Apostila Robusto

Universidade Federal de Santa Catarina ~ Programa de Pos-Graduacao em Engenharia Eletrica Laboratorio de Controle e Micro-Informatica
Controle Robusto
Prof. Alexandre Tro no

Florianopolis, Agosto de 2000
Prefacio
Este documento pretende ser uma apostila para a disciplina de Controle Robusto da Pos-Graduac~o da a Engenharia Eletrica da Universidade Federal de Santa Catarina. A ideia basica da apostila e apresentar alguns resultados da area de Controle Robusto e Filtragem Robusta de forma simpli cada, propor exerc cios e um conjunto de refer^ncias bibliogra cas que permitam ao aluno avancar de forma orientada nos temas e em quest~o. a Os metodos de analise e projeto de ltros e controladores aqui apresentados seguem uma linha central que consiste em exprimir a soluc~o dos problemas de controle e ltragem como Desigualdes Matriciais a Lineares (LMIs). A grande vantagem de se trabalhar com LMIs e que estas desigualdes possuem propriedades importantes tais como convexidade e exibilidade para tratar problemas mistos de performance e robustez. Alem disso ja existem no mercado pacotes computacionais e cientes para se resolver problemas envolvendo LMIs. Como os problemas de controle e ltragem n~o se apresentam naturalmente sob a forma de LMIs, a algumas ferramentas matematicas s~o necessarias para se obter a respectiva formulac~o LMI do problema em a a quest~o. A apostila apresenta as ferramentas mais utilizadas, mostra como utiliza-las atraves de exemplos e a aponta uma vasta bibliogra a onde resultados relacionados podem ser encontrados. A maior parte dos resultados atualmente dispon veis nessa linha se aplicam na analise e s ntese de controladores e ltros para sistemas lineares incertos e muito resta a ser feito, principalmente no caso de sistemas h bridos e n~o lineares. Alguns resultados nessa areas s~o discutidos como topicos avancados no nal da a a apostila. Gostaria de agradecer o Daniel Coutinho e a Karina Barbosa pelo excelente trabalho de organizac~o e a confecc~o dessa apostila. Agradeco tambem o Jose de Oliveira e a Sonia Palomino pela confecc~o dos a a cap tulos sobre sistemas LPV e sistemas h bridos. Finalmente e importante lembrar que esta apostila e a primeira vers~o de um trabalho de equipe e que a certamente necessita de melhoramentos. Mas isso vira com o tempo e t~o mais rapido quanto maior for a a sua colaborac~o. a Florianopolis, 17 de Agosto de 2000. Prof. Alexandre Tro no
Conteudo
Parte I: Conceitos Fundamentais 1 Sistemas Din^micos Incertos a
1.1 Introduc~o . . . . . . . . . . . . . a 1.2 Exemplos de Sistemas Din^micos a 1.2.1 Descric~o das incertezas . a 1.3 Atividades . . . . . . . . . . . . . 1.4 Refer^ncias Complementares . . . e . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
1 3
. 3 . 4 . 5 . 9 . 10
2 Estabilidade e Performance de Sistemas por LMIs

2.1 Introduc~o . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . a 2.2 Estabilidade Quadratica . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 2.3 Inequac~es Matriciais Lineares - LMI . . . . . . . . . . . . . . . . . . . . . . . . . o 2.3.1 Propriedades de LMI . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 2.3.2 Ferramentas para a formulac~o de um problema de controle em uma LMI a 2.3.3 Problema LMI: Formulac~o e Soluc~o . . . . . . . . . . . . . . . . . . . . a a 2.4 Pacotes Computacionais . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 2.4.1 Complexidade computacional . . . . . . . . . . . . . . . . . . . . . . . . . 2.4.2 Exemplo de Aplicac~o do LMITOOL . . . . . . . . . . . . . . . . . . . . . a 2.5 Normas de Sistemas . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 2.5.1 Norma H2 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 2.5.2 Norma H1 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 2.6 Atividades . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 2.7 Refer^ncias Complementares . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . e . . . . . . . . . . . . . .
11
11 12 15 16 17 21 21 22 22 25 26 29 30 32
3 S ntese de Controladores
33
3.1 Introduc~o . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 33 a 3.2 Realimentac~o de Estados . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 33 a v
3.3 Realimentac~o de Sa da . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 41 a 3.3.1 Realimentac~o Estatica de Sa da . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 41 a 3.3.2 Realimentac~o Din^mica de Sa da . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 43 a a 3.4 Controle sujeito a restric~es . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 44 o 3.5 Atividades . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 48 3.6 Refer^ncias Complementares . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 49 e
4 Sistemas Discretos - Analise, Performance e S ntese
51
4.1 Introduc~o . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 51 a 4.2 Estabilidade Quadratica . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 51 4.3 Performance de Sistemas . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 53 4.4 Realimentac~o de Estados . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 55 a 4.5 Estabilizac~o Quadratica . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 55 a 4.6 Atividades . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 58 4.7 Refer^ncias Complementares . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 59 e
5 Estabilidade Dependente dos Par^metros a
61
5.1 Introduc~o . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 61 a 5.2 Estabilidade A m Quadratica (Matriz P ( ) a m em ) . . . . . . . . . . . . . . . . . . . . . . 62 5.2.1 Sistemas com Incertezas Invariantes no Tempo . . . . . . . . . . . . . . . . . . . . . . 63 5.2.2 Sistemas Incertos com taxa de variac~o limitada . . . . . . . . . . . . . . . . . . . . . 67 a 5.3 Estabilidade Bi-Quadratica . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 69 5.4 Atividades . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 72 5.5 Refer^ncias Complementares . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 73 e
Parte II: Conceitos Avancados 6 Sistemas LPV

6.1 Introduc~o . . . . . . . . . . . . . . . . . . . . . . . . . a 6.2 Norma H2 para Sistemas Variantes no Tempo . . . . . 6.2.1 Norma H1 para Sistemas Variantes no Tempo 6.3 Analise de Sistemas LPV . . . . . . . . . . . . . . . . 6.3.1 Estabilidade Robusta . . . . 6.3.2 Performance robusta em H2 . 6.3.3 Performance robusta em H1 6.4 S ntese para Sistemas LPV . . . . .
75 77
. . . . . . . . . . . . . . . . . . . . . . 77 . . . . . . . . . . . . . . . . . . . . . . 77 . . . . . . . . . . . . . . . . . . . . . . 79 . . . . . . . . . . . . . . . . . . . . . . 80
. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 80 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 81 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 82 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 83
6.4.1 Estabilizac~o robusta . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 83 a 6.4.2 Estabilizac~o robusta empregando norma H2 . . . . . . . . . . . . . . . . . . . . . . . 86 a 6.4.3 Estabilizac~o robusta empregando a norma H1 . . . . . . . . . . . . . . . . . . . . . . 87 a
6.5 Atividades . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 88
7 Analise de Sistemas N~o Lineares a
91
7.1 Introduc~o . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 91 a 7.2 Formulac~o do Problema . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 92 a 7.3 Representac~o por Frac~es Lineares . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 93 a o 7.3.1 Representac~o LFR . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 93 a 7.3.2 Analise de Sistemas LFR . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 94 7.3.3 Regi~o de Atrac~o . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 96 a a 7.4 Func~es de Lyapunov Polinomiais . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 98 o 7.4.1 Representac~o por Frac~es Racionais . . . . . . . . . . . . . . . . . . . . . . . . . . . . 100 a o 7.4.2 Analise de Estabilidade . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 101 7.4.3 Regi~o de Atrac~o . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 104 a a 7.5 Atividades Complementares . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 107 7.6 Refer^ncias Complementares . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 108 e
8 Analise de Estabilidade de uma classe de Sistemas H bridos
109
8.1 Introduc~o . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 109 a 8.2 Sistemas Chaveados: uma classe de Sistemas H bridos . . . . . . . . . . . . . . . . . . . . . . 110 8.2.1 Exemplos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 111 8.3 Estabilidade . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 113 8.4 Estabilidade de Sistemas H bridos baseados em LMI's . . . . . . . . . . . . . . . . . . . . . . 114 8.4.1 Func~es de Lyapunov Quadraticas por Partes . . . . . . . . . . . . . . . . . . . . . . . 114 o 8.4.2 Func~o de Lyapunov dependente do estado . . . . . . . . . . . . . . . . . . . . . . . . 117 a 8.5 Sumario . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 122
9 Problema de Filtragem Robusta
123
9.1 Introduc~o . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 123 a 9.2 Metodos Classicos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 123 9.2.1 Observadores de Luenberger . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 124 9.2.2 Filtro de Kalman . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 125 9.3 Modelagem do problema . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 127
9.3.1 Abordagem 1 . . . . . 9.3.2 Abordagem 2 . . . . . 9.4 Exemplo numerico . . . . . . 9.5 Atividades Complementares . 9.6 Refer^ncias Complementares . e
. . . . .
. . . . .
. . . . .
. . . . .
. . . . .
. . . . .
. . . . .
. . . . .
. . . . .
. . . . .
. . . . .
. . . . .
. . . . .
. . . . .
. . . . .
. . . . .
. . . . .
. . . . .
. . . . .
. . . . .
. . . . .
. . . . .
. . . . .
. . . . .
. . . . .
. . . . .
. . . . .
. . . . .
. . . . .
. . . . .
. . . . .
. . . . .
. . . . .
. . . . .
. . . . .
. . . . .
129 133 136 138 139
Parte I: Conceitos Fundamentais

Daniel F. Coutinho e Karina A. Barbosa
Cap tulo 1
Sistemas Din^micos Incertos a

1.1 Introduc~o a
Todo modelo matematico e na verdade uma aproximac~o do sistema f sico real. Consequentemente, o modelo a matematico obtido pode apresentar diferentes tipos de incertezas, decorrentes de din^micas n~o modeladas, a a incertezas parametricas, ru dos, linearizac~o, etc. Dependendo da sua origem estas incertezas podem ser a classi cadas como estruradas, n~o estruturadas, parametricas ou n~o parametricas. a a E de suma import^ncia que as incertezas sejam levadas em conta na analise e/ou projeto de controladores a para o sistema. Para tal e conveniente representar o modelo f sico por um sistema incerto, constitu do do modelo matematico (sistema nominal) mais incertezas em torno deste, sendo a analise ou projeto feita em torno do sistema incerto. Varias di culdades surgem ao se trabalhar com sistemas incertos. Uma das principais e como modelar e descrever as incertezas no problema. Incertezas descritas de forma generica podem acarretar restric~es na o busca de soluc~es. A este processo de busca de soluc~o de um problema de controle envolvendo o sistema o a nominal e uma fam lia de incertezas em torno dele, chama-se de Controle Robusto. No Controle Robusto busca-se tambem minimizar o efeito sobre certas variaveis do sistema devido a perturbac~es externas a este, o como ru dos, mudancas de temperatura, rajadas de vento, etc. Um esquema geral de um sistema de Controle Robusto pode ser visto na Figura 1.1.
Perturbac~es Externas o Refer^ncia Controlador e Controle
Planta
Parcialmente desconhecida Din^micas n~o modelaveis a a Geralmente n~o linear a Sensor Ru dos
Sa da Medida
Figura 1.1: Diagrama de Blocos de um sistema de Controle Robusto Logo, a quest~o chave em Controle Robusto e minimizar a in u^ncia das incertezas e das perturbac~es que a e o atuam no sistema. Este problema pode ser dividido em duas partes: um problema de estabilizac~o robusta a e outro de desempenho robusto. No primeiro caso, busca-se manter o sistema estavel para uma dada classe 3
CAPITULO 1. SISTEMAS DINAMICOS INCERTOS
de incertezas e, no segundo, minimizar a in u^ncia das perturbac~es externas em relac~o ao criterio de e o a desempenho escolhido. Para ilustrar como as incertezas e perturbac~es podem aparecer na modelizac~o dos sistemas, apresentamos o a a seguir dois exemplos. No primeiro, tem-se o problema de controle de posic~o de um p^ndulo invertido e a e no segundo o controle de posic~o longitudinal de um avi~o. a a
1.2 Exemplos de Sistemas Din^micos a

Exemplo 1: Controle de Posic~o de um P^ndulo Invertido. a e
O sistema mostrado na Figura 1.2 e constitu do de um p^ndulo invertido de massa uniforme m e de comprie mento 2l e de um carrinho de massa M . O movimento do sistema e de nido pela posic~o z (t) do carrinho e a o ^ngulo (t) entre o p^ndulo e o eixo vertical. a e
z(t)
0
(t)
m 2l
u(t)
cm
M
CM
Figura 1.2: P^ndulo invertido e Na modelagem matematica deste sistema considera-se a presenca de atrito entre o p^ndulo e o carrinho cm , e na roda do carrinho CM , e JM que e momento de inercia. Para evitar a formulac~o n~o linear do sistema, a a vamos simpli ca-la considerando que o ^ngulo e pequeno tal que: a
cos( ) = 1 sen( ) =
Considere que os estados do sistema s~o a
_2 = 0
xp := z; ; z; _]0 _
e a representac~o por variaveis de estados do sistema linearizado: a
xp (t) = _ y(t)
=
20 0 1 0 60 0 0 1 60 a a a 4 1 2 3
0 a4 a5 a6
3 20 7 x (t) + 6 0 7 p 6b 5 4
b2
3 7 u(t) 7 5
(1.1)
c2 0 0 0 x (t): 0 c3 0 0 p
1.2. EXEMPLOS DE SISTEMAS DINAMICOS
onde xp (t) e o vetor de estados, u(t) o vetor das variaveis de controle e y(t) o vetor de sa da, e as variaveis escalares s~o dadas por a
1 a1 = d m2 gl2; 1 cm l; a3 = d a5 = 1 cM ml; d 1 b1 = d c1 (Jm + ml2); d = (M + m)Jm + mMl2; 1 a2 = d cM (Jm + ml2 ) 1 mgl(M + m) a4 = d 1 a6 = d cm (M + m) 1 c1 ml b2 = d
(1.2)
Um conjunto de valores numericos usado neste sistema pode ser encontrado, por exemplo em 1]. Na pratica, os valores dos coe cientes de atrito cm e CM s~o incertos, ou seja tem-se apenas uma noc~o a a de que faixa de valores que eles podem assumir. Assume-se que estes dois par^metros s~o incertos com a a a seguinte variac~o : a
cm = (1 + 1 )cm e CM = (1 + 2 )CM
Com isso o sistema (1.1) pode ser reescrito como
xp (t) = A( )xp (t) + Bu(t) _ y(t) = Cxp (t)

onde
(1.3)
20 0 6 A( ) = 6 0 a0 40 1
(1 + 1 )a2 (1 + 0 a4 (1 + 1 )a5 (1 + 2 )a6
1 0
0 1
3 20 7; B = 6 0 7 6b 4 1 2 )a3 5
b2
3 7 ; C = c2 0 7 5 0 c3
0 0 0 0
(1.4)
1.2.1 Descric~o das incertezas a

Um grande problema ao se trabalhar com sistemas incertos e como tratar a incerteza na formulac~o nal a do problema, pois dependendo do tipo de incerteza, pode-se inserir mais restric~o na busca de soluc~o do a a problema. Uma primeira alternativa seria descrever os poss veis valores que a matriz A( ) pode assumir atraves de uma combinac~o convexa dos valores extremos assumidos pelas incertezas. Supondo que: a
2 B = f i : j ij
i,
i = 1; :::; qg
onde B representa um politopo 1 com 2q vertices, onde q e o numeros de incertezas no problema. Para o exemplo suponhe-se que 1 < 1 < 1 e 2 < 2 < 2 e
A( ) = A1 q1 + A2 q2 + A3 q3 + A4 q4
Com q1 + q2 + q3 + q4 = 1 e qi na Figura 1.3. 0, onde as matrizes Ai s~o constru das nos vertices do Politopo, mostrado a
1 Politopo e um conjunto convexo fechado, que pode ser representado pela combinac~o convexa dos vertices, ou por inequac~es a o matriciais, para mais detalhes sobre politopo veja 2]

A1 ( 1 ; 2 )
20 0 60 0 60 a 4 1 20 0 60 0 60 a 4 1 20 0 60 0 60 a 4 1 20 0 60 0 60 a 4 1
2
(1 + 1 )a2 (1 + 0 a4 (1 + 1 )a5 (1 + 2 )a6 1 0 1 0

1 )a2 (1 + 1 )a5 (1 + 2 )a6
1 0
0 1
3 7 7 2 )a3 5
A2 ( 1 ; 2 )
(1 0 a4 (1
0 1
3 7 7 2 )a3 5
A3 ( 1 ;
2)
(1 + 1 )a2 (1 0 a4 (1 + 1 )a5 (1 1 0
1 )a2 (1 1 )a5 (1
0 1 0 1
A4 ( 1 ;
2) =
(1 0 a4 (1
2 )a6
3 7 7 2 )a3 5
2 )a6
3 7 7 2 )a3 5
1; 2)
( 1; 2)
1;
2)
( 1;
2)
Figura 1.3: Representac~o de um politopo a Este tipo de abordagem para descrever as incertezas e conhecido como abordagem politopica e formalmente e enunciada a seguir.
De nic~o 1.2.1 A classe de matrizes A( ) com incertezas na forma politopica pode ser descrita pelo cona
junto
A = fA : A =
j X i=1
qi Ai ;
j X i=1
qi = 1; qi 0g
(1.5)
onde o conjunto A e convexo, fechado e as matrizes Ai s~o conhecidas. a
Uma caracter stica importante deste tipo de abordagem para descrever as incertezas e a convexidade do conjunto resultante, isto e, tem-se pela propriedade de convexidade que se um conjunto de restric~es de o desigualdades e igualdades estiver satisfeito nos vertices, ent~o garante-se que estas mesmas restric~es est~o a o a satisfeitas no interior da regi~o formada por estes vertices. Entretanto, surge o problema da explos~o a a
1.2. EXEMPLOS DE SISTEMAS DINAMICOS
exponencial das condic~es a serem testadas, pois ao testar, por exemplo, as condic~es para um sistema com o o 3 elementos incertos, tem-se que veri car 23 vertices, ou seja, tem-se que testar as condic~es 8 vezes. o Outra forma de declarar as incertezas, e representar o sistema por LFT 2 (Linear Fractional Transformation). Basicamente, nesta formulac~o, busca-se representar o sistema incerto atraves de um sistema invariante no a tempo interconectado a um bloco incerto, como no sistema realimentado mostrado na Figura 1.4.
w
x = A0 x + Ew _ z = Hx
Figura 1.4: Sistema LFT Assim pode-se descrever o sistema (1.3) n~o forcado, ou seja, somente a parte incerta, como: a x = A0 x + Ew _ z = Hx w = z onde 20 0 1 0 3 2 0 0 3 7 6 7 6 0 A0 = 6 0 a a0 a1 7 , E = 6 a0 a0 7 , H = 0 0 1 0 , = 01 0 40 1 2 35 4 2 35 0 0 0 1 2 a5 a6 0 a4 a5 a6
(1.6)
Em geral, o bloco incerto e uma matriz bloco diagonal, limitada em norma. Com isso a incerteza na representac~o LFT e vista como uma restric~o 3 . a a Note que esta forma de representac~o e equivalente a rede nirmos a matriz incerta A( ) da seguinte forma: a A( ) = A0 + E H . Desta forma pode-se apresentar a seguinte de nic~o a
De nic~o 1.2.2 A classe de matrizes A( ) com incerteza limitada em norma pode ser descrita pelo conjunto a
A = A( ) = fA : A = A0 + E H g onde = diag(Ii i ) i : 1; :::; q e k k .
(1.7)
Exemplo 2: Controle de Posic~o Longitudinal de uma Aeronave a

O avi~o F-8 e um projeto antigo que tem sido utilizado pela NASA no seu projeto de pesquisa \ y-by-wire", a 7]. Assumindo que a aeronave esteja voando a uma altitude constante em equil brio, podemos linearizar as equac~es aerodin^micas n~o lineares. Desta forma, desacoplamos a din^mica longitudinal da lateral, 8]. o a a a Pode-se caracterizar a din^mica longitudinal da aeronave pela seguinte escolha de variaveis , veja detalhes a na gura (1.5).
2 Mais detalhes sobre sistemas na forma LFT podem ser obtidos em 3 Veja exemplo (2.3.5).
3, 4, 5, 6].
8 (t) e a velocidade horizontal;

(t) e o ^ngulo de inclinac~o com a horizontal (\pitch angle"); a a
q(t) e a taxa de variac~o de (t); a (t) e o ^ngulo de ataque; a (t) = (t) (t) e o ^ngulo de voo. a
Para controlar o movimento longitudinal existem os \elevators", ue (t), e os \ aperons", uf (t), que s~o iguais a aos \elevators" exceto pelo movimento na mesma direc~o. a As variaveis mensuraveis s~o os ^ngulos de inclinac~o horizontal e de vô y(t) = a a a o (t) (t) .
0
Figura 1.5: De nic~o das Variaveis para a din^mica longitudinal para o F-8 a a As rajadas de vento, w(t), provocam disturbios no movimento longitudinal do avi~o, afetando primeiro o a a ^ngulo de ataque (t). Outro problema a ser considerado e a din^mica n~o modelada associada a exibilidade da estrutura do avi~o a a a ocasionando incertezas no modelo do movimento longitudinal do avi~o. a Considerando o seguinte vetor de estados
x(t) =
(t)
(t) q(t)
(t)
podemos modelar as equac~es linearizadas do movimento longitudinal do avi~o F-8 pela seguinte represeno a tac~o por variaveis de estado a
x(t) = A( ) x(t) + Bu u(t) + Bw w(t) _ y(t) = C x(t)

0
(1.8)
com u(t) = ue (t)
2 6 A( ) = 6 4
uf (t)
e 1 0 0 0:0057 (0:6 + 0:06 ) 0:0344 0 0:014 0:332311 ; C = 1 0 0 0 0 1 0 0

0
0 0 (1:5 + 0:1 ) (1:5 + 0:5 ) (12 + 1 ) (12 + 1 ) (0:8520 + 0:1 ) (0:29 + 0:1 ) 13:7508
3 2 0 7 ; B = 6 0:16 7 u 6 5 4 19
0:015
0 0:8 3 0:0087
3 7; 7 5
Bw = 0 1:71885
1.3. ATIVIDADES
A variac~o parametrica e sua taxa de variac~o ao longo do tempo, _ , est~o limitadas as seguintes regi~es: a a a o 2 f 1; 1g e _ 2 f 10; 10g. O objetivo de controle do sistema e diminuir os efeitos da perturbac~o do vento, apesar das variac~es no a o par^metro e das restric~es nas entradas de controle (saturac~o): jue (t)j ue e juf (t)j uf . a o a
1.3 Atividades
1. No exemplo (1) o efeito das perturbac~es externas n~o foi modelado. Mas na pratica sabe-se que o o a sistema sempre sofre algum tipo de perturbac~o. Considere ent~o que o sistema esta sujeito a in u^ncia a a e de uma rajada de vento, na base do carrinho de direc~o contraria a forca aplicada e de intesidade de a forca bw . Insira no modelo matematico esta perturbac~o. a 2. Considerando o sistema do exemplo (2): Obtenha a representac~o politopica. a Obtenha a descric~o na forma LFT, abaixo descrita, com incerteza limitada em norma; a
8 x = Ax + B p + B u + B w > _ p > q = C x + D p + u u +wD w < Dqu q qp qw > y = Cy x + Dypp + Dyw w > :

p= q , j j
O modelo (1.8) e uma aproximac~o linear em torno do ponto de equil brio do sistema n~o linear a a real. Como poder amos incluir neste sistema os erros entre o modelo linear e o n~o linear. a 3. Para os artigos 9, 10, 11, 12, 13, 14, 15] analise os sistemas a serem controlados com relac~o aos a seguintes itens: Modelo Linear ou N~o Linear; a Perturbac~es; o Incertezas; Restric~es no Controle; o Outras fontes de erro. 4. Considere o seguinte sistema mec^nico, visto na gura (1.6). a
F m y(t) k c
Figura 1.6: Sistema Massa-Mola-Amotecedor
10

A equac~o din^mica de movimento do sistema pode ser descrita por: a a onde y e o deslocamento vertical, m e a massa do bloco, k e a constante da mola, c e o coe ciente de amortecimento e F e a forca externa aplicada ao bloco. Suponha que os par^metros f sicos k, c, n~o s~o conhecidos exatamente, mas acredita-se pertencerem a a a a um intervalo conhecido. Em particular, o coe ciente de amortecimento c encontra-se entre += 20% do seu valor nominal c0 , e a constante da mola esta entre += 30% do seu valor nominal k0 . Introduzindo variaveis parametricas c , k 2 B = f 1; 1g, podemos rede nir c, k como
c_ k F y + my + my = m
c = c0 (1 + 0:2 c) , k = k0 (1 + 0:3 k )
Para o sistema acima, determine as representac~es politopica e na forma LFT. Considere a seguinte o de nic~o de variaveis: x1 = y, x2 = y, u = F , c = 1 e k = 2 . a _
1.4 Refer^ncias Complementares e

Alem das refer^ncias ja citadas, pode-se buscar mais informac~es a respeito de controle Robusto e sistemas e o com incertezas nos livros 16, 17, 18], nas dissertac~es de mestrado 19, 20, 21] e nos exames de quali cac~o o a 22, 23].
Cap tulo 2
Estabilidade e Performance de Sistemas por LMIs

2.1 Introduc~o a
A teoria de controle robusto evoluiu consideravelmente ao longo das ultimas decadas, apresentando soluc~es o para varios tipos de problemas de Analise, Performance e S ntese de sistemas lineares incertos. Essas soluc~es faziam uso de um ferramental diverso, envolvendo problemas de otimizac~o, teorema do pequeno o a ganho, equac~es de Riccati, valores singulares ( -analysis), func~es de ponderac~o, transformac~es lineares, o o a o teoria estat stica, entre outras. Recentemente, as inequac~es matriciais lineares (LMI) se tornaram, com o surgimento de pacotes compuo tacionais e cientes, uma excelente ferramenta na procura de soluc~es para os mais diversos problemas de o controle. Uma das grandes virtudes da abordagem LMI e a de possibilitar o tratamento simult^neo de varios a requisitos de performance e robustez. Neste cap tulo, apresentamos os conceitos basicos para formulac~o LMI na analise e performance de sistemas a lineares para os casos invariante no tempo e incerto. Para tal, este cap tulo esta dividido da seguinte maneira. Sec~o (2.2): revis~o da Teoria de estabilidade de Lyapunov, conceito de estabilidade quadratica, exema a plos de analise de estabilidade e inequac~o matricial de Lyapunov. a Sec~o (2.3): a inequac~o de Lyapunov dentro da abordagem LMI, ferramentas matematicas mais a a utilizadas para obtenc~o da formulac~o LMI e exemplos de aplicac~o. a a a Sec~o (2.4): pacotes computacionais para soluc~o de problemas LMI, complexidade computacional e a a exemplos. Sec~o (2.5): criterios de desempenho (performance) de sistemas, normas H2 e H1 de sistemas e a exemplos de determinac~o das normas por LMIs. a Sec~o (2.6): exerc cios e atividades complementares. a Sec~o (2.7): refer^ncias bibliogra cas complementares. a e
Notac~o a
Neste texto utiliza-se a notac~o usual. In indica uma matriz identidade de ordem n n, 0n m indica uma a matriz de zeros de ordem n m e 0n indica uma matriz de zeros n n. P > 0 ( 0) signi ca que P e uma matriz simetrica de nida positiva (semi-de nida positiva). A derivada temporal da func~o v(t) e simbolizada a por v(t) onde o argumento (t) sera sempre omitido. A regi~o politopica B representa os valores admiss veis _ a das incertezas. A regi~o Bx representa uma regi~o na vizinhanca da origem do espaco de estados x(t). a a 11
12
CAPITULO 2. ESTABILIDADE E PERFORMANCE DE SISTEMAS POR LMIS
2.2 Estabilidade Quadratica

A estabilidade de um ponto de equil brio e usualmente caracterizada pela teoria de Lyapunov. Intuitivamente, a estabilidade de um sistema din^mico esta relacionada com a func~o \energia" deste sistema. Se a func~o a a a energia do sistema e sempre n~o negativa e decrescente com relac~o ao tempo, as trajetorias do sistema a a tendem a origem 1 . Fazendo uma analise mais generica, a teoria de Lyapunov garante, para sistemas invariantes no tempo, que o ponto de equil brio e estavel se existe uma func~o escalar (tipo energia) v(x) tal que: a
v(x) > 0 , 8 x 6= 0 2 Bx, e v(x) < 0 , 8 x 6= 0 2 Bx _

onde Bx caracteriza uma regi~o na vizinhanca do ponto de equil brio (origem). a A caracterizac~o de estabilidade para sistemas variantes no tempo deve ser mais rigorosa que a condic~o a a acima. Considere o seguinte sistema n~o linear, variante no tempo. a
x = f (t; x) _
(2.1)
com f (t; 0) = 0, onde x representa o vetor de estados e f (t; x) : 0; 1) Rn 7! Rn satisfaz as condic~es de o exist^ncia e unicidade de soluc~o. O proximo teorema caracteriza a estabilidade segundo Lyapunov para o e a sistema (2.1), a prova e maiores detalhes sobre este teorema s~o encontrados em 24]. a
Teorema 2.2.1 (Estabilidade Segundo Lyapunov) Seja v(t; x) : 0; 1) Bx 7! R uma func~o continuamente diferenciavel e sejam 1 ( ), 2 ( ), 3 ( ) func~es a o de classe K tais que as seguintes condic~es sejam satisfeitas para todo t t0 e todo x 2 Bx. o 1 (kxk) v(t; x) 2 (kxk) v(x) _ (2.2) 3 (kxk)
Logo, as seguintes sentencas s~o verdadeiras. a A origem do sistema e Uniformemente Assintoticamente Estavel. Se existirem constantes positivas 1 , 2 , 3 , tal que 1 (kxk) 1 kxk , 2 (kxk) a 3 (kxk) 3 kxk , ent~o a origem do sistema e exponencialmente estavel.
2 kxk e
Note que, se todas as condic~es do teorema forem satisfeitas globalmente e 1 (kxk) for radialmente ilimitada, o ent~o a estabilidade da origem e global 2 . Finalmente, para sistemas invariantes no tempo, v(t; x) pode ser a escolhida independente de t e a quali cac~o uniformemente pode ser suprimida. a Uma das maiores di culdades na utilizac~o do teorema (2.2.1) e a da obtenc~o de uma func~o de Lypunov a a a adequada para representar a estabilidade de um sistema din^mico. Note que este teorema prop~em cona o dic~es apenas su cientes para estabilidade 3 e uma escolha inadequada de v(x) pode provocar um resultado o conservativo.
1 Que, sem perda de generalidade, consideraremos como sendo o ponto de equil brio de interesse do sistema din^mico. a 2 Para sistemas lineares as condic~es de estabilidade s~o sempre globais. o a 3 No caso de sistemas lineares invariantes no tempo, as condic~es s~o necessarias e su cientes. o a
2.2. ESTABILIDADE QUADRATICA
13
A classe de func~es escalares v(x) para a qual a de nic~o de sinal pode ser facilmente veri cada e a das o a func~es quadraticas o
v(x) = x0 Px
(2.3)
onde P e uma matriz constante, real e simetrica. Por exemplo, a condic~o v(x) = x0 Px > 0 para todo a x 2 Bx e equivalente a determinarmos uma matriz P = P 0 > 0. Se exisir uma matriz P satisfazendo as condic~es do teorema (2.2.1) dizemos que o sistema din^mico e quadraticamente estavel e que v(x) e func~o o a a de Lyapunov quadratica. Observe que, como estamos restringindo a classe de func~es candidatas a Lyapunov, o a estabilidade quadratica e potencialmente restritiva. O proximo corolario prop~e condic~es su cientes para analise de estabilidade de sistemas na forma (2.1) o o considerando as func~es na forma quadratica (2.3). o
Corolario 2.2.1 (Estabilidade Quadratica) Seja Bx uma regi~o na vizinhanca da origem. a

O sistema (2.1) e quadraticamente estavel se existirem escalares positivos 1 , 2 , 3 e uma matriz P simetrica tal que as seguintes condic~es estejam satisfeitas para todo x 2 Bx e todo t > t0 . o
1 x0 x v(x) _
v(x) = x0 Px 3 x0 x
2 x0 x
(2.4)
Em caso a rmativo, v(x) = x0 Px e uma func~o de Lyapunov para a origem do sistema (2.1). a
Exemplo 2.2.1 (Analise de Estabilidade de um sistema LTI)

Considere o seguinte sistema linear invariante no tempo (LTI).
x = Ax _
(2.5)
onde x representa os estados do sistema e A e uma matriz constante. Utilizando a noc~o de estabilidade quadratica, obtenha uma condic~o su ciente para a estabilidade do sistema a a (2.5).
) Soluc~o: a
Para determinarmos a estabilidade quadratica de um sistema linear invariante no tempo, devemos procurar uma func~o de Lyapunov v(x) > 0 tal que v(x) < 0. a _ Considere uma func~o quadratica, v(x) = x0 Px, e o sistema (2.5). A express~o de v(x) e dada por: a a _
v = x0 Px + x0 P x = x0 (A0 P + PA)x _ _ _
Ent~o, podemos escrever que: v(x) > 0 , 9 P = P 0 > 0 e v(x) < 0 , (A0 P + PA) < 0. a _ Logo, uma condic~o necessaria e su ciente para este sistema ser globalmente quadraticamente estavel e: a
9 P = P 0 > 0 : A0 P + PA < 0
A relac~o acima e conhecida na literatura como inequac~o de Lyapunov para sistemas lineares. a a
(2.6)
14
444
Exemplo 2.2.2 Determine analiticamente a estabilidade do seguinte sistema LTI, utilizando as condic~es o propostas no exemplo anterior. x1 _ 1 0 x1 (2.7) x2 = 0 1 _ x2
Considere a func~o de Lyapunov: v(x) = x0 Px com P dado por: a P= a 0 0 b
) Soluc~o: a
O sistema (2.7) e quadraticamente estavel se:
9 a > 0, b > 0 tais que A0 P + PA < 0 )
1 0 a 0 + a 0 1 0 = 0 1 0 b 0 b 0 1 a 0 + a 0 = 2a 0 < 0 0 b 0 b 0 2b Isto e, 9 P = P 0 > 0 8 a; b > 0 tal que A0 P + PA < 0, assegurando a estabilidade do sistema.
Logo, o sistema LTI (2.7) e quadraticamente estavel.
444
Exemplo 2.2.3 (Sistema Linear a Par^metro Variante - LPV) a

Um sistema linear variante no tempo (LTV) e um sistema linear governado por equac~es de estado na forma o
x = A(t)x + B (t)u _ y = C (t)x + D(t)u onde as matrizes da representac~o, A(t), B (t), C (t), D(t), dependem do tempo. a
(2.8)
A busca de soluc~o para problemas nesta representac~o, exige o conhecimento da depend^ncia temporal e a a e da representac~o de estados fA(t); B (t); C (t); D(t)g, para uma soluc~o geral em tempo real. Devido a esta a a di culdade, a representac~o de sistemas nesta formulac~o n~o apresenta grande interesse pratico, 22]. a a a Visando solucionar problemas de controle de sistemas LTV, podemos parametrizar a depend^ncia temporal e das matrizes A, B , C e D. Os sistemas que admitem esta parametrizac~o s~o conhecidos como lineares a a a par^metro variante (LPV) e s~o apresentados a seguir. a a
x = A( (t))x + B ( (t))u _ y = C ( (t)) + D( (t))u
(2.9)
onde (t) representa o vetor de par^metros incertos, limitados a um conjunto de valores admiss veis B 4 . a Note que:
4 Em alguns casos os valores da taxa
de variac~o, _ (t), tambem s~o limitados a uma dada regi~o de valores admiss veis. a a a
2.3. INEQUACOES MATRICIAIS LINEARES - LMI
15
Esta representac~o n~o e generica mas existem inumeros problemas praticos que admitem esta formua a lac~o. a A depend^ncia temporal da representac~o de estado aparece atraves da depend^ncia parametrica (t). e a e Os sistemas LPV admitem uma representac~o politopica ou limitada em norma. a O sistema (2.9) n~o forcado, u(t) = 0, e quadraticamente estavel se existe uma matriz P simetrica, de nida a positiva, tal que a seguinte condic~o seja satisfeita para todo 2 B : a
A( )0 P + PA( ) < 0 , 8 2 B
(2.10)
Em caso a rmativo, v(x) = x0 Px e uma func~o de Lyapunov para a origem do sistema (2.9) n~o forcado. a a
444
Observe que a condic~o proposta no exemplo (2.2.3) e um problema de dimens~o in nita. Entretanto, como a a veremos a seguir, este problema torna-se um problema fact vel de dimens~o nita. A determinac~o numerica a a de func~es de Lyapunov para sistemas incertos pode ser obtida atraves do \framework" LMI, sec~o (2.3). o a
2.3 Inequac~es Matriciais Lineares - LMI o

O uso de Inequac~es Matriciais Lineares(LMIs), na teoria de controle comecou a se desenvolver apartir da o decada de 80, com a criac~o e aperfeicoamento de algoritmos de otimizac~o convexa, como pontos interiores. a a A partir de ent~o muitos dos resultados usuais da teoria de controle e sistemas, est~o sendo reescritos como a a LMIs. Veja por exemplo 25, 26]. Mas o que e uma LMI? LMIs s~o Inequac~es Matriciais Lineares, cuja sigla vem do Ingl^s \ Linear Matrix Inequalities". Matemaa o e ticamente ela e de nida como:
De nic~o 2.3.1 Uma LMI tem a seguinte estrutura a

F (x) = F0 +
m X i=1
xi Fi > 0
(2.11)
onde x = (x1 ; x2 ; :::; xm ) e o vetor de variaveis de decis~o; Fi 2 Rn n para i = 0; :::; m s~o matrizes a a simetricas dadas.
Normalmente uma LMI n~o aparece na forma (2.11), mais sim na forma matricial como a inequac~o de a a Lyapunov (2.6). Para reescrever esta inequac~o na forma (2.11), busca-se encontrar os valores de Fi tal que: a
F (P ) = A0 P + PA = F0 +
xi Fi xi = fPkj ; :::Pnn g
(2.12)
No exemplo a seguir, note que a transposic~o da forma (2.11), para a forma matricial e apenas uma quest~o a a de notac~o. Entretanto, esta transformac~o n~o e necessaria, ja que a forma matricial e a forma padr~o de a a a a entrada dos pacotes computacionais existentes.
16

x= _
Exemplo 2.3.1 Considere
1 1 x (2.13) 1 2 pela condic~o de estabilidade de Lyapunov este sistema sera estavel se 9P > 0 tal que V (x) = x0 Px > 0 com a P _ P > 0 e V (x) = x0 (A0 P + PA)x < 0, onde P = P10 P2 . 2 P4 Fazendo x1 = P1 ; x2 = P2 ; x3 = P20 ; x4 = P4 ; em (2.12) tem-se que 1 1 0P +P 1 2 1 1 = F + P F + P (F + F ) + P F 0 1 1 2 2 3 4 4 1 2
Resolvendo a multiplicac~o matricial em (2.12) e igualando com (2.11) obtem-se a F1 = 12 1 ; F2 = 1 13 ; 0 0
F3 =
1 0 ; F = 0 1 4 3 1 1 2
444
Note que um conjunto de n LMIs pode ser visto como uma unica LMI. Por exemplo, procurar a soluc~o de a F1 (x) > 0, F2 (x) > 0, ... Fn (x) > 0 e equivalente a procurar a soluc~o para a F (x) = diag(F1 (x); : : : Fn (x)) > 0; onde diag(F1 (x); : : : Fn (x)) e uma matriz bloco diagonal com F1 (x); : : : Fn (x) na diagonal. Mas qual a vantagem em se ver um problema de controle como uma LMI? Uma das facilidades no uso de LMIs na teoria de controle e a exist^ncia de pacotes computacionais para a e sua soluc~o numerica de forma e ciente. Outro ponto de suma import^ncia e que na abordagem LMI a busca a a de soluc~es para problemas mais complexos, principalmente quando ha presenca de elementos incertos, pode o ser simpli cada devido as propriedades de convexidade e linearidade.
2.3.1 Propriedades de LMI

Linearidade Na realidade a func~o F (x) e uma func~o a m, pois em (2.11) para x=0 tem-se F (0) = F0 . Mas a a tornou-se usual chama-la de LMI pois tem-se que esta inequac~o a m pode facilmente ser transposta a numa inequac~o linear pela simples troca de coordenadas. Para mais detalhes veja 21, 2]. a Convexidade
De nic~o 2.3.2 Um conjunto X e convexo se 8x; y 2 R e todo com 0 a x + (1 )y 2 X
< 1 tem-se
5 O contrario n~o e verdade, pois nem todo conjunto convexo e a m, veja por exemplo o caso de um cubo no R , que e a convexo mas n~o a m. a
n
Ou seja um conjunto X sera convexo se para quaisquer dois pontos x e y 2 X o segmento de reta unindo estes pontos tambem pertenca a este conjunto. Pela teoria dos conjuntos tem-se que todo conjunto a m sera sempre convexo 5 . Ent~o tem-se que o a conjunto soluc~o de uma LMI sendo a m e tambem convexo. Note que uma LMI sera tambem convexa a nos dados se as matrizes Fi s~o a ns em . a
17
A caracter stica de convexidade e das mais importantes propriedades das LMI, pois facilita, principalmente, a busca de soluc~o para sistema incertos. Por exemplo, considere que no exemplo anterior a matriz A na a equac~o (2.13) dependa de , ou seja, a A( ) = 1 +1 12 Estamos interessados em analisar a estabilidade deste sistema, considerando que as incertezas estejam descritas na forma politopica, para tal considere que 2 B = f min max g. Note que para veri car a estabilidade deste sistema temos que testar a condic~o de Lyapunov (2.6) para todos os valores de 2 B , a ou seja, encontrar uma matriz positiva de nida P tal que
8 2 B : A( )0 P + PA( ) < 0
Note que este e um problema de dimens~o in nita, de di cil soluc~o. Mas como a matriz A( ) e a m em a a e aparece de forma linear na inequac~o de Lyapunov, pode-se pela propriedade de convexidade testar a a condic~o acima apenas para os vertices da regi~o B . Ou seja, se existe uma matriz P > 0 tal que a a
A( min )0 P + PA( min ) < 0 A( max )0 P + PA( max ) < 0
garantimos, assim, que para toda a regi~o B o sistema sera estavel e v(x) = x0 Px sera uma func~o de a a Lyapunov para o sistema.
2.3.2 Ferramentas para a formulac~o de um problema de controle em uma LMI a

Nem todo resultado da teoria de controle aparece diretamente na forma de uma LMI, como a equac~o de a Lyapunov. Mas algumas ferramentas da algebra matricial ajudam a transpor estes resultados para uma formulac~o LMI. As ferramentas mais utilizados durante este curso ser~o enunciadas nesta sec~o, outros a a a resultados podem ser visto em 25].
Complemento de Schur
O Complemento de Schur e um resultado da Teoria de Matrizes, que ajuda na transformac~o de inequac~es a o n~o lineares para a forma de LMI. Muitos dos resultados ja existentes da teoria de controle s~o postos na a a forma LMI, pelo aplicac~o deste resultado. a
De nic~o 2.3.3 (Complemento de Schur) Sejam Q; R; S matrizes de dimens~es compat veis, com Q, a o R simetricas. Ent~o as seguintes condic~es s~o equivalentes para o: a o a
caso estrito
Q S 1 0 S 0 R > 0 () R > 0; Q SR S > 0

caso n~o estrito a
(2.14)
Q S S0 R
0 () R 0; Q SR+ S 0 0; S (I RR+ ) = 0
(2.15)
onde R+ e a pseudo-inversa da matriz R.
A prova deste resultado pode ser vista em 25]
18

x = Ax + Bu _ y = Cx
Exemplo 2.3.2 Considere a desigualdade matricial para veri car a performance H1 do seguinte sistema:
dada por
A0 P + PA + PBB 0 P + C 0 C < 0
(2.16)
com P = P 0 > 0; sendo as variaveis. Perceba que a inequac~o (2.16) n~o e linear em P . Aplicando o a a complemento de Schur com:
Q = A0 P + PA + C 0 C S = PB R= I
Obtem-se a seguinte LMI equivalente a (2.16)
A0 P + PA + C 0 C PB < 0 B0P I
(2.17)
444
S-Procedure
O S-Procedure e empregado para se obter uma formulac~o LMI para a seguinte classe de problemas. a Garantir que : f1 (x) > 0 8x : f2 (x) 0 O caso de desigualdades estritas sera apresentado a seguir. O caso de desigualdades n~o estritas pode ser a encontrado em 25].
De nic~o 2.3.4 (S-Procedure) Sejam T0; ::::; Tp 2 Rn n matrizes simetricas, considere a seguinte cona
dic~o em T0 ; ::::; Tp : a
T T0
> 0 8 6= 0 e T Ti
p X i=1
0; i = 1; :::; p:
(2.18)
Ent~o (2.18) e veri cada se existem escalares i > 0 tais que a
T0
i Ti > 0
(2.19)
Alem disso (2.19) e (2.18) s~o equivalentes quando p = 1. Quando Ti s~o func~es a ns de um conjunto de a a o par^metros a condic~o (2.19) ainda implica (2.18). a a
Exemplo 2.3.3 O seguinte problema surge em sistemas incertos com incertezas limitadas em norma. Para
mais detalhes sobre este tipo de restric~o veja o Cap. 5 de 25]. a

O problema e encontrar P tal que:
0 A0 P + PA PB B0P 0
19
<0, 8 : 0
0C 0C
(2.20)
A primeira restric~o em e pode ser reescrita como: a

0
CC 0 0 0 I
0 0 tal que:
(2.21)
Aplicando S-Procedure a restric~o 2.20 e equivalente a exist^ncia de a e
A0 P + PA + C 0 C PB < 0 B0P I
que e uma LMI em P e .
444
Lema de Finsler
O resultado a seguir e uma particularidade do Lema de Finsler 25]. Este resultado sera bastante utilizado para a eliminic~o de variaveis no caso de sistemas com par^metros incertos e tambem no caso de sistemas a a n~o lineares. a
De nic~o 2.3.5 (Lema de Finsler - Particularidade) Dada a matriz simetrica a dimens~es compat veis e seja X uma matriz tal que Ca X = 0. Ent~o tem-se que o a
x0 x < 0
se e somente se 9 L tal que
0 + LCa + Ca L0 < 0
e a matriz Ca de
(2.22) (2.23)
Exemplo 2.3.4 O tipo de restric~o a seguir aparece no problema de analise da estabilidade de sistemas a
Descritores 27]. Encontre P tal que:
0 x 0 J1 P + PJ1 J2 P 0 z PJ2 0
x < 0; 8 x : J J 3 4 z z
x =0 z
(2.24)
Aplicando o lema de Finsler, obtem-se a representac~o LMI: a

0 J1 P + PJ1 J2 P + L J J + J J 0 L0 3 4 3 4 0 PJ2 0
(2.25)
444
20
D-G scaling
Este resultado foi proposto inicialmente em 28]. Sera apresentada aqui a forma proposta por 29]. Esta tecnica permite tratar de forma convexa problemas com restric~es de estrutura do tipo Limitada em Norma, o ou seja,veri car se f (p; q) > 0 8 p; q : p = q; j j onde p; q s~o vetores auxiliares, um escalar cujo modulo e limitado por . a
De nic~o 2.3.6 (D-G scaling) Seja p 2 Rk e q 2 Rk . Ent~o existe um escalar tal que a a
p= q 8 j j
se e somente se existem matrizes D; G 2 Rni ni tais que
p0 Dp 2 q0 Dq; D > 0 p0 Gq q0 Gp; G = G0 ;
(2.26)
O resultado acima permite transformar restric~es do tipo limitada em norma em desigualdades do tipo o (2.26), que podem ser tratadas pelo S-procedure
Exemplo 2.3.5 Considere o sistema LPV, abaixo descrito

x = Ax + Bp _ q = Cx + Dp p= q , k k x 0 A0 P + PA p B0P
1
(2.27)
onde a matriz representa os par^metros incertos do sistema na forma = diagfIi i g. O sistema (2.27) a e estavel se existir uma matriz P > 0 simetrica que satizfaca a seguinte condic~o: a
PB
0
x <0, 8k k p
(2.28) 0 aplicando a tecnica do (2.29)
A limitac~o em norma pode ser transformada em uma condic~o do tipo 0 F ( ) a a DG Scaling: 2 p0 Sp q0 Sq , S = S 0 , S > 0 0 Gq q0 Gp = 0 , G = G0 p
onde S , G s~o bloco diagonais com a mesma estrutura de . Considerando que q = Cx + Dp, a express~o a a (2.29) pode ser reescrita na forma
x 0 p
C 0 SC 0 SC GC ) (D A0 P + PA + C 0 SC (B 0 P + D0 SC GC )
(D0 SD
(C 0 SD + C 0 G) 2 S + D0 G GD)
x p
(2.30)
Aplicando o S-Procedure, a condic~o (2.28) e reescrita na seguinte formulac~o LMI: a a
(D0 SD
(PB + C 0 SD + C 0 G) 2 S + D0 G GD) < 0
444
2.4. PACOTES COMPUTACIONAIS
21
2.3.3 Problema LMI: Formulac~o e Soluc~o a a

Um problema LMI pode ser dividido em tr^s categorias. e Problema de Factibilidade Encontrar a soluc~o x tal que a
F (x) > 0
Problema de minimizac~o de uma func~o objetivo linear: a a Encontrar a soluc~o x tal que a minx h(x) F (x) > 0 sujeito a G(x) = 0 Problema de minimizac~o de autovalores generalizados 6 a Encontrar a soluc~o x tal que a min sujeito a (2.31)
8 A(x) < B(x) < (x) > 0 : B(x) < 0 C
(2.32)
onde h(x), F(x), G(x), A(x), B(x) e C(x) s~o func~es a ns em x. a o A busca da soluc~o numerica para estes problemas e uma problema de Programac~o Semi De nida(SDP). a a Diversos pacotes computacionais tem sido testados para a soluc~o deste problema. Na proxima sec~o tem-se a a uma rapida vis~o sobre os pacote computacionais existentes para a soluc~o de SDP. a a
2.4 Pacotes Computacionais

Com o surgimento de algoritmos de pontos interiores para a soluc~o de problemas de otimizac~o convexa, a a tornou-se poss vel solucionar numericamene LMIs de forma mais rapida e e ciente. Desde ent~o muitas pesquisas vem sendo desenvolvidas para a criac~o ou melhora de pacotes computacionais a a para a soluc~o de problemas de otimizac~o convexa. Os pacotes computacionais mais conhecidos para a a a soluc~o de LMIs s~o a a LMIlab presente no Matlab que usa o Metodo Projetivo, criado por Nesterov e Nemirovskii 30] para a soluc~o do problema. Mais detalhes sobre o LMIlab podem ser obtido em 31]. a LMITOOL presente no Scilab e Matlab que usa o Metodo Primal-Dual desenvolvido por 32] . Alem destes dois metodos de soluc~o existem novas abordagens, que buscam melhorar estes algoritmos, a buscando principalmente uma melhor e ci^ncia do metodo para sistemas esparsos. Mais detalhes sobre estes e metodos podem ser vista em 26]. Neste curso, iremos utilizar o LMITOOL, do Scilab para a soluc~o de LMIs. Mais detalhes sobre o LMITOOL a podem ser obtido no site: www.rocq.inria.fr/scilab Um exemplo da aplicac~o do LMITOOL e dada no nal a desta sec~o. a
6 Este e uma problema de otimizac~o quasi convexa a
22
2.4.1 Complexidade computacional

Como ja salientamos, umas das mais importantes vantagens no uso de LMI e a exist^ncia de pacotes compue tacionais para a sua soluc~o. Mas como todo problema de otimizac~o convexa, ou SDP(programac~o semia a a de nida ), pode-se ter di culdades numericas na busca de soluc~es de uma LMI. o Algumas destas di culdades podem ocorrer devido ao mal condicionamento numerico dos dados, capacidade de memoria das maquinas, erros de precis~o. a Outro grande problema e o esforco computacional necessario para solucionar as LMIs. Grandes progressos foram feitos com o uso de algoritmos de pontos interiores para a sua soluc~o, garantindo a soluc~o do a a problema em ordem polinomial, ao inves da ordem exponencial dada por outros algoritmos. Uma aproximac~o da ordem de grandeza do numero de operac~es e dada por: a o Primal dual: O(m L ) Projetivo: O(Lm3 log(V= )) onde m e o numero de variaveis e L e o numero de LMIs e = 2:1 e = 1:2. Perceba que o numero de operac~es para a soluc~o do problema via LMI, e dependente do numeros de LMIs e do numeros de variaveis o a a ser buscada. Os softwares hoje existentes s~o capazes de manipular algumas centenas de variaveis de a decis~o. a
2.4.2 Exemplo de Aplicac~o do LMITOOL a

Para exempli car o uso do LMITOOL do scilab, considere o caso de analise da estabilidade do seguinte sistema: x = A( )x _ onde
A( ) = 1 +1 1
1 2+ 2
(2.33)
Busca-se veri car para que valores de i 2 B f i : j i j < i g o sistema sera quadraticamente estavel. Em muitos casos e de interesse pratico obter uma func~o de Lyapunov que tenha um sinal de energia m nimo. a Aqui so para ilustrar, vamos supor que a matriz P da func~o de Lyapunov deva ter os autovalores mais a proximos poss veis de 1. ) Soluc~o: a Considere primeiro o caso nominal, ou seja, i = 0. Aplicando a inequac~o de Lyapunov para veri car a estabilidade busca-se encontrar P > 0 tal que a v(x) = x0 Px > 0 e v (x) < 0. Para aproximar P da identidade, buca-se minimizar o traco(P) para _ P I. O programa para soluc~o desta problema e listado a seguir: a
function p]=lyap(A) // Generated by lmitool on Mon Nov 10 16:19:05 EDT 1997 Mbound = 1e3; abstol = 1e-10; nu = 10; maxiters = 100; reltol = 1e-10;
2.4. PACOTES COMPUTACIONAIS

options= Mbound,abstol,nu,maxiters,reltol]; ///////////Dados ///////////DEFINE INITIAL GUESS AND PRELIMINARY CALCULATIONS BELOW p_init=eye(A); /////////// XLIST0=list(p_init) XLIST=lmisolver(XLIST0,lyap_eval,options) p]=XLIST(:) /////////////////EVALUATION FUNCTION//////////////////////////// function LME,LMI,OBJ]=lyap_eval(XLIST) p]=XLIST(:) /////////////////DEFINE LME, LMI and OBJ BELOW LME=list() LME(1)=p-p'; LMI=list() LMI(1)=-(A'*p+p*A); LMI(2)=p-eye(p); OBJ=trace(p)
23
E a sa da do programa e
p]=lyap(A) Construction of canonical representation Basis Construction FEASIBILITY PHASE. primal obj. dual obj. 1.00e-05 -1.25e+03 -1.49e+03 -1.49e+03
dual. gap 1.49e+03 2.41e+02
Target value reached feasible solution found OPTIMIZATION PHASE. OPTIMIZATION PHASE. primal obj. 3.51e+03 1.37e+02 1.12e+01 1.00e-00 7.88e-02 ... 1.30e-08 dual obj. -1.75e+02 -6.19e+00 -6.08e+00 -7.20e-01 -2.45e-01 .... -2.18e-08 dual. gap 3.69e+03 1.43e+02 1.73e+01 1.72e+00 3.24e-01 .... 3.48e-08
24
1.27e-09

-1.70e-09 2.97e-09
optimal solution found p = ! ! 1. 5.683E-10 5.683E-10 ! 1. !
Agora vamos analisar a estabilidade para o sistema incerto. Tem-se que achar para que valores de i , o sistema continua quadraticamente estavel. Como vimos no Cap tulo 1, pode-se descrever as incertezas de duas formas, atraves da abordagem politopica ou da Limitada em Norma. A soluc~o para a abordagem Politopica sera dada a seguir. O a caso de incertezas na forma Limitada em Norma cara como exerc cio.
O problema e encontrar para que valores de e o sistema continua quadraticamente estavel. Veja que como tem-se 2 par^metros incertos, testa-se a LMI: A0 P + PA < 0 para a combinac~o dos a a vertices. Ou seja 2 par^metros incertos, tem-se 22 = 4 LMIs para serem resolvidas conjuntamente. a
function p]=lyappoli(a,b) // Generated by lmitool on Mon Nov 10 16:19:05 EDT 1997 Mbound = 1e3; abstol = 1e-10; nu = 10; maxiters = 100; reltol = 1e-10; options= Mbound,abstol,nu,maxiters,reltol]; ///////////Dados A=list() A(1)= -1 1;1+a -2+b]; A(2)= -1 1;1+a -2-b]; A(3)= -1 1;1-a -2-b]; A(4)= -1 1;1-a -2+b] ///////////DEFINE INITIAL GUESS AND PRELIMINARY CALCULATIONS BELOW p_init=eye(A(1)); /////////// XLIST0=list(p_init) XLIST=lmisolver(XLIST0,lyappoli_eval,options) p]=XLIST(:) /////////////////EVALUATION FUNCTION//////////////////////////// function LME,LMI,OBJ]=lyappoli_eval(XLIST) p]=XLIST(:) /////////////////DEFINE LME, LMI and OBJ BELOW LME=list() LME(1)=p-p'; LMI=list() LMI(1)=-(A(1)'*p+p*A(1)); LMI(2)=-(A(2)'*p+p*A(2)); LMI(3)=-(A(3)'*p+p*A(3)); LMI(4)=-(A(4)'*p+p*A(4)); LMI(5)=p-eye(p); OBJ=trace(p)
Abordagem Politopica Considere que j 1 j < e j 2 j < .
2.5. NORMAS DE SISTEMAS

Assim obtem-se
optimal solution found p = ! 1.1783701 ! - 0.0151278 - 0.0151278 ! 1.001283 !
25
com = 0:4 e = 0:59.
444
Alem do problema de analise da estabilidade, outro problema e garantir que o sistema tenha algum tipo de performance garantida. Esta classe de problemas pode ser tambem resolvida atraves de LMIs, como sera visto na proxima sec~o. a
2.5 Normas de Sistemas

Um dos principais objetivos dos sistemas de controle e o de atingir certas especi cac~es de performance alem o de garantir a estabilidade interna. Certamente, uma medida da energia de determinados sinais de interesse e uma das maneiras mais utilizadas para atender os requisitos de performance, pois podemos ter uma ideia do grau de in u^ncia da perturbac~o externa sobre a sa da de interesse (ou variavel de performance). e a Relembrando que: as perturbac~es consistem de disturbios externos (temperatura ambiente, rajadas de vento, etc.) e o ru dos de medic~o, a os componentes da variavel de performance s~o todos os sinais os quais desejamos controlar ou que a fornecam alguma informac~o importante para a din^mica do sistema (sinal de erro, sinal de controle, a a etc.), o objetivo nesta sec~o e veri car se a variavel de performance se mantem pequena na presenca do sinal de a perturbac~o. a Considere a seguinte classe de sistemas LTI
x = Ax + Bw w _ z = Cx + Dw w
(2.34)
com x 2 Rn denotando o vetor de estados, w 2 Rr denotando o vetor das entradas de pertubac~o e z 2 Rq a denotando o vetor das sa das de interesse. Para este sistema o operador perturbac~o/sa da de interesse 7 a Gwz e dado por: Gwz (s) = C (sI A) 1 Bw + Dw . Portanto, a performance do sistema depende do tamanho do operador entre w(t) e z (t), que denotaremos por Gwz . Uma quest~o que se coloca e: Como medir o tamanho do operador Gwz ?. As duas maneiras mais comuns e a com signi cado f sico para quanti car o tamanho de sistemas s~o as normas H2 e H1 . Na sequ^ncia desta a e sec~o, apresentamos as de nic~es de norma H2 e H1 para sistemas lineares invariantes no tempo (LTI). a o Para tal, vamos primeiro de nir a classe de sistemas a ser considerada nesta sec~o. a
7 No caso
monovariavel e a propria func~o de transfer^ncia. a e
26
2.5.1 Norma H2
Quando as perturbac~es que afetam o sistema s~o sinais de forma conhecida, e poss vel representa-las como a o a sa da de um sistema din^mico excitado por um impulso, logo esta din^mica pode ser incorporada ao operador a a Gwz (s). Desta forma, podemos considerar que o sistema Gwz (s) e excitado por sinais w(t) impulsionais e de nir a norma H2 de Gwz (s) como sendo a energia da resposta ao impulso que e a energia do sinal de sa da z (t). Observe que para esta de nic~o de norma H2 , a energia de sa da z (t) sera nita se assumirmos que o sistema a (2.34) e estritamente proprio e estavel, isto e, a matriz A e Hurwitz e Dw 0. Na sequ^ncia formalizamos e este conceito de norma.
De nic~o 2.5.1 (Norma H2 de Sistemas) a A norma H2 do operador entrada/sa da, Gwz (s), e de nida como
kGwz k2 =
sZ 1
0
traco g(t)0 g(t)] dt
(2.35) 0 e g(t) = 0 para 1 < t < 0.
onde g(t) e a resposta impulsiva do sistema (2.34) com A Hurwitz, Dw
A norma H2 de sistemas esta relacionada com a teoria de estabilidade de Lyapunov. Esta relac~o nos permite a calcular a norma kGwz k2 atraves de condic~es LMI. o Considere a condic~o de estabilidade (2.6) para sistemas LTI reescrita na seguinte maneira: a (2.36) A soluc~o da express~o (2.36), conhecida como equac~o de Lyapunov para sistemas lineares, e dada por 8 : a a a Dada uma matriz Q = Q0 > 0 9 P = P 0 > 0 : A0 P + PA = Q
P :=
Z1
0
eA t Q eAt dt
0
(2.37)
Na de nic~o (2.5.1) da norma H2 , o operador entrada/sa da tem a forma Gwz (s) = C (sI A) 1 Bw e sua a resposta impulsiva 9 e dada por g(t) = CeAt Bw . Ent~o, podemos escrever que a
kGwz k2 = 2
Z1
0
0
traco Bw
0
eA t C 0 CeAt Bw
0
dt = traco Bw
0
Z1
0
eA t C 0 CeAt dt Bw
0
Note que o termo 01 eA t C 0 CeAt dt, conhecido como Gramiano de Observabilidade, e uma soluc~o para a a equac~o de Lyapunov (2.36) com Q = C 0 C 0. Logo, podemos determinar a norma H2 por: a
kGwz k2 = traco Bw Po Bw 2
0
(2.38)
onde Po e a soluc~o da equac~o A0 Po + Po A + C 0 C = 0. a a A comutatividade da func~o traco, isto e: traco h(t)0 h(t)] = traco h(t)h(t)0 ], nos permite calcular a vers~o a a Dual para a norma H2 pelo Gramiano de controlabilidade, da seguinte maneira.
kGwz k2 = traco C 2
8 Veja maiores detalhes em 24]. 9 Considerando condic~es iniciais nulas. o
Z1
0
eAt Bw Bw eA t dt C 0 = traco CPc C 0 ]

0 0
(2.39)

0
27
onde Pc e a soluc~o da equac~o APc + Pc A0 + Bw Bw = 0. a a A determinac~o da norma H2 pode ser facilmente obtida atraves de um problema de otimizac~o convexa. a a Por exemplo, considerando o Gramiano de observabilidade, se Po satizfaz A0 Po + Po A + C 0 C = 0 e existe uma matriz P = P 0 > 0 : A0 P + PA + C 0 C < 0 ent~o P > Po . Portanto, a norma H2 pode ser calculada a mediante a resoluc~o do seguinte problema de otimizac~o na forma LMI. a a
kGwz k2 < min (traco B 0 PB ]) : 2
P = P0 > 0 A0 P + PA + C 0 C < 0
(2.40)
onde a diferenca da estimativa da norma H2 e o seu valor real e t~o pequena quanto se queira. a
Exemplo 2.5.1 (Determinac~o da norma H2 ) a Determine a estabilidade e norma H2 do seguinte sistema linear:
8x > _1 >x < _2 > z1 > :
= 2x1 + w = 3x2 + 2w = x1 z2 = x1 + x2
(2.41)
) Soluc~o: a
Matrizes da representac~o no espaco de estados: a
A=
Problema de otimizac~o: a
2 0 0 3
; Bw =
1 2
; C= 1 0 1 1
min traco
-->P P = ! ! .5000000 .2 .2 ! .1666667 !
i ( P = P0 > 0 Bw PBw : A0 P + PA + C 0 C < 0

0
-->sqrt(h) // Norma H2 ans = .6055301
444
Custo Garantido
A seguir e apresentada uma interpretac~o alternativa da norma H2 que pode ser aplicada a sistemas n~o a a lineares. Considere o sistema x = Ax; x(0) = x0 _ (2.42) z = Cx
28
onde x 2 Rn e o vetor de estados, z 2 Rq representa a sa da de desempenho, para uma dada condic~o x0 . a Deseja-se analisar a energia da resposta do sistema dado um estado inicial x0 . Ou seja, deseja-se encontrar a constante J , dada por
J=
Z1
0
z 0zdt
e conhecida como Custo Garantido. Para tal, suponha que exista uma func~o de Lyapunov quadratica v( ) = 0 P tal que: a
P >0 v (x) _ z 0z
(2.43) para todo x e z satisfazendo (2.42). Integrando ambos os lados da inequac~o (2.43) de 0 a T tem-se a
0 para todo T 0. Como v(x(T )) 0, pode-se concluir que V (x(0)) = x00 Px0 J , portanto V (x(0)) e um limitante superior para a energia da sa da z para a condic~o inicial x0 . As condic~es x00 Px0 J e (2.43) a o podem ser descritas na seguinte forma LMI
v(x(T )) V (x(0))
ZT
z 0zdt:
A0 P + PA C 0 < 0 (2.44) C I Note que (2.44) e (2.40) s~o express~es semelhantes e coincidem quando Bw = x0 , o que e poss vel quando a o w 2 R, ou seja, tem-se apenas uma entrada no sistema (2.34). Para que as express~es sejam ind^nticas no o e x00 Px0 J;
caso geral deve-se rede nir a func~o custo como sendo a
J0 =
r XZ 1 i=1 0
zi0 zi dt
onde r e o numero de entradas em (2.34) e zi e a resposta de (2.34) para a condic~o inicial a
x0i = Bwi sendo Bwi a i-esima coluna da matriz de entrada Bw . Em outras palavras,
2w 3 i w = 6 ... 7 Bw = Bwi : : : Bwr 4 5

wr
e note que Bw w = r=1 Bwi wi . Por linearidade e superposic~o pode-se determinar a resposta zi para cada a i entrada wi . Calculando a energia de cada resposta zi com (2.44). Pode-se, assim, calcular J0 somando a energia dos resultados individuais obtidos. Note ainda que
J0
r X i=1
x00i Px0i =
r X i=1
0 0 Bwi PBwi = Tr(Bw PBw )
0 e portanto J0 Tr N ] ja que N > Bw PBw . Assim, para sistemas lineares o criterio H2 na forma convexa e equivalente ao custo garantido J0 , obtido apartir de uma escolha adequada das condic~es iniciais do problema. o Considere agora a condic~o inicial a

x0R =
r X i=1
29
r X i=1
x0i =
Bwi
e de na zR como a resposta do sistema para esta condic~o inicial. Por linearidade e superposic~o pode-se a a deduzir que o criterio J calculado para x0R satisfaz a seguinte relac~o J J0 . a Para o caso estocastico pode-se supor que a condic~o inicial x0 e uma variavel aleatoria com media nula e a 0 vari^ncia E x0 x00 ] = Bw Bw . Assim, pode-se usar este mesmo procedimento para o calculo do custo garantido, a neste caso limita-se a energia da vari^ncia do sinal de sa da z em relac~o a x0 25]. a a
2.5.2 Norma H1
A norma H1 esta associada ao maior ganho que pode existir de alguma das entradas para alguma das sa das, ao longo de todo o espectro de sinais, isto e, ela quanti ca o maior acrescimo de energia que pode ocorrer entre as entradas e sa das de um determinado sistema. A seguir, apresentamos uma de nic~o mais formal, a em termo do ganho L2 de sistemas que coincide com a norma H1 no caso linear.
Considere o sistema (2.34). A norma H1 do operador entrada/sa da, Gwz (s), e o valor supremo entre a energia dos sinais de sa da e entrada, para todo w de energia limitada.
De nic~o 2.5.2 (Norma H1) a
kGwz k1 =
sup
kwk2 6= 0
kz k2 kwk2
(2.45)
onde o supremo e calculado para todas as trajetorias n~o nulas do sistema (2.34) com x(0) = 0. a
No caso escalar a norma H1 de um sistema LTI coincide com o maximo ganho da func~o de transfer^ncia a e Gwz (s) em todo o espectro de frequ^ncias. Isto decorre do teorema de Parseval. e Da mesma forma que no caso H2 , utilizaremos a teoria de Lyapunov para determinarmos numericamente o valor da norma H1 de sistemas. Considere que existam uma func~o de Lyapunov quadratica, v(x) = x0 Px, para o sistema (2.34) e um escalar a > 0 tal que v(x) + z 0 z 2w0 w < 0 _ (2.46) Integrando a express~o a express~o acima de 0 a T , com x(0) = 0, temos que: a a
v(x(T )) +
visto que v(x(T )) 0, isto implica em
ZT
0
(z 0 z
2 w0 w)dt < 0
Visto que v(x) = x0 (A0 P + PA)x + 2w0 Bw Px e z = Cx + Dw w, a express~o (2.46) torna-se: _ a x0 (A0 P + PA + C 0 C )x + 2w0 (Bw P + Dw C )x + w0 (Dw Dw 2 Ir )w < 0
0 0 0 0
kz k2 kwk2 Isto e, o valor m nimo de que satisfaz (2.46) e a norma H1 do sistema (2.34).
30

x 0 A0 P + PA + C 0 C PBw + C 0 Dw w Bw P + Dw C Dw Dw 2 Ir
0 0 0
A express~o acima em termos do vetor auxiliar x w 0 pode ser reescrita na seguinte maneira: a
x w <0
Logo, podemos determinar a norma H1 pelo seguinte problema de otimizac~o. a min
8 > P = P0 > 0 < " 0 # 2: A P + PA + C 0 C PBw + C 0 Dw < 0 > : Bw P + Dw C Dw Dw 2 I

0 0 0
(2.47)
Exemplo 2.5.2 Determine a estabilidade e, se poss vel, a norma H1 do seguinte sistema LTI.
2x _ 6 x1 _ 6 x2 4_
x4 _ z1 z2
3
3 7 7 5
2 6 6 4
0 0 1 0:5
0 1 0 0 1 0:2 2:5 0:1 1 0 0 0 0 1 0 0
0 1 0:2 0:15
3 7 7 5
2x 6 x1 6 x2 4 2x 6 x1 6 x2 4
x4
3
x4
3 7 7 5 3 7 7 5
20 60 61 4
0 0 0 0 0:5
3 7 7 5
w1 w2
) Soluc~o: a
A condic~o (2.47) para determinar a norma H1 ja pressup~e a estabilidade do sistema, portanto se existir a o a norma H1 o sistema sera estavel.
Observe que para este sistema Dw = 0 e r = 2 (numero de entradas de perturbac~o). Aplicando os valores a numericos do exemplo, no problema de otimizac~o (2.47), obtemos os seguintes valores. a
-->P P = ! 37.984518 ! - 99.050459 ! 4.3028045 ! 4.8463528 - 99.050459 368.14477 - 17.362734 .0152050 4.3028045 - 17.362734 22.933598 - 30.652182 4.8463528 .0152050 - 30.652182 134.78685 ! ! ! !
-->sqrt(hinf) // Norma H_inf ans = 11.470397
444
2.6 Atividades
1. Considere o exemplo (2.2.1). Prove que as condic~es (2.6) s~o equivalentes as do corolario (2.2.1). o a 2. Mostre que a estabilidade quadratica implica em estabilidade exponencial.
2.6. ATIVIDADES
31
3. Veri que nas refer^ncias 9, 10, 11, 12, 13, 14] quais s~o os sistemas que admitem a representac~o LPV. e a a 4. Mostre que as condic~es para estabilidade quadratica de sistemas LPV, apresentadas no exemplo o (2.2.3), s~o equivalentes as do corolario (2.2.1). a 5. Determine uma regi~o politopica B na qual o sistema apresentado no exemplo 2, sec~o (1.2), seja exa a ponencialmente estavel. Utilize o resultado apresentado no exemplo (2.2.3). Lembre-se da convexidade do conjunto soluc~o de uma LMI. a 6. Determinar a estabilidade quadratica do sistema linear incerto da gura (1.6) n~o forcado (u 0) com a incerteza limitada em norma. Utilize o resultado apresentado na tecnica do DG-Scaling. Considere os seguintes valores numericos: m = 10 kg, k0 = 2 kg/s2 e c0 = 1 kg/s. 7. Para o exemplo apresentado na sec~o 2.4, analise a estabilidade do sistema supondo que as incertezas a est~o descritas na forma Limitada em Norma. Compare com o resultado dado para o caso de incertezas a na forma Politopica. 8. Para o mesmo exemplo, calcule o valor aproximado do numero de operac~es necessarias para solucionar o o problema nos tr^s casos: e Sistema Nominal Abordagem Politopica Abordagen Limitada em Norma Repita o calculo supondo que agora tenha 3 par^metros incertos em vez de 2. Compare os resultados. a 9. A de nic~o (2.5.1) de norma H2 n~o e usual. Em geral ela e de nida no espaco frequencial pela seguinte a a de nic~o: a s Z1 kGwz k2 = 21 traco Gwz (j!)Gwz (j!)] d! 0 onde Gwz (j!) e o complexo conjugado transposto de Gwz (j!). Mostre que as duas de nic~es s~o o a equivalentes (Teorema de Parseval). 10. Demonstre o resultado apresentado na equac~o (2.39). a 11. Determine uma formulac~o LMI para o calculo da norma H2 de sistemas LTI utilizando o Gramiano a de controlabilidade. 12. Obtenha uma formulac~o LMI, utilizando o Gramiano de observabilidade e controlabilidade, para a estimar a norma H2 do seguinte sistema incerto:
x = A( )x + Bw ( )w _ z = C ( )x
onde as matrizes A( ), Bw ( ) e C ( ) s~o a ns no par^metro incerto 2 B . Lembre-se que n~o a a a podemos aplicar diretamente as condic~es (2.40) para sistemas LTI devido ao termo quadratico em o (C ( )0 C ( )) 10 . 13. A de nic~o da norma H1 em termos do ganho L2 n~o e usual para sistemas lineares. Em geral, ela a a tem a seguinte de nic~o a kGwz k1 = sup max Gwz (j!)] equivalentes para sistemas LTI.
! onde max e o valor singular maximo de Gwz (j!). Mostre que estas duas de nic~es de norma s~o o a
14. Obtenha uma vers~o para a determinac~o da norma H1 para sistemas LTI em termos de uma matriz a a Q = P 1 similar ao caso H2 . Esta vers~o as vezes e denominada de vers~o Dual. a a
10 Dica:
utilize o complemento de Schur.
32
15. Obtenha as formulac~es em termos de P e Q, para estimar a norma H1 do seguinte sistema incerto: o
x = A( )x + Bw ( )w _ z = C ( )x + D( )w
onde as matrizes A( ), Bw ( ), C ( ), D( ) s~o a ns no par^metro incerto 2 B . Lembre-se que n~o a a a podemos aplicar diretamente as condic~es (2.47) para sistemas LTI devido aos termos quadraticos em o (C ( )0 C ( ) e D( )0 D( )). 16. Considere um sistema mec^nico massa-mola-amortecedor, onde a massa m e o coe ciente de amortea cimento c s~o variantes no tempo e limitados, com a seguinte representac~o no espaco de estados. a a
x1 _ x2 _ z
= =
0 2 0
1 (0:5 + 0:2 1) 1
x1 x2 x1 x2
0 (1 + 0:2 2)
onde 1 , 2 2 B = f 1; 1g. Determine as normas H2 e H1 , nas formulac~es Primal e Dual. Compare os resultados. Note que os o valores obtidos para as duas vers~es s~o diferentes. Por que? o a

Na analise de estabilidade segundo Lyapunov, recomendamos 33] para sistemas lineares invariantes no tempo e 34, 24] para sistemas n~o lineares. a Outras aplicac~es de LMI em controle pode ser encontradas em 21, 27, 19, 35, 36]. o Maiores detalhes sobre os problemas de performance para o caso linear, alem da bibliogra a citada na sec~o (2.5), s~o encontrados nos livros 18, 16], nas dissertac~es de mestrado 21, 20, 27, 36] e no exame de a a o quali cac~o 22]. a
Cap tulo 3
S ntese de Controladores
3.1 Introduc~o a
A s ntese de controladores e uma tarefa bastante complexa por envolver um grande numero de variaveis, como caracter stica da planta ou sistema a ser controlado (linear, n~o linear, incertezas), restric~es nas variaveis de a o entrada e sa da, comportamento desejado (regulador, \tracking"), desempenho (tempo de resposta, rejeic~o a de perturbac~es), etc. o Podemos de nir o problema de s ntese robusta da seguinte maneira, 18]. Como projetar um controlador para que, em malha fechada, o sistema satisfaca requisitos desejados (desempenho, performance), para todas as incertezas e perturbac~es admiss veis. o Neste cap tulo, trataremos apenas do problema de estabilizac~o e performance para sistemas lineares invaa riantes no tempo e incertos, dentro do \framework" LMI, para diferentes leis de controle (realimentac~o de a estados e de sa da). Tambem, consideramos o problema da inclus~o de restric~es no projeto do regulador. a o A sec~o (3.2) trata do problema de estabilizac~o e performance (H2 e H1 ) para uma lei de controle u = Kx a a para sistemas LTI e incertos, onde supomos que todos os estados do sistema est~o dispon veis para a realimena tac~o. Entretanto, na pratica di cilmente se tem acesso a todas as variaveis de estado para realimentac~o. a a Para contornar esta problema busca-se estabilizar sistemas din^micos pelo processo de realimentac~o de a a sa da . O problema de s ntese por realimentac~o de sa da e uma das mais importantes quest~es em aberto, a o veja por exemplo 37, 38]. Os principais aspectos da realimentac~o de sa da s~o abordados na sec~o (3.3). a a a Outro fator importante a ser considerado s~o as restric~es nas variaveis de controle (saturac~o) e de sa da a o a (seguranca). A sec~o (3.4) aborda alguns aspectos, de forma sucinta, este importante problema da teoria a de controle. Finalizando, s~o propostas algumas atividades complementares e importantes refer^ncias para a e leitura sobre o problema de s ntese robusta nas sec~es (3.5) e (3.6). o
3.2 Realimentac~o de Estados a

Considere o seguinte sistema linear invariante no tempo:
x = Ax + Bw w + Bu u _ z = Cz x + Dzw w + Dzu u
(3.1)
onde x 2 Rn e o vetor de estados, w 2 Rr s~o as perturbac~es externas, z 2 Rq s~o as sa das de performance a o a e u 2 Rp s~o as entradas de controle. a 33
34
CAPITULO 3. SINTESE DE CONTROLADORES
Suponha que todos os estados do sistema (3.1) s~o mensuraveis. Seja K 2 Rp n a matriz de realimentac~o a a de estados, ou seja, u = Kx. Logo em malha fechada temos o seguinte sistema. x = (A + Bu K )x + Bw w _ z = (Cz + Dzu K )x + Dzw w (3.2)
u = Kx, isto e, estamos preocupados em determinar a matriz de ganhos K para o sistema (3.2) de modo a
satisfazer certas propriedades e especi cac~es de performance. o
Nesta sec~o, consideramos o problema de s ntese de controladores atraves de uma realimentac~o de estados a a
Estabilizac~o Quadratica a
PROBLEMA: Como determinar a matriz de ganhos K tal que o sistema (3.2) n~o forcado, w 0, a seja quadraticamente estavel.
Utilizando a condic~o (2.6) para estabilidade quadratica, podemos determinar uma matriz K que satisfaz a ao seguinte problema 9 P = P 0 > 0 : (A + Bu K )0 P + P (A + Bu K ) < 0 , A0 P + PA + K 0 Bu P + PBu K < 0 (3.3)
0
Note que a condic~o acima, denominada de Primal, n~o e linear em P e K . A seguir veremos como linearizar a a esta inequac~o matricial nas forma Primal e Dual. a a Soluc~o 1: (Vers~o Primal) a Nesta abordagem utiliza-se uma restric~o de igualdade para linearizar a express~o (3.3). a a Suponha que exista uma matriz qualquer M , tal que PBu = Bu M . Logo, podemos reescrever a express~o (3.3) como: a 8 > P >0, < 0, : 9P =P =B > PBu+ PA M K 0M 0B + B MK < 0 : A0P u + u u Considere que exista uma matriz X tal que X = MK . O problema de estabilizac~o quadratica a tem soluc~o, na forma Primal, se a 8 > P >0, < 0, X : 9P =P (3.4) =B > PBu+ PA M X 0B + B X < 0 : A0P u + u u Em caso a rmativo, a matriz de ganhos que estabiliza o sistema e dada por K = M 1 X .
0
Soluc~o 2: (Vers~o Dual) a a
1 Esta forma de linearizac~o foi proposta a
Considere que existe uma matriz Q = Q0 > 0 : PQ = I . Pre e pos multiplicando a inequac~o a matricial em (3.3) por Q, tem-se que QA0 + AQ + QK 0Bu + Bu KQ < 0 Considere que existe uma matriz Y tal que Y = KQ 1 . O problema de estabilizac~o quadratica, a forma Dual, tem soluc~o se a ( Q>0 0, Y : 9Q=Q (3.5) QA0 + AQ + Y 0 Bu + Bu Y < 0 Em caso a rmativo, a matriz de ganhos que estabiliza o sistema e dada por K = Y Q 1 .
0 0
inicialmente em 39].
3.2. REALIMENTACAO DE ESTADOS
35
Note que, potencialmente a estabilizac~o na forma Primal e mais restritiva que a Dual, pois existe a restric~o a a de igualdade PBu = Bu M .
Exemplo 3.2.1 (Estabilizac~o Quadratica por Realimentac~o de Estados) a a

O movimento longitudinal de um avi~o F-16, na aproximac~o de aterrissagem, pode ser representado de a a forma simpli cada pelo seguinte sistema linear invariante no tempo, 8].
2x _ 6 x1 _ 6 x2 4_
3 x4 _
3 7 7 5
2 6 6 4
0:0507 3:861 0:00117 0:5164 0:00013 1:4168 0 0
0 1 0:4932 1
32:17 0 0 0
3 7 7 5
2x 6 x1 6 x2 4
3 x4
3 7 7 5
2 6 6 4
0 0:0717 0:1645 0
3 7 7 5
(3.6)
Este sistema e instavel em malha aberta. Determine uma matriz de ganhos K que estabilize o sistema.
) Soluc~o: a
Vers~o Primal. a Utilizando o LMITOOL do Scilab, buscam-se matrizes P , M e X que satisfacam a condic~o (3.4) 2 . a
-->P P = ! 1.0578296 ! - 10.74246 ! 4.6822757 ! 43.062956 -->M M = 2240.1205 -->X X = ! 164.47519 - 69852.825 42527.564 377222.9 ! - 10.74246 7258.5476 - 2187.363 - 21818.759 4.6822757 - 2187.363 3193.5183 9510.0611 43.062956 - 21818.759 9510.0611 89613.551 ! ! ! !
-->K=M^(-1)*X K = ! 0.0734225 - 31.182619 18.984499 168.39402 !
Vers~o Dual. a Buscam-se matrizes Q e Y que satisfacam a condic~o (3.5) 3 . a

-->Q Q = ! 0.6324511 0.0572916 0.0752139 0.0588924 !
2 Sem perda de generalidade incluiu-se a restric~o P a 3 Sem perda de generalidade incluiu-se a restric~o Q a
I. I.
36
! ! ! 0.0572916 0.0752139 0.0588924 0.6106135 0.0513200 - 0.0591423 0.0513200 0.6916277 - 0.0721105

- 0.0591423 ! - 0.0721105 ! 0.0294075 !
-->Y Y = ! 9.6785551 47768.229 109579.58 3.1777504 !
-->K=Y*Q^(-1) K = ! - 240187.63 251850.1 361181.6 1873278.2 !
444
Controle H2
PROBLEMA: Como determinar a matriz de ganhos K que estabiliza o sistema (3.2) e minimiza a sua norma H2.
Visando obter uma formulac~o convexa para o problema de controle H2 , utilizaremos a determinac~o da a a norma H2 pelo Graminiano de Controlabilidade 4 . Considere o sistema (3.2) como Dzw 0. A norma H2 deste sistema pode ser determinada pelo seguinte problema de otimizac~o. a ( P = P0 > 0 0 ]g : min f traco (Cz + Dzu K )P (Cz + Dzu K ) (A + Bu K )P + P (A + Bu K )0 + Bw Bw < 0 (3.7)
0
A condic~o acima apresenta termos n~o convexos tanto na func~o objetivo como na inequac~o matricial. a a a a Para linearizarmos esta express~o, utilizamos as seguintes relac~es. a o
W (Cz + Dzu K ) P (Cz + Dzu K )0 . Y = KP .

Aplicando o complemento de Schur em (3.7), considerando as express~es acima, podemos obter uma relac~o o a convexa para a determinac~o da norma H2 . a
Teorema 3.2.1 (Controle H2 - Realimentac~o de Estados) a

Considere o sistema (3.2) com Dzw 0. Se existe uma matriz P simetrica, de nida positiva, e matrizes W , Y , satisfazendo o seguinte problema de otimizac~o a # 8 " > W (Cz P + Dzu Y ) > (PC + Y 0 D ) 0 > P z zu < min ( traco W ) : > " (3.8) > (AP + PA0 + Bu Y + Y 0 Bu) Bw # > <0 : Bw Ir
0 0 0 0
Ent~o, podemos a rmar que a

4 Veja atividade
proposta no exerc cio (11) na sec~o (2.6). a

1. O Sistema e estabilizavel pela lei de controle u = Y P 1 x. p 2. A norma H2 do sistema e dada por kGwz k2 < traco W .
37
Com relac~o a escolha das matrizes Cz e Dzu pode-se fazer os seguintes comentaarios. Note que a
kz k2 = 2
Se escolhermos Cz e Dzu tais que camos com
ZT
0
z 0 zdt =
ZT
0
(Cz x + Dzu u)0 (Cz x + Dzu u)dt
0 Cz Duz = 0
Como o problema e minimizar kz k2 temos que a lei de controle deve diminuir a energia da variavel Cz x tornando mais rapido os modos do sistema realimentado que afetam esta variavel. Por outro lado, o esforco de controle dispendido para acelerar esses modos n~o pode ser excessivo, pois isto aumenta a energia do a termo Dzu u. Tipicamente temos um compromisso entre o esforco de controle (representado por Dzu e a rapidez dos modos (representados por Cz ). Quanto menor for Dzu em relac~o a Cz , mais rapido ser~o os a a modos do sistema e maiores ser~o os ganhos de realimentac~o. a a
kz k2 = kCz xk2 + kDzu uk2 2 2 2
Exemplo 3.2.2 (Problema H2 - Realimentac~o de estados) a
Determine uma lei de controle do tipo u = Kx que estabiliza e minimize a norma H2 do seguinte sistema linear invariante no tempo. 2x 3 2 1 1 0 3 2x 3 203 203 _1 1 4 x2 5 = 4 0 1 1 5 4 x2 5 + 4 0 5 w] + 4 0 5 u] _ x3 _ 2 1 2 x3 1 1
z]
1 1 0
2x 3 4 x1 5 2
x3
) Soluc~o: a
Utilizando o teorema (3.2.1), determinam-se as seguintes matrizes P , W e Y .
-->P P = ! 55110.251 ! - 55110.251 ! - 18370.174 -->W W = 3.715D-07 -->Y Y = ! - 434527.93 - 198881.24 316102.04 ! - 55110.251 55110.251 18369.978 - 18370.174 ! 18369.978 ! 217259.58 !
38
A lei de controle que estabiliza o sistema e dada por u = Y P 1 x, onde

-->K=Y*P^(-1) K = 1.0D+11 * ! - 3189.5141 - 3189.5131 .0029597 ! // Lei de controle u=Kx
A norma H2 do sistema em malha fechada e dada por

-->G2=sqrt(trace(W)) // norma h2 em malha fechada G2 = .0006095
444
Note que Dzu = 0 e Dzw = 0. Portanto a soluc~o do problema e fazer com que z = x1 + x2 tenda a zero o a mais rapido poss vel. Isto se consegue com grandes ganhos de realimentac~o, pois neste caso os modos do a sistema s~o mais rapidos. Para evitar grandes ganhos basta considerar Dzu 6= 0. A escolha adequada de Cz a e Dzu permite um equil brio entre o esforco de controle e a rapidez de resposta.
Controle H1
A determinac~o da norma H1 pela abordagem dual permite a obtenc~o de uma formulac~o convexa para o a a a problema de controle H1 . A norma H1 do sistema (3.2) e dada pelo seguinte problema de otimizac~o 5 . a 8 > Q = Q0 > 0 > min
> > 2 < 3 2: Q(A + Bu K )0 + (A + Bu K )Q Bw Q(Cz + Dzu K )0 > 6 7<0 2I Bw Dzw 5 > 4 > : (Cz + Dzu K )Q Dzw I
0 0
(3.9)
A express~o (3.9) pode ser linearizada pela mudanca de variavel Y = KQ. O proximo teorema apresenta a uma formulac~o convexa para o problema de controle H1 por realimentac~o de estados u = Kx. a a

Considere o sistema (3.2). Se existem matrizes Q, Y , e um escalar > 0, satisfazendo o seguinte problema de otimizac~o a 8 > Q = Q0 > 0 >
min
5 Veja o exerc cio (14)
> > 2 < 3 2: 0 0 + 0 > 6 (AQ + QA + Bu Y + Y Bu) BwI (QCz D Y Dzu) 7 < 0 2 > 4 Bw 5 zw > : (Cz Q + Dzu Y ) Dzw I
0 0 0 0 0
(3.10)
da sec~o (2.6). a

Ent~o, podemos a rmar que a 1. O Sistema e estabilizavel pela lei de controle u = Y Q 1 x. 2. A norma H1 do sistema e dada por kGwz k1 = .
39
Exemplo 3.2.3 (Problema H1 - Realimentac~o de Estados) a Determine uma lei do tipo u = Kx que minimiza a norma H1 do seguinte sistema linear invariante no
tempo.
2x _ 6 x1 _ 6 x2 4_
3 x4 _
3 7 7 5
2 6 6 4
0:2 2 2 0 1 0 0 0 2 0 0 0 1 0 0 0 0 0 0 3
0 0 0 10
3 7 7 5
2x 6 x1 6 x2 4 2x 6 x1 6 x2 4
3 x4 3 x4
3 7 7 5 3 7 7 5
22 60 60 4
0 20 30 0 0 0 1
3 7 7 5
w1 w2 u]
2 6 6 4
0 20 30 3
3 7 u] 7 5
z1 z2
) Soluc~o: a
A lei de controle u = Kx e determinada pela aplicac~o direta do resultado proposto no teorema (3.2.2), onde a obtem-se as seguintes matrizes Q e Y .
-->Q Q = ! 22.997334 ! 4294.319 ! - 4426.3233 ! - 23.227476 -->Y Y = ! 69.684489 125859.33 - 126568.8 - 792.79395 ! 4294.319 6704090.7 - 6750196.2 - 41945.415 - 4426.3233 - 6750196.2 6797269.3 42198.563 - 23.227476 ! - 41945.415 ! 42198.563 ! 265.25822 !
A norma H1 do sistema em malha fechada e dada por:

-->sqrt(gama) ans = .6925998 // Norma Hinf
444
Novamente escolheu-se Dzu = 0 o que elimina o esforco de controle do criterio a ser minimizado.
Sistemas Lineares Incertos

Considere a seguinte classe de sistemas incertos ( x = A( )x + Bw ( )w + Bu ( )u 8 2 B _ z = C ( )x + Dzw ( )w + Dzu ( )u (3.11)
40
onde as matrizes A( ), B ( ), C ( ), D( ), s~o a ns no par^metro incerto . a a O problema a ser considerado nesta sec~o e o de determinarmos uma lei de controle do tipo u = Kx que a estabilize o sistema (3.11) n~o forcado, w 0, para todos valores admiss veis da incerteza . a O proximo corolario, prop~e uma formulac~o convexa para a determinac~o da matriz de ganhos K que o a a estabiliza o sistema (3.11) com w = 0.
Corolario 3.2.1 (Estabilizac~o - Sistema Linear Incerto) a Seja B um politopo convexo, que de ne os valores admiss veis das incertezas.
Considere o sistema linear incerto (3.11) n~o forcado, w 0. a Se existem matrizes Q e Y satisfazendo as seguintes relac~es nos vertices do politopo B . o
Q = Q0 , Q > 0 QA( )0 + A( )Q + Y 0 Bu ( ) + Bu ( )Y < 0

0
Ent~o, a lei de controle u = Y Q 1 x estabiliza o sistema em malha fechada, para qualquer 2 B . a
Exemplo 3.2.4 (Sistema Incerto - Estabilizac~o) a

) Soluc~o: a
Considere o sistema (1.8) apresentado na sec~o (1.2). Determine uma lei de controle u = Kx que estabilize a o sistema para qualquer valor de 2 f 100; 100g. Aplicando diretamente o corolario (3.2.1) para = 100 e = 100, obtemos as seguinte matrizes Q e Y . Sem perda de generalidade consideraremos a seguinte restric~o kQk 1. a
Q ! ! ! ! -->Y Y = ! - 4.4769426 ! 27.834328 19602.282 - 125134.08 5040.0185 0. - 165.49743 ! 1074.6364 ! = .1550085 .1616138 .1905192 .1467614 .1616138 .6791386 .0510504 .1450202 .1905192 .0510504 .6316482 .0211160 .1467614 .1450202 .0211160 .5284163 ! ! ! !
A matriz de ganhos que estabiliza o sistema, para u = Kx, e dada por

-->K=Y*Q^{-1} // Matriz de Ganhos K = ! - 102706.83 ! 1088285.7 52185.415 - 428879.95 - 27718.577 369509.03 14998.154 ! - 197287.68 !
444
3.3. REALIMENTACAO DE SAIDA
41
3.3 Realimentac~o de Sa da a
Descreve-se aqui uma soluc~o para o problema de s ntese de controladores via realimentac~o de sa da atraves a a da abordagem LMI. O resultados obtidos s~o semelhantes ao caso de s ntese de controladores por Realimena tac~o de Estados. a Considere o seguinte sistema LTI:
x = Ax + Bu u + Bw w _ y = Cx z = Cz x + Dzw w + Dzu u
(3.12)
onde x 2 Rn e o vetor de estados, y 2 Rm e o vetor das variaveis de sa da mensuraveis, u 2 Rp e a variavel de controle, w 2 Rr s~o as perturbac~es externas e z 2 Rq s~o as sa das de performance. a o a Uma condic~o necessaria para que problema de estabilizac~o do sistema (3.12) por realimentac~o de sa da a a a tenha soluc~o e que o par (A,B) seja estabilizavel e o par (A,C) dectavel, 33]. a
3.3.1 Realimentac~o Estatica de Sa da a

Esta e a forma mais simples de projeto de controladores por realimentac~o de sa da, e consiste em encontrar a uma matriz de ganho K tal que a lei de controle do tipo u = Ky estabilize o sistema (3.12), ou satisfaca alguns requisitos de projeto. Como estamos interessados apenas no processo de estabilizac~o vamos supor que no sistema (3.12) n~o ha a a in u^ncia de perturbac~es externas e desconsidera-se a variavel de performance z, resultando em : e o
x = Ax + Bu u _ y = Cx
e o sistema (3.13) em malha fechada ca:
(3.13)
x = (A + Bu KC )x _
Para que este sistema seja quadraticamente estavel, ele tem que satisfazer as condic~es de Laypunov (2.6). o Assim tem-se que encontrar matrizes P > 0 e K tal que v(x) = x0 Px > 0 e 0 v(x) = x0 (A0 P + PA + C 0 K 0 Bu P + PBu KC )x < 0 _ Note que a condic~o acima n~o e convexa nas variaveis (P; K ), o que impossibilita a utilizac~o dos pacotes a a a computacionais existentes. Para contornar este problema, utiliza-se aqui o Problema-P, dado em 40], que cria um problema auxiliar convexo, que se for fact vel o problema original tambem sera. Usando as condic~es do Problema-P, obtem-se as seguintes condic~es, dadas pelo Teorema 3.3.1. o o
Teorema 3.3.1 O sistema (3.13) sera quadraticamente estabilizavel por uma lei de controle do tipo u = Ky, se 9 matrizes P > 0, M e Y tais que
0 A0 P + PA + C 0 Y 0 Bu + Bu Y C < 0 (3.14) PBu = Bu M Em caso a rmativo, o ganho de realimentac~o e dado por K = M 1 Y e v(x) = x0 Px e uma func~o de a a
Lyapunov para o sistema.
42
Prova: Suponha que as condic~es do Teorema 3.3.1 estejam satisfeitas. Como PBu = Bu M e K = M 1 Y o a primeira LMI em (3.14) ca
0 A0 P + PA + C 0 K 0 Bu P + PBu KC < 0 0 x0 (A0 P + PA + C 0 Y 0 Bu + Bu Y C )x < 0 o que prova o teorema, pois e a condic~o para v(x) < 0. a _
Pre e pos multiplicando por x0 e x respectivamente tem-se
Pode-se em vez de utilizar a abordagem primal considerar a abordagem dual, como no caso de realimentac~o a de estados. Este resultado e dado a seguir e utiliza a vers~o dual do Problema-P, o Problema-W dado em a 40].
Teorema 3.3.2 O sistema (3.13) sera quadraticamente estabilizavel por uma lei de controle do tipo u = Ky, se 9 matrizes Q > 0, M e Y tais que
0 QA0 + AQ + C 0 Y 0 Bu + Bu Y C < 0 (3.15) CQ = MC Em caso a rmativo, o ganho de realimentac~o e dado por K = Y M 1 e v(x) = x0 Px, com P = Q 1 e uma a
func~o de Lyapunov para o sistema. a
O grande problema que surge e que as condic~es acima s~o apenas su cientes para a soluc~o do problema, ou o a a seja , se tiver soluc~o o problema original esta satisfeito, porem, o contrario geralmente n~o ocorre. Em 40], a a os autores mostram que a factibilidade do Problema-P ou do Problema-W, e dependente da representac~o a de estado , assim, e poss vel atraves da aplicac~o de uma transformac~o de similaridade tornar o problema a a fact vel. No entanto como encontrar esta transformac~o e um problema n~o convexo de dif cil soluc~o. Uma a a a alternativa seria utilizar os testes de estabilidade do par (A,B), e de dectabilidade do par (A,C), como feito em 35] Pode-se estender os resultados de s ntese para sistemas incertos com incertezas na forma politopica de forma semelhante ao caso de realimentac~o de estados. Para tal resolve-se as LMIs em (3.14) para os vertices da a regi~o B . Note que as matrizes C e B n~o podem ser incertas conjuntamente, pois torna o problema n~o a a a convexo. Por isso, devido a restric~o de igualdade, e mais conveniente no caso primal que apenas que a a matriz C seja incerta, e no caso dual que a matriz B seja incerta.
Exemplo 3.3.1 Dado o seguinte sistema
2x _1 6 x2 _ 6x 4_
x4 _
3
3 7= 7 5
20 60 62 4
0 0 0 0 2
0 0 1 2
0 0 2 1
32 x 7 6 x1 7 6 x2 54
x4
3
3 21 7+6 0 7 60 5 4 3 7 7 5
y1 _ y2 = _
4 3 3 0 2 2 1 2
2x 6 x1 6 x2 4
x4
3
0 1 7u 7 05 0 0
(3.16)
3.3. REALIMENTACAO DE SAIDA

encontre uma matriz de ganho K tal que a lei de controle u = Ky estabilize o sistema.
43
) Soluc~o: a
Vers~o Primal a Utilizando a abordagem primal dada no Teorema 3.3.1 n~o se consegue obter uma soluc~o fact vel, a a mas isso n~o implica que o problema n~o tenha soluc~o, pois as condic~es apresentadas s~o apenas a a a o a su cientes. Vamos aplicar agora a abordagem Dual. Vers~o Dual a Aplicando o Teorema 3.3.2 obtem-se M, Q e Y
--> M = - 1243.9978 ! 8373.7183 !
! 3397.963 ! - 9760.2895
--> Y ! !
= - 62668.24 ! - 93652.561 !
60875.664 92399.285
--> Q = ! 23050.555 ! 14656.184 ! - 5040.4127 ! - 4987.5489 14656.184 25749.946 - 3696.4555 - 2702.2747 - 5040.4127 - 3696.4555 9675.4877 - 2559.0692 - 4987.5489 ! - 2702.2747 ! - 2559.0692 ! 4808.9096 !
A matriz de ganho K = Y N 1 que estabiliza o sistema em malha fechada sera dada por:
--> K = Y*M^(-1) - 8.4120145 ! - 12.462348 !
! - 6.247282 ! - 8.6042252
444
3.3.2 Realimentac~o Din^mica de Sa da a a

Em algum casos com apenas um ganho n~o e poss vel satisfazer todos os requisitos de performance pre a especi cados num projeto de controle. E necessario, muitas vezes, que o controlador tenha o comportamento de um sistema din^mico. Considerando que a din^mica do controlador esteja na forma de representac~o a a a de estados e poss vel em muitos casos incorporar o controlador ao sistema, transformando o problema de realimentac~o din^mica de sa da em um problema de realimentac~o estatica de dimens~o aumentada. a a a a Seja o sistema
(3.17)
44 e a din^mica do controlador dada por: a
xc = Ac xc + Bcy _ u = Cc xc + Dcy onde xc 2 Rn e o vetor de estados do controle, e nc n caracteriza a ordem do controlador. c

Realimentando o sistema (3.17) com o controlador dado em (3.18), obtem-se em malha fechada,
(3.18)
x = (A + Bu DcC )x + Bu Cc xc _ xc = Ac xc + Bc Cx _
que pode ser reescrito como um sistema aumentado da forma:
(3.19)
xa = Aa xa + Ba Ga Ca xa _
com xa = x0 x0c ]0 2 R(n+nc ) ; representando o novo vetor de estados. E as matrizes dadas por:
(3.20)
C Aa = A 0 ; Ba = Bu 0 ; Ca = C 0 ; Ga = Dc Ac ; 0 0 0 I 0 I Bc c
O problema agora e um problema de s ntese de controladores via realimentac~o estatica de sa da, ou seja, a encontrar uma lei do controle do tipo u = Ga ya com ya = Ca xa , tal que o sistema seja quadraticamente estavel. Para solucionar este problema basta resolver as LMIs no Teorema 3.3.1 ou 3.3.2 para o sistema (3.20). Mas nem sempre e necessario que o controlador tenha a ordem do sistema, ou seja nc = n. Controladores de ordem reduzida s~o aqueles que tem uma dimens~o menor que o sistema, nc < n. A soluc~o do problema e a a a feita da mesma maneira mas tem-se agora o sistema aumentado e de ordem menor, bem como a matriz de ganhos Ga .
3.4 Controle sujeito a restric~es o

Em geral, nas aplicac~es praticas, os sistemas de controle operam em regi~es do espaco de estados sujeitas o o a restric~es nas variaveis de estado e/ou controle. Estas restric~es correspondem a limites inferiores e/ou o o superiores nas variaveis de interesse do sistema, descritas por limitac~es de ordem tecnologica (por exemplo, o saturac~o de atuadores) e/ou de seguranca, 41]. a Portanto, nesta sec~o, abordaremos o problema de controle sujeito a restric~es no sinal de controle (por a o exemplo, para evitar a saturac~o de sistemas e a consequente perda do comportamento linear) e no sinal a de sa da (visando atender especi cac~es de seguranca). Em ambos os casos, levarmos em conta uma lei de o controle do tipo u = Kx.
Restric~es na Variavel de Controle o

Em geral, devido as limitac~es f sicas dos atuadores, o sinal de controle u(t) esta sujeito a saturac~o. A o a gura (3.1) mostra o problema de controle com este tipo de restric~o. a Uma soluc~o usual, neste tipo de problema, e a de impormos limitac~es no sinal de controle u = Kx. Com a o isso, o sistema em malha fechada mantera o comportamento linear, isto e, x = (A + BK )x. Para tal, faremos _ as seguintes considerac~es. o
3.4. CONTROLE SUJEITO A RESTRICOES

sat(u)
u
45
u(t)
sat(u)
x = Ax + Bsat(u) _
x(t)
Figura 3.1: Sistema de Controle sujeito a Saturac~o a As condic~es iniciais s~o conhecidas, limitadas em norma kx0 k e o estado x(t) pertence ao elipsoide o a = fx : x0 Q 1 x 1g, isto e, x(t) 2 8 t 0, inclusive x0 . Existem duas matrizes Q > 0 e Y que satisfazem a condic~o (3.5). a O i-esimo sinal de controle ui , i = f1; : : : ; pg, deve ser limitado entre Estas considerac~es implicam em: o
i.
max kuik t 0 max kKix(t)k t 0
, max kYi Q 1 xk x2
i
max
2 Q 1 Yi0 Yi Q
1 2
2 2 kYi Q 1 k max kQ 1 xk x2
onde Ki (Yi ) e a i-esima linha da matriz K (Y ) e max ( ) e o autovalor maximo de ( ). Portanto, a restric~o kuik i , 8 x 2 , e equivalente as seguintes relac~es LMI. a o
ej Q
2 ej
0
0 8j ,e
Q Yi Yi 2 i
0
0 8i
(3.21)
onde o vetor ej corresponde a j-esima coluna da matriz identidade In , para j = f1; : : : ; ng.
Exemplo 3.4.1 (Controle sujeito a saturac~o) a

Considere o sistema (3.6). Determine uma lei de controle u = Kx que estabiliza o sistema. Suponha que o sinal de controle esta limitado a 10 e as condic~es iniciais est~o limitadas em norma por kx0 k 2. o a ) Soluc~o: a Para considerarmos o projeto sujeito a saturac~o, pelas condic~es apresentadas, devemos resolver o seguinte a o
46
problema LMI:
9 Q = Q0 ,
8 > > > > > > > > < Y :> > > > > > > > :
Q>0
"
QA0 + AQ + Y 0 Bu + Bu Y < 0
0
"
ej Q Q Yi Yi 2 i
0
2 ej
0
0 8j 0 8i
onde j = f1; : : : ; 4g, i = 1, = 10 e = 2.
Aplicando ao sistema, obtemos o seguinte resultado.

-->Q Q = ! 29324.538 ! 299.64638 ! - 226.56666 ! 319.89993 -->Y Y = ! 355.20519 10.248535 13.159181 .0066614 ! 299.64638 146.47705 - 164.67814 72.969009 - 226.56666 - 164.67814 193.85714 - 87.884263 319.89993 72.969009 - 87.884263 47.728666 ! ! ! !
-->K=Y*Q^(-1) // Matriz de Ganhos K = ! .0183679 4.1006297 4.5001046 2.1402663 !
A gura (3.2) mostra o sinal de controle aplicado ao sistema, para uma uma condic~o inicial x(0) = a 0 2 0 0 .
444
Restric~es no Sinal de Sa da o
Considere o seguinte sistema linear invariante no tempo.
8 > x = Ax + Bw w + Buu < _ > z = Cz x + Dzw w + Dzu : = Ex
(3.22)
onde 2 Rl representa algumas das sa das do sistema as quais, por seguranca, desejamos limitar em amplitude. Visando obter uma formulac~o LMI para este problema, faremos as seguintes considerac~es. a o As condic~es iniciais s~o conhecidas, limitadas em norma kx0 k o a elipsoide " = fx : x0 Q 1 x 1g, isto e, x(t) 2 " , 8 t 0. Existem matrizes Q, Y , que satisfazem a condic~o (3.5). a
" e o estado x(t) esta contido no
3.4. CONTROLE SUJEITO A RESTRICOES

10
47
u(t)
-10
t(s)
0 10 20
Figura 3.2: Sinal de Controle aplicado ao Sistema (3.6)) para uma condic~o inicial kx0 k < 2. a A i-esima sa da de seguranca, para i = f1; : : : ; lg, e limitada em norma, isto e, k i k Levando em conta as considerac~es acima, podemos escrever que: o max k i k 8 x : x0 Q 1 x 1 i t 0
i.
max kEi xk t 0
x2 "
max kEi xk 8 x : x0 Q 1 x 1
onde Ei e a i-esima linha da matriz E . As relac~es acima s~o equivalentes ao seguinte problema na forma LMI. o a
8 > 0, 1 > > " > > Q QEi # > < 0, 8 i 2 Ei Q :> i > " > > " 2 ej # > 0, 8 j > :
0 0
(3.23)
ej Q
onde os vetores ej s~o as j-esimas colunas da matriz identidade In , para j = f1; : : : ; ng. a
Exemplo 3.4.2 Projeto com restric~es na sa da o

Considere o mesmo problema apresentado no exemplo (3.4.1). Suponha que o estado x1 deva ser limitado em 101. ) Soluc~o: a
"
Neste caso, desejamos restringir a excurss~o do sinal x1 (t). Logo a matriz E = 1 0 0 0 . Note que: a = 2, = 101.
48
Aplicando a este caso as condic~es (3.5), (3.21) e (3.23), obtemos as seguintes matrizes Q, Y e K . o
-->Q Q = ! ! ! ! 10195.154 104.34092 34.161826 42.822675 104.34092 40.364163 - 42.234899 16.680284 34.161826 - 42.234899 51.635992 - 20.169939 42.822675 16.680284 - 20.169939 12.265695 ! ! ! !
-->Y Y = ! 342.59412 8.0082025 12.099617 8.1710709 !
-->K=Y*Q^(-1) K = ! .0334339
// Matriz de Ganhos
3.7363881
4.5674268
3.2124967 !
A g (3.3) mostra o sinal x1 (t) para uma condic~o inicial x0 = 0 2 0 0 . a

100
x1 (t)
-100
t(s)
0 10 20
Figura 3.3: Sinal x1 (t) com limitac~o de excurs~o maxima para uma condic~o inicial com kx0 k 2. a a a
444
3.5 Atividades
1. Obtenha uma formulac~o convexa para o problema de controle H2 utilizando o Graminiano de Obsera vabilidade. Considere que Dzu 0. Por que devemos fazer esta considerac~o ? a
3.6. REFERENCIAS COMPLEMENTARES
49
2. Prove os resultados apresentados no teorema (3.2.1). 3. Obtenha uma formulac~o convexa para o problema de controle H1 na vers~o primal. Considere que a a Dzu 0. 4. Prove o resultado proposto no corolario (3.2.1). 5. Obtenha uma formulac~o convexa para o problema de estabilizac~o por realimentac~o de estados para a a a sistemas lineares incertos na representac~o LFT com incerteza limitada em norma. a x = Ax + Bp p + Bu u + Bw w _ q = Cq x + Dqp p + Dqu u + Dqw w z = Cz x + Dzp p + Dzw w + Dzu u 1 , = diag fI i g p = q, k k Aplique o resultado anterior no sistema (1.8) para j j 100. 6. Obtenha uma formulac~o convexa para o problema de controle H2 por realimentac~o de estados, para a a a classe de sistemas (3.11). Aplique o resultado anterior no sistema (1.8) para 2 f 10; 10g. 7. Obtenha uma formulac~o convexa para o problema de controle H1 por realimentac~o de estados, para a a a classe de sistemas (3.11). Aplique o resultado anterior no sistema (1.8) para 2 f 10; 10g. 8. Prove os resultados apresentados no Teorema 3.3.2. 9. Estenda os resultados obtidos para a soluc~o do Problema H2 por Realimentac~o de Estados, para a a Realimentac~o de Estatica de Sa da. a 10. Repita o mesmo procedimento para o Problema H1 11. Para sistemas Lineares Incertos, obtenha condic~es equivalentes as dadas no Corolario (3.2.1), supondo o que agora o problema e de Realimentac~o de sa da. a 12. Demonstre o resultado (3.21) para restric~es na entrada de controle. o 13. Demonstre o resultado (3.23) para restric~es na sa da. o 14. Considere o sistema (1.8). Suponha que as variaveis de controle u1 e u2 s~o limitadas em modulo a por =2 rad. Suponha que os ^ngulos de inclinac~o com a horizontal e de vô n~o podem, por raz~es a a o a o de seguranca, ultrapassar em modulo o ^ngulo de =4 rad. Suponha que as condic~es iniciais est~o a o a limitadas em norma a 1. Determine uma lei de controle u = Kx que minimize a norma H2 do sistema (1.8). Idem para a norma H1 . 15. Estenda os resultados de restric~es na entrada e na sa da para o caso de realimentac~o estatica na o a sa da. Considere que x(t) 2 = fx : x0 W 1 x 1g, 8 t 0. Lembre-se que u = (FN 1 C )x.

Resultados via LMI para o problema de estabilizac~o, H2 , H1 , alem de outras restric~es, s~o encontrados a o a em 25, 21, 36]. O \survey" 42] e uma refer^ncia bastante completa sobre o problema de realimentac~o de sa da. e a No projeto de sistemas sujeitos a restric~es, existem varios trabalhos que permitem, por exemplo, a saturac~o o a dos sistemas o que di culta a tarefa de obtermos uma lei de controle estabilizante e/ou que melhore a performance do sistema, devido a caracter stica n~o linear do sistema em malha fechada, veja maiores a detalhes em 43]. Os resultados apresentados para restric~es na entrada e na sa da s~o encontrados no livro o a 25] e nos artigos 44, 15].
50
Cap tulo 4
Sistemas Discretos - Analise, Performance e S ntese
4.1 Introduc~o a
Os resultados apresentados nos cap tulos (2) e (3) possuem analogos para o caso discreto. Basicamente, a diferenca entre os casos cont nuo e discreto e que no primeiro utiliza-se a derivada temporal da func~o a de Lyapunov e no caso discreto utiliza-se a variac~o discreta da func~o de Lyapunov: v(x(kT + T )) = a a v(x(kT + T )) v(x(kT )), onde T e a taxa de amostragem. Neste cap tulo, apresentaremos a extens~o destes resultados para os seguintes problemas na teoria de controle: a Sec~o 4.2] Estabilidade Quadratica. Nesta Sec~o, apresentamos uma vers~o da de nic~o de estabilia a a a dade quadratica para o caso discreto e uma relac~o LMI para determinar a estabilidade de sistemas a discretos invariantes no tempo. Sec~o 4.3] Performance H2 e H1 . No caso discreto a de nic~o de norma e apresentada na forma de a a somatorio das amostras de sinais. Sec~o 4.4] S ntese por Realimentac~o de Estados. a a Na sequ^ncia deste cap tulo, propomos algumas atividades e refer^ncias complementares para estender os e e resutlados apresentados para sistemas lineares com par^metros variantes. a Para facilitar a compreesens~o deste cap tulo, recomendamos inicialmente uma revis~o dos conceitos de a a transformada Z e variaveis de estado para sistemas discretos, veja por exemplo 45], 46]. Tambem, visando simpli car a notac~o, denotaremos x(kT ) por xk e x1 (kT ) por x1;k para um dado T constante. a
4.2 Estabilidade Quadratica

Como ja mencionado na introduc~o, as condic~es de establidade por Lyapunov no caso discreto s~o ligeia o a ramente diferentes das do caso cont nuo, devido a operac~o de variac~o discreta. Para apresentar estas a a condic~es, faremos algumas considerac~es. o o 51
52
CAPITULO 4. SISTEMAS DISCRETOS - ANALISE, PERFORMANCE E SINTESE
Considere a seguinte equac~o a difer^nca (ou equac~o recursiva): a e a
xk+1 = f (xk ; k)
0
(4.1)
Os sistemas discretos representados pela equac~o recursiva (4.1) s~o quadraticamente estaveis se existem a a func~es 1 ( ), 2 ( ), 3 ( ) de classe K, e uma func~o do tipo v(xk ) = xk Pxk , onde P e uma matriz simetrica, o a de nida positiva, tais que as seguintes condic~es s~o satisfeitas 8 xk . o a
1 (kxk k) v(xk ) 2 (kxk k), e v(xk ) = v(xk+1 ) v(xk ) 3 (kxk k).
O proximo teorema apresenta condic~es na forma LMI para analise de estabilidade da classe de sistemas o discretos lineares invariantes no tempo.
Teorema 4.2.1 (Estabilidade Quadratica - Sistemas Discretos Invariantes no Tempo) O sistema discreto xk+1 = Axk , onde A 2 Rn n e uma matriz constante, e quadraticamente estavel se
existe uma matriz P = P 0 , tal que as seguintes condic~es sejam satisfeitas. o
P > 0 , A0 PA P < 0
Em caso a rmativo, v(xk ) = xk Pxk e uma func~o de Lyapunov para o sistema. a
0
(4.2)
222
Exemplo 4.2.1 Determine a estabilidade do seguinte sistema discreto invariante no tempo.
2 1:1 xk+1 = 4 1
0
0:35 0:025 0 0 5 xk , xk = 4 1 0
2x 3 1;k x2;k 5
x3;k
) Soluc~o: a
Determinamos a estabilidade do sistema aplicando diretamente o resultado do teorema (4.2.1). Onde obtemos o seguinte resultado que comprova a estabilidade do sistema.
--> P]=discreto(); Construction of canonical representation Basis Construction FEASIBILITY PHASE. primal obj. 1.47e+00 -1.27e+02 dual obj. -6.62e+02 -6.54e+02 dual. gap 6.63e+02 5.27e+02
Target value reached feasible solution found
4.3. PERFORMANCE DE SISTEMAS

-->P P = ! 2987.8466 ! - 1228.5028 ! - 43.501205 - 1228.5028 1583.2333 - 310.56782 - 43.501205 ! - 310.56782 ! 701.99128 !
53
444
4.3 Performance de Sistemas

O objetivo desta sec~o e apresentar condic~es LMIs para a determinac~o das norma H2 e H1 da seguinte a o a classe de sistemas discretos.
xk+1 = Axk + Bw wk x0 = 0 zk = Cxk + Dw wk
(4.3)
com xk 2 Rn denotando o vetor de estados, w 2 Rr denotando o vetor das entradas de perturbac~o e z 2 Rq a denotando o vetor das sa das de interesse. Tambem denotaremos Gwz ( ) como a func~o de transfer^ncia a e discreta de w para z e g(kT ) coma a resposta ao pulso unitario do sistema. Note que Gwz ( ) = Z g(kT )].
Norma H2
Considere o sistema discreto (4.3) com Dzw = 0. A norma H2 e de nida como
v1 uX u kGwz ( )k2 = t
k=0
traco (g(k)0 g(k))
(4.4)
A norma H2 pode ser calculada, de maneira similar ao caso cont nuo, atraves dos Graminianos de Observabilidade e Controlabilidade, respectivamente dados por. kGwz ( )k2 = traco (Bw Po B ) , Po : A0 Po A Po + C 0 C = 0 , e 2
0
0 kGwz ( )k2 = traco (CPc C 0 ) , Pc : APc A0 Pc + Bw Bw = 0 . 2
Da mesma forma que no caso cont nuo, o calculo da norma H2 pode ser feito atraves de um problem de otimizac~o, da seguinte forma: a
kGwz ( )k2 < min ( traco Bw PBw ]) : 2

0
P >0, P =P A0 PA P + C 0 C < 0 ( P kGwz ( )k2 < min ( traco C P C 0 ]) : P > 0 , P += P B 0 < 0 2 0 APA Bw w
0 0
(4.5) (4.6)
Exemplo 4.3.1 (Determinac~o da norma H2 ) a

Considere o seguinte sistema discreto.
54
2x 3 1;k+1 4 x2;k+1 5
x3;k+1 z1;k z2;k
= =
2 1:1 4 1
0
0:35 0:025 0 0 1 0
3 2x 3 1;k 5 4 x2;k 5 2x 3 1;k 4 x2;k 5

x3;k x3;k
203 4 0 5 wk ]
1
1 0 0 0 1 0
Determine a norma H2 pelo graminiano de controlabilidade.
) Soluc~o: a
-->P P =
Utilizando a condic~o (4.6), obtivemos o seguinte resultado: a
! 3.5069065 ! - .9625339 ! .0723766
.9625339 1.3811243 - .0288760
.0723766 ! .0288760 ! 1.0021918 !
-->sqrt(h2) // Norma H2 ans = 2.2108891
444
Norma H1
Considere o sistema discreto (4.3). A norma H1 e de nida como
kGwz ( )k1 =
sup
kwk k2 6= 0
0 0 0
kzk k2 kwk k2
(4.7)
Suponha que exista uma func~o de Lyaponov do tipo v(xk ) = xk Pxk , para o sistema (4.3) que satisfaca a a seguinte condic~o para algum > 0 a v(xk ) + zk zk 2 wk wk < 0 Mostraremos a seguir que kGwz ( )k1 < . Relembrando que zk = Cxk + Dw wk , a condic~o acima pode ser reescrita como a v(xk+1 ) v(xk ) + (Cxk + Dw wk )0 (Cxk + Dw wk ) 2 wk wk < 0 que em termos do vetor auxiliar xk wk ca
0 0 0 0
xk wk
(A0 PA P + C 0 C ) (A0 PBw + C 0 Dw ) (Bw PA + Dw C ) (Dw Dw 2 I )

0 0 0
xk wk < 0
(4.8)
A partir de (4.8), podemos determinar numericamente a norma H1 . Este resultado e sumarizado pelo seguinte problema de otimizac~o. a 8 > P > 0 , P = P0 < " # kGwz ( )k2 < min : > (A0 PA P + C 0 C ) (A0 PBw + C 0 Dw ) < 0 (4.9) 1 : (Bw PA + Dw C ) (Dw Dw 2 I )
0 0 0
55
Exemplo 4.3.2 (Determinac~o da Norma H1) a Determine a norma H1 do sistema apresentado no exemplo (4.3.1). ) Soluc~o: a A norma H1 e facilmente determinada pela aplicac~o direta do problema de otimizac~o (4.9). a a
-->P P = ! 35.726823 ! - 27.199833 ! .0111488 - 27.199833 27.206311 - .0353473 .0111488 ! .0353473 ! .0258481 !
-->hinf=sqrt(gama) hinf = .0046991
// Norma hinf
444
4.4 Realimentac~o de Estados a

Como no caso cont nuo o Problema de S ntese de controladores por Realimentac~o de Estados pode ser a resolvido de forma convexa. Considere o sistema
xk+1 = Axk + Buk + Bw wk zk = Cz xk + Dzu uk + Dzw wk
(4.10)
onde xk 2 Rn e o vetor de estados,wk 2 Rr s~o as perturbac~es externas, zk 2 Rq s~o as sa das de a o a performance e uk 2 Rp s~o as entradas de controle. a Suponha que todas as variaveis de estado s~o mensuraveis, e a lei de controle e do tipo: u = Kxk . Com isso a o sistema (4.10) em malha fechada ca:
xk+1 = (A + BK )xk + Bw wk zk = (Cz + Dzu K )xk + Dzw wk
(4.11)
O objetivo e encontrar uma matriz de ganho K que torne o sistema estavel em malha fechada, ou satisfaca algum requisito de projeto. Primeiramente vamos tratar apenas o problema de estabilizac~o quadratica, e a apos o caso de performance.
4.5 Estabilizac~o Quadratica a

PROBLEMA: Como determinar a matriz de ganhos K tal que o sistema (4.10) n~o forcado, w 0, a seja quadraticamente estavel.
56
Para solucionar este problema utilizamos a teoria de Lyapunov para sistemas discretos dado na sec~o anterior. a Para o sistema (4.10) ser quadraticamente estavel temos que garantir que exista P > 0 e K tal que:
x0k (A + BK )0 P (A + BK ) P ]xk < 0

Aplicando Schur na equac~o acima obtem-se a
(4.12)
P (A + BK )0 P < 0 P (A + BK ) P
(4.13)
A condic~o acima e n~o convexa em P e K . Mas como no caso cont nuo pode-se pre e pos multiplica-la por a a diagfQ; Qg, com QP = I e reescrev^-la como e
Q QA0 + QK 0B 0 < 0 AQ + BKQ Q

que e a vers~o Dual, agora convexa em Q e X = KQ. a Assim o problema de establizac~o tera soluc~o se existem matrizes Q > 0 e X tal que a a
(4.14)
Q QA0 + XB 0 < 0 AQ + BX Q
Em caso a rmativo, a matriz de ganhos que estabiliza o sistema e dada por K = XQ 1.
(4.15)
Exemplo 4.5.1 Considere o sistema abaixo e determine um lei de controle do tipo u = Kxk que estabilize
o sistema.
05 : xk = 0::2 021 xk + 0 uk 1
(4.16)
) Soluc~o: a
Aplicando a condic~o (4.15), encontramos a seguintes matrizes Q e X : a
feasible solution found X ! Q = 5.9218124 = - 69.661301 !
! 43.736278 ! - 2.4659886
- 2.4659886 ! 34.798281 !
E o ganho K=X*Q^(-1) que establiza
4.5. ESTABILIZACAO QUADRATICA

K ! = .0226174 - 2.0002576 !
57
444
Controle H2
PROBLEMA: Como determinar a matriz de ganho K que estabiliza o sistema (4.10) e minimiza a sua norma H2.
De forma semelhante ao caso cont nuo utilizamos o Graminiano da Controlabilidade para garantir a convexidade da soluc~o. A prova dos resultados a seguir e semelhante a prova do caso de analise e sera omitida. a
Teorema 4.5.1 Seja Gwz a func~o de transfer^ncia de wk para zk em malha fechada com uk = Kxk do a e
sistema (4.10) com Dzw = 0. Ent~o a lei de controle que miniza a norma H2 deste sistema e determinada por a
min jjGwz jj2 2
8 > > (Cz Q +PDuz X )0 Cz Q + Duz X 0 Q > < 3 min tr(P ) : > 2 B P;Q;X > 4 (AQ + Q u X )0 (AQ +Q u X ) B0w 5 B > : B0 0 I
w
(4.17)
e o ganho uk = Kxk que minimiza a norma e dado por K = XQ 1.
Exemplo 4.5.2 Para o exemplo anterior obtenha uma lei de controle do tipo u = Kxk que alem de estabilizar o sistema ainda minimize a sua Norma H2 . Para tal considere que
Bw = 00::66 ; Dzu = 0; e Cz = 0 1 3
) Soluc~o: Aplicando o Teorema 4.5.1 obtem-se: a

X = - 0.2196001 !
! - 25460.886 Q = ! ! 127302.45 0.1980004
0.1980004 ! 0.09 !
=X*Q^(-1)
58
! - 0.2 - 2. !
-->G2=sqrt(trace(N)) G2 = 0.3
444
Controle H1

Considere o sistema (4.10). Se existem matrizes Q, X , e um escalar > 0, satisfazendo o seguinte problema de otimizac~o a
2 Q 0 2 2:6 6 QA0 + X 0B00 QCI0 + X 0D0 min 4 u z 0 zu 0

Bw Dzw
Ent~o, pode-se a rmar que a
AQ + Bu X Bw Cz Q + Dzu X Dzw Q 0 0 I
3 7 7 5
0; Q > 0
(4.18)
1. O Sistema e estabilizavel pela lei de controle u = XQ 1x. 2. A norma H1 do sistema e dada por kGwz k1 = .
4.6 Atividades
1. Demonstre o resultado do Teorema 4.2.1. 2. Considere o sistema discreto incerto, xk+1 = A( ) xk , 2 B . Onde A( ) e uma matriz a m em . Obtenha condic~es convexas para determinar a estabilidade deste sistema. o 3. Considere o seguinte sistema discreto.
xk+1 = A( )xk + Bw ( )wk zk = C ( )xk + Dw ( )wk ,
2B
onde as matrizes A( ), Bw ( ), C ( ) e D( ) s~o a ns no par^metro limitado a uma regi~o convexa a a a B. Determine condic~es convexas (nas formas Primal e Dual) para: o
59
Determinar a norma H2 , para Dw ( ) = 0. Determinar a norma H1 . 4. Prove os Teoremas 4.5.1 e 4.5.2. 5. Estenda os resultados de Realimentac~o de Estados para o caso de uma realimentac~o de Sa da do a a tipo u = Kyk com yk = Cxk .1 6. O que acontece com os Teoremas 4.5.1 e 4.5.2, se o sistema (4.10) tiver incertezas do tipo politopica.

Mais detalhes sobre criterios de performance H2 e H1 podem ser obtidos em 16]. Os resultados na formulac~o LMI para determinac~o das normas H2 e H1 s~o encontrados em 27, 47]. a a a
1 Tome como base o caso cont nuo.
60
Cap tulo 5
Estabilidade Dependente dos Par^metros a

5.1 Introduc~o a
A noc~o de estabilidade quadratica tem sido usada com grande sucessso na busca de soluc~es para problemas a o de analise de estabilidade, performance e s ntese de controladores. Entretanto nos problemas envolvendo sistemas com incerteza parametrica, em certos casos relacionados a depend^ncia temporal desses par^metros, e a essa noc~o de estabilidade torna-se restritiva. a Neste ponto e importante diferenciar as classes de incertezas parametricas em relac~o a sua depend^ncia no a e tempo. Sistemas com par^metros incertos e constantes, isto e, o par^metro tem um valor xo mas seu valaor a a exato n~o e conhecido 1 . a Sistemas com par^metros variantes no tempo e taxa de variac~o ilimitada. a a Sistemas com par^metros variantes no tempo e taxa de variac~o limitada. a a Muitos resultados ja foram propostos para os dois primeiros casos extremos, no caso de sistemas invariantes no tempo pelo \framework" -analysis e para o segundo caso pela noc~o de estabilidade quadratica. a A partir do trabalho de Barmish & DeMarco, em 48], um grande numero de pesquisadores tem se dedicado a obtenc~o de tecnicas de analise e s ntese utilizando func~es de Lyapunov com depend^ncia nos par^metros a o e a do sistema visando diminuir a conservatividade dos resultados apresentados pela estabilidade quadratica. Dentro desse contexto historico, grande parte dos resultados sobre esse tema possuem conex~es com o o \framework" de Popov e que s~o aplicaveis a seguinte classe de sistemas. a
x = A0 + _
L X i=1
i Ai
x)
P x = A0 x + L=1 bi wi _ i wi = i ci x , i = 1; : : : ; L
0
(5.1)
onde bi e ci s~o vetores que indicam como os par^metros i afetam a matriz do sistema nominal A0 . a a Por Popov a estabilidade do sistema (5.1) e investigada utilizando-se a seguinte func~o de Lyapunov do tipo a Lure-Postnikov.
X v(x; ) = x0 P0 + i i ci ci x
L
0
i=1
(5.2)
1 Note que neste
caso o sistema e invariante no tempo.
61
62
0
CAPITULO 5. ESTABILIDADE DEPENDENTE DOS PARAMETROS

0
onde a matriz P0 > 0 e os escalares i devem ser adequadamente determinados. Entretanto a restric~o esa trutural no modelo, Ai = bi ci , e na func~o de Lyapunov, Pi = ci ci , ainda produzem resultados conservativos. a Motivados pela restritividade dos testes de estabilidade existentes, surgiram, no decorrer dos ultimos anos, varios trabalhos aplicaveis a sistemas com incertezas invariantes no tempo e com taxa de variac~o limitada. a Esses trabalhos empregam func~es de Lyapunov com dep^ndencia parametrica, v(x; ) = x0 P ( )x, como, por o e exemplo, 29, 49] que utilizam as func~es de Lyapunov a m, onde a matriz P ( ) dependente dos par^metros o a e dada por: P ( ) = P0 + 1 P1 + + L PL (5.3) para matrizes Pj , j = 0; 1; : : : ; L, constantes. Observe na express~o abaixo que ao calcularmos a derivada temporal de v(x; ) = x0 P ( )x, nos sistemas a com incertezas variantes no tempo, aparecer~o termos na forma _j . a v(x; ) = d v(x; ) = x0 A( P ( ) + P ( )A( ) + d P ( ) x _ (5.4)
dt
dt
Dessa forma os resultados de estabilidade obtidos com func~es de Lyapunov dependente dos par^metros o a s~o dependentes das taxas de variac~o das incertezas, _j , o que n~o ocorre no caso quadratico. Logo, nos a a a casos onde os par^metros variam muito lentamente, a estabilidade quadratica pode tornar-se um teste de a estabilidade muito conservativo. Neste cap tulo, estudaremos a aplicac~o de func~es de Lyapunov com depend^ncia parametrica na analise a o e de estabilidade de sistemas lineares incertos. Em particular, analisaremos as func~es a ns apresentadas em o 29, 49] e as func~es bi-quadraticas 2 , introduzidas por Tro no em 50], onde a matriz P ( ) e quadratica em o . Para tal, este cap tulo esta organizado da seguinte maneira: Sec~o (5.2)]: a Sec~o (5.3)]: a Sec~o (5.4)]: a Sec~o (5.5)]: a analise de estabilidade utilizando func~es de Lypunov a m na incerteza. o analise de estabilidade utilizando func~es de Lyapunov Bi-Quadraticas. o atividade complementares. refer^ncias indicadas para complementac~o do conteudo proposto. e a
5.2 Estabilidade A m Quadratica (Matriz P ( ) a m em )

Considere o seguinte sistema linear incerto. x = A( )x = A0 + 1 A1 + _ + LAL , (5.5)
0
onde Aj 2 Rn n (j = 1; : : : ; L) s~o matrizes constantes, x 2 Rn e o vetor de estados e = 1 a L e o vetor dos par^metros incertos. a Nesta sec~o estamos interessados em obter condic~es LMIs para analise de estabilidade do sistema incerto a o (5.5), considerando a classe de func~es de Lyapunov, do tipo v(x; ) = x0 P ( )x, a m na incerteza, onde a o matriz P ( ) e dada por (5.3). Para tal, consideraremos a seguinte noc~o de estabilidade. a
De nic~o 5.2.1 (Estabilidade A m-Quadratica - AQS) a

O sistema linear incerto (5.5) a m-quadraticamente estavel se existem L +1 matrizes simetricas P0 ; : : : ; PL tais que as seguintes relac~es sejam satisfeitas para todos os valores e trajetorias admiss veis do vetor de o 0 par^metros = 1 a L . P ( ) := P0 + 1 P1 + + LPL > I A( )0 P ( ) + P ( )A( ) + dP ( ) < 0 (5.6)
veremos a seguir, podemos considerar a estabilidade a m quadratica como um caso particular da estabilidade BiQuadratica.
2 Como
dt
5.2. ESTABILIDADE AFIM QUADRATICA (MATRIZ P ( ) AFIM EM )

Em caso a rmativo, a func~o v(x; ) = x0 P ( )x e uma func~o de Lyapunov para (5.5). a a
63
222
A seguir, apresentamos as formulac~es convexas propostas em 49] e 29] para analise de estabilidade de o sistemas lineares com par^metros invariantes e variantes no tempo com taxa de variac~o limitada. a a
5.2.1 Sistemas com Incertezas Invariantes no Tempo

Considere o sistema linear incerto (5.5). Assuma que os par^metros j s~o constantes mas parcialmente a a _. conhecidos. Logo, nas condic~es de estabilidade n~o aparecera o termo o a
- Abordagem Politopica ( 49])

Assuma que os par^metros incertos j 2 j ; j ]. Esta considerac~o implica que 2 B , onde B e o politopo a a que de ne os valores admiss veis das incertezas. Como condic~es de estabilidade, tem-se que: o
v(x; ) > 0, e v(x; ) = x0 (A( )0 P ( ) + P ( )A( ))x < 0. _

Observe que a condic~o da derivada da func~o de Lyapunov n~o e convexa em . Para obter uma formulac~o a a a a convexa Gahinet et al., 49], utilizam a propriedade da multiconvexidade. Uma func~o F ( ; : : : ; L ) e multiconvexa em se para i ela for convexa em i com j constante (i 6= j ). Esta a propriedade e su ciente para garantir que se F ( ; : : : ; L ) > 0 nos vertice de B ent~o F ( ; : : : ; L) > 0 8 a 2 B . Considere que a func~o F ( ) pode ser reescrita como F ( ) = x0 M ( )x, onde M ( ) = M ( )0 e dada a por: X X X 2 M( ) = 0 + i i+ ij i j + i i
i i<j i
Para que F ( ) > 0, basta que M ( ) > 0. Ent~o, M ( ) deve ser multiconvexa, logo tem-se que: a 2 @ M ( ) 0 , i = 1; : : : ; L @ i2
para todo i . Maiores detalhes sobre multiconvexidade s~o encontrados em 22] e 49]. a Com a noc~o de multiconvexidade podemos enunciar o seguinte teorema sobre estabilidade a m quadratica a (AQS) proposto em 49].
Teorema 5.2.1 (Estabilidade A m Quadratica - AQS), 49]

Seja = B.
1
L
0
um vetor de par^metros constantes mas incertos, contidos em um dado politopo a
Considere a classe de sistemas lineares incertos de nida em (5.5). O sistema (5.5) e a m-quadraticamente estavel se existem matrizes P0 ; P1 ; : : : ; PL simetricas tais que as seguintes LMIs sejam satisfeitas nos vertices do politopo B . A( )0 P ( ) + P ( )A( ) < 0 P ( ) > In (5.7) Ai Pi + Pi Ai 0 , para i = 1; : : : ; L
0
64
Em caso a rmativo, v(x; ) = x0 P ( )x e uma func~o de Lypunov. a
onde a matriz P ( ) e de nida por (5.3).
222
Exemplo 5.2.1 (Estabilidade AQS)

Determine os valores maximo e m nimo admiss veis para o par^metro incerto invariante no tempo a seguinte sistema incerto. do
2x 3 _ 4 x1 5 _2
x3 _
2 4
0 1 0 0 0 1 ( 1 + 0:1 ) 2 ( 1 + 0:5 )
3 2x 3 5 4 x1 5 2
x3
Considere a noc~o de estabilidade a m-quadratica. a
) Soluc~o: a
Suponha que 2 ; ], logo o politopo B e de nido pelos seguintes vertices: e . Para determinar os valores maximo e m nimo admiss veis para devemos aplicar sistematicamente o teorema (5.2.1) ate que as condic~es (5.7) n~o sejam satisfeitas. o a Note que podemos reescrever o sistema como:
2x 3 _ 4 x1 5 _2
x3 _
02 @4
0 1 0 0 0 1 1 2 1
3 2 5+4
0 0 0 0 0 0 0:1 0 0:5
3 1 2x 3 5 A 4 x1 5 2
x3
Buscando o maior valor poss vel para e , atraves do teorema (5.2.1), obtemos os seguintes resultados.
--> P0,P1]=aqs(-5.01,0.25); Construction of canonical representation Basis Construction FEASIBILITY PHASE. primal obj. . . . 7.50e-13 dual obj. dual. gap
-8.82e-09
8.83e-09
Absolute accuracy reached feasible solution found -->P0 P0 = ! ! ! 8113.289 5959.2229 2177.6072 5959.2229 15262.962 3798.9305 2177.6072 ! 3798.9305 ! 6957.0571 !

-->P1 P1 = ! ! ! 9.7922824 160.11767 185.8004 160.11767 - 163.22112 - .0000122 185.8004 ! .0000122 ! 929.00226 !
65
Logo, pelo teste AQS, os valores maximos admiss veis para s~o: = 5:01 e = 0:25. a
444
- Abordagem por incerteza limitada em Norma ( 29])

Assuma que os par^metros incertos, invariantes no tempo, satisfazem a seguinte restric~o em modulo j i j a a , i = 1; : : : ; L. Considere a seguinte representac~o por frac~es lineares do sistema (5.5). a o
x = A0 x + Bp , B = A1 _ AL p = x , = diagfIn i g , i = 1; : : : ; L
(5.8)
onde a matriz A0 e Hurwitz. Podemos reescrever o vetor auxiliar p da seguinte maneira.
2p 3 2 x3 1 1 p = 6 ... 7 = 6 ... 7 2 RnL 4 5 4 5

pL
Lx
onde cada partic~o pi do vetor p satisfaz: pi = i x. Como j i j a podemos utilizar a tecnica do DG-scaling para obtermos condic~es LMIS para determinar a estabilidade do sistema. o O proximo teorema, proposto por Feron et al., em 29], apresenta condic~es em termos de LMIs, para analise o de estabilidade utilizando func~es de Lyapunov a ns em para um sistema com incerteza limitada em norma. o
Teorema 5.2.2 (Estabilidade A m Quadratica - Incerteza limitada em Norma), 29] Considere o sistema (5.8), onde j i j para todo i = 1; : : : ; L.
Considere a seguinte notac~o auxiliar. a
C = In
In
2 RnL n , S = diag Si , Si = Si 2 Rn
0
i=1
n ,
L L T = diag Ti , Ti = Ti 2 Rn n , P = diag Pi , Pi = Pi 2 Rn n i=1 i=1

0 0
O sistema (5.5) e a m-quadraticamente estavel se existem matrizes P0 , P , S e T tais que.
8 > " > 0 , S = S , P0 = P0 , P = P , T = T # < S P P A0 + 2 > (A(0B 0P++ 0PCA +C SC ) ((P0 B + A0C P CST < 0 : B C P + PCB ) 0 0 TC )
0 0 0 0 0 0 0 0 0 0 0 0
(5.9)
66
Em caso a rmativo, v(x; ) = x0 P ( )x e uma func~o de Lyapunov, onde a matriz P ( ) e dada por (5.3). a
222
Exemplo 5.2.2 (AQS - Incerteza Limitada em Norma)

Considere o sistema do exemplo (5.2.1). Suponha que a incerteza , invariante no tempo, e limitada em modulo por j j . Determine o maximo valor poss vel para teorema (5.2.2). ) Soluc~o: a tal que o sistema em estudo seja estavel pelo teste proposto pelo
Como neste sistema so temos uma incerteza, as condic~es do teorema s~o simpli cadas para: o a
8 > S > 0 , S = S 0 , P0 = P0 , P1 = P1 , T = # T 0 < " 9 P0 ; P1 ; S; T : > (A0 P0 + P0 A0 + 2 S ) (P0 A1 + A0 P1 T < 0 : (A1 P0 + P1 A0 + T ) (A1 P1 + P1 A1 S )
0 0 0 0 0 0
Aplicando a condic~o acima ao sistema em quest~o, obtemos os seguintes resultados. a a

--> P0,P1,S,T]=aqs_dg(1.11); Construction of canonical representation Basis Construction recomputing initial guess FEASIBILITY PHASE. primal obj. 1.00e-05 9.28e+01 2.66e+01 2.97e+00 -1.63e+00 dual obj. -5.93e+02 -5.93e+02 -6.43e+01 -1.19e+01 -6.35e+00 dual. gap 5.93e+02 6.85e+02 9.09e+01 1.49e+01 4.73e+00
Target value reached feasible solution found -->P0 P0 = ! ! ! 6227.4969 7214.6923 1141.9783 7214.6923 15631.607 3994.2717 1141.9783 ! 3994.2717 ! 6418.1757 !
-->P1

P1 = 769.41896 3886.0345 37.901086 - 235.31852 ! 37.901086 ! 2789.9106 !
67
! - 788.36738 ! 769.41896 ! - 235.31852 -->S S = ! ! ! 1020.6515 39.13483 208.20988
39.13483 602.36881 32.055665
208.20988 ! 32.055665 ! 3315.9726 !
-->T T = ! ! ! 0. 42.191971 2014.9845 - 42.191971 0. 3837.3372 - 2014.9845 ! - 3837.3372 ! 0. !
Logo, pelo teste AQS com incerteza limitada em norma os valores maximos admiss veis para s~o 1:11 a 1:11.
444
5.2.2 Sistemas Incertos com taxa de variac~o limitada a

Os par^metros variantes no tempo, i (t), s~o par^metros cujos valores variam no tempo em uma determinada a a a regi~o de valores, i ; i ]. Portanto o sistema din^mico e variante no tempo, tornando a busca por condic~es a a o de estabilidade convexas mais complexas e em geral mais restritivas. Quando estes sistemas possuem taxa de variac~o das incertezas limitada podemos utilizar as func~es de Lyapunov com depend^ncia parametrica, a o e do tipo v(x; ) = x0 P ( )x, visando obter condic~es com menor grau de conservatividade. o A di culdade em utilizarmos as func~es com depend^ncia parametrica e o surgimento de termos _i na o e determinac~o da derivada da func~o de Lyapunov. Entretanto estas func~es levam em conta a velocidade a a o de variac~o das incertezas, o que torna o teste de estabilidade menos conservativo em relac~o a estabilidade a a quadratica, principlamente nos casos com pequena taxa de variac~o, veja uma discuss~o mais detalhada em a a 49] e 51]. Logo, nesta sec~o, estamos interessados em obter condic~es convexas para analisar a estabilidade de sistemas a o lineares incertos com taxa de variac~o limitada. Em particular, apresentaremos as condic~es de estabilidade a o propostas em 49] que utilizam as func~es a m na incerteza. o Visando obter uma formulac~o LMI, considere que o sistema (5.5) possua par^metros incertos, limitados a a a uma regi~o politopica B , variantes no tempo. Assuma em relac~o a taxa de variac~o parametrica que: a a a A taxa de variac~o _i e bem de nida 3 para todo o tempo t. a A taxa de variac~o de satisfaz: a _ 2 B_ onde B _ e o politopo que de ne os valores admiss veis para o vetor taxa de variac~o _ = _1 a
(5.10) _L .
0
Para manipular o sistema variante no tempo, consideraremos _1 ; : : : ; _L como par^metros incertos adicionais, a limitados a regi~o politopica B _ . a
3 Em ingl^s, \well-de e
nied".
68
Com as considerac~es acima, para a matriz P ( ) dada por (5.3), tem-se que o
P ( _ ) = dP ( ) = _1 P1 + dt
+ _ L PL = P ( _ ) P0
(5.11)
Logo, podemos estender os resultados apresentados no teorema (5.2.1) para os sistemas variantes no tempo.
politopo que de ne os valores admiss veis para a taxa de variac~o das incertezas. Considere o sistema (5.5) a com par^metros variantes no tempo. a O sistema (5.5) e a m-quadraticamente estavel se existem L+1 matrizes simetricas P0 ; : : : ; PL que satisfazem as seguintes relac~es nos vertices do meta-politpo B = B B _ . o A( )0 P ( ) + P ( )A( ) + P ( _ ) < P0 P ( ) > In (5.12) 0 , para i = 1; : : : ; L (5.13) Ai Pi + Pi Ai onde P ( ) e dada por (5.3) e P ( _ ) por (5.11).
0
Teorema 5.2.3 (AQS - Sistemas Variantes no Tempo) Seja B um dado politopo que de ne os valores admiss veis para os par^metros incertos. Seja B _ um dado a
Em caso a ramtivo, v(x; ) = x0 P ( )x e uma func~o de Lyapunov para o sistema. a
222
Exemplo 5.2.3 (AQS - Sistema Variante no Tempo)

Considere o sistema do exemplo(5.2.1). Suponha que o par^metro incerto e variante no tempo mas limitado a ao intervalo ; ]. Assuma que a taxa de variac~o parametrica e limitada, onde _ 2 1; 1]. a Determine, utilizando o teorema (5.2.3), o valores maximo e m nimo admiss veis para a incerteza .
) Soluc~o: a
Aplicando as considerac~es acima ao teorema (5.2.3) obtemos os seguintes resultados. o
--> P0,P1]=aqs_lpv(-0.24,0.10); Construction of canonical representation Basis Construction FEASIBILITY PHASE. primal obj. . . . 9.74e-11 dual obj. dual. gap
-6.04e-09
6.15e-09
Absolute accuracy reached
5.3. ESTABILIDADE BI-QUADRATICA

feasible solution found -->P0 P0 = ! ! ! 28331.766 22039.685 7100.6839 22039.685 48540.794 14171.102 7100.6839 ! 14171.102 ! 20979.987 !
69
-->P1 P1 = ! - 88.070845 ! 156.3776 ! 867.48398 156.3776 121.07828 - .0004764 867.48398 ! .0004764 ! 4337.4137 !
Logo pelo teste AQS para sistemas com par^metros variantes no tempo os valores admiss veis para a incerteza a s~o: 0:24 a 0:10.
444
5.3 Estabilidade Bi-Quadratica

Na sec~o anterior tratamos do problema de analise da estabilidade do sistema (5.5) atraves de uma func~o a a de Lyapunov a m nos par^metros. Nesta sec~o vamos analisar a estabilidade deste mesmo sistema buscando a a encontrar uma func~o de Lyapunov quadratica em , do tipo v(x; ) = x0 P ( )x, com a P ( ) = P0 + P1 + 0 P10 + 0 P2 (5.14) onde = 1 I; ; L I ]0 2 B , que garanta a estabilidade do sistema incerto (5.5). Se encontrarmos uma v(x; ) = x0 P ( )x deste tipo que garanta a estabilidade dizemos que o sistema e Bi-quadraticamente estavel (BQS). Note que esta func~o de Lyapunov engloba os caso de estabilidade quadratica, quando as matrizes P1 e P2 a s~o iguais a zero e o caso de estabilidade a m, quando P2 = 0. a Supomos que as incertezas i est~o descritas na forma politopica e s~o variantes no tempo com uma taxa de a a variac~o dos par^metros descrita por (5.10). a a Para que o sistema (5.5) seja Bi-quadraticamente estavel, tem-se que satisfazer as seguintes condic~es de o estabilidade:
v(x; ) > 0 e _ v(x; ) = x0 (A( )0 P ( ) + P ( )A( ) + P ( ))x < 0, para todo 2 B e _ 2 B _ . _

Note que as condic~es acima n~o s~o convexas em A( ) e P ( ), n~o sendo assim poss vel trata-las diretamentes o a a a via LMI. No entanto pode-se reescrever o sistema (5.5) e a func~o de Lyapunov em func~o de uma variavel a a de estado auxiliar, obtendo condic~es convexas na nesta variavel de estado para a analise da estabilidade do o sistema original. Primeiramente vamos reescrever o sistema (5.5) como:
x = A0 A _
x ;
(5.15)
70

AL 2 Rn nL
LI
onde = x 2 RnL e uma variavel auxiliar e A = A1 =

1I
2 RLn
(5.16)
A din^mica da variavel auxiliar e dada por: a _ = _ x + x = _ + A0 _
(5.17)
Pode-se assim construir o seguinte sistema auxiliar, com o estado dado por 0 = x0 0 ]. _ = Aa ; Ca = 0
(5.18)
A Aa = _ + 0A A ; Ca = 0 A
Note que as trajetorias que satisfazem = x s~o equivalentes a Ca = 0, tornando assim o sistema (5.18) a equivalente ao sistema (5.5). Perceba tambem que a func~o de Lyapunov pode ser reescrita em func~o da nova variavel de estado . Ou a a seja:
v(x; ) = x0 P ( )x > 0
com P ( ) dado em (5.14) pode-se reescrever v(x; ) como
0 v(x; ) = x0 I P I x > 0
Como 0 = x0 0 ] tem-se:
v( ) = 0 P > 0
8 : Ca = 0
(5.19)
Com o sistema auxiliar (5.18) e a func~o de Lyapunov (5.19) obtem-se condic~es convexas para a analise da a o estabilidade do sistema (5.5). Este resultado sera enunciado a seguir na forma de um Teorema.
politopo que de ne os valores admiss veis para a taxa de variac~o das incertezas. Considere o sistema (5.5) a com par^metros variantes no tempo. a O sistema (5.5) e Bi-quadraticamente estavel se existem L +1 matrizes simetricas P0 ; : : : ; PL que satisfazem as seguintes relac~es nos vertices do meta-politpo B = B B _ . o
0 A0a P + PAa + LCa + Ca L0 < 0 0 M0 > 0 P + MCa + Ca
Teorema 5.3.1 (BQS - Sistemas Variantes no Tempo) Seja B um dado politopo que de ne os valores admiss veis para os par^metros incertos. Seja B _ um dado a
(5.20)
5.3. ESTABILIDADE BI-QUADRATICA
71
Em caso a rmativo, v(x; ) = x0 P x com P ( ) dado em (5.14) e uma func~o de Lyapunov para o sistema a (5.5)
Note que a prova sai pela aplicac~o das condic~es de estabilidade quadratica no sistema e na func~o de a o a Lyapunov auxiliar.Eliminando as variaveis auxiliares retorna-se as condic~es de estabilidade bi-quadratica o para o sistema (5.5), provando assim o teorema. Uma prova mais completa pode ser obtida em 50, 51]. As condic~es do Teorema 5.3.1, podem ser tambem utilizadas para sistemas com incertezas invariantes o no tempo. Neste caso basta supor que todos os par^metros incertos s~o constantes n~o tendo taxa de a a a variac~o. Bastanto assim testar as condic~es do teorema para os vertices da regi~o formada por B em vez a o a do meta-politopo B.
intervalo maximo admiss vel para a incerteza . Compare com os resultados obtidos quando utiliza-se uma func~o de Lyapunov a m. a
Exemplo 5.3.1 Para o exemplo 5.2.3, utilizando uma func~o de Lyapunov quadratica em determine o a
) Soluc~o: a
--> P,l,M]=BQS(-137,1.09) Construction of canonical representation Basis Construction FEASIBILITY PHASE. primal obj. 3.00e+02 . . . 1.15e-04 -3.64e-05 dual obj. -5.93e+06 dual. gap 5.93e+06
-7.43e-04 -2.65e-04
8.58e-04 2.28e-04
Target value reached feasible solution found M = ! ! ! ! ! ! l - 11.610531 - 99.186179 22.68837 - 0.2125781 - 0.0750520 - 0.0458462 = - 74.151683 - 52.977701 84.455619 ! 103.40267 ! 88.978679 - 37.91755 71.868624 - 0.0750547 - 0.7453960 - 0.0704144 28.546564 80.982193 11.981368 0.0457906 0.0703145 0.1903426 ! ! ! ! ! !
! - 5.3120818 ! - 24.592524
72
! - 48.64469 ! 2.5642068 ! 0.1672040 ! 12.570041 P = - 81.523528 7.4767521 0.0626429 38.297

245.22562 0.0691320 - 0.2364803 - 0.3615791 ! ! ! !
column 1 to 5 ! ! ! ! ! ! 534.83076 487.36685 154.42273 0.2265212 99.200867 26.126306 487.36685 1244.1194 253.85317 - 89.507621 - 6.7734878 - 77.007096 154.42273 253.85317 638.68709 25.092673 75.898678 - 1.5225829 0.2265212 - 89.507621 25.092673 0.2157746 0.0695873 - 0.0022441 99.200867 - 6.7734878 75.898678 0.0695873 0.9617961 - 0.0035119 ! ! ! ! ! !
column 6 ! ! ! ! ! ! 26.126306 77.007096 1.5225829 0.0022441 0.0035119 0.0171133 ! ! ! ! ! !
Logo pelo teste BQS para sistemas com par^metros variantes no tempo os valores admiss veis para a incerteza a s~o: 137 a 1:09.
444
5.4 Atividades
1. Prove que a ultima LMI do teorema (5.2.1) corresponde a condic~o de multiconvexidade. a 2. Considere o exemplo (5.2.1). Determine analiticamente os valores admiss veis para . Compare os resultados com as noc~es de estabilidade quadratica, a m-quadratica e biquadratica. o 3. No trabalho de Gahinet et al., 49], e proposto um re namento nas condic~es de estabilidade AQS, o tanto para incertezas invariantes no tempo como variantes no tempo, na qual e relaxada a condic~o de a multiconvexidade. Aplique esta nova condic~o e compare os resultados com o exerc cio anterior. a 4. Compare o resultado acima com o apresentado no exemplo (5.2.2). 5. Demonstre o resultado apresentado no teorema (5.2.2). Dica: utilize a tecnica do DG-Scaling. 6. Considere o exemplo (5.2.3). Repita o mesmo procedimento da atividade 3. Compare o resultado com a noc~o de estabilidade Quadratica. a 7. Prove o Teorema 5.3.1. 8. Estenda o resultado apresentado no Teorema 5.3.1 para incertezas do tipo Limitada em Norma.
73

Resultados sobre robustez em sistemas lineares com incertezas invariantes no tempo s~o encontrados em 28]. a Em 52], utiliza-se na analise de sistemas lineares incertos func~es de Lyapunov multi-a ns. Neste trabalho o s~o feitas interessantes conex~es com os resultados apresentados pelas tecnicas de Popov e estabilidade a m a o quadratica.
74
Parte II: Conceitos Avancados
Cap tulo 6
Sistemas LPV
Jose de Oliveira
6.1 Introduc~o a
Este cap tulo trata do problema de s ntese de sistemas lineares variantes no tempo do tipo LPV. Os resultados aqui apresentados foram obtidos empregando a abordagem LMI e uma func~o de Lyapunov a com depend^ncia parametrica. e Utilizando as noc~es de estabilidade quadratica, a m-quadratica e bi-quadratica e poss vel efetuar compao rac~es dos ressultados obtidos com cada uma destas de nic~es, e assim, avaliar o grau de conservativismo o o imposto por cada uma delas. No caso de s ntese, o problema de estabilizac~o robusta permite obter dois tipos de controladores: o controa lador robusto e o controlador LPV. Este ultimo conhecido na literatura por gain scheduling. Para facilitar a compreens~o e tornar este cap tulo o mais autocontido poss vel, inicialmente reveremos a rapidamente os problemas de analise e performance de sistemas lineares a par^metro-variantes, sec~es (6.2) a o e (6.3), apresentando a notac~o a ser utilizada no problema de s ntese. a
Notac~o: a
Por conveni^ncia denotaremos os par^metros incertos pela variavel ao inves da variavel usual . e a
6.2 Norma H2 para Sistemas Variantes no Tempo

Seja o sistema linear ~ _ G : x = A(t)x + Bw (t)w z = C (t)x 77 (6.1)
78
CAPITULO 6. SISTEMAS LPV
onde x(t) 2 Rn e o estado , w(t) 2 Rnw e a entrada , z (t) 2 Rnz e a sa da, e A(t), Bw (t) e C (t) s~o func~es a o matriciais reais de dimens~es apropriadas. o Quando as perturbac~es que afetam o sistema s~o sinais de forma conhecida, e poss vel representa-las como a o a sa da de um sistema din^mico excitado por um impulso, essa din^mica pode ser incorporada a planta G a qual a a considera-se como sendo excitada por perturbac~es w impulsionais. O sinal z (t) sera a resposta impulsional do o sistema, e a sua norma coincidira com jjGzw jj2 . Se modelarmos as perturbac~es como processos estocasticos o de densidade de pot^ncia conhecida, a norma de jjGzw jj2 coincide com o valor RMS da energia do sinal de e sa da. A de nic~o da norma H2 para func~es de transfer^ncia e dada por a o e Z +1 jjGjj2 = 21 trfG (jw)G(jw)gdw (6.2) 2 1 onde G(s) = C (sI A) 1 B + D. Esta equac~o e valida se o sistema for invariante no tempo, estavel e estritamente proprio, ou seja D = 0. a Se o sistema possuir D 6= 0, ent~o a norma H2 sera in nita. a Caso o sistema seja modelado por uma representac~o por variaveis de estado, a norma H2 pode ser calculada a tomando-se a seguinte de nic~o, que considera t variando no intervalo 0; T ]. a ~ ~ Seja o sistema G de nido por (6.1) exponencialmente estavel. Ent~o a norma H2 de G e de nida por a ~ 2 kGk2; 0; T ] = E
De nic~o 6.2.1 16] a
) 1 Z T z T (t)z (t)dt lim (6.3) T !1 T 0 onde x(0) = 0, w e um ru do branco de media nula com matriz de densidade de pot^ncia igual a identidade, e e E representa a esperanca matematica tomada em relac~o a w. a
222
A vantagem da de nic~o acima e que ela se aplica a sistemas variantes no tempo e com entradas do tipo a ru do branco. Para sistemas lineares invariantes no tempo a de nic~o (6.3) e equivalente a (6.2) com w sendo a um impulso unitario. O lema a seguir apresenta condic~es para obtenc~o da norma H2 com gramianos e empregando inequac~es o a o matriciais.
Lema 6.2.1
~ Seja o sistema G de nido por (6.1), e as seguintes condic~es: o ~ 1. Se o sistema G e exponencialmente estavel, ent~o a ZT n o ~ k2; 0; T ] = lim 1 kG 2 Tr C (t)Q(t)C (t) dt T !1 T 0 1 Z T Tr n B (t) R(t)B (t) o dt = Tlim T !1 0 onde Q(t) e R(t) satisfazem respectivamente _ Q(t) = A(t)Q(t) + Q(t)A(t) + B (t)B (t) ; Q(0) = 0
0 0 0 0
(6.4) (6.5) (6.6) (6.7)
_ R(t) = R(t)A(t) + A(t) R(t) + C (t) C (t); R(T ) = 0

0 0
6.2. NORMA H2 PARA SISTEMAS VARIANTES NO TEMPO

~ 2. Se existe uma func~o de matriz P (t) e P (t) de nida positiva e limitada em 0; 1) tal que a _ P (t) + A(t)P (t) + P (t)A(t) + B (t)B (t) < 0; 8 t 2 0; 1) _ ~ ~ ~ P (t) + P (t)A(t) + A(t) P (t) + C (t) C (t) < 0; 8 t 2 0; 1)
0 0 0 0
79 (6.8) (6.9) (6.10) (6.11)
~ ent~o o sistema G e exponencialmente estavel, e a
1 ~ 2 kGk2; 0; T ] < Tlim T Tr C (t)P (t)C (t) dt !1 0 Z

0
ZT n
T
1 Tr B (t) P (t)B (t) dt: < Tlim T !1 0

0
222
A norma H2 tambem pode ser calculada resolvendo-se um problema de otimizac~o convexa, o que sera a apresentado nas sec~es subsequentes. o O problema de s ntese padr~o de otimizac~o H2 consiste na obtenc~o do controlador que minimiza a norma a a a H2 de Gzw , isto e, entre as perturbac~es w e as sa das de interesse z . Para maiores detalhes veja 53] 25] o 54] 18]. ~2 Por quet~o de simplicidade de notac~o omitiremos 0; T ] em kGk2; 0; T ] nas aplicac~es deste lema. a a o
6.2.1 Norma H1 para Sistemas Variantes no Tempo

A norma H1 de uma func~o de transfer^ncia e calculada como sendo o maximo valor singular de G(jw) a e para todos os valores de w, isto e
jjG(jw)jj1 = sup fG(jw)g w
(6.12)
onde (:) denota o maximo valor singular de G(jw). Esta norma esta associada ao maior ganho que pode existir de alguma das entradas para alguma das sa das, ao longo de todo espectro de frequ^ncia. Assim, a minimizac~o da norma H1 de uma func~o de transfer^ncia e a a e consiste em abordar o problema de atenuac~o de perturbac~o analisando-se o pior caso poss vel de ganho a a entrada/sa da para o sistema. Para o sistema modelado por uma representac~o de variaveis de estados, como em (6.1) onde sem perda de a generalidade considerou-se Dw (t) = 0, a norma H1 pode ser calculada tomando-se a seguinte de nic~o. a ~ De nic~o 6.2.2 (jjGwz jj1 ) a ~ Admita que o sistema (6.1) seja exponencialmente estavel e seja Gwz o operador entrada/sa da de w(t) para ~ wz , ou do sistema (6.1), como sendo z (t) de (6.1). Ent~o de ne-se a norma H1 do operador G a ~ jjGwz jj1 =
kz k2 kwk2 ; x(0) = 0 : w2L2 ; kwk2 6=0

sup
222
~ Note que jjGwz jj1 representa o ganho induzido pela norma L2 de sinais. A norma H1 pode ser encontrada da seguinte forma ~ ~ jjGwz jj1 = inf fkGwz k1 < g:
80
~ Esta tecnica de encontrar jjGwz jj1 consiste na busca de > 0. Para cada , testa-se a condic~o jjGwz jj1 < a ~ incrementando-se ou decrementendo-se . ~ Ent~o, determinar se jjGwz jj1 < e um problema algebrico que consiste em encontrar condic~es sobre a a o ~ ~ realizac~o A(t); B (t); C (t); D(t) em G que sejam equivalentes a jjGwz jj1 < . a Para o caso de s ntese o problema subotimo H1 consiste em encontrar um controlador tal que a norma H1 da func~o de transfer^ncia Gwz seja menor que um valor pre-especi cado. O problema otimo H1 consiste a e em encontrar um controlador que minimize essa norma. Para maiores detalhes veja 55] 56] 16]. Com estas de nic~es estamos aptos a apresentar abordagens LMI que permitem a garantia de limitantes o para as normas H2 e H1 atraves de um problema de factibilidade.
6.3 Analise de Sistemas LPV

6.3.1 Estabilidade Robusta
Ao longo desta sec~o, apresentam-se condic~es LMI para analise de estabilidade e performance de sistemas a o lineares variantes no tempo na seguinte forma: x = A( )x; x(0) = x0 _ (6.13) onde a matriz de din^mica A( ) possue uma depend^ncia a m com o par^metro . Isto e a e a
A( ) = A0 + x 2 Rnx e o estado do sistema, Ai 2 Rnx nx ; i = 0; 1;
n X i=1
i Ai
(6.14)
; n s~o matrizes conhecidas e i ; i = 1; ; n a s~o par^metros reais que possuem magnitude e taxa de variac~o temporal _ limitada. Admite-se que os a a a par^metros e suas respectivas taxas de variac~o possam assumir qualquer valor dentro de um politopo a a cujos vertices s~o conhecidos a priori . a ( ; _) 2 (6.15)
Admita que o sistema (6.13) seja repesentado pela seguinte equac~o a
x = A0 A _
onde
I x
(6.16)
nx n
A = A1
=
1 Inx
An
n Inx
2 Rnx
(6.17) (6.18)
0 2 Rnx n nx
Empregando (6.16), apresenta-se a seguir um teorema que prop~e condic~es su cientes na analise de estabio o lidade robusta.
Teorema 6.3.1 Seja o sistema (6.13) e a seguinte notac~o a A Aa = _ + 0 A A ; 0 A

Ca = Inx n
a=
Inx
(6.19)
6.3. ANALISE DE SISTEMAS LPV

vertices do politopo .
81
e seja um politopo constru do a partir dos valores de ( ; _). Admita que existe uma matriz simetrica P 2 Rnx (n +1) nx (n +1) e matrizes L; M 2 Rnx (n +1) nx n tais que as seguintes LMIs sejam satisfeitas nos
0 A0a P + PAa + LCa + Ca L0 < 0 (6.20) 0 M0 > 0 P + MCa + Ca Ent~o o sistema (6.13) e bi-quadraticamente estavel e v(x; ) = x0 P ( )x e uma func~o de Lyapunov para o a a
sistema.
222
Exemplo 6.3.1 (Analise de Estabilidade de um Sistema LPV)

O sistema apresentado a seguir
8 x = 120 _
9 18 x +
108 9 x 120 17
(6.21)
e assintotivamente estavel para todo xo no intervalo 0 1. Porem ele n~o e quadraticamente estavel, a isto e, n~o pode variar arbitrariamente rapido dentro do mesmo intervalo. a Objetiva-se para este exemplo, encontrar a maxima taxa de variac~o j _j a o max tal que as de nic~es de estabilidade bi-quadratica e a m-quadratica sejam satisfeitas. Para tanto utilizaremos o Teorema 6.3.1 onde a de nic~o de estabilidade a m-quadratica e obtida fazendo a P2 = 0 como apresentado no cap tulo anterior, sec~o (5.3). a Estabilidade bi quadratica ) j _j max = 66: Estabilidade afim quadratica ) j _j max = 62:
444
Note que um menor conservativismo foi obtido com o resultado que emprega a noc~o de estabilidade bia quadratica uma vez que esta e mais geral que a noc~o de estabilidade a m-quadratica. a
6.3.2 Performance robusta em H2

Seja o sistema linear
x = A( )x + Bw ( )w _ z = C ( )x
com
(6.22)
2 I 3 1 nx =6 . 7 ; 4 .. 5
n Inx
a=
Inx
2 I w 6 1nnw I ; w = 6 .. 6 . 4
n Inw
3 7 7 7 5
(6.23)
podem variar no tempo.
A( ) = A0 + A ; Bw ( ) = Bw w ; C ( ) = C a onde x 2 Rnx ; w 2 Rnw ; z 2 Rnz s~o respectivamente os vetores de estado, disturbio e de performance; a A; Bw ; C s~o matrizes dadas de dimens~es compat veis, = ( 1 ; : : : ; n ) 2 Rn s~o par^metros reais, que a o a a
82
O teorema seguinte permite estudar o problema de performance H2 para sistemas variantes no tempo do tipo LPV. Este estudo e feito empregando-se LMIs que apresentam condic~es su cientes. A soluc~o numerica o a destas LMIs em conjunto com um problema de otimizac~o convexa permite que um limitante superior para a a jjGwz jj2 seja obtido.
Teorema 6.3.2 Seja o sistema (6.22) e a seguinte notac~o a A Aa = _ + 0 A A ; Ca = 0 A

Cb = B 0( ) w
e seja
Inx n Inw
0 0
a
Inx (n +1)
0
(6.24)
P 2 Rnx (n +1) nx (n +1) , matrizes L 2 Rnw +nx (n +2) nx , M 2 Rnx (n +1) nx n , e uma func~o matricial a simetrica N ( ) 2 Rnw nw e o escalar l que solucionam o seguinte problema de otimizac~o, onde as LMIs a
est~o satisfeitas nos vertices do politopo . a
um politopo constru do a partir dos valores de ( ; _). Admita que existe uma matriz simetrica
minimize flg :
0 A0a P + PAa + MCa + Ca M 0
2 N( ) 0 0 6 0 P P a 6 0 0P 0 4 a
0 0 0
C0
0 0 0 0nx
3 7 + LC + C 0 L0 > 0 7 b b 5
Inz < 0
(6.25)
l TrfN ( )g 0
Ent~o o sistema n~o forcado x = A( ) x e bi-quadraticamente estavel, com a func~o de Lyapunov V (x; ) = a a _ a x0 P ( )x, e a norma H2 do sistema satisfaz
1 T jjGwz jj2 < Tlim T TrfBw ( )0 P ( )Bw ( )gdt < l 2 !1 0
(6.26)
222
6.3.3 Performance robusta em H1

Seja o sistema linear variante no tempo descrito pela seguinte equac~o de estado. a
x = A( )x + Bw ( )w _ z = C ( )x + Dw ( )w
com
(6.27)
A( ) = A0 + A ; Bw ( ) = Bw w ; C ( ) = C a; Dw ( ) = Dw w
2 I 3 1 nx =6 . 7 ; 4 .. 5
n Inx
Inx a=
2 I w 6 1nnw 6 I. ; w=6 . 4 .
n Inw
3 7 7 7 5
(6.28)
6.4. SINTESE PARA SISTEMAS LPV
83
onde x 2 Rnx ; w 2 Rnw ; z 2 Rnz s~o respectivamente os vetores de estado, disturbio e de performance; a A0 ; A; Bw ; C ; Dw s~o matrizes dadas de dimens~es compat veis, = ( 1 ; : : : ; n ) 2 Rn s~o par^metros a o a a reais, que podem variar no tempo. Se sup~e que estes par^metros e suas respectivas taxas de variac~o possam o a a assumir qualquer valor dentro de um politopo cujos vertices s~o conhecidos a priori . a A soluc~o das LMIs, apresentadas no teorema a seguir, em conjunto com o problema de otimizac~o convexa, a a permite que um limitante superior para a jjGwz jj1 seja encontrado.
Seja a notac~o a
Teorema 6.3.3 Seja o sistema (6.27) e um politopo dado que representa os valores admiss veis de ( ; _).
2 A( ) a 0 0 0 I 6 a 0 I 0 0 6 = 6 C( ) 0 0 I 0 6 0 0 0 0 I 4 2 0 0 6 0 0 6 _ 6P a P a 6 =6 0 6 6 0 0 0 6 4 C( ) 0
0 _ 0a P 0 0
0a P 0a P
C =
I]
0 0 0 0 I 0 0 0
0 0 0 0
Bw ( ) Dw ( ) C ( )0
0 0 0 0
0 0 0
3 7 7 7 7 5
0 0 0 0 0 0 2Inw
0 0 0 0 0 0 Inz 0 0 0 0 0 0 Ent~o, dado um escalar > 0, o sistema (6.27) e bi-quadraticamente estavel e jjGjj1 < , se existem a matrizes P 0 = P , M e L tais que as LMIs + M + 0M 0 < 0 (6.29)
0 P + LCa + Ca L0 > 0
Inz
P a
0 0
3 7 7 7 7: 7 7 7 7 5
(6.30)
s~o fact veis em todos os vertices do politopo . Alem disso, a func~o V (x; ) = x0 P ( )x e uma func~o de a a a Lyapunov para o sistema (6.27) n~o forcado (w 0). a
222
6.4 S ntese para Sistemas LPV

6.4.1 Estabilizac~o robusta a
Seja um sistema linear variante no tempo descrito por
n X i=1
x = A0 + _
i Ai
x + Bu u:
(6.31)
O sistema (6.31) pode ainda ser representado da seguinte forma
x = A0 A _
com
I x+B u u An
(6.32)
A = A1
2 Rnx
nx n
84
0 = 1I n I 2 Rnx n nx onde A0 , A e Bu s~o matrizes constantes dadas de dimens~es compat veis, x 2 Rnx ; u 2 Rnu s~o respectivaa o a mente os vetores de estados e entrada de controle; := ( 1 ; ; n ) e um vetor de par^metos reais variante a no tempo limitado em magnitude e taxa de variac~o. a O sistema (6.31) e considerado como um sistema linear com depend^ncia parametrica do tipo LPV, onde e a a a i (t), i = 1; : : : ; n , est~o dispon veis para medida "on-line", contudo, suas trajetorias n~o est~o dispon veis a priori . E admitido que os valores de i (t) e _(t), para todo t 0, pertence ao politopo . Neste caso, objetiva-se projetar um controle por realimentac~o de estados com depend^ncia parametrica a m que a e estabilize o sistema realimentado. A lei de controle que procuramos e do tipo
u = K ( )x; K ( ) = K0 +
Apresenta-se a seguir uma soluc~o para o problema acima. a
n X i=1
Ki i :
(6.33)
Teorema 6.4.1 Seja o sistema (6.31) e um politopo dado que representa os valores admiss veis de ( ; _). Seja a notac~o a A Aa = _ + 0 A A ; a = Inx 0 A
Se existem matrizes W = W 0 > 0 , Fa , L e N , tais que as seguintes condic~es s~o satisfeitas em todos os o a vertices do politopo
0 0 WA0a + Aa W + Ba Fa + Fa0 Ba + LCa + Ca L0 < 0
Ca =
I ; Ba = a Bu :
(6.34) (6.35)
Ca W = NCa :
Ent~o existe uma realimentac~o de estados do tipo (6.33) tal que o sistema em malha fechada e bi-quadraticamente a a estavel, onde os Ki ganhos da lei de controle s~o dadas por: a
e V (x; ) = x0 0a W 1 ax e uma func~o de Lyapunov para o sistema em malha fechada. a
K0 K1
Kn ] = Fa W 1
(6.36)
222
O sistema realimentado com os ganhos (6.36) passa a ter a seguinte formulac~o a
x(t) = (A0 + Bu K0 ) + (A1 + Bu K1 ) 1 + _
+ (An + Bu Kn ) n ]x:
Quando os par^metros n~o est~o dispon veis para medida, eles n~o podem aparecer na lei de controle a a a a (6.33). Neste caso os elementos das matrizes Ki s~o assumidos como nulos. Note no Teorema 6.4.1, que a a lei de controle admitira as matrizes Ki nulas, se as partic~es correspondentes da matriz Fa em (6.36) forem o zeradas e a matriz W admitir uma estrutura bloco diagonal. Observe ainda, que a remoc~o dos par^metros a a
85
da lei de controle, n~o implica em remov^-los da func~o de Lyapunov, mantendo-se assim as condic~es de a e a o robustez desejada. Uma caracter stica interessante da lei de controle apresentada em (6.33) e que ela possue uma depend^ncia e parametrica a m, o que facilita a implementac~o "on-line", quando comparada as tecnicas de controle a apresentadas em 57], 58], nas quais a depend^ncia parametrica e n~o linear. e a
Exemplo 6.4.1 (S ntese de Controladores de um Sistema LPV)

Consideremos a seguinte representac~o do sistema. a
x = A( 1 ; 2 )x + Bu _
Onde A( 1 ; 2 ) = A0 + 1 A1 + 2 A2 com 2 0:02 0:005 2:4 32 6 44 1 A0 = 6 00:14 00::018 1::3 1:30 4 6 2 0 0 1 0
(6.37)
20 6 A1 = 6 0 40
0 0 0 0 0
0 0 0 0
32 0 0 0
3 7 7 5
3 2 0:14 0:12 3 7 B = 6 0:36 8:6 7 7 6 0:35 0:009 7 5 4 5 0 0 20 0 0 03 6 7 A2 = 6 0 0 0:6 0 7 40 0 1 05

0 0 0 0
Sob condic~o nominal ( 1 = 2 = 0) t^m-se a e 2 0:02 0:005 6 44 A( 1 ; 2 ) = A0 = 6 00:14 00::018 4 0 0
2:4 32 1:3 30 1:6 1:2 1 0
3 2 0:14 0:12 3 7 B = 6 0:36 8:6 7 7 6 0:35 0:009 7 5 4 5

0 0
(6.38)
O sistema nominal e instavel, estabilizavel por realimentac~o de estados usual e possue os seguintes polos a
8 0:49 + j 0:41 > < polos > 0::49 j 0:41 : 0 065 2:227
j i j 0:1; i = 1; 2
E ainda que o par^metro 1 esteja sujeito a uma taxa de variac~o de a a j _1 j 0:01 Com a representac~o acima podemos construir as seguintes matrizes a = 1 I4 4 2 I4 4
(6.39)
Na matriz de din^mica s~o considerados dois par^metros incertos. Vamos supor que os par^metros incertos a a a a satisfazem
(6.40) (6.41) (6.42) (6.43)
A = A1 A2
Que permitem obter as matrizes Aa ; Ba e Ca . Resolvendo as LMIs dadas por (6.34) e (6.35) obtem-se as seguintes matrizes de ganho
86

K0 = K1 = K2 =
0:35962 0:14920 0:00522 0:06036 175:356 8:05411 358:712 20:3938 (6.44)
0:00473 0:00227 0:70233 27:0259 0:00027 0:00010 0:04980 0:52741 0:00513 0:00112 5:23728 9:39744 0:00029 0:00006 0:24730 0:46486
A lei de controle que estabiliza o sistema (6.37) e dada por u = K0 x + 1 K1 x + 2 K2 x E o sistema realimentado passa a ter a seguinte representac~o a x(t) = (A0 + BK0 ) + (A1 + BK1 ) 1 + (A2 + BK2 ) 2 ]x _
(6.45) (6.46)
444
6.4.2 Estabilizac~o robusta empregando norma H2 a

Esta sec~o trata do problema de projeto de uma lei de controle baseada na noc~o de estabilidade bia a quadratica. Objetiva-se encontrar um limitante superior para a norma H2 tal que 8( ; _) 2 . Dentro desta abordagem, a estabilidade e o custo H2 para o sistema em malha fechada est~o baseados em uma a func~o de Lyapunov com depend^ncia parametrica. a e Nos estaremos buscando por formulac~es LMI que apresentem condic~es su centes para estabilizac~o do o o a sistema. Seja o sistema x = A( )x + Bw ( )w + Bu u _ (6.47) z = C ( )x + Du ( )u com A( ) = A0 + A ; Bw ( ) = Bw w ; C ( ) = C a ; Du ( ) = Du u
2 I 3 1 nx =6 . 7 ; 4 .. 5
n Inx
a=
Inx
2 I w 6 1nnw 6 I. ; w=6 . 4 .
onde A0 , A, Bw , Bu , C , Du s~o matrizes constantes dadas de dimens~es compat veis, x 2 Rnx , u 2 Rnu , a o w 2 Rnw , z 2 Rnz s~o respectivamente os estados, a entrada de controle, a entrada de disturbio e a sa da de a performance; := ( 1 ; ; n ) e um vetor de par^metos reais variante no tempo limitado em magnitude e a taxa de variac~o. a O sistema (6.47) e considerado como um sistema linear com depend^ncia parametrica do tipo LPV, onde e a i (t), i = 1; : : : ; n , est~o dispon veis para medida "on-line". E admitido que os valores de i (t) e _ (t), para todo t 0, pertence ao politopo . Neste caso, objetiva-se projetar um controle por realimentac~o de a estados com depend^ncia parametrica a m que minimize o limitante superior para a norma H2 do sistema e realimentado.
n Inw
3 7 7 ; 7 5
2 I u 6 1nnu 6 I. u=6 4 ..
n Inu
3 7 7 7 5
Teorema 6.4.2 Seja o sistema (6.47) e a notac~o seguinte a A Aa = _ + 0 A A ; Ba = Inx Bu 0 A

Ca = I ; Cb = 0nx nw
0a
Inx :
(6.48)
87
E seja um politopo constru do a partir dos valores de ( ; _). Admita que existe uma matriz simetrica W 2 Rnx (n +1) nx (n +1) , matrizes Fa 2 Rnu nx (n +1) , L 2 Rnw +nx (n +2) nx , M 2 Rnx (n +1) nx n , Q 2 Rnx n nx n , uma func~o matricial N ( ) 2 Rnw nw e o escalar l que solucionam o seguinte problema de a otimizac~o, onde as LMIs est~o satisfeitas nos vertices do politopo . a a minimize flg :
0 0 WA0a + Aa W + Fa0 Ba + Ba Fa + MCa + Ca M 0 W C 0 + Fa0 Du ( )0 < 0 C W + Du ( )Fa Inz 2 N ( ) 0 B ( )0 3 4 0 W w0 5 + LCb + Cb0 L0 > 0 Bw ( ) 0 0nx l TrfN ( )g 0 QCa = Ca W
(6.49) (6.50) (6.51) (6.52)
Os ganhos Ki da lei de controle (6.33) s~o dados por: a K0 K1 Kn ] = Fa W 1 : (6.53) Ent~o o sistema (6.47), em malha fechada com a lei de controle (6.33), e bi-quadraticamente estavel e um a p limitante superior para a norma H2 e dado por jjGwz jj2 < l. Sob estas condic~es, v(x; ) = x0 P ( )x, com o P ( ) = 0aW 1 a, e uma func~o de Lyapunov para a o sistema aut^nomo em malha fechada. o
222
6.4.3 Estabilizac~o robusta empregando a norma H1 a

Seja o sistema linear variante no tempo descrito pela seguinte equac~o de estados a x = A( )x + Bw ( )w + Bu ( )u _ z = C ( )x + Dw ( )w + Du ( )u com (6.54)
A( ) = A0 + A ; Bw ( ) = Bw w ; Bu ( ) = Bu u
2 I 3 6 1 ...nx 7 ; =4 5
n Inx
C ( ) = C a; Dw ( ) = Dw w ; Du ( ) = Du u
a=
Inx
2 I w 6 1nnw 6 I. ; w=6 . 4 .
n Inw
3 7 7 ; 7 5
2 I u 6 1nnu 6 I. u=6 4 ..
n Inu
3 7 7 7 5
(6.55)
a onde x 2 Rnx , u 2 Rnu , w 2 Rnw , z 2 Rnz s~o respectivamente os vetores de estado, entrada, disturbio e de performance; A0 , A, Bw , Bu , C ; Dw , Du ; s~o matrizes dadas de dimens~es compat veis, = ( 1 ; : : : ; n ) 2 a o a a Rn s~o par^metros reais, que podem variar no tempo. O sistema (6.54) e considerado como um sistema linear com depend^ncia parametrica do tipo LPV, onde e a a i (t), i = 1; : : : ; n , est~o dispon veis para medida em tempo real. A unica informac~o conhecida a priori e que os valores de i (t) e _(t), para todo t 0, pertence ao politopo . Neste caso, objetiva-se projetar um controle por realimentac~o de estados com depend^ncia parametrica a m, dado por (6.33), que minimize o a e limitante superior para H1 do sistema realimentado. A soluc~o para o problema acima e dada pelo seguinte teorema. a
88
Seja a notac~o a
Teorema 6.4.3 Seja o sistema (6.54) e um politopo dado que representa os valores admiss veis de ( ; _).
2 WA0 + A W + LC + C 0 L0 F 0 B0 ( ) 0 W C 0 + F 0 0 D0 a u a u u 6 a a u( )Fa a a B 0 Bw ( ) 0 6 c=4 0 2I 0w Dw 0 0 Bw ( )

C W + Du u Fa
c=
Dw
3 7 7 5
(6.56)
0a
Inx 0 0 I ]:
(6.57)
onde
Aa =
A0 A _ + A0 A ; Ca =
Se existem matrizes W > 0, Fa , L, M , e N , um escalar > 0, tais que as seguintes condic~es s~o satisfeitas o a em todos os vertices do politopo :
c + M c + 0c M 0 < 0
NCa = Ca W
(6.58) (6.59)
Ent~o existe uma realimentac~o de estados do tipo (6.33) tal que o sistema em malha fechada e bi-quadraticamente a a estavel, onde os Ki ganhos da lei de controle s~o dados por: a K0 K1 Kn = Fa W 1 (6.60) e V (x; ) = x0 0a W 1 a x e uma func~o de Lyapunov para o sistema em malha fechada. a
222
6.5 Atividades
1. Prove os resultados apresentados nos Teoremas 6.3.1, 6.3.2, 6.3.3. 2. Considerere o sistema x(t) = A( )x(t) + Bw ( )w(t) _ z (t) = C ( )x(t) onde o par^metro e um escalar e a 9:5 20 A( ) = 1:65 1:3 2 7 10 (6.61) 3:75 + 0:5 3:5 5
: ; Bw ( ) = 2:14+ 262
C( ) = 1 0 : 0 1
Este sistema possue um par^metro incerto e e estavel para j j 0:765. a p a) Com j j 0:6 e j _j 10 utilize o Teorema 6.3.2 e trace um gra co j _j l utilizando as noc~es de o estabilidade quadratica, a m-quadratica e bi-quadratica. b) Baseado no item a) o que se pode concluir a respeito do concervativismo imposto por cada uma das de nic~es de estabilidade. o 3. Considerere o sistema x(t) = A( )x(t) + Bw ( )w(t) _ (6.62) z (t) = C ( )x(t) + Dw ( )w(t)
6.5. ATIVIDADES
onde
89 1 1:3 1+2 0:5 20 2 10 2 ; Bw ( ) = 1 + 2:6 1 0 : 0 empregando as noc~es de o 4 + 0:5 1 5
A( ) =
C( ) = 1 0
0 ; D ( )= 0 w 1 0
Com 2 0; 1] e _ 2 10; 10] utilize o Teorema 6.3.3 e trace o gra co _ estabilidade quadratica, a m-quadratica e bi-quadratica. 4. Compare os gra cos das aplicac~es 1) e 2) e conclua. o 5. Prove os resultados apresentados nos Teoremas 6.4.1, 6.4.2, 6.4.3. 6. Seja o sistema
x = A( )x + Bw ( )w + Bu _ z = C ( )x + D( )u
onde
(6.63) 0:03 0:3 0:47 + 0:9
A( ) =
4:1 3 2
1 2 3:2
; Bw ( ) =
B = 3 ; C ( ) = 1 1 ; D( ) = 0 : 2 0 0 1
O sistema acima e instavel para < 0:248596. Utilizando o Teorema 6.4.2 e admitindo j j j _j 5 obtenha: Controlador robusto. b) Controlador LPV. c) Compare o valor da norma obtido com cada controlador e conclua a respeito. 7. Seja o sistema
a)
(6.64) 3e
x = A( )x + Bw ( )w + Bu u _ z = C ( )x + Dw ( )w(t)+ Du ( )u
onde
(6.65)
A( ) = Bw ( ) =
4:1 3 2
1 2 3:2
; Bu = 3 ; 2
1 ; 0
0:03 0:3 0:47 + 0:9
; C( ) = 1 0
Du ( ) = 0 ; Dw ( ) = 0 : 1 0
Considere o caso de projeto de um controlador por realimentac~o de estados que estabilize o sistema a (6.65) e atenda ao criterio de performance H1 . Com o Teorema 6.4.3 e admitindo j j 3 e j _j 5 obtenha. a) Controlador robusto. b) Controlador LPV. c) Compare o valor da norma obtido com cada controlador e conclua a respeito.
90
Cap tulo 7
Analise de Sistemas N~o Lineares a

Daniel F. Coutinho
7.1 Introduc~o a
Os sistemas de controle, em geral, contem ao menos um componente n~o linear. Este comportamento n~o a a linear apresenta caracter sticas importantes que n~o parecem nos sistemas lineares, como, por exemplo: a Multiplos Pontos de Equil brio. Neste caso a estabilidade tem um comportamento local, diferentemente do caso linear onde temos sempre um comportamento global, portanto cada ponto de equil brio tem associado uma regi~o de atrac~o que denotaremos por RA . a a Ciclos Limites ou oscilac~es auto sustentadas. Os sistemas n~o lineares podem oscilar com amplitude e o a frequ^ncia xa sem sinal externo de excitac~o, onde estes ciclos limites podem ser estaveis ou instaveis. e a Bifurcac~es. Quando os par^metros de um sistema n~o linear variam, o comportamento de um ponto o a a de equil brio pode mudar, inclusive podendo gerar multiplos pontos de equil brio. Caos. Em sistemas n~o lineares pequenas variac~es nas condic~es iniciais podem gerar grandes mua o o dancas no comportamento din^mico do sistema, as vezes n~o previs vel. a a Os fatores acima, tornam a analise de sistemas um importante campo de estudo no caso n~o linear. Sendo a a estabilidade de um ponto de equil brio o seu principal foco. Em geral, caracterizamos a estabilidade de um sistema n~o linear pela teoria de Lyapunov. Esta teoria consiste na utilizac~o de uma func~o escalar, relaa a a cionada a energia do sistema, para determinar a estabilidade do sistema. A maior di culdade deste metodo e a busca de func~es adequadas, que realmente fornecam informac~es relevantes sobre o comportamento do o o sistema n~o linear. a Os metodos classicos de analise e s ntese dos sistemas n~o lineares empregam o metodo indireto de Lyapunov, a linearizac~o por partes deste sistema em torno do(s) ponto(s) de operac~o. Entretanto, quando o sistema a a apresenta um elevado grau de n~o linearidade, ou mesmo, incertezas parametricas, este metodo torna-se a inadequado a analise destes sistemas. Quando o metodo indireto de Lyapunov n~o e adequado na analise de um sistema n~o linear, devemos buscar a a numericamente func~es de Lyapunov adequadas. Neste caso, o controle otimo n~o linear e uma das principais o a areas de estudo relacionada a determinac~o de func~es de Lyapunov. Entretanto, a soluc~o de problemas de a o a 91
92
CAPITULO 7. ANALISE DE SISTEMAS NAO LINEARES
controle otimo, no caso n~o linear, s~o caracterizadas pelas equac~es de Hamilton-Jacobi (HJE) que s~o de a a o a dif cil soluc~o, existindo na literatura varios metodos de soluc~o aproximada, 59], 60], 61], 62, 63], 64, 65]. a a Restringindo a classe de sistemas, alguns trabalhos buscaram soluc~es mais simples, como 66], que utiliza o equac~es algebricas de Riccati (AREs) e 44] que utilizam LMIs. Como ja demonstrado nos cap tulos ano teriores, as LMIs tem demonstrado ser uma ferramenta versatil e numericamente e ciente gerando varios trabalhos que de alguma forma buscam formulac~es convexas para a analise e s ntese de controladores para o sistemas n~o lineares incertos ou n~o, como, por exemplo, 15, 67], 68], 69], 70], 71], 72], 73], 74, 75]. a a Neste cap tulo, estudaremos as tecnicas LMI para analise de sistemas n~o lineares incertos propostas nos a trabalhos de El Ghaoui et al., que utilizam func~es de Lyapunov quadraticas 44, 15], e de Tro no, que o utilizam func~es de Lyapunov dependente dos estados e dos par^metros 74, 75]. o a Para tal, este cap tulo esta organizado da seguinte maneira. Na sec~o (7.2) apresentamos algumas de nic~es a o e considerac~es sobre as noc~es de estabilidade e classe de sistemas a ser estudada. Na sequ^ncia, sec~o (7.3), o o e a apresentamos os resultados baseados na representac~o de sistemas LFR. A sec~o (7.4), apresenta metodos a a de analise considerando func~es dependentes dos estados e dos par^metros. Finalizando, s~o propostas o a a atividades, sec~o (7.5), e refer^ncias complementares (7.6). a e
7.2 Formulac~o do Problema a

Considere a seguinte classe de sistemas n~o lineares incertos. a x = f (x; ) = A(x; )x _ (7.1) a onde x 2 Rm0 e o vetor de estados, = (t) 2 Rn e o vetor de par^metros incertos e A( ; ) 2 Rm0 m0 e uma func~o matricial racional nos seus argumentos. Assuma que a origem do sistema e um ponto de equil brio a e que o lado direito da equac~o diferencial (7.1) e limitado para todos os valores de x e de interesse, isto e, a x esta limitado a uma regi~o Bx que contem a origem e os valores admiss veis de pertencem a uma regi~o a a B. Os problemas a serem considerados neste cap tulo s~o: a
a) b)
Determinar a estabilidade assintotica do sistema (7.1) na vizinhanca da origem (estabilidade local), para todos os valores admiss veis de . Determinar uma estimativa adequada da regi~o de atrac~o da origem do sistema (7.1). a a
Para determinarmos a estabilidade de um sistema dentro de uma regi~o Bx Rm0 buscaremos numericamena te func~es de Lyapunov Quadraticas, sec~o (7.3), e polinomiais, sec~o (7.4). Para tratarmos do problema da o a a regi~o de atrac~o vamos de nir o que e uma regi~o de atrac~o e veri car como podemos obter uma estimativa a a a a desta regi~o. a
De nic~o 7.2.1 (Regi~o de Atrac~o) a a a
Considere o sistema (7.1), onde f ( ; ) : B = Bx B 7! Rm0 e Bx Rm0 e um dom nio no espaco de estados que contem a origem. Seja (t; x) a soluc~o de (7.1) que inicia em x(t = 0). A regi~o de atrac~o a a a da origem, denotada por RA , e de nida por RA = f x 2 Bx : (t; x) ! 0 ao t ! 1 g
222
Podemos determinar uma estimativa da regi~o de atrac~o utilizando a teoria de Lyapunov. Por uma estimaa a tiva de RA , entende-se uma regi~o a RA tal que toda a trajetoria iniciando em tende a origem quando t ! 1. Note que, determinar um dom nio Bx tal que a func~o escalar v(x) satisfaca a v(x) > 0 , v (x) < 0 , para todo x 2 Bx , _
7.3. REPRESENTACAO POR FRACOES LINEARES
93
n~o implica que a regi~o Bx e uma estimativa de RA , 24]. Neste trabalho, determinaremos uma estimativa a a da regi~o de atrac~o pelo seguinte conjunto limitado e contido em Bx . a a (c) = f x 2 Rm0 : v(x) c g , (c) Bx (7.2) onde Bx e o dom nio no espaco de estados tal que v(x) satisfaz as condic~es usuais de Lyapunov. o
7.3 Representac~o por Frac~es Lineares a o

A abordagem proposta por El Ghaoui et al., 44, 15], considera que o sistema (7.1) possa ser representado por frac~es lineares (LFR). A representac~o LFR consiste em separar o sistema original em dois blocos o a interconectados, o primeiro um sistema linear invariante no tempo e o outro contendo as n~o linearidades a e incertezas. Nesta sec~o, apresentaremos de forma concisa os resultados de analise desta abordagem que a utiliza as func~es de Lyapunov na forma quadratica, v(x) = x0 Px. o Incialmente apresentaremos um resultado fundamental a representac~o LFR, proposto por 6]. a
Lema 7.3.1 (Representac~o de matrizes Racionais) a Qualquer matriz racional M : Rn 7! Rp q aceita uma representac~o por frac~es lineares, na forma: a o M( ) = A + B ( ) (I D ( )) 1 C (7.3) onde as matrizes A 2 Rp q , B 2 Rp N , C 2 RN q e D 2 RN N s~o constantes para a
N=
n X i=1
ri e
( ) = diag
2 I 6 1 r1 f i Iri g = 4
0
...
0
n Irn
3 7 5
222
7.3.1 Representac~o LFR a

Considere que o sistema (7.1) possa ser reescrito na seguinte representac~o: a x = Ax + Bp p _ q = Cq x + Dqp p p = ( )q onde = x0 0 2 Rm0 +n representa os vetores de estado e incertezas.
0
(7.4)
O sistema (7.4) e equivalente a representac~o apresentada na gura (7.1). a Note que o sistema n~o linear incerto foi representado na forma de uma inclus~o diferencial linear (LDI) e a a os resultados apresentados em 25] podem ser aplicados a esta classe de sistemas.
Exemplo 7.3.1 (Representac~o LFR) a

Considere o seguinte sistema bilinear.
x = A+ _
n X i=1
xi Ai x
n
(7.5)
Pelo lema (7.3.1) e poss vel representar o sistema acima da seguinte maneira.
x = Ax + x1 A1 x + _
+ xn An x = Ax + A1
An
diag fxi g i=1
94
x = Ax + Bpp _ q = Cq x + Dqpp
Sistema LTI
( ) = (x; )
N~o Linearidades e Incertezas a Figura 7.1: Representac~o LFR. a
De nindo (x) = diag n=1 fxi g e i
A1
An = Bp Cq , podemos reescrever o sistema (7.5) como:
x = Ax + Bp Cq (x)x = Ax + Bp (x)Cq x isto e _

onde Bp = Bp1
8 > x = Ax + Bpp < _ > q = Cq(x )q : p= x
Bpn , Cq = Cq1
Cqn
e Bpi Cqi = Ai para i = 1; : : : ; n.
444
7.3.2 Analise de Sistemas LFR

det (I Dqp ( )) 6= 0 para todo de interesse. Considere que a matriz ( ) = (x; ) e limitada em norma por:
Considere o sistema (7.4). Assuma que este sistemas seja bem de nido para todo (x; ) de interesse, isto e:
k ( )k
(7.6)
onde e um dado escalar positivo. Considere a seguinte func~o escalar, v(x) = x0 Px. O sistema (7.1), com as considerac~es acima, e estavel se a o existe uma matriz P simetrica e de nida positiva, tal que: 1 v(x) = x0 (A0 P + PA)x + p0 Bp Px + xPBp p < 0 , 8 ( ) : k ( )k _
0
ou em termos do vetor auxiliar
8 " A0 P + PA PB # > p <0 > < Bp P 0 x0 p0 , por 9 P = P 0 > 0 : > > : 1

0 0
k ( )k
Para obtermos uma formulac~o convexa para o problema acima, devemos incluir a restric~o em norma na a a LMI. Em 44], utilizou-se a tecnica do DG-Scaling1 , isto e, existem matrizes S simetrica, de nida positiva e G anti-simetrica, tais que: 2 p0 Sp q0 Sq e p0 Gq q0 Gp = 0
1 Veja sec~o a
(2.3.2)
95
onde q = Cq x + Dqp p. Com os resultados acima, podemos enunciar o seguinte teorema com relac~o a analise de estabilidade do a sistema (7.4).
Teorema 7.3.1 (Estabilidade Quadratica - Sistema LFR)

Seja > 0 um dado escalar. O sistema (7.4) e quadraticamente estavel se existem matrizes P e S simetricas, e G anti-simetrica tais que as seguintes LMIs, nas variaveis de decis~o P , S e G, s~o satisfeitas. a a
P >0 , S>0 ,
2 A0P + PA + C SC q q 4
0 0 0
PBp + Cq G + Cq SDqp
0 0 0
Bp P GCq + Dqp SCq Dqp SDqp

0
2 S + Dqp G GDqp
0 0 0
3 5<0
(7.7)
Em caso a rmativo, v(x) = x0 Px e uma func~o de Lyapunov local para a origem do sistema (7.4) e para todo a n , tal que k ( )k 1 , onde = x ( ) = diag f i Iri gi=1 , tem-se que: det(I Dqp ( )) 6= 0.
222
Exemplo 7.3.2 (Analise de Estabilidade - Equac~o de Van der Pol em tempo reverso) a
Considere o seguinte sistema n~o linear2 . Determine a estabilidade da origem. a
x1 _ x2 _
0 1 1 (x2 1) 1
x1 x2
(7.8)
) Soluc~o: a
8 > x = Ax + BP p < _ Este sistema pode ser reescrito na forma LFR da seguinte maneira: > q = Cq x + Dqp p : p = (x)q
A= 0 1
1 1
, Bp = 0 0 1 1 , Cq = 0 0
onde
1 1
, Dqp = 0 0 1 0
0 (x) = x1 x : 0 1
Aplicando o teorema (7.3.1), com a restric~o adicional P a

--> P,S,G]=lfr(1.1); Construction of canonical representation Basis Construction recomputing initial guess FEASIBILITY PHASE. primal obj. 1.10e+00 dual obj. -6.47e+02 dual. gap 6.48e+02
I2 , obtem-se o seguinte resultado.
2 Conhecido
na literatura como equac~o de Van der Pol em tempo reverso 24]. a
96
9.59e+01 -7.36e+01 -6.46e+02 -2.18e+02 7.42e+02 1.44e+02
Target value reached feasible solution found -->P P = ! 1696.6526 ! - 102.66868 -->S S = ! ! 3061.8194 633.38196 633.38196 ! 747.95593 ! - 102.66868 ! 1676.9796 !
-->G G = ! ! 0. 1040.3398 - 1040.3398 ! 0. !
Portanto, a origem do sistema e quadraticamente estavel e v(x) = x0 Px e uma func~o de Lyapunov local. a
444
7.3.3 Regi~o de Atrac~o a a

No exemplo (7.3.2) determinamos a estabilidade do sistema, mas pelas condic~es do teorema (7.3.1) n~o o a temos informac~o sobre quais s~o condic~es iniciais que geram trajetorias estaveis. a a o Para tal, devemos determinar uma estimativa da regi~o de atrac~o, (c), que satisfaca (c) Bx, onde Bx a a e o dom nio da func~o de Lyapunov v(x) = x0 Px. a Como dom nio da func~o de Lyapunov v(x) = x0 Px, entede-se a seguinte regi~o do espaco de estados: a a
Bx = x :
v(x) > 0 , v(x) < 0 e _ 1 k (x)k
Note que, na representac~o LFR, a matriz (x) e bloco diagonal. Logo, podemos escrever o dom nio da a func~o v(x) como sendo o seguinte poliedro: a
Bx = x :
v(x) > 0 , v(x) < 0 e _ 1 , i = 1; : : : ; m0 jxi j
(7.9)
Suponha que as condic~es do teorema (7.3.1) estejam satisfeitas. Por conveni^ncia, vamos representar o o e poliedro (7.9) por um conjunto de inequac~es matriciais o n o 1 , k = 1; : : : ; m0 Bx = x : ek x (7.10)
0
97
onde os vetores ek ; k = 1; : : : ; m0 , de nem as faces do poliedro (7.9). Observe que a regi~o Bx satisfaz uma a 1 , logo os vetores ek correspondem as m0 colunas da matriz identidade Im0 . restric~o em modulo, jxi j a Sem perda de generalidade, considere a regi~o = f x : x0 Px 1g como uma estimativa da regi~o de a a atrac~o 3 , isto e, satisfaz a seguinte condic~o de invari^ncia. a a a 1 = x0 Px 1 para todo x : ek x
0
A partir de 25], a condic~o acima e equivalente a seguinte relac~o convexa em P para uma dada constante a a . 2 ak 0 , k = 1; : : : ; m0 (7.11) ak P
0
Resumindo, a condic~o (7.3.1) em conjunto com (7.11) nos fornece uma estimativa da regi~o de atrac~o do a a a sistema (7.4). Para esta estimativa ser adequada devemos maximiza-la de alguma maneira. Em 25] s~o a propostas varias maneiras para maximizar esta regi~o, em particular, o seguinte problema de otimizac~o a a maximiza a soma dos semi-eixos do elipsoide .
min :
(7.7), (7.11) traco (P ) 0
(7.12)
Exemplo 7.3.3 (Estimativa da Regi~o de Atrac~o) a a

Considere o sistema (7.8). Determine uma estimativa da regi~o de atrac~o. a a
) Soluc~o: a
Para determinarmos uma estimativa da regi~o de atrac~o, devemos buscar matrizes P , S e G que satisfacam a a ao problema de otimizac~o (7.12), para um dado o menor poss vel. Observe que neste sistema o dom nio a 1 g, com isso k = 1 e a1 = 1 0 . A seguir apresentamos os em x e de nido por Bx = f x : jx1 j resultados obtidos para o menor valor de que satisfaz ao problema (7.12).
0 0
--> P,S,G,n]=lfr(1); Construction of canonical representation Basis Construction recomputing initial guess FEASIBILITY PHASE. primal obj. 2.00e+00 dual obj. -6.66e+02 dual. gap -2.12e+01
optimal solution found -->P P = ! ! 1.0015432 1.295D-10 1.295D-10 ! 1.0015432 !
3 Note que esta
regi~o representa um elipsoide. a
98
-->S S = ! ! 2.0032058 2.0002874 2.0002874 ! 2.0002038 !
-->G G = ! 0. ! - .9986845 .9986845 ! 0. !
-->n // traco de P n = 2.0033256
3 2.4 1.8 1.2 0.6 0 -0.6 -1.2 -1.8 -2.4 -3 -3
x2
RA
=1
x1
-2.4 -1.8 -1.2 -0.6 0 0.6 1.2 1.8 2.4 3
Figura 7.2: Regi~o de Atrac~o e sua estimativa para o sistema (7.8), com = 1. a a
444
7.4 Func~es de Lyapunov Polinomiais o

Para sistemas n~o lineares dois aspectos tem contribuido no conservadorismo dos resultados existentes baseaa dos em LMIs. O primeiro deles, deve-se ao fato da utilizac~o das func~es quadraticas que tem demonstrado a o ser inadequadas para os sistemas n~o lineares devido a particularizac~o da classe das func~es candidatas a a a o Lyapunov e por n~o considerarem, no caso incerto, a din^mica das incertezas. Outra condic~o que pode a a a implicar em conservatismo e que no caso n~o linear surgem relac~es matricias na forma x0 M (x; )x > 0, a a o qual n~o pode ser substituidas pela LMI estado-par^metro dependente M (x; ) > 0 sem uma elevada carga a a de conservatismo. Nesta sec~o, apresentamos a abordagem LMI para analise de estabilidade de sistemas n~o lineares incertos a a
7.4. FUNCOES DE LYAPUNOV POLINOMIAIS
99
proposta por Tro no em 74] que utiliza func~es de Lyapunov polinomiais, na forma v(x; ) = x0 P (x; )x, o onde P (x; ) e uma matriz de grau r em (x; ), de nindo desta forma a chamada noc~o de estabilidade Qr . a
de ne os valores admiss veis da incerteza e de sua taxa de variac~o. a
De nic~o 7.4.1 (Estabilidade Qr ) a Seja Bx um dado politopo que de ne uma regi~o na vizinhanca da origem. Seja B um dado politopo que a
A origem do sistema (7.1) e dita ser Qr estavel se existem func~es de classe K, 1 ( ), 2 ( ), e uma func~o o a escalar do tipo v(x; ) = x0 P (x; )x, onde a matriz P (x; ) e um func~o polinomial de grau \r" em (x; ), a tal que as seguintes condic~es s~o satisfeitas para todo (x; ; _ ) 2 B = Bx B . o a
v(x; ) = x0 P (x; )x 1 (kxk), e _ v(x; ) = x0 (P (x; ) + A(x; ) P (x; ) + P (x; )A(x; ))x _
0
2 (kxk).
Em caso a rmativo, v(x; ) = x0 P (x; )x e dita ser uma func~o de Lyapunov local para a origem do sistema. a
222
Note que a estabilidade Qr implica na estabilidade assintotica da origem e as noc~es de estabilidade quao dratica e a m-quadratica podem ser obtidas para uma escolha adequada do grau r e da estrutura da matriz P (x; ). Como mencionado anteriormente, as inequac~es matriciais no caso n~o linear s~o dependentes dos estados o a a e dos par^metros, isto e, s~o relac~es na forma x0 M (x; )x > 0. Esta condic~o pode ser testada em termo a a o a de LMIs se M (x; ) e a m em (x; ). Neste caso, basta testarmos a condic~o M (x; ) > 0 nos vertices do a meta-politopo B = Bx B . Entretanto, devido a depend^ncia em x, esta condic~o pode tornar-se muito e a conservativa. Para ilustrar este fato, considere a seguinte func~o escalar m(x) = x0 M (x)x onde a x1 +x2 +x M (x) = 1 x1 +x22 1 + 2x , x = x1 (7.13) x2 1 2 Observe que m(x) = x2 + x2 logo m(x) > 0 para todo x 6= 0. Entretanto, a condic~o M (x) > 0 para todo a 1 2 x 6= 0 n~o e satisfeita. O lema a seguir apresenta uma condic~o menos restritiva para testarmos se uma a a relac~o do tipo x0 M (x)x > 0 e satisfeita para todo x 2 Bx , x 6= 0. a
Lema 7.4.1 (Lema de Finsler - Extens~o para o caso N~o Linear), 74] a a
Seja H ( ) uma matriz cujos termos s~o a ns no vetor = 1 a 2 Rn e seja B um dado n 0 H ( ) e a func~o matricial auxiliar C : Rn 7! R(n 1) n de nida politopo. Considere a func~o escalar a a a seguir. 2 2 1 0 0 3 0 . 60 7 . . 6 7 . 6 . . 3 . 2 ... . 7 6 .. . . . . . . . . 7 . . C =6 (7.14) 7 . 6 . 7 6 . 7 ... ... ... 4 . 5 0 0 0 n (n 1)
0
Ent~o a condic~o H ( ) > 0, 8 2 B , 6= 0, e satisfeita se existe uma matriz L, com a mesma dimens~o a a a de C , tal que a seguinte condic~o seja satisfeita. a
0 0
H ( ) + LC + C L > 0 , 8 2 B
0 0
(7.15)
222
100
7.4.1 Representac~o por Frac~es Racionais a o

Considere que o sistema (7.1) pode ser reescrito na seguinte forma.
8 x = A(x; )x = A (x; ) + + A (x; ) = Pq A (x; ) > _ 0 0 q q i=0 i > < ( > : i+1 = i (x; ) i , para i = 0; : : : ; (d 1) , 0 = x > : i
(x; ) = 0
0
(7.16)
onde i 2 Rmi , = 0 2 Rm s~o func~es auxiliares de (x; ) representando as n~o lineaa o a q mi+1 mi , para i = 0; : : : ; (d 1) (d q ), s~o func~es matriciais a ns em ridades do sistema; i (x; ) 2 R a o (x; ) utilizadas para de nir as relac~es entre os vetores auxiliares i de i = 0 a i = d 1; (x; ) 2 Rn m o e uma func~o matricial a m em (x; ) utilizada para expressar as relac~es adicionais entre os vetores i , e a o Ai (x; ) 2 Rm0 mi , para i = 0; : : : ; q, s~o func~es matriciais a ns em (x; ) que de nem a estrutura de a o como as n~o linearidades e incertezas afetam os estados do sistema. a Para simpli car a notac~o, vamos utilizar as variaveis i ; Ai ; i ; sem explicitar a sua depend^ncia em (x; ) a e e no tempo. Assume-se que o lado direito da equac~o diferencial em (7.16) e limitado para todos os valores de de a interesse e que a representac~o em termos das variaveis auxiliares i e equivalente ao sistema (7.1). a A representac~o por frac~es racionais (7.16) pode ser utilizada para representar uma grande classe de sistemas a o n~o lineares incertos. A seguir apresentamos um exemplo para ilustrar o procedimento da representac~o por a a frac~es racionais. o
Exemplo 7.4.1 (Representac~o de Sistemas N~o lineares por frac~es racionais) a a o

Considere o seguinte sistema bilinear.
~ x = A0 + _
m0 X~ ! i=1
Ai xi x
Existem varias maneiras de representarmos o sistema acima em termos das variaveis auxiliares i .
~ ~ Por exemplo, podemos simplesmente de nir uma matriz A(x) = A0 + A1 x1 + representac~o do sistema por frac~es racionais e dada por: x = A(x)x. a o _
~ + Am0 xm0 e a
Tambem, equivalentemente, podemos de nir um vetor auxiliar 1 e matrizes A0 , A1 , constantes da seguinte maneira:
1= 0
2 xI 3 1 m0 ~ ~ . 5 = 6 . 7 x , A0 = A0 , A1 = A1 0 4 .
xm0 Im0
~ Am0
Portanto o sistema bilinear pode ser representado por x = A0 x + A1 1 . _
444
Note que a representac~o por frac~es racionais n~o e unica e ate o presente momento n~o existe uma a o a a sistematica para obtenc~o da formulac~o otima do sistema (7.1). Entretanto devemos dar especial atenc~o a a a a escolha das matrizes auxiliares i que, como veremos a seguir, desempenham um papel importante na func~o de Lyapunov. a
101
7.4.2 Analise de Estabilidade

O objetivo desta sec~o e apresentarmos condic~es em termos de LMIs para a analise de estabilidade da classe a o de sistemas (7.1), na representac~o por frac~es racionais, utilizando a noc~o de estabilidade Qr . a o a Observe que, a partir de (7.16), as matrizes i s~o func~es a ns em (x; ). Ent~o, e poss vel representar as a o a matrizes i da seguinte maneira.
i = m0 X j =1
Tij xj +
n X j =1
Uij j + Vi , i = 0; : : : ; (d 1)
(7.17)
onde Tij , Uij , Vi s~o matrizes constantes com as mesmas dimens~es de i e xj , j s~o os j -esimos termos a o a respectivamente dos vetores x e . Relembrando que os vetores auxiliares i s~o func~es de (x; ), e que o estado e a incerteza s~o limitados, a o a podemos considerar que os vetores i , para i = 1; : : : ; d 1, s~o limitados a regi~es politopicas, isto e: a o (7.18) i 2 Bi , para i = 1; : : : ; d 1 Seja si a i-esima linha da matriz identidade Im0 , considere a representac~o (7.16), a matriz Cx conforme a a de nic~o (7.14) e a seguinte notac~o auxiliar. a a
j =1 2j=1 Im0 0 6 ( + ~ ) I ... 6 0 0 m1 6 6 ~1 6 1 Im2 E=6 6 . ... . 6 . 0 6 6 . . ... . . 4
~i =
m0 X
X Tij i sj , ^ i = Uij _j , para i = 0; : : : ; d 1

n
2 6 6 6 Aa = 6 6 6 4 2 6 6 M=6 6 4
a =
. . ~d 1 0 I 3 d 1 md A0 A1 Ad 2 ^ 0 0m1 0 0 7 7 6 . 7 ... . 7 2 Rma ma , Ab = 6 . 7 0 ^ 1 0m2 6 4 7 . .. .. ... . . . . 0 5 0 0 ^ d 1 0md 3 0 0 Im1 0 . 7 ... . 7 0 . 7 2 R(ma m0 ) ma , 1 Im2 7 . ... ... ... . . 0 5 0 0 d 1 Imd
... ... ... 0
... ...
0 . . . . . . . . . 0
3 7 7 7 7 7 2 Rma 7 7 7 7 7 5
ma ,
(7.19)
Ad+1 Ad+2
0 . . . 0 . . . . . .
Aq
0 . . . 0
3 7 ma 72R 7 5
mb
Cx
2 R(ma 1)
ma ,
2 E b =4 0 P
0
Aa
Ab
0
3 5 2 R(2ma
1+n ) (m+ma )
onde m = ma + mb , ma = d=0 mi e mb = q=d+1 mi . i i Com as considerac~es acima podemos enunciar o seguinte teorema que prop~e condic~es LMI para analise o o o de estabilidade.
Teorema 7.4.1 (Estabilidade Qr ) Seja Bx um dado politopo de nindo uma regi~o na vizinhanca da origem, tal que x 2 Bx. Seja B um dado a politopo de nindo os valores admiss veis da incerteza e de sua taxa de variac~o, tal que ( ; _ ) 2 B . Sejam a Bi , para i = 1; : : : ; (d 1), dados politopos de nindo os valores admiss veis das variaveis i , tal que i 2 Bi .
102
Considere o sistema n~o linear incerto (7.16), as matrizes i de nidas em (7.17) e a notac~o auxiliar (7.19). a a O sistema (7.16) e localmente Qr estavel, com r = 2d, se existem matrizes P , La , Lb , com as mesmas dimens~es respectivamente de Aa , a e b , tais que as seguintes LMIs s~o satisfeitas para (x; 1 ; : : : ; d 1 ; ; _ ) o a nos vertices do meta-politopo B = Bx B1 Bd 1 B . P + La a + a La > 0 (7.20) 20 3 P 0 m 4 P a 0ma 0 5 + Lb b + bLb < 0 0 0 0mb
0 0 0 0 0 0
Em caso a rmativo, v(x; ) = x0 P (x; )x, com a matriz P (x; ) de nida a seguir, e uma func~o de Lyapunov a local para a origem do sistema (7.16). 2 3 0 6 1 0 7 7 P (x; ) = Im0 ) P Im0 ) , (x; ) = 6 (7.21) 6 7 . . (x; (x; 4 5 . d 1 0
0
222
Note que P (x; ) em (7.21) e uma forma geral de representarmos qualquer matrix polinomial de grau r = 2d em (x; ). Matrizes polinomiais de grau r < 2d tambem podem ser representadas por (7.21) pelo simples zeramento de algumas partic~es da matriz P . Em particular, considere a seguinte partic~o da matriz P . o a P = P0 P1 2 Rma ma P1 P2 o onde P0 2 Rm0 m0 , P1 2 Rm0 (ma m0 ) e P2 2 R(ma m0 ) (ma m0 ) . Podemos obter condic~es equivalentes a estabilidade quadratica e a m-quadratica considerando que d = 1 e :
0
P1 = 0 e P2 = 0, logo v(x) = x0 P0 x que con gura a noc~o de estabilidade quadratica. a P2 = 0, logo v(x; ) = x0 P0 x + 2x0 P1 0 x que con gura a noc~o de estabilidade a m-quadratica. a
Exemplo 7.4.2 (Estabilidade Q2)

Veri que a estabilidade da origem do sitema (7.8) utilizando uma func~o de Lyapunov de grau 4 em x. a ) Soluc~o: a Note que, neste exemplo, n~o temos incerteza, logo as condic~es de estabilidade dependem somente do vetor a o de estados x = x1 x2 .
0
Considere como candidata a func~o de Lyapunov a func~o v(x) = x0 P (x)x. Para esta func~o ser de grau 4 a a a em x a matriz P (x) deve ser de grau 2 em x, logo r = 2 e d = 1. Ent~o a matriz P (x) e dada por: a
P (x) =
onde 0 (x) e uma matriz a m em x. Para aplicarmos as condic~es de estabilidade propostas no teorema (7.4.1), devemos obter uma representac~o o a por frac~es racionais do sistema (7.8). o Neste ponto devemos escolher os vetores auxiliares i de maneira que x = A(x)x = _ seguinte escolha da matriz 0 : 2 x2 3 1 6 x1x2 7 x1 I2 ! 1 = 0 x = 6 x1 x2 7 0 = x2 I2 4 5 2 x2
I2 0 (x)
I2 0(x)
PA
i i . considere a
(7.22)
103
Para esta escolha do vetor auxiliar 1 , as matrizes Ai s~o dadas por a 0 0 0 0 A0 = 0 1 e A1 = x 0 0 0 1 1 2 desta forma o sistema (7.8) foi reescrito na seguinte forma: x = A0 x + A1 1 . _ Considere o seguinte politopo Bx de nido pelos seus vertices, que con gura uma regi~o na vizinhanca da a origem. , , , onde e um escalar positivo o maior poss vel. Aplicando o teorema (7.4.1) obtemos o seguinte resultado.
--> P,La,Lb]=Qr(0.99); Construction of canonical representation Basis Construction FEASIBILITY PHASE. primal obj. 4.42e+00 dual obj. -5.04e+16 dual. gap 5.04e+16
-1.54e-01
-1.96e+00
1.91e+00
Target value reached feasible solution found
-->P P = ! 42479118. ! - 16418284. ! 9.4011585 ! 5.5382306 ! - 10.374358 ! 86.615229 -->La La = ! 4306278.2 ! - 320557.64 ! - 3378943.7 ! - 1.381E+15 ! 1.381E+15 ! 8396758.2 - 29.177232 9.4581897 36662845. - 14549844. 3157908.5 - 5064436.4 - 4306254.2 320557.86 - 8845352.8 1.381E+15 - 1.381E+15 - 8259915.1 4306287.6 - 320475.59 - 2546600.7 - 1.381E+15 1.381E+15 - 1036919. - 71.566067 ! - 6.7911521 ! - 5064486.2 ! 4809488. ! - 14106308. ! 31262403. ! - 16418284. 37210358. - 1.824049 108.29657 - 170.0858 - 5.3299558 9.4011585 - 1.824049 - 3862180.7 5613662.2 3992877.7 - 5161626.3 5.5382306 108.29657 5613662.2 1141012.6 1187460.5 303537.51 - 10.374358 - 170.0858 3992877.7 1187460.5 288600.05 - 1176607.9 86.615229 ! - 5.3299558 ! - 5161626.3 ! 303537.51 ! - 1176607.9 ! - 855774. !
-->Lb
104
Lb =
column 1 to 6 ! ! ! ! ! ! ! ! ! ! ! ! 18478160. 14514807. 24.66713 127.56328 172.65261 35.534213 10963203. 11008583. 146.34087 224.9598 267.51436 89.464134 - 10269390. 12174265. 31.25124 - 41.25903 89.596587 3.1805957 - 18115921. 14789234. - 76.836119 147.71863 - 114.0047 57.300936 7 to 11 - 156.85888 60.669034 - 6974442.7 - 452914.03 - 442610.98 2245829.7 - 175.01063 - 146.88142 - 956808.42 - 19315841. 3047502.1 1158072.5 201.20771 42.807386 - 4162869.1 408119.17 595226.44 3848281.9 123.36509 180.12144 - 4291774.1 3075797.7 - 17633804. 4347192.1 - 130.32735 60.205089 1884538.8 - 2157696.3 - 2292979.7 304529.8 - 55.820893 - 38.6559 13195187. - 34651.654 - 419179.65 - 14473699. ! ! ! ! ! ! ! ! ! ! ! ! 2.3351786 - 12.733977 5196661.3 121814.76 - 96408.069 500079.68 25.217794 - 3.198419 - 5222714.8 5688472.9 3253620.9 - 3580412.4 - 147.88233 13.463792 - 118628.31 14111547. - 10318494. 344139.69 - 9.218127 - 41.466429 3266358.8 279096.06 - 100952.54 2822718.3 172.09065 - 43.813517 - 238105.15 - 10390482. 14040077. 256365.4 36.295817 - 1.8392691 2066806. 101072.52 - 561322.64 981764.54 29.93631 ! - 13.316549 ! - 383618.52 ! 81066.516 ! - 53140.75 ! 3883653.3 ! 99.759041 ! 22.301381 ! - 4961073. ! - 2414092.6 ! - 4252149.9 ! - 1088715.2 !
column ! ! ! ! ! ! ! ! ! ! ! ! 109.80496 106.19852 2991362.5 786022.22 281450.15 2893640.4 96.700578 120.13052 12373380. 5670277.6 - 8551770.8 5396080.6 -
65.935304 - 47.818903 3913176.7 646464.32 26098.571 928745.25 47.805144 81.808282 - 16518162. 4945147.2 2191184.6 - 7351488.6
444
7.4.3 Regi~o de Atrac~o a a

Considere a regi~o = f x : x0 P (x; )x 1g com uma estimativa da regi~o de atrac~o do sistema (7.16). a a a Esta regi~o para ser invariante em relac~o a x deve satisfazer a a Bx , onde Bx con gura o dom nio da func~o v(x; ) = x0 P (x; )x. a Por conveni^ncia, vamos considerar a seguinte partic~o do vetor . e a 2 x 3 2 3 d+1 = a 2 Rm , a = 6 . 7 2 Rma , b = 6 . 7 2 Rmb (7.23) 4 .. 5 4 .. 5 b
d q
Considere a seguinte de nic~o do politopo Bx por inequac~es lineares. a o
onde os vetores ak 2 Rm0 , k = 1; : : : ; nf , de nem as nf faces do politopo Bx . Observe que esta representac~o a e equivalente a representac~o pelos vertices. a Considere o seguinte vetor auxiliar.
Bx = ak x 1 ; k = 1; : : : ; nf
0
(7.24)
bk =
ak
0
2 Rma , k = 1; : : : ; nf
(7.25)

Como v(x; ) = x0 P (x; )x = a P a , a regi~o e uma estimativa da regi~o de atrac~o se a a a para todo x 2 Bx. Esta condic~o de invari^ncia e equivalente as seguintes relac~es LMI. a a o
0
105
aP a
0
2 4
bk
0
bk
(P + La a + aLa )
0 0
3 5
0 para i = 1; : : : ; nf
(7.26)
Da mesma maneira que no caso LFR, devemos maximizar para obtermos uma estimativa adequada da regi~o de atrac~o. Como estamos utilizando func~es polinomiais com grau maior que 2 a regi~o n~o a a o a a e um elipsoide o que di culta a determinac~o de um criterio adequado para maximiza-la. Nesta sec~o, a a maximizaremos o menor semi-eixo desta regi~o minimizando o maior autovalor de P (x; ). a Resumindo, a regi~o = x : x0 P (x; )x 1 e uma estimativa da regi~o de atrac~o do sistema (7.16) se o a a a seguinte problema de otimizac~o for satisfeito nos vertices do meta-politopo B = Bx B1 a Bd 1 B .
min :
(7.20), (7.26) , Ima (P + La a + a La ) 0

0 0
(7.27)
Exemplo 7.4.3 (Regi~o de Atrac~o - Estabilidade Qr ) a a

Determine uma estimativa da Regi~o de Atrac~o do sistema (7.8). Utilize uma func~o de Lyapunov de grau a a a 4 em x. ) Soluc~o: a Considere a mesma representac~o por frac~es racionais, o mesmo politopo Bx utilizados no exemplo (7.4.2) a o e a de nic~o de estabilidade Q2 . Note que o politopo Bx pode ser reescrito em termos de inequac~es lineares a o pela seguinte de nic~o de vetores auxiliares. a 1 1 0 0 a1 = 0 , a2 = 1 , a3 = (7.28) 1 0 , a4 = Utilizando o problema de otimizac~o (7.27) obtemos os seguintes resultados. A gura (7.3) nos mostra uma a ilustrac~o da regi~o de atrac~o, RA , e de sua estimativa, . a a a
--> P,La,Lb,lambda]=Qr_ra(0.98); Construction of canonical representation Basis Construction WARNING: rank deficient problem FEASIBILITY PHASE. primal obj. 4.38e+00 dual obj. -4.02e+03 dual. gap 4.03e+03
feasible solution found OPTIMIZATION PHASE. primal obj. -8.81e+00 dual obj. -8.81e+00 dual. gap -1.13e-03
106
may be unbounded below optimal solution found
-->P P = ! 1.0314104 ! - 0.1224283 ! 0.0370912 ! - 0.0823269 ! 0. ! 0.1600963 -->La La = ! - 0.0782490 ! 0.0001136 ! - 1.0052301 ! 0.9808240 ! 1.0737793 ! 0.0036130 -->Lb Lb = - 0.1224283 0.8638048 0.1099160 - 0.0529800 - 0.0529791 0.0345119 0.0370912 0.1099160 0.1336119 - 0.9788739 1.052217 - 0.4280284 - 0.0823269 - 0.0529800 - 0.9788739 2.6893364 0. - 0.1276839 0. - 0.0529791 1.052217 0. - 1.478217 - 0.1444540 0.1600963 0.0345119 - 0.4280284 - 0.1276839 - 0.1444540 0.2990628 ! ! ! ! ! !
- 0.0408913 0.0620123 0.0531984 - 0.0348855 - 0.0348852 0.1513127
0. 0. 1. - 0.9908204 - 1.0837758 0.
- 0.0823252 0. - 1.031087 1. 1.0929556 0.0167665
- 0.0313467 ! - 0.1214674 ! 0.1896732 ! 0.0332461 ! 0.0332460 ! - 0.0690183 !
column 1 to 6 ! ! ! ! ! ! ! ! ! ! ! ! 30438101. - 0.4517657 1406612.3 - 938398.9 938398.54 - 0.0276550 1.1100346 30438101. 0.9957906 2813224.8 0. - 0.8475342 - 0.6174327 1.166447 0.0322707 0.0689640 0.0640102 0.0140451 - 1.3578881 - 0.1527437 - 0.1245116 0.0219929 0.0116037 0.1006034 7 to 11 0.416759 0.1262731 0.1383603 0.7029142 0.6058335 0.2077474 0.2841712 0.5124499 1.5261014 0.0659690 0.0504586 1.1863976 9069189.9 0.1304793 9032342. 1115728.2 1115730.2 0.2561374 0.1015442 9069189.8 0.7484851 32053131. 13988444. 0.7837384 - 14300889. 0.1106701 - 9482147.7 - 374297.69 374299.64 0.2592270 - 0.0750343 - 14300889. - 0.5433925 13925131. - 32889425. 0.5644708 - 0.9249142 ! - 0.1863270 ! 0.2640704 ! - 0.6974492 ! - 0.5841147 ! - 0.2062938 ! 0.2088228 ! - 0.8107545 ! 1.7001612 ! 0.4481756 ! 0.5274128 ! - 1.8600628 ! 2615849.8 - 0.0065260 9257244.9 - 370715.29 370715.27 - 0.0544882 0.0443151 2615850. 0.1647728 9063999.4 9450490.5 - 0.4503942 0.3117828 0.0596510 347418.68 21765652. 21765652. 0.0327954 0.1642740 0.2761825 1.644599 694839.53 0. 0.5999198 0. 0.0677418 347418.76 21765652. 21765652. 0.0374964 0.0930682 0.0332167 0.2963804 694839.54 0.0521038 0.6816918 - 0.0045994 0.0078869 - 0.0137345 - 0.0356856 - 0.0346078 0.2009593 0.1550094 - 0.0058350 - 0.3807889 - 0.2014041 - 0.2324409 0.2062835 ! ! ! ! ! ! ! ! ! ! ! !
column ! ! ! ! ! ! ! ! ! ! ! ! 14300889. 0.3910574 9482147.7 374297.74 374299.61 0.1423888 0.0822256 14300889. 0.6486937 13925132. 32889425. 0.0957447
7.5. ATIVIDADES COMPLEMENTARES
107
-->lambda lambda = 1.1871848
3 2.4 1.8 1.2 0.6 0 -0.6 -1.2 -1.8 -2.4 -3 -3
x2
RA
Estabilidade Qr r=2
x1
-2.4 -1.8 -1.2 -0.6 0 0.6 1.2 1.8 2.4 3
Figura 7.3: Regi~o de Atrac~o e sua Estimativa para o sistema (7.8) - Estabilidade Q2 . a a
444
7.5 Atividades Complementares

1. Prove as condic~es do teorema (7.3.1). o 2. Prove que a condic~o x0 Px 1 8 x : ak x a
0
1 equivale a
ak
Dica: utilize o S-Procedure.
2 ak
0
3. Prove que a estimativa de RA , sem perda de generalidade, pode ser deteminada por = f x : v(x) 1 g ao inves de (c) = f x : v(x) cg, onde c e uma constante a ser deteminada. 4. Em 25] s~o propostas outras formas de maximizac~o da estimativa da regi~o de atrac~o. Para o a a a a sistema (7.8), utilize outras formas de maximizac~o e compare com o resultado apresentado na gura a (7.2). 5. Veri que com o lema (7.4.1), que a func~o escalar m(x) = x0 M (x)x, onde a matriz M (x) e dada por a (7.13), e de nida positiva para todo x 6= 0. 6. Prove que as condic~es do teorema (7.4.1) implicam na de nic~o de estabilidade Qr . o a
108

Im0 (x; )
0
7. Demonstre que a condic~o (7.26) implica em a
x0
Im0 x (x; )
1 , 8 x : ak x 1 para i = 0; 1; : : : ; nf
0
8. Determine diferentes representac~es por frac~es racionais para o sistema (7.8). Utilizando a relac~o o o a (7.27), obtenha estimativas da regi~o de atrac~o e compare com o resultado apresentado no exemplo a a (7.4.3). 9. Pesquise outras formas de maximizac~o da regi~o de atrac~o, no caso da estabilidade Qr . Determine a a a estimativas da regi~o de atrac~o e compare o resultado com o do exemplo (7.4.3). a a

Considerac~es gerais sobre sistemas n~o lineares e o metodo indireto de Lyapunov s~o encontrados nos livros o a a 34] e 24]. Uma analise qualitativa destes sistemas pode ser vista em 76]. Com relac~o especi camente a analise de sistemas n~o lineares, maiores discuss~es sobre tecnicas LMIs a a o aplicadas a sistemas n~o lineares, classes de sistemas e incertezas, bem como, performance de sistemas n~o a a lineares s~o encontradas em 77]. a Existe dispon vel para download um toolbox de projeto de controladores espec co para sistemas n~o lineares a na representac~o LFR desenvolvido por El Ghaoui & Dussy, veja maiores detalhes em 67]. a
Cap tulo 8
Analise de Estabilidade de uma classe de Sistemas H bridos

Sonia E. Palomino Castro
8.1 Introduc~o a
Sistemas H bridos tornaram-se nestes ultimos anos uma area de especial interesse no dom nio das ci^ncias e de computac~o e da teoria de controle e e uma area que recentemente esta sendo formalmente desenvolvida. a E caracter stica dos sistemas h bridos a incorporac~o de componentes cont nuas e componentes discretas . a As din^micas das componentes cont nuas, usualmente chamada de plantas, est~o governadas por equac~es a a o diferenciais e as din^micas das componentes discretas s~o representadas por programas. Esses programas a a est~o projetados para selecionar, controlar e supervisionar a conduta das componentes cont nuas. a Exemplos de sistemas h bridos do mundo real aparecem nos sistemas com reles, chaveamentos, motores de passo e outros controladores de movimento, ve culos inteligente, sistemas de controle de vôs entre muitos o outros. Existem varias abordagens para o tratamento de estabilidade de sistemas h bridos. Em 78] e 79] a estabilidade e estudada fazendo uso de func~es de Lyapunov multiplas associadas as partic~es o o do espaco de estados e aplicada a uma classe de sistemas h bridos muito restrita. A di culdade de analisar estabilidade destes sistemas reside no fato de termos chaveamentos dos estados discretos e dos campos vetoriais cont nuos. Petterson em seus trabalhos 80], 73] aborda este problema fazendo a construc~o de uma func~o de Lyapunov a a quadratica para cada partic~o do espaco de estados. A estabilidade global do sistema e mostrada a partir a dessas func~es quadraticas. Johansson e Rantzer (1998) fazem uma abordagem similar, porem restritiva, o considerando regi~es particulares. o Uma abordagem alternativa e proposta em 81] onde se sup~e que os chaveamentos do sistema dependem o da din^mica da variavel de estado cont nua. O problema de analise consiste em construir uma func~o de a a Lyapunov dependente dos estados como na formulac~o proposta em 75]. a O objetivo deste cap tulo e estudar formulac~es LMIs para analise e s ntese de sistemas chaveados, fazendo o uso de func~es de Lyapunov com novas estruturas. o 109
110
CAPITULO 8. ANALISE DE ESTABILIDADE DE UMA CLASSE DE SISTEMAS HIBRIDOS
8.2 Sistemas Chaveados: uma classe de Sistemas H bridos

Os sistemas h bridos foram caraterizados formalmente apenas nos ultimos anos, englobando no seu universo uma vasta classe de sistemas. Dentre eles os sistemas chaveados. Nestes sistemas as componentes discretas (ou sinais de chaveamento) s~o func~es costantes por partes. A seguir sera colocado como se caraterizam os a o sistemas chaveados apos a de nic~o de um sistema h brido. a Consideremos os conjuntos contaveis Q; ; O.
De nic~o 8.2.1 (Sistema H brido) Um sistema h brido H = (Rn Q; Rp a
; f; ) consiste de
um conjunto n~o vazio H = Rn Q chamado o espaco dos estados h bridos 1 (x; q) de H a o conjunto E = Rp chamado espaco de entradas externas 2 (u; ) de H func~es de transic~o f : Df ! Rn e : D ! Q, onde o a x(t) = f (x(t); q(t); u(t)); _ q+ (t) = (x(t); q(t); u(t); (t)) e Df Rn Q Rp e D Rn Q Rp .
(8.1)
222
e as seguintes condic~es: o
De nic~o 8.2.2 (Sistema H brido com sa das) Um sistema h brido com sa das e dado pelo sistema H a
o conjunto Rm O chamado espaco de sa das de H relac~es de sa da g : Dg ! Rm e ' : D' ! O, onde o y(t) = g(x(t); q(t); u(t)); o+ (t) = '(x(t); q(t); u(t); (t)) onde Dg Rn Q Rp e D' Rn Q Rp . \y" e denominada sa da cont nua e \o" e a sa da discreta ou evento discreto de sa da.
(8.2)
222
Nas de nic~es, a func~o f e dita ser o campo vetorial do sistema h brido3 . Quando o campo vetorial o a e apenas func~o do estado (cont nuo e discreto) dizemos que o sistema e aut^nomo. Assim estes sistemas a o podem ser representados por x = f (x; q); _ (8.3) q+ = (x; q);
y = g(x; q); o+ = '(x; q):
(8.4)
Este campo tambem pode ser em func~o do tempo e do estado e nesse caso sera denominado n~o aut^nomo a a o ou variante no tempo. Os sistema h bridos s~o ditos sistemas h bridos lineares se eles podem ser descritos a na forma x = A(q)x; _ (8.5) y = C (q)x;
generalidade.
1 x e chamado de estado cont nuo e q de estado discreto 2 u e chamada de entrada cont nua e denota a entrada discreta ou evento discreto de entrada 3 O campo vetorial f de ne a evoluc~o do sistema, este pode ser considerado como uma func~o a a
de transic~o sem perda de a
8.2. SISTEMAS CHAVEADOS: UMA CLASSE DE SISTEMAS HIBRIDOS

Se a representac~o dos sistemas e: a
111
dizemos que s~o sistemas h bridos a ns4 . a Com esta classi cac~o os sistemas chaveados s~o sistemas h bridos similares aos dados em (8.3) colocados a a simplesmente como x = fq (x(t)) q 2 f1; ; ng: _ (8.7) Quando f e uma func~o a m de x o sistema chaveado e dito ser a m. Este sera o tipo de sistemas cuja a estabilidade iremos estudar.
x = A(q)x + B (q); _ y = C (q)x + D(q);
(8.6)
8.2.1 Exemplos
Ha muitos exemplos de sistemas na literatura que t^m natureza h brida dentre os quais podemos citar: e gerenciamento de recursos pesqueiros 82], sistemas de controle de movimento 83], robotica 84], sistemas de pot^ncia 85], sistemas na mec^nica classica 86], ve culos automatizados 87], etc. A seguir colocaremos e a alguns exemplos.
Controladores Multiplos: uma simpli cac~o, 80] a

E muito comum controlar uma planta cont nua chaveando entre diferentes controladores ou leis de controle, onde o dispositivo de chaveamento depende dos estados cont nuos e discretos. Para ilustrar isto, consideremos o p^ndulo na gura 8.1 Onde m a massa do p^ndulo e l o comprimento do centro de massa ao ponto piv^. e e o
mu cos m mg u
mu
mg sin
Figura 8.1: O p^ndulo invertido. e O ^ngulo da vertical ao p^ndulo e denotado por que e positivo na direc~o horaria, g e a acelerac~o da a e a a gravidade, u, a acelerac~o do piv^ na direc~o horizontal, e a lei de controle. a o a Fazendo certas considerac~es, usando a lei de Newton e de nindo x1 = e x2 = _ a representac~o da o a din^mica do p^ndulo no espaco de estados e a e x1 = x2 _ (8.8) x2 = g senx1 u(x;q) cosx1 _ l l onde satng KE ( sign x 1 u(x; q) = ue = (gsenx +x1 ; x2 )+ la (x 2)cosx1 ); ; se qq= qq (8.9) us = 1 la1x1 2 2 =cosx1 se = 2 4 Nas representac~es a variavel discreta q pertence ao conjunto Q, isto e, q 2 Q = fq : k 2 I g. o
k k
112
estados neste caso e dado pela gura 8.2.
q = q1 e o estado discreto quando usado o controlador de energia ue e q = q2 para o controlador estabilizante us . Sem controle, ha dois pontos de equil brio: (0; 0) e ( ; 0). O primeiro ponto e instavel enquanto o segundo e estavel 5 . As refer^ncias 88] e 80] fornecem os detalhes de como obter u(x; q). A mudanca do controlador e (dos estados discretos) acontece ao de nir os conjuntos chaveados S1;2 e S2;1 6 . O diagrama de transic~o de a
q1
S1;2 S2;1
q2
Figura 8.2: Chaveamento dos conjuntos para o problema do p^ndulo invertido e Diversos metodos de projeto de como alocar tais conjuntos s~o propostos em 80]. a
Sistema Chaveado
Neste caso um sistema chaveado e dado pelo sistema h brido linear e aut^nomo o
x = Aq x; q 2 f1; 2g _
com 1 A1 = 10 100 1 e A2 = 1 10 100 1 :
Os conjuntos que de nem os chaveamentos s~o a S1;2 = fx 2 R2 : x2 = 2x1 ge S2;1 = fx 2 R2 : x2 = 10x1g: As trajetorias do sistema s~o dadas na gura 8.3. Neste caso os conjuntos chaveados s~o as fronteiras da a a partic~o do espaco de estados (da variavel cont nua) que eles determinam. a
Figura 8.3: Trajetoria de um sistema chaveado

5 Sem perda de generalidade consideramos apenas o angulo percorrido pelo p^ndulo entre 0 e 2 . Fora desse intervalo temos e in nitos pontos de equil brio que s~o x1 = 2 n; x2 = 0 e x1 = (+2 n); x2 = 0 e n = 0; 1; : : : . a 6 Estes conjuntos descrevem como s~o feitas as mudancas das variaveis discretas. a
8.3. ESTABILIDADE
113
8.3 Estabilidade
Nesta sec~o e aplicado o metodo direto de Lyapunov para veri cac~o da estabilidade de sistemas h bridos a a aut^nomos da forma dada na equac~o (8.3). o a
Exemplo 1
O sistema chaveado
x(t) = _
com e
A1 x; se x 2 X1 A2 x; se x 2 X2
(8.10)
X1 = f(x1 ; x2 ) : x1 0g; X2 = f(x1 ; x2 ) : x1 0g A1 =

5 1
4 ; A = 2 4 2 2 20 2 : e um sistema h brido estavel. Observe na gura 8.4 o comportamento assintotico da trajetoria.
Neste caso n~o ha uma func~o de Lyapunov de tipo quadratica comum ao sistema que mostre a estabilidade. a a Metodologias alternativas demonstram a estabilidade deste sistema 89, 81].
x2
4 2 0
-4
-2
X1
-1
X2
1
x1
Figura 8.4: Sistema h brido estavel.
Exemplo 2
Dado o sistema chaveado com
x(t) = Ai(t) x(t) _ i(t) = A1 =

2; se i(t ) = 1 e s12 (x) = 0 1; se i(t ) = 2 e s21 (x) = 0 1 100 ; A = 1 10 2 10 1 100 1 :
114 e

s12 (x) = x2 + 0:2x1 ; s21 (x) = 5x1 x2 :
Na gura 8.5 se exibe a trajetoria de um sistema h brido com campos estaveis (os autovalores s~o iguais a a p 1 j 1000), mas o sistema h brido n~o e estavel. Isto mostra que n~o e su ciente que os campos sejam a a estaveis para que o sistema seja estavel 80, 90, 91].
Figura 8.5: Campo de sistemas estaveis: o sistema h brido e instavel.
8.4 Estabilidade de Sistemas H bridos baseados em LMI's

Nesta sec~o, apresentam-se diversos enfoques, recentes na literatura, para analise de estabilidade de sistemas a h bridos na qual a abordagem utilizada e a do \framework" LMI. Tambem, nesta sec~o, ser~o apresentadas duas caraterizac~es segundo alguns pesquisadores nesta area utia a o lizando esta tecnica. Sem perda de generalidade iremos supor que a origem e um ponto de equil brio do sistema, independente do valor de estado discreto.
Caraterizac~es da Func~o de Lyapunov o a

Como mostrado no exemplo anterior, algumas vezes n~o e poss vel encontrar uma func~o de Lyapunov de tipo a a quadratico que garanta estabilidade do sistema. Metodologias alternativas ser~o discutidas nesta sec~o para a a resolver este problema: procurando func~es de Lyapunov quadraticas por partes 80] ou procurando uma o func~o de Lyapunov com par^metros dependentes do estado usando o conceito de estabilidade bi-quadratica a a 75, 81].
8.4.1 Func~es de Lyapunov Quadraticas por Partes o

Pettersson, 1999 7 , trabalha com sistemas h bridos aut^nomos da forma (8.3). o As mudancas dos estados discretos s~o dadas pelos conjuntos chaveados a
Sk;j = fx 2 Rn : qj = (x; qk )g para k; j 2 IN

onde Ik e o conjunto dos ndices f1;
7 Outras refer^ncias deste e
(8.11)
; kg.
autor s~o 73], 92]. a
8.4. ESTABILIDADE DE SISTEMAS HIBRIDOS BASEADOS EM LMI'S
115
Para analise de estabilidade destes sistemas se assume que campo vetorial f (x; q) e cont nuo em x para cada estado discreto q e satisfazem a condic~o de Lipschtiz em x para cada q. a
Particionamento do espaco de estados h bridos

Ser~o feitas algumas considerac~es para o particionamento do espaco de estados h bridos. a o Dado H, e particionado em l regi~es disjuntas, isto e, = 1 2 o l e i \ j = ;; i 6= j . Considera-se o conjunto de estados cont nuos
x;qi = fx 2 Rn : (x; qi ) 2
com isto = f(x; q) 2 x;qi fqi g; qi 2 1; ; lg. Dado > 0 e uma trajetoria x(t) que satisfaca (8.3) para algum valor inicial em H0 de nimos as regi~es de o fronteira i;r ; i; r 2 IN (i 6= r) segundo
i;r = f(x; q ) 2
: 9t > 0 tal que (x(t ); q(t )) 2 i e (x(t + ); q(t + )) 2 r ; quando ! 0g
determinado pelo conjunto de pontos das trajetorias que passam de i a r . Considerando x como o conjunto de estados continuos da i-esima partic~o de , ent~o x e x s~o duas a a i r a i regi~es vizinhas se a fronteira i;r 6= ;. o De forma similar, o conjunto x denotara o conjunto de estados cont nuos de i;r . i;r Regi~es vizinhas, no espaco de estados continuos, s~o desenhadas na gura 8.6. o a
x q
x lq
x l x rl x r
x qr
Figura 8.6: Regi~es vizinhas, no espaco de estados cont nuo. o
A func~o de Lyapunov a
Seja vi : x ! R; i 2 Il8 , vi (x) uma func~o cont nua que mede a energia em i . A energia total do sistema a i e medida por
v(x) = vi (x); (x; q) 2 i

8
(8.12)
esta func~o e no geral descont nua nas regi~es de fronteira i;r , ou seja v(x) e uma func~o cont nua por a o a partes.
e a clausura do conjunto ,isto e, o menor conjunto fechado contendo .
116

i( vi (x) = @v@xx) f (x; q); (x; q) 2 i _
Se assume que cada vi (x) seja continuamente diferenciavel em x ; i 2 Il assim i (8.13) tambem 9(x; q) 2 i;r tal que vi (x) e vr (x) est~o de nidas quando a trajetoria vai de i a r em (x; q). a Com as condic~es estabelecidas anteriormente podem ser formulados os seguintes teoremas de estabilidade. o
Teorema 8.4.1 (Estabilidade) Se existem func~es vi : x ! R; i 2 Il e func~es : R+ ! R+ e : R+ ! R+ de classe K tais que o o i

(kxk); 8x 2 x; i 2 Il, i x ; i 2 Il, ii. vi (x) 0; 8(x; q) 2 i _ iii. vr (x) vi (x); x 2 x ; (i; r) 2 I . 9 i;r
ent~o o ponto de equil brio x = 0 e estavel no sentido de Lyapunov. a i. (kxk) vi (x)
222
Prova
Veja 80].
444
Observe que se x e estavel e se = Rn e (kxk) ! 1 quando kxk ! 1 ent~o x e globalmente estavel. a
Teorema 8.4.2 (Estabilidade Assintotica) o Se existem func~es vi : x ! R; i 2 Il e func~es : R+ ! R+ , : R+ ! R+ e : R+ ! R+ de classe K o i

tais que
(kxk); 8x 2 x; i 2 Il, i ii. vi (x) _ (kxk); 8(x; q) 2 x ; i 2 Il, i x ; (i; r) 2 I . iii. vr (x) vi (x); x 2 i;r
ent~o o ponto de equil brio x = 0 e assintoticamente estavel no sentido de Lyapunov. a
i. (kxk) vi (x)
222
Prova
Veja 80].
444
9I
= f(i; r) :
i;r
6= ;g.
117
Observe que se x e assintoticamente estavel e se = Rn e (kxk) ! 1 quando kxk ! 1 ent~o x e a globalmente assintoticamente estavel. Partindo dos teoremas de estabilidade acima propostos, considerando as regi~es do sistema h brido e fazendo o uso do S-procedure, podem ser formuladas condic~es su cientes usando LMIs que resolvam o problema de o estabilidade do sistema h brido proposto. Neste sentido as func~es de Lyapunov candidatas s~o formas quadraticas do tipo o a
vi (x) = i + p0i x + x0 Pi x
Onde a matriz Pi , o vetor pi , e a constante i s~o as variaveis de decis~o a serem procuradas para cada i. a a
Nota 8.4.1 Todos os teoremas propostos acima acabam sendo equivalentes a procura de uma func~o de a Lyapunov de carater global toda vez que se considere o espaco de estados h bridos = 1 .
222
Exemplo
Dado o sistema chaveado com
x(t) = Aq(t) x(t) _ q(t) =

1 A1 = 10 2; se q(t ) = 1 e s12 (x) = 0 1; se q(t ) = 2 e s21 (x) = 0 100 ; 1
A2 =
1 10 100 1 :
s12 (x) = x2 + x1 ; s21 (x) = x2 :
A gura 8.7 mostra a trajetoria de um sistema h brido com campos instaveis (os autovalores s~o iguais a a p 1 j 1000). Segundo 80] 10 n~o e poss vel encontrar uma FL11 quadratica comum para o sistema h brido. a N~o entanto, o sistema h brido e globalmente exponencialmente estavel. Para mostrar isto, o autor procurou a uma FL quadratica por partes particionando o espaco de estados em oito regi~es, todas contendo a origem. o Em cada regi~o se encontrou uma FL local satisfazendo as condic~es de estabilidade. Neste caso o sistema a o h brido e estavel.
8.4.2 Func~o de Lyapunov dependente do estado a

O esforco computacional envolvido quando se faz a procura de uma func~o de Lyapunov por partes e obviaa mente maior a procura de uma func~o comum. O intuito desta sec~o e apresentar a analise de estabilidade a a de sistemas chaveados com uma abordagem diferente e menos conservativa aquela que procura uma func~o a de Lyapunov de tipo quadratica. A abordagem fornecida nesta sec~o se encontra detalhada em 81] e apenas a fornceremos os passos da escolha da variaveis logicas que ser~o inseridas no enunciado do teorema que mostra a o resultado principal. Dado o sistemas chaveado:
x(t) = Ai x(t); i 2 f1; 2; _

10 Lema 3.1 11 FL: func~o de Lyapunov a
; ng; t > 0;
(8.14)
118
Figura 8.7: Campo de sistemas instaveis: o sistema h brido e estavel. onde x(t) 2 Rnx e a componente cont nua dos estados, assumindo valores nas regi~es Xi Rnx . Assumiremos o que Rnx = Xi e que Xi sejam conjuntos cujos interiores 12 s~o disjuntos. Assumiremos tambem que se a x(t ) 2 Xi \ Xj ent~o x(t) 2 Xi \ Xj . a = Suporemos que (8.14) seja um sistema aut^nomo cuja variavel cont nua x(t) assume valores nas regi~es Xi . o o A variavel discreta i assume valores no subconjunto dos inteiros f1; ; ng e sera associada a um conjunto de variaveis logicas i dadas no vetor = 1 ; 2 ; ; n ]0 2 Rn de modo que i 2 f0; 1g; i 2 f1; ; ng P e i = 1 se x 2 Xi . Assumiremos que n=1 i = 1, ou seja, se x 2 Xi ent~o i = 1 e j = 0 para todo a i j 6= i; j 2 f1; ; ng . Por conveni^ncia, iremos rescrever (8.14) na forma: e P ~ x = ( n=1 Ai i ) x; x 2 Rnx ; 2 B ; _ i
8 < ~ B = f 2 Rn : :
i = 1 se
i = 0; caso contrario
x(t) 2 Xi = x(t ) 2 Xi ;
(8.15)
Seja Bx Rnx um politopo convexo que contenha a origem e represente os valores de interesse da variavel de estado x(t) para ns de analise de estabilidade. Bx pode ser interpretado como a regi~o de atrac~o desejada a a do ponto de equil brio 74]. ~ Note que B de ne um conjunto formado pelos n valores que a variavel pode assumir. Consideraremos tambem o seguinte politopo ~ B = Co(B ) ,
: =
n X i=1
i i;
n X i=1
i = 1; i
~ 0; i 2 B
(8.16)
~ cujos vertices s~o os elementos de B . Podemos ent~o estabelecer a seguinte relac~o: a a a 0 = diag( i ); ~ 2 B se 2 B e (8.17) 0 = 1 ; ; n ]: onde De niremos B = Bx B como sendo o meta politopo formado pela combinac~o dos vertices de Bx e B e a usaremos a notac~o (x; ) 2 B para indicar que x 2 Bx e 2 B . a
12 O interior de um conjunto
exclui a fronteira dele.

A din^mica do chaveamento aqui estudada sera do tipo: a
119
Xi = fx : x0 ik (x)x
0; k = 1;
; mi g; i = 1;
;n
(8.18)
onde ik (x) 2 Rnx nx s~o func~es a ns conhecidas. a o A estabilidade do sistema (8.15) sera estudada com o aux lio da seguinte de nic~o de estabilidade. a
De nic~o 8.4.1 (Estabilidade Bi-Quadratica) a ~ Seja Bx Rnx um dado politopo que de ne uma vizinhanca da origem e B o conjunto em (8.15).
A origem do sistema (8.15) e dita ser localmente bi-quadraticamente estavel se existir uma func~o v(x) = a ~ x0 P (x) x, com P (x) quadratica em x, que satisfaca as seguintes condic~es x 2 Bx ; x 6= 0; 2 B : o
v(x) = x0 P (x) x > 0 P P _ v (x) = x0 P (x)x + x0 ( n=1 Ai i )0 P (x)x + x0 P (x)( n=1 Ai i )x < 0 _ i i
No caso a rmativo, v(x) = x0 P (x) x e dito ser uma func~o local de Lyapunov para a origem do sistema a (8.15) .
222
A de nic~o acima estende para o caso de sistemas chaveados (8.15) a noc~o de estabilidade Bi-quadratica a a apresentada em 75] no contexto de sistemas n~o lineares incertos, e implica em estabilidade assintotica da a origem do sistema n~o linear chaveado (8.15). Seja 0 uma dada matriz a m em x, escrita na forma a
0 =
nx X i=1
Ti xi 2 Rn1 nx
(8.19)
a onde Ti 2 Rn1 nx e uma matriz constante de mesma dimens~o de 0 e xi e a i-esima componente do vetor x. Com ri e a i-esima linha da matriz Inx de nimos a matriz x
x = nx X i=1
Ti xri
(8.20)
Na continuac~o de niremos variaveis auxiliares i . Com 0 a a variavel 1 e com i de (8.15) as variaveis a : i+1 (8.21) 1 = 0 x 2 Rn1
i+1 = i
x; i = 1; 2; x 0x 1 x
;n 1
0 n 1 x] 2 Rn
(8.22) (8.23)
Ent~o de nimos o vetor de dimens~o n = nnx + n1 como sendo: a a = x 1 2

0 n] =
A partir de (8.17), obtemos que 0 diag( i ) = 0. Considerando (8.23) e lembrando que n = 1 estas condic~es cam na forma: o ( i 1) i x = ( i 1) i+1 = 0; 8i 2 f1; 2; i j x = i j +1 = 0; 8 x 8i 6= j; i; j 2 f1; 2;
Pn
i=1 i
; n 1g ; n 1g:
(8.24)
120

(8.25)
As express~es (8.22) e (8.24) s~o a ns em e , estas podem ser rescritas da forma compacta o a ( ) = 0; ( ) 2 Rn n
com ( ) uma matriz a m em e n = n(n 1)nx . Tambem 2 B junto com ( ) = 0 implica na ~ realidade 2 B . Com as func~es ik (x) de (8.18) construimos a matriz diagonal por blocos (x) 2 Rn n , tal que: o (x) = diagfOnx ; On1 ; ~ g + E 0 n E;
E = Inx ; Onx n1 ; Inx ;

~ = diagf 1;
i =
; Inx ] 2 Rnx n ;
nx ;
Pmi
; n 1 g 2 R(n 1)nx (n 1)nx ;
(8.26)
onde ik s~o escalares positivos a serem determinados posteriormente. a A seguir apresentamos o resultado principal deste cap tulo.
k=1 ik ik
2 Rnx
i = 1;
;n
Teorema 8.4.3 (Estabilidade Bi-quadratica de Sistemas Chaveados)

Considere as matrizes de nidas em (8.19), (8.20), (8.25), (8.26) e de na:
A Aa1 = ( + n )A 0 ; 0 x n 0 A An 1 An Aa2 = ( +A1 )(A n A ) ( 0 + x )(An 1 An ) ; 0 x 1 n 3 2x x 0 0 2 1 6 0 x3 x2 0 7 Ch = 6 . . 6 .. .. ... . 7; . 7 4 . 5 0 0 xnx xnx 1
2 ~ = 4 Ch
0
0(nx 1) (n nx) In1 0n1 nx (n 1)
3 5 ; C = Ch 0
0 In1 ;
Seja Bx Rnx um dado politopo que de ne uma vizinhanca da origem e B o politopo de nido em (8.16). O sistema dado por (8.15) e localmente bi-quadraticamente estavel se existem matrizes P; L; M com as mesmas dimens~es de Aa1 ; C 0 ; ~ 0 , respectivamente, e escalares positivos ik de (8.26) tais que sejam satisfeitas o as seguintes LMIs nos vertices do meta-politopo B = Bx B :
P + LC + C 0 L0 > 0; P = P 0
(8.27)
A0a1 P + PAa1 PAa2 + M ~ + ~ 0 M 0 + A0a2 P 0
< 0:
(8.28)
No caso a rmativo, a func~o v(x) = x0 P (x)x com P (x) indicado abaixo e uma func~o de Lyapunov para o a a sistema (8.15).
0 x x P (x) = In0 P In0 :
(8.29)
222
121
Prova
Veja 81].
444
O exemplo seguinte mostra o resultado do teorema 8.4.3. Neste caso, prop^r uma func~o de Lyapunov o a quadratica como candidata deu um resultado n~o factivel. Com isto, a aplicac~o do teorema resulta numa a a abordagem menos conservativa.
Exemplo
Considere o sistema chaveado (8.10). Determine a estabilidade da origem deste sistema utilizando uma func~o de Lyapunov do tipo v(x) = x0 P (x) x, onde a matriz P (x) e quadratica em x. a ) Soluc~o: a O sistema (8.10) pode ser reescrito em termos da representac~o (8.15) segundo x = 1 A1 x + 2 A2 x, onde a _ e 2 = 1 1 s~o as variaveis logicas. a 1 A matriz 0 desempenha um importante papel na func~o de Lyapunov bi-quadratica e pode ser vista como a um grau de liberdade para diminuir a conservatividade dos resultados. Em particular, vamos considerar a seguinte escolha desta matriz.
0=
x1 I2 x2 I2
, e consequentemente n1 = 4
Com a de nic~o acima da matriz 0 e (8.23), obtemos os seguintes vetores auxiliares i . a e 2 = 1x 1 = 0 x = x2 x1 x2 x1 x2 x2 1 2

0
Considerando as relac~es (8.24) construimos a seguinte matriz . o = 02 02 4 ( 1 1)I2 I2 1 I2 02 4 0
As regi~es Xi de (8.18) podem ser caracterizadas pelas func~es: o o
x0 11 (x)x
0 )
11 (x) =
x1
x1
e x0 21 (x)x
0 )
21 (x) =
x1 0 : 0 x1
Logo, a matriz e construida da seguinte forma. 1 = 11 11 (x); 2 = 21 21 (x); e ~ = 1 ! onde diagf02; 04 ; ~ g = 11 006 2 6 06 2 x1 I2
= diagf02; 04 ; ~ g + E 0 2 E e E0 2 E =
2 xI 12 21 4 04 2
02 4 04 x1 I2 02 4
04 2 x1 I2
x1 I2
3 5:
Considere que o politopo Bx e de nido pelo seguinte conjunto de vertices.
;
onde e um dado escalar positivo.
122
0 ; 1 . 1 0 Aplicando as condic~es acima ao teorema (8.4.3), para = 100, obtemos a matriz: o A partir de (8.16) obtemos o politopo B = Co
2 7279067:9 6 434435:48 6 6 P = 6 22280:18 6 657:2597 6 7500:484 4
434435:48 1506838:5 6199:410 5120:643 1763:322 554:009 3005:408
22280:18 657:259 7500:484 6199:410 5120:643 1763:322 781:2508 414:7109 562:9214 414:7109 1: 98:67125 562:9214 98:67125 367:0776 24:38704 25:63713 56:06310
554:009 3005:408 7 7 24:38704 7 : 7 25:63713 7 7 56:06310 5 30:42994
Logo, a func~o v(x) = x0 P (x)x, com P (x) dado por (8.29), e uma func~o de Lyapunov local para a origem a a do sistema.
8.5 Sumario
Neste cap tulo foram colocados os conceitos fundamentais referentes a sistemas h bridos e sistemas chaveados. Neste sentido alguns exemplos foram exibidos. Tambem estudamos a estabilidade de sistemas h bridos usando o metodo direto de Lyapunov. Para fazer analise destes sistemas foram enfocadas duas metodologias: uma usa func~es de Lyapunov quao dratica por partes e a outra usa uma func~o de Lyapunov comum. Para exempli car estas metodologias a foram usados sistemas chaveados do tipo x = Ai x onde Ai s~o matrizes constantes. A primeira metodo_ a logia fornece a vantagem de poder encontrar uma func~o de Lyapunov quadratica por partes quando n~o a a e possivel encontrar uma func~o de Lyapunov quadratica comum ao sistema. Neste caso a limitante e o a esforco computacional envolvido na procura destas func~es em vista de se ter um maior numero de variaveis o de decis~o. a Por outro lado a segunda abordagem apresenta ser menos conservativa para o mesmo problema ha um numero menor de variaveis de decisao a procurar e a func~o de Lyapunov usada diferentemente de 78], 89] a e 80] depende dos estados. Neste enfoque os sistemas dados s~o colocados na forma x = A( )x, onde x a _ e o estado cont nuo e um vetor de variaves logicas associadas aos chaveamentos do modelo. O espaco de estados e particionado em regi~es Xi e para cada regi~o Xi A( ) assume valores distintos, indicando que os o a chaveamentos do modelo dependem apenas das partic~es do estado cont nuo. o Neste caso a func~o de Lyapunov usada foi do tipo v(x) = x0 P (x) x onde P (x) e quadratica em x e n~o a a ha factibilidade da soluc~o quando se procurou uma func~o de Lyapunov quadratica. a a Com este resultado mostramos que a procura de uma func~o de Lyapunov bi-quadratica para sistemas a chaveados apresenta, de fato, uma abordagem menos conservativa.
Cap tulo 9
Problema de Filtragem Robusta

Karina A. Barbosa
9.1 Introduc~o a
Em um sistema de controle, nem sempre pode-se ter acesso a todos os estados para o processo de realimentac~o, por isso e necessario em muitos casos, para satisfazer os requisitos de performance desejaveis no a projeto, estimar o estado real atraves de um ltro din^mico. a O processo da busca destes ltros para sistema LTI vem sendo amplamente explorados, desde a publicac~o a dos resultados de Luenberger, no caso determin stico e de Kalman, no caso estocastico. No entanto, para sistemas incertos foi apenas no nal dos anos 90 que surgiram resultados para o projeto de ltros robustos, que garantam que o estado estimado convirja para o estado original assintoticamente. Neste cap tulo vamos apresentar os resultados obtidos por 93] e 94], que abordam o problema de ltragem robusta atraves de Desigualdades Matriciais Lineares (LMIs). Nestas abordagens busca-se encontrar um ltro robusto otimo para um sistema incerto, de tal forma que a vari^ncia do erro de estimac~o seja minimizada a a por um limitante superior. A caracter stica em comum destas abordagens e conseguir uma formulac~o convexa para o problema acima a atraves da utilizac~o de transformac~es de variaveis. a o O cap tulo tem a seguinte estrutura. Na sec~o 9.2 vamos fazer uma breve revis~o da formulac~o proposta por a a a Luenberger e Kalman para a soluc~o do problema de ltragem para sistemas LTI. Na sec~o 9.3 formula-se o a a problema de ltragem robusta. Na sec~o 9.3.1 apresentamos os resultados apresentados na refer^ncia 93]. O a e resultado formulado em 94] sera visto em 9.3.2. Em 9.4 tem-se uma aplicac~o dos resultados apresentados. a Exerc cios complementares s~o dados na sec~o 9.5 e na sec~o 9.6 tem-se algumas refer^ncias para o problema a a a e de ltragem.
9.2 Metodos Classicos

Nesta sec~o e apresentada uma pequena revis~o da formulac~o dada por Luenberger e por Kalman para a a a a busca de um ltro din^mico para a estimativa do estado real de um sistema LTI. a 123
124
CAPITULO 9. PROBLEMA DE FILTRAGEM ROBUSTA
Luenberger, foi o primeiro a utilizar o termo observadores din^micos, para identi car um sistema cuja as a variaveis de estado s~o uma estimativa das variaveis reais de um outro sistema. Ele mostrou que pode-se a projetar o observador de tal forma que o erro entre o estado atual e o estado do observador tenda a zero o mais rapido que se deseja. Ja no resultado proposto por Kalman busca-se uma soluc~o para o projeto ltro otimo de sistema com a entradas estocasticas. Apesar do resultado de Kalman ser anterior ao resultado de Luenberger, apresenta-se primeiro o resultado proposto por Luenberger, ja que a soluc~o proposta por Kalman tem a mesma estrutura do observador de a Luenberger. Nas proximas subsec~es apresenta-se a formulac~o matematica para estes resultados. o a
9.2.1 Observadores de Luenberger

Considere o seguinte sistema Din^mico: a
(9.1)
onde x 2 Rn e o vetor de estados, u 2 Rnu e a variavel de controle e y 2 Rp e a sa da do sistema. Nem sempre tem-se acesso a todos os estados de x, o que pode ser as vezes um empecilho para a plena realizac~o a do projeto de controle, com isso e comum se trabalhar apenas com uma estimativa xf do sinal x. Luenberger identi cou que uma maneira e ciente de se obter uma boa estimativa xf (t) de x(t), seria considerar que a xf fosse o estado de um sistema din^mico dado por: a
xf = Af xf + Bf u + Kf y _
e que o erro e = x xf entre os estados fosse pequeno. Construindo a equac~o diferencial do erro com (9.1) e (9.2) tem-se a
(9.2)
e = x xf _ _ _ e = Ax + Bu (Af xf + Bf u + Kf y) _ e = (A Kf C )x Af xf + (Bu Bf )u _ e = (A Kf C Af )x + Af e + (Bu Bf )u _
(9.3)
Como o erro deve convergir assintoticamente para zero independente de x e u, os coe cientes de x e u devem ser zero, com isso
Af = A Kf C Bf = Bu
assim, o erro de estimac~o ca: a
(9.4)
e = Af e _
que converge a zero se a matriz Af for estavel. Como Af depende das matrizes A e C que s~o xas, a unica a variavel livre agora e matriz de ganhos Kf que deve ser projetada de tal forma que se garanta que o erro tenda assintoticamente para zero, desde que o par (A; C ) seja detectavel. A equac~o din^mica do ltro sera a a dada por:
9.2. METODOS CLASSICOS

xf = (A Kf C )xf + Bu + Kf y _ xf = Axf + Bu + Kf (y Cxf ) _ xf = Axf + Bu + Kf Ce _
125
(9.5)
O problema e como projetar a matriz de ganho Kf de maneira que o erro tenda a zero assintoticamente. Note que este e um problema dual ao problema de realimentac~o de estado e pode ser resolvido atraves de a algoritmos ja existentes, como alocac~o de polos. Para mais detalhes sobre observadores de Luenberger veja a 95]. A representac~o por diagrama de blocos de um observador linear e dada na gura (9.1). a
u B y
r
x estado estimado
f
y = Cx ^
Figura 9.1: Diagrama de blocos de um observador linear Perceba tambem que o ltro depende diretamente das matrizes do sistema original (9.1), isso impossibilita a considerac~o de que o sistema seja incerto. Por isso a busca de novas abordagens para o projeto de ltros a para sistemas incertos tem sido foco de muitos projetos de pesquisa.
9.2.2 Filtro de Kalman

No ltro de Kalman busca-se estimar as variaveis de estado de um sistema LTI sujeito a perturbac~es o estocasticas. O problema a ser tratado neste caso e descrito a seguir. Considere o sistema din^mico a
x = Ax + Bu u + Bw w x(0) = x0 _ y = Cx + v
(9.6)
onde u e o vetor de entradas, y e a sa da observavel, e v e w s~o processos de ru do branco com media nula a e vari^ncias dadas por: a E vv0 ] = V (t);
E ww0 ] = W (t)
sendo (t) um impulso na origem, V , W e S s~o matrizes quadradas constantes com V invers vel. Note que, a quando S = 0, n~o existe uma correlac~o direta entre os sinais de entrada v e w e que eles s~o independentes, a a a ou seja, E vw0 ] = 0. Suponha tambem que o estado inicial de (9.6) e uma variavel aleatoria de media nula
E vw0 ] = S (t)
126
e de matriz de covari^ncia P0 , sendo n~o correlacionado com v e w. O problema, ent~o, e encontrar o a a a estimador de estados que minimiza a vari^ncia do erro de estimac~o. a a A soluc~o proposta por Kalman e Buci e que o estimador de estados otimo e um observador e pode assim a ser expresso como (9.7) onde agora a matriz Kf e a matriz de ganho que deve ser escolhida de tal forma que haja uma minimizac~o a da vari^ncia do erro de estimac~o. a a O problema agora e encontrar o valor do ganho Kf de tal forma que o observador (9.7) seja o observador otimo. Como e um observador pode-se proceder de maneira semelhante ao caso de Luenberger, ent~o a de nindo o erro como e = x xf , a din^mica sera dada por: a
xf = Axf + Bu + Kf (y Cxf ) _
e = Ax + Bw w Axf Kf (Cx + v Cxf ) _ = (A + Kf C )e + Bw w Kf v
(9.8)
Kalman mostrou que a matriz Kf que minimiza a vari^ncia do erro de estimac~o e obtida a partir da equac~o a a a de Riccati 0 _ P = (A FSV 1 C )P + P (A FSV 1 C )0 PC 0 V 1 CP + Bw (W SV 1 S 0 )Bw (9.9) P (0) = P0 onde Kf = (PC 0 + FX )W 1 . No caso de w e v n~o serem correlacionados, ent~o tem-se que S = 0, e neste caso obtem-se a a
0 _ P = AP + PA0 PC 0 V 1 CP + Bw WBw
com Kf = PC 0 V 1 . A prova deste resultado pode ser encontrada no cap tulo sobre o ltro de Kalman em 8]. A equac~o de Riccati (9.9), ou (9.10) e valida para um intervalo de tempo nito. Quando t ! 1 a soluc~o a a para a estimativa de x e dada pelo ltro estacionario de Kalman transformando a equac~o (9.9) na Equac~o a a Algebrica de Riccati(ARE). 0 (A FSV 1 C )P + P (A FSV 1 C )0 PC 0 V 1 CP + Bw (W SV 1 S 0 )Bw = 0 (9.11) E poss vel, tambem, buscar uma soluc~o para este problema atraves da soluc~o de um problema de otimizac~o a a a convexo, via formulac~o LMI. Este resultado pode ser visto, por exemplo em 93], e garante que se as seguintes a condic~es estiverem satisfeitas para N , W e Y . o min Tr N ]; (9.12) N;W;Y
0 N Bw W + Y 0 0; W > 0; WBw + Y W 0 A0 W + WA + C 0 Y 0 + Y C + Cz Cz < 0: o ganho do ltro otimo e dado por Kf = W 1 Y .
(9.10)
(9.13) (9.14)
O resultado apresentado por Kalman garante a obtenc~o do ltro otimo para sistemas LTI. No caso de a sistemas incertos, como as matrizes do ltro de Kalman s~o projetadas em func~o das matrizes do sistema a a original, tem-se novamente a di culdade apresentada no caso do ltro de Luenberger. A seguir, sera apresentado duas abordagens alternativas para a soluc~o deste problema, ou seja, o projeto de ltros otimos para a sistemas incertos.
9.3. MODELAGEM DO PROBLEMA
127
9.3 Modelagem do problema

Estamos na verdade preocupados em estimar o estado de um sistema incerto. Nesta sec~o vamos ent~o a a de nir o problema de ltragem robusta, para tal considere o sistema
x = Ax + Bw w; x(0) = x0 _ y = Cx + Dw z = Cz x
(9.15)
onde x 2 Rn e o vetor de estados, x(0) e uma variavel aleatoria, w 2 Rnw e uma entrada externa, no caso um sinal de ru do branco com media nula e vari^ncia conhecida, z 2 Rnz representa o sinal a ser estimado a e y 2 Rny e a sa da medida. A matriz Cz e dada e as matrizes A; Bw ; C; D; s~o incertas. Assume-se que a a incertezas est~o descritas na forma politopica, tal que a
A S := C Bw D
pertenca a um dado politopo D descrito por
(9.16)
ns X i=1
D := S : S =
ns X i=1
i Si ;
0;
i=1
(9.17)
Observe que a classe de sistemas (9.6) onde os sinais de entrada e ru do de medida s~o distintos, e um caso a 0 0 particular do sistema (9.15). Para veri car isto, note que, basta fazer w(t) = w1 w2 ]0 e matrizes Bw e D iguais a Bw 0] e 0 D], respectivamente. Busca-se projetar um ltro robusto otimo pertencente ao conjunto C , onde C e a classe de todos os operadores lineares invariantes no tempo com realizac~o de estados m nima da forma: a
xf = Af xf + Kf y; xf (0) = 0 _ zf = Cf xf
(9.18)
onde xf 2 Rnf e o estado estimado e zf 2 Rnz e a sa da estimada, e nf e a ordem do ltro, de tal forma que o erro de estimac~o dado por a
e = z zf
o seguinte problema de otimizac~o: a PROBLEMA 1:
(9.19)
tenha a vari^ncia limitada superiormente por p(F ). Nesta notac~o a estimativa de z e dado por z = F y, onde a a ^ F e um operador linear causal que minimiza o limitante superior p(F ). Formalmente tem-se que satisfazer min p(F ) F2C sup E e0 e] p(F )
(9.20) (9.21)
S 2D
onde E :] e o operador esperanca matematica.
128
xa = x0 x0f 0 , pode-se construir o seguinte sistema aumentado:
Incorporando o ltro (9.18) ao sistema (9.15) juntamente com a din^mica do erro (9.19) e considerando a
xa = Aa xa + Ba w; xa (0) = 0 _ e = Ca xa
onde 0 Aa = KAC A f f
(9.22)
B ; Ba = K w fD Cf
Ca = Cz
(9.23)
O problema, ent~o, e como encontrar o valor do ndice p(F ) para minimizar a vari^ncia do erro de estimac~o a a a em (9.22). Nesta sec~o, assume-se que sinal de entrada w e do tipo ru do branco, media nula e vari^ncia dada por a a E ww0 ] = I . Um limitante superior para a vari^ncia do erro pode ser obtido com as mesmas tecnicas a apresentadas no Cap tulo 2, para o calculo da norma H2 . Perceba que, considerando o sistema (9.22) a vari^ncia do erro de estimac~o quando t ) 1 satisfaz ent~o a a a as seguintes condic~es: o Gramiano de Controlabilidade
0 E e0 e] = Tr Ca XCa ]
(9.24)
onde X 2 R(n+nf ) (n+nf ) e uma matriz simetrica e n~o negativa de nida soluc~o da equac~o de a a a Lyapunov
0 Aa X + XA0a + Ba Ba = 0
(9.25)
Gramiano de Observabilidade
0 E e0 e] = Tr Ba XBa ]
(9.26)
onde X 2 R(n+nf ) (n+nf ) e uma matriz simetrica e n~o negativa de nida soluc~o da equac~o de a a a Lyapunov
0 A0a X + XAa + Ca Ca = 0
(9.27)
Observe que os problemas acima podem ser reescritos como um problema de otimizac~o com restric~es de a o desigualdades. Sendo assim, estes dois problemas de otimizac~o podem ser convertidos respectivamente em: a
Problema 1.1
P;Af ;Kf ;Cf
min
0 Tr CaPCa ];
0 Aa P + PA0a + Ba Ba < 0;
P > 0:
(9.28)
129
Problema 1.2
P;Af ;Kf ;Cf
min
0 Tr Ba PBa];
0 A0a P + PAa + Ca Ca < 0;
P > 0:
(9.29)
que a vari^ncia do erro em regime estacionario. Assim, como a soluc~o otima para o Problema 1.1(ou 1.2) a a e arbitrariamente proxima da soluc~o da equac~o de Lyapunov em (9.25) (ou em (9.27)), a diferenca entre a a a func~o objetivo do Problema 1.1 (ou 1.2) e a vari^ncia do erro estacionario pode ser feito arbitrariamente a a pequena. Se uma soluc~o para o Problema 1.1 ou 1.2 for encontrada, tem-se a garantia de que o ltro (9.18) obtido a sera ent~o soluc~o otima para o Problema 1, e o valor de p(F ) sera dado pela func~o objetivo do problema, a a a 0 0 ou seja, p(F ) = Tr Ca PCa ] ou p(F ) = Tr Ba PBa ] , onde e uma constante arbitrariamente pequena. A seguir s~o apresentadas duas abordagens que buscam uma soluc~o para os Problemas 1.1 ou 1.2 atraves a a de transformac~o de variaveis que tornem a busca dos ltros robustos otimos um problema de otimizac~o a a convexa. Note que os Problemas 1.1 e 1.2 n~o s~o convexos nas variaveis de decis~o. a a a
Note que se existe uma soluc~o P para (9.28) ou (9.29), ent~o o sistema (9.22) e assintoticamente estavel e a a P > X (dada por (9.25) ou (9.27) respectivamente). Alem disto, a func~o objetivo acima e estritamente maior a
9.3.1 Abordagem 1
Esta abordagem foi proposta por Souza e Tro no 93] e apresenta uma soluc~o para a busca de um ltro a robusto tal que a vari^ncia do erro de estimac~o seja minimizada. Para o calculo do ndice p(F ), os autores a a utilizam o Gramiano de Observabilidade, ou seja buscam uma soluc~o fact vel para o Problema 1.2. a Para colocar o problema de ltragem 1.2 numa formulac~o LMI, e necessario primeiro aplicar o complemento a de Schur em (9.29), obtendo
N;P;Af ;Kf ;Cf
min
Tr N ];
0;
(9.30)
0 N Ba P PBa P
P > 0;
(9.31) (9.32)
Note que as restric~es de (9.31) e (9.32) n~o s~o convexas nas variaveis de decis~o P; Af ; Kf e Cf . No o a a a entanto, pode-se atraves da aplicac~o de transformac~es de variaveis apropriadas e a introduc~o de novas a o a variaveis de decis~o transformar estas desigualdades em LMIs. Para isso os autores utilizam as seguintes a transformac~es de variaveis. o Supondo que a matriz P soluc~o otima para o Problema 1.2, seja particionada de acordo com Aa , ou seja : a
A0a P + PAa Ca
0 Ca < 0: Inz
onde P1 and P2 s~o matrizes n n simetricas e positivas de nidas, e a matriz P3 e assumida ser n~o singular1. a a Com isto constroi-se as seguintes matrizes de transformac~es o
P = P10 P3 P3 P2
(9.33)
2I 0 n J1 = 4 0 P2 1 P30
0 0
1 esta considerac~o a
Inz
0 0
3 5
pode ser feita sem perda de generalidade como e provado em 93].
130 e
0 0 5 0 0 P2 1 P30 que tornam a busca de soluc~o para o Problema 1 convexa. A seguir e reproduzido o teorema para a soluc~o a a do Problema 1.2 via abordagem LMI, para o caso nominal(ns = 1 em D), onde o valor de p(F ) e dado pelo Tr N ].
2I 0 n ^ J1 = 4 0 In
Teorema 9.3.1 Considere o sistema (9.15) onde A; Bw ; C e D s~o matrizes conhecidas. O ltro de ordem a completa (9.18) que minimiza a vari^ncia do erro assintotico pode ser obtido em termos do seguinte problema a LMI em MA; P0 ; P1 2 Rn n , MK 2 Rn ny , MC 2 Rnz n e N 2 Rnw nw :
N;P0 ;P1 ;MA ;MK ;MC
min
Tr N ]
(9.34) (9.35) (9.36) (9.37)
sujeito a
2 0 0 0 0 3 N BwP1 + D0MK BwP0 + D0MK 4 P1 Bw + MK D 5 > 0; P1 P0 2 A0P + P A + M C + C 0M 0 M + A0P + C 0M 0 C 0 3 1 K z0 0 0 4 1MA + P0 A + MK C K A MA +0 MA K MC 5 < 0:

Cz MC Inz P0 Bw + MK D P0 P0
P1 P0 > 0; P0 > 0;
com a soluc~o otima N; P0 ; P1 ; MA ; MK e MC encontradas, as matrizes do ltro otimo s~o dadas por a a Af = P3 1 MA (P30 ) 1 P2 ; Kf = P3 1 MK ; Cf = MC (P30 ) 1 P2 (9.38) onde P2 e P3 s~o matrizes n n quaisquer com P2 simetrica tal que P3 P2 1 P30 = P0 . Alem disso, a vari^ncia a a do erro de estimac~o satisfaz assintoticamente E e0 e] = Tr N ] , onde > 0 e arbitrariamente pequeno. a
Prova 1 : Primeiro mostra-se que as desigualdades de (9.31) e (9.32) s~o equivalentes as LMIs em (9.35)a (9.37). Com a partic~o P dada em (9.33), expandindo as matrizes Aa e Ca em (9.23), a desigualdade (9.32) a pode ser reescrita como 2 A0P1 + P1 A + P3 Kf C + C 0K 0P 0 A0P3 + P3 Af + C 0K 0P2 C 0 3 z f 0 4 P30A + A0fP30 + P2Kf C f 3 A0fP2 + P2 Af Cf 5 < 0: (9.39)
Cz Cf Inz
0 Pre-multiplicando e pos-multiplicando (9.39) por J1 e J1 , respectivamente e introduzindo as novas variaveis P0 = P3 P2 1P30 ; MA = P3 Af P2 1P30 ; MK = P3 Kf ; MC = Cf P2 1P30 (9.40) a desigualdade (9.39) torna-se a LMI (9.37).
Por outro lado, pelo complemento de Schur a condic~o P > 0 em (9.31) e equivalente a desigualdade (9.35). a Prova-se agora a equival^ncia entre a primeira desigualdade de (9.31) e (9.36). Primeiro, note que pela e de nic~o de Ba em (9.22), a desigualdade (9.31) torna-se a
2 0 0 0 0 3 N Bw P1 + D0 Kf P30 Bw P3 + D0 Kf P2 4 P1 Bw + P3Kf D 5 P1 P3
P30 Bw + P2 Kf D P30 P2
0:
(9.41)
131
^0 ^ Pre-multiplicando and pos-multiplicando (9.41) por J1 and J1 , respectivamente e considerando a de nic~o a de P0 e MK , obtem-se que (9.41) e equivalente a LMI de (9.36). Finalmente, as matrizes do ltro (9.38) s~o obtidas imediatamente de (9.40), o que conclui a prova. a
222
O projeto de ltro otimo para o caso nominal, ja foi solucionado por Kalman como mostrado na sec~o 9.2.2. a A seguir tem-se a demonstrac~o de que o Teorema 9.3.1, atraves de troca de variaveis, recai no resultado a proposto por Kalman. Note que, como no ltro de Kalman o erro de estimac~o e descrito em termos de um sistema din^mico de a a ordem n, tem-se que a realizac~o no espaco de estados (9.22) para o erro de estimac~o e n~o m nima. Com a a a isto, pode-se relaxar a condic~o de desigualdade estrita em (9.37) e garantir que o primeiro bloco na diagonal a e positiva de nida. Assim, (9.37) pode ser reduzida a uma desigualdade de dimens~o menor. a 0 Pre e pos multiplicando (9.37) por J2 e J2 , respectivamente, onde 2 I 0 0 3 n J2 = 4 In 0 In 5 0 Inz 0 tem-se 3 2 0 Cz 1 2 7<0 6 Cz Inz (Cz + MC ) (9.42) 5 4 02 0 A0 (P1 P0 ) + (P1 P0 )A (Cz + MC ) com 0 1 = A0 P1 + P1 A + C 0 MK + MK C 2 = A0 P1 P1 A + MA + A0 P0 MK C: Impondo que P1 = P0 + "I , onde " e um escalar positivo com " ! 0, a desigualdade de (9.42) implica, no caso limite, que (9.43) 2 = 0; Cz + MC = 0: Alem disso, (9.42) e reduzida a
0 0 A0 P1 + P1 A + C 0 MK + MK C + Cz Cz < 0:
(9.44)
Assim, segue de (9.43) que
MA = P1 A + MK C;
Cz = MC :
Escolhendo P2 = P3 , e considerando (9.40), tem-se que
P0 = P2 = P3 ; MA = P1 Af ; MK = P1 Kf ; MC = Cf :
Assim, obtem-se
Af = A Kf C;
Cf = Cz
(9.45)
0 Por outro lado, pre e pos multiplicando a desigualdade (9.36) por J3 e J3 , respectivamente, onde 2I 0 03 J3 = 4 0 I I 5 0 0 I
132 tem-se (9.36) satisfeita se e somente se
2 N B 0 P + D0 M 0 4 P1Bw + MK D w 1 P1 K
(P1 P0 )Bw (P1 P0 )
0 0 Bw P1 + D0 MK P1 Bw + MK D P1
0 Bw (P1 P0 ) (P1 P0 ) 5 0: (P1 P0 )
(9.46)
Como P1 ! P0 , obtem-se no caso limite que (9.46) e (9.35) s~o equivalentes a a
0;
P1 > 0:
(9.47)
Observe que as restric~es (9.44), (9.45) e (9.47) s~o exatamente as mesmas para a formulac~o LMI do ltro o a a de Kalman (9.12)-(9.14). Assim, fazendo-se P0 = P1 e escolhendo P2 = P3 , conclui-se que o ltro do Teorema 9.3.1 se reduz ao ltro de Kalman. Ate o momento se considerou o projeto de ltros da mesma ordem que o sistema. Mas na pratica, as vezes e necessario apenas estimar as variaveis n~o acess veis, ou seja projetar um ltro de ordem nf < n. Neste a caso tem-se que mesmo para o caso de sistemas sem incertezas, se consegue apenas um limitante superior para a vari^ncia do erro. O teorema a seguir apresenta este resultado. a
Teorema 9.3.2 Considere o sistema (9.15) onde A; Bw ; C and D s~o matrizes conhecidas. O ltro de a ordem nf < n dado em (9.18) que minimiza um limitante superior para a vari^ncia do erro assintotico a pode ser obtido em termos do seguinte problema LMI em MA; P0 2 Rnf nf , P1 2 Rn n , MK 2 Rnf ny , MC 2 Rnz nf e N 2 Rnw nw :
N;P0 ;P1 ;MA ;MK ;MC
min
Tr N ]
P0 > 0;
(9.48)
sujeito a
P1
P0 0 > 0; 0 0
(9.49)
2 0 3 0~ 0 ~0 N BwP1 + D0MK BwP0 + D0MK ~ ~ 5 4 P1 Bw + MK D P1 P0

~ P00 Bw + MK D ~ P00
P0
0;
(9.50)
2 A0P + P A + M C + C 0M 0 M + A0P + C 0M 0 C 0 3 ~ ~ ~ ~K z 6 1 M 0 1 P00 A + MK C K A MA +0 M 0 K M 0 7 < 0 ~A+ ~ 4 A C5

com
Cz
MC
Inz
(9.51)
~ P0 = P0 ; 0
~ MA = MA ; 0
~ MK = MK 0
(9.52)
~ ~ ~ onde P0 2 Rn nf ; MA 2 Rn nf e MK 2 Rn ny . Com a soluc~o otima N; P0 ; P1 ; MA; MK e MC encontradas, as matrizes do ltro otimo s~o dadas por a a Af = P4 1 MA (P40 ) 1 P2 ; Kf = P4 1 MK ; Cf = MC (P40 ) 1 P2 (9.53) onde P2 e P4 s~o matrizes nf nf com P2 simetrica tal que P4 P2 1 P40 = P0 . Alem disso, a vari^ncia do a a erro de estimac~o satisfaz assintoticamente E e0 e] Tr N ]. a
222
133
Projeto de Filtro Robusto

No Teorema 9.3.1 considera-se que o sistema (9.22) n~o possui incertezas. Como ja foi visto, este resultado a reproduz o resultado proposto por Kalman para a soluc~o do problema de ltragem. A grande vantagem a desta abordagem e o projeto de um ltro robusto otimo para uma classe de sistema incertos. O proximo teorema, fornece uma soluc~o para este problema com condic~es similares as do Teorema 9.3.1. a o
Teorema 9.3.3 O ltro de ordem completa da forma (9.18) para o sistema (9.15) que minimiza um limitante superior para a vari^ncia do erro assintotico, pode ser obtido em termos do seguinte problema de otimizac~o a a em MA ; P0 ; P1 2 Rn n , MK 2 Rn ny , MC 2 Rnz n e N 2 Rnw nw : min Tr N ] (9.54) N;P0 ;P1 ;MA ;MK ;MC
sujeito a
P1 P0 > 0; P0 > 0;
(9.55)
2 0 0 0 0 3 N BwiP1 + Di0MK BwiP0 + Di0 MK 4 P1 Bwi + MK Di 5 P1 P0

P0 Bwi + MK Di P0 P0
0;
(9.56)
2 A0P + P A + M C + C 0M 0 M + A0P + C 0 M 0 C 0 3 i K z0 0+ 0 4 i 1 MA 1 P0Ai + MiK Ci i K A MAi +0 MA i K MC 5

Cz MC Inz
i wi i i
(9.57)
a a para i = 1; : : : ; ns , onde as matrizes A B C D s~o os vertices do politopo D. Com a soluc~o otima N; P0 ; P1 ; MA; MK e MC encontrada, as matrizes do ltro robusto otimo s~o dadas por a
Af = P3 1 MA (P30 ) 1 P2 ; Kf = P3 1 MK ; Cf = MC (P30 ) 1 P2 (9.58) onde P2 e P3 s~o matrizes n n qualquer com P2 simetrica tal que P3 P2 1P30 = P0 . Alem disso, a vari^ncia a a do erro de estimac~o satisfaz assintoticamente E e0 e] Tr N ] para todas incertezas admiss veis. a
222
9.3.2 Abordagem 2
Esta abordagem foi proposta por Geromel e Oliveira 94, 97] e de forma semelhante a abordagem anterior busca a soluc~o para o Problema 1 de forma convexa, ou seja, encontrar um ltro otimo tal que a vari^ncia a a do erro seja limitada superiormente. Nesta abordagem os autores baseiam o resultado no Gramiano de controlabilidade, ou seja buscam uma soluc~o fact vel para o Problema 1.1. a De forma semelhante a abordagem anterior aplicando o complemento de Schur no problema de minimizac~o a 1.1 tem-se
P;Af ;Kf ;Cf
min
Tr W ];
0;
(9.59)
0 P PCa Ca P W
P > 0;
(9.60) (9.61)
Aa P + PA0a 0 Ba
Ba < 0: Inw
134
que novamente n~o s~o convexas em Aa e P . Para converter estas desigualdades em LMIs utiliza-se as a a transformac~es de variaveis apresentadas a seguir. o Particionando a matriz P soluc~o do problema de otimizac~o acima como a a
X U ~ ~ P = P 0 = U0 X ^
Y ~ ~ P 1 =P T = V0 V ^ Y
(9.62)
^ ^ onde X; Y 2 Rn n , e X; Y 2 Rnf nf , s~o matrizes positivas de nidas. Como PP 1 = I tem-se que a X > Y 1 > 0 e U e V s~o n~o singulares. a a Controi-se ent~o a seguinte matriz de transformac~o n~o singular: a a a
1 Y ~ 0 ~ T = X0 V 0 ; T = T I 0
(9.63)
Assim multiplicando-se (9.60) por T 0 a direita e T a esquerda tem-se:
2 Z 4 Z
0 Z Cz G0 0 Y Cz 5 > 0 Cz G Cz W
(9.64)
onde Z = X 1 e G = Cf U 0 Z . Aplicando o mesmo procedimento em (9.61) obtem-se
Bw Y + D F onde se introduz as seguintes variaveis: F = V Kf e Q = V Af U 0 Z
2 3 ZA + A0 Z ZA + A0 Y + C 0 F 0 + Q0 ZBw 4 A0Z + Y A + FC + Q Y A + FC + A0 Y + C 0 F 0 Y Bw + FD 5 < 0 0 0 0 0

Bw Z Inw
(9.65)
Com estas considerac~es, pode-se a rmar que existe uma transformac~o inversa tal que Cf = G(U 0 Z ) 1 ; Kf = o a V 1 F; e Af = V 1 Q(U 0 Z ) 1 e o projeto do ltro que soluciona o Problema 1.1 e equivalente ao seguinte problema LMI:
W;Z;Y;Q;F;G
min
Tr W ] : (9.64){(9.65)
(9.66)
Note que pode-se simpli car a LMI (9.64) eliminando-se a variavel G. Para tal permutam-se as terceira e segunda colunas e linhas obtendo-se:
2 Z C 0 G0 Z 3 4 Cz G z W Cz 5 > 0 0
Z Cz Y
(9.67)
usando o complemento de Schur pode-se reescrev^-la como: e
Z ZY 1 Z C 0 G0 ZY 1 C 0 1 Z zW Cz Y 1 Cz z > 0 0 Cz G Cz Y
(9.68)
Perceba que uma condic~o necessaria e su ciente para que esta inequac~o esteja satisfeita e Z ZY 1 Z > 0 a a 0 e W Cz Y 1 Cz > 0, pois e poss vel ent~o fazer G = Cz (In Y 1 Z ), e a LMI (9.67) pode ent~o ser dividida a a em

0 Y Cz > 0; Cz W
135
Z Z >0 Z Y
(9.69)
Note que a eliminac~o da variavel G n~o imp~e nenhuma restric~o a mais ao problema, isto pois a soluc~o a a o a a da equac~o acima e equivalente a (9.64)2. a Pela estrutura proposta para G, pode-se impor tambem sem perda de generalidade que Cf = CZ . Para que isto ocorra tem-se que considerar que U = U 0 = Z 1 Y 1 , assim
Cf = G(U 0 Z ) 1 = Cz (I Y 1 Z )Z 1 (Z 1 Y 1 ) 1 = Cz
(9.70)
Resolvendo a equac~o XY + UV 0 = I , que sai da equac~o PP 1 = I , tem-se que V = V 0 = Y . Estas a a matrizes ser~o assim de rank completo, o que satisfaz as condic~es para a soluc~o de (9.66). E com isso a o a prova-se o seguinte teorema:
Teorema 9.3.4 Para nf = n e o sistema nominal (9.15), o ltro m nimo F 2 C que minimiza a vari^ncia a
do erro assintoticamente e dado por Cf = Cz ; Af = Y 1 Q(In Y 1 Z ) 1 ; Kf = Y 1 F
(9.71)
onde W = W 0 ; Z = Z 0 ; Y = Y; Q e F s~o a soluc~o otima das seguintes condic~es: a a o
ZA + A0 Y + C 0 F 0 + Q ZBw Y A + FC + A0 Y + C 0 F Y Bw + FD 5 < 0 (9.72) 0 Bw Y + D0 F 0 Inw e assim o m nimo da vari^ncia do erro de estimac~o satisfaz E e0 e]+ = Tr W ], onde > 0 e arbitrariamente a a
pequeno.
8 Y C0 > > Cz Wz > 0; Z Z > < min Tr W ] : > 2 ZA + A0 Z > 4 A0 Z + Y A + FC + Q > : 0 Bw Z
Z Y >0
222
Para o projeto de ltros de ordem reduzida pode-se aplicar os mesmos resultados acima, so que agora a matriz de transformac~o T vai ser uma matriz de rank incompleto. a Para obter o ltro de Kalman desta formulac~o, busca-se simpli car a segunda LMI em (9.72). Note que a para esta LMI ser fact vel uma condic~o necessaria seria a exist^ncia de uma matriz positiva de nida Z0 tal a e que A0 Z0 + Z0 A < 0, o que requer que a matriz A seja estavel. Sobre esta condic~o faca Z = Z0 , onde a > 0 e um escalar pequeno e arbitrario e observe que para manter a segunda LMI em (9.72) fact vel quando ) 0+ , necessita-se impor que Q = (Y A + FC ), neste caso Af = Y 1 Q = A Kf C e (9.72) pode ser reduzido
min
2 a veri
8 Y C0 > > Cz Wz > 0 < Tr W ] : > > Y A + FC + A0 Y + C 0F Y Bw + FD < 0 : 0 Bw Y + D0 F 0 Inw
(9.73)
cac~o disto pode ser vista pelas condic~es dadas no Lema 2 em 94] a o
136
Para simpli car considera-se Bw D0 = 0 e DD0 = I . Fazendo-se P = Y 1 e escolhendo F = C apos usar o complemento de Schur em ambas as desigualdades, tem-se
P >0
min :
Tr Cz PCz0 ]
0 AP + PA0 PC 0 CP + Bw Bw < 0
(9.74)
De (9.71) tem-se que Kf = Y 1 F = PC 0 , que pode ser visto como o ganho otimo para ltro de Kalman. Que e o resultado apresentado em 9.2.2.
Projeto de Filtros Robustos

E apresentado aqui a formulac~o deste resultado para sistemas incertos. O teorema a seguir e baseado no a Teorema 9.3.4 e fornece condic~es para o projeto de ltros robustos. o
Teorema 9.3.5 Para nf = n e o sistema incerto (9.15) 2 D, o ltro m nimo F 2 C que minimiza a vari^ncia do erro assintoticamente e dado por a
Cf = Cz ; Af = Y 1 Q(In Y 1 Z ) 1 ; Kf = Y 1 F
onde W = W 0 ; Z = Z 0 ; Y = Y; Q e F s~o a soluc~o otima das seguintes condic~es: a a o
(9.75)
8 Y C0 Z > > Cz Wz > 0; Z Y > 0 Z > < 3 min Tr W ] : > 2 ZAi + A0i Z ZAi + A0i Y + Ci0 F 0 + Q ZBwi > 4 A0i Z + Y Ai + FCi + Q Y Ai + FCi + A0iY + Ci0F Y Bwi + FDi 5 < 0 > : 0 0 Bwi Z Bwi Y + Di0 F 0 Inw
para i = 1; : : : ; ns , onde as matrizes A B C D erro de estimac~o satisfaz E e0 e] < Tr W ]. a
i i wi i
(9.76)
s~o os vertices do politopo D. O m nimo da vari^ncia do a a
222
9.4 Exemplo numerico

Nesta sec~o s~o apresentados dois exemplos numericos da aplicac~o das Abordagens apresentadas nas a a a sec~es 9.3.1 e 9.3.2. Para simular os resultados utilizou-se o software Scilab, dispon vel no site: wwwo rocq.inria.fr/scilab.
Exemplo 9.4.1 Considere o seguinte sistema incerto

x= 0 _ 1
1 + 0:3 0:5
x+
2 0 1 0 w (9.77)
y = 100 100 x + 0 1 w z= 1 0 x
9.4. EXEMPLO NUMERICO

Deseja-se encontrar o ltro otimo considerando 8 : fj j 1; _ = 0g.
137
Utilizando as abordagens apresentadas nas sec~es 9.3.1 e 9.3.2, projeta-se o ltro robusto para estimativa de o z . Para ns de comparac~o projeta-se tambem o ltro de Kalman para o caso nominal ( = 0), e para os a extremos do intervalo do par^metro incerto , ou seja para = 1 e = 1. a Uma importante validac~o do metodo e dada pela comparac~o dos valores obtidos para o limitante superior a a p(F ), os quais s~o observados nas Tabelas 9.1 e 9.2. Na Tabela 9.1 tem-se os valores dos limitantes obtidos a pelas aplicac~es das abordagens 1 e 2, na seguinte, Tabela 9.2, tem-se os valores obtidos pelo ltro de Kalman. o Teorema p(F ) incerteza 9.3.3 3.1273942 9.3.5 2.3120389 j j < 1, _ = 0 9.3.1 0.02666 9.3.4 0.02666 = 0 nominal Tabela 9.1: Valores do limitante superior p(F ): ltro robusto Sistema (9.77) com p(F ) =1 1.2576955 = 0 (nominal) 0.02666 = 1 0.01365 Tabela 9.2: Valores do limitante superior p(F ): ltro de Kalman Conforme os resultados da Tabela 9.1, veri ca-se que para este sistema a Abordagem 2 fornece, no caso robusto, um melhor ndice de performance. Para o caso nominal, = 0, todos os dois retornam ao ltro de Kalman como era esperado.
0.8 0.6 0.4
erro
=1
0.2 0 0.2
k b a
10
15
20
25 t
30
0.8 =1 0.6 0.4

erro
k 0.2 0 0.2 b a
10
15
20
25 t
30
Figura 9.2: Comportamento do erro de estimac~o obtidos pela Abordagens 1(a) e 2(b) e ltro de Kalman(k) a O comportamento do erro para cada uma das abordagens pode ser visualizado nos gra cos da Figura 9.2, onde tem-se a simulac~o do erro obtido por cada uma das abordagens e pelo ltro de Kalman, considerando a = 1 e = 1, e a condic~o inicial: x(0) = 0:8 0 ]0 ; xf (0) = 0 0 ]0 . a Perceba que para as abordagens 1 e 2( curvas a e b ), o sinal de erro decai rapidamente para zero, o que n~o ocorre no ltro de Kalman, onde a curva quase linear tende lentamente a zero. Isso a priori parece uma a contradic~o, dado que o ltro de Kalman e o ltro otimo e tem tambem um melhor ndice de performance a (veja Tabela 9.2). Mas examinando a din^mica do erro percebe-se que este comportamento lento esta ligado a ao conjunto de autovalores da matriz Af do ltro, vistos na Tabela 9.3.
138

Abordagens Autovalores 1- Teorema 9.3.3 - 299.99789 e - 0.4494859 2- Teorema 9.3.5 - 348.38739 e - 0.2360355 Filtro de Kalman: = 1 - 299.99604 e - 0.1000952 Filtro de Kalman: = 0 - 299.97444 e - 0.0033332 Filtro de Kalman: = 1 - 299.92932 e - 0.1000275 Tabela 9.3: Autovalores da matriz Af
444
Nem sempre a Abordagem 2, como ocorreu no Exemplo 1, fornece um valor do limitante superior p(F ) menor que o da Abordagem 1. Este fato e veri cado aplicando-se estas abordagens a um novo sistema, como mostrado a seguir.
Exemplo 9.4.2 Dado o sistema

x= _ y= z=
0 1 + 0:3 2 1 x 1 x+ 1 w 0:5 0
100 100 x + w
Deseja-se encontrar o ltro otimo considerando 8 : fj j 1; _ = 0g.
Aplicando os teoremas apresentados nas sec~es 9.3.1 e 9.3.2, obtem-se no projeto de ltros robustos os o seguintes valores para o limitante superior p(F ), conforme mostrado na Tabela 9.4. abordagem p(F ) 1 0.1468004 2 0.3281468 Kalman(nominal) 0.0799 Tabela 9.4: Valores do limitante superior p(F ) Pelos resultados da Tabela tem-se que para este sistema a abordagem 1 obteve um resultado melhor que a abordagem 2. Com isso veri ca-se que n~o se pode ter a priori uma certeza de qual abordagem tera o a melhor resultado. Isso se deve ao fato das abordagens estarem baseadas em diferentes em Gramianos, pois tem-se que para sistemas incertos os Gramianos de observabilidade e controlabilidade possuem propriedades diferentes.
444
9.5 Atividades Complementares

1. Prove o Teorema 9.3.3. 2. Prove o Teorema 9.3.2.3.
3 Dica:
considere que P3 = P4 0
e que a matriz de transformac~o J1 seja constru da com P4 e n~o P3 a a
139
3. Prove que para P e P 1 dadas em (9.62) tem-se X > Y 1 > 0 e U e V s~o n~o singulares. a a 4. Considere que exista agora uma transfer^ncia direta de w para a variavel de medida z. Tal que e z = Cxf + Dzw w em (9.15) e no ltro (9.18): zf = Cf + Df y. Reformule as condic~es do Teorema o 9.3.4.

Uma introduc~o ao problema de ltragem pode ser encontrado em 8]. a Na tese de doutorado de Oliveira 36] e refer^ncias desta, pode-se encontrar a soluc~o do problema de e a ltragem para o caso de sistemas discretos e pelo calculo do limitante superior p(F ) pela norma H1 . Em 98] pode-se encontrar uma introduc~o ao problema de ltragem via norma H1 . a Em 99] pode-se encontrar a soluc~o para o Problema 1 via a norma H1 , considerando uma func~o de a a Lyapunov quadratica nas incertezas.
140
Bibliogra a
1] Nagato Ohse and Keisuke Ono. Guaranteed Cost Controllers under Pole Placement Constrants for Uncertainn Linear Systems: An LMI Approach. In Proceedings of the IEEE International Conference on Control Applications, volume 1, pages 123{128, Trieste, Italy, 1998. 2] Stephen Boyd and Lieven Vandenberghe. Convex optimization. Course Reader for EE364, August 1999. 3] J. C. Doyle, A. Packard, and Kemin Zhou. Review of LFT, LMIs, and . In Proceedings of the 30th Conference on Decision and Control, pages 1227{1232, December 1991. 4] G. J. Balas, J. C. Doyle, K. Glover, A. Packard, and R. Smith. Analysis and Synthesis Toolbox. The Math Works, Inc., 1991. 5] S. Boyd and C. Barratt. Linear Controller Design: Limits of Performance. Prentice -Hall, 1991. 6] V. Balakrishnan and S. Boyd. Global Optimization in Control Systems and Design. In C. T. Leonds, editor, Control and Dynamic Systems: Advances in Theory and Applications, volume 53. Academic Press, 1992. 7] L. Lublin, S. Grocott, and M. Athans. H2 (LQG) and H1 Control. In W. S. Levine, editor, The Control Handbook. CRC Press, 1996. 8] B. Friedland. Control System Design: an Introduction to State Space Methods. McGraw-Hill, 1986. 9] M. Innoncenti and G. Campa. Robust Control of Underwater Vehicles: Slind Mode vs LMI Synthesis. In Proceedings of the American Control Conference, pages 3422{3426, San Diego, 1999. 10] R. D'Andrea. Linear Matrix Inequalities, Multidimensional System Optimization, and Control of Spatially Distributed Systems: An Example. In Proceedings of the American Control Conference, pages 2713{2717, San Diego, 1999. 11] H. D. Tuan, S. Hosoe, E. Ono, and P Apkarian. Nonlinear H1 Control for an Integrated Suspension System via Parameterized Linear Matrix Inequality Characterizations. In Proceedings of the American Control Conference, pages 3173{3177, San Diego, 1999. 12] S. Mammar. Robust Reduced Order Two-Degree-of-Freedom Tractor-Semitrailer Lateral Control. In Proceedings of the American Control Conference, pages 3158{3162, San Diego, 1999. 13] S. Lim and J. P. How. Application of Improved L2 -gain Synthesis on LPV Missile Autopilot Design. In Proceedings of the American Control Conference, pages 3733{3737, San Diego, 1999. 14] C-D. Yang and Y-P. Sun. Robust Cruise Control of High Speed Train with Hardening/Softening Nonlinear Coupler. In Proceedings of the American Control Conference, pages 2200{2204, San Diego, 1999. 15] S. Dussy and L. El Ghaoui. Multi-objective Bounded Control of Uncertain Nonlinear Systems: an Inverted Pendulum Example. In Lectures Notes in Control & Information Sciences - N. 227. Springer Verlag, 1997. 16] M. Green and D. J. N. Limebeer. Linear Robust Control. Prentice Hall, 1995. 17] M. A. Dahleh and I. J. Dias-Bobillo. Control of Uncertain Systems: An Linear Programming Approach. Prentice Hall, 1995. 141
142
BIBLIOGRAFIA
18] Kemin Zhou and John C. Doyle. Essential of Robust Control. Prentice Hall, 1998. 19] Carolina de Mattos A onso. Aplicac~o de Tecnicas de Controle Robusto baseadas em LMI's para a Sistemas Eletricos de Pot^ncia. Dissertac~o de Mestrado, DAS, UFSC, Brasil, May 1999. e a 20] Alvaro Giusto. Controle Robusto - Teoria e Aplicac~o no Projeto de Contorladores de Dois Graus de a Liberdade. Dissertac~o de Mestrado, DAS, UFSC, Brasil, maio 1996. a 21] Cesar A. R. Crusius. Formulac~o lmi para problemas de performance e robustez. Dissertac~o de a a Mestrado, DAS, UFSC, Brasil, June 1996. 22] Jose de Oliveira. Controle Robusto de Sistemas Lineares com Par^metros Variantes no Tempo: Tecnicas a de Analise e S ntese. Exame de Quali cac~o, DAS, UFSC, Brasil, September 1998. a 23] R. Reginatto. Controle Robusto de Sistemas N~o Lineares: Tecnicas de Projeto. Exame de Quali cac~o, a a DAS, UFSC, Florianopolis, SC, February 1998. 24] H. K. Khalil. Nonlinear Systems. Prentice Hall, 1996. 25] S. Boyd, L.EL. Ghaoui, E. Feron, and V. Balakrishnan. Linear Matrix Inequalities in System and Control Theory. SIAM Studies in Applied Mathematics, 1994. 26] L. El Ghaoui and S. Niculescu. Advances in Linear Matrix Inequations Methods in Control. SIAM, 2000. 27] Karina Acosta Barbosa. Tecnicas lmi para analise e s ntese de sistema com restric~es algebricas no o estado. Dissertac~o de Mestrado, DAS, USFC, Brasil, March 1999. a 28] M. K. H. Fan, A. L. Tits, and J. C. Doyle. Robustness in the presence of mixed parametric Uncertainty and Unmodeled Dynamics. IEEE Transactions on Automatic Control, 36(01):25{38, 1991. 29] E. Feron, P. Apkarian, and P. Gahinet. Analysis and Synthesis of Robust Control Systems via Parameter-dependent Lyapunov Functions. IEEE Transactions on Automatic Control, 41(7):1041{1046, 1996. 30] A. Nemirovskii and P. Gahinet. The Projective Method for Solving Linear Matrix Inequalities. In Proceedings of the American Control Conference, pages 840{844, 1994. 31] P. Gahinet, A. Nemiroviski, A. J. Laub, and M. Chilali. LMI Control Toolbox: for use with MATLAB. The Math Works Inc., 1996. 32] Lieven Vandenberghe and Stephen Boyd. A Primal-Dual Potential Reduction Method for Problems Involving Matrix Inequalities. Mathematical Programming Series B, 1994. 33] Chi-Tsong Chen. Linear System Theory and Desing. Holt, Rinehart and Winston, 1984. 34] J-J Slotine and W. Li. Applied Nonlinear Control. Prentice Hall, 1991. 35] F.E. Scavone, A.S. Silva, A. Tro no, and J. M. Campagnolo. Projeto Robusto de Controladores para Sistemas de Pot^ncia usando Tecnicas LMI. In XII Congresso Brasileiro de Automatica, Uberl^nica, e a MG, 1998. 36] Maur cio Carvalho de Oliveira. Controle de sistemas lineares baseados nas desigualdades matriciais lineares. Tese de Doutorado, FEE, UNICAMP, Brasil, March 1999. 37] D. Bernstein. Some Open Problems in Matrix Theory arising in Lienar Systems and Control. Linear Algebra Application, pages 162{164, 409{432, 1992. 38] V. Blondel abd M. Gevers and A. Lindquist. Survey on the state of systems and control. Eur. Journal Control, 1:5{23, 1995. 39] J. Bernussou, P. L. D. Peres, and J. C. Geromel. A Linear Linear Programming Oriented Procedure for Quadratic Stabilization of Uncertain Systems. System & Control Letters, 13:65{72, 1989. 40] C.A.R. Crusius and A. Tro no. Su cient LMI Conditions for Output Feedback Control Problems. IEEE Transactions on Automatic Control, 44(5):1053{1057, May 1999.
BIBLIOGRAFIA
143
41] Max Mauro Dias Santos. Regulac~o sob Restric~es com Alocac~o de Polos: Abordagem por Invari^ncia a o a a Positiva e Programac~o Linear. Dissertac~o de Mestrado, DAS, UFSC, Brasil, September 1996. a a 42] V. L. Syrmos, C. T. Abdallah, P. Dorato, and K. Grigoriadis. Static Output Feedback{A Survey. Automatica, Vol. 33(No 2):125{137, 1997. 43] Lectures Notes in Control & Information Sciences - N. 227. Springer Verlag, 1997. 44] L. El Ghaoui and G. Scorletti. Control of Rational Systems using Linear-fractional Representations and LMIs. Automatica, 32(9):1273{1284, 1996. 45] A. Tro no. Sistemas Lineares. Apostila disciplina EEL 7052, DAS, UFSC, Brasil, August 1999. 46] K. J. Astrom and B. Wittenmark. Computer Controlled Systems. Prentice Hall, 1984. 47] C. E. de Souza and L. Xie. On the discrete-time bounded real lemma with application in the characterization of static state feedback H1 controllers. Systems & Control Letters, 18:61{71, 1992. 48] B. R. Barmish and C. L. DeMarco. A New Method for Improvement of Robustness Bounds for Linear State Equations. In Proceedings of Conference on Information Sciences and Systems, Princeton University, 1986. 49] Pascal Gahinet, Pierre Apkarian, and Mahmoud Chilali. A ne Parameter-Dependent Lyapunov Functions for Real Parametric Uncertainty. In Proceedings of the 33rd Conference on Decision and Control, pages 2026{2031, Lake Buena Vista, December 1994. 50] A. Tro no. Abordagem LMI para Problemas de Controle com Func~es de Lyapunov dependente de o par^metros. In Mini Cursos do XII Congresso Brasileiro de Automatica. Sociedade Brasileira de Aua tomatica, Uberl^nica, MG, 1998. a 51] A. Tro no and C. E. de Souza. Bi-quadratic Stability of Uncertain Linear Systems. In Proceedings of the IEEE Conference on Decision and Control, Phoenix, 1999. 52] M. Fu and S. Dasgupta. Parametric Lyapunov Functions for Uncertain Systems: The Multiplier Approach. In Laurant El Ghaoui and Silviu-Iulian Niculescu, editors, Advances in Linear Matrix Inequality Methods in Control. Siam , 2000. 53] B. D. Anderson and J. Moore. Optimal Control - Linear Quadratic Methods. Prentice Hall, Englewood Cli s, New Jersey, 1989. 54] R. L. Dailey. Lecture notes for the Workshop on H1 and Methodos for Robust Control. In IEEE Conf. on Decision and Control, 1991. 55] P. Gahinet and P. Apkarian. An LMI-based Parametrization of all H1 Controllers with Applications. In In Proceedings of the Conference on Decision and Control, pages 656{661, December 1993. 56] G. Becker and A. Packard. Robust performance of linear parametrically varying systems using parametrically-dependent linear feedback. Systems and Control Letters, 23:205{215, 1994. 57] M. Sznaier. Receding horizon: An easy way to improve performance in lpv systems. In Proceedings of the American Control Conference, pages 2257{2261, 1999. 58] Fen Wu, X. H. Yang, A. Packard, and G. Becker. Induced L2 -norm Control for LPV System with Bounded Parameter Variantion Rates. In Procedings of the American Control Conference, SeattleWashington, June 1995. 59] J. Lawton and R. W. Beard. Numerically E cient Approximations to the Hamilton-Jacobi-Bellman equation. In Proceedings of 1998 American Control Conference, Philadelphia, 1998. 60] Sergey Edward Lyshevski. Optimal control of Nonlinear Continuous-time Systems: Design of Bounded Controllers via Generalized Nonquadratic Functionals. In Proceedings of 1998 American Control Conference, pages 205{209, Philadelphia, 1998. 61] J. A. Primbs, V. Nevistic, and J. C. Doyle. On Receding Horizon Extensions and Control Lyapunov Functions. In Proceedings of 1998 American Control Conference, pages 3276{3280, Philadelphia, 1998.
144
BIBLIOGRAFIA
62] W. Langson and A. Alleyne. In nite Horizon Optimal Control of a Class of Nonlinear Systems. In Proceedings of American Control Conference, Albuquerque, 1997. 63] M. Sznaier, J. Cloutier, R. Hull, D. Jacques, and C. Mracek. A Receding Horizon State Dependent Riccati Equation Approach to Suboptimal Regulation of Nonlinear Systems. In Proceedings of the 37th IEEE Conference on Decision and Control, volume TA06-3, pages 1792{1797, Tampa, 1998. 64] W-M Lu and J. C. Doyle. H1 Control of Nonlinear Systems: A Convex Characterization. IEEE Transactions on Automatic Control, 40(9):1668{1675, 1995. 65] Y. Huang and W-M Lu. Nonlinear optimal control: Alternatives to Hamilton-Jacobi equation. In Proceedings of the 35th IEEE Conference on Decision and Control, pages 3942{3947, Kobe, 1996. 66] L. Xie, S. Xie, and C. E. de Souza. H1 Control of a Class of Uncertain Nonlinear Systems: an observerbased Controller Design. In Proceedings of 1996 IFAC 13th Triennial World Congress, pages 167{172, San Francisco, 1996. 67] S. Dussy. Multiobjective Robust Control Toolbox for Linear Matrix Inequality based Control. In Laurant El Ghaoui and Silviu-Iulian Niculescu, editors, Advances in Linear Matrix Inequality Methods in Control. Siam , 2000. 68] S. Sasaki and K. Uchida. A Convex Characterization of Analysis and Synthesis for Nonlinear Systems via Extended Quadratic Lyapunov Function. In Proceedings of 1997 American Control Conference, Albuquerque, 1997. 69] H. Ito. Semi-global Robust Nonlinear Control: State-dependent Scaling and Computational Aspects. In Proceedings of 1998 American Control Conference, Philadelphia, 1998. 70] S. K. Nguang and M. Fu. Robust H1 Control for a Class of Nonlinear Systems: a LMI approach. In Proceedings of 37th IEEE Conference on Decision and Control, Tampa, 1998. 71] A. Rehm and F. Allgower. Self-scheduled Nonlinear Output Feedback H1 Control of a Class of Nonlinear Systems. In Proceedings of 1997 American Control Conference, Albuquerque, 1997. 72] K. Kiriakidis. An LMI Approach to the Control of a Class of Nonlinear Systems. In Proceedings of the 37th IEEE Conference on Decision and Control, pages 1470{1475, Tampa, 1998. 73] Stevan Petterson and B. Lennartson. An LMI approach for stability analysis of nonlinear systems. In Proc. of the American Control Conference,, Albuquerque, 1997. 74] A. Tro no. Robust Stability and domain of attraction of uncertain Nonlinear Systems. In Proc. of the American Control Conference, Chicago, 2000. 75] A. Tro no. Bi-quadratic stability for nonlinear systems. In IFAC Symposium on Robust Control Design 2000, Prague, 2000. 76] Rudiger Sydel. Practical Bifurcations and Stability Analysis: From Equilibrium to Chaos. Springer Verlag, New York, 2nd edition, 1994. 77] Daniel F. Coutinho. Analise de Sistemas N~o Lineares Incertos: uma Abordagem LMI. Exame de a Quali cac~o, DAS, UFSC, Brasil, June 2000. a 78] M. Branicky. Studies in Hybrid Systems: Modeling, Analysis and Control. PhD Thesis, LIDS, Massachusetts Institute of Tecnology, Cambridge, 1995. 79] Philippos Peleties and Raymond DeCarlo. Asymptotic Stabiliy of m-switched Systems using Lyapunovlike Function. In Proc. of the American Control conference, Boston, 1991. June, pp. 1679-1684. 80] Stevan Petterson. Analysis and Design of Hybrid Systems. PhD. thesis, Chalmers University, Gotemburgh, Sweden, 1999. 81] S. Palomino, A. Tro no, and J.E.R. Cury. Analise de Estabilidade de uma Classe de Sistemas H bridos. In XIII Congresso Brasileiro de Automac~o, page setembro, Florianopolis, SC., 2000. a
BIBLIOGRAFIA
145
82] Phillipos Peleties and Raymond DeCarlo. Modeling of interacting continuous time and dicrete event systems: An example. In Twenty-sixth Annual Allerton Conference on Comunication, Control and computing, New Orleans, 1988. pp. 1150- 1159. 83] R. Brockett. Hybrid Models for Motion Model Control Systems. Birkhauser, Boston, 1993. in H. L. Trentelman and J. C. Willems, eds. Essays in Control: Perspectives in the Theory and its Applications, pp. 29-53. 84] M. Dogruel and U. Ozguner. Stability of hybrid systems. In IEEE International Symposium on Intelligent Control, 1994. pp. 129-134. 85] I.A. Hiskens. Analysis tool for Power Systems - Contending with Nonlinearities. In Proc. of the IEEE, volume 83(11), pp.1753-1587, 1995. 86] R. Brockett. Hybrid Systems in Classical Mechanics. In Proc. of 13th IFAC, volume c, pp.473-476, Boston, 1996. Birkhauser. 87] J. Lygeros, D. N. Godbole, and S. Sastry. Veri ed Hybrid Controllers for Automated Vehicles. IEEE Transactions on Automatic Control, 43(4):522{539, 1998. 88] K. Astrom and K. Furuta. Swinging up a pendulum by energy control. In IFAC World Congress, San Francisco, 1996. 89] M. Johansson and A. Rantzer. Computation of Piecewise Quadratic Lyapunov Functions for Hybrid Systems. IEEE Transactions on Automatic Control, 43:555{559, 1998. 90] Mikael Johansson. Piecewise Linear Control Systems. PhD. thesis, Lund Institute of Tecnology, Lund, Sweden, 1999. 91] D. Liberzon and A.S. Morse. Basic Problems in Stability and Design of Switched Systems. IEEE Control Systems Magazine, October:59{69, 1999. 92] Stevan Petterson and B. Lennartson. Exponential Stability of Hybrid Systems using Piecewise Quadratic Lyapunov Functions Resulting in an LMI Problem. In Proc. of the 14th IFAC, Beijing, China, 1999. 93] C. E. de Souza and A. Tro no. An LMI Approach to the Design of Robust H2 Filters . In Laurant El Ghaoui and Silviu-Iulian Niculescu, editors, Advances in Linear Matrix Inequality Methods in Control. Siam , 2000. 94] J. C. Geromel and M. C. de Oliveira. H2 and H1 Robust Filtering for Convex Bounded Uncertaint Systems. In Proceedings of the 37th Conference on Decision and Control, pages 146{151, December 1998. 95] B. Friedland. Observers. In W. S. Levine, editor, The Control Handbook. CRC Press, 1996. 96] M. Athans. Kalman ltering. In W. S. Levine, editor, The Control Handbook. CRC Press, 1996. 97] J.C. Geromel. Optimal Linear Filtering Under Parameter Uncertainty. IEEE Transactions on Signal Processing, 47(1):168{175, 1999. 98] C. E. de Souza. H1 and Robust Estimation. Controle e Automac~o da SBA, 5:4{46, 1994. a 99] C. E. de Souza, M. Fu, and A. Tro no. Robust H1 Filter Design via Parameter Dependent Lyapunov Functions. In IFAC - ROCOND, Prague, june 2000.

Apostila Robusto

Загружено:

Сведения о документе

Оригинальное название

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

Apostila Robusto

Загружено:

Авторское право:

Доступные форматы

Universidade Federal de Santa Catarina ~ Programa de Pos-Graduacao em Engenharia Eletrica Laboratorio de Controle e Micro-Informatica

Prof. Alexandre Tro no

2 Estabilidade e Performance de Sistemas por LMIs

3.1 Introduc~o . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 33 a 3.2 Realimentac~o de Estados . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 33 a v

4 Sistemas Discretos - Analise, Performance e S ntese

5 Estabilidade Dependente dos Par^metros a

Parte II: Conceitos Avancados 6 Sistemas LPV

7 Analise de Sistemas N~o Lineares a

8 Analise de Estabilidade de uma classe de Sistemas H bridos

9 Problema de Filtragem Robusta

129 133 136 138 139

Parte I: Conceitos Fundamentais

Sistemas Din^micos Incertos a

CAPITULO 1. SISTEMAS DINAMICOS INCERTOS

1.2 Exemplos de Sistemas Din^micos a

1.2. EXEMPLOS DE SISTEMAS DINAMICOS

xp (t) = A( )xp (t) + Bu(t) _ y(t) = Cxp (t)

(1 + 1 )a2 (1 + 0 a4 (1 + 1 )a5 (1 + 2 )a6

1.2.1 Descric~o das incertezas a

CAPITULO 1. SISTEMAS DINAMICOS INCERTOS

(1 + 1 )a2 (1 + 0 a4 (1 + 1 )a5 (1 + 2 )a6 1 0 1 0

onde o conjunto A e convexo, fechado e as matrizes Ai s~o conhecidas. a

1.2. EXEMPLOS DE SISTEMAS DINAMICOS

Exemplo 2: Controle de Posic~o Longitudinal de uma Aeronave a

8 (t) e a velocidade horizontal;

CAPITULO 1. SISTEMAS DINAMICOS INCERTOS

x(t) = A( ) x(t) + Bu u(t) + Bw w(t) _ y(t) = C x(t)

com u(t) = ue (t)

e 1 0 0 0:0057 (0:6 + 0:06 ) 0:0344 0 0:014 0:332311 ; C = 1 0 0 0 0 1 0 0

8 x = Ax + B p + B u + B w > _ p > q = C x + D p + u u +wD w < Dqu q qp qw > y = Cy x + Dypp + Dyw w > :

Figura 1.6: Sistema Massa-Mola-Amotecedor

CAPITULO 1. SISTEMAS DINAMICOS INCERTOS

1.4 Refer^ncias Complementares e

Estabilidade e Performance de Sistemas por LMIs

CAPITULO 2. ESTABILIDADE E PERFORMANCE DE SISTEMAS POR LMIS

2.2 Estabilidade Quadratica

v(x) > 0 , 8 x 6= 0 2 Bx, e v(x) < 0 , 8 x 6= 0 2 Bx _

2.2. ESTABILIDADE QUADRATICA

Corolario 2.2.1 (Estabilidade Quadratica) Seja Bx uma regi~o na vizinhanca da origem. a

Exemplo 2.2.1 (Analise de Estabilidade de um sistema LTI)

CAPITULO 2. ESTABILIDADE E PERFORMANCE DE SISTEMAS POR LMIS

9 a > 0, b > 0 tais que A0 P + PA < 0 )

Logo, o sistema LTI (2.7) e quadraticamente estavel.

Exemplo 2.2.3 (Sistema Linear a Par^metro Variante - LPV) a

x = A( (t))x + B ( (t))u _ y = C ( (t)) + D( (t))u

2.3. INEQUACOES MATRICIAIS LINEARES - LMI

2.3 Inequac~es Matriciais Lineares - LMI o

De nic~o 2.3.1 Uma LMI tem a seguinte estrutura a

CAPITULO 2. ESTABILIDADE E PERFORMANCE DE SISTEMAS POR LMIS

Exemplo 2.3.1 Considere

Resolvendo a multiplicac~o matricial em (2.12) e igualando com (2.11) obtem-se a F1 = 12 1 ; F2 = 1 13 ; 0 0

2.3.1 Propriedades de LMI

De nic~o 2.3.2 Um conjunto X e convexo se 8x; y 2 R e todo com 0 a x + (1 )y 2 X

2.3. INEQUACOES MATRICIAIS LINEARES - LMI

A( min )0 P + PA( min ) < 0 A( max )0 P + PA( max ) < 0

2.3.2 Ferramentas para a formulac~o de um problema de controle em uma LMI a

Q S 1 0 S 0 R > 0 () R > 0; Q SR S > 0

onde R+ e a pseudo-inversa da matriz R.

A prova deste resultado pode ser vista em 25]

CAPITULO 2. ESTABILIDADE E PERFORMANCE DE SISTEMAS POR LMIS

Ent~o (2.18) e veri cada se existem escalares i > 0 tais que a

2.3. INEQUACOES MATRICIAIS LINEARES - LMI

A primeira restric~o em e pode ser reescrita como: a