Teoría de Control I.

ANÁLISIS DE SISTEMAS DE CONTROL CON EL ESPACIO DE

ESTADO.
Bibliografía

1. Ingeniería de Control Moderna. Tomo II. K. Ogata.

2. Introduction to Linear Systems Theory. C. T. Chen.
3. Applied Nonlinear Control. J-J. E. Slotine, W. Li.

Profesor: M S c. L e o n y O r t i z M a t o s.

lortizm@ups.edu.ec
 Tema : Análisis de sistemas de control en el
espacio de estado
1.1. Introducción
La teoría de control clásica:
• Es simple y se basa en relación entrada- salida del sistema.
• Sólo es aplicable a sistemas lineales invariantes en el tiempo, SISO.
• Es un método en el dominio de la frecuencia compleja.

Pero, la tendencia moderna se inclina hacia una mayor complejidad:

• Sistemas complejos pueden ser MIMO y variables en el tiempo.

Entonces surge la teoría de control moderna:

• Se basa en el concepto de estado.
• Se aplica a sistemas lineales\no lineales, invariantes\ variables en el
tiempo, MIMO.
• Es un método en el dominio del tiempo.
 1.2. Definiciones básicas

Estado: Conjunto más pequeño de variables que estamos obligados a

conocer en t = t0, juntamente con la entrada para t  t0, para poder
determinar unívocamente el comportamiento del sistema para cualquier
tiempo t  t0.

Variable de estado: Conjunto más pequeño de variables que determinan el

estado del sistema dinámico.

Vector de estado: Vector que determina unívocamente el estado del sistema

x(t), para cualquier t  t0 , una vez especificada la entrada u(t) para t  t0
(n variables de estado son las n componentes del vector x(t)).

Espacio de estado: Espacio n-dimensional, cuyos ejes de coordenadas

consisten en el eje x1 , eje x2 , ......eje xn .Se puede representar cualquier
estado por un punto en el espacio de estado.
 1.3. Representación en espacio de estado
1.3.1. Representación del modelo de estado
Sea el sistema MIMO descrito por r entradas u1(t),...,u r(t), m
salidas y1(t),...,y m(t) y x1(t), ..., xn(t) variables de estado,

 x1 (t ) = f1 ( x1 , x2 ,  , xn ; u1 , u2 ,  , ur ; t )  y1 (t ) = g1 ( x1 , x2 , , xn ; u1 , u2 ,, ur ; t )
  y (t ) = g ( x , x ,, x ; u , u ,, u ; t )
 
(1) x2 (t ) = f 2 ( x1 , x2 ,  , xn ; u1 , u2 ,  , ur ; t ) (2) 2 2 1 2 n 1 2 r

 
  ym (t ) = g m ( x1 , x2 , , xn ; u1 , u2 ,, ur ; t )
 xn (t ) = f n ( x1 , x2 ,  , xn ; u1 , u2 ,  , ur ; t )

Si se define:
 x1 (t ) 
 x (t )   f1 ( x1 , x2 ,, xn ; u1 , u2 ,, ur ; t ) 
x(t ) =  2 , f (x, u, t ) =  
   
   f n ( x1 , x2 ,, xn ; u1 , u2 ,, ur ; t )
x
 n (t )

 y1 (t ) 
 y (t )   g1 ( x1 , x2 ,, xn ; u1 , u2 ,, ur ; t ) 
y (t ) =  2 , g(x, u, t ) =  
   
   g m ( x1 , x2 , , xn ; u1 , u2 , , ur ; t )
y
 m  (t )
 Entonces las ec. (1) y (2) serian,

(3) x(t ) = f (x, u, t ) ecuación de estado

(4) y (t ) = g (x, u, t ) ecuación de salida

Linealizando las ec. (3) y (4) alrededor del estado de operación,

(5) x(t ) = Α (t )x(t ) + B(t )u(t )

(6) y (t ) = C(t )x(t ) + D(t )u(t )

donde, A(t ) matriz de estado (n x n)

B(t ) matriz de excitación (n x r )

C(t ) matriz de salida (m x n)

D(t ) matriz de trasmisión directa (m x r )

x(t ) vector de estado (n x 1)

u(t ) vector de control (r x 1)

y (t ) vector de salida (m x 1)
Si f y g no varían con el tiempo, ent. el sistema es lineal
invariante en el tiempo, descrito por,

(7) x(t ) = Αx(t ) + Bu (t )

(8) y (t ) = Cx(t ) + Du(t )

Representación del modelo de estado

(diagrama en bloques del sistema (7) y (8):

D

u(t ) x (t ) x(t ) + y (t )
B +  C +
+

A
Ejemplo 1: Sistema mecánico SISO, masa-resorte-amortiguador.
 

k u(t) La ecuación del sistema es, m y + b y + ky = u

Las variables de estado son x1 (t ) = y (t )
m


y(t) x2 (t ) = y (t )

b obteniendo, x1 = x2

k b 1
x2 = − x1 − x2 + u
m m m
y = x1
En notación vectorial-matricial,
   0 1   x  0 
x
 = k b   1  +  1 u
1 

   − −  x2   x = Αx + Bu
 x2   m m    m  y = Cx + Du
 x1 
y = 1 0 
 x2 

 0 1  0 
A= k b B=1 C = 1 0 D=0
− m − 
m
 
m
Diagrama en bloques del sistema mecánico

x1 = x2

k b 1
x2 = − x1 − x2 + u
m m m
y = x1


u 1 x2 x2 x1 = y
m
+-  
b
+
+ m

k
m
 1.3.2. Relación entre función de transferencia y ecuaciones en
espacio de estado
Función de transferencia Ecuaciones en espacio de estado

 
)s ( G =
)s( Y 
 )1( (2)x = Αx + Bu
) s ( U  y = Cx + Du

Aplicando la transformada de Laplace a (2) y x(0)=0,

(3) sX( s) − x(0) = AX( s) + BU(s) sX( s) − AX( s) = BU(s)
( sI − A) X( s)= BU(s) X( s) =( sI − A) −1 BU(s)
(4) Y ( s) = CX( s) + DU ( s)

Sustituyendo X(s) en (4)  

Y ( s ) = C( sI − A) −1 B + D U ( s ) (5)
Comparando (1) y (5) G( s) = C( sI − A) −1 B + D

Q(s) es un polinomio en s
Q( s)
G (s) =
sI − A
sI − A ecuación característica de G(s)
Los autovalores de A son los polos de G(s)
 1.3.3. Autovalores de una matriz A de n x n

Son las raíces de la ecuación característica I − A = 0

Valores propios, raíces características

0 1 0
Ejemplo: Sea la matriz A =  0 0 1 
− 6 − 11 − 6

 −1 0
I − A = 0  − 1
6 11  + 6

= 3 + 62 + 11 + 6

= ( + 1)( + 2)( + 3) = 0
Los autovalores de A son -1, -2,-3
CONTROLABILIDAD Y OBSERVABILIDAD

Supongamos que tenemos el siguiente sistema (primer caso):

Note que el modelo está desacoplado y como C es 1x2 es imposible

ver cómo se comparan x2 (no hay problema si A no era diagonal o C
era 2x2). Esto implica que no podemos monitorear x2, por ejemplo
puede divergir hasta el infinito con resultados catastróficos para
nuestro sistema.
 CONTROLABILIDAD Y OBSERVABILIDAD

Supongamos que tenemos otro sistema (segundo caso):

Claramente estos dos modelos son diferentes. En ese caso se puede

demostrar que los 2 sistemas tienen la misma función de
transferencia y que existe una cancelación de polos y cero:

que es exactamente
lo mismo que la TF
del primer sistema,
¿qué pasa?
CONTROLABILIDAD Y OBSERVABILIDAD

Supongamos que tenemos otro sistema (tercer caso):

En este caso podemos ver cómo se comportan ambos estados, pero no

podemos cambiar u de ninguna manera para que podamos influir en x2
debido a la forma de B. Si A no fuera diagonal, seríamos capaces de
controlar x2 a través de x1.
Del mismo modo tenemos una cancelación de polos y cero en:
CONTROLABILIDAD Y OBSERVABILIDAD

Por lo tanto, en el primer caso mediante la definición correcta de u

podemos controlar ambos estados (x1 y x2), pero no podemos ver el
segundo estado (x2), mientras que en el tercer caso podemos ver
ambos estados (x1 y x2), pero no podemos controlar el segundo
estado (x2).

El primer sistema se llama inobservable y el tercero incontrolable.

La pérdida de la controlabilidad y/o la observabilidad se debe a una

cancelación de polo/cero. Estos sistemas son inaceptables y la
solución a ese problema es volver a modelar el sistema.
CONTROLABILIDAD Y OBSERVABILIDAD

Definición. Se dice que un sistema es completamente controlable si

existe una señal u (t) que permite transferir los estados iniciales del
sistema x0 = x (t0) a cualquier otro estado xtf = x (tf) en un tiempo
finito T = tf - t0.

Controlabilidad
Controlabilidad de
de estado
salida

Variación de la salida con la entrada

Variación del estado con la entrada
CONTROLABILIDAD Y OBSERVABILIDAD

Definición. A su vez se dice que el sistema es completamente

observarle si en ausencia de excitación es posible determinar el valor
de sus estados iniciales x0 = x (t0) a partir de la observación de la
salida y (t) durante un período finito de tiempo tf - t0 > 0.
CONTROLABILIDAD Y OBSERVABILIDAD

La controlabilidad de un sistema puede verificarse a partir de la

construcción de la matriz de controlabilidad:

Donde: A y B son las matrices del modelo en espacio de estados a

comprobar y n es el orden del sistema.

Según Kalman, el sistema es completamente controlable si el

rango de la matriz de controlabilidad es n.
Si su rango es de orden n - m, existirán m estados no
controlables
CONTROLABILIDAD Y OBSERVABILIDAD
CONTROLABILIDAD Y OBSERVABILIDAD

completamente controlable
CONTROLABILIDAD Y OBSERVABILIDAD

Según fuera enunciado por Kalman, la observabilidad de un sistema

puede verificarse a partir de la matriz de observabilidad:

Donde: A y B son las matrices del

modelo en espacio de estados a
comprobar y n es el orden del sistema.

Según Kalman, El sistema es completamente observable si el

rango de la matriz de observabilidad es n.
CONTROLABILIDAD Y OBSERVABILIDAD
CONTROLABILIDAD Y OBSERVABILIDAD

NO es completamente observable
CONTROLABILIDAD Y OBSERVABILIDAD

Ejercicios # 1

Dado el siguiente sistema SISO, Determine:

a) Su representación en espacio de estados

b) Su controlabilidad.
c) Su observabilidad.
CONTROLABILIDAD Y OBSERVABILIDAD

Tarea: Controlabilidad y observabilidad segun

el criterio de Gilbert