.4 apresenta o resultado do controle. Repare os emparelhamentos dados

na tabela.
Figura 1.4:
18
Introdução
1.7.1 Resultados do Matlab

A figura 1.5 apresenta o resultado do controle para as duas malhas controladas com PI
dados por:
1
Kp , com Kp1 = 0.945, Kp2 = −0.196, Ti2 = 9 e Ti1 = 3.26.
Ti s
A figura 1.6 apresenta o resultado do controle para as malha 1 com PI e a malha 2 em
respostas temporais para y1 e y2 com PI para M1 e M2
2
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:
aberto, com M2 = 0, 0455

respostas temporais para y1 e y2 com M2 = constante
2
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:
a) Obtenha os resultados das figuras 1.5 e 1.6.
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.
d) Simule o sistema em malha fechada para referência r = 1 para ambas as malhas.
e) Tente ”criar”um controlador ”cheio”(isto é, uma matriz 2 × 2) que controle ”ade-
quadamente”as duas malhas.
1.8 Alguns Processos MIMO

Coluna de Destilação (Benchmark definido por Skogestad): Modelo simplificado
Condenser
Reflux
Drum LT
FC
LC
FC Distillate (D)
Reflux (L)
Feed (F)
TT TC
Steam
Reboiler
LT
Bottoms (B)
LC
Figura 1.7:
(2 × 2): (um entre vários). (Vide [78] e [56]).

" #
1 87.8 −86.4
G(s) = (1.3)
75s + 1 108.2 −109.6
20
Introdução
• Sistema de Mistura de dois Fluidos.
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
FV-02 FV-07 FCV-02

FT-01
FCV-01
u1
u2
TQ-01
BA-01 FV-01
Figura 1.9:
21
Introdução
1.9 Sistema Multivariáveis: Conceitos Básicos I

1.9.1 Definições
Um sistema fı́sico pode ser representado por equações de estado da forma:
(
ẋ = Ax + Bu
S: (1.4)
y = Cx + Du
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)
Define-se ainda uma matriz P dada por:

" #
(sI − A) −B
P (s) =
C D
P é chamada de matriz do sistema (ou matriz de Rosenbrock).
• As equações dinâmicas descrevem uma realização do sistema fı́sico, dada pelas

matrizes {A, B, C, D}. Se D = 0 o sistema é dito ser próprio, caso contrário ele é
não próprio.
• A análise de sistemas MIMO é feita a partir do conhecimento de G(s) ou P (s). Di-

versas formas canônicas são definidas para essas matrizes, sendo que as princı́pais
são as de Hermite [45], e de Smith e McMillan-Smith [52].
• 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
1.9.2 Abordagem Entrada-Saı́da

No caso de ser ter múltiplas entradas e saı́das, é possı́vel expressar este sistema por
matrizes de transferência, que são matrizes racionais próprias, cujos elementos são
razões de polinômios na variável s, com o grau do denominador maior ou igual ao do
numerador.
Um conceito anterior ao das Matrizes Racionais é o que define as Matrizes
Polinomiais.
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
• Associação função de transferência G(s) (ou g(s)) com MATRIZ de TRANS-

FERÊNCIA, G(s), ou G(s).
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.
• Essa abordagem, em geral, só é estudada em alguns contextos particulares (como

no caso de controle multivariável). No dizer de Thomas Kailath, [45], “... it is
necessary to develop the relatively unfamiliar theory of polynomial matrices...’.
• No trato com sistemas polinomiais (sejam funções ou matrizes) é importante tra-

balhar a noção de “formas reduzidas”. Essas formas reduzidas estão diretamente
ligadas as “realizações mı́nimas”, que por sua vez estão associadas aos números
máximos de integradores (ou derivadores) da equação diferencial associada.
• 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
1.10 Sistema Multivariáveis: Conceitos Básicos II

1.10.1 Interações e Malhas MIMO
C1 (s) C1 (s)
= Gp11 (s) e = Gp12 (s)
M1 (s) M2 (s)
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 .
• Princı́pio da superposição (sistemas lineares): mudanças simultâneas em M1 e M2

tem o efeito aditivo na saı́da:
C1 (s) = Gp11 M1 (s) + Gp12 M2 (s)

C2 (s) = Gp21 M1 (s) + Gp22 M2 (s)
ou
C(s) = Gp (s)M(s)
" #
Gp11 (s) Gp12 (s)
Gp (s) =
Gp21 (s) Gp22 (s)
25
Introdução
1.10.2 Representações em Malha
(a)
(b)
Figura 1.10: Duas representações para um sistema MIMO 2 × 2
Emparelhamento 1 − 1/2 − 2
No esquema da figura 1.10(a), C1 é controlado por M1 e C2 or M2 . Essa configuração é

denominada 1 − 1/2 − 2.
Emparelhamento 1 − 2/2 − 1
Uma alternativa a configuração 1 − 1/2 − 2 é a denominada 1 − 2/2 − 1, vista na figura

1.10(a).
26
Introdução
• Como mostrado na figura 1.10 existe uma interação entre mas malhas.
• Essa interação é um problema dos sistemas MIMO (mesmo para um 2 × 2).
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 .
b) Como C2 foi alterada, o controlador da malha-2 altera M2 para regulá-la.
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
1.10.4 Malha de Realimentação Escondida

Como notado por Shinskey [76], a interação no sistema 2 × 2 ocorre devido a presença
de uma malha escondida, definida a partir da interação. A figura 1.11.
Figura 1.11: Diagrama esquemático destacando a malha “escondida
A “malha escondida”causa alguns problemas potenciais:
• Pode desestabilizar o sistema.
• Dificulta a sintonia da malha fechada.
A Questão da Interação
• Se M2 (s) = 0 (Gc2 está em manual ou aberto, isto é C2 − M2 aberto) então:
C1 (s)
= Gp11 (s)
M1 (s)
• Entretanto, se Gc2 está no automático, M2 (s) 6= 0, (isto é C2 −M2 fechado) tem-se:
C1 (s) Gp12 Gp21 Gc2

= Gp11 (s) −
M1 (s) 1 + Gc2 Gp22
• Esse resultado mostra, entre outras coisas, que os controladores não podem ser
sintonizados independentemente.
28
Introdução
1.11 Comentários Finais

Nesse capı́tulo ojetivou-se apresentar alguns conceitos importantes que serão trabalhados
posterirmente. Por hora, é importante atentar para a questão do acoplamento e da forma
de se representar um sistema MIMO.
A abordagem entrada-saı́da em sistemas MIMO remete ao estudo de um ferramental
matemático particular, a saber, o das matrizes racionais e das matrizes polinomiais.
Esse é o assunto do capı́tulo 3.
A abordagem no espaço de estados também tem algumas particulares para o caso
MIMO. Mas uma questão de suma importância é como encontrar realizações para
matrizes de transferência.
Uma vez representados os sistemas MIMO no Espaço de Estados, as formas de
projeto e análise são bastante semelhantes às do sistema SISO.
A importância da representação no EE para sistemas MIMO advém do fato de se
obter um ambiente um pouco mais simples para o trato com as questões multivariáveis.
Já, na abordagem entrada/saı́da, corre-se o risco de se necessitar de uma matemática
mais elaborada.
No capı́tulo 2 será tratada a questão da representação no EE. Deve-se atentar para
a questão de como encontrar realizações.
No capı́tilo 3 serão abordadas questões pertinentes a teoria das matrizes polino-
miais, matrizes racionais e fatorações matriciais.
29
Capı́tulo 2
Introdução à Análise de Sistemas

Lineares
2.1 Introdução à Análise no Espaço de Estados

• Sistema Linear: obedece o princı́pio da superposição.
• Uma representação possı́vel para um sistema linear: modelo em variáveis de es-

tado.
• Variáveis de estado são representações que formam um conjunto completo no

sentido de que, conhecidos seus valores é possı́vel determinar o comportamento
dinâmico do sistema.
• Na representação por variáveis de estado, a qualquer momento t é possı́vel saber o

valor da saı́da do sistema, desde que conhecidos os valores das variáveis de estado
x(t), no referido tempo, bem como a entrada, u(t).
• 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)
Nessas equações as matrizes A, B, C e D possuem dimensões compatı́veis com os vetores

u(t), y(t) e x(t).
30
Introdução à Análise de Sistemas Lineares
2.1.1 Representação no Espaço de Estados

Considera-se então um sistema linear representado pela realização (A,B,C,D), como
sendo definido no espaço de estados:
(
ẋ = Ax + Bu
S: (2.3)
y = Cx + Du
Para denotar a relação G(s) com a representação A, B, C, D é comum escrever:
" #
A B
G(s) =
C D
Diz-se que A, B, C, D é uma realização de (ou para) G(s).
• A partir da representação no EE é possı́vel analisar a estabilidade e projetar com-

pensadores, de uma forma semelhante tanto para sistemas SISO quanto MIMO.
• É possı́vel também definir pólos e zeros do sistema a partir da realização de G(s).
2.2 Representação Entrada-Saı́da

Vide [13] capı́tulo 2
Considere um pulso de largura ∆ e altura 1/Delta, δ∆ (t − t1 ).Vide figura 2.1. Con-
sidere também que toda entrada u(t) possa ser aproximada por uma seqüência desses
pulsos, isto é:
X
u(t) ≈ u(ti )δ∆ (t − ti )∆
i
(lembre-se que a altura do pulso é 1/Delta, logo δ∆ (t − ti )∆ terá altura 1).
Seja g∆ (t, ti ) a saı́da no tempo t, cuja entrada foi um pulso u(t) = δ∆ (t − ti ) aplicado
no tempo ti . Tem-se:
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
Figura 2.1: Pulso aplicado em t1
• No desenvolvimento anterior, fez-se uso de duas propriedades dos sistemas lineares:

a homogeneidade e a aditividade.
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
−∞
...que é a famosa intregal de convolução !!! E g(t, τ ) é a famosa resposta ao impulso!!

do sistema em questão.
• Uma equação mais realista:

Z t
y(t) = g(t, τ )u(τ )dτ
t0
32
• Seja um sistema MIMO com p entradas e q saı́das, dado por:

 
g11 (t, τ ) g11 (t, τ ) . . . g1p (t, τ )
 g21 (t, τ ) g22 (t, τ ) . . . g2p (t, τ )
 

G(t, τ ) =  .. .. .. 
. . .
 
 
gq1 (t, τ ) gq2 (t, τ ) . . . gqp (t, τ )
, tem-se que Z t
~y (t) = G(t, τ )~u(τ )dτ
t0
• Não estaremos usando a notação de vetor durante o curso para representar os

vetores. Nas equações estará implı́cito se a variável é vetor ou escalar.
2.3 Obtendo a Representação no Espaço de Estados

• Em se tratando de sistemas dinâmicos, é de se esperar que, para análise e projeto
de controladores, parte-se do conhecimento de algum modelo. Uma representação
básica de qualquer sistema dinâmico é a que faz uso de equações diferenciais (lin-
eares ou não).
• Considerando-se sistemas dinâmicos lineares (SISO ou MIMO) tem-se as repre-

sentações via função (matriz) de transferência, via espaço de estados ou mesmo
via equações diferenciais.
• A representação no Espaço de Estados (EE) (domı́nio do tempo) está diretamente

relacionada com a representação no domı́nio de Laplace (domı́nio da freqüência),
que por sua vez está relacionada com a representação em equações diferenciais.
• Lembrando que, com um certo abuso de linguagem, podemos associar a variável

s com o operador derivada e a variável 1/s ao operador integrador.
• Deve-se lembrar também que representações em FT (ou MT) consideram condições

iniciais nulas. Já no EE isto não é condição necessária (para haver a representação).
Exemplo 2.1 (Exemplo de Sistema Linear) Considere o sistema g(s) = 1/(s + 1)

definindo a relação entre y(s) e u(s):
y(s) = g(s) ∗ u(s) → (s + 1)y(s) = u(s) → ẏ(t) + y(t) = u(t)
33
Considerando condições iniciais nulas. Escolha por, exemplo, a saı́da y(t) como sendo
um estado:
x1 (t) = y(t)
Teremos então:
ẋ1 (t) = −x1 (t) + u(t)

y(t) = x1 (t) + 0u(t)
Que está na forma
ẋ(t) = Ax(t) + Bu(t) (2.4)

y(t) = Cx(t) + Du(t) (2.5)
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
Figura 2.2: Circuitos para Exercı́cio da subseção 2.3.1
34
2.4 Solução para a Equação de Estados

Vide [13] capı́tulo 4.
2.4.1 Abordagem Entrada Saı́da

Z t
y(t) = g(t, τ )u(τ )dτ (2.6)
t0
• Para achar a soução y(t) pode-se resolver a equação 2.6.
• Não existe solução análitica simples.
• Pode-se calculá-la discreta (passo de integração dado por ∆):

k
X
y(k∆) = g(k∆, m∆)u(m∆)∆
m=k0
• Pode-se resolvê-la via Transformada de Laplace. (Frações parciais e Laplace In-

versa...)
2.4.2 Abordagem no Espaço de Estados

Dado o sistema dinâmico de realização (A, B, C, D) (equação (2.3)), com um estado ini-
cial x(t0 ) e uma entrada u(t), a resposta dinâmica x(t) para t ≥ t0 pode ser determinada
por: Z t
A(t−t0 )
x(t) = e x(t0 ) + eA(t−τ ) Bu(τ )dτ (2.7)
t0
sendo a matriz exponencial

∞
At
X (At)k
e =I+
k!
k=1
(existem outras formas de calculá-la). A saı́da é dada por
y(t) = Cx(t) + Du(t).
35
2.4.3 Sistemas Discretos

Pode-se ainda fazer uso da presentação no EE para sistemas discretos (equações de
diferença e funções F (z)).
(
x(k + 1) = Ax(k) + Bu(k)
S: (2.8)
y(K) = Cx(k) + Du(k)
2.4.4 Exercı́cio
• Mostre que a solução de (2.3) é dada pela equação (2.7).
• Vide [13], capı́tulo 4, página 87 a 89.
• Resolva os exemplos 4.1 e 4.2 de [13] página 89.
2.4.5 Autovalores e Autovetores

Definição 2.1 Um número real λ é chamado autovalor de uma matriz real n × n, A,
se existir um vetor não nulo x tal que
Ax = λx
♦
Importante ainda definir o autovetor.
Definição 2.2 Qualquer vetor não nulo x satisfazendo Ax = λx é denominado autove-

tor (à direita) de A, associado ao autovalor λ.
♦
Para encontrar os autovalores de A resolve-se a equação
Ax = λx ou Ax = λIx I é a matriz identidade.
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
• Define-se ainda o polinômio caracterı́stico de A.
Definição 2.3 O polinômio caracterı́stico da matriz A, de coeficientes reais é dado por:
∆(λ) = p(s) = det(λI − A)
• Logo os autovalores de A podem ser encontrados como a solução de p(s) = 0.
• 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.
2.4.6 Solução da Equação de Estados Revisitada

Dado o sistema dinâmico de realização (A, B, C, D) (equação (2.3)) sabe-se que a solução
pode ser encontrada a partir da matriz exponencial. No caso, em se tendo A diagonal,
tem-se uma solução particular.
Para uma realização onde A é diagonal, Ad = SAS −1 , tem-se que:
eAd t = diag{eλi (A)t }
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
sendo pi o autovetor correspondente. Veja definições 2.1 e 2.2.
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
Teorema 2.1 ([78], pg. 128)
Um sistema dinâmico linear, ẋ = Ax + Bu é estável se e somente se todos os pólos

estão no semi-plano esquerdo aberto (OLHP, open left-half plane), isto é, ℜ{λi (A)} <
0∀i. Uma matriz A que satisfaça essa condição é dita ser estável ou Hurwitz.

• λi (A) é o espectro de A
• Existem muitas questões que envolvem o espectro de A: se todos os autovalores são

distintos, se existem autovalores repetidos, se são reais ou complexos, por exemplo.
• Os autovalores da matriz A definem o comportamento dinâmico do sistema e

podem ser encontrados com a solução da equação (A − λI)x = 0.
2.6 Algumas Definições de Álgebra Linear

2.6.1 Bases, Representações e Espaços
• Espaço real linear n-dimensional denotado por Rn .
• Todo vetor x ∈ Rn é um conjunto de n elementos tais que:

 
x1
 x2 
 
x=  .. 

 . 
xn
• O conjunto de vetores{ x, x1 , x2 , xm }(cada um consistindo em um vetor de n

elementos como o dado na equação acima) é dito ser linearmente dependente
(LD) se existirem escalares reais, αi (i = 1, . . . , m), não todos nulos, tais que:
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
Considere o sistema de equações na representação matricial dado por:
Ax = y (2.11)
sendo A uma matriz m × n, y um vetor m × 1 e x um vetor n × 1. A e y são dados. x

é a incógnita. Assim tem-se m equações e n variáveis desconhecidas.
• Sabe-se que, dependendo do problema, o número de equações pode ser maior,

menor ou igual ao número de incógnitas.
2.6.2 Range, Rank, Nulidade e Espaço Nulo

Condições para a solução de (2.11) são definidas em relação a “estrutura de A”. A partir
dessa estrutura, definem-se alguns termos.
Range
O range de A (range space) é definido como sendo todas as combinações lineares de

todas as colunas de A.
Rank ou Posto
O posto (rank) de A é definido como sendo a dimensão do range (isto é do espaço

definido pelas colunas de A).
Vetor Nulo
Um vetor x é denominado vetor nulo de A se Ax = 0.
Espaço Nulo
O espaço nulo de A consiste de todos os vetores nulos de A.
Nulidade
A nulidade (nullity) é definida como sendo o número máximo de vetores LI (linearmente

independentes) que são solução de Ax = 0.
39
Relações Importantes
• Considere A m × n
•
Nulidade(A) = número de colunas de A - rank(A)
• O rank (posto) de A é definido como sendo o número de colunas LI de A. E

também é igual ao número de linhas LI de A. Sendo assim, para A m × n
tem-se que:
rank(A) ≤ min(m, n) Asendo uma matriz m × n.
• No MATLAB use os comandos orth, null e rank.
• Denota-se ρ para o rank e η para a nulidade.
• No MATLAB a solução para Ax = y pode se encontrada com o comando A \ y.
2.6.3 Teorema Importante

Teorema 2.2 (Chen, [13], pg. 50)
1. Dada uma matriz (m × n) A, um vetor (m × 1), y e um vetor x (n × 1), a solução

para Ax = y exisitirá se e somente se y estiver no espaço range de A, ou
equivalentemente
ρ(A) = ρ([A y]).
• Nesse caso, [A y] uma matriz (m × (n + 1)) com y acrescentada como uma

coluna adicional de A.
2. Dada A, a solução x para Ax = y existirá para todo y se e somente se A tiver

rank m (rank completo para linha).
40
2.6.4 Exercı́cio
Seja A dada por  
0 1 1 2
A= 1 2 3 4 
 
2 0 2 0
Pede-se:
1. Quantas colunas LI A possui ? Quais são elas.
2. Quantas colunas LD A possui ? Quais ?
3. Defina uma base que pode ser usada para o range de A ?
4. Qual a nuliade de A ?
5. Quais os vetores nulos de A ?
6. Veriifque se Ani =0, sendo ni os vetores nulos encontrados no item anterior.
7. Resolva a equação Ax = y para y = [1 2 3]T e y = [0 0 1]T .
2.6.5 Espaços Invariantes e Complementares

Espaço Invariante
Definição 2.4 Dada uma matriz A, n × n em um subespaço de ordem n, um subespaço

S é dito ser invariante sobre A, ou simplesmente invariante se:
As ∈ S ∀s ∈ S.
Complemento Ortogonal
Se S é um subespaço, diz-se que S ⊥ é o seu complemento ortogonal, definido como:
Definição 2.5 Dados vetores y e x e um sub-espaço S ⊂ F , tem-se
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
2.6.6 Exercı́cio: Outras Definições

Dada uma matriz A n × n
1. Defina seu determinante, seus cofatores e menores.
2. Defina o que é uma matriz singular e uma não-singular.
3. Defina sua matriz adjunta adj(A).
4. Defina o inverso de A em função de sua matriz adjunta e seu determinante. Mostre

como ficaria A−1 para uma matriz genérica A 2 × 2 cujos elementos fossem deno-
tados por ai,j (i, j = 1, 2).
2.7 Algumas Matrizes Importantes

2.7.1 Matrizes Companheiras
As matrizes:
   
0 0 0 −α4 −α1 −α2 −α3 −α4

 1 0 0 −α3 


 1 0 0 0 
   
 0 1 0 −α2   0 1 0 0 
0 0 1 −α1 0 0 1 0
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
possuem todas o mesmo polinômio caracterı́stico
p(λ) = ∆(λ) = λ4 + α1 λ3 + α2 λ2 + α3 λ + α4
• (é comum usar p(s) no lugar de p(λ), por razões óbvias...).
• Essas matrizes são denominadas matrizes companheiras.
42
2.7.2 Matriz Diagonal: Autovalores reais distintos

Se todos os autovalores de A são distintos pode-se obter uma forma diagonal para A,
denotada por Λ, formada pelo autovalroes na diagonal isto é:
 
λ1 0 0 . . . 0
 0 λ2 0 . . . 0 
 
 
Λ= 0 0 λ 3 . . . 0  (2.12)
 .. .. .. .. 
 
 . . . . 
0 0 0 . . . λn
• Sendo os autovalores distintos tem-se que (qi são os autovetores associados):
Aqi = λqi
• O conjunto de todos autovetores qi forma uma base linearmente independente (LI)
• Se form definida a matriz Q formada pelos autovetores qi , isto é:
Q = [q1 q2 . . . qn ] (2.13)
• então a matriz Λ será dada por Λ = Q−1 AQ
2.7.3 Exercı́cio
Dada a matriz A:  
0 0 0
A= 1 0 2 
 
0 1 1
Pede-se:
a) O polinômio caracterı́stico.
b) Os autovalores e autovetores associados.
c) A matriz Q como definida em (2.13).
d) Uma equivalente diagonal de A (matriz Λ, como definda em (2.12))
e) Verifique se QΛ = AQ.
f) Verifique os cálculos usando eig no matlab (que retorna os autovalores e autovetores).
43
2.7.4 Autovalores Complexos

• É possivel que a matriz A, mesmo tendo todos elementos reais, tenha autovalores
complexos.
• Pólos complexos sempre estão em pares conjugados.
• No caso de se admitir autovalores complexos, tem-se que considerar que o espaço

linear, que antes era real, deva ser complexo, no sentido que os escalares que
formam o conjunto LI (base) possam assumir valores complexos.
• Isto é, na equação (2.34), admte-se αi complexo.
• Por exemplo, considere a equação Av = 0:

" #
1 1+j
Av = v=0
1−j 2
• 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
• Nesse caso as colunas de A são LD !. No primeiro caso o rank de A seria 2. No

segundo será 1.
• Havendo autovalores complexos, considera-se espaços lineares complexos com

escalares e autovetores complexos.
• A matriz conjugada é A passa ser a matriz conjugada complexa de A
2.7.5 Exercı́cio
Verifique, no Matlab, o rank de A dada por
" #
1 1+j
A=
1−j 2
44
2.7.6 Forma de Jordan: Autovalores não Todos Distintos

• Quando autovalores são repetidos, diz-se que há multiplicidade.
• Ou, define-se um autovalor de multiplicidade 2 ou maior como sendo um autovalor

repetido.
• Autovalores que não possuem multiplicade são ditos serem simples.
• Se A possui autovalores repetidos, possivelmente não haverá uma forma diagonal

para A.
• Nesse caso haverá uma forma bloco diagonal para A.

Teorema 2.3 (Vide [?])
Seja a matriz Lk (λ) uma matriz k × k da forma:
 
λ 1 0 ... 0
 0 λ 1 ... 0
 

 . .. .. .. ..
 .. . . . .
Lk (λ) =  ,
 
 λ 1 
 .. ..
 
 . .


0 0 ... λ
com L1 (λ) = λ. Então, existe uma matriz T tal que (considere A n × n):
 
Lk1 (λ1 ) 0
0 Lk2 (λ2 )
 
−1
 
J = T AT =  .
,

 0 0 .. 

0 0 0 0 Lkr (λr )
com k1 + k2 + · · · + kr = n.
Essa representação J é a forma de Jordan da matriz A.
Os números λi são os autovalores de A, não necessariamente todos distintos.

Por exemplo se A é de terceira ordem (3 × 3) e possui um autovalor λ1 de multiplicade
3 então Ā pode ser escrita como:
 
λ1 0 0
Ā1 =  0 λ1 0 
 
0 0 λ1
45
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.
• No caso de haver multiplicidade, tem-se que calcular os autovetores general-

izados. Um autovetor generalizado de ordem n é tal que:
(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.
2.7.8 Gerando a Matriz de Jordan

Vide [13], página 59.
46
Exemplo para Nulidade = 1 (de (A − λ I))
• Considere uma matriz A n × n com um autovalor λ de multiplicade n.
• Ou seja, considere que A tenha apenas um autovalor com multiplicidade igual a

sua dimensão (isto é, λ1 = λ2 = λ3 = λ4 = λ).
• Para simplicar, considere que n = 4.
• Com essas considerações, a matriz (A − λI) terá rank n − 1 = 3, ou equivalente-

mente, terá nulidade 1.
• Estará sendo usada a notação de vetor, para enfatizar a presença dos autovetores
nas equações que se seguem.
• Nesse caso a equação A~q = λ ~q, isto é:
(A − λI)~q = 0,
• possui apenas uma solução independente (as outras são LD dessa).
• Logo A terá apenas um autovetor q~1 associado a λ.
• Como fazer para gerar uma base ? (não podemos usar os autovetores, já que eles
não são LI).
• São necessarios (n − 1) = 3 vetores adicionais (no caso 3 vetores adicionais), para

se formar uma base LI no espaço da matriz (n = 4, logo, R4 .
• 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
2.7.9 Definição dos Autovetores Generalizados

• Como dito anteriromente, um vetor ~v é o denominado autovetor generalizado
se satifizer
(A − λI)n~v = 0
• e ao mesmo tempo:
(A − λI)n−1~v 6= 0
• Se n = 1, tem-se que (A − λI)~v = 0 e ~v 6= 0, sendo portanto ~v o próprio autovetor

de A.
• 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
• Tem-se definido acima uma cadeia de autovetores generalizados de ordem

4.
• Essa cadeia possui a propriedade:
(A − λI)~v1 = 0 (A − λI)2~v2 = 0 (A − λI)3~v3 = 0 (A − λI)4~v4 = 0
• Esses vetores, pela forma que foram gerados, já são LI e podem ser
usados como uma base !.
• A partir dessas relações tem-se que:
A~v1 = λ~v1
A~v2 = ~v1 + λ~v2
A~v3 = ~v2 + λ~v3
A~v4 = ~v3 + λ~v4
48
• 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
Exemplo para Nulidade = 2
Considere agora que (A − λI) possui rank n − 2, isto é, nulidade 2. Então a equação
(A − λI)~q = 0
possuirá duas soluções LI.

Logo A possuirá dois autovetores LI e será necessário gerar (n − 2) autovetores
generalizados.
2.7.10 Transformação de Similaridade

• As representações no espaço de estados de um sistema LTI não são únicas.
• Se A é diagonalizável, pode-se considerar uma mudança de variável do tipo ξ =

T −1 x (ou ξ = T x) tal que T −1 AT seja diagonal (ou T AT −1 seja diagonal):
ξ˙ = Āξ + B̄u (2.14)

y = C̄ξ + D̄u (2.15)
• Nesse caso, as novas matrizes do sistema são dadas por:
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”).
Exemplo 2.2 (Transformação de Similaridade [39], pg. 493)
49
Considere o sistema dado pela seguinte representação A, B, C, D:

   
−4 −1 1 −1 h i
A =  0 −3 1  B =  1  C = −1 1 0 D=0
   
1 1 −3 0
Se A pode ser diagonalizada por uma transformação de similaridade:
Ā = Λ = T −1 AT
e se A possui todos os autovalores distintos, então:
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
2.8 Representação no Espaço de Estados

• Estado de um sistema em um tempo t, x(t) representa a “quantidade de in-
formação”necessária para determinar o comportamento futuro da saı́da desse sis-
tema se as entradas são conhecidas.
(
ẋ = Ax + Bu
S: (2.16)
y = Cx + Du
• Uma das vantagens da representação no EE é que sistemas SISO e MIMO são

tratados de forma semelhante.
• Mostra-se que:
G(s) = C(sI − A)−1 B + D
• Passar da representação no EE para entrada-saı́da não é uma tarefa simples (prin-

cipalmente para sistemas MIMO).
b1 sn−1 + b2 sn−2 + · · · + bn−1 s + bn
G(s) =
sn + a1 sn−1 + · · · + an−1 s + an
Formas Companheiras
É possı́vel obter algumas representações no EE que apresentem algumas particulari-

dades, no sentido de oferecerem facilidades para a relação entrada-saı́da com EE. Essas
representações “amigáveis”são úteis tanto na determinação da realização a partir de
G(s), quanto na caracterização do sistema a partir da realização.
Formas Canônicas
A seguir são apresentadas algumas formas “companheiras”.
• Sabe-se que, para o SISO, tem-se a representação canônica de controle (con-

troller cannonical form:
   
−a1 −a2 . . . −an−1 −an 1
 1 0 ... 0 0  0
   
 
   
ẋ(t) =  0
 1 ... 0 0  x(t) + 
 0  u(t)
 .. .. .. ..  ..
 
 . . . .  .
 
 
0 0 ... 1 0 0
51
y(t) = [ b1 b2 . . . bn−1 bn ]x(t)
• Compare essa representação com a dada na seção ??.
• Tem-se também a forma canônica do observador:

   
−a1 1 0 . . . 0 b1
 −a2 0 1 . . . 0  b2
   
 
 .
.. . .
.. .. .
..  x(t) + 
  .. 
ẋ(t) = 
   .  u(t)

 −an−1 0 0 0 1  bn−1
   
 
−an 0 0 0 0 bn
y(t) = [ 1 0 0 . . . 0 ]x(t)
• Compare essa representação com a dada na seção ??.
• Essas representações estão relacionadas com duas caracterı́sticas do sistema de

controle: controlabilidade e observabilidade.
• 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.
• Para sistemas MIMO os problemas são maiores...
52
2.9 Definições Elementares de Sistemas Lineares

As definições aqui apresentadas são baseadas em Zhou et al [96], Kailath [45] e Skoges-
tad e Postlethwaite [78]. Considera-se um sistema linear representado pela realização
(A,B,C,D): (
ẋ = Ax + Bu
S: (2.17)
y = Cx + Du
2.9.1 Controlabilidade e Observabilidade

Definição 2.6 Um estado x do sistema linear representado pela realização (A, B, C, D)
é dito ser controlável se para um dado valor inicial, x(0) = x0 um dado tempo finito
t1 > 0 e um estado final, x1 , existe um entrada u(.) tal que a solução da equação (2.17)
satisfaça x(t1 ) = x1 .
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 2.8 Um estado x do sistema linear representado pela realização (A, B, C, D)

é dito ser observável se para todo tempo t1 > 0 finito, pode-se determinar um estado
inicial inicial, x(0) = x0 a partir dos valores de u(t) e y(t) no intervalo [0, t1 ] (isto é
informações passadas de u e y).
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.
Teorema 2.4 ([45],pg. 366) (teste PBH dos autovetores)
1. O par {A, B} será controlável se e somente se não existir autovetores de A que

são ortogonais a todas as colunas de B, isto é, se e somente se:
p′ A = λp′ p′ B = 0 ⇒ p ≡ 0
2. O par {A, C} será controlável se e somente se não existir autovetores de A que

são ortogonais a todas as lihas de C, isto é, se e somente se:
Ap = λp Cp = 0 ⇒ p ≡ 0
53
Teorema 2.5 ([45],pg. 366) (PBH do posto das matrizes)
1. O par {A, B} será controlável se e somente se a matriz: (A ∈ Rn × Rn )
[sI − A B] possuir posto (rank) n para todo s. (2.18)
2. O par {A, C} será observável se e somente se a matriz

" #
C
possuir posto (rank) n para todo s. (2.19)
sI − A

• 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).
2.9.2 Teorema sobre Controlabilidade

O teorema seguinte resume os resultados sobre controlabilidade.
Teorema 2.6 (Vide [96], pg. 47)

As seguintes afirmações são equivalentes:
i) (A, B) é controlável.
ii) A matriz Wc abaixo é positiva definida para todo t > 0.

Z t
⋆
Wc (t) = eAτ BB ⋆ eA τ dτ
0
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
iv) A matriz [(A − λI) B] possui posto (rank) completo em linha para todo λ ∈ C.
v) Seja λ um autovalor com o correspondente autovetor x (à esquerda) de A, isto é,

seja x⋆ A = x⋆ λ. Então x⋆ B 6= 0.
vi) Os autovalores de A + BF podem ser alocados sem quaisquer restrições (exceto a

de que pólos complexos devem aparecer em pares conjugados), a partir da escolha
da matriz F .

2.9.3 Teorema sobre Observabilidade

O teorema seguinte resume os resultados sobre observabilidade.
Teorema 2.7 (Vide [96], pg. 50)

As seguintes afirmações são equivalentes:
i) (A, C) é observável.
ii) A matriz Wo abaixo é positiva definida para todo t > 0.

Z t
⋆ ⋆ Aτ
Wo (t) = eA τ C Ce dτ
0
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.
vi) Os autovalores de A + LC podem ser alocados sem quaisquer restrições (exceto a

de que pólos complexos devem aparecer em pares conjugados), a partir da escolha
da matriz L.

55
2.10 Mais Definicões

Considere-se o sistema S1 dado na equação (5.5).

ẋ = Ax + bu
S1 : (2.20)
y = cx + dy
A é n × n, b é n × 1, c é 1 × n e d é 1 × 1. Seja o polinômio caracterı́stico da matriz A

dado por:
∆(λ) = det(λ I − A) = λn + α1 λn−1 + · · · + αn−1 λ + αn
2.10.1 Forma Canônica Controlável

Se o sistema n-dimensional LTI S1, da equação (5.5) é controlável, então ele pode ser
transformado, por uma transformação de equivalênica, na forma:
    


 0 1 0 . . . 0 0 0

    

  0 0 1 ... 0 0   0 

    
    


  0 0 0 ... 0 0   0 

 ˙
x̄ =

. . . . . .

x̄ +  . u
 
 .. .. .. .. .. ..   .. 

  

CS1 : (2.21)
   
   




 0 0 0 . . . 0 1 

 0 
 


−αn −αn−1 −αn−2 . . . −α2 −α1 1









 h i

y =

βn βn−1 βn−2 . . . β2 β1 x̄ + du
sendo α1 , α2 , . . . , αn são os coeficientes do polinômio caracterı́stico de A e βi são calcula-

dos a partir do modelo S1. A equação dinâmica (2.21) é denominada forma canônica
controlável. A função de transferência de CS1:
β1 sn−1 + β2 sn−2 + · · · + β
g(s) = +e
sn + α1 sn−1 + · · · + αn−1 + αn
Prova: vide [12].
56
Algumas Relações Importantes
• Sejam U e Ū as matrizes de controlabilidade do sistema original e do modificado,

respectivamente:
U = [b Ab . . . An−1 b] e U = [b̄ Āb̄ . . . Ān−1 b̄]
• 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
• Seja a relação para βi obtida de:
c̄ = cQ = [βn βn−1 βn−2 . . . β1 ]
2.10.2 Forma Canônica Observável

Se o sistema n-dimensional LTI S1, da equação (5.5) é observável, então ele pode ser
transformado, por uma transformação de equivalênica, na forma:
    


 0 0 . . . 0 −α n β n
    

  1 0 . . . 0 −α   β 

  n−1   n−1 

    



 ˙
x̄ =  0 1 . . . 0 −αn−2  x̄ +  βn−2  u
   
  . . . . ..  . 
. . . . .

OS1 :  . . . .
 . 
  . 
  (2.22)


0 0 . . . 1 −α1 β1











 h i
y =
0 0 . . . 1 −α1 x̄ + du
57
sendo α1 , α2 , . . . , αn são os coeficientes do polinômio caracterı́stico de A e βi são calcula-

dos a partir do modelo S1. A equação dinâmica (2.21) é denominada forma canônica
observável. A função de transferência de OS1:
β1 sn−1 + β2 sn−2 + · · · + βn−1 s + βn
g(s) = +d
sn + α1 sn−1 + · · · + αn−1 + αn
Prova: vide [12].
Algumas Considerações Importantes
• A equivalência entre 5.5 e 2.22 é dada pela relação:
x̄ = P x
• que pode ser obtida pela definição de P
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
2.10.3 Estabilizabilidade e Detectabilidade

Definição 2.10 Um sistema é dito estável se todos os autovalores de A estão no semi-
plano esquerdo do plano complexo, isto é Reλ(A) < 0. Neste caso diz-se que a matriz
A é estável ou Hurwitz.
Definição 2.11 [78]
1. Um sistema será estabilizável se todos os seus modos instáveis são controláveis.
2. Um sistema será detectável se todos os seus modos instáveis são observáveis.
58
Os teoremas 2.8 e 2.9 formalizam estas definições.
Teorema 2.8 [96]

As seguintes afirmações sã equivalentes:
1. (A,B) é estabilizável.
2. A matriz [A − λI, B] possui posto completo para linha para todo Reλ ≥ 0.
3. Para todo λ e x tal que x∗ A = x∗ λ e Reλ ≥ 0, tem-se x∗ B 6= 0.
4. Existe uma matriz F tal que A + BF é Hurwitz.
As definições para detectabilidade são duais à de estabilizabilidade.
Teorema 2.9 [96]

As seguintes afirmações sã equivalentes:
1. (C,A) é detectável.
" #
A − λI
2. A matriz possui posto completo para coluna para todo Reλ ≥ 0.
C
3. Para todo λ e x tal que Ax = λx e Reλ ≥ 0, tem-se Cx 6= 0.
4. Existe uma matriz L tal que A + LC é Hurwitz.
5. (A∗ , C ∗ ) é estabilizável.
Comentário 2.1
• No sistema controlável assessa-se todos os estados atravése do sinal de entrada.

No sistema observável mede-se todos os estados na saı́da.
• No sistema detectável os modos instaáveis devem ser observáveis e no sistema

estabilizável eles devem ser controláveis.
• A propriedade de se ter A+BF e A+LC Hurwitz está particularmente relacionada

com o fato se ter um controlador estabilizante para o sistema (A,B,C,D). O con-
trolador H∞ , por exemplo assume que (A, B, C) seja estabilizável e detetectável.
59
2.11 Autovalores e Estabilidade

• Vide [45], [12], [78], [96].
Dado o sistema dinâmico de realização (A, B, C, D) (equação (2.17)), com um es-

tado inicial x(t0 ) e uma entrada u(t) a resposta dinâmica x(t) para t ≥ t0 pode ser
determinada por: Z t
x(t) = eA(t−t0 ) x(t0 ) + eA(t−τ ) Bu(τ )dτ
t0
sendo a matriz exponencial

∞
At
X (At)k
e =I+
k=1
k!
(existem outras formas de calculá-la). A saı́da é dada por
y(t) = Cx(t) + Du(t).
Para uma realização onde A é diagonal, Ad = SAS −1 , tem-se que:
eAd t = diag{eλi (A)t }
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
sendo pi o autovetor correspondente.
Teorema 2.10 ([78], pg. 128)

Um sistema dinâmico linear, ẋ = Ax + Bu é estável se e somente se todos os pólos estão
no semi-plano esquerdo aberto (OLHP, open left-half plane), isto é, ℜ{λi (A)} < 0∀i.
Uma matriz A que satisfaça essa condição é dita ser estável ou Hurwitz.

60
2.12 Realização Mı́nima: observável e controlável

Vide [78], pg. 126.
Definição 2.12 (Realização Mı́nima)

Uma realização (A, B, C, D) de G(s) é dita ser uma “realização mı́nima de G(s) ”se
A possuir a menor dimensão possı́vel (isto é o menor número de estados). A menor
dimensão é denominada “Grau de McMillan de G(s)”(por motivos que ficarão claro
adiante).
Um modo é dito ser um modo escondido (hidden mode) se ele não é controlável
(state controllable) ou não é observável, de forma que ele não aparece na realização
mı́nima.
♦
Uma vez que apenas estados controláveis e observáveis contribuem para o compor-
tamento de entrada-saı́da do sistema (entre u e y), segue-se que uma realização será
mı́nima se e somente se (A, B) for controlável e (A, C) for observável.
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).
Exemplo 2.3 Considere o sistema escalar:

" # " #
−2 −2 1 h i
A= , B= , C= 1 0 D=0
0 −4 1
A função de transferência é:

1
G(s) = C(sI − A)−1 B =
(s + 4)
Enquanto a realização possui dois estados, G(s) possui apenas 1. Existe um estado em
(A, B, C, D) que não é controlável.
Exercı́cio: (Prove que esse estado existe). Interprete o resultado.
H
61
2.13 Pólos e Zeros (Introdução)

Tanto em sistemas SISO como MIMO é importante obter os pólos e zeros, como forma
de avaliar o comportamento dinâmico dos mesmos. Para sistemas MIMO o cálculo dos
pólos e zeros nem sempre é algo trivial.
• Pólos e Zeros: Importante para a caracterização do sistema.
• Diferença entre abordagem SISO e MIMO.
• Vide seção 3.9.
Definição 2.13 Por pólos entenda-se os autovalores (considerando-se suas multiplici-

dades) da matriz A. O polinômio dos pólos, (usalmente ∆(s) ou p(s)) é o polinômio
caracterı́stico, formado por det[λI − A].
♦
Para se definir os pólos de G(s) (MIMO) pode-se fazer:
G(s) = C(sI − A)−1 + D

1
[c(sI − A)a B + D[det[sI − A]],
det[sI − A]
sendo (sI − A)a a matriz adjunta de (sI − A) (transposta conjugada).
• Da expressão acima tem-se que todos os polinômios do denominador de G(s) são
divisores do polinômio dos pólos. Ou seja, todos os denominadores dos elementos
de G(s) tem, no mı́nimo o denominador comum (de todos os denominadores dos
elementos de G(s)).
• Em geral o pólo do sistema MIMO pode ser calculado a partir dos menores de
G(s).
• Logo, para se calcular os pólos e zeros deve-se antes definir os menores
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
2. Para esse sistema, defina ainda uma realização.
3. Para a matriz G(s), encontre todos os menores.
2.14 Zeros em Sistemas MIMO: Introdução

• Definidos a partir da matriz de Rosenbrock.
• Diversos tipos de zeros: Zeros de transmissão, Zeros de sistema, etc.
• Vide seção 3.10.
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
2.15 Decomposição Canônica (ou de Kalman)

(Vide [39] pg. 513 a 516, [45], pg. 134 ou [96] pg. 53 a 58) Como afirmado em [45], pg.
134, essa decomposição foi enunciada pela primeira vez por Gilbert [36] e Kalman [66].
Como se sabe, existem inúmeras maneiras de se descrever um dado sistema dinâmico.
Sabe-se também que existem “coordenadas”que são mais vantajosas para se expressar
um dado sistema.
Genericamente falando, seja uma dada matriz T ∈ R\×\ não singular. Defina:
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
2.15.1 Teoremas da Decomposição Canônica

Consridera-se a tranformação de coordenadas para um sistema que não é completamente
controlável e/ou completamente observável. Será considerada a seguinte transformação:
" # " # " #
A B Ā B̄ T AT −1 T B
→ =
C D C̄ D̄ CT −1 D
Considerando-se essa transformação as matrizes de controlabilidade e de observabil-

idade estão relacionadas por:
C¯ = T C e Ō = OT −1
Teorema 2.11 ([96], pg. 54)

A controlabilidade (ou estabilizabilidade) e a observabilidade (ou a detectabilidade) são
invariantes para transformações de similaridade.

64
Teorema 2.12 ([96], pg. 54)

Se a matriz de controlabilidade C possuir posto k1 < n, então exisitrá uma transformação
de similaridade dada por: " #
x̄c
x̄ = = Tx
x̄c̄
tal que:
" # " #" #
x̄˙ c Āc Ā12 x̄c
= (2.25)
x̄˙ c̄ 0 Āc̄ x̄c̄
" #
h i x̄
c
y = C̄c C̄c̄ + Du (2.26)
x̄c̄
com Āc ∈ C k1 ×k1 e (Āc , B̄c ) controlável. Além disso,
G(s) = C(sI − A)−1 B + D = C̄c (si − Āc )−1 B̄c + D

O teorema anterior pode ser colocado de forma compacta no corolário seguinte.
Corolário 2.12.1 Se um sistema é estabilizável e a matriz de controlabilidade C possuir

posto k1 < n, então, existe uma transformação de similaridade T tal que:
 
" # Āc Ā12 B̄c
T AT −1 T B
=  0 Āc̄ 0 
 
−1
CT D
C̄c C̄c̄ D
com Āc ∈ C k1 ×k1 , (Āc , B̄c ) controlável e Āc̄ estável.

Por dualidade, tem-se os seguintes resultados para um sistema que não é completa-
mente observável.
Teorema 2.13 Se a matriz de observabilidade O possui posto k2 ¡ n, então existe uma

transformação de similaridade T tal que:
 
" # Āo 0 B̄o
T AT −1 T B
=  Ā21 Āō B̄ō 
 
CT −1 D
C̄o 0 D
com Āo ∈ C k2 ×k2 e (C̄o , Āo , ) observável.
65
Corolário 2.13.1 Se o sistema é detectável e a matriz de observabilidade O possui

posto k2 ¡ n, então existe uma transformação de similaridade T tal que:
 
" # Āo 0 B̄o
T AT −1 T B
=  Ā21 Āō B̄ō 
 
−1
CT D
C̄o 0 D
com Āo ∈ C k2 ×k2 , (C̄o , Āo , ) observável e Āō estável.

Pelos dois resultados acima, tem-se ainda que:
G(s) = C(si − A)−1 B + D = c̄o (sI − Āo )−1 B̄o + D
Combinando-se os dois resultados anteriores, tem-se a Decomposição Canônica

de Kalman.
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
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
Corolário 2.14.1 (Relação Matriz de Transferência com Espaço de Estados)
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.
• Reciprocamente, dada uma função (matriz) de transferência é possı́vel encontrar

uma realização que seja completamente observável e completamente controlável.
• Essa realização (completamente observável e controlável) é a realização mı́nima

do sistema (da função ou 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:
Λ[Ā] = Λ[Āco] ∪ Λ[Ācō ] ∪ Λ[Āc̄o ] ∪ Λ[Āc̄ō ]
sendo:
• Λ[Ā] os autovalores do sistema
67
• Λ[Āco ] autovalores do sistema controlável e observável
• Λ[Ācō ] autovalores do sistema controlável e mas não observável
• Λ[Āc̄o ] autovalores do sistema observável mas não controlável.
• Λ[Āc̄ō ] autovalores do sistema não observável e não controlável.
2.15.4 Comentário III

Considere um sistema que é controlável mas não observável possui dois autovalores, λa
e λb . Dize-se que os modos eλa t e eλb t são controláveis mas não observáveis.
68
2.16 Introdução à Realimentação por Variáveis de

Estado
Considere o modelo no espaço de estados com m entradas e p saı́das:
ẋ(t) = A0 x(t) + B0 u(t) (2.29)

y(t) = C0 u(t) (2.30)
sendo x(t) ∈ Rn , u(t) ∈ Rm e y(t) ∈ Rp .
• O objetivo da realimentação de estados é encontrar uma matriz K ∈ Rm×n tal que

A0 − B0 K tenha seus autovalores no SPE. Além disso é comum especificar uma
dada região do SPE, relacionada a uma determinada especificação de desempenho.
• A estratégia usual para achar a matriz K em sistemas SISO não se aplica a sistemas
MIMO.
• Porém existem procedimentos particulares para o caso 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
• Nessa função de custo, Ψ ∈ Rn×n é uma matriz simétrica não-negativa definida e

Φ ∈ Rm×m é uma matriz simétrica positiva definida.
• 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). (2.31)
• 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:
0 = Φ + AT0 P + P A0 − P B0T Ψ−1 B0 P (2.32)
69
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
2.17 Realimentação de Estados: SISO

Nessa seção estuda-se o efeito de uma realimentação do tipo:
u = r + Kx r pode ser nulo,
sobre a equação dinâmica S1 (equação (5.5)). A variável r está associada a referência

aplicada ao sistema e K é a matriz ganho (ou simplesmente ganho) do sistema em
malha fehcada.
Nas deduções dessa sessão considera-se que todos os estados estejam disponı́veis
para serem realimentados.
A realimentação de estados dada na figura 5.1. Considere o sistema S1 da equação
5.5. Considere o ganho k, com k = [k1 k2 . . . kn ].
d
x +
r + u + dt x y
b int c
+
+ +
Figura 2.3: Representação de uma realimentação de estaods
A malha fechada do diagrama da figura 5.1 pode ser dada por:


ẋ = (A + bk)x + br
S1mf : (2.33)
y = (c + dk)x + dr
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.

Corolário 2.15.1 A controlabilidade de um sistema MIMO, LTI, dado pela equação ??

é invariante sobre uma realimentação de estados da forma u(t) = r(t) + K(t)x(t).
71
• 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.
2.17.1 Alocação de Pólos via Realimentação de Estados

Teorema 2.16 Se o sistema dinâmico SISO, S1, dado em (5.5) é controlável então, a
partir de uma realimentação de estados, u = r + kx, com k sendo um vetor 1 × n, os
autovalores de (A+bk) podem ser arbitrariamente alocados, considerando-se obviamente,
que os autovetores complexos sejam atribuı́dos em pares.
72
2.18 Adendo: Realização Mı́nima

Considere:
b(s)
H(s) = C(sI − A)−1 B =
a(s)
A realização (A, B, C) será mı́nima se e somente se
a(s) = det(sI − A) s b(s) = C adj(sI − A)B
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.
Exemplo 2.4 Considere:

" # " #
−2 −2 1 h i
A= B= C= 1 0 D=0
0 −4 1
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)
• Caso MIMO, as matrizes devem ser “primas”para se ter a realização mı́nima.
• Passar de (A,B,C,D) para H(s) é mole !!! O inverso, nem sempre.
• Logo H(s) será sempre mı́nima.... (a menos que vc. coloque algum pólo igual a
um zero).
H
73
2.19 Bases Matriciais

Considere um espaço linear n-dimensional, Rn . Todo vetor em Rn é um conjunto de n
elementos (n-tuple) de números reais tais que
 
x1
x2
 
 
x= .. 
.
 
 
xn
O conjunto de vetoresx = [x1 , x2 , xm ]T (cada um consistindo em um vetor de n elementos
como o dado na equação acima) é dito ser linearmente dependente (LD) se existirem
escalares reais, αi (i = 1, . . . , m), não todos nulos, tais que:
α1 x1 + α2 x2 + · · · + αm xm = 0 (2.34)
Se o único conjunto existente para que 2.34 seja satisfeita é o conjunto:
α1 = 0, α2 = 0, . . . αn = 0,
então o conjunto de vetores x = [x1 , x2 , xm ]T é dito ser linermente independente (LI).

Se o conjunto (2.34) é LD, então existe pelo menos um αi (por exemplo o α1 , que é
diferente de zero. Então (2.34) implica em:
1
x1 = − [α2 x2 + α3 x3 + · · · + αm xm ] (2.35)
α1
= β2 x2 + β3 x3 + · · · + βm xm (2.36)
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.
2.19.1 Bases e Representações

Um conjunto de vetores LI em Rn é chamado de base se todo vetor em Rn pode ser
expresso por uma combinação linear única desse conjunto.
74
Em Rn , qualquer conjunto de n vetores LI pode ser usado como base.

Seja {q1 , q2 , . . . , qn } uma base (qi são vetores.
Assim todo vetor x pode ser escrito como:
x = α1 q1 + α2 q2 + · · · + αn qn (2.37)
Defina a matriz quadrada (n × n).
Q ≡ [q1 q2 . . . qn ]
Então (2.37) pode ser escrita como:

 
α1
 α2 
x = Q (2.38)
 

 ... 
αn
x = Qx̄ (2.39)
O vetor x̄, dado por x̄ = [α1 α2 . . . αn ]′ é a representação do vetor x na (ou em relação

à) base [q1 , q2 . . . qn ].
2.19.2 Base Ortonormal

Todo espaço Rn possui a base ortonormal:
       
1 0 0 0
 0   1  0 0
       
   
       
 0   0   0   0 
i1 = 

,
 i2 = 
 , in−1 = , in =  
 . . .   . . . 


 ... 


 ... 

 0   0  1 0
       
   
0 0 0 1
Em relação à essa base, tem-se que:
   
x1 x1
 x   x 
 2   2 
x=  = x1 i1 + x2 i − 2 + · · · + xn−1 in−1 + xn in = In  
 ...   ... 
xn xn
sendo In uma matriz identidade de ordem n.
Ou seja, a presentação de qualquer vetor x na base ortonormal é o próprio vetor.
75
Exemplo 2.5 (Representação em Diferentes Bases. Vide [13] pg. 46)

Vide figura 2.4. Considere um vetor x = [1 3]′ em R2 . Os dois vetores q1 = [3 1]′ e q2
[2 2]′ são LI, e portanto podem ser usados como base. Se forem desenhadas a partir de
x duas retas paralelas à q1 e q2 , a interseção delas com os respectivos vetores (q1 e q2 )
definirá a representação de x em relação à base [q1 q2 ]. Elas interceptam em −q1
e q2 .
Assim a representação de x em relação à [q1 q2 ] será [−1 2]′ .
Isso pode ser verificado fazendo-se:
" # " # " #" #
1 −1 3 2 −1
x= = [q1 q2 ] = .
3 2 1 2 2
Outra base: Para encontrar a representação de x em relação à base [q2 i2 ], desenha-

se retas paralelas à i2 e q2 . Elas interceptarão os vetores da base em 0, 5q2 e 2i2 . A
representação de x nessa base será [0, 5 2]′ .
q1
q2
i2
0 i1
Figura 2.4: Vide [13] pg. 47. Representação de um vetor em diferentes bases.
76
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.
2.20 Transformação de Base

Vide [13].
Considere uma matriz A n×n. Ela mapeia Rn em Rn . Se for definida um base orto-
normal em Rn (vide subseção 2.19.2), então a i-ésima coluna de A será a representação
de Ai, na base ortonormal.
Se for selecionada uma base diferente, {q1 , q2 , . . . qn }, então a matriz A terá uma nova
representação, Ā.
Para essa nova representação também há uma relação entre as colunas de Ā e a Aqi
(em analogia a Ai).
Isto é, a nova representação, a i-ésima coluna de Ā é a representação de Aqi em
relação à base {q1 , q2 , . . . qn }.
Veja o exemplo a seguir.
Exemplo 2.6 Seja a matriz

 
3 2 −1
A =  −2 1 0 
 
4 3 1
Seja b = [0 0 1]′ . Seja ainda os seguintes produtos:

     
−1 −4 −5
Ab =  0  , A2 b = A(Ab) =  2  , A3 b = A(A2 b) =  10 
     
1 3 −13
Com essas opções, tem-se que:
A3 b = 17b − 15Ab + 5A2 b
• Assim, os vetores b, Ab e A2 b são LI.
• Sendo LI eles forma uma base
77
• Para calcular A nessa base, faz-se:
 
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 
 
Assim a representação de A na base [b, Ab, A2 b] será:

 
0 0 17
Ā =  1 0 −15 
 
0 1 5
2.20.1 Transformação de Similaridade: Matrix Companheira

O exemplo anterior pode ser usado para motivar um procedimento de mudança de base.
Seja A uma matriz n×n. Se existir um vetor b n×1 tal que os n vetores b, Ab, . . . , An−1 b
sejam LI e se:
An b = β1 b + β2 Ab + · · · + βn An−1 b
então a representação de A na base [b, Ab, . . . , An−1 b] será:
 
0 0 . . . 0 β1
 1 0 . . . 0 β2 
 
 
 0 1 . . . 0 β3 
Ā =  . . .
 
. . . .
. .
.

 . .
 . . . 

 0 0 ... 0 β 
 n−1 
0 0 . . . 1 βn
A matriz acima é uma matriz companheira.
78
2.21 Transformação de Similaridade Revisitada

Usando a notação das transformações de base acima estudadas, nesta seção apresenta-se
uma revisão da transformação de similaridade.
Seja a equação
Ax = y (2.40)
Nessa equação, a matriz quadrada A mapeia x ∈ Rn em y ∈ Rn . Em relação a base
{q1 , q2 , . . . , qn }, a equação torna-se:
Āx̄ = ȳ, (2.41)
sendo x̄ e ȳ representações de x e y em relação a base {q1 , q2 , . . . , qn }. Como visto

anteriormente, a relação entre esses vetores é dada por:
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:
AQx̄ = Qȳ e Q−1 AQx̄ = ȳ (2.43)
Comparando esta equação com a (2.41), tem-se que:

Essa é a transformação de similaridade. As matrizes A e Ā são similares.
Ā = Q−1 AQ ou A = QĀQ−1 (2.44)
A equação (2.44) pode ser escrita como:
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
2.22 Adendo: Observabilidade e Controlabilidade

A figura 2.5 apresenta um sistema que possui um estado não controlável. Considere que
o estado x é a tensão no capacitor C. Se x(0) = 0, então x(t) = 0 para todo t ≥ 0,
independentemente do valor da entrada u aplicada. Isso, naturalmente, ocorre devido
ao equilı́brio da ponte. Assim sendo o estado é não controlável (e como só há esse estado,
o sistem todo é não controlável).
R= 1Ω
R R
y
C
R R
Figura 2.5: Circuito RC não controlável
A figura 2.6 apresenta outro exemplo de um sistema não controlável. Considere

definidos os estados x1 e x2 , como mostrado na figura. O sinal de entrada u pode alterar
o valor de x1 ou x2 para qualquer valor, mas não pode alterar x1 e x2 (separadamente)
para qualquer valor.
C=1F C=1F
x2
x1
u
R= 1Ω R= 1Ω
Figura 2.6: Circuito RC não controlável
80
A figura 2.7 apresenta um circuito como exemplo de um sistema não controlável.

Se a entrada é nula, independentemente do valor da tensão no capacitor, a saı́da será
identicamente nula. Assim, conhece-se a entrada e a saı́da (ambas são zero) mas não se
pode determinar o valor do estado inicial (x(0)). Assim o circuito, ou melhor, a equação
de estado que o descreve, é não observável.
R= 1Ω
R R
x
u
y
C
R R
Figura 2.7: Circuito RC não observável
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
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
Figura 2.8: Circuito RC não observável
2.23 Resumo dos Resultados mais Importantes

• Representação entrada e saı́da: resposta ao impulso, integral de convolução.
• Representação no Espaço de Estados: realização A, B, C, D.
• Solução da equação de estados: matriz exponencial ou solução da integral de

convolução.
• Autovalores e Autovetores.
• Polinômio caraceterı́stico.
• Bases, espaço nulo, nulidade, rank, range.
• Estabilidade.
• Matrizes diagonais e de Jordan.
• Matrizes companheiras e canônicas.
• Transformação de Similaridade.
• Mudando da EE para ES e vice-versa.
• Controlabilidade e Observabilidade.
• Pólos e Zeros.
82
• Realização Mı́nima.
• Realimentação de Estados.
83
Capı́tulo 3
Matrizes Polinomiais e Racionais
3.1 Objetivo do Capı́tulo

• Apresentar definições e teoremas relacionados com a teoria de Matrizes Polinomi-
ais.
• Apresentar métodos para, dada uma matriz racional G(s) encontrar sua realização.
• Apresentar formas para diferenciar realização mı́nima de uma não mı́nima.
• Definir fatorações e decomposições matriciais .
• Definir polinômio caracterı́stico, polinômio dos pólos, dos zeros e propriedades

correlatas.
• Definir matrizes coprimas e propriedades que as envolvem.
• Formalizar a definição de Pólos e Zeros de sistemas MIMO.
• Definir transformações elementares para matrizes polinomiais e racionais.
• Apresentar formas canônicas para matrizes racionais e polinomiais: Hermite, Smith-

McMillan.
• Relacionar essas formas com propriedades dos sistemas.
84
3.2 Matrizes Polinomiais - Introdução

Vide definições de matrizes racionais e polinomiais na subseção 1.9.2.
Nas definições que se seguem, supõe-se tratar de um sistema linear, invariante no
tempo, descrito pelas equações dinâmicas:
ẋ = Ax + Bu (3.1)
y = Cx + Du (3.2)
Sabe-se que G(s) = C(sI − A)−1 B + D.
• As “funções de transferência”(na verdade, para sistemas MIMO tem-se matrizes

de transferência) de sistemas MIMO são dadas por matrizes racionais (razões de
polinômios) ou fatoradas em matrizes polinomias (matrizes de polinômios).
• Existem diveros teoremas e definições relacionados com matrizes polinomiais e

racionais. A seguir serão apresentados alguns.
Definição 3.1 (Matriz Polinomial)

Uma matriz Q(s) = [qik (s)] ∈ Rn×m é uma matriz polinomial se seus elementos
qik (s) são polinômios em s (para todo i, k, i = 1, 2, . . . n e k = 1, 2, . . . m.
Definição 3.2 (Matriz Unimodular)

Uma matriz polinomial é dita Unimodular se seu determinante é uma constante não
nula.
Teorema 3.1 Uma matriz polinomial A(s) é unimodular se e somente se sua inversa
é também uma matriz polinomial.
3.2.1 Matrizes Polinomiais Múltiplas

Considere a igualdade A(s) = B(s)C(s), onde A, B e C são matrizes polinomiais. A
partir desta igualdade definem-se
1. C(s) é divisor à direita de A(s)
2. A(s) é múltiplo à esquerda de C(s)
85
3. B(s) é divisor a esquerda de A(s)
4. A(s) é múltiplo à direita de B(s)
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:
N(s) = N̄ (s)R(s) e D(s) = D̄(s)R(s)
(considerando o número de linhas e colunas apropriados para as multiplicações)
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:
1. R(s) é divisor comum de N(s) e D(s).
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)).
(A definição máximo divisor comum à esquerda é análoga, com as devidas alterações.)
Comentário 3.1 A partir dessas definições desenvolvem-se operações para encontrar

o MDCD (ou MDCE) e apresentam-se teoremas a respeito das propriedades de D(s),
N(s). Vide Chen, 1984, [12] - apêndice G e Kailath, 1986 - cap. 6, [45].
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
3.3 Frações Coprimas de Matrizes Racionais

Considere uma matriz racional própria, q × p. A fração G(s) = N(s)D −1 (s) (G(s) =
N −1 (s)D(s)) é chamada de fração coprima à direita (esquerda) se N(s) e D(s) forem
coprimas à direita (esquerda).
Ambas (direita ou esquerda) são chamadas de frações irredutı́veis.
Dada uma G(s) é possı́vel obter várias frações (ou decomposições), algumas irre-
dutı́veis outras não. Entretanto, todas são relaciondas com o seguinte teorema.
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
3.4 Polinômio Caracterı́stico e Grau de uma Matriz

Racional
Teorema 3.3 Seja o seguinte sistema linear SISO invariante no tempo expresso pela
realização {A, B, C, D} e pelas equações dinâmicas:
ẋ = Ax + Bu (3.3)
y = Cx + Du (3.4)
A equação dinâmica será irredutı́vel (controlável e observável) se e somente se
dimensão de A = grau de g(s)
Com este teorema é possı́vel determinar se um sistema SISO é irredutı́vel a partir do

grau de sua função de transferência. Para sistemas multivariáveis é desejável se ter
um teorema análogo. Antes, entretanto é necessário definir o que é ”denominador”para
sistema MIMO.
3.4.1 Denominador Comum de um Sistema MIMO

Definição 3.5 (Polinômio Caracterı́stico de uma Matriz)
O polinômio caracterı́stico, (usualmente denotado por ∆(s), p(s) ou φ(s)) de uma
matriz racional própria G(s) é definido como sendo o mı́nimo múltiplo comum dos
denominadores de todos os menores (não nulos) de G(s). O grau de G(s), denotado por
G(s), é definido como o grau do polinômio caracterı́stico.
Comentário 3.3
• O polinômio caracterı́stico definido acima é também chamado de “polinômio dos

pólos”(pole polynomial.
• Em geral, o polinômio caracterı́stico de G(s) é diferente do denominador do deter-

minante de G(s) e do mı́nimo denominador comum dos elementos (“entradas”)
de G(s)
88
• Ao calcular o polinômio caracterı́stico, todo menor da matriz deve ser reduzido à

sua forma irredutı́vel
A definição seguinte é análoga à definição 3.5
Definição 3.6 Seja uma matriz G(s) racional própria fatorada como
G(s) = Nr (s)Dr−1 (s) = Dl−1 (s)Nl (s).
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:
det (Dr (s)) e det (Dl (s))
e o grau de G(s) é definido como:
grau de G(s) = grau de [det (Dr (s))] ou grau de [det (Dr (s))]
(A equivalência das definições e pode ser verificada usando-se as formas canônicas

de Smith-McMillan)
O teorema seguinte é o análogo ao teorema 3.3 para o caso MIMO
Teorema 3.4 Seja a realização {A, B, C, D} de matriz de transferência G(s) de um

sistema MIMO. A realização será irredutı́vel (controlável e observável) se e somente
se:
dimensão de A = grau de G(s)
89
3.5 Realização de Um Sistema MIMO: Exemplo

Seja H(s) dada por: " #
1 1
(s−1)2 (s−1)(s+3)
H(s) = −6 (s−2)
(s−1)(s+3)2 (s+3)2
É possı́vel associar diferentes realizações a essa matriz, isto é, encontrar diferentes ma-
trizes A, B, C e D tais que:
H(s) = C(sI − A)−1 B + D
(vide [45], pg 346 a 348).
Exemplos de Duas Realizações
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):
Escreva H(s) fatorada:

" #
1 (s + 3)2 (s − 1)(s + 3) 1
N1 s3 + N2 s2 + N3 s + N4

H(s) = =
(s − 1)2 (s + 3)2 −6(s + 1) (s − 2)(s − 1)2 d(s)
90
sendo d(s) = sr + d1 sr−1 + · · · + dr .

d(s) é o mı́nimo múltiplo comum dos denominadores de todos elementos de
H(s).
Assim, em analogia à realização canônica de controle, tem-se uma realização (de
ordem 8) dada por:
 
−d1 Im −d2 Im . . . −dr Im
Im 0 ... 0
 
 
A= .. .. .. .. 
. . . .
 
 
0 Im 0
h iT h i
B= Im 0 0 . . . 0 e C = N − 1 N2 . . . Nr
• 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.
• Repare que o denominador possui ordem 4.
• A ordem dessa realização (canônica) é rm. Pode-se obter uma dual, de ordem rp.
Pergunta:
É possı́vel encontrar uma realização de menor ordem ?
• Lembre-se que para o caso escalar, se não houver cancelamento, a realização

mı́nima terá a ordem do polinômio do denominador (polinômio dos pólos), d(s).
É de se esperar que no caso MIMO a menor realização tenha ordem de d(s)...
• Vide [45], pg. 348 (e “redondezas”).
3.5.1 Exercı́cios
1. Ler páginas 346 a 353 de [45].
2. Fazer exercı́cio 6.1.1 (a), pg. 352.
91
3.6 Realização Mı́nima

Uma realização mı́nima é aquela que possui a menor ordem para A que satisfação G(s) =
C(sI − A)−1 B.
Teorema 3.5 Uma realização é mı́nima se e somente se for controlável e observável.

• A matriz H(s) pode ser representada como:

N(s)
H(s) =
d(s)
• 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.
• Como visto anteriormente, algumas realizações (“naturais”) tinham ordem 9 e 8.
• Consideremos agora, outra representação para H(s).
• Ela pode também ser escrita como uma “fração de matrizes”:

−1
H(s) = NR (s)DR (s), DR = d(s)Im , NR (s) = N(s)
• 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.
• O grau da matriz do denominador é:
deg[Dr (s)] ≡ deg[det[DR (s)]] = rm Pois DR (s) = d(s)Im
• Pode-se ainda escrever:
H(s) = DL−1 NL (s), DL = d(s)Ip , NL (s) = N(s)
• O grau da matriz do denominador é:
deg[DL (s)] ≡ deg[det[DL(s)]] = rp
92
• 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.
• Esssas representações são as denominadas Descrição Fracional de Matrizes,

MFD, do inglês, Matriz-Fraction Description.
• É possı́vel obter várias MFD’s de uma matriz.
Exemplo 3.1 " #

s s
(s+1)2 (s+2)2 (s+2)2
H(s) = −s −s
(3.5)
(s+2)2 (s+2)2
Que pode ser escrita como:

" #" #−1
s s(s + 1)2 (s + 1)2 (s + 2)2 0
H(s) =
−s(s + 1)2 −s(s + 1)2 0 (s + 1)2 (s + 2)2
Ou seja:
H(s) = N1 (s)D −1 (s)
com grau[det[D1 (s)]] = 8.
H
93
Outras Fatorações Para o Exemplo 3.1
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
H(s) = N2 (s)Ds (s)−1 repare que grau[det[D2]] = 6
2. Pode-se ainda obter a relação:

" #" #−1
s 0 (s + 1)2 (s + 2)2 −(s + 1)2 (s + 2)2
H(s) = ou seja:
−s(s = 1)2 s2 0 s+2
H(s) = N3 (s)D −1 3(s) com grau[det[D3 ]] = 5
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
Algumas Observações Importantes
• Dada uma MFD pode-se encontrar outras (infinitas) escolhendo-se matrizes não-
singulares, W (s) tais que:
N̄ (s) = N(s)W −1 (s) e D̄(s) = D(s)W −1(s)
• (N̄(s) e D̄(s) são matrizes polinomiais).
• 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)
• Em outras palavras o grau da MFD (isto é, o grau da matriz denominador),

pode ser reduzido removendo-se os divisores das matrizes do numerador
e denominador.
• 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 ?
• O GCRD será extraı́do se det[W (s)] for dado por:
det[W (s)] = uma constante, não nula, (independente de s). Ou seja, grau 0).
• Diz-se que W (s) deve ser unimodular
95
Mais Alguns Comentários
• 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.
• Comentários análogos para MFD’s a esquerda.
• A ordem da realização mı́nima será igual a ordem da MFD irredutı́vel equivalente.
• Dada uma MFD a direita:
−1
H(s) = NR (s)DR (s)
• pode-se sempre obter uma realização (A, B, C) controlável de ordem
n = deg{det[DR (s)]} ≡ grau da MFD
• Dada uma MFD a esquerda:
H(s) = DL−1 (s)NL (s)
• pode-se sempre obter uma realização (A, B, C) observável de ordem
n = {deg[detDR (s)]} ≡ grau da MFD
• 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
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
a) Essa realização é controlável ? É observável ?
b) Escreva C(sI − A)−1 B como DL1 (s)NL (s) e NR (s)DR

1
, sendo os determinantes de DR
e DL de grau 3.
c) Repita o item acima sendo os determinantes de DR e DL de grau 2.
97
3.7 Pólos, Zeros e Forma de McMillan

• Como comentando na subseção 2.13, os pólos são definidos como as reaı́zes da
equação,
φ(s) ≡ det(sI − A) = 0. Isto é, os pólos são dados por λi (A).
• Importante, entretanto, notar que se A não é uma representação mı́nima, esse

cálculo incluirá os pólos (autovalores) que não são controláveis e/ou observáveis.
Assim, o “menor número de pólos”de uma realização está associado a realização
mı́nima.
• A importância do conhecimento dos pólos e zeros do sistema é óbvia: eles de-

terminam o comportamento dinâmico do sistema. Mais ainda: conhecendo-se a
estrutura de pólos e zeros, determina-se o grau relativo do sistema e seu compor-
tamento para s → ∞ e para s = 0.
• 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.
• A representação de McMillan (ou Smith-McMillan) [96, 78] é uma forma de se

expressar uma matriz racional a partir da qual é possı́vel definir, de forma direta,
o conjunto de pólos e zeros do sistema.
As formas de Smith, Smith-McMillan são obtidas a partir de transformações ele-

mentares, isto é, operações de linhas e colunas que transformam as matrizes em outras,
mas simples.
• Matrizes relacionadas por transformações elementares são ditas serem equiva-

lentes.
• São consideradas transformações equivalentes:
i) Trocar linhas ou colunas.

ii) Adicionar a uma linha (ou coluna) outra linha ou coluna multiplicada por
um fator (não nulo).
98
iii) Multiplicar ou dividir uma linha ou coluna por um número real.
• Vide [45], pg 373, 374.
• As operações elementares são realizadas por multiplicações (pré ou pós) por ma-
trizes elementares.
• Algumas matrizes elementares:

     
1 0 0 1 0 0 1 0 0
 0 0 1   α(s) 1 0   0 3 0 
     
0 1 0 0 1 0 0 0 1
• Pós-multiplicar implica em operações sobre colunas e pré-muiltiplicar sobre linhas.
99
3.8 Transformações Elementares

Definição 3.7 (Wolovich, [91], pg. 26 definição 2.5.3)
Duas matrizes polinomiais P (s) e Q(s) serão chamadas serem (a) equivalentes em linha
(row equivalent); (b) equivalentes em coluna (column equivalent); e (c) equiva-
lentes; se e somente se uma delas pode ser obtida a partir da outra por uma seqüência
de operações elementares em (respectivamente): (a) linha; (b) coluna; e (c) linha
e coluna.
♦
Definição 3.8 (Wolovich, [91], pg. 26 definição 2.5.3)

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

• Conforme visto acima, através de operações elementares, pode-se converter ma-
trizes polinomiais genéricas para outras que possuem formas particulares.
• A forma de Hermite é uma delas.
• Outras seriam as formas de Smith (ou Mcmillan-Smith para matrizes racionais)

ou a de Popov (vide seção 6.7.2 do livro do Kailath, [45]).
• O teorema 3.6 define a forma de Hermite.
Teorema 3.6 (Forma de Hermite para Coluna - [45], pg. 375)

Qualquer matriz polinomial p × m de rank (posto) r pode ser reduzida, por operações
elementares de linha (isto é através de pré-multiplicação por matrizes unimodulares apro-
priadas) em matrizes quasi-triangular (inferiores ou superiores). Tais matrizes obe-
decem as seguintes condições:
1. Se p > r, as últimas p − r linhas são identicamente nulas.
100
2. Na coluna j, 1 ≤ j ≤ r, o elemento da diagonal é mônico e de grau superior aos

elementos (não nulos) que estão acima dele.
3. Na coluna j, 1 ≤ j ≤ r, se o elemento da diagonal é o calor 1, então todos os

elementos acima dele são zero.
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.
• Quando a matriz é quadrada, pode-se definir uma forma de Hermite única, no

sentido de que P (s) e U(s)P (s) (sendo U(s) unimodular) terão a mesma forma de
Hermite.
• A prova do teorem pode ser encontrada em [45], pgs. 375 e 376.
Exemplo 3.2 Os seguintes passos transformam a matriz G(s) na sua forma de Her-
mite.  
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
3.8.2 Exercı́cio
1. Descreva, para as transformações acima, quais foram as operações realizadas.
2. Obtenha as matrizes unimodulares usadas (U1 , U2 e U3 , por exemplo).
3. Mostre que, utilizando as três matrizes acima, obtêm-se a matriz de transformação

dada por:  
0 0 1
H(s) =  0 1 0 
 
1 s + 1 s2
4. Mostre que H(s) é unimodular.
102
3.9 Pólos em Sistemas MIMO

Os dois teorema abaixo são complementares e formalizam os resultados apresentados na
subseção 3.4.1.
Teorema 3.7 (Pólos em Sistema MIMO)

O polinômio dos pólos, ou polinômio caracterı́stico, φ(s) associado a uma realização
mı́nima de um sistema com matriz de transferência G(s), é o mı́nimo denominador
comum de todos os menores (não nulos e de todas as ordens possı́veis) de G(s).

Teorema 3.8 (Pólos em Sistema MIMO)

Os pólos de um sistema MIMO são as raı́zes (ou zeros) do polinômio caracterı́stico (ou
polinômio dos pólos).

3.9.1 Dois Exemplos

Exemplo 3.3 (Calculando Pólos de um sistema MIMO - I)
Considere G(s) dado a seguir. Calcule os pólos desse sistema.
" #
1 (s − 1) s
G(s) = (3.8)
1, 25(s + 1)(s + 2) −6 (s − 2)
1. Menores de ordem 1: são os próprios elementos. Logo todos tem o mesmo denom-
inador: 1, 25(s + 1)(s + 2)
2. Menores de ordem 2 (só há um): é o próprio determinante:
(s − 1)(s − 2) + 6s 1
det(G(s)) = = 2
1, 25(s + 1)(s + 2) 1, 25 (s + 1)(s + 2)
Assim o mı́nimo denominador comum de todos os menores será
φ = (s + 1)(s + 2)
Assim os pólos da realização mı́nima serão:s = −1 e s = −2.
10)
103
Exemplo 3.4 (Calculando Pólos de um sistema MIMO - II)

" #
1 (s − 1)(s + 2) 0 (s − 1)2
G(s) =
(s − 1)(s + 1)(s + 2) −(s + 1)(s + 2) (s − 1)(s + 1) (s − 1)(s + 1)
(3.9)
1. Menores de ordem 1 (não nulos):

1 s−1 −1 1 1
, , , ,
s + 1 (s + 1)(s + 2) s − 1 s + 2 s + 2
2. Menores de ordem 2 (existem 3, pois pode-se deletar coluna 1, 2 ou 3):

−(s−1)
(a) M1 = (s+1)(s+2)2
2
(b) M2 = (s+1)(s+2)
1
(c) M3 = (s+1)(s+2)
Assim o mı́nimo denominador comum de todos os menores será
φ = (s + 1)(s + 2)2 (s − 1)
Assim os pólos da realização mı́nima serão:s = −1, s = 1 e s = −2, s = −2.
• Repare que os pólos dos sistemas MIMO são os próprios pólos dos seus elementos.
A questão é a sua multiplicidade.
• Examinando os elementos não é possı́vel calcular os pólos !
3.9.2 Exercı́cios
1. Econtre duas relizações para as funções G(s) dadas nos dois exemplos anteriores.
2. Para essas realizações, calcule seus autovalores.
3. Verifique se as realizações calculadas são observáveis e/ou controláveis.
104
3.10 Zeros em Sistema MIMO

(Vide apêndice ??, seção ??.)
• 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:
Definição 3.9 (Zeros de Sistemas dinâmicos) ([78] e [52])

zi será um zero de G(s) se o rank (posto) de G(zi ) for menor que o rank de G(s). O
polinômio dos zeros, z(s) é dado por:
z(s) = Πni=1
z
(s − zi )
sendo nz o número de zeros finitos de G(s).

♦
• Repare que essa definição vale tanto para sistemas MIMO quanto para SISO.
• Fala-se Zeros finitos pois existem “zeros no infinito”.
• Essa definição considera a matriz G(s) associada a uma realização mı́nima. Tais
zeros são denominados zeros de transmissão.
3.10.1 Zeros a partir da Realização

• Os zeros podem ser calculados a partir da representação no espaço de estados.
Lembrando da relação dada na equação (1.5), subsecção 1.9.1, tem-se que (P (s) é
matriz de Rosenbrock):
" # " #
x 0
P (s) = lembrando que P (s) é dada por:
u y
105
" #
(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
• Este é o denominado problema do autovalor generalizado.
• Para realizações não-mı́nimas, serão obtidos zeros adicionais.
3.10.2 Zeros a partir da Matriz de Transferência

O seguinte teorema apresenta a forma de se calcular os zeros em sistemas MIMO.
Teorema 3.9 (Zeros em Sistemas MIMO) ([78] e [52])

O polinômio dos zeros, z(s), associado à realização mı́nima de um sistema, é o
máximo divisor comum, GCD (Greatest Common Divisot) de todos os numeradores
de todos menores de ordem r de G(s). Nesse caso, r é o rank normal de G(s). Deve-
se considerar ainda que todos os menores foram “ajustados”para que todos tenham o
polinômio dos pólos, φ(s) em seus denominadores.

• Essa definição está associada a definição de formas canônicas para representação

de G(s). Vide apêndice ??, seção ??.
Exemplo 3.5 ([78], pg. 131)

Considere G(s) dada por:
" #
1 s−1 4
G(s) =
s+2 4, 5 2(s − 1)
106
• O rank normal de G(s) é 2 (r = 2).
• O menor de ordem 2 é o próprio determinante de G(s):

s−4
M2 = 2
s−2
• Pelo teorema 3.7, φ(s) vale

φ(s) = s + 2
• Logo o polinômio dos zeros vale:
z(s) = s − 4
• Assim o zero de G(s) vale z = 4.

H
• Em geral, os zeros do sistema MIMO não estão associados ao zeros dos elementos.
• É possı́vel ter zeros e pólos de sistemas MIMO idênticos.
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
3.10.5 Forma de Smith

Teorema 3.10 (Forma de Smith [45], pg. 390)
Dada uma matriz polinomial p × m, P (s), pode-se encontrar operações elementares de
linhas e colunas, ou, dizendo de outra forma, pode-se encontrar matrizes unimodulares
U(s) e V (s) tais que:
U(s)P (s)V (s) = Λ(s)
sendo  
λ1 (s)
 .. 

 . 

..
. 0r×(m−r)
 
Λ(s) = 
 


 λr (s) 

 
 
0(p−r)×r 0(p−r)×(m−r)
e
r = rank (posto) normal de P (s)
e os λi são polinômios (únicos) mônicos que satisfazem a propriedade da divisão:
λi (s)|λi+1 (s), i = 1, . . . , r − 1
Além disso, se for definido
∆i (s) = o gcd de todos i × i menores de P (s),
pode-se definir:
∆i (s)
λi (s) = ∆0 (s) = 1
∆i−1 (s)

• A matriz Λ(s) é denominada Forma de Smith de P (s).
• Os polinômios ∆i são chamados divisores determinantes (determinantal divi-

sors) de P (s).
• Os polinômios λi (s) são denominados polinômios invariantes de P (s).
• Veja a prova desse teorema em [45], pg 391.
108
Lema 3.1 (Teste para Verificar se duas Matrizes são Coprimas)

N(s) e D(s) são coprimas a direita se e somente se a forma de Smith de [N T D T (s)]T
é igual a [I 0]T .

Exemplo 3.6 Seja G(s) dada por:

 
1 −1
s2 +3s+2 s2 +3s+2
 
 
s2 +s−4 2s2 −s−8
 
G(s) = 
 s2 +3s+2 s2 +3s+2

 (3.10)
 
 
s−2 2s−4
s+1 s+1
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)
N(s) ∼ S(s) = diag {λ1 (s), λ2 (s)} (3.13)

sendo que os λi (s) são determinados pelos “divisores determintantes”∆(s):
∆i (s)
λi (s) = , i = 1, 2 (3.14)
∆i−1 (s)
Assim:
∆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
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)
Logo S(s) (a forma de Smith de N(s)) será:

 
1 0
N(s) ∼ S(s) sendo S(s) =  0 (s + 2)(s − 1)  (3.21)
 
0 0
H
110
3.10.6 Forma de Smith-McMillan

• Podem ser feitas definições semelhantes as anteriores, para uma forma canônica
de G(s).
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
e αi (s) divide αi+1 (s) e βi+1 (s) divide βi (s)
A matriz M(s) é denominada forma de Smith-McMillan de G(s). A partir dela

definem-se os pólos e zeros para um sistema MIMO.
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)
Definição 3.11 O polinômio z(s) é denominado polinômio dos zeros.
z(s) = α1 .α2 · · · αn (3.24)
Procedimento para Encontrar a Forma de Smith-McMillan
1. Seja G(s) uma matriz de transferência (própria ou estritamente própria). Encontre

o mı́nimo denominador comum d(s) entre todos os elementos de G(s) e reescreva
G(s) como:
1
G(s) = N(s)
d(s)
2. Determine a forma de Smith para N(s), isto é, encontre S(s) ∼ N(s) da forma:
N(s) ∼ S(s) = dia{λ1 (s), λ2 (s), . . . , λr (s), 0, 0, . . . , 0}
111
• Lembre-se que os polinômios λi (s) são calculados pelos divisores determi-

nantes, isto é:
∆i (s)
λi (s) = i = 1, 2, . . . , r
∆i−1 (s)
3. Assim a forma de Smith-McMillan de G(s) será dada por:
1
G(s) ∼ M(s) = S(s)
d(s)
Exemplo 3.7 Seja G(s) dada por:

 
1 −1
s2 +3s+2 s2 +3s+2
 
 
s2 +s−4 2s2 −s−8
 
G(s) = 
 s2 +3s+2 s2 +3s+2

 (3.25)
 
 
s−2 2s−4
s+1 s+1
Como visto no exemplo anterior, G(s) também é dada por:

 
1 −1
1
G(s) = 2  s2 + s − 4 2s2 − s − 8  (3.26)
 
s + 3s + 2
(s − 2)(s + 2) (2s − 4)(s + 2)
1
= N(s) (3.27)
d(s)
Como já temos a forma de Smith de G(s), a forma de Smith-McMillan é dada por:
 1 
0
1  (s + 1)(s + 2) 
G(s) ∼ M(s) = S(s) = 
 s − 2 
(3.28)
d(s) 0 
 s+1 
0 0
Repare que os fatores comuns foram cancelados. Os polinômios dos pólos e dos zeros
são dados por
φ(s) = p(s) = (s + 1)2 (s + 2) (3.29)

z(s) = s − 2 (3.30)
Assim, G(s) possui os pólos s = −1, −1, −2 e o zero (de transmissão) s = 2.
112
3.10.7 Pólos e Zeros para a Forma Canônica

A partir desses polinômios definem-se:
Definição 3.12 As raizes do polinômio p(s) da forma de McMillan-Smith são denom-

inadas pólos de G(s).
Definição 3.13 As raizes do polinômio z(s) da forma de McMillan-Smith são denom-

inadas zeros de transmissão de G(s).
113
3.11 Descrição Fracional de Matrizes. Alguns Re-

sultados
Lema 3.2 ([45], pg 379 (Identidade de Bezout)) N(s) e D(s) serão coprimas
a direita se e somente se existirem matrizes polinomiais X(s) e Y (s) tais que:
X(s)N(s) + Y (s)D(s) = I

3.12 Resumo dos Resultados e Resultados Adicionais

Essa seção apresenta resultados adicionais e um resumo dos principais resultados sobre
matrizes de transferência e matrizes polinomiais. Muitos dos resultados aqui apresenta-
dos são explicados no texto.
3.12.1 Conceitos Básicos (Já Vistos)

• Matriz Polimomial: matriz cujos elementos são polinômios.
• Matriz P (s) Unimodular: det[P (s)] 6= 0 e é uma constante.
• Fração Matricial a Direita (MFDR): N(s)D −1 (s).
• Fração Matricial a Esquerda (MFDE): )DL−1 (s)NL (s).
• Divisor a direita, a esquerda, divisores comuns.
• Matrizes coprimas:
• Forma de Hermite:
• Forma de Smith:
• Forma de Smith-McMillan (para matrizes racionais):
Exercı́cio
Dados os termos acima, defina-os, conforme apresentado nas seções anteriores. Dê ex-
emplos.
114
3.12.2 Definições e Teoremas

Definição 3.14 Se G(s) pode ser expressa como G(s) = N(s)D −1 (s), diz-se que N(s)D −1 (s)
é uma MFD a direita (ou MFDR, Right Matriz Fraction Description) de G(s)
♦
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)
♦
Lema 3.3 A dimensão de qualquer realização de G(s) (própria) é igual a, no mı́nimo,

ao Grau de McMillan de G(s).

Teorema 3.12 A menor dimensão n possı́vel de uma realização é igual ao 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
Exemplo 3.8 A matriz F (s)

" #
1 s−1
s+1
0 (s+1)(s+2)
F (s) = −1 1 1
s−1 s+2 s+2
possui rank 2 pois o menor de maior ordem é 2:

" #
s−1
0 (s+1)(s+2) s−1
det( =−
f rac1s + 2 1
s+2
(s + 1)(s + 2)2
H
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).
♦
Exemplo 3.9 A matriz

" #
s+1 s+3
Q(s) = 2 2
s + 3s + 2 s + 5s + 4
é não singular, pois:
det[Q(s)] = (s + 1)(s2 + 5s + 4) − (s + 3)(s2 + 3s + 2) = −2s − 2
A matriz P (s) é dita ser singular, pois seu determinante é nulo:

" #
s+1 s+3
P (s) =
s2 + 3s + 2 s2 + 5s + 6
det[P (s)] = (s + 1)(s2 + 5s + 6) − (s + 3)(s2 + 3s + 2) = 0

H
116
Comentários
• Porém a matriz Q(s) do exemplo acima é singula para s = 1, isto é, seu determi-
nante é nulo para s = 1.
• Ao contrário a matriz P (s) é singular, por que seu determinante é sempre 0
• 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).
3.12.3 Pólos e Zeros

Definição 3.21 O pólo de uma matriz de transferência (matriz racional) G(s) com
uma fatoração (MFD) coprima a direita N(s)D(s)−1 é um número complexo s0 tal que
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
iii) ∃x0 , y0 tal que CeAt x0 = y0 es0 t 6= 0 ∀t ≥ 0

117
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:
rank[N(s0 )] < max{rank[N(s)]}.

s∈C
(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
• O vetor u0 é algumas vezes denominado vetor de entrada de direção zero

(input zero-direction)
• Se s0 é um zero de transmissão de G(s) então (i) é verdadeiro. O contrário nem

sempre é verdade.
118
3.13 Forma de Smith-McMillan e MFD’s

N (s)
Considere uma matriz racional H(s) = d(s)
, que pode ser reduzida por uma forma
equivalente de Smith-McMillan:
H(s) = U(s)M(s)V (s) (3.31)
sendo " #
diag{ǫi (s)/ψi (s)} 0
M(s) = (3.32)
0 0
sendo que
ψi+1 (s)|ψi (s) (isto é ψi+1 divide ψi (3.33)

ǫi (s)|ǫi+1 (s) (3.34)
d(s) = ψ1 (s) (3.35)
3.13.1 Forma de Smith-McMillan: Histórico e Conceitos

Vide [45], pg. 444.
O resultado da forma de Smith-McMillan foi proposto pela primeira vez por McMil-
lan, em 1952, a partir da forma de Smith para matrizes polinomiais (é claro...).
A matriz M(s) como definida acima é uma forma canônica geral usada em matrizes
racionais e pode inclusive ser definida sem se referir as matrizes polinomiais. Ele é de
grande importância, tanto do ponto de vista teórico quanto de conceitos e aplicações
em sistemas.
Historicamente, a forma de Smith-McMillan foi usada por Kalman para generalizar
a técnica de Gilbert.1
Kalman usou a forma de Smith-McMillan para construir realizações controláveis e
observáveis (e portanto mı́nimas) para M(s) usando apenas nmin integradores, sendo
X
nmin = deg ψi (s) (3.36)
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
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.
• Considere as equações (3.31) e (3.32)
• Pode-se escrever M(s) como uma MFDR (MFD a direita) ou MFDL (MFD a
esquerda):
M(s) = E(s)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:
N0 (s) ≡ U(s)E(s) D0 (s) = V −1 (s)ΨR (s)
• 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)
3.14 Mais Teoremas e Lemas sobre MFD’s

Vide [45] páginas 377 a 384 para alguns resultados utéis. Vide também seção 6.5
120
Lema 3.6 (Identidade de Bezout)

N(s) e D(s) serão coprimas a direita se e somente se existirem matrizes polinomiais
X(s) e Y (s) tais que:
X(s)N(s) + Y (s)D(s) = I

Lema 3.7 (Identidade de Bezout Generalizada)

Sejam {NR (s), DR (s)} coprimas à direita e {NL (s), DL(s)} coprimas à esquerda, com
DR (s) não singular. Então existirão matrizes polinomiais {X(s), Y (s), X ⋆ (s), Y ⋆ (s)}
tais que: " #" # " #
−X(s) Y (s) −NR (s) X ⋆ (s) I 0
=
DL (s) NL (s) DR (s) Y⋆ (s) 0 I
e " #" # " #
−NR (s) X ⋆ (s) −X(s) Y (s) I 0
=
DR (s) Y ⋆ (s) DL (s) NL (s) 0 I

3.15 Pólos e Zeros no Infinito

• Vide [45] pg. 448 a 455
• Zeros de sistemas, de transmissão e de bloqueio
• Sinais em sistemas MIMO
121
Capı́tulo 4
Interação e Desacoplamento em
Sistemas MIMO
4.1 Motivação
• Considere os três exemplos de sistemas MIMO dados na figura 4.1.
• O processo da figura (a) é um sistema de mistura: duas substâncias, A e B, com

vazões wA e WB , respectivamente, são misturadas para produzirem a substância
X, com vazão w e composição x. As variáveis manipuladas wA e wB afetam, w e
x. Uma questão importante é definir “quem controle o quê”.
• O processo em (b) é um exemplo de uma coluna de destilação. A composição do

destilado, xD e do fundo xB podem ser afetadas pela vazão de refluxo R ou pela
vazão do vapor da entrada S.
• 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).
• Quando interações estão presentes, é importante saber qual o melhor emparel-

hamento variável controlada com a variável manipulada. Nem sempre essa
escolha é óbvia.
122
Interação e Desacoplamento em Sistemas MIMO
4.2 Análise por meio da MGR

• A Matriz de Ganhos Relativos, MGR, ou RGA, Relative Gain Array, foi proposta
inicialmente como uma “medida de interação para controle multivariável, desen-
volvida para superar deficiências práticas e teóricas da representação matricial [...].
Em Bristol, [11]. (Primeiro artigo sobre a MGR).
• 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.
• Em sistemas MIMO, os acoplamentos existentes entre entradas e saı́das fazem com

que a função de transferência de malha aberta entre um par (uj , yi ) dependa da
forma como as outras malhas interagem entre si e com o par.
• Se um par de entrada e saı́da é considerado em particular, o ganho entre es-

tas variáveis pode variar com a abertura ou fechamento de outros pares de en-
trada/saı́da.
Figura 4.1:
123
4.3 Introdução à MGR
Figura 4.2: Dois experimentos para calcular a RGA 2 × 2.
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 .
• É claro que a variação em ∆y1 só ocorreu devido a variação de m1

• Assim, o ganho estático entre y1 e m1 quando m2 é mantido constante
é dado por:
∆y1
∆m1 m2
2. Considere agora o experimento em que se deseja computar o ganho entre y1 e m1
com m2 variando. Nesse caso, a malha 2 estará fechada, por um controlador, que
objetiva controlar a saı́da y2. Assim ao se introduzir uma variação em m1 , (∆m1 )
a variação da saı́da será ∆y1 . Porém, essa variação da saı́da (∆y1 ) será diferente
da obtida no experimento (1) pois a malha (2) estará sendo controlada (no sentido
de manter y2 constante). Assim, o controlador dessa segunda malha faz com que
m2 seja alterado para manter y2 constante na presença de alguma perturbação (no
caso ∆m1 ). Assim o ganho estático entre y1 e m1 será dado por:

∆y1
∆m1 y2
124
• 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 .
2. Se λ11 = 1 então m2 não afeta y1 , pois a razão do ganho com m2 constante e m2

variando é igual a 1 (numerador = denominador). Portanto a malha de controle
entre y1 e m1 não interage com a malha entre y2 e m2 . Nesse caso tem-se um
sistema completamente desacoplado.
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...).
4. Se λ11 < 0 então m2 influencia fortemente a saı́da y1 , em um “sentido inverso”à

variação provocada por m1 . Nesse caso a interação é “perigosa”. Nesse caso
o ganho de malha aberta e o ganho de malha fechada possuem sinais trocados.
Situação indesejável.
125
Analogamente ao exemplo acima, pode-se definir outros ganhos relativos:

h i
∆y1
∆m2
λ12 = h im1 ganho relativo entre y1 e m2
∆y1
∆m2
y2
h i
∆y2
∆m1
∆y2
∆m1
y1
h i
∆y2
∆m2
∆y2
∆m2
y1
• Os valores desse ganhos podem ser usado para medir a interação entre as re-
spectivas malhas.
• Uma matriz composta de ganhos relativos, λij é denominada Matriz de Ganhos

Relativos, MGR (ou RGA, Relative Gain Array)
4.4 Exemplo I
1) Considere as duas possibilidades para controle do sistema da figura 4.3. Na figura
tem-se duas possibilidades para se controlar as variáveis y1 e y2 .
Figura 4.3: Alternativas de controle para uma malha 2 × 2.
126
4.4.1 Seleção das Malhas

• Reportando-se à figura 4.3, pergunta-se qual a melhor forma de controle, do ponto
de vista da minimização da interação entre as malhas.
• Para responder a pergunta, faz-se uso dos ganhos relativos, MGR:

" #
λ11 λ12
Λ=
λ21 λ22
• A partir da definição de λij , pode-se mostrar que
λ11 + λ12 = 1 e λ11 + λ21 = 1

λ21 + λ22 = 1 e λ12 + λ22 = 1
• Para o caso 2 × 2 é necessário apenas conhecer λ para uma malha. Os outros são
conhecidos pelas relações anteriores.
• Para o caso em questão podem ser relacionados 6 casos:
1. λ11 = 1. Nesse caso a MGR é:

" #
1 0
Λ=
0 1
– 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
– Para essa MGR as duas malhas não interagem entre si.

– Os elementos na diagonal inversa indicam que as malhas tem um empar-
elhamento inverso, isto é: deve-se escolher o emparelhamento, com m1
controlando y2 e m2 , y1 .
127
3. λ11 = 0, 5. Nesse caso a MGR é:

" #
0, 5 0, 5
Λ=
0, 5 0, 5
– A interação entre as malhas é a mesma, tanto controlando y1 com m1 ,
quanto m2 (o mesmo para y2 )
– Nesse caso a escolha do emparelhamento é irrelevante para o desempenho
do controlador MIMO.
4. 0 < λ11 < 0, 5 (por exemplo λ11 = 0, 5. Nesse caso a MGR é:
" #
0, 25 0, 75
Λ=
0, 75 0, 25
– Dois valores grandes (0, 75) na anti-diagonal indica a recomendação de

se controlar y1 com m2 e y2 com m1 )
5. 0, 5 < λ11 < 1 (por exemplo λ11 = 0, 8. Nesse caso a MGR é:
" #
0, 8 0, 2
Λ=
0, 2 0, 8
– Dois valores grandes (0, 8) na diagonal indica a recomendação de se con-

trolar y1 com m1 e y2 com m2 )
6. λ11 > 1. Nesse caso λ22 = λ11 > 1 e λ12 = λ21 = 1 − λ11 < 0
– Nesse caso (valores de ganhos relativos maiores que 1), tem-se alguns
problemas:
– Suponha que se controle y1 com m1 e y2 com m2 , sendo λ11 e λ22 maiores
que 1. Nese caso,

∆y1 ∆y1 ∆y2 ∆y2
> e >
∆m1 m2 ∆m1 y2 ∆m2 m1 ∆m2 y1
– Fechando a malha 2 haverá redução do ganho da malha 1. Haverá,
portanto uma interação que será tanto mais forte quanto maior o valor
de λ11 .
– No caso, λ12 será negativo. Um ganho negativo indica uma interaçã “no
sentido inverso”, isto é, os ganhos de malha aberta e fechada tem sinais
opostos.
128
– Uma regra importante: não deve-se emparelhar saı́das e entradas cujos

ganhos relativos sejam negativos. (No caso não deve-se emparelhar y1
com m2 e m1 com y2 )
• Esses resultados podem ser extendidos para casos de matrizes n × n.
Assim, pode-se generalizar para a seguinte regra:
Recomendação de Bristol para emparelhamento [11]

Recomendação: Monta-se o emparelhamento das variáveis controladas/manipuladas
tais que o ganho relativo correspondente seja positivo e o mais próximo de 1 possı́vel.
4.5 Formalização dos Resultados

4.5.1 Definição Matemática da MGR para sistemas n × n
A variação no ganho de uma função de transferência devido ao fechamento de outras
malhas pode ser definido pela razão entre o ganho de malha aberta (MA) e ganho
de malha fechada (MF), isto é:

∂yi
MA ∂uj
uk =cte.;k=1,...,n;k6=j
µij = =
MF ∂yi
∂uj
yl =0,l=1,...,n;l6=i

∂Ci
∂Mj
µij = M
∂Ci
∂Mj
C
• O sı́mbolo (∂Ci /∂Mj )M indica a derivada parcial que é calculada com todas as
variáveis manipuladas, exceto Mj , mantidas constantes. Esse termo é o ganho
de malha aberta entre Ci e Mj .
• Analogamente, o sı́mbolo (∂Ci /∂Mj )C é calculado com todas as variáveis contro-

ladas constantes, com exceção da Ci . Isto é conseguido ajustando-se todas as
variáveis manipuladas com controladores com ação integral.
• 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
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
Figura 4.4: Sistema MIMO com n variáveis manipuladas e n variáveis controladas
Duas Propriedades Importantes
• A RGA é normalizada no sentido de que a soma de todas linhas ou colunas dará

sempre 1.
• Os ganhos relativos são adimensionais.
4.6 Cálculo da RGA

Nessa seção formaliza-se o cálculo realizado anteriormente, considerando:
(∂Ci /∂Mj )M
λij = (4.2)
(∂Ci /∂Mj )C
• Cálculo para estado estacionário.
• Exemplos para sistema 2 × 2.
130
Seja o sistema:
C1 = K11 M1 + K12 M2 (4.3)

C2 = K21 M1 + K22 M2 (4.4)
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
• Note que a RGA para o sistema (2 × 2) é simétrica.
Para matrizes maiores que 2 × 2, tem-se que:
λij = Kij Hij
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
1. A recomendação anterior é baseada no ganho em estado estacionário. Pode-se, en-

tretanto, considerar a dinâmica na escolha do emparelhamento. Vide, por exemplo
a dissertação [19]. Vide também [78].
2. Se λ = 0 ou λ = 1, o sistema de controle possui malhas que não interagem ou que

exibem uma interação em uma única direção (isto é uma malha afeta outra, mas
essa útlima não afeta a primeira). Por exemplo considere:
" #
K11 K12
K=
0 K22
Nesse caso a malha 1 não afeta a segunda malha (K21 = 0). Entretanto a malha 2
afeta a malha 1.
132
4.7 Exemplo II
Exemplo 4.1 [82], pg. 501]
Considere o processo dado por:
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)
Para calcular a MGR, faça:
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
2. Mantenha y2 constante (controlada), variando-se m2 . Introduza uma perturbação

(degrau) em m1 . Como y2 deve ficar constante (ȳ2 = 0), a partir da equação (4.15)
é possı́vel calcular a variação de m2 :
0, 2 1 + s
m̄2 = m̄1
0, 8 0, 5s + 1
• Levando esse valor em (4.14), tem-se:
1 1 0, 2 s + 1
ȳ1 = m̄1 + m̄1
s+1 0, 1s + 1 0, 8 0, 5s + 1
• Assim o valor para y1 no estado estacionário será:

1 1 1 0, 2 s + 1 1
yi(∞) = lim s + = 1, 25
s→0 s + 1 s 0, 1s + 1 0, 8 0, 5s + 1 s
133
• Portanto, (∆y1 /∆m1 )y2 = 1, 25/1 = 1, 25 e
(∆y1 /∆m1 )m2 1

λ11 = = = 0, 8
(∆y1 /∆m1 )y2 1, 25
• Usando equações ??, encontra-se os valores para λij :
λ12 = λ21 = 0, 2 e λ22 = 0, 8
• 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.
Figura 4.5: Alternativas de controle para uma malha 2 × 2.
Exemplo 4.2 [82], pg. 502]

Considere o sistema dado na figura 4.5. Nela representa-se um sistema de mistura de
dois fluidos com vazão F1 e F2 e composições de um determinado produto (em mols)
dadas x1 = 80% e x2 = 20%. Deseja-se saber a melhor configuração para o controle
da produção, isto é, a melhor forma de regular a variável x que é a combinação das
134
composições e a vazão F . Sejam F = y1 e x = y2 as variáveis controladas (saı́das).

Sejam F1 = m1 e F2 = m2 as variáveis manipuladas. Qual das duas configurações,
apresentadas na figura ?? é a melhor ?
• O balanço das massas, em regime é dado por:
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
• Com esses valores encontre os valores de F1 e F2 em estado estacionário usando

(4.17) e (4.18)
F1 = 133, 4 e F2 = 66, 6
Para calcular a RGA, proceda da seguinte forma:
1. Varie F1 de uma unidade F1 = 134, 4) mantendo F2 constante. Resolva as equações

(4.17) e (4.18) para F e x e encontre os novos valores para estado estacionário:
F = 201 e x = 0, 6012 portanto:

∆F 1 ∆x 0, 0012
= =1 = = 0, 0012
∆F1 F2 1 ∆F1 F2 1
2. Varie F1 de uma unidade mantendo x constante. Resolva as equações (4.17) e

(4.18) para F e x e encontre os novos valores para estado estacionário:
F = 201, 67 F2 = 67, 27 portanto:

∆F 1, 67
= = 1, 67
∆F1 x 1
• Consequentemente, o ganho relativo entre F e F1 será:
(∆F/∆F1 )F2 1
λ11 = = = 0, 6
(∆F/∆F1 )x 1, 67
135
• Logo a MGR será " #

0, 6 0, 4
Λ=
0, 4 0, 6
Pode-se tirar duas conclusões:
1. As malhas com menores interações são aquelas definidas quando emparelha-se F

com F1 e x com F2 . (figura ??)
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
4.9 Algumas Propriedades da RGA

A RGA possui várias propriedades que são úteis para a análise e projeto de controladores
para sistemas MIMO. A seguir são apresentadas algumas propriedades. Para mais de-
talhesm veja em [78] ou os artigos de Grosdidier er. al [40], Morari, [57] ou de Hovd e
Skogestad, [?]. Considere dado um sistema MIMO G(S) ou uma matriz constante A.
1. RGA(A) = Λ(A) = A ⊗ [A−1 ]T
2. Λ[A−1 ] = λ[AT ] = (λ[A])T .
3. Qualquer permutação de linhas e colunas de A resulta na mesma permuta na

matrix RGA.
4. Λ[A] = I se e somente se A é triangular inferior ou superior. Em particular, a

RGA de uma matriz diagonal é a matriz identidade.
5. Plantas com elementos de valor elavado para a RGA próximo à freqüência de

cruzamento de ganho (cross-over frequency) são difı́cies de controlar devido à sensi-
bilidade (ou sensitividade) à incertezas de entrada. Em particular, desacopladores
ou outros controladores baseado na inversa da planta devem ser evitados.
6. Se o sinal de um elemento de RGA muda quando se troca S = 0 para s = ∞ entào

existe um zero no semi-plano direito (zero de fase não mı́nima, RHP-zero) em G.
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.
4.9.1 RGA no MATLAB

Para uma matriz constante:
lambda=g.*(pinv(g)).’
Para um matriz G(s):
137
G = pck(A,B,C,D);
omega = logspace(-2,2,41);
Gw = frsp(G,omega);
RGA = veval(’.*’,Gf,vpinv(vtp(Gf)));
Exemplo 4.3 Considere o sistema;

" #
−1,31e−2,5s −e−4s
20s+1 3s
G(s) = 0,038(182s+1) 0,36
(27s+1)(10s+1)(6,5s+1) s
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
Exemplo 4.4 (Seborg, [56], pg. 460)

Calcule a RGA estática e da função de transferência G(s) dada abaixo e interprete o
resultado: " −s
#
−2e−s 1,5e
G(s) = 10s+1 s+1
1,5e−s 2e−s
s+1 10s+1
" # " #
−2 1, 5 0, 64 0, 36
K= e Λ=
1, 5 2 0, 36 0, 64
• A análise da RGA recomenda o emparelhamento 1-1/2-2.
• Entretanto, as constantes de tempo dos termos fora da diagonal principal são 10

vezes menores do que os da diagonal/
• Assim C1 responderá dez vezes mais rápidas à M2 do que à entrada M1 . O mesmo

para C2 em relação a M1
• Consequentemente o empareamento 1 − 2/2 − 1 é mais favorável, considerando-se

essa relação temporal.
• Motivação para a análise via RGA dinâmica.

H
138
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.
• Mas algumas vezes, mesmo escolhendo o melhor emparelhamento, a interação,

mesmo “pequena”, pode persistir ou ainda pode não ser pequena o suficiente.
Vide exemplo 4.2.
• No caso da interação ser forte o suficiente para afetar o desempenho do sistema

como um todo, pode-se fazer uso de desacopladores, que são elementos intro-
duzidos na malha para “canclear”as interações
Desacopladores são projetados para compensar interações indesejadas presentes no

processo.
• No controle desacoplado, está embutido, no objetivo do projeto a obtenção de

um sistema que reduza a interação entre as malhas, através de de controladores
adicionais especı́ficos, denominados de desacopladores.
• Em linhas gerais, os projetos de desacopladores trazem consigo duas vantagens

importantes:
1. As interações entre as malhas é eliminada, e consequentemente a estabilidade

da malha fechada pode ser obtida pela análise da estabilidade das malhas
separadamente.
2. Uma mudança de set-point em uma variável controlada não afeta as outras
variáveis controladas.
• Na práticas essas vantagens (teóricas) não são totalmente aplicáveis, devido às
imperfeições do modelo.
• Em geral os desacopladores são projetados a partir de modelos simples.
4.10.2 Exemplos de Desacopladores

• Um tipo de desacoplador é dado na figura 4.6.
139
Figura 4.6:
4.10.3 Desacoplador Ideal

• Na figura 4.6 tem-se um sistema 2 × 2, com dois controladores convencionais, Gc1
e Gc2 , e dois desacopladores D12 e D21 .
• O sinal de entrada para cada desacoplador é a saı́da do controlador.
• Sendo os desacopladores projetados para “eliminar interações indesejadas”, D21

pode ser projetado, por exemplo, para cancelar o efeito de C21 , que aparece devido
à interação entre M1 e C2 .
• Este cancelamento ocorrerá em C2 se a saı́da do desacoplador D21 (sinal M21 )

satisfizer:
Gp21 M11 + Gp22 M21 = 0 que seria o C2 original (4.19)
• Substituindo M21 = D21 M11 tem-se:
(Gp21 + Gp22 D21 )M11 = 0 (4.20)
• 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)
• Resolvendo-se apra D21 , obtém-se a expressão para o desacoplador ideal:

Gp21(s)
D21 (s) = − (4.22)
Gp22 (s)
140
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)
• O desacoplador ideal é semelhante ao controle em avanço [56].
• O desacoplador ideal não é fisicamente realizável (por isso chama-se ideal...).
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
Projete um desacoplador ideal considerando as simplificações necessárias. Usando a

equação ??, tem-se:
0, 5(10s + 1)
D21 (s) = −
12s + 1
Considerando que o zero está próximo ao pólo, pode-se simplificar D21 (s) para 0, 5.
Neste caso pode-se substituir ?? por D21 (s) = −0, 5. Usando agora a equação 4.23,
tem-se:
−0, 25(4s + 1)es
D12 (s) = ,
8s + 1
que é um sistema não realizável (termo em avanço). Repare que a matriz de trans-
ferência possui termos em atraso em diferentes tempos. No caso, sendo que Gp11 (s)
possui um tempo de atraso maior, M2 irá afetar C1 antes de M1 . Sendo o termo em
avanço pequeno em relação aos termos de atraso do sistema, pode-se aproximar D12 (s)
por:
−0, 25(4s + 1)
D12 (s) = ,
8s + 1
(caso o termo em avanço fosse significante, essa simplificação poderia resultar em um
controlador inadequado).
H
141
4.10.5 Desacoplamento Parcial

• Em alguns esquemas 2 × 2 é desejável utilizar apenas um desacoplador, isto é,
considera-se D21 ou D12 igual a zero. Esse é o desacoplador parcial.
• Desacoplamento parcial é interessante em sistemas em que uma malha predomina

sobre outra.
4.10.6 Desacoplador Estático

• Uma abordagem “menos ambiciosa”para o desacoplador é a eliminação da in-
teração em regime estacionário. A vantagem é que esse tipo de desacoplador será
sempre realizável.
• A desvantagem (óbvia) é que haverá interação durante o transitório.
• O Desacoplador Estático pode ser obtido fazendo-se s = 0 nas equações 4.22 e

4.23. Assim:
Kp21 Kp12
D21 = − D12 = − (4.24)
Kp22 Kp11
• 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
4.11 Desacoplamento por Realimentação de Estados

Vide [12], pg. 371. Considere o sistema com p entradas e p saı́das:

ẋ = Ax + Bu
S1 : (4.25)
y = Cx
sendo u p × 1, y p × 1, A, n × n, B, n × p e C p × n. Considere p ≤ n. Sabe-se que a

matriz de transferência, cujos elementos são dados por gij (s) é dada por:
G(s) = C(sI − A)−1 B
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)
com K sendo uma matriz real constante p × n. H é p × p. Substituindo-se (4.26) em

(4.25) tem-se: 
ẋ = (A + BK)x + BHu
(4.27)
y = Cx
A função (matriz) de malha fechada será:
Gcl = C(sI − A − BK)−1 BH (4.28)

A seguir apresenta-se a condição na qual G(s) pode ser desacoplada. Antes, define-se di
e Ei como sendo:
Definição 4.1 di = min{diferença entre os graus do denominador e numerador de cada

elemento da i-ésima linha de G(s) }-1
♦
Definição 4.2 Ei é uma vetor linha, 1 × p dado por:
Ei ≡ lim sdi +1 Gi (s).

s→∞
sendo que Gi (s) é a i-ésima linha de G(s).

♦
143
Exemplo 4.6 " #

s+2 1
s2 +s+1 s2 +s+2
G(s) = 1 3
s2 +s2+1 s2 +s+4
As diferenças dos graus da primeira linha é 1 e 2, logo d1 = 0. (min(1, 2) − 1).

h i
E1 = lim s s2s+2+s+1 2
1
s +s+2
= [1 0]
s→∞
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
4.12 Decomposição em Valores Singulares

A Decomposição em Valores Singulares, DVS (ou SVD, Singular Value Decomposition, é
uma importante ferramenta (númerica) da álgebra linear moderna usada em aplicações
de projeto de sistemas de controle.
A SVD é uma análise que está relacionada com a resposta em freqüência de um
sistema MIMO. Para sistemas SISO, a resposta em freqüência de uma função de trans-
ferência é definida (de forma direta) a partir do módulo de G(jω) e de seu ângulo,
∠G(jω), para 0 ≥ ω ≥ ∞.
• 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).
• Existem diferentes medidas de ganho de uma matriz de transferência, seja na

abordagem freqüencial, seja em termos de ganho estático.
• Entre as definições relevantes, estão o autovalor, os raio espectral, os valores sin-

gulares, entre outros.
• Antes de definir esses conceitos é interessante revisar os conceitos de normas,

principalmente nas normas relacionadas com matrizes.
• Importante lembrar que o conceito de norma pode estar relacionado a um vetor,

um sinal, um operador, uma função, um número, uma matriz real ou mesmo uma
matriz polimonial ou racional (em s).
O apêndice ?? apresenta alguns conceitos de normas. A seguir resume-se alguns desses

conceitos.
4.12.1 Normas de Vetores

Definição 4.3 Se x é um vetor complexo ∈ C de dimensão n a norma p de x é definida
como: !1/p
Xn
||x||p = |xi |p
i=1
145
♦
Em teoria de controle usualmente usa-se a norma 1, 2 e ∞. Em termos de norma de
vetor tem-se as respectivas normas 1, 2 e ∞ dadas por:
n
X
||x||1 = |xi |
i=1
v
u n
uX √
||x||2 = t |xi |2 = x⋆ x
i=1
||x||∞ = max |xi |

i
4.12.2 Normas Induzidas

Normas-p de matrizes podem ser definidas em relação as normas de vetores.
Definição 4.4 Seja uma matriz A ∈ C uma matriz m × n. Então a norma-p de A é

definida como
||Ax||p|
|A||p = sup ∀ A ∈ C m×n
x∈C n ,x6=0 ||x||p
Importante
• A normal matricial como dada acima é uma norma induzida. Ela é induzida
pelos vetores (de norma-p).
• ||A||p pode ser interpretada como oganho máximo da matriz.
• ||A||p mede a razão entre o vetor de entrada e o de saı́da (na norma-p).
• Não é fácil calcular essas normas de matrizes.
• Para p = 1, p = 2 ou p = ∞ entretanto existem “algoritmos”que facilitam a

obtenção desses vaores.
146
Pode-se mostrar que:

m
X
||A||i1 = max |aij | (4.29)
j
i=1
p
||A||i2 = max λi (A⋆ A valor singular máximo (4.30)
i
n
X
||A||i∞ = max |aij | máxima soma das linhas (4.31)
i
j=1
(em geral pode-se tirar o ı́ndice i da definição da norma).
4.12.3 Matrizes de Transferência

Para matrizes G(s) o conceito de norma induzida é extendido, para valores de G(jω).
Por exemplo, a norma-2 de G(s) é dada por:
||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
sendo d(t) a entrada e y(t) a saı́da.
4.12.5 Valores Singulares

Assim, como dito acima, pode-se estender o conceito de norma induzida para sistemas
G(s). Seja a relação:
y = G(jω)u.
Nesse caso o ganho em freqüência de G(s) estará relacionado com a direção em que é
usada (sua posição na matriz, por exemplo), que determinará, por sua vez, a relação
entre y e u. Em outras palavras, o ganho de G(jω) será descrito como a razão entre a
saı́da y e a entrada u, levando-se em conta a norma usada nesses vetores. Nesse caso
147
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
Analogamente, o menor valor singular pode ser definido como:
||G(jω)u||2 p
σ[G(jω)] = inf = max λi (G⋆ (jω)G(jω))
u∈C,u6=0 ||u||2 i
4.12.6 Resumindo os Resultados

Definição 4.6 Se o ganho de uma matriz de transferência G(s) for definido como
razão entre a norna-2 do vetor de saı́da pela norma-2 do vetor de entrada, os valores
singular máximo e mı́nimo, são, respectivamente, o limite superir e inferior desse ganho.
A análise do ganho de G(s) pode ser feita através da denominada Decomposição em

Valores Singulares, DVS. Para definir a DVS, define-se antes os valores singulares de
uma matriz.
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
Matrizes com número de condição grande são ditas mal-condicionadas.

A seguir define-se a DVS.
Lema 4.2 Decomposição em Valores Singulares.

Para toda matriz complexa Q (m × p), existem matrizes unitárias V (m × m) e U
(p × p) e uma matriz real Σ, tais que:
" #
Σ 0
Q=V U ∗, (4.32)
0 0
onde Σ = diag(σ1 , σ2 · · · σr ) com σ1 ≥ σ2 ≥ σr ≥ 0 e min(m, p) ≥ r.
Comentário 4.2 • Quando Q é real, V e U podem ser ortogonais. A expressão

4.32 é chamada de decomposição de valores singulares de Q.
• As grandezas σ1 , σ2 · · · σr são iguais à raiz quadrada dos autovalores positivos de

Q∗ Q ou QQ∗ e são unicamente determinadas por Q.
4.12.7 Valores Singulares, Raio Espectral e Autovalores

Assim, como dito acima, todas raizes quadradas não negativas dos autovalores de Q∗ Q
são denominadas de valores singulares de Q:
σ1 , σ2 · · · σr > 0 e σr+1 , σr+2 · · · σp = 0. (4.33)
Os valores singulares máximo e mı́nimo são denotados, respectivamente, por σ̄ = σ1 e

σ = σp .
Os autovalores (ou ganhos caracterı́sticos) de uma matriz quadrada A, n × n são as
n−ésimas soluções, λi para a equação caracterı́stica,
det(A − λI) = 0 (4.34)
Os autovetores, ti (à direita) ou à esquerda, qi são satisfazem as relações:
Ati = λi ti (4.35)
qiT A = λi qiT (4.36)
(4.37)
149
Os autovalores estão associados às caracterı́sticas internas do sistema e definem, por

exemplo, os seus modos internos. O maior valor absoluto do autovalor é o raio espectral,
ρ, isto é
ρ(A) ≡ max |λi (A)|.
i
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
Exemplo 4.7 Seja A dada por:

" #
0, 8712 −1.3195
A=
1.5783 −0, 0947
A DVS de A é dada por A = UΣV com:

" # " # " √ #
1 1 1 2 0 1 3 −1
U=√ , Σ= , V = √
2 1 −1 0 1 s −1 − 3
150
4.13 Resumo dos Resultados e Mais uma Interpretação

• Considere uma matriz de transferência G(s) m×n. Considere uma dada freqüência,
ω0 . Neste caso G(jω0 ) será uma matriz constante m × n e será possı́vel calcular
sua SVD, que no caso será a SVD de G(s) na freqüência ω0 .
• Assim, tem-se que:

G(jω0 ) = G = UΣV T
• 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]
• Além disso, U é uma matriz m × m, unitária, formadas de vetores ui em suas

colunas, denominados vetores singulares de saı́da.
• E V é uma matriz n × n cuja colunas são os vetores vi , vetores singulares de

entrada.
• Uma matriz G real, 2 × 2 pode sempre ser escrita como:

" #" #" #T
cos(θ1 ) −sen(θ1 ) σ1 0 cos(θ2 ) ±sen(θ1 )
G= = UΣV T .
sen(θ1 ) cos(θ1 ) 0 σ2 −sen(θ2 ) ± cos(θ2 )
• Os ângulos θ1 e θ2 dependem de G. Pela equação acima pode ser visto que U e V

estão relacionadas com rotações.
• Os valores singulares são também chamados de ganhos principais e estão associados

a direções denominadas principais.
• SVD é calculada numericamente.
151
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.
• O vetor v̄ corresponde a direção da entrada que possui a maior amplificação e

ū corresponde a direção da saı́da na qual a entrada é mais efitiva.
• As direções envolvendo ū e v̄ são geralmente referenciadas como sendo direções

fortes, ou mais fortes ou ainda de alto ganho, ou ”mais importante”.
• As direções “mais fracas”estão associadas às direções uk e vk .
4.13.2 SVD com G Variando

• É possı́vel calcular a SVD para uma matriz em uma faixa de freqüência. Isto
equivale a calcular a SVD para diferentes freqüencias.
• Em geral, o gráfico da SVD para matrizes de transferência apresenta os ganhos

principais, para vários valores de freqÚencia.
152
• No matlab isto pode ser feito usando-se o comando vsvd.
• Os valores singulares das funções sensititividade e sensitividade complementar são

extremamente importantes no contexto de projeto de controladores MIMO.
Exemplo 4.8 Seja G dada por:

" #
5 4
G=
3 2
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
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).
• A partir dela tem-se que:

u = Fr r − Fy y (4.38)
• O controlador da equação (4.38) é denominado controlador de dois graus

de liberdade (2-DOF, ou 2 ”degree-of-freedom”). Ele é determinado por duas
funções (matrizes) de transferência, indepentemente, Fr e Fy .
• As caracterı́sticas da malha fechada ficam determinadas de forma indepentente, a

partir de Fr e Fy . Fy determina as caracterı́sticas da malha fechada propriamente
dita e Fr afeta a relação da respota temporal com a entrada r.
• Um caso especial seria Fr = Fy , que resulta em:
u = Fy (r − y)
• Que é o controlador (convecional) de um grau de liberdade (1-DOF).
• Uma forma de se projetar um controlador 2-DOF é definir primeiramente o con-

trolador 1-DOF e depois fazer:
u = fy (F̃r r − y)
• A relação anterior e ilustrada na figura 4.7 (b)
154
4.14.2 Diagrama para Representação no Espaço de Estados
d
x +
r + dt x y
u
b int c
+ +
Figura 4.8: Representação no espaço de estados
Na realimentação de estados, pode-se fazer:
u(t) = Kx + Hr
d
x +
r + u + dt x y
H B int C
+
+ +
Figura 4.9: Representação de uma realimentação de estaods
A malha fechada será:
Gcl = C(sI − A − BK)−1 BH
Lembre-se: nem sempre, ESTA FORMA de desacoplamento é possı́vel.
155
4.14.3 Alguns Modelos

Sistema de Mistura
• Vide [?], pg 621
• Considere o sistema de mistura da figura ??. Nela tem-se uma substância A e

um solvente S que são misturados para gerar o produto com concentração e vazão
medidos.
• O sistema foi modelado com as seguitnes considerações:
– As concentrações das substâncias que entram são constantes.

– A mistura é perfeita
– As densidades do solvente e do componente são iguais.
O balanço de massa resulta nas equações:
Fm = FA + FS (4.39)
Fm Xm = FA XA + FS XS (4.40)
sendo:
FS = vazão da mistura (massa/tempo) (4.41)

FA = vazão de A (4.42)
Fm = vazão do solvente (4.43)
XA = fração mássica do componente A em relação a quantidade de A = 1(4.44)
XS = fração mássica do componente A em relação a quantidade de A = 0(4.45)
Xm = fração mássica do componente A na mistura (4.46)
(4.47)
Considerando a equação 4.40, tem-se

′ ′
F Fm FA Fm
Xm = A 2 −
′
Fm Fm2
logo:
′
FA + FS ′ FA (FA + fS )
2
FA − 2
Fm FM
156
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 )
Considerando-se os sensores da figura ??, tem-se que F1 = FS e F2 = FA .
157
Capı́tulo 5
Alocação de Pólos em Sistemas

MIMO
5.1 Introdução
• Nesse capı́tulo são apresentados resultados para o projeto de controladores para a
formulação no espaço de estados.
• São apresentados exemplos de alocação de pólos via realimentação de estados.
• São discutidas formas de implementação de observadores de estados.
5.2 Realimentação por Variáveis de Estado: Con-

ceitos Correlatos
Considere o modelo no espaço de estados com m entradas e p saı́das:
ẋ(t) = A0 x(t) + B0 u(t) (5.1)

y(t) = C0 x(t) (5.2)
sendo x(t) ∈ Rn , u(t) ∈ Rm e y(t) ∈ Rp .
• O objetivo da realimentação de estados é encontrar uma matriz K ∈ Rm×n tal que

A0 − B0 K tenha seus autovalores no SPE. Além disso é comum especificar uma
158
Alocação de Pólos em Sistemas MIMO
dada região do SPE, relacionada a uma determinada especificação de desempenho.

A estratégia usual para achar a matriz K em sistemas SISO não se aplica a sistemas
MIMO. Porém existem procedimentos particulares para o caso 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
• Nessa função de custo, Ψ ∈ Rn×n é uma matriz simétrica não-negativa definida e

Φ ∈ Rm×m é uma matriz simétrica positiva definida.
• 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
A é n × n, b é n × 1, c é 1 × n e d é 1 × 1. No caso de sistemas MIMO, troque b por

B, c por C e d por D e considere A é n × n, B é n × p, C é q × n e D é q × p. Seja o
polinômio caracterı́stico da matriz A dado por:
∆(λ) = det(λ I − A) = λn + α1 λn−1 + · · · + αn−1 λ + αn
1
O teorema ?? (apêndice ??) 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.
159
5.3 Realimentação de Estados: SISO

Nessa seção estuda-se o efeito de uma realimentação do tipo:
u = r − Kx r pode ser nulo,
sobre a equação dinâmica S1 (equação (5.5)). A variável r está associada a referência

aplicada ao sistema e K é a matriz ganho (ou simplesmente ganho) do sistema em
malha fehcada.
Nas deduções dessa sessão considera-se que todos os estados estejam disponı́veis
para serem realimentados.
A realimentação de estados dada na figura 5.1. Considere o sistema S1 da equação
5.5. Considere o ganho k, com k = [k1 k2 . . . kn ].
d
x +
r + u + dt x y
b int c
+
+ +
Figura 5.1: Representação de uma realimentação de estados
A malha fechada do diagrama da figura 5.1 pode ser dada por:


ẋ = (A − bk)x + br
S1mf : (5.6)
y = (c − dk)x + dr
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.

Corolário 5.1.1 A controlabilidade de um sistema MIMO, LTI, dado pela equação ??

é invariante sobre uma realimentação de estados da forma u(t) = r(t) − k(t)x(t).
160

• 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.
5.3.1 Alocação de Pólos via Realimentação de Estados

Teorema 5.2 Se o sistema dinâmico SISO, S1, dado em (5.5) é controlável então, a
partir de uma realimentação de estados, u = r − kx, com k sendo um vetor 1 × n, os
autovalores de (A−bk) podem ser arbitrariamente alocados, considerando-se obviamente,
que os autovetores complexos sejam atribuı́dos em pares.
Exemplo 5.1 (Calculando k)

Este exemplo apresenta um método para encontrar o vetor k da realimentação de esta-
dos. A definição da realmentição como sendo u = −kx é puramente arbitrária. Poderia
ser = +kx, como pode ser visto nas deduções a seguir.
Considere o sistema dado a seguir:
   
0 1 0 0 0
 0 0 −1 0   1 
ẋ =  x +  u (5.7)
   
 0 0 0 1   0 
0 0 5 0 −2
h i
y = 1 0 0 0 x (5.8)
É um sistema controlável, portanto, é possı́vel alocar arbritariamente seus pólos. Seja

os autovalores desejados dados por:
−1; −2; −1 ± j
Então,
¯
∆(s) = (s + 1)(s + 2)(s + 1 − j)(s + 1 + j) = s4 + 5s3 + 10s2 + 10s + 4
Calcule o polinômio caracterı́stico de:
 
0 1 0 0
 k k2 k3 − 1 k4 
1
A + bk = 
 

 0 0 0 1 
−2k1 −2k2 5 − 2k3 −2k4
161
sendo k = [k1 k2 k3 k4 ]. Nesse caso:
∆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.
Para sistemas de maior ordem, o cálculo de k como no exemplo anterior é complicado.

Nesse caso deve-se usar um algoritmo ou uma das fórmulas já conhecidas para k.
5.3.2 Fórmulas para k

([45], pg. 197).
Considere a realização:
ẋ = Ax(t) + bu(t) y(t) = cx(t)
com o polinômio caracterı́stico
a(s) = det(sI − A) = sn + a1 sn−1 + · · · + an
e com função de transferência:

b(s) b1 sn−1 + · · · + bn
H(s) = = n .
a(s) s + a1 sn−1 + · · · + an
Considera-se também que a realização [A, b, c] possui n estados.
Deseja-se, como no exemplo anterior, modificar o sistema para que ele passe a ter
um polinômio caracterı́stico dado por:
α(s) = sn + α1 sn−1 + · · · + αn ,
a partir de uma realimentação de estados dada por:
u(t) = r(t) − kx(t).
162
Naturalmente, o sistema realimentado será dado por:
ẋ(t) = (A − bk)x(t) + br(t) y(t) = cx(t)
cujo polinômio caracterı́stico é dado por:
ak (s) = det(sI − A + bk)
5.3.3 Fórmula de Bass-Gura

Considere a seguinte identidade para um determinante de uma matriz:
ak (s) = det(sI − A + bk) =

= det{(sI − A)[I + (sI − A)−1 bk]}
= det(sI − A) det[I + (sI − A)−1 bk]
= a(s)[1 + k(sI − A)−1 b]
Portanto,
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)
que aplicada na equação (5.9) resulta em:
α1 − a1 = kb, α2 − a2 = kAb + a1 kb, α3 − a3 = kA2 b + a1 kAb + a2 kb, ...
que pode ser agrupada na forma matricial como:
α − a = kCAT−
sendo:
α = [α1 α2 αn ] a = [a1 a2 . . . an ],
C = [b Ab . . . An−1 b] (5.11)
163
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],
for não singular.

Além disso, o ganho k pode ser dado por:
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).
5.3.4 Realização Adequada para Calcular a Realimentação de

Estados
Dada a fórmula explı́cita para encontrar k, é natural perguntar se existe uma realização
na qual o cálculo é mais facilmente executado. Importante lembrar que tem-se quatro
formas canônicas bastante úteis, nas quais a matriz de controlabilidade e de observabili-
dade são obrigatoriamente não singulares (isto é, formas canônicas que são por definição
observáveis ou controláveis).
Em particular sabe-se que que a matriz de controlabilidade C será igual a identidade
para a forma canônica de controlabilidade. Essa é a forma mais adequada para se efetuar
o cálculo de k como dado acima.
164
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)
pois AT− = Cc−1 .
5.3.5 Fórmula Ackermann

Ackermann, em um artigo de 1972 mostrou que k poderia ser calculado a partir de:
k = qnT α(A) (5.13)
sendo α(s) o polinômio caracterı́stico desejado e
qnT = [0 . . . 0 1]C −1 = [a úlima linha de] C −1
Neste caso, não se faz necessário o conhecimento do polinômio caracterı́stico original,

a(s) = det(sI − A).
Comentários
• Fórmula conveniente do ponto de vista teórico.
• O gasto computacional não é muito vantajoso em relação a fórmula de Bass-Gura
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.
5.3.6 Fórmula de Mayne-Murdoch

• Especificar pólos desejados (polinômio caracterı́stico desejado) ou autovalores de-
sejados (matriz A desejada) é a mesma coisa do ponto de vista teórico.
165
• Porém, do ponto de vista numérico, em algumas aplicações pode ser preferı́vel

trabalhar com os autovalores no lugar do polinômio caracterı́stico.
Considere A diagonal com autovalores distintos [λ1 , . . . , λn ] e que os autovalores deseja-

dos são [µ1 , . . . , µn ]. Para calcular k, remeta-se à equação (5.9):
ak (s) − a(s) = a(s)k(sI − A)−1 b
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
• O ganho k aumenta quando a diferença entre λi e µi aumenta.
• Pode-se obter essa fórmula para A não diagonal.
5.3.7 Abordagem da Função de Transferência

Considere o diagrama da figura 5.2. Defina uma variável (uma saı́da fictı́cia) z, na saı́da
do bloco k. Neste caso, tem-se:
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)
Como resultado de uma realimentação unitária, tem-se:
Z(s) g(s)
=
R(s) a(s) + g(s)
166
Figura 5.2: Representação de uma realimentação de estados
Assim, a nova função de transferência em malha fechada será:
Y (s) Y (s) U(s) Z(s) b(s) a(s) g(s)

= =
R(s) U(s) Z(s) R(s) a(s) g(s) a(s) + g(s)
Ou,
Y (s) b(s)
= (5.14)
R(s) a(s) + g(s)
Assim, o novo polinômio caracterı́stico será:
a(s) + g(s) = α(s)
5.3.8 Comentários
• realimentação de estados possibilita alocar apenas os pólos. Os zeros continuam
os mesmos.
167
5.3.9 Algoritmo
O seguinte algoritmo ([12], pg. 337) pode ser usado para se encontrar o vetor k.
1. Encontre o polinômio caracterı́stico de A:
∆(s) = det(s I − A) = sn + α1 sn−1 + · · · + αn
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
qn−1 = Aqn−i+1 + αi qn para i = 1, 2, . . . , (n − 1), com qn = b
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.
5.3.11 Comentários Adicionais

• Atenção para a forma como a realimentação é apresentada: alguns autores con-
sideram u = r + Kx e outros u = r − Kx.
168
• A habilidade de se alocar arbritariamente os autovalores via realimentação de

estados é denominada controlabilidade modal modal controllability, sendo que
o termo modal refere-se aos modos definidos pelos autovalores. Vide [45], pg.
199.
• Dada uma fórmula para se achar K é natural questionar se existem realizações

nas quais o cálculo é mais simples. De fato, a realização mais adequada para se
calcular K é a forma canônica do controlador, controller canonical form.
5.4 Conceitos para a Realimentação de Estados para

Sistemas MIMO
Seja [A, B, C, D] uma realização mı́nima de G(s) e sejam G(s) = D̄ −1 (s)N̄(s) = N(s)D −1 (s)
fatorações coprimas. D̄ é reduzida em linha e D(s) é reduzida em coluna.
Então:
B(sI − A)−1 C + D = N(s)D −1 (s) = D̄ −1 (s)N̄ (s)
que implica em
1 1
B[Adj(sI − A)C + D = N(s)[Adj(D(s))]
det(sI − A) det(D(s))
1
= [Adj(D̄(s)]N̄(s)
det(D̄(s))
Pelo fato dos três polinômios: det(sI − A), det(D(s)) e det(D̄(s)) terem o mesmo
grau, podemos concluir:
• deg[G(s)] = deg[det(D(s)] = deg[det(D̄(s)] = dim[A]
• O polinômio caracterı́stico de G(s) = k1 det[D(s)] = k2 det[D̄(s)] = k3 det[sI − A]

para algumas constante não nulas, ki .
• 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
Pode-se concluir, portanto que:

A fatoração coprima (à direita ou à esquerda) e as realizações controláveis e ob-
serváveis contém essencialmente a mesma informação.
5.4.1 Índices de Controlabilidade e Observabilidade

O fato da matriz de controlabilidade:
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
5.5 Realimentação de Estados: MIMO

5.5.1 Alguns Métodos de Projeto
• Projeto via matriz cı́clica ([13], pg. 256).
• Projeto via Equação de Lyapunov ([13], pg. 259).
• Projeto da forma canônica ([13], pg. 260).
• Método Direto ([45], pg. 503).
Considere o sistema S1M, da equação (5.15).


ẋ = Ax + Bu
S1M : (5.15)
y = Cx + Dy
Para esse sistema considera-se A é n × n, B é n × p, C é q × n e D é q × p.

No caso de uma realimentação de estados, u é trocado por:
u = r − Kx
sendo K uma matriz p × n (com elementos reais (constantes)).

A malha realimentada fica:

ẋ = (A + BK)x + Br
S1Mmf : (5.16)
y = (C + Dk)x + Dr
Analogamente ao caso SISO, os autovalores de (A+ BK) podem ser arbritariamente

alocados se S1M é controlável. Nas subseções ?? a 5.5.2 são discutidos brevemente três
métodos de alocação para o sistema MIMO.
5.5.2 Método de Alocação MIMO via Lyapunov

Esse método faz uso de uma equação de Lyapunov do tipo AM + MB = N.
Definição 5.1 Uma equação matricial da forma:
AM + MB = N
é denominada equação de Lyapunov. A, B, M, N são matrizes complexas n × n.

♦
171
Algoritmo
Considere um sistema com {A, B} controlável sendo A e B n×n e n×p, respectivamente,

matrizes constantes. Encontre K (p×n) tal que A+BK tenha os autovalores desejados.
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.
4. Se T é não singular então tem-se que K = K̄T −1 e A + BK possui os mesmos

autovalores de F . Se T for singular, escolha outra matriz F ou outra matriz K̄ e
repita o procsso.
Comentários
• (A − BK) e F são similares (tem o mesmo conjunto de autovalores (mesmo espec-

tro)).
• O procedimento semelhante, para o caso SISO, sempre resulta em T não singular.

Para o caso MIMO pode-se tê-la singular.
• 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.
5.6 Exemplo de Utilização do Algoritmo

• Os autovalores de A − BK podem ser alocados em qualquer lugar (arbritaria-
mente), exceto nos autovalores de A.
• Observação: No caso SISO, se A e F não tiverem autovalores comuns, então

existirá uma solução única T para
AT − T F = bK̄.
172
Teorema 5.3 (Vide [12])

Se A e F não tiverem autovalores em comum então a solução única, T , para AT −T F =
B K̄ será não singular somente se (A, B) for controlável e (F, K̄) for observável.
• Dado um conjunto de autovalores existem infinitas matrizes F com esses autoval-

ores.
• Pode-se obter matrizes diagonais, diagonais em bloco, na forma de Jordan ou nas

formas companheiras.
• Uma forma de obter uma matriz F é a partir do polinômio dos autovalores.

Pode-se obter uma matriz na forma canônica observável ou controlável, de ob-
servabilidade ou de controlabilidade, entre outras.
• Para um F montada a partir do polinômio dos autovalores na forma observável a

escolha de K̄ é facilitada.
5.6.1 Caso SISO

Considere o polinômio dos autovalores dado por:
∆(s) = s4 + α1 s3 + α2 s2 + α3 s + α4 .
Neste caso F pode ser dada por:

 
−α1 1 0 0
 −α2 0 1 0 
F =
 

 −α3 0 0 1 
−α4 0 0 0
Para essa matriz F , se for dada uma matriz k̄ como sendo:
k̄ = [1 0 0 0]
então (F, k̄) será observável.
173
5.6.2 Expressão para F 5 × 5

Se n = 5 e for desejável alocar 5 autovalores dados porλ1 , α1 ± jβ1 e α2 ± jβ2 F pode
ser dada por:
 
λ1 0 0 0 0
0 α1 β1 0 0
 
 
 
F =
 0 −β1 α1 0 0 
 (5.17)
0 0 0 α2 β2
 
 
0 0 0 −β2 α2
5.6.3 Caso MIMO

Analogamente ao caso SISO, se F for expressa como na equação 5.17 K̄ poderá ser
expressa como:
" # " #
1 1 0 0 0 0 0 1 0 0
K̄ = ou K̄ =
0 0 0 1 0 1 0 0 1 0
Nesse dois casos, F, K̄ será observável.
174
5.7 Estimadores (Observadores) de Estado: MIMO

5.7.1 Introdução
• O projeto via realimentação de estados parte do pressuposto que todos os estados
estão disponı́veis.
• 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.
• No caso de um determinado estado não estar disponı́vel, deve-se estimá-lo (ou

“observá-lo”).
• O “dispositivo”que obtém o valor aproximado do estado é o denominado estimador

de estados ou observador de estados.
• A forma de projeto do observador é dual ao projeto do realimentador de estados.
• Nessa seção, os estados estimador serão denotados por x̂.
sistema
d
x y
u + dt x
B int C
d estimador
xˆ
+ dt x̂
B int
Figura 5.3: Representação de uma Estimação de Estados em Malha Aberta
175
5.7.2 Projeto de Observadores

Considere o sistema S1M, da equação (??), repetida a seguir por conveniência:

ẋ = Ax + Bu
S1M : (5.18)
y = Cx
Para esse sistema considera-se A é n × n, B é n × p, C é q × n e D é q × p. Por

simplicidade e sem perda de generalidade, considera-se D = 0.
sistema
d
x y
u + dt x
B int C
estimador
+
L
-
C
d
xˆ
+ dt x̂
B int
Figura 5.4: Representação de uma Estimação de Estaods em Malha Fechada
176
• Se o sistema original S1M e o estimador possuirem os mesmos estados iniciais e

tiverem a mesma entrada, a saı́da x̂(t) do estimador será igual ao valor real x(t)
para todo t.
• Se A e B são conhecidos pode-se usar o Estimador em Malha Aberta:
x̂˙ = Ax̂ + bu (5.19)
• 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)
• Que pode ser escrita como
x̂˙ = (A − LC)x̂ + Ly + Bu
• Defina
e(t) = x̃(t) = x(t) − x̂(t)
• e(t) = x̃(t) é o erro entre o estado real e o estimado. Derivando-se o erro e

efetuando as substituições necessárias, tem-se:
x̃˙ = (A − LC)x̃
• Essa é a equação que determina a dinâmica do estimador. Se todos os autovalores

de A − LC puderem ser alocados arbritariamente, então pode-se controlar a taxa
de decaimento de e(t)
177
5.7.3 Teoremas e Projetos

Teorema 5.4 Se a equação dinâmica n-dimensional ?? S1m é observável ((A, C) é
observável), seus estados podem ser estimados usando o estimador de dimensão n:
x̂˙ = (A − LC)x̂ + Ly + Bu
sendo que o erro x̃ = x − x̂ obedece a equação dinâmica:
x̃˙ = (A − LC)x̃
e todos os autovalores de A − LC podem ser arbritariamente alocados (autovalores com-

plexos em pares).
Método via Lyapunov
Considere o sistema de dimensão n com q saı́das (??) (A é n × n, B é n × p e C é q × n).

Considere S1M irredutı́vel. Considere o projeto de um estimador de ordem-n.
Algoritmo
1. Escolha uma matriz F , (n)×(n) que tenha todos os seus autovalores com as partes
reais negativas, diferentes dos da matriz A.
2. Escolha uma matriz L, (n) × q (q = 1 para SISO) tal que {F, L} seja controlável.
3. Resolva, em T , a equação T A − F T = LC, isto é, encontre a solução única T ,

(n) × n para a referida equação de Lyapunov. T será não singular.
4. Assim o estimador será definido pelas relações
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
5.7.4 Estimadores de Ordem Reduzida

Algoritmo
1. Escolha uma matriz F , (n − q) × (n − q) que tenha todos os seus autovalores com

as partes reais negativas, diferentes dos da matriz A. Caso SISO q = 1.
2. Escolha uma matriz L, (n − q) × q tal que {F, L} seja controlável.
3. Resolva, em T , a equação T A − F T = LC, isto é, encontre a solução única T ,

(n − q) × n para a referida equação de Lyapunov.
4. Se a matriz quadrada P , de ordem n:

" #
C
P = (5.22)
T
for não singular, calcule H = T B. A equação (??), com as matrizes F , L e H

é um estimador de T x(t), isto é, x̂(t) = T −1 z(t). Se P for singular, escolha uma
matriz F (e/ou L) diferente e repita o procedimento.
O estimador é dado pelas relações:
ż = F z + Ly + Hu (5.23)
" #−1 " #
C y
x̂˙ = (5.24)
T z
Teorema 5.5 Se A e F não possuem autovalores em comum, as condições necessárias

para que exista uma matriz T não singular em T A − F T = LC são:
• {A, C} observável;
• {F, L} controlável.
Para o caso SISO (q = 1) essas condições são também suficientes.

Prova: vide [12], pg. 359.
179
5.8 Realimentação de Estados com Estimadores

• Vide [13], pg. 265.
Considere a equação de estados n−dimensional:
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)
Assim a realimentação de estados pode ser dada por:
u = r − K x̂ = r − KQ1 y − KQ2 z
Substituindo nas equações (5.25), (5.26)e (5.28), tem-se:
ẋ = Ax + B(r − KQ1 Cx − KQ2 z)

= (A − BKQ1 C)x − BKQ2 z + Br (5.30)
ż = F z + T B(r − KQ1 Cx − KQ2 z) + LCX
= (LC − T BKQ1 C)x + (F − T BKQ2 )z + T Br (5.31)
180
Que, colocadas na forma matricial:

" # " #" # " #
ẋ A − BKQ1 C −BKQ2 x B
= + r (5.32)
ż LC − T BKQ1 C F − T BKQ2 z TB
" #
h i x
y= C 0 (5.33)
z
Estas equações descrevem o sistema realimentado da figura 5.5.
+ Y
u
planta
K Estimador
^
X
Figura 5.5: Configuração para Realimentação de Estados com Estimador
Seja a seguinte transformação de equivalência:

" # " # " #" #
x x In 0 x
= =
e z − Tx −T In−q z
Após algumas manipulações e usando T A − F T = LC e (5.27), tem-se:

" # " #" # " #
ẋ A − BK −BKQ2 x B
= + r (5.34)
ė 0 F e 0
" #
x
y = [C 0] (5.35)
e
essas duas equações acima mostram que o projeto do estimador e da realimentação de

estados podem ser efetuados separadamente. Este é o conhecido prı́ncipio da sep-
aração.
181
5.9 Interpretação da Função de Transferência

A duas subseções que se seguem apresentam a interpretação, do ponto de vista da função
(matriz) de transferência para o controlador via estimação e realimentação de estados.
5.9.1 Caso SISO

Considere o estimador de ordem n (vide teorema 5.4).
x̂˙ = Ax̂(t) + Bu(t) + L(y(t) − C x̂(t))
A interpretação para função de transferência é dada pelo seguinte lema.
Lema 5.1 A função de transferência do estimador de estados acima possui as seguintes

propriedades:
1.
X̂(s) = (sI − A + LC)−1 (Bu(s) + Ly(s)) = T1 (s)u(s) + T2 y(s)
• Sendo T1 e T2 funções de transferência dadas por:
T1 ≡ (sI − A + LC)−1 B (5.36)

T2 ≡ (sI − A + LC)−1 L (5.37)
(5.38)
• Note que T1 e T2 tem o denominador comum:
E(s) ≡ det(sI − A + LC) (5.39)
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
• Sendo G0 (s) a planta nominal (modelo).
182

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:
Lema 5.2 A lei da realimentação de estados u = r − K x̂ pode ser escrita na forma de

função de transferência como:
L(s) P (s)
u(s) = − y(s) + r(s) (5.40)
E(s) E(s)
sendo E(s) o polinômio definido em (5.39) e:
L(s) det(sI − A + LC + BK)
= 1 + KT1 (s) = (5.41)
E(s) E(s)
e
P (s) KAdj(sI − A)L
= 1 + KT2 (s) = (5.42)
E(s) E(s)

A realimentação de estados não introduz dinâmica adicional na malha, uma vez
que o esquema de realimentação se baseia em um ganho proporcional de determinadas
variáveis. Pode-se determinar a função de transferência da malha fechada como sendo:
y(s) CAdj(SI − A + BK)B
= C(sI − A + BK)−1 B = (5.43)
r(s) F (s)
com
F (s) ≡ det(sI − A − BK) (5.44)
Resultado da Álgebra Linear
Lema 5.3 Dada uma matriz W ∈ ℜn×n e um par de vetores arbitrários φ1 ∈ ℜn e

φ2 ∈ ℜn , então, desde que W e W + φ1 φT2 sejam não-singulares:
Adj(W + φ1 φT2 )φ1 = Adj(W )φ1 (5.45)

φT2 Adj(W + φ1 φT2 ) = φT2 Adj(W ) (5.46)

Aplicação do lema acima na equação (5.43) resulta em
CAdj(sI − A + BK)B = CAdj(Si − A)B (5.47)
183
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.
Lema 5.4 A função de transferência entre r(s) e y(s) é dada por:
y(s) B(s) B(s)

= =
r(s) det(sI − A + BK) F (s)
sendo B(s) o numerador da função de transferência (nominal) de malha aberta. P (s)

e L(s) são ploinômios definidos em 5.41 e 5.42. F (s) é definido em 5.44.

Prova:
A partir da equação 5.40 e do modelo da planta G(s) = B(s)/A(s) tem-se que:
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:
Acl (s) = det(sI − A + BK)det(si − A + LC)
juntamente com (5.48) tem-se que:
Acl (s) = det(sI − A + BK)det(si − A + LC) (5.49)

= F (s)E(s) = A(s)L(s) + B(s)P (s) (5.50)
O resultado desejado 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
A combinação do observador com a realimentação de estados possui um interpretação

simples do ponto de vista da malha padrão de controle. Da equação ?? tem-se que:

E(s) P (s)
u(s) = r(s) − y(s) (5.51)
L(s) E(s)
184
Essa relação é mostrada na figura 5.6 (a).

Uma segunda interpretação advém da definição de um sinal r̄(s), isto é assume-se
que o sinal r(s) é gerado a partir de r̄(s):
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
5.9.2 Caso MIMO

Para o caso MIMO o lema 5.1 ainda é válido, isto é, x̂(s) pode ser dado por:
x̂(s) = (sI − A + LC)−1 (Bu(s) + Ly(s)) = T1 (s)u(s) = T2 (s)y(s) (5.54)
sendo T1 e T2 duas matrizes de transferência dadas por:
T1 (s) ≡ (sI − A + LC)−1 B (5.55)

T2 (s) ≡ (sI − A + LC)−1 L (5.56)
Assim a lei de controle baseada na realimentação de estados estimados é dada por:
u(s) = r(s) − K x̂(s) (5.57)

= −KT1 (s)u(s) − KT2 (s)y(s) + r(s); (5.58)
que pode ser escrita como:
C̄D (s)u(s) = −CN (s)y(s) + r(s) (5.59)
sendo C̄D e C̄N matrizes estáveis dadas por:
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)
R(s) = C̄N (s)R̄(s) (5.62)
186
r ( s) v o (s ) w o (s ) u(s)
+
+ L S ob K
- -
y(s) B
Figura 5.7: Representação no espaço de estados de um controlador MIMO
A malha de controle é dada na figura 5.7.

Na figura 5.7 Sob o a matriz de transferência do observador, definida pela realização
(Aob , Bob , Cob , Dob ), sendo
Aob = A − LC; Bob = I; Cob = I; Dob = 0
A matriz de transferência de vo (s) para wo(s) é dada por [sI − A + LC]−1

A partir da figura 5.7 nota-se que:
u(s) = K[sI − A + LC]−1 (L(r̄(s) − y(s)) − Bu(s) (5.63)
Assim o controlador pode ser expresso por:
u(s) = [I + K[sI − A − A + LC]−1 B]−1 K[sI − A + LC]−1 L(R(s) − y(s)) (5.64)
Que corresponde a LMFD dada por (5.60) e (5.60).
• Essa forma de se expressar o controlador permite a utilização dos conceitos de

observador e realimentação de estados na representação padrão de controle.
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
com NCD (s) e NCN (s) matrizes polinomiais e F (s):
F (s) = det(sI − A + BK)
Analogamente, usando 6.40 e 6.41, a planta G(s) pode ser expressa como:
G(s) = C[sI − A]−1 B

= [ḠD (s)]−1 ḠN (s) = GN (s)[GD (s)]−1 (5.68)
sendo:
ḠN (s) = C(sI − A + LC)−1 B (5.69)

−1
ḠD (s) = I − C(sI − A + LC) L (5.70)
GN (s) = C(sI − A + BK)−1 B (5.71)
GD (s) = I − K(sI − A + BK)−1 B (5.72)
(5.73)
Tem-se portanto o seguinte resultado.
Lema 5.5 As matrizes sensitividade e sensitividade complementares resultantes da lei

de controle (5.59) são, respectivamente:
S(s) = CD (s)ḠD (s) = I − GN (s)C̄N (s) (5.74)

T (s) = GN (s)C̄N (s) = I − CD (s)ḠD (s) (5.75)

bf Prova:
A partir do lema 6.3 (pagina 211) tem-se que:
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
5.10 Adendos: Definições e Teoremas

Definição 5.2 Considere A com elementos reais. O polinômio mı́nimo de A é um
polinômio mônico ∆min (s) de menor grau possı́vel tal que ∆min (A) = 0
Teorema 5.6 Matrizes similares possuem o mesmo polinômio mı́nimo.

Definição 5.3 Sejam λ1 , λ2 , . . . , λm autovalores distintos de A com multiplicidades n1 , n2 , . . . , nm ,

respectivamente. O polinômio caracterı́stico de A é dado por:
∆(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 
 
Â =  .
 .. .. 
 .. . . 

0 0 . . . Âm
sendo que a matriz ni × ni Âi representa todos os blocos de Jordan associados a λi .
Definição 5.4 A maior ordem entre os blocos de Jordan associados com λi em A é

denominada ı́ndice de λi em A.
♦
Definição 5.5 A multiplicidade de λi é denotada por ni . O ı́ndice de λi é denotado

por n̄i .
♦
Teorema 5.7 O polinômio mı́nimo de A é:
∆min (λ) = Πm
i=1 (λ − λi )
n̄i
sendo n̄i o ı́ndice de λi em A.

Prova: veja [12], pg. 47.
189
Definição 5.6 Uma matriz A é dita ser cı́clica se seu polinômio caracterı́stico é igual
ao seu polinômio mı́nimo.
♦
Teorema 5.8 Uma matriz A é cı́clica se e somente se a forma canônica de Jordan de

A possuir um e somente um bloco de Jordan a associado a cada autovalor distinto.

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
5.11 Controle LQG

Esta seção é baseada em [78], seção 9.2 e [37] Ainda no contexto de projeto de con-
troladores no espaço de estados, apresenta-se nesta seção os fundamentos do Controle
Linea Quadrático.
• Controle ótimo, baseado na teoria de filtros de Wiener (1940)
• Filtro de Kalman
• LQG: Linear Quadratic Gaussian
• 1960: problemas voltados para otimização de trajetória e consumo de combustı́veis.
• Considerações:
1. Necessita do modelo da planta (modelos, em geral, são incertos).

2. Perturbações modeladas como ruı́do branco. (hipótese pouco utilizada em
controle de processos)
3. Pouco roubusto.
4. Relação com LQR = Linear Quadratic Regulator
• O nome LQG advém das caracterı́sticas do projeto: considera-se um modelo

linear, uma função de custo quadrática, e de uma perturbação Gaussiana
(ruı́do branco com média zero e variância dada).
5.11.1 LQG e LQR Padrão

No controle LQG “tradicional”, considera-se a planta linear e conhecida e que as per-
turbações presentes são estocásticas com as propriedades estatı́sticas conhecidas, isto é,
tem-se o modelo:
ẋ(t) = Ax(t) + Bu(t) + wd (5.77)

y(t) = Cx(t) + wn , (5.78)
191
sendo wd perturbações externas ao processo (ruı́do do processo)e wn ruı́do de medição,

que são sinais não correlacionados, de média zero, com matrizes de densidade de potência
espectral W e V constantes, ou seja wd e wn são ruı́do branco com covariâncias:
E{wd (t)wd (t)T } = W δ(t − τ )

E{wn (t)wd (n)T } = V δ(t − τ )
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
sendo Q e R matrizes de dimensões compatı́veis, constantes, com as seguintes carac-

terı́sticas:
Q = QT ≥ 0 e R = RT > 0
Elas são as matrizes ponderação (ou matrizes peso) e são o grau de liberdade do projeto
(parâmetros de projeto).
Solução para o Problema LQG
A solução para o problema LQG, conhecida como Teorema da Separação ou Princı́pio

da Equivalência Exata é simples e elegante. Ela (a solução) é dividida em duas partes:
primeiro resolve-se o problema do LQR, isto é, encontra-se a solução (isto é, o contro-
lador ótimo) para o problema do regulador quadrático linear (determinı́stico), LQR, que
é o problema LQG sem as perturbações wd e wn . A segunda parte da solução é econtrar
o estado estimado (ótimo), x̂, que minimiza E{[x − x̂]T [x − x̂]}.
A solução para o problema LQR pode ser dada em termos da lei de controle:
u(t) = Kr x(t),
sendo Kr uma matriz constante, que não depende de V e W (obviamente).

A solução para o segundo problema, isto é, a estimação ótima para x, e dada por
uma “algoritmo”denominado Filtro de Kalman (na verdade é um estimador ótimo), e
independe de Q e R.
192
A solução para o problema LQG será então:
u(t) = −Kr x̂(t)

A solução do problema LQG, portanto, pode ser separada em duas partes distintas
e independentes, como mostra a figura 5.8.
Figura 5.8: Diagrama de blocos mostrando a estrutura do LQG a partir do teorema da

separação.
.
A seguir apresentam-se as soluções para Kr e para o Filtro de Kalman.
5.11.2 Realimentação Ótima de Estados

O problema LQR considera os estados conhecidos, isto é, busca-se a realimentação
u = Kx ótima para o sistema ẋ = Ax + Bu, com estado inicial não nulo x(0). Esse K
ótimo é encontrado a partir da minimização da função de custo:
Z ∞
J= [x(t)T Qx(t) + u(t)T Ru(t)]dt
0
Pode-se mostrar que a solução ótima para esse problema será:
Kr = R−1 B T X
193
sendo X = X T ≥ 0 a solução única, positiva semi-definida, para a equação de Riccati:
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
Figura 5.9: Diagrama de blocos mostrando a estrutura do estimador = filtro de Kalman.
5.11.3 Estimador Ótimo de Estados

O estimador ótimo será dado pelo filtro de Kalman, cuja estrutura é dada na figura 5.9,
sendo Kf o ganho ótimo. A equação do estimador da figura 5.9 é dada por:
x̂˙ = Ax̂ + Bu + Kf (y − C x̂)
O ganho ótimo que minimiza
E{[x − x̂]T [x − x̂]},
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
5.11.4 LQG = LQR + Kalman

Combinando as duas soluções ótimas dadas acima, isto é, Kr e Kf (o regulador mais
o filtro) obtêm-se a solução para o problema LQG, cuja função de custo, J é dada na
equação 5.79. A estrutura do controlador (LQG) que satisfaz a otimalidade para J é
dada na figura 5.10. A função de transferência entre y e u (assumindo uma realimentação
positiva) é dada por:
" #
A − BKr − Kf C Kf
KLQG(s) ≡
−Kr 0
que por ser escrita como:
" #
A − BR−1 B T X − Y C T V −1 C Y C T V −1
KLQG (s) ≡
−R−1 B T X 0
Planta
Kf
+ d x^ ^ ^ +
u + dt x y
B int C
+
+
^
x
-K f
Figura 5.10: Diagrama de blocos mostrando a estrutura do estimador = filtro de Kalman

mais a do ”controlador”= LQG.
A função de tranferência do controlador acima possui a mesma ordem da planta

(mesmo número de pólos).
195
5.11.5 Exemplo do Controlador LQG para um Sistema SISO

3(−2s + 1
G(s) =
(5s + 1)(10s + 1)
Para a função de custo J = (xT Qx + uT Ru escolha Q = C T C (ponderar a saı́da no
R
lugar dos estados) e R = 1. Considere W = wI, w = 1 (ruı́do do processo, diretamente

nos estados) e V = 1 (ruı́do de medição). Considere o código a seguir:
num = [-2 1];ganho = 3;den = [50 15 1];

G = nd2sys(num,den,ganho); [A,B,C,D] = unpck(G);
q=1; Q = q.C’*C; R=1;
% realmentacao de estados otima
Kx = lqr(A,B,Q,R); Bnoise = eye(size(A));
W = eye(size(A)); V =1;
% estimador otimo (Kalman)
Ke = lqe(A,Bnoise,C,W,V);
[Ac,Bc,Cc,Dc] = reg(A,B,C,D,Kx,Ke); % combina o estimador com a realimentacao
Ks = pck(Ac,Bc,Cc,Dc);
%************************************************************************
% agora colocando um integrador na planta:
%************************************************************************
int = nd2sys(1,[1 0]);
G2 = mmult(G,int);
[A,B,C,D] = unpck(G2);
q=1; Q = q.C’*C; R=1;
% realmentacao de estados otima
Kx = lqr(A,B,Q,R);
Bnoise = eye(size(A));
W = eye(size(A)); V =1;
% estimador otimo (Kalman)
Ke = lqe(A,Bnoise,C,W,V);
[Ac,Bc,Cc,Dc] = reg(A,B,C,D,Kx,Ke); Ks = pck(Ac,Bc,Cc,Dc); Klqg = mmult(Ks,int,-1);
196
Figura 5.11: Diagrama de blocos do controlador com entrada referência, r(t) para o sistema
5.11.6 LQG para Sistemas com Entrada r(t)

O controlador LQG para o sistema dado na figura 5.11 possui uma estrutura de um
controlador de dois graus de liberdade (2-DOF), isto é,
K(s) = [K1 (s) K2 (s)]
ou
K(s) = −Kr (sI − A + BKr + Kf C)−1 [B Kf ] + [I 0]
5.11.7 Exemplos e Exercı́cios

Considere o modelo linear de um caça, com as variáveis:
• ϕ = ângulo entre o eixo principal do caça (corpo do caça) e o eixo do curso (norte)
• vy = velocidade do caça na direção y
• φ = roll angle (ângulo de rolagem em torno do vetor velocidade)
• δa = aileron deflection
• δr = rudder deflection
Com os estados:
• x1 = vy
• x2 = p = taxa de variação angular de φ
• x3 = r = taxa de variação angular de retorno
197
• x4 = φ; x5 = ϕ; x6 = δ6 ; x7 = δr .
Para este sistema (vide [37], pg. 34 e 35), considere ẋ = Ax + Bu + Na w, com:

 
−0.292 8.13 −201 9.77 0 −12.5 17.1
 −0.152 −2.54 0.561 −0.0004 0 107 7.68 
 
 
 0.0364 −0.0678 −0.481 0.0012 0 4.67 −7.98 
A= 

 0 1 0.0401 0 0 0 0  
0 0 0 0 0 −20 0 
 

0 1 0.0401 0 0 0 −20
 
0 −2.15
 −31.7 0.0274 
 
 
 0 1.48 
 
 0 0 
B=
 

 0 0 
 
 0 0 
 
 20 0
 

0 20
 
0.292 0.001 0.97 0.0032
0.152 2.54 0.552 0.000043 
 

 

 −0.0364 −0.0688 −0.456 −0.00012  
Na =  0 0 0 0
 

 

 0 0 0 0 


 0 0 0 0 

0 0 0 0
e h iT
w= w1 w2 w3 w4
sendo:
• w1 = velocidade do vento através do caça;
• w2 = velocidade angular do vento ao longo do eixo ROLL;
• w3 = velocidade angular do vento ao longo do eixo TURNING;
• w4 = aceleração do vento através do caça.
198
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
Figura 5.12: Representação temporal de w1
1. Obtenha o controlador LQR considerando Q = R = I (de dimensões compatı́veis).
2. Obtenha a resposta temporal para o w dado.
3. Repita os items 1 e 2 para Q e R dados por:

" #
1 0
Q= R = 0.1I;
0 10
4. Repita os items 1 e 2 para Q = I e R = 0.1I dados por:
5. Obtenha o controlador LQG, calculando o estimador, com V = W = I.
6. Simule a resposta temporal para o LQG do item anterior.
199
Capı́tulo 6
Análise de Sistemas Multivariáveis

Realimentados
6.1 Introdução
6.1.1 Conceitos
• Sistemas Desacoplados Dinamicamente: malhas independentes.
• Sistemas Desacoplados por Faixa: a matriz de transferência pode ser considerada

diagonal apenas em uma faixa de freqüência.
• Sistemas Desacoplados Estaticamente: Quando o sistema é diagonal apenas para

ω = 0.
• Sistemas Triangulares: a matriz de transferência é triangular (superior ou inferior).

Nesse caso existe um acoplamento “hierárquico”.
• Sistemas Diagonalmente Dominantes (vide também [53] e [20])
200
Análise de Sistemas Multivariáveis Realimentados
Revisão das Técnicas Frequenciais
Diversas técnicas de análise de sistemas MIMO no domı́nio da freqüência.
• ”Escola Inglesa:”
– Matriz Inversa de Nyquist (INA, Inverse Nyquist Array)

– Lugares Caracterı́sticos (Characteristic Loci)
• Valores Singulares
– Generalização do gráfico de Bode para sistemas MIMO.
• Loop Shaping
– Ferramenta de projeto baseada na técnica SISO similar.
Sistemas Dominantes na Diagonal
Um sistema MIMO será dominante na diagonal se suas m×m funções de transferência

da matriz de transferência H(s), m × m são tais que:
m
X
|Hkk (jω)| > |Hik (jω)| ∀ω ∈ R
i=1;i6=k
201
6.2 Exemplo para Motivação

2
y1 (s) = g11 (s)u1 (s) onde g11 (s) = (6.1)
s2 + 3s + 2
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)
(Esses controladores foram calculados a partir da função sensitividade complementar

desejada). Considere agora que exista acoplamento entre esses sistemas, isto é, que o
sistema dado por (6.1) e (6.2) seja modificado para:
y1 (s) = g11 (s)u1(s) + g12 (s)u2 (6.4)

y2 (s) = g21 (s)u1(s) + g22 (s)u2 (6.5)
(6.6)
sendo as ”funções de acoplamento”dadas por:

k12 k21
g12 (s) = e g21 (s) = (6.7)
s+1 s2 + 2s + 1
sendo que k12 e k21 são parâmetros usados para variar o grau da interação. Por exemplo,
para valores pequenos de k12 e k21 (k12 = 0, 1 e k21 = 0, 1, então os efeitos da interação
podem ser desprezados. Vide figura 6.1.
202
Figura 6.1: Efeitos de uma interação fraca, para um projeto SISO
• 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.
Considere agora k12 = −1 e k21 = 0, 5. Para examinar os efeitos da interação (crosstalk),

simula-se o sistema MIMO para uma entrada degrau em t = 1s na malha 1 (r1 ) e um
degrau (negativo) em t = 10s, na malha 2. Vide figura 6.2.
Figura 6.2: Efeitos de uma interação forte, para um projeto SISO
203
• A figura 6.2 mostra que uma mudança na referência de uma malha afeta signifi-
cantemente outra malha.
• Se k12 = −2 e k21 = −1, o sistema se tornaria instável.
• A instabilidade advém da interação entre as malhas.
• 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.
• Apesar de projetos de malha independentes garatirem a estabilidade da referida

malha (para a qual foi projetada), quando se introduz a interação, pode ocorrer
estabilidade no sistema MIMO.
204
• Para se averiguar a establidade (sua existência ou não), deve-se utilizar um modelo

MIMO. No exemplo anterior, com k12 = −2 e k21 = −1. observa-se que as quatro
funções de malha fechada em (6.9) possuem um denominador comum, d(s) e que
esse é instável.
• 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:
det (1 + g11 (s)c1 (s)) det (1 + g22 9s)c2 (s))
• Assim, se as malhas são estabilizadas independentemente e os termos de acopla-

mento (não nulos) são estáveis, então o sistema (completo) é estável. Essa pro-
priedade faz com que a configuração “triangular”seja de interesse em sistemas
MIMO.
• Se se observa os numeradores do termo da diagonal de 6.9, para k12 = −2 e

k21 = −1, pode-se observar que existem raı́zes no SPD (Semi-Plano Direito). Isto
significa que o sistema pode exibir comportamento de fase não mı́nima, embora
nenhuma das funções SISO que o compõe possui zeros no SPD.
205
6.3 A Malha MIMO Padrão

• Serão considerados sistemas quadrados (matrizes n × n), isto é sistemas nos quais
o vetor de entrada possui o mesmo número de elementos que o vetor de saı́da).
• Considera-se também que todas as matrizes de transferência são não-singulares

“em quase todos os pontos”, isto é são matrizes não-singulares, exceto em um
número finito de zeros. (lembre-se que zero de uma matriz é o que a faz “perder
rank”).
• Parte-se da denominada big picture.
6.4 Especificações de Desempenho Baseadas nas Funções

Sensitividade
As funções sensitividade podem ser definidas a partir das relações entre entradas e saı́das
do sistema de controle da figura 9.7, onde se considera um sistema LTI, G(s), controlado
por K(s) e com as entradas r, de referência, d, uma perturbação na saı́da da planta, v
uma perturbação na entrada da planta, ambas de baixa freqüência e η um ruı́do de alta
freqüência.
v
r+ + +
y
+
K G
e w u +
-
+
+
η
Figura 6.3: Diagrama para Especificações das Funções Sensitividade
Para esse sistema, as relações entrada/saı́da podem ser expressas pelas equações (9.7)
206
a (9.10), a seguir.
y = (I + GK)−1 GKr + (I + GK)−1 d + G(I + KG)−1 v − (I + GK)−1 GKη(6.10)

w = K(I + GK)−1 r − K(I + GK)−1 d + KG(I + KG)−1 v − K(I + GK)−1(6.11)
η
u = K(I + GK)−1 r − K(I + GK)−1 d + (I + KG)−1 v − K(I + GK)−1 η (6.12)
e = (I + GK)−1 r − (I + GK)−1 d + G(I + KG)−1 v − (I + GK)−1 η (6.13)
• Em geral, as especificações de desempenho usuais são: boa resposta tipo rastrea-

mento (tracking), boa atenuação das perturbações (d e v) e do ruı́do (η), erro em
estado estacionário nulo.
• 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.
Função Fórmula Relação E/S

entrada saı́da
Sensitividade na saı́da da planta So (s) = (I + GK)−1 r e
d y
Sensitividade na entrada da planta Si (s) = (I + KG)−1 v u
Sensitividade na entrada do controle Sk (s) = KSo v u
Sensitividade Complementar na saı́da da planta To (s) = GKSo = I − So r y
Sensitividade Complementar na entrada da planta Ti (s) = KGSi = I − Si v u
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
• O conhecimento das relações das funções sensitividade com o comportamento do

sistema (seja no domı́nio do tempo ou da freqüência) é de suma importância no
projeto MIMO
Caracterı́sticas da Funções S(s) e T (s)
Resposta em freqüência típica de L(ω)

60
L(jω)
40
20 altas frequências
l(ω)
|L(jw)| (dB)
−20 baixas frequências u(ω)
−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).
6.4.1 Definição das Funções Sensitividade

• G(s) é a planta (real). G0 (s) é o modelo (nominal). Espera-se (caso ideal) que
G0 (s) = G(s).
208
S0 (s) = [I + G0 (s)C(s)]−1 (6.14)

−1 −1
T0 (s) = G0 (s)C(s)[I + G0 (s)C(s)] = [I + G0 (s)C(s)] G0 (s)C(s) (6.15)
= I − S0 (s) (6.16)
Su0 (s) = C(s)[I + G0 (s)C(s)]−1 = C(s)S0 (s) = [G0 (s)]−1 T0 (s) (6.17)
Si0 (s) = [I + G0 (s)C(s)]−1 G0 (s) = G0 (s)[I + C(s)G0 (s)]−1 = S0 (s)G0 (s)(6.18)
As relações dessas funções na malha são dadas nas equações (9.7) a (9.10) e repetidas a
seguir por conveniência.
Y (s) = T0 (s)R(s) − T0 (s)η(s) + S0 (s)D(s) + Si0 (s)V (s) (6.19)

U(s) = Su0 (s)R(s) − Su0 (s)η(s) − Su0 (s)D(s) − Su0 (s)V (s) (6.20)
E(s) = S0 (s)R(s) − S0 (s)η(s) − S0 (s)D(s) − Si0 (s)V (s) (6.21)
(6.22)
• As relações “ideiais”, a partir do modelo nominal G0 (s), podem ser substituı́das

pela real, que faz uso do sistema “real”, G(s).
S(s) = [I + G(s)C(s)]−1 (6.23)

−1 −1
T (s) = G(s)C(s)[I + G(s)C(s)] = [I + G(s)C(s)] G(s)C(s) (6.24)
= I − S(s) (6.25)
S(s) = C(s)[I + G(s)C(s)]−1 = C(s)S(s) = [G(s)]−1 T (s) (6.26)
S(s) = [I + G(s)C(s)]−1 G(s) = G(s)[I + C(s)G(s)]−1 = S(s)G(s) (6.27)
• Repare que as matrizes, em geral, não comutam.
6.5 Estabilidade do Sistema em Malha Fechada

• Em geral sistemas MIMO são estáveis se todos seus pólos estão em uma região
especı́fica (de estabilidade), isto é, o cı́rculo unitário para sistemas discretos e o
SPE (Semi-Plano Esquerdo) para sistemas contı́nuos.
209
• 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.
Estabilidade via MFD
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.
G0 (s) = G0N (s)[G0D (s)]−1 = [Ḡ0D (s)]−1 Ḡ0N (s) (6.28)

C(s) = CN (s)[CD (s)]−1 = [C̄D (s)]−1 C̄N (s) (6.29)
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
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:
Acl (s) ≡ Ḡ0D (s)CD (s) + Ḡ0N (s)CN (s), (6.35)
tiver todos seus (Smith-McMilan) zeros estritamente no SPE.

Comentário 6.1 (Estabilidade MIMO × SISO)
• Note que a função da matriz Acl , para sistemas MIMO, é a mesma do polinômio
caracterı́stico, em sistemas SISO.
• Considere que a MFD do modelo da planta seja construı́da usando um observador

e uma realimentação de estados. Então, no lema 6.3 mostra-se que Acl (s) = I e
portanto o sistema de controle em malha fechada é estável.
O lema seguinte está relacionado com a Igualdade de Bezout.
Lema 6.3 ([39]) Sempre existirá uma RMFD e uma LMFD para um sistema que tenha
a seguinte propriedade da fatoração coprima:
" #" # " #" #

C̄D (s) C̄N (s) GD (s) −CN (s) GD (s) −CN (s) C̄D (s) C̄N (s)
= =I
−ḠN (s) ḠD (s) GN (s) CD (s) GN (s) CD (s) −ḠN (s) ḠD (s)
sendo
CN = K[sI − A + BK]−1 J (6.36)

CD = I + C[sI − A + BK]−1 J (6.37)
C̄N (s) = K[sI − A + JC]−1 J (6.38)
C̄D (s) = I + K[sI − A + JC]−1 B (6.39)
211
GN (s) = C[sI − A + BK]−1 B (6.40)

GD = I − K[sI − A + BK]−1 B (6.41)
ḠN (s) = C[sI − A + JK]−1 B (6.42)
ḠD (s) = I − C[sI − A + JC]−1 J (6.43)
Essas matrizes estão associadas ao sistema:
ẋ(t) = Ax(t) + Bu(t) (6.44)

y(t) = Cx(t), (6.45)
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:
• s = z é um zero de G(s) se e somente se GN (s) perde rank em s = z.
• s = p é um pólo de G(s) se e somente se GD (s) é singular em s = p. Isto significa

que o polinômio dos pólos de G(s), φ(s) é dado por φ(s) = det[DD (s)].
Uma outra forma de analisar a estabilidade MIMO é através da análise de Nyquist

vide capı́tulos ?? e ??. Se se assume que podem ocorrer apenas cancelamentos de pólos
e zeros estáveis (quando da realimentação), então a estabilidade interna da malha
nominal é garantida desde que S0 (s) seja estável.
212
6.6 Revisão dos Conceitos sobre Análise de Nyquist

6.6.1 Notação e Conceitos
Introdução à Teoria de Estabilidade no Domı́nio da Freqüência para Sistemas
MIMO
Considera-se um sistema MIMO linear, invariante no tempo com l entradas e m saı́das,

(será abordardo o caso particular com l = m), mostrado na figura 6.5.
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:
y = (I + Q(s)F )−1 Q(s)r (6.48)
213
sendo Q(s) = L(s)G(s)K(s). A partir de 6.48 tem-se que:
Adj(I + Q(s)F )
y= , (6.49)
|I + Q(s)F |
sendo que usa-se a notação |M(s)| para o determinante de M(s).

Assume-se que |Q(s)| = 6 0, |L(s)| =
6 0, |K(s)| =
6 0 e |G(s)| =
6 0.
6.6.2 Estabilidade do Sistema

Nessa seção será estudada a estabilidade do sistema MIMO de forma semelhante à analise
para sistemas SISO: utilizando a matriz de transferência. A equação 6.48 apresenta a
relação em malha fechada de um sistema MIMO, cuja Matriz de Transferência de
Malha Fechada , H(s), é dada por:
H(s) = (I + Q(s)F )−1 Q(s) (6.50)
Tomando-se o determinante em ambos lados da equação (6.50), obtêm-se a relação:
|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)|
• Para as matrizes acima, a notação | | indica determinante da respectiva matriz.

Usar-se-á essa notação, juntamente com a forma usual, det[M(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
′
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
Para o caso MIMO tem-se uma relação semelhante, isto é:

′
|Q(s)| Πm (s − αi ) clcp
|I + Q(s)F | = = i=1
n
= (6.54)
|H(s)| Πi=1 (s − αi ) olcp
′
onde novamente, αi são os pólos de malha fechada e αi os pólos de malha aberta. Da
mesma forma, o sistema de malha fechada é assintoticamente estável se todos os pólos
estiverem no semiplano esquerdo.
• Ainda, para a equação 6.54 é possı́vel interpretar o significado dos polinômios do

numerador e denominador [20]: analogamente ao caso SISO, o denominador do
determinante da equação (4.5) é o olcp (open-loop characteristic polynomial) e o
numerador do determinante é o clcp (close-loop characteristic polynomial).
• Essa equação fornece uma relação fundamental entre o comportamento de malha

fechada e de malha aberta de um sistema multivariável. A partir dela é realizado
o teste de estabilidade de Nyquist do sistema.
6.6.3 Critério de Estabilidade de Nyquist para sistemas MIMO

• A equação 6.54 fornece uma relação de polinômios em s, que será chamada de
R(s).
• Assume-se que os pólos de malha aberta, α, são conhecidos, mas os de malha

′
fechada, α não.
• 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
Critério de Nyquist
Definição 6.1 (Critério de Nyquist)

“Seja R(s) uma razão de polinômios em s. Seja p o número de pólos e z o número
de zeros de R(s) que estão dentro de um contorno fechado no plano s, levando-se em
conta a multiplicidade. Seja um contorno fechado tal que não passe por nenhum pólo
ou zeros de R(s). A funcão complexa R(s) mapeia o contorno fechado D do plano s
′
para um contorno fechado D no plano complexo ℜ × ℑ. O número de envolvimentos no
sentido horário da origem no plano imagem, enquanto um ponto percorre o contorno D
no sentido horário é igual a z − p.”
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)
• Sendo que R(s) para o caso MIMO é uma razão de polinômios.
• Para o caso MIMO, portanto avalia-se a estabilidade a partir da razão de polinômios

determinada pela equação 6.54.
• Seja NQ e NH o número de envolvimentos da origem por det(Q(s)) e det(H(s)),

respectivamente. Sendo NR o número de envolvimentos da origem pelo polinômio
R(s), pode-se expressar (6.55) como:
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.
• A partir da equação (6.50), é possı́vel encontrar uma relação entre as funções Q e

H que possibilita a definição do método INA.
216
De (6.50) tem-se:
H(s) = (I + Q(s)F )−1 Q(s)

H −1 (s) = [(I + Q(s)F )−1 Q(s)]−1 = Q−1 (s)(I + Q(s)F )
H −1 (s) = Q−1 + F (6.58)
A equação (6.58) é uma relação simplificada entre H(s) e Q(s). Na literatura é

comum denominar as matrizes inversas como:
Q−1 (s) = Q̂ e H −1 (s) = Ĥ
Usando esta notação, as equações (6.52) e (6.54) podem ser re-escritas:
clcp |Q(s)| |Ĥ(s)|

= = (6.59)
olcp |H(s)| |Q̂(s)|
Usando (eq:relacaoHQhat) com as matrizes inversas de NQ e NH tem-se que:
N̂H − N̂Q = −p0

(6.60)
N̂Q − N̂H = p0
Assim, a partir das inversas de Q e H a relação de estabilidade é também estabele-

cida.
A conveniência de se trabalhar, com Q̂ e Ĥ reside no fato de se ter uma equação
como a (6.60) para se estabelecer o critério de Nyquist.
217
6.7 Análise Frequencial
jω
r® ∞
Figura 6.6: Contorno de Nyquist
A figura 6.6 está relacionada com o Teorema de Nyquist, dado a seguir.
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:
F0 (s) = det(I + G0 (s))C(s) = Πm

i=1 (1 + λi (s)) (6.61)
sendo λi (s) (i = 1, 2, . . . , m) os autovalores de G0 (s)C(s).
• O gráfico (polar) de λi (jω) no plano complexo, é denominado lugares carac-

terı́sitcos (characteristic loci).
• Comparando-se as equações (6.61) e (6.14) nota-se que S0 (s) será estável se e

somente se todas as raı́zes de F0 (s) estiverem (estritamente) dentro do RHP.
• Se o contorno de Nyquist Cs = Ci ∪ Cr , mostrado na figura 6.6 é utilizado, então

tem-se o seguinte teorema, que foi adaptado do teorema de Nyquist (teorema 6.1):
218
Teorema 6.2 Se um matriz de transferência de malha aberta G0 (s)C(s) possuir P

pólos no RHP (aberto), então a malha fechada terá Z zeros no RHP se e somente se o
traçado (polar) que descreve a combinação de todos os lugares caracterı́sticos (ao longo
de todo o traçado de Nyquist), envolve o ponto (−1, 0), no sentindo horário, N = Z − P
vezes.

PROVA:
Observa-se primeiramente que, desde que F0 (s) é própria, então Cr (no plano-s) mapeia
s em F0 , o que significa que deve-se atentar ao mapeamento no eixo imaginário, Ci .
Sobre essa curva: m
X
∠F0 (jω) = ∠1 + λi (jω)
i=1
Assim, qualquer alteração no ângulo de F0 (jω) é resultado de combinações nas alterações

de fase nos temos (1 + λ1 (jω))
6.7.1 Análise de Nyquist para Estabilidade de Sistemas MIMO

• Análise frequencial: técnica bastante usada na década de 70 (Escola Inglesa).
Conceitos de lugar caracterı́stico ou lugar dos autovalores.
• Ao invés de se traçar o diagrama de Nyquist para det[G(s)H(s)], traça-se o lugar

caracterı́sticos dos autovalores de G(s)H(s).
• Isto é:
det[I + kG(s)] = Πi [1 + kλi (s)]
219
6.8 Resposta em Regime Estacionário para Entrada

Degrau
• Se o sistema de malha fechada é estável, pode-se avaliar o valor da saı́da em regime
estacionário (para entradas limitadas).
• 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
• sendo Kr ∈ Rm , Kdi ∈ Rm e Kdo ∈ Rm vetores constantes.
• Todos esses sinais atingem um valor constante em regime.
• Esses valores podem ser calculados com as equações (6.19) - (6.21), usando o
teorema do valor final:
lim y(t) = To (0)Kr + So (0)Kdo + Sio (0)Kdi (6.63)

t→∞
lim u(t) = To (0)Kr + So (0)Kdo + Sio (0)Kdi (6.64)
t→∞
lim e(t) = To (0)Kr + So (0)Kdo + Sio (0)Kdi (6.65)
t→∞
Considerando o Efeito de R(s) em E(s)
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
6.9 Análise no Domı́nio da Freqüência - Extensão

ao Bode
• Ferramenta útil também para sistemas MIMO.
• Faz uso dos valores singulares (vide ??, seções ?? e ??).
221
6.9.1 Rastreamento
222
6.9.2 Introdução à Robustez
223
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
Verifique se o sistema em malha fechada será estável.
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 )
Determine a freqüência ωd , a razão K1 /K2 e a diferença α1 −α2 para maximizar a norma

Euclidiana do erro estacionário, ||E||2.
224
Capı́tulo 7
Restrições Fundamentais e Limites

para o Desempenho e Compromissos
7.1 Introdução
225
Restrições Fundamentais e Limites para o Desempenho e Compromissos
7.2 Controlabilidade Entrada-Saı́da

Com objetivo de apresentar regras para análise de sistemas lineares, Skogestad [78]
cunhou o termo Controlabilidade Entrada/Saida, (em oposição ao termo contro-
labilidade, usado na abordagem no espaço de estados e que depende das matrizes A e
B).
A Controlabilidade Entrada-Saı́da pode ser assim definida:
Definição 7.1 ([78])

Controlabilidade Entrada-Saı́da é a habilidade de se obter um desempenho aceitável para
o sistema de controle, ou seja, manter a saı́da, y, dentro de limites especificados, em
relação a referência, r, mesmo na presença de perturbações d ou variações da planta,
usando sinais de entrada adequados, u, e medições aceitáveis (ym e dm ).
♦
• Assim, uma planta será controlável (entrada-saı́da) se existir um controlador (além

é claro de instrumentos de medida e atuadores compátiveis) que resulte em um
desempenho razoável para a malha fechada, a despeito de variações e perturbações.
• A controlabilidade (entrada-saı́da) como definida acima é uma propriedade da

planta e independe do controlador.
• A análise de controlabilidade (entrada-saı́da) é aplicada à planta para verificar

qual o desempenho (da malha controlada) pode ser obtido.
• Os métodos para essa análise são, em sua maioria, quantitativos.
7.3 Regras para Análise da Controlabilidade Entrada-

Saı́da
A sguir são apresentadas algumas regras para avaliar se um dado sistema MIMO é
controlável no sentido entrada-saı́da [78], pg. 246, 247. Considere um sistema MIMO
G(s) l × r.
1. Normalize todas as variáveis (isto é, coloque-as em escalas compatı́veis), entradas,

u, saı́das y, perturbações, d e referências, r) para obter um modelo normalizado.
226
2. Obtenha uma realização mı́nima.
3. Verifique a Controlabilidade Funcional. Para que seja possı́vel controlar as

saı́das independentemente, é necessário, antes de mais nada, que se tenha, pelo
menos o mesmo número de entradas e saı́das. Segundo, é necessário que o rank
(posto) de G(s) seja igual ao número de saı́das, l, isto é, o menor valor singular de
G(s), denotado por σ[G] = σl [G] deve ser não-nulo, exceto para possı́veis zeros no
eixo jω). Se a planta é funcionamente não-controlável então encontre as direções
de saı́da nas quais a planta não possui ganho, para obter um maior conhecimento
sobre seu comportamento. (Vide seção 7.4).
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”.
6. Obtenha a resposta em freqüência de G(jω) e calcule sua RGA. Plantas cuja

RGA possui elementos de valores elevados na região de freqüência de cruzamento
de ganho (crossover frequency) são difı́cies de se controlar e devem ser evitadas.
7. Calcule os valores singulares de G(jω) e trace o gráfico deles em função da freqüência.

Lembre-se que para esse cálculo a escala é importante (por isso o modelo deve estar
normalizado). Obtenha também os vetores singulares de entrada e saı́da.
8. O valor singular mı́nimo, σ[G(sω], é particularmente útil para a medida da con-

trolabilidade entrada-saı́da. Em geral, ele deve ter valor elevado em freqüências
nas quais o controle deve ser considerado (faixas de freqüência relvantes: próximo
a freqüência de curzamento de ganho, freqüência de corte, faixa de passagem do
sistema). Se σ[G(sω0 ] < 1 (normalizado), então, não é possı́vel, na freqüência ω0
obter uma variações (unitárias) independentes da saı́da usando entradas unitárias.
9. Para perturbações, considere os elementos da matriz Gd . Em valores de freqüência

nos quais os elementos da matriz Gd são maores que 1, é necessário controle. Em
geral, é possı́vel se obter maiores informações considerando uma perturbação de
227
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.
10. Análise das saturações das entradas e perturbações.
i) Primeiro Passo: Obtenha o valor (amplitude) dos sinais de entrada necessários

para se ter um controle perfeito, calculando os elementos do produto G−1 Gd .1
Se todos os elementos desse produto forem menores que 1, em todas as
freqüências, então pode-se esperar que não haja problema devido a saturação
da entrada. Se alguns elementos de G−1 Gd (ou G† Gd , no caso de G não
quadrada) for maior que 1, em uma dada freqüência, então o controle perfeito
não pode ser obtido nessa freqüência. Pode-se entretanto obter um controle
aceitável (||e||2 < 1). Para tanto faz-se uso do segundo passo.
ii) Segundo Passo: Deve-se verificar a condição dada na equação 7.1, isto é,
deve-se considerar os elementos de U T Gd 2 e certificar-se de que os elementos
de i−ésima linha são menores que σi [G] + 1, para todas as freqüências.
σi (G) ≥ |uTi gd | − 1, nas freqüências onde |uTi gd | > 1 (7.1)
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.
13. Deve-se verificar se há possibilidade de se usar controladores multimalhas.

1
No caso de matriz G não quadrada deve-se fazer, G† Gd , sendo G† a pseudo-inversa de G
2
O autor usa U H Gd , sendo U H a Hermitina (transposta conjugada) de U
228
7.4 Controlabilidade Funcional

O termo Controlabilidade Funcional, Functional Controllability, foi cunhado por Rosen-
brock, em 1970, [67], para sistemas MIMO quadrados. A seguir apresenta-se a definição
como apresentada em [78], para um sistema MIMO l × m:
Definição 7.2 (Controlabilidade Funcional) [78]

Um sistema G(s) com m-entradas e l-saı́das é controlável segundo a controlabilidade
funcional se o posto (rank) normal de G(s), r, for igual a número de saı́das, isto é
(r = rank(G(s)) = l), isto é, G(s) possui rank completo para linha. Ele será não-
controlável (controlabilidade funcional) se r < l.
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).
• Se uma planta é funcionalmente não-controlável, isto é, se r < l então existem l −r

direções de saı́das, denotadas por yo que não podem ser afetadas. Essas direções
variam com a freqüência e tem-se:
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).
• Analisando essas direções o Engenheiro de Controle pode decidir se é possı́vel

manter certas saı́das não-controladas, ou se serão necessários novos atuadores na
planta para que o rank de G(s) seja aumentado.
229
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
2) Dado o sistema da equação 7.2, pede-se:
a) Seus pólos e zeros.
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)
c) RGA dinâmica.
d) Analise a controlabilidade entrada-saı́da.

" #
5000s 2(−5s+1)
(5000s+1)(2s+1)) 100s+1
G(s) = 3 3
(7.3)
5s+1 5s+1
c) RGA dinâmica.
d) A SVD (dinâmica).
e) Um projeto de controlador multimalha que garanta um desempenho razoável para o

perfil da figura 7.1.
230
f) Simule o sistema controlado para o perfil dado.
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
Figura 7.1: Perfil Tı́pico para Teste de um Sistema 2 × 2 controlado
Sobre o perfil, o projetista deve escolher os valores de variações (relativas) para as

entradas de acordo com a dimensão do problema. Da mesma forma o valor do degrau
e dos valores relativos para as entradas devem estar relacionadas com a dimensão do
sistema.
231
7.6 Revisão das Restrições em Sistemas SISO

7.6.1 Escalonamento (Normalização)
• Vide [78], pgs. 5 a 8.
• Importância prática: torna a análise do modelo e o projeto de controladores mais

simples.
• 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).
• Uma forma prática de se obter a normalização é tornar as variáveis com valor

máximo de 1.
• 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
• As variáveis ŷ e ê devem estar na mesma unidade (mesmo fator de escala). Elas

podem gerar a variável normalizada a partir de duas alternativas de divisão:
– dividir por êmax ;

– dividir por r̂max .
• 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 .
• Assim, para formalizar o procedimento de normalização, introduz-se os fatores

de escala:
De = êmax , Du = ûmax , Dd = dˆmax , Dr = r̂max
• 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
7.7 Desempenho
• Considerando que o modelo está devidamente normalizado, pode-se considerar
como uma condição adequada de desempenho o seguinte critério:
– Manter a saı́da y(t), na faixa entre r − 1 e r + 1 (na maioria do tempo) para

qualquer perturbação d(t) entre −1 e 1 e referência r(t) entre −R e R, usando
uma entrada na faixa de −1 a 1.
• Ou em freqüência:
– Em cada ponto de freqüência a condição desempenho é manter o erro den-

tro da faixa,|e(ω)| ≤ 1, para qualquer perturbação |d(ω)| ≤ 1 e referência
|r(ω)| ≤ R(ω), usando entradas tais que |u(ω)| ≤ 1.
7.8 Controle Perfeito

• Vide capı́tulo introdutório das notas de aula.
• Seja o sistema dado pela relação:
y = Gu + Gd d
• Resolvendo para u:
u = G−1 r − G−1 Gd d
• Para uma realimentação do tipo u = K(r − y), tem-se:
u = KSr − KSGd d S(s) é a função sensitividade
• Considerando-se que T = GKS, tem-se:
u = G−1 T r − G−1 T Gd d
• Note que em freqüências nas quais a realimentação é efetiva, T ≈ I.
• Note que o controle perfeito depende da inversa de G.
• Assim, o controle perfeito, não pode ser usado se:
233
– 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.
7.9 Restrições em S(s) e T (s)

• S + T = 1.
• Efeito colchão d’água (Vide [78], pg. 165). Vide apêndice ??
• Restrições de Interpolação:
T (p) = 1, S(p) = 0 p é um pólo RHP de L(s) = G(s)K(s)
T (z) = 0, S(z) = 1 z é um zero RHP de L(s) = G(s)K(s)
• Máximo (picos, sensitivity peaks) de S(s) e T (s).
• Restrições impostas pelos atrasos. Vide [78], pgs. 175, 176.
• Limitações impostas por zeros RHP.
• Limitações impostas por pólos RHP.
• Efeitos de combinações de zeros RHP e pólos RHP.
• Limitações causadas pelas perturbações e comandos.
• Limitações causadas pelas incertezas.
• Limitações causadas pelos atrasos de fase.
234
Gd
+ y
+
K G
r +
-
Gm
Figura 7.2: Esquema de Realimentação com Perturbação
7.10 Análise da Controlabilidade Entrada-Saı́da

Para as regras de análise da “Controlabilidade Entrada-Saı́da”, considera-se:
• Relação advinda da figura ??
y = G(s)u + Gd (s)d ym = Gm (s)y
• Assume-se que as variáveis d, y, u e r estão normalizadas. Assume-se que Gm (0) =

1.
• ωc é a freqüência de crossover, definida como sendo a freqüência na qual |L(jω)|

cruza o ganho 1 (a partir de valores maiores que 1). L(s) = G(s)K(s) (ganho
direto).
• ωd é a freqüência na qual |Gd (jω)| cruza o valor 1.
• ωb é a faixa de passagem do sistema (close loop bandwidth), e é a freqüência na

√
qual S(jω) cruza na primeira vez o valor 1/ 2 = 0, 707 ≈ −3dB, a partir de
valores inferiores.
Regras
R1 Velocidade de resposta para rejeitar perturbações: deseja-se, em geral, que

ωc > wd . Mais especificamente, com a realimentação, deseja-se que |S(jω)| ≤
235
|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)
ωb > ωd eq. (5.54) de [78] (7.6)
R2 Velocidade de resposta para seguir (rastrear) referências. Deseja-se que

|S(jω)| ≤ 1/R até a freqüência ωr , na qual o rastreamento é desejado. Veja a
relação (5.55), repetida a seguir por conveniênica.
|S(jω)R| < 1 ∀ ≤ ωr ω eq. (5.55) de [78]. (7.7)
R3 Restrições na Entrada Advindas das Perturbações. Para se ter um controle

aceitável (|e| < 1) deve-se ter |G(jω)| > |Gd (jω)| − 1 em freqüências nas quais
|Gd (jω)| > 1. Para controle perfeito (e = 0), deve-se ter a satisfeita a condição
|G(jω)| > |Gd (jω)|. Veja as relações (5.57) e (5.59) de [78], repetidas a seguir por
conveniênica.
|G−1 (jω)gd (jω)| < 1 ∀ω eq. (5.57) de [78] (7.8)
|G| > |Gd | − 1 ωb > ωd em freq. nas quais |Gd | > 1 eq. (5.59) de [78] (7.9)
7.11 Exemplos e Aplicações
236
Capı́tulo 8
Projeto de Controladores MIMO

Usando Sı́ntese Q
8.1 Introdução
• É sabido que em aplicações industriais controladores PID são os mais utilizados.
• Um problema em relação a utilização de PID’s é a necessidade de técnicas SISO

para sintonia, ou derivações de teoria de controladores MIMO para que seja viável
sua implementação (utilização de desacopladores, por exemplo).
• Do ponto de vista de aplicação industrial de controladores MIMO os baseado no

IMC, Internal Model Control, Controle de Modelo Interno, ganhou projeção na
década de 70.
• Na França (1978) foi desenvolvido o MAC, Model Algotithmic Control, [?], [20].
Nos EUA (1980) foi desenvolvido o DMC, Dynamic Matrix Control [?].
• O desenvolvimento desses algoritmos, como propostas para controladores MIMO,

foi feito, na época, a partir de heurı́sticas. Eles baseiam-se em rotinas de otimização.
• A partir de 1982 (1982 a 1985, basicamente) Garcia e Morari publicaram uma

série de artigos mostrando que a DMC e o MAC são variações de uma estrutura
mais fundamental, denominada IMC. Vide o livro de Morari, [58].
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.
8.1.1 Linhas de Solução com a Parametrização-Q

• Soluções algébricas, baseadas na forma de G(s) e da malha fechada desejada.
– 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)
• Soluções via fatoração coprima. Vide [96], [88], [30].
• Soluções via problemas H∞ . Vide [78], [96], [88], [30], [53].
• Soluções via IMC. Vide [58] e [20].
238
8.2 Introdução a Parametrização-Q e ao IMC

• Parametrização de Youla (todos os controladores estabilizantes): relação com
sı́ntese-Q, IMC, especificações para projetos H∞ , ∈∞ , ótimos, etc.
• IMC: alternativa para a estrutura clássica de realimentação.
• Conceitos importante: funções sentividade e estabilidade interna. Fatorações Co-

primas.
d
K
r + e u y
Q G
-
~ y -
r
G
d
K
+ y
r + + u +
Q G
+ +
~
G
Figura 8.1: Configuração para o Modelo Interno
r
+ y
d K G
- -
r e u y
K G
G~ G~
-
Figura 8.2: Configuração para o Modelo Interno
239
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
• Estrutura padrão para controle realimentado.
• 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
8.3 Revisão da Sı́ntese-Q para Sistemas SISO

8.3.1 Voltando ao Exemplo
• T0 (s) : malha fechada (sensitividade complementar). Td (s): função de malha
fechada desejada.
• 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:
i) Presença de zeros instáveis no modelo.

ii) Ordem do modelo e escolha de FQ (s).
iii) Compromissos intrı́nsecos.
iv) Esforço do Controlador.
v) Robustez.
vi) Modos não controláveis e/ou cancelados.
241
Zeros de Fase não Mı́nima

B0 (s) B0s (s)B0u (s)
G0 (s) = =
A0 (s) A0 (s)
• B0s : parte estável de B0 (s).
• B0u (s): parte “instável”.
• Considere B0u (0) = 1.

Q(s) = FQ (s)Gi0 (s)
−1
i B0s (s) A0 (s)
G0 (s) = =
A0 (s) B0s (s)
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.
8.3.2 Compromissos Implı́citos

Dentre as diversas condições desejadas, sempre deverá se ter erro estacionário nulo. Se
não for possı́vel em todas as freqüências, pelo menos na faixa de passagem do sistema.
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
Modos não Controláveis e Cancelamentos
Os cancelamentos podem ocorrer em
Q(s)G0 (s) ou K(s)G0 (s)
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
Exemplo 8.1 Considere G0 (s):

6
G0 (s) =
(s + 1)(s + 6)
Considere que devido a presença de ruı́do de medição a faixa de passagem da malha

fechada tem que ser da ordem de ω = 10rad/s. Uma possı́vel escolha para Q(s), con-
siderando o exposto acima, é:
(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:
Q(s) (β1 s + 1)(s + 1)(s + 6)

K(s) = =
1 − Q(s)G0 (s) 6s(s2 + 24s + 240 − 1000β1)
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.
• Considere perturbações na entrada e saı́da da planta. Considere a presença de

ruı́do de medição.
• Faça o projeto admitindo o cancelamento do pólo em s = −1. Simule para entrada

r(t) e d(t), na saı́da e na entrada da planta.
244
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 um sinal u(t) com pouco ruı́do.
• Tenha integrador.
• Tenha uma malha fechada o mais rápido possı́vel.
Simule o sistema para entrada referência (perfil de degrau) e perturbações na saı́da e

entrada da planta.
245
8.4 Sı́ntese-Q: Conceitos

• Parametrização de todos os controladores estabilizantes: caso SISO. Vide seção
??.
C(s) = [I − Q(s)G0 (s)]−1 Q(s) = Q(s)[I − G0 (s)Q(s)]−1 (8.1)
Funções Sensitividade em Função de Q(s)
A seguintes funções (matrizes) sensitividade podem ser parametrizadas em relação a

Q(s)
T0 (s) = G0 (s)Q(s) (8.2)

S0 (s) = I − G0 (s)Q(s) (8.3)
Si0 (s) = (I − G0 (s)Q(s))G0 (s) (8.4)
Su0 (s) = Q(s) (8.5)
(8.6)
• Todas as funções acima serão estáveis se Q(s) é estável.
Representações LMFD e RMFD para as Funções Sensitividade Parame-

trizadas
C̄D (s) = I − Q(s)G0 (s) C̄N (s) = Q(s) (8.7)

CD (s) = I − G0 (s)Q(s) CN (s) = Q(s) (8.8)
Ḡ0D (s) = I Ḡ0N (s) = G0 (s) (8.9)
G0D (s) = I G0N (s) = G0 (s) (8.10)
(8.11)
• A escolha acima garante que (5.76) seja satisfeita.
• A equação (??) é suficiente para que (??) e (??) sejam válidas.
• 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
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:
• Presença (ou não) de zeros de fase não-mı́nima.
• Grau (ordem) relativa do modelo.
• Compromissos com as perturbações.
• Questão do esforço de controle.
• Questão da robustez.
• Presença (ou não) de modos escondidos.
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
8.5 Parametrização de Todos Controladores Estabi-

lizantes
8.5.1 Estabilidade de Sistemas
• Idéia: Analisar a estabilidade (interna) da malha fechada de um

sistema como o da figura 8.3
d(t)
r(t) + e(t) + y(t)
K(s) G(s)
+
-
Figura 8.3: Configuração para a Parametrização
Teorema 8.3 A matriz de malha fechada da figura 8.3 será estável se e

somente se a matriz, P (s), que relaciona as entradas r e d com as saı́das
e e u, em malha fechada for estável:
" # " #
r e
= P (s)
d u

Pode-se considerar um sistema mais genérico do que o dado na figura 8.3.
O da figura 8.4 apresenta perturbação na saı́da e na entrada da planta.
Exercı́cio
Encontre a expressão para P (s). Mostre que P (s) contém as matrizes

sensitividade.
248
• Importante notar que o sistema da figura 8.4 pode ser representado

pelo equivalente da figura 8.5 (A ou B).
d i(t)
d o(t)
r(t) + e(t) + u(t)

y(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
8.6 Outras Configurações Usuais
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

lizantes: SISO e G(s) Estável
Teorema 8.4 A famı́lia de todos os controladores K(s) tais que a malha

fechada dos sitema da figura 8.3 seja estável é:
Q(s)
K(s) =
1 − G(s)Q(s)
sendo Q(s) estável e Q(∞)G(∞) 6= 1.

• A prova desse teorema requer alguns conceitos adicionais de fa-

toração coprima.
251
8.8 Revisão dos Conceitos de Fatoração Coprima
8.8.1 Lema Adicional
d(t)
r(t) e(t) + y(t)
M c− 1 ( s ) N c (s) −1
M ( s) N (s )
+ +
- z1 u(t) z2
Lema 8.2 Seja G(s) = N (s)/M(s) e K(s) = Nc (s)/Mc (s) fatorações

coprimas. Então, a malha fechada será estável (assintoticamente) se e
somente se a função de transferência H(s) entre [r′ d′]′ e [z1′ z2′ ]′ for
estável. " # " #
r z1
= H(s)
d z2
sendo " #−1
Mc (s) N (s)
H(s) =
−Nc (s) M(s)

252
8.8.2 Revisão Fatoração Coprima: SISO
• É sempre possı́vel escrever uma função de transferência como uma

razão de duas funções estáveis que não possuem divisores comuns
(termos coprimos).
• 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
• Além disso, tem-se a relação:
N (s)X(s) + M(s)Y (s)
• Sendo:
4(16s − 5) (s + 15)
x(s) = Y (s) =
(s + 1) (s + 10)
253
8.8.3 Revisão Fatoração Coprima: MIMO
• Para o caso MIMO é necessário definir as direções das divisões e

multiplicações.
• Dada uma matriz G(s), é possı́vel encontrar 4 matrizes próprias e

estáveis tais que:
G(s) = Nd (s)Md−1 (s) = Ms−1 Ns (s)
• Sendo Md (s) e Nd (s) matrizes coprimas a direita.
• Ainda, existe a relação:
Xd (s)Nd (s) + Yd Md (s) = I
• Sendo Ms (s) e Ns (s) matrizes coprimas à esquerda.
• Ainda, existe a relação:
Ns(s)Xs + Ms (s)Ys = I
8.8.4 Fatoração Coprima Dupla
• Definem-se as relações:
G(s) = Nd (s)M − d−1(s) = Ms−1 (s)Ns
• e: " #" #
Yd (s) Xd (s) Md (s) −Xs (s)
=I (8.12)
−Ns (s) Ms (s) Nd (s) Ys (s)
254
8.8.5 Construção da Fatoração Coprima Dupla
Seja (A, B, C, D) uma realização estabilizável e detectável de G(s) (denota-

se por G(s) = (A, B, C, D)).
Teorema 8.5 Sejam F e L duas matrizes tais que A + BF e A + LC

sejam estáveis. Então existe uma fatoração coprima dupla dada por 8.12
sendo:
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

lizantes: SISO e G(s) Genérica
• Seja G(s) dada por:

N (s)
G(s) = .
M(s)
• Considera-se N (s) e M(s) funções coprimas (racionais) e estáveis.
Nesse caso existem duas funções racionais estáveis X(s) e Y (s) tais
que:
N (s)X(s) + M(s)Y (s) = 1
• (equação Diofantina ou desgigualdade de Bezout).

fechada dos sitema da figura 8.3 seja estável (e bem posto) é:
X(s) + M(s)Q(s)
K(s) =
T (s) − N (s)Q(s)
sendo Q(s) estável e Q(∞)G(∞) 6= 1.

256
8.10 Parametrização de Todos Controladores Esta-

bilizantes: MIMO e G(s) Genérica
Sejam as relações:
G(s) = Nd (s)M − d−1(s) = Ms−1 (s)Ns

e " #" #
Yd (s) Xd (s) Md (s) −Xs (s)
=I (8.21)
−Ns (s) Ms (s) Nd (s) Ys (s)

fechada dos sitema da figura 8.3 seja estável (e bem posto) é:
K(s) = (Xs (s) + Md (s)Qd (s)) (Ys (s) − Nd (s)Qd(s))−1 (8.22)

= (Yd (s) − Qs Ns)−1 (Xd (s) + Qs Ms (s)) (8.23)
sendo Qd (s) (Qs(s)) estável e Nd (∞))Qd(∞) 6= Ys (∞) [Qs(∞)Ns(∞) 6=

Yd (∞)].

257
8.10.1 Lema Adicional, Caso MIMO
(veja caso SISO para comparação).
Lema 8.3 Seja G(s) = Nd (s)Md−1(s) e K(s) = Nc(s)Mc−1 (s) fatorações

coprimas à direita (estáveis). Então, a malha fechada será estável (assin-
toticamente) se e somente se a função de transferência H(s) entre [r′ d′ ]′
e [z1′ z2′ ]′ for estável. " # " #
r z1
= H(s)
d z2
sendo " #−1
Mc (s) Nd (s)
H(s) =
−Nc (s) Md (s)

258
8.11 Comentários
Se, na parametrização-Q, tem-se Q(s) = 0 então o controlador obtido

será dado por:
Kc (s) = Xs (s)Ys−1(s)
que coincidde com o controlador projetado por alocação de pólos conven-
cional. No caso de Q(s) 6= 0, o projeto (alocação) é feito via escolha de
Q(s), que está relacionada com a função de malha fechada desejada.
259
Capı́tulo 9
Projeto de Controladores MIMO na

Abordagem H∞
9.1 Introdução
• Crı́tica ao controle LQR (LQG).
• Normas de Sistemas.
• Controladores H∞ e H2 .
• Projeto via loop shaping
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.
perturbação na saı́da da planta, d, a função (matriz) sensitividade (de saı́da), S(s) e a

função (matriz) sensitividade complementar (de saı́da), T (s), são definidas como sendo:
S(s) = (I + L(s))−1 e T (s) = L(s)S(s), (9.1)

sendo L(s) = G0 K(s).
A função S(s) relaciona r(t) ou d(t) com e(t) e a função T (s) relaciona r(t) com
y(t). Em geral, funções como S(s) e T (s), que relacionam as diferentes entradas e
saı́das em um sistema de controle, podem ser denominadas de funções sensitividade.
Tal denominação advém do fato dessas funções estarem relacionados com a sensibili-
dade de sistemas de controle, o que motivou a utilização das mesmas em projetos de
controladores robustos, isto é controladores que, em linhas gerais, objetivam reduzir essa
sensibilidade. No caso das funções S(s) e T (s), essa sensibilidade é medida em termos
da “qualidade”das saı́das y(t) e e(t).
A abordagem introduzida por Zames [94] visa justamente quantificar a redução dessa
sensibilidade, ou da sua norma (ou ainda do máximo valor singular da matriz S(s),
σmax (S(s)). Os conceitos introduzidos por Zames iniciaram um novo tipo de projeto
de controladores, onde busca-se encontrar controladores que reduzam a norma H∞ da
malha fechada, T (s) ou da sensitividade, S(s) ou ainda de combinações de funções
sensitividade.
Em relação aos projetos via minimização da norma H∞ , a formulação usada até
meados da década de 80 baseava-se nas teorias de operadores e análise complexa. Mais
tarde, em 1989, com o trabalho de Doyle e outros [25], passou-se a resolver o problema
H∞ via solução de equações de Riccati, formulando-o diretamente no espaço de estados1 .
A abordagem inicial do controle H∞ baseou-se principalmente nos conceitos de
1
Trabalhos anteriores (de 1987 e 1988), principalmente de Khargonekar, Petersen e outros também
abordaram a solução via Riccati [46, 62].
261
moldagem da resposta em freqüência desejada para as funções sensitividade, isto é, a

partir de perfis especificados para as funções S(s) e T (s), resolviam-se os problemas de
otimização H∞ . Esse problema, denominado de loop shaping,2 é a abordagem principal
para os projetos de controladores robustos nesta tese.
Loop Shaping H∞
Os trabalhos de Zames [94, 95] proporcionaram o desenvolvimento de um tipo de projeto

semelhante ao já então conhecido loop shaping, que pode ser denominado genericamente
como sendo o projeto via sensitividade composta. Nele, são escolhidos perfis para as
funções sensitividade a partir dos quais calcula-se o controlador K(s) mediante um
problema de otimização H∞ . Esse problema, também denominado de loop shaping H∞
ou loop shaping robusto proporcionou o surgimento de diversos trabalhos. Dentre eles,
alguns foram fonte de consulta frequente neste trabalho:
• McFarlane e Glover [55], em 1989, introduzem o projeto loop shaping robusto,

baseado nos perfis de funções de malha aberta para sistemas com representação
tipo incerteza aditiva-coprima.
• Postlethwaite e outros [63], em 1991, apresentam um estudo para loop shaping

em sistemas SISO, relacionado com o projeto da sensitividade composta, para
otimização 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].
• Braatz e outros [10], em 1996, apresentam um resumo do loop shaping robusto

a partir de funções de malha-fechada (como S(s) e T (s)), ao contrário do loop
shaping de McFarlane e Glover. (Essa técnica também possibilita o projeto a
partir da especificação da forma para a função L).
2
No decorrer do texto usar-se-á o termo em inglês para se referir a essa técnica de projeto via
especificação dos perfis (em freqüência) das funções de malha fechada.
262
• O livro de Doyle, Francis e Tannenbaum, 1992, [24] que apresenta um capı́tulo

sobre a técnica loop shaping a partir do perfil (shape) das funções S(s) e T (s).
• O livro de Skogestad e Postlewaite (1996) que apresenta os principais conceitos

dessa técnica [78].
• Braatz [9], em 1993, define os conceitos do projeto loop-shaping robusto como uma
extensão do loop-shaping clássico.
A solução do problema da sensitividade composta pode ser encontrada a partir da

solução de duas equações de Riccati, usando-se a formulação em espaço de estados [25].
Ponderações para Projetos H∞
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
Figura 9.2: Diagrama de um sistema padrão de controle com incertezas paramétricas no

modelo G0 e duas ponderações, uma para o erro W1 e outra para o sinal de controle W2 .
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
Representação Padrão do Ambiente 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
Figura 9.3: Configuração padrão para projetos na formulação H∞ mostrando o controlador

K(s), a planta generalizada P (s), duas entradas, w e u e duas saı́das z e y. A relação entre
K e P é dada pela LFT inferior, Fl (P, K).
Representação em Espaço de Estados
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
Tal representação é útil na solução do projeto de controladores H∞ via equações de

Riccati, conforme definido em [25].
Problema de Controle H∞
Em linhas gerais, pode-se dizer que o projeto H∞ visa minimizar a norma H∞ da matriz
de malha fechada entre w e z, 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
No caso de se ter um sistema incerto pode-se acrescentar ao sistema nonimal, G0 , uma

representação para a incerteza, usualmente denotada por ∆(s), como mostra o diagrama
da figura 9.4.
∆
d
r+ +
y
K G
+
-
Figura 9.4: Diagrama de um sistema padrão de controle com incertezas paramétricas no

modelo G0 .
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
Em linhas gerais, as incertezas podem ser de três tipos:
i) sinais incertos. Por exemplo, perturbações de carga ou ruı́dos;
265
∆
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.
ii) desconhecimento do modelo;
iii) variações da planta.
Esses três tipos podem ser representados no diagrama padrão por uma matriz ∆,
acrescida à planta nominal.
Problema H∞ Freqüencial com Solução via Espaço de Estados
Como comentando, Doyle, Glover, Khargonekar e Francis (em 1989) apresentaram

soluções para problemas H∞ e H2 na formulação no espaço de estados via equações
de Riccati [25].
Tal trabalho mostrou a relação entre as soluções H2 e H∞ e dessas com a teoria
LQG, e que as soluções podem ser parametrizadas via LFT’s. Ainda, mostrou-se que
resolver problemas de controladores H∞ e H2 equivale a resolver problemas de cálculo de
observadores e controladores, isto é, apresentou-se a caracterı́stica de separação presente
nesses problemas. Apresentou-se também a caracterı́stica do controlador central, que é
o obtido a partir de uma escolha particular para a LFT K(s) = Fl (Kc , Q) onde Kc é
uma matriz relacionada com as soluções das equações de Riccati. 3
Dessa forma, o trabalho de Doyle e outros [25] apresentou uma mudança da ferra-
menta usada para solucionar problemas H∞ , até então focalizadas na teoria de variáveis
complexas, teoria de operadores, interpolação, análise funcional [30], e proporcionou a
solução a partir de representações no espaço de estados.
3
No próximo ı́tem apresenta-se o conceito da solução via Riccati.
266
Solução via Equações de Riccati
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)
sendo as matrizes E, W e Q de dimensões compatı́veis, e W = W T e Q = QT .

Para a solução do problema (9.5), a equação (9.6) é montada com as matrizes A,
B1 . . . D22 da representação dada pelas equações (9.2) a (9.4). As implicações da uti-
lização dessa solução são discutidas no Capı́tulo ?? e no Apêndice ??. No Capı́tulo ??
são apresentadas algumas representações em espaço de estados (como nas equações (9.2)
a (9.4)) para alguns dos esquemas da sensitividade composta estudados .
Análise e Sı́ntese µ
A introdução do Valor Singular Estruturado, SSV (Structured Singular Value) ou µ

foi feita por Safonov [68] e Doyle [22], sendo que os fundamentos para a sua definição
já haviam sido introduzidos no trabalho de Safonov e Athans [70]. A idéia principal
desta técnica é definir incertezas estruturadas para a análise da robustez, via teorema do
ganho pequeno. Tal “estrutura”possui vantagens em termos de manipulações algébricas
no cálculo da robustez, tornando-se a análise µ menos conservadora do que a análise
H∞ .
Resultados sobre o cálculo do µ surgiram em trabalhos de meados da década de 80.
Dentre eles podem ser citados [22, 23, 60, 93, 41, 42]. Além desses podem ser destacados
alguns trabalhos sobre aplicação de controladores µ: [1, 17, 29, 87, 50, 51, 3, 61, 64, 81].
Solução via Desigualdades Matriciais Lineares
Até o fim da década de 80, os problemas de controle H∞ eram resolvidos principalmente

via solução de duas equações de Riccati, seguindo a formulação de [25]. Entretanto,
a formulação via Desigualdades Matriciais Lineares (LMI, Linear Matrix Inequalities)
passou a ganhar espaço principalmente devido aos métodos númericos de solução, basea-
dos nos “algoritmos de pontos interiores”[8]. Em particular, para aplicação em controle,
267
o desenvolvimento de pacotes, como o pacote para MATLAB, LMI Control Toolbox

[35] ou o programa SCILAB [59] tem motivado a utilização das LMI’s para projeto de
controladores para sistemas incertos.
A utilização das LMI’s particularmente em projeto de controladores robustos, sejam
H∞ , H2 ou mistos, na presença ou não de incertezas resultou na publicação de diversos
trabalhos recentes (principalmente a partir de 1990), entre os quais podem ser citados
(para o caso particular do controlador H∞ ):
1. O trabalho de Skelton e Iwasaki [44] em que os autores apresentam a solução para

o cálculo do controlador H∞ via LMI’s, sem as restrições impostas à solução via
Riccati.
2. O trabalho de Gahinet e Apkarian [34] no qual apresenta-se o cálculo de contro-

ladores H∞ dinâmicos, usando o chamado “lema da projeção”, (vide seção ??).
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
9.3 Conceitos do Loop Shaping Clássico

O projeto loop shaping clássico (LSC) é um projeto simples que consiste em encontrar um
controlador K(s) que resulte numa função de malha direta, L(s) = G(s)K(s), desejada.
O projeto LSC baseia-se em duas caracterı́sticas importantes de L(s): i) existe
uma relação direta entre a forma da função L(s) com o controlador K(s); e ii) muitas
caracterizações para o comportamento da malha fechada podem ser expressas a partir
de L(s) [21].
Resposta em freqüência típica de L(ω)
60
L(jω)
40
20 altas frequências
l(ω)
|L(jw)| (dB)
−20 baixas frequências u(ω)
−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.
As “especificações para L(s)”acima referidas são informações que limitam o ganho

(e a fase) de L(s) nas diferentes faixas de freqüência (veja por exemplo [31] ou [78]) que
podem ser divididas, genericamente, em região de altas freqüências, de baixas freqüências
e região da freqüência de corte (cross over), como mostra a figura 9.6.
Em geral deseja-se que |L| seja grande em baixas freqüências (o que garante bom
rastreamento e baixa sensibilidade à variações (lentas) da planta ou à perturbações de
carga), e que seja pequeno em altas freqüências (boa rejeição ao ruı́do). Na região de
transição entre as freqüências altas e baixas (região da freqüência de corte) especifica-se
a taxa de variação de L, em termos de decaimento (dB) por década [31, 78].
Apesar da simplicidade, projetos baseados na especificação da função L(s) nem sem-
pre são aplicáveis na prática. Razões para sua inadequação são, por exemplo, a inca-
pacidade de se quantificar o esforço do sinal de controle ou de se especificar rejeições
à perturbações na entrada da planta. Ao contrário, projetos H∞ conseguem esse tipo
269
de caracterizações na medida em que são especificados a partir de diferentes funções

sensitividade, como S(s), K(s)S(s) e G(s)S(s), por exemplo.
A especificação dos perfis para as funções de malha fechada é a base dos projetos
H∞ no domı́nio da freqüência, como introduzido por Zames [95] e Doyle e Stein [26].
9.4 Conceitos do Loop Shaping H∞

Loop shaping H∞ são os projetos baseados nas especificações de perfis para as funções
sensitividade. A seguir são apresentados os conceitos relacionados a este projeto.
9.4.1 Especificações de Desempenho Baseadas nas Funções Sen-

sitividade
As funções sensitividade podem ser definidas a partir das relações entre entradas e saı́das
do sistema de controle da figura 9.7, onde se considera um sistema LTI, G(s), controlado
por K(s) e com as entradas r, de referência, d, uma perturbação na saı́da da planta, v
uma perturbação na entrada da planta, ambas de baixa freqüência e η um ruı́do de alta
freqüência.
v
r+ + +
y
+
K G
e w u +
-
+
+
η
Figura 9.7: Diagrama para Especificações das Funções Sensitividade
Para esse sistema, as relações entrada/saı́da podem ser expressas pelas equações (9.7)
a (9.10), a seguir.
y = (I + GK)−1 GKr + (I + GK)−1 d + G(I + KG)−1 v − (I + GK)−1 GKη (9.7)

w = K(I + GK)−1 r − K(I + GK)−1 d + KG(I + KG)−1 v − K(I + GK)−1 η(9.8)
u = K(I + GK)−1 r − K(I + GK)−1 d + (I + KG)−1 v − K(I + GK)−1 η (9.9)
e = (I + GK)−1 r − (I + GK)−1 d + G(I + KG)−1 v − (I + GK)−1 η (9.10)
270
Em geral, as especificações de desempenho usuais são: boa resposta tipo rastrea-

mento (tracking), boa atenuação das perturbações (d e v) e do ruı́do (η), erro em estado
estacionário nulo.
Em se tendo as equações (9.7) a (9.10), podem-se expressar essas especificações em
termos de minimizações da norma H∞ das funções de malha fechada, isto é, minimiza-se:
• ||(I + GK)−1 ||∞ para se ter um boa resposta para rastreamento;
• ||(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;
• ||(I + GK)−1 GK||∞ para se ter um boa rejeição ao ruı́do;
• ||K(I + GK)−1 ||∞ para se reduzir o esforço da ação de controle;
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.
Função Fórmula Relação E/S

entrada saı́da
Sensitividade na saı́da da planta So (s) = (I + GK)−1 r e
d y
Sensitividade na entrada da planta Si (s) = (I + KG)−1 v u
Sensitividade na entrada do controle Sk (s) = KSo v u
Sensitividade Complementar na saı́da da planta To (s) = GKSo = I − So r y
Sensitividade Complementar na entrada da planta Ti (s) = KGSi = I − Si v u
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.
Em geral, no projeto H∞ , especificam-se funções sensitividade ponderadas, isto é,

ao invés de se requerer a minimização em toda a faixa de freqüência, definem-se formas
271
para as funções que especificam o comportamento desejado em determinada faixa de

freqüência de interesse.
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.
O conhecimento das relações das funções sensitividade com o comportamento do
sistema (seja no domı́nio do tempo ou da freqüência) é de suma importância neste tipo
de projeto. A seguir apresentam-se algumas conclusões sobre as formas para S(s) e T (s)
e as respostas dos sistemas.
9.4.2 Caracterı́sticas da Funções S(s) e T (s)

O entendimento das relações para S(s) e T (s) em função da freqüência é fundamental no
projeto loop shaping H∞ . Em geral, podem-se definir três regiões para a especificação
de S(s) e T (s), como feito para o projeto loop shaping clássico (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).
Nas análises que se seguem, para simplificar, consideram-se S(s) e T (s) escalares.
9.4.3 Relações para S(s)

Em geral, espera-se que a função S(s) tenha as seguintes caracterı́sticas:
1. S(s) deve ter uma faixa de passagem mı́nima, wb ;
2. o módulo de S(s) deve ter um valor máximo numa determinada faixa de freqüência;
272
3. em baixas freqüências (ω → 0), S deve ter um valor nulo, indicando erro zero em
regime.
No projeto loop shaping robusto, deseja-se que o comportamento em freqüência da

função S(s) do sistema real se assemelhe ao comportamento da função S(s) especificada.
Nesse sentido, a função S(s) especificada (ideal), pode ser dada pela expressão:
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 .
9.4.4 Relações para T (s)

Em geral, T (s) terá módulo próximo de 1 em baixas freqüências e tenderá a zero em
altas freqüências. Uma expressão tı́pica para T (s) pode ser:
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.
9.5 Projeto via Sensitividade Composta

O projeto H∞ via sensitividade composta se fundamenta no trabalho de Zames [94] e
Zames e Francis [95] onde se introduziu o projeto via minimização da norma infinita
de S(s) ou de ||W (s)S(s)||∞. A generalização desse projeto, com a inclusão de outras
funções para serem minimizadas tem sua justificativa nas relações existentes entre as
funções sensitividade e as especificações de desempenho, como apresentado na subseção
9.4.1.
Dentre as combinações possı́veis para esse tipo de projeto, algumas se destacam
pela sua larga utilização e pela relação com especificações de desempenho comumente
273
usadas. Na literatura podem ser encontradas diversas configurações (ou esquemas),

dentre as quais: i) S/KS [61, 74, 47, 65, 63]; ii) S/KS/T [16, 15]; iii) S/T [51, 29, 5];
iv) GS/T [16, 15, 80, 79]. Além desses esquemas existem projetos H∞ que combinam
diversas dessas funções [77, 32, 87, 80].
Em geral, todos os projetos envolvem a função sensitividade, S(s), não só pela
interpretação fı́sica da mesma, como também pela sua relação com a robustez do sistema
frente às incertezas de modelo ou às perturbações.
Sendo assim, pode-se considerar como o projeto mais importante (ou o mais genérico)
o projeto S/KS (ou o S/KS/T [78]).
A seção seguinte é dedicada ao estudo mais detalhado do projeto via esquema S/KS
que é o esquema principal adotado para os projetos de controladores H∞ para o STI.
9.6 Esquema S/KS

Neste esquema calcula-se o controlador a partir do problema definido da seguinte forma:
Encontre K(s) tal que:

W (s)S(s)
1
≤ γ, (9.12)

W2 K(s)S(s)
∞
sendo γ um escalar positivo e W1 e W2 as ponderações para as funções sensitividade
S(s) e K(s)S(s), respectivamente.
A figura 9.8 apresenta o diagrama desse projeto, que possui as seguintes carac-
terı́sticas:
i) Graus de liberdade para a especificação do projeto: escolha de W1 e W2 .
ii) Parâmetros de escolha para W1 : faixa de passagem da sensitividade S(s) e seu valor
máximo (pico para S(jω)).
iii) Parâmetros para a escolha de W2 : caracterı́sticas do sinal de controle (por exemplo,

amplitude e freqüência de oscilação).
iv) Procedimento para escolha: conhecimento das regras para loop shaping [78] e com-
promissos existentes para S(s) e T (s) [31].
274
z2
W2
z1
W1
r e y
+ K G
- u
Figura 9.8: Esquema S/KS para Projeto H∞
9.6.1 Escolha dos Pesos

A escolha dos pesos (ótimos) deve levar em consideração algumas caracterı́sticas iner-
entes aos sistemas reais como saturações, outros tipos de não-linearidades, perturbações
etc. Desta forma, o projeto deve ser realizado de uma maneira interativa relacionando
a resposta obtida no sistema real com os parâmetros a escolher.
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
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
Definição 9.2 A função W2 está relacionada com a sensitividade de controle, Sk =

K(s)S(s), e fornece o comportamento desejado para o sinal de controle. Tomando-se
esta função como uma penalização do sinal de controle, a sua forma ideal será a de um
filtro passa altas. Da mesma forma que para as funções anteriores, faz-se W2 = w2ii I,
onde
κii s + β ii (κii /β ii )s + 1
w2ii (s) = kw2 = (9.14)
s + αii s/αii + 1
sendo as constantes κii , β ii e αii escolhidas de acordo com a cartacterı́stica desejada
para o filtro.
♦
Representação no Espaço de Estados no Esquema S/KS
Como o cálculo do controlador H∞ é realizado via representação no espaço de estados

[25], é interessante obter a representação em espaço de estados da matriz generalizada
para o esquema da figura 9.8. Tal representação será usada para a solução do problema
9.12 via equações de Riccati, como comentado no capı́tulo ??, página 267, e terá suas
matrizes A, B1 . . . D22 relacionadas com a matriz P (s). Assim sendo a representação
no espaço de estados da configuração da figura 9.8 será dada pelas equações 9.2 a 9.4,
repetidas a seguir por conveniência:
ẋ = Ax + B1 w + B2 u
z = C1 x + D11 w + D12 u
y = C2 x + D21 w + D22 u.
Para o esquema S/KS, w será a referência, z = [z1 z2 ]T as saı́das de W1 e W2 , respec-

tivamente, e y = e. As matrizes A, B1 . . . D22 são obtidas a partir das representações
no espaço de estados das funções G0 , W1 e W2 , dadas por:
4
A solução via Riccati para o problema H∞ é apresentada na seção ?? e no apêndice ??.
276
" # " # " #

Ag Bg Aw1 Bw1 Aw2 Bw2
G0 = , W1 = e W2 = . (9.15)
C g Dg Cw1 Dw1 Cw2 Dw2
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∞ .
Comentário 9.1 O projeto S/KS possui a desvantagem de resultar em um controlador

que possui zeros iguais aos pólos estáveis da planta nominal, G0 (s). Do ponto de vista da
robustez frente às incertezas de modelo este projeto pode resultar em sistemas frágeis, no
sentido de que variações muito pequenas no sistema nominal podem resultar em respostas
indesejáveis [78, 15]. Na literatura existem diversos trabalhos realizados no sentido de
se evitar esse cancelamento [69, 84, 48, 83, 14, 85, 86]. Uma solução particularmente
fácil de ser implementada é a de se fazer o projeto via o esquema GS/T [15, 79, 87],
que considera ponderações para KS, S e T , como apresentado na subseção 9.7.2.
9.7 Outros Esquemas para Projeto via Sensitividade

Composta
Como complemento ao apresentado acima, apresentam-se os estudos de dois esquemas
também bastante utilizados em projetos via sensitividade composta: S/KS/T e GS/T.
277
9.7.1 Esquema S/KS/T

O acréscimo da função T (s) para o projeto da sensitividade composta faz com que seja
possı́vel especificar, além do limite inferior para a faixa de passagem (especificada a
partir de ω1 de S(s)), um limite superior. Com isso, é possı́vel especificar em qual
freqüência a função L(s) deve iniciar sua redução. Como comentado em [78], em geral
especifica-se a função T (s) para reduzir a sensibilidade do sistema aos ruı́dos de alta
freqüência.
Este esquema, representado na figura 9.9, possui a função de transferência de malha
fechada:
 
W1 So
Tzw =  W2 KSo  . (9.19)
 
W3 To
Neste caso, ponderam-se S(s) e T (s) via W1 e W3 , respectivamente. KS é ponderado
por W2 .
Ponderação W3
Analogamente à especificação para W1 , a matriz W3 pode ser expressa como W3 = w3iiI,

onde
sM3ii + ω3ii
w3ii = (9.20)
δs + ω3ii M3ii
sendo que M3ii é o valor máximo esperado para σ̄i (T (jω)) e ω3ii é a faixa de passagem
desejada. δ é um número real postivo tal que δ << 1.
z2
z1 W2
W1
r e u
y
z3
K G W3
+
-
Figura 9.9: Diagrama do esquema S/KS/T para projeto H∞
278
Representação no Espaço de Estados
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
9.7.2 Esquema GS/T

O diagrama de blocos correspondente a esse projeto é dado na figura 9.10. A função de
transferência correspondente é dada por:
" #
−W2 Ti Wv W2 KSo Wr
Tzw = . (9.24)
So GWv To Wr
v
Wv z2
W2
+
r z1
+
Wr K G
+ u
- y
Figura 9.10: Diagrama para projeto GS/T.
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
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).
Executando-se o mesmo procedimento do projeto S/KS, com Wv = [Av , Bv , Cv , Dv ],

têm-se as seguintes matrizes para a representação no espaço de estados:
     
Aw1 0 −Bw1 Dg Cv −Bw1 Cg Bw1 Bw1 Dg Dv −Bw1 Dg
 0 Aw2 0 0   0 0   B
w2

A=  , B1 =   e B2 =  .
     
 0 0 Av 0   0 Bv   0 
0 0 Bg Cv Ag 0 Bg Dv Bg
(9.25)
" #
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)
9.7.3 Projeto para Controlador com Dois Graus de Liberdade

Além dos esquemas “tradicionais”apresentados, outro de grande interesse é o que define
a matriz generalizada para o controle H∞ com dois graus de liberdade, 2-DOF (2 -
Degree of Freedom).
Controladores com dois graus de liberdade possuem a vantagem de computar, inde-
pendentemente, referências e variável controlada, sendo possı́vel definir separadamente
as especificações para rejeição a ruı́do ou perturbações e as especificações para rastrea-
mento [15, 28, 43, 49, 89, 92].
280
+
W1
z1
+
r d
+
Wr -
K G0
y
W2
z2
Figura 9.11: Diagrama para projeto de dois graus de liberdade robusto
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
sendo, K = [Kr Ke ], Sie = (I + Ke G0 )−1 , Soe = (I + G0 Ke )−1 e Ter = Soe G0 Kk .

A equação (9.28) expressa a relação usual para o projeto S/KS (segunda coluna de
Tzw ), além da especificação para rastreamento, dada pelo termo Wr − Ter .
9.8 Projeto H∞ Robusto

Enquanto os esquemas via sensitividade composta são usados para projetar contro-
ladores H∞ sub-ótimos para o sistema nominal, objetivando satisfazer determinadas
condições para as funções sensitividade, a filosofia do projeto H∞ robusto, apesar de
ser fundamentada nos mesmos princı́pios, visa calcular controladores que mantenham
explicitamente o desempenho na presença de incertezas.
A formulação da sensitividade composta (sem incertezas) tem sua motivação em
projetos nos quais deseja-se especificar uma determinada resposta (em freqüência) para
a malha fechada, geralmente advinda de problemas de rejeição à ruı́dos ou sinais de
perturbações previamente conhecidos. Neste caso, a robustez é definida pela condição
de que a norma das funções sensitividade deva ser menor ou igual a um determinado
valor.
Ao contrário, o projeto robusto trata de problemas de cálculos de controladores para
plantas incertas, sendo que as incertezas são, de alguma forma, explicitadas (por exem-
plo, plantas que variam no tempo, ou cujos modelos são incertos).
281
9.8.1 Filosofia do Projeto H∞ Robusto

Por projeto H∞ robusto entende-se o projeto de controladores que visam minimizar a
norma H∞ da malha fechada em sistemas com incertezas (geralmente não-paramétricas,
não-estruturadas), tendo como fundamento o chamado teorema do ganho pequeno (teo-
rema ?? seção ??, página ??).
Pode-se definir esse projeto como uma extensão do problema da sensitividade com-
posta ao qual acrescentam-se informações sobre as incertezas do modelo.
9.8.2 Relações para Robustez

A consideração de incertezas no projeto via sensitividade composta possibilita o acréscimo
da condição de robustez, que é a condição em que o desempenho e a estabilidade são
satisfeitas para toda a famı́lia de plantas definida pelo modelo incerto. Essa condição de
robustez (de desempenho e estabilidade) é dependente do tipo de incerteza considerada
e das relações entre as entradas e saı́das existentes no sistema.
Dada uma famı́lia de plantas, Gp (s), especificada a partir das possı́veis representações
para as incertezas presentes em sistemas LTI, do modelo nominal, G0 , e de um contro-
lador K(s), o sistema em malha fechada pode ser classificado de acordo com as carac-
terı́sticas enumeradas a seguir.
Definição 9.3 [96]
1. Estabilidade Nominal (EN):

Diz-se que um sistema possui estabilidade nominal quando K(s) estabiliza o modelo
nominal G0 .
2. Estabilidade Robusta (ER): O sistema possui estabilidade robusta se as es-

pecificações de estabilidade são satisfeitas para toda a famı́lia de plantas, Gp .
3. Desempenho Nominal (DN): O sistema possuirá desempenho nominal se as

especificações de desempenho são garantidas apenas para a planta nominal.
4. Desempenho Robusto (DR): O sistema possuirá desempenho robusto se as

especificações de desempenho são satisfeitas para toda a famı́lia de plantas, Gp .
♦
282
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.
Fatoração Coprima Gp = (M̃ + ∆M ) −1
(Ñ + ∆N ) −1
Dinâmica não modelada (altas frequências).
Erros paramétricos em baixas frequências.
Incertezas em pólos e zeros no RHP.
Aditiva Inversa Gp = (G−1
0 − ∆)
−1 Erros paramétricos em baixas frequências.
Tabela 9.2: Relações entre os tipos de incertezas e a sua ocorrência.
Relação Funções Sensitividade e Estabilidade Robusta
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
Tipo de Incerteza Teste da Estabilidade Robusta

Aditiva ||W KSo||∞ ≤ 1
Multiplicativa na entrada ||W Ti ||∞ ≤ 1
Multiplicativa na saı́da ||W So||∞ ≤ 1
Inversa na saı́da ||W So||∞ ≤ 1
Inversa na entrada ||W Si||∞ ≤ 1
aditiva inversa ||W G0So ||∞ ≤ 1
Tabela 9.3: Relação entre representação das incertezas e a função sensitividade usada
para testar a robustez da malha fechada.
9.8.4 Especificação do Projeto H∞ Robusto

No projeto H∞ robusto, além da especificação das relações entrada/saı́da, isto é, dos
esquemas da sensitividade composta, deve-se atentar para a especificação das incertezas
(tipo e representação). A seguir estes dois aspectos são analisados.
Especificação dos Esquemas para o Projeto H∞ Robusto
Para esse projeto, podem-se adotar os mesmos esquemas usados para os projetos H∞ loop
shaping, atentando-se para o fato de que a presença de incertezas modifica a estrutura
final da matriz Tzw usada no cálculo de K(s).
Especificação das Incertezas
Dentre as incertezas possı́veis (vide tabela 9.2), a incerteza multiplicativa de entrada é

a que estará sempre presente [78] uma vez que ela traduz a incapacidade de se saber
precisamente o valor da variável manipulada. Esse tipo de incerteza é chamado na
literatura de incerteza tipo dinâmica não modelada, DNM, ou incerteza tipo dinâmica
negligenciada, DN5 .
A figura 9.12 apresenta um diagrama de um sistema com uma incerteza multiplicativa
de entrada, que pode ser usada para representar uma dinâmica não modelada.
5
Skogestad e Postlethawaite [78], entretanto, diferenciam a DNM da DN, chamando a atenção para
o fato de a DNM considerar obrigatoriamente o aumento da incerteza com o aumento da freqüência.
284
Wi ∆
+ +
K + G0 W3
u
-
Figura 9.12: Esquema para projeto H∞ padrão
9.8.5 Projeto H∞ Robusto com Incerteza Multiplicativa de En-

trada
Matriz Generalizada
O esquema da figura 9.12 resulta na matriz generalizada,

" #
W3 To W3 G0 Ti
Tzw = . (9.29)
Wi KSo −Wi KSo G0
Desta forma, tem-se um problema de otimização com as ponderações W3 , relacionada
com a função T (s) e a ponderação Wi , relacionada com a representação das incertezas,
que como comentando anteriormente, poderá variar, de acordo com o maior ou menor
grau de conhecimento da planta.
Em geral, uma forma de representar Wi é partir da relação definida em [78], apre-
sentada a seguir.
Definição 9.4 Analogamente ao problema da definição dos pesos, a especificação das

incertezas tipo dinâmica não modelada é feita a partir do conhecimento da planta e
baseia-se em regras heurı́sticas, simulações e análise de experimentos no sistema real.
Entretanto, existem regras genéricas que auxiliam na especificação deste tipo de in-
certeza. Em particular, a equação (9.30) [78] apresenta uma função de transferência
para a incerteza tipo DNM:
τ s + r0
wI = , (9.30)
(τ /r∞ )s + 1
onde r0 é a incerteza relativa em estado estacionário, 1/τ indica (aproximadamente)
a freqüência onde a incerteza relativa atinge 100% (isto é, |wI (jω)| = 1) e r∞ indica
o valor da incerteza em altas freqüências. Em geral, em sistemas MIMO adota-se a
estrutura diagonal, Wi = Iwi , sendo I a matriz identidade de dimensões compatı́veis.
♦
285
Considerando que as matrizes G0 , W3 e Wi possuem realizações:

" # " # " #
Ag Bg Aw3 Bw3 Awi Bwi
G0 = , W3 = e Wi = , (9.31)
C g Dg Cw3 Dw3 Cwi Dwi
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
9.9 Solução Via Equações de Riccati

Nessa seção objetiva-se refinar os conceitos referentes as soluções via Equações de Ric-
cati apresentados no capı́tulo introdutório. Mostrar-se-ão algumas condições para a
utilização das soluções para o problema H∞ restrito via Riccati.
Define-se o problema H∞ restrito como sendo o problema de achar o controlador
K(s) tal que a norma H∞ da malha fechada seja menor que um dado número positivo,
γ, isto é:
Definição 9.5 (Problema H∞ restrito) Encontrar K(s) tal que:
||Fl (P (s), K(s))||∞ < γ, (9.32)
sendo γ um escalar positivo, P (s) a matriz generalizada e Fl a TLF entre P e K.

♦
Em geral, é comum assumir o escalar γ como sendo o ı́ndice de desempenho desejado
(em termos do valor da norma H∞ ) [18].
286
Como comentando no Capı́tulo ??, a solução é obtida a partir da representação em

espaço de estados da matriz generalizada P (s), dada por:
 
A B1 B2
P (s) =  C1 D11 D12  . (9.33)
 
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∞ :
AT X∞ + X∞ A + C1T C1 + X∞ (−γ −2 B1 B1T − B2 B2T )X∞ = 0 (9.34)
AY∞ + Y∞ AT + B1 B1T + Y∞ (−γ −2 C2T C2 − C2T C2 )Y∞ = 0. (9.35)

As equações acima terão como soluções as matrizes que formam o controlador K(s)
desde que sejam satisfeitas as seguintes condições7 :
A1 (A, B2 , C2 ) é estabilizável e detectável.
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.
A7 (A, B1 ) é estabilizável e (A, C1 ) é detectável.
6
No Apêndice ?? é apresentado o desenvolvimento matemático das equações completas.
7
O desenvolvimento matemático do Apêndice ?? requer menos restrições
287
9.10 Exemplo de Projeto de Controlador H∞ MIMO

(via Loop Shaping)
Em linhas gerais, o procedimento para se obter um controlador K(s), baseado na técnia
de Loop Shaping H∞ pode ser dado pelo seguinte algoritmo.
Procedimento para Projeto H∞ Loop Shaping
1. Determina-se o esquema a ser usado.
2. Escolhem-se as ponderações.
3. Monta-se matriz generalizada.
4. Resolve-se o problema de otimização H∞ .
5. Simula-se o resultado. Após a análise, alteram-se os pesos, caso necessário.
9.11 Exemplo de Utilização

Considere o sistema dado por:
" # " #
−3, 5757 × 1−−2 3, 5757 × 1−−2 0, 0114 0
A= ; B= . (9.38)
3, 5757 × 1−−2 −3, 5790 × 1−−2 0 0, 0022
" # " #
0 1, 0 0 0
C= ; D= . (9.39)
0 0, 0067 0 −0, 4336
Cuja matrix de transferência é dada por:
" #
1 4, 07 × 10−4 2, 2 × 10−3 s + 7, 87 × 10−5
G(s) = 2
s + 0, 07155s + 1, 18 × 10−6 2, 73 × 10−6 −0, 4336s2 − 0, 03101s + 1, 542 × 10−8
Vamos projetar um controlador H∞ pelo método do loopshaping (sensitividade com-

posta).
288
9.11.1 Resposta em Freqüência do Sistema
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
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.
• Ao escolher o esquema, atente para o tipo de controle que deseja (regulação ou

rastreamento (tracking)).
• Escolha os pesos (W1 , W2 , W3 , etc.).
• Monte a matriz generalizada (P (s)).
• Resolva o problema de sı́ntese H∞ .
Nesse exemplo, adota-se o projeto S/KS.
290
Escolha das Ponderações
• W1 será uma matriz diagonal, W1 = w1iiI, com os elementos, w1ii dados por:
s/M1ii + ω1ii
w1ii = (9.40)
s
• Sendo M1ii é o pico máximo da sensitividade S(s), ω1ii é a faixa de passagem

esperada para a malha fechada.
• W2 será diagonal, com elementos dados por:
κii s + β ii (κii /β ii )s + 1
w2ii(s) = kw2 = (9.41)
s + αii s/αii + 1
• Nesse caso, as constantes κii , β ii e αii escolhidas de acordo com a cartacterı́stica

desejada para o filtro.
Para o exemplo, tem-se:

" #
0,5s+0,02
s+4×10−8
0
W1 = 0,5s+0,2
0 s+4×10−7
" #
s+1×10−6
s+10
0
W2 = s+1×10−3
0 s+1
291
As figuras 9.16 e 9.17 apresentam as respostas em freqüência de W1 e W2 .

σ (jω)
max
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
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)
Figura 9.16: Valores singulares maximo e minimo de W1 .
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)
Figura 9.17: Resposta em freqüência do elementos 11 e 22 de W2 .
292
9.12 Como montar a matriz P (s) no MATLAB
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;
Para calcular o controlador use hinfsyn
nmeas = 2;
ncon = 2;
gmin = 0.90;
gmax = 40;
tol = 1e − 1;
ricmethd = 2;
epr = 1e − 10;
epp = 1e − 6;
quiet = 1;
[K1, gw, gf in2, ax2, ay2, hamx2, hamy2] = ∗hinf syn(P, nmeas, ncon, gmin, gmax, tol, ricmethd
, epr, epp, quiet);
293
9.13 Análise
Pode-se usar o comando sysic para montar a matriz usada na simulação (resposta ao
perfil):
% MONTA MATRIZ PARA PLOTAR

systemnames = ’G’;
sysoutname = ’Pplot’;
inputvar = ’[ref{2};u{2}]’;
input_to_G = ’[u]’;
outputvar = ’[G;u;ref-G]’;
cleanupsysic = ’yes’;
sysic;
Para criar o 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
9.13.1 Respostas Temporais
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)
Figura 9.18: Resposta temporal para a malha 1
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)
Figura 9.19: Resposta temporal para a malha 2
295
9.13.2 Análise de S(s) e W (s)

Para que o critério de robustez seja satisfeito, deve-se ter:
||W1 (s)S(s)||∞ ≤ 1
Veja os gráficos a dados em 9.20 e 9.21

σ [S(jω)] (azul) e σ [W−1(jω)] (tracejada)
max max 1
1
10
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)
Figura 9.20: σmax [S(jω) e σmax [W1 (jω)
−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)
Figura 9.21: σmin [S(jω) e σmin [W1 (jω)
296
9.13.3 Comentários
• Cada tipo de esquema e cada planta terá um ponto crı́tico para a escolha das
ponderações.
• Para se ter integrador deve se ter um sensitividade com zero na origem.
• O projeto S/KS baseia-se na inversão da planta (sı́ntese-Q).
9.13.4 Exercı́cios
1) Faça projetos de controladores H∞ MIMO para o sistema dado no exemplo anterior,
com os esquema GS/T.
2) Repita o projeto para o esquema S/KS/T.
297
Referências Bibliográficas
[1] N. Amann and F. Allgöwer, µ-suboptimal design of robustly performing con-

troller for a chemical reactor, International J. of Cont., (1994), pp. 665–686.
[2] F. Bailey and C. Hui, Loop gain-phase shaping for single-input-single-output

robust controllers, IEEE Control Systems Magazine, 11 (1991), pp. 93–101.
[3] G. J. Balas, J. C. Doyle, K. Glover, A. Packard, and R. Smith, µ-

Analysis and Synthesis Toolbox - User’s Guide, The MathWorks Inc., 1992.
[4] C. Barrat and S. Boyd, Closed-loop convex formulation of classical and singular
value loop shaping, internal report, Stanford University, September 1991.
[5] V. Besson and A. T. Shenton, An interactive parameter space method for

robust performance in mixed sensitivity problems, IEEE Trans. on Aut. Cont., 44
(1992), pp. 1272–1276.
[6] S. Bhattacharyya and L. Keel, eds., Control of Uncertain Dynamic Systems,

CRC Press, 1991.
[7] H. W. Bode, Network Analysis and Feedback Amplifier Design, Van Nostrand,
1945.
[8] S. Boyd, L. E. Ghaoui, E. Feron, and V. Balakrishnan, Linear Matrix

Inequalities in System and Control Theory, SIAM, 1994.
[9] R. D. Braatz, Robust Loopshaping for Process Control, PhD thesis, Callifornia
Institute of Technology, Passadena, California, 1993.
298
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.
[11] E. H. Bristol, On a new measure of interactions for multivariable process control,

IEEE Trans. Auto. Control, AC-11 (1966), p. 133.
[12] C.-T. Chen, Linear System Theory and Design, Holt, Rinehart and Winston, INC,
1989.
[13] , Linear System Theory and Design, Oxford University Press, terceira
edição ed., 1999.
[14] R. Y. Chiang and M. G. Safonov, H∞ synthesis using a bilinear pole shifting

transform, Journal of Guidance, Control and Dynamics, 15 (1992), pp. 1111–1117.
[15] U. Christen, Engineering Aspects of H∞ Control, PhD thesis, Swiss Federal In-
stitute of Technology, Zurich, Swiss, June 1996.
[16] U. Christen and H. P. Geering, Inverting and noninverting H∞ controllers,

Systems and Control Letters, 30 (1997), pp. 31–38.
[17] U. Christen, H. E. Mush, and M. Steiner, Robust control of distillation

columns: µ vs H∞ -synthesis, J. Proc. Cont., 7 (1997), pp. 19–30.
[18] R. D’Andrea, Generalized l2 synthesis, IEEE Trans. on Aut. Cont., 44 (6) (1999),
pp. 1146–1156.
[19] V. J. de Souza Leite, Efeitos de incertezas e acoplamentos em sistemas multi-

variáveis: Aplicação a um sistema de tanuques interativos, dissertação de mestrado,
Universidade Federal de Minas Gerais, PPGEE, Belo Horizonte, abril 1998.
[20] P. B. Desphande, ed., Multivariable Process Control, Instrument Society of

America, 1989.
[21] R. C. Dorf and R. H. Bishop, Modern Control Systems, Addison - Wesley,

eighth ed., 1998.
[22] J. C. Doyle, Analysis of feedback systems with structured uncertainties, IEE Pro-
ceedings, V129 (1982). Part D.
299
[23] J. C. Doyle, Structured uncertainty in control system design, in Proceedings of

24th Conf. on Dec. and Cont., vol. 1, IEEE, 1985, pp. 260–265.
[24] J. C. Doyle, B. A. Francis, and A. R. Tannenbaum, Feedback Control

Theory, MacMillan Publishing Company, 1992.
[25] J. C. Doyle, K. Glover, P. P. Khargonekar, and B. A. Francis, State

space solutions to standard H2 and H∞ control problems, IEEE Trans. Aut. Control,
34 (1989), pp. 831–847.
[26] J. C. Doyle and G. Stein, Multivariable feedback design: Concepts for a clas-
sical/modern synthesis, IEEE Trans. on Aut. Control, AC-26 (1981).
[27] J. C. Doyle, J. E. Wall, and G. Stein, Performance and robustness analysis

for structured uncertainty, in Proc. IEEE Conf. on Decision and Control, 1982,
pp. 629–636.
[28] J. M. Edmunds, Output response tuning of one and two-degree-of-freedom con-

trollers using an H∞ approach, Int. Journal of Control, 59 (1994), pp. 1119–1126.
[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.
[30] B. A. Francis, A Course in H∞ Control Theory, vol. 88 of Lecture Notes in

Control and Information Sciences, Springer Verlag, 1987.
[31] J. S. Freudenberg and D. P. Looze, Frequency Domain Properties of Scalar

and Multivariable Feedback Systems, vol. 104 of Lecture Notes in Control and In-
formation Sciences, Springer-Verlag, 1988.
[32] J.-P. Friang, G. Duc, and J.-P. Bonnet, Robust Autopilot for a flexible
missile: Loop-Shaping H∞ design and real µ-Analysis, International Journal of
Robust and Nonlinear Control, 8 (1998), pp. 129–153.
[33] P. Gahinet, Explict controller formulas for LMI-based H∞ synthesis, Automatica,

32 (1996), pp. 1007–1014.
300
[34] P. Gahinet and P. Apkarian, A linear matrix inequality approach to H∞ con-

trol, Int. Journal Robust and Nonlinear Control, (1994), pp. 421–448.
[35] P. Gahinet, A. Nemirovski, A. J. Laub, and M. Chilali, LMI Control

Toolbox, the Mathworks Inc., 1995.
[36] E. Gilbert, Controllability and observability in multivariable control systems,

SIAM J. Control, 1 (1963), pp. 128–151.
[37] T. Glad and L. Ljung, Control Theory: Multivariable and Nonlinear Methods,
Taylor and Francis, 2000.
[38] K. Glover, J. Sefton, and D. McFarlane, A tutorial on loop shaping using

H∞ robust stabilisation, Trans. Inst. Mes. Cont., 14 (1992), pp. 157–168.
[39] G. C. Goodwin, S. E. Graeble, and M. E. Salgado, Control System Design,

Prentice Hall, 2000.
[40] P. Grosdidier, M. Morari, and B. R. Holt, Closed-loop properties from

steady-state gain information, Ind. Eng. Chem. Fundam., 24 (1985), pp. 221–235.
[41] A. Helmersson, Methods for Robust Gain Scheduling, PhD thesis, Linköping
University, Linköping Sweden, November 1995.
[42] , Application of real-µ gain scheduling, in Proceedings of the 35th, Kobe -

Japan, December 1996, pp. 1666–1671.
[43] D. J. Hoyle, R. A. Hyde, and D. J. N. Limebeer, An H∞ approach to two

degree of freedom design, in Proceedings of the 30th IEEE Conference on Decision
and Control, Brighton, UK, 1991, pp. 1581–1585.
[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.
[45] T. Kailath, Linear Systems, Prentice-Hall, Inc, 1980.
[46] P. P. Khargonekar, I. R. Petersen, and M. A. Rotea, H∞ -optimal control

with state-feedback, IEEE Trans on Aut. Control, AC-33 (1988), pp. 786–788.
301
[47] H. Kwakernaak, Robust control and H∞ optimiztion - tutorial paper, Automat-

ica, 29 (1993), pp. 255–273.
[48] D. J. N. Limebeer and Y. S. Hung, An analysis of the pole-zero cancellations in

H∞ -optimal control problems of the first kind, SIAM J. Control and Optimization,
26 (1987), pp. 1457–1493.
[49] D. J. N. Limebeer, E. M. Kasenally, and J. D. Perkins, On the design of

robust two degree of freedom controllers, Automatica, 29 (1993), pp. 157–168.
[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.
[51] P. Lundstrom, S. Skogestad, and Z.-Q. Wang, Performance weight selection

for H∞ and µ-control methods, Trans. Inst. Meas. and Control, 13 (1991), p. 241.
[52] A. MacFarlane and N. Karcanias, Poles and zeros of linear multivariable

systems: a survey of the algebraic, geometric and complex-variable theory, Int. J.
of Control, 24 (1976), pp. 33–74.
[53] J. Maciejowski, Multivariable Feedback Design, Addison-Wesley Publishing Com-

pany, 1989.
[54] T. E. Marlin, Process Control: Design Processes and Control Systems for Dy-
namic Performance, McGraw Hill, second ed., 2000.
[55] D. C. McFarlane and K. Glover, Robust Controller Design Using Normal-

ized Coprime Factor Plant Descriptions, vol. 138 of Lecture Notes in Control and
Information Sciences, Springer-Verlag, 1989.
[56] E. T. F. Mellichamp and D. A. Seborg, Process Dynamics and Control, Jonh

Willey and Sons, 1989.
[57] M. Morari, Robust stability of systems with integral control, IEEE Trans. on Aut.
Control, AC- 30 (1985), pp. 574–577.
[58] M. Morari and E. Zafiriou, Robust Process Control, Prentice Hall, 1989.
[59] R. Nikoukhah, F. Delebecque, and L. E. Ghaoui, software scilab.

www.inria.fr.
302
[60] A. Packard and J. C. Doyle, The complex structured singular value, Automat-
ica, 29 (1993), pp. 71–109.
[61] A. Packard, J. C. Doyle, and G. Balas, Linear, multivariable robust control

with a µ perspective, Transactions of the ASME, 115 (1993), pp. 426–437.
[62] I. R. Petersen, Disturbance attenuation and H∞ optimization: A design method

based on the algebraic riccati equation, IEEE Trans. on Aut. Control, AC-32 (1987),
pp. 427–429.
[63] I. Postlethwaite, J.-L.Lin, and D.-W.Gu, A loop-shaping approach to robust

performance for siso systems, Trans. Inst. Meas. and Control, 13 (1991), p. 262.
[64] I. Postlethwaite, J. L. Lin, and D. W. Gu, Robust Control of a High Purity

Distillation Column Using µ-K Iteration, in Proceedings of the 30th Conference on
Decision and Control, 1991, pp. 1586–1590.
[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.
[66] R.E.Kalman, Mathematical description of linear systems, SIAM J. Control, 1

(1963).
[67] H. H. Rosenbrock, The stability of multivariable systems, IEEE Trans. AC, AC-
17 (1972), pp. 105–107.
[68] M. G. Safonov, Stability margins of diagonally perturbed multivariable feedback

systems, Proceedings IEE, D-129 (1982), pp. 251–256.
[69] M. G. Safonov, Imaginary-axis zeros in multivariable H∞ -optimal control, NATO

ASI Series, F34 (1987).
[70] M. G. Safonov and M. Athans, Gain and phase margin for multiloop LQG
regulators , IEEE Trans. on Automatic Control, AC-22 (1977), pp. 173–178.
[71] C. Scherer, H∞ -control by state-feedback for plants with zeros on the imaginary
axis, SIAM J. Control Optim., 30 (1992).
[72] , H∞ -optimization without assumptions on finite or infinite zeros, SIAM J.

Control Optimim, 30 (1992).
303
[73] C. Scherer, P. Gahinet, and M. Chilali, Multiobjective Output-Feedback

Control via LMI Optimization , IEEE Trans. Aut. Control, AC-42 (1997), pp. 896–
910.
[74] J. Sefton and K. Glover, Pole/ zero cancellations in the general H∞ problem
with reference to a two block design, System and Control Letters, 14 (1990), pp. 295–
306.
[75] M. M. Seron, J. H. Braslavsky, and G. C. Goodwin, Fundamental Limi-

tations in Filtering and Control, Springer-Verlag, 1997.
[76] F. G. Shinskey, Process Control Systems: Application, Design and Tuning,

McGraw-Hill International Editions, 1988.
[77] S. Skogestad, M. Morari, and J. C. Doyle, Robust control of ill-conditioned

plants: High-purity distillation, IEEE Trans. on Automatic Control, AC-33 (1988),
pp. 1092–1105.
[78] S. Skogestad and I. Postlethwaite, Multivariable Feedback Control - Analysis

and Design, John Wiley and Sons, 1996.
[79] M. Steinbuch and M. L. Norg, Advanced motion control: An industrial per-

spective, European Journal of Control, (1998), pp. 278–293.
[80] M. Steinbuch, G. Schootstra, and O. H. Bosgra, Robust control of a

compact disc player, in Proceedings of the 31st Conference on Decision and Control,
Tucson, Arizona, December 1992, pp. 2596–2600.
[81] M. Steinbuch, P. J. M. van Gross, G. Schootstra, P. M. R. Wortel-

boer, and O. H. Bosgra, µ synthesis for a compact disc player, International
Journal of Robust and Nonlinear Control, 8 (1998), pp. 168–189.
[82] G. Stephanopoulos, Chemical Process Control: An Introduction to Theory and

Practice, Prentice-Hall Intenational Editions, 1984.
[83] M. C. Tsai, E. Geddes, and I. Postlethwaite, Pole-zero cancellations and

closed-loop properties of an H∞ mixed sensitivity design problem, in Proceedings of
the 29th Conference on Decision and Control, IEEE, 1990, pp. 1028–1029.
304
[84] M. C. Tsai, G. J. M., and Postlethwaite, Pole-zero cancellations and closed-

loop properties of an H∞ mixed sensitivity design problem, Automatica, 28 (1992),
pp. 519–530.
[85] M. C. Tsai, I. Postlethwaite, and E. J. M. Geddes, Pole-Zero Cancella-

tions and Closed-Loop Properties of an H∞ Mixed Sensitivity Design Problem. Part
I: the Scalar Case. , Tec. Report 90-3, University of Leicester, March. 1990.
[86] , Pole-Zero Cancellations and Closed-Loop Properties of an H∞ Mixed Sensi-

tivity Design Problem. Part II: the Multivariable Case. , Tec. Report 90-6, Univer-
sity of Leicester, May. 1990.
[87] P. J. M. van Gross, M. Steinbuch, and O. H. Bosgra, Multivairable control

of a compact disc player using µ-synthesis, in Proceedings of the 1993 European
Control Conference, 1993.
[88] M. Vidyasagar, Control System Synthesis: A Factorization Aproach, The MIT

Press, second printing ed., 1985.
[89] D. J. Walker, On the structure of a two-degree-of-freedom H∞ loop shaping con-

troller, Int. J. of Control, 63 (1996), pp. 1105–1127.
[90] S. R. Weller, Structural Issues in Control Design for Linear Multivariable Sys-
tems, PhD thesis, The University of Newcastle, Australia, 1993.
[91] W. A. Wolovich, Linear Multivariable Systems, Springer-Verlag, 1974.
[92] I. Yaesh and U. Shaked, Two-degree-of-freedom H∞ -optimization of multivari-

able feedback systems, IEEE Trans. on Aut. Control, 36 (1991), pp. 1272–1278.
[93] P. M. Young, M. P. Newlin, and J. C. Doyle, µ analysis with real parametric

uncertainty, in Proceedings of the 30 th Conference on Decision and Control, 1991,
pp. 1251–1256.
[94] G. Zames, Feedback and optimal sensitivity: Model reference transformations,

multiplicative seminorms, and approximate inverses, IEEE Trans. on Aut. Contr.,
(1981).
305
[95] G. Zames and B. A. Francis, Feedback, minimax sensitivity, and optimal ro-
bustness, IEEE Trans. Aut. Cont., AC-28 (1983).
[96] K. Zhou, J. Doyle, and K. Glover, Robust and Optimal Control, Prentice
Hall, 1996.
306

Controle Multivariavel

Загружено:

Сведения о документе

Авторское право

Доступные форматы

Поделиться этим документом

Поделиться или встроить документ

Параметры публикации

Этот документ был вам полезен?

Это неприемлемый материал?

Авторское право:

Доступные форматы

Controle Multivariavel

Загружено:

Авторское право:

Доступные форматы

Controle Multivariável

Márcio Fantini Miranda

2 Introdução à Análise de Sistemas Lineares 30

2.9.1 Controlabilidade e Observabilidade . . . . . . . . . . . . . . . . . 53

3 Matrizes Polinomiais e Racionais 84

3.2 Matrizes Polinomiais - Introdução . . . . . . . . . . . . . . . . . . . . . . 85

4 Interação e Desacoplamento em Sistemas MIMO 122

4.14.1 Estruturas para Controladores . . . . . . . . . . . . . . . . . . . . 154

5 Alocação de Pólos em Sistemas MIMO 158

5.8 Realimentação de Estados com Estimadores . . . . . . . . . . . . . . . . 180

6 Análise de Sistemas Multivariáveis Realimentados 200

7 Restrições Fundamentais e Limites para o Desempenho e Compromis-

8 Projeto de Controladores MIMO Usando Sı́ntese Q 237

8.8.4 Fatoração Coprima Dupla . . . . . . . . . . . . . . . . . . . . . . 254

9 Projeto de Controladores MIMO na Abordagem H∞ 260

9.11.2 Procedimento . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 290

1.1 Objetivo Geral do Curso

• Considera-se, a menos que dito o contrário, sistemas contı́nuos, representados por

• Principais tópicos abordados no capı́tulo:

1. Exemplos clássicos de sistemas 2 × 2.

1.2 O Problema de Controle

Algumas colocações são pertinentes em relação a definição acima

• Comportamento Desejado: relacionado com a especificação (seja do Engenheiro,

• Viável tecnicamente: deve-se considerar um “limite”para o que se deseja.

• Incertezas: sempre presentes. Limitam o comportamento. Define um projeto

• Perturbações: sempre presentes. Se levada em conta no projeto passa a definir um

1.3 Controle Multivariável: Breve Histórico

1.3.1 Uma Definição

1.4 Sistemas MIMO

Nesse caso a função de transferência entre r1 e y1 (com u2 = 0) será:

Nesse caso, se K2 = 0, obtem-se a resposta ao degrau dada na figura 1.1.

• O resultado da operação simultânea desses controladores é dada na figura 1.2(a),

• Repare que, mesmo para r2 = 0, com o controlador K2 “ligado”, haverá alteração

• Se os ganhos são elevados (na tentativa de melhorar a velocidade da resposta), por

Figura 1.2: Respostas para diferentes sintonias de controladores multimalha.

• Considere r2 = 0 mas K2 6= 0. Compare.

• Considere r1 6= 0 e r2 6= 0, com K1 e K2 não nulos. Compare.

Alguns Problemas de Sistemas MIMO

• Zeros de malha fechada. Zeros de fase não-mı́nima (abordado no capı́tulo 3).

• Pólos de malha aberta × de malha fechada (abordado no capı́tulo 3).

• Acoplamentos (abordado no capı́tulo ??).

• Emparelhamento (abordado no capı́tulo ??).

1.6 Configurações para um Sistema 2 × 2

Figura 1.3: Diagrama esquemático de uma matriz de transferência 2 × 2. Uma planta 2 × 2

• Considere que se deseja projetar um controlador multimalha, consistindo de dois

• A figura 1.4 apresenta o resultado do controle. Repare os emparelhamentos dados

1.7.1 Resultados do Matlab

aberto, com M2 = 0, 0455

a) Obtenha os resultados das figuras 1.5 e 1.6.

d) Simule o sistema em malha fechada para referência r = 1 para ambas as malhas.

1.8 Alguns Processos MIMO

(2 × 2): (um entre vários). (Vide [78] e [56]).

• Sistema de Mistura de dois Fluidos.

FV-02 FV-07 FCV-02

1.9 Sistema Multivariáveis: Conceitos Básicos I

Define-se ainda uma matriz P dada por:

P é chamada de matriz do sistema (ou matriz de Rosenbrock).

• As equações dinâmicas descrevem uma realização do sistema fı́sico, dada pelas

• A análise de sistemas MIMO é feita a partir do conhecimento de G(s) ou P (s). Di-

1.9.2 Abordagem Entrada-Saı́da

• Associação função de transferência G(s) (ou g(s)) com MATRIZ de TRANS-

• Essa abordagem, em geral, só é estudada em alguns contextos particulares (como

• No trato com sistemas polinomiais (sejam funções ou matrizes) é importante tra-

1.10 Sistema Multivariáveis: Conceitos Básicos II