P. 1
controle_não_linear

controle_não_linear

|Views: 6.329|Likes:
Publicado porandreabitencourt

More info:

Published by: andreabitencourt on Mar 24, 2011
Direitos Autorais:Attribution Non-commercial

Availability:

Read on Scribd mobile: iPhone, iPad and Android.
download as PDF, TXT or read online from Scribd
See more
See less

08/19/2013

pdf

text

original

Sections

  • 3. FUNDAMENTOS DA TEORIA DE LYAPUNOV
  • 3.3. Pontos de equilíbrio e estabilidade
  • 3.3.1. Sistemas autónomos em regime livre
  • 3.3.2. Pontos de equilíbrio de sistemas autónomos
  • 3.3.3. Estabilidade de pontos de equilíbrio
  • 3.3.4. Estabilidade local e global
  • 3.4. Estabilidade pela linearização
  • 3.4.1. Sistema linearizado
  • 3.4.2. Método de Lyapunov da linearização
  • 3.5. Método Directo de Lyapunov
  • 3.5.1. Motivação
  • 3.5.2. Funções positivas definidas
  • 3.5.3. Função de Lyapunov
  • 3.5.4. Teorema de Lyapunov (estabilidade local)
  • 3.5.5. Teorema de Lyapunov (estabilidade global)
  • 3.5.6. Teorema de Lyapunov (instabilidade)
  • 3.6. Função de Lyapunov de sistemas lineares
  • 3.6.1. Formas quadráticas e matrizes positivas definidas
  • 3.6.2. Função de Lyapunov para SLIT
  • 3.7. Função de Lyapunov de sistemas não lineares
  • 3.7.1. Métodos analíticos
  • 3.7.2. Métodos baseados em conceitos físicos
  • 3.8. Conjuntos invariantes
  • 3.8.1. Definição
  • 3.8.2. Teorema local do conjunto invariante
  • 3.8.3. Teorema global do conjunto invariante
  • 3.9. Estabilidade de sistemas não autónomos
  • 3.9.1. Pontos de equilíbrio
  • 3.9.2. Estabilidade de um ponto de equilíbrio
  • 3.9.3. Método directo de Lyapunov
  • 3.9.4. Teoremas de Lyapunov para sistemas não autónomos
  • 3.9.5. Método directo de Lyapunov para sistemas lineares não autónomos
  • 3.9.6. O método da linearização para sistemas não autónomos
  • 3.9.7. Teoremas sobre instabilidade
  • 3.10.1. Teorema recíproco, ponto de equilíbrio estável
  • 3.10.2. Teorema recíproco, estabilidade assimptótica e uniforme
  • 3.10.3. Teorema recíproco, estabilidade exponencial
  • 3.11. Estabilidade absoluta
  • 3.11.1. Sistema linear com realimentação não linear
  • 3.11.2. Critério de Popov
  • 3.11.3. Critério do círculo
  • 3.12. Problemas resolvidos
  • 3.13. Problemas propostos
  • 4. MÉTODO DA FUNÇÃO DESCRITIVA
  • 4.2. Função descritiva de não linearidades correntes
  • 4.3. Estabilidade pelo método da função descritiva
  • 4.4. Problemas Resolvidos
  • 4.5. Problemas Propostos
  • 5. LINEARIZAÇÃO EXACTA POR REALIMENTAÇÃO
  • 5.1. Uma primeira abordagem
  • 5.1.1. Exemplo de linearização e controlo por realimentação
  • 5.1.2. Sistemas na forma companheira
  • 5.1.3. Linearização entrada-estado
  • 5.1.4. Linearização entrada-saída
  • 5.1.5. A dinâmica interna
  • 5.1.6. Dinâmica interna de sistemas lineares
  • 5.1.7. A dinâmica zero
  • 5.2. O formalismo da Geometria Diferencial
  • 5.2.1. Conceitos e aplicações
  • 5.2.1.1. Campo vectorial
  • 5.2.1.2. Campo covectorial
  • 5.2.1.3. Produto interno
  • 5.2.1.4. Gradiente
  • 5.2.1.5. Jacobiano
  • 5.2.1.6. Derivada de Lie
  • 5.2.1.7. Aplicações da derivada de Lie
  • 5.2.1.8. Parêntesis de Lie
  • 5.2.1.9. Propriedades do parêntesis de Lie
  • 5.2.1.10. Difeomorfismos
  • 5.2.2. Teorema de Frobenius
  • Teorema de Frobenius:
  • 5.3. Linearização Entrada-Estado
  • 5.3.1. Definição de linearização entrada-estado
  • 5.3.2. Condições para efectuar a linearização entrada-estado
  • 5.3.3. Algoritmo para realizar a linearização entrada-estado
  • 5.4.1. Grau relativo bem definido
  • 5.4.2. Grau relativo indefinido
  • 5.5. Problemas resolvidos
  • 5.6. Problemas propostos
  • 6. SISTEMAS DIFUSOS E REDES NEURONAIS
  • 6.1. Introdução. Controlo inteligente
  • 6.2. Conjuntos e lógica difusa
  • 6.2.1. Introdução
  • 6.2.2. Conjuntos e sistemas difusos
  • 6.2.2.1. Definições
  • 6.2.2.2. Propriedades fundamentais
  • 6.2.3. Lógica difusa
  • 6.2.3.1. Variáveis
  • 6.2.3.2. Operações
  • 6.2.3.3. Regras if-then
  • 6.2.4. Regras de inferência
  • 6.2.5. Projecto de um controlador difuso
  • 6.2.6. Controlo difuso do satélite no Matlab
  • 6.3. Redes Neuronais
  • 6.3.1. Conceitos e definições
  • 6.3.1.1. A rede multicamada
  • 6.3.1.2. A rede de base radial
  • 6.3.2. A RNA como aproximador universal
  • 6.3.3. Estrutura de uma rede
  • 6.3.3.1. Número de camadas
  • 6.3.3.2. Número de unidades
  • 6.3.3.3. Funções de activação
  • 6.3.4. Obtenção dos parâmetros da rede
  • 6.3.4.1. Funcional de custo
  • 6.3.5. Identificação do Processo
  • 6.3.5.1. Dados de entrada /saída
  • 6.3.5.2. Estrutura da entrada da rede
  • 6.3.6. Controlo preditivo
  • 7. EXEMPLOS DE SISTEMAS NÃO LINEARES
  • 7.2. Sistema massa-mola-amortecedor
  • 7.3. Oscilador de resistência negativa
  • 7.4. Movimento de dois corpos com forças centrais
  • 7.6. Reactor químico continuamente agitado
  • 8. CONSTANTES, FORMULÁRIOS E TABELAS
  • 8.1. Constantes matemáticas
  • 8.2. Constantes fundamentais da Física
  • 8.3. Formulário de Matemática
  • 8.3.1 Álgebra elementar
  • 8.3.2 Logaritmos e exponenciais
  • 8.3.3 Geometria
  • 8.3.4 Limites
  • 8.3.5 Séries
  • 8.3.6 Trigonometria
  • 8.3.7 Derivadas
  • 8.3.8 Integrais indefinidos
  • 8.4. Transformada de Laplace unilateral
  • 8.4.1 Propriedades da TL
  • 8.4.2 Tabelas de TL
  • 8.5.1 Mecânica dos sólidos
  • 8.5.2 Mecânica dos fluidos
  • 8.5.3 Electrotecnia
  • BIBLIOGRAFIA
  • ÍNDICE

CONTROLO NÃO LINEAR

Gustavo Vitorino Monteiro da Silva
Professor Adjunto da EST Setúbal/IPS
Licenciado em Engenharia Electrotécnica
Mestre em Eng.ª Electrotécnica e de Computadores
Julho 2003

ii










ao Dioguinho

iii



PREFÁCIO



A obra do autor surge na sequência de um esforço continuado no sentido de enriquecer
o já vasto número de publicações que tem vindo a apresentar nas áreas de
Instrumentação e Medida e de Controlo e Processos, onde desenvolve a sua actividade
como docente do Departamento de Sistemas e Informática da Escola Superior de
Tecnologia de Setúbal do Instituto Politécnico de Setúbal.
Das obras já desenvolvidas são de realçar, para além das publicações de carácter
pedagógico efectuadas no âmbito das disciplinas que tem vindo a leccionar, os livros de
Instrumentação Industrial e Processamento Digital de Sinais que teve oportunidade de
publicar em Junho de 1999 e Outubro de 2000, respectivamente.
Considero que o factor fundamental de motivação subjacente às publicações referidas e
particularmente à nova publicação, agora apresentada, sobre Controlo Não Linear tem
por base uma excepcional dedicação que o docente tem manifestado no apoio aos
alunos e outros interessados nas matérias que tem leccionado.
Como nota de realce, nas publicações apresentadas, saliento ainda a capacidade que o
autor tem demonstrado em aliar à sua experiência profissional o rigor técnico-científico
na apresentação de temas cuja abordagem nem sempre é fácil. Para isso contribuem, de
forma bastante positiva, os casos de aplicação prática que são sugeridos no decurso da
apresentação dos conteúdos teóricos e das matérias apresentadas, bem como o número
significativo dos problemas resolvidos e propostos em cada capítulo.
Por todos estes considerandos e em especial pelo esforço evidenciado no sentido de
apoiar os alunos da EST Setúbal, em particular os do Curso de Automação, Controlo e
Instrumentação, felicito o autor manifestando o meu reconhecimento e agradecimento
pelo trabalho desenvolvido.



Setúbal, 26 de Julho de 2003

Dias Pereira


iv



INTRODUÇÃO



Este livro foi desenvolvido a partir das lições por mim dadas na disciplina de Controlo
Não Linear, da licenciatura em Engenharia de Automação Controlo e Instrumentação da
Escola Superior de Tecnologia de Setúbal / IPS, nos anos lectivos de 1998/99 a
2002/03. Nessa cadeira, inserida no 2º semestre do 4º ano, procura-se:
• mostrar que muitos dos sistemas de interesse prático, em áreas muito diversas,
devem ser modelados e tratados como sistemas não lineares.
• chamar a atenção para algumas das características próprias dos sistemas não
lineares.
• compreender a teoria de Lyapunov em alguns casos simples.
• conhecer as técnicas de controlo não linear mais usuais.
Os alunos ao iniciarem o estudo desta disciplina deverão ter conhecimentos gerais de
análise matemática que incluam funções trigonométricas e números complexos, cálculo
diferencial e integral, variável complexa, séries de Fourier e transformada de Laplace,
bem como conhecimentos de álgebra linear e geometria analítica. Deverão também ser
conhecedores de funções reais de variável inteira, somatórios, séries numéricas e de
potências. Os alunos deverão também ter conhecimentos gerais da Teoria dos Sinais e
Sistemas, bem como os conceitos básicos do Controlo Linear de diagramas de Bode e
de Nyquist, de função de transferência e estabilidade.
Como numa cadeira semestral não é possível abordar com um mínimo de profundidade
as matérias referentes a sistemas e controlo não linear, optou-se por escrevê-las sob a
forma de livro, em edição electrónica. Deste modo os alunos além de disporem de um
texto de apoio às aulas, podem adquirir os seus conhecimentos sem necessidade
imediata de recorrer a bibliografia estrangeira. Esta é no entanto fundamental para uma
melhor compreensão e maior aprofundamento das matérias expostas, na medida em que
cada autor tem o seu modo próprio de explicar e aborda de forma diferente os diversos
assuntos.
Espero que este livro, para além de auxiliar os alunos das cadeiras de Controlo Não
Linear das nossas Escolas e Universidades, possa também ajudar todos aqueles que
estando interessados nestas matérias necessitem de um livro básico em Língua
Portuguesa.
Quero ainda agradecer a todos aqueles que de uma forma ou de outra contribuíram para
que este livro tomasse forma.


Lisboa, Julho de 2003


iv



CONTEÚDO


pág.
1. SISTEMAS NÃO LINEARES..............................................................................................1
1.1. INTRODUÇÃO.....................................................................................................................1
1.2. CLASSIFICAÇÃO DOS SISTEMAS .........................................................................................2
1.2.1. Sistemas estáticos e dinâmicos...............................................................................3
1.2.2. Sistemas relaxados e não relaxados.......................................................................4
1.2.3. Sistemas de parâmetros distribuídos e de parâmetros concentrados ....................4
1.2.4. Sistemas causais e não causais ..............................................................................4
1.2.5. Sistemas variantes no tempo e invariantes no tempo.............................................4
1.2.6. Sistemas contínuos e discretos ...............................................................................4
1.2.7. Sistemas determinísticos e estocásticos..................................................................5
1.2.8. Sistemas estáveis e instáveis...................................................................................5
1.2.9. Sistemas lineares e não lineares.............................................................................5
1.3. COMPORTAMENTO DOS SISTEMAS NÃO LINEARES ..............................................................5
1.3.1. Dependência de amplitude da excitação................................................................6
1.3.2. Tempo de escape finito...........................................................................................7
1.3.3. Pontos de equilíbrio múltiplos................................................................................9
1.3.4. Não unicidade da solução ....................................................................................10
1.3.5. Dependência crítica dos parâmetros....................................................................10
1.3.6. Bifurcações...........................................................................................................11
1.3.7. Caos ou dependência crítica das condições iniciais ............................................12
1.3.8. Ciclos limite ou oscilações ...................................................................................12
1.3.9. Existência de harmónicas e sub-harmónicas .......................................................13
1.4. ESCRITA DAS EQUAÇÕES..................................................................................................13
1.4.1. Sistemas mecânicos clássicos...............................................................................14
1.4.2. Teorema do momento linear.................................................................................14
1.4.3. Teorema do momento angular .............................................................................14
1.4.4. Movimento linear .................................................................................................15
1.4.5. Movimento de rotação..........................................................................................16
1.4.6. Sistemas eléctricos................................................................................................16
1.4.7. Sistemas Térmicos ................................................................................................18
1.4.8. Sistemas químicos.................................................................................................21
1.5. MODELO DE ESTADO........................................................................................................22
1.5.1. Modelo de estado, sistema contínuo.....................................................................22
1.5.2. Modelo de estado discreto....................................................................................25
1.5.3. Obtenção da trajectória .......................................................................................26
1.5.4. Pontos de equilíbrio. ............................................................................................28
1.5.5. Trajectórias e estabilidade...................................................................................28
1.6. ALGUMAS NÃO LINEARIDADES CORRENTES .....................................................................29
1.6.1. Saturação .............................................................................................................29
1.6.2. Zona Morta...........................................................................................................30
1.6.3. Histerese...............................................................................................................31
1.6.4. Folga ....................................................................................................................33
1.6.5. Atrito Estático.......................................................................................................35
1.6.6. Característica liga/desliga ou “on/off” ...............................................................35
1.7. PROBLEMAS RESOLVIDOS ................................................................................................37
1.8. PROBLEMAS PROPOSTOS ..................................................................................................41
v

2. SISTEMAS DE 2ª ORDEM.............................................................................................43
2.1. INTRODUÇÃO...................................................................................................................43
2.2. ANÁLISE QUALITATIVA DOS SISTEMAS LINEARES.............................................................44
2.2.1. Valores próprios distintos (λ
1
≠λ
2
)........................................................................45
2.2.2. Valores próprios iguais (λ
1

2
)...........................................................................47
2.3. CICLOS LIMITE .................................................................................................................49
2.3.1. Classificação dos ciclos limite .............................................................................49
2.3.2. Existência de ciclos limite ....................................................................................50
2.4. OBTENÇÃO DA TRAJECTÓRIA...........................................................................................52
2.4.1. Métodos analíticos ...............................................................................................52
2.4.2. Métodos gráficos ..................................................................................................56
2.5. PROBLEMAS RESOLVIDOS ................................................................................................59
2.6. PROBLEMAS PROPOSTOS ..................................................................................................62

3. FUNDAMENTOS DA TEORIA DE LYAPUNOV ..........................................................63
3.2. INTRODUÇÃO...................................................................................................................63
3.3. PONTOS DE EQUILÍBRIO E ESTABILIDADE .........................................................................63
3.3.1. Sistemas autónomos em regime livre ...................................................................63
3.3.2. Pontos de equilíbrio de sistemas autónomos........................................................65
3.3.3. Estabilidade de pontos de equilíbrio....................................................................66
3.3.4. Estabilidade local e global...................................................................................69
3.4. ESTABILIDADE PELA LINEARIZAÇÃO................................................................................70
3.4.1. Sistema linearizado ..............................................................................................70
3.4.2. Método de Lyapunov da linearização ..................................................................73
3.5. MÉTODO DIRECTO DE LYAPUNOV ...................................................................................76
3.5.1. Motivação.............................................................................................................76
3.5.2. Funções positivas definidas..................................................................................77
3.5.3. Função de Lyapunov ............................................................................................79
3.5.4. Teorema de Lyapunov (estabilidade local) ..........................................................80
3.5.5. Teorema de Lyapunov (estabilidade global) ........................................................81
3.5.6. Teorema de Lyapunov (instabilidade)..................................................................82
3.6. FUNÇÃO DE LYAPUNOV DE SISTEMAS LINEARES ..............................................................82
3.6.1. Formas quadráticas e matrizes positivas definidas .............................................82
3.6.2. Função de Lyapunov para SLIT...........................................................................84
3.7. FUNÇÃO DE LYAPUNOV DE SISTEMAS NÃO LINEARES ......................................................84
3.7.1. Métodos analíticos ...............................................................................................84
3.7.2. Métodos baseados em conceitos físicos ...............................................................88
3.8. CONJUNTOS INVARIANTES ...............................................................................................88
3.8.1. Definição ..............................................................................................................88
3.8.2. Teorema local do conjunto invariante .................................................................88
3.8.3. Teorema global do conjunto invariante ...............................................................89
3.9. ESTABILIDADE DE SISTEMAS NÃO AUTÓNOMOS ...............................................................91
3.9.1. Pontos de equilíbrio .............................................................................................91
3.9.2. Estabilidade de um ponto de equilíbrio................................................................91
3.9.3. Método directo de Lyapunov................................................................................92
3.9.4. Teoremas de Lyapunov para sistemas não autónomos ........................................93
3.9.5. Método directo de Lyapunov para sistemas lineares não autónomos..................94
3.9.6. O método da linearização para sistemas não autónomos....................................95
3.9.7. Teoremas sobre instabilidade...............................................................................96
3.10. EXISTÊNCIA DE FUNÇÕES DE LYAPUNOV .......................................................................98
3.10.1. Teorema recíproco, ponto de equilíbrio estável.................................................98
3.10.2. Teorema recíproco, estabilidade assimptotica e uniforme.................................98
3.10.3. Teorema recíproco, estabilidade exponencial....................................................98
vi
3.11. ESTABILIDADE ABSOLUTA .............................................................................................99
3.11.1. Sistema linear com realimentação não linear....................................................99
3.11.2. Critério de Popov .............................................................................................101
3.11.3. Critério do círculo............................................................................................103
3.12. PROBLEMAS RESOLVIDOS ............................................................................................104
3.13. PROBLEMAS PROPOSTOS ..............................................................................................105

4. MÉTODO DA FUNÇÃO DESCRITIVA........................................................................109
4.1. FUNÇÃO DESCRITIVA.....................................................................................................109
4.2. FUNÇÃO DESCRITIVA DE NÃO LINEARIDADES CORRENTES. ............................................110
4.3. ESTABILIDADE PELO MÉTODO DA FUNÇÃO DESCRITIVA. ................................................111
4.4. PROBLEMAS RESOLVIDOS..............................................................................................114
4.5. PROBLEMAS PROPOSTOS................................................................................................116

5. LINEARIZAÇÃO EXACTA POR REALIMENTAÇÃO..........................................119
5.1. UMA PRIMEIRA ABORDAGEM.........................................................................................119
5.1.1. Exemplo de linearização e controlo por realimentação ....................................120
5.1.2. Sistemas na forma companheira ........................................................................122
5.1.3. Linearização entrada-estado..............................................................................123
5.1.4. Linearização entrada-saída ...............................................................................125
5.1.5. A dinâmica interna .............................................................................................127
5.1.6. Dinâmica interna de sistemas lineares...............................................................129
5.1.7. A dinâmica zero..................................................................................................131
5.2. O FORMALISMO DA GEOMETRIA DIFERENCIAL ..............................................................133
5.2.1. Conceitos e aplicações .......................................................................................133
5.2.1.1. Campo vectorial ........................................................................................................ 133
5.2.1.2. Campo covectorial .................................................................................................... 133
5.2.1.3. Produto interno.......................................................................................................... 133
5.2.1.4. Gradiente................................................................................................................... 133
5.2.1.5. Jacobiano .................................................................................................................. 134
5.2.1.6. Derivada de Lie......................................................................................................... 134
5.2.1.7. Aplicações da derivada de Lie .................................................................................. 135
5.2.1.8. Parêntesis de Lie ....................................................................................................... 136
5.2.1.9. Propriedades do parêntesis de Lie............................................................................. 137
5.2.1.10. Difeomorfismos ........................................................................................................ 138
5.2.2. Teorema de Frobenius........................................................................................139
5.3. LINEARIZAÇÃO ENTRADA-ESTADO................................................................................141
5.3.1. Definição de linearização entrada-estado .........................................................141
5.3.2. Condições para efectuar a linearização entrada-estado ...................................142
5.3.3. Algoritmo para realizar a linearização entrada-estado.....................................143
5.4. LINEARIZAÇÃO ENTRADA-SAÍDA ..................................................................................146
5.4.1. Grau relativo bem definido ................................................................................146
5.4.2. Grau relativo indefinido.....................................................................................147
5.5. PROBLEMAS RESOLVIDOS ..............................................................................................148
5.6. PROBLEMAS PROPOSTOS ................................................................................................158

6. SISTEMAS DIFUSOS E REDES NEURONAIS........................................................159
6.1. INTRODUÇÃO. CONTROLO INTELIGENTE ........................................................................159
6.2. CONJUNTOS E LÓGICA DIFUSA........................................................................................160
6.2.1. Introdução ..........................................................................................................160
6.2.2. Conjuntos e sistemas difusos..............................................................................160
6.2.2.1. Definições ................................................................................................................. 160
6.2.2.2. Propriedades fundamentais ....................................................................................... 163
6.2.3. Lógica difusa......................................................................................................164
6.2.3.1. Variáveis ................................................................................................................... 164
vii
6.2.3.2. Operações.................................................................................................................. 165
6.2.3.3. Regras if-then............................................................................................................ 167
6.2.4. Regras de inferência...........................................................................................168
6.2.5. Projecto de um controlador difuso.....................................................................170
6.2.6. Controlo difuso do satélite no Matlab................................................................174
6.3. REDES NEURONAIS ........................................................................................................177
6.3.1. Conceitos e definições ........................................................................................177
6.3.1.1. A rede multicamada .................................................................................................. 177
6.3.1.2. A rede de base radial................................................................................................. 180
6.3.2. A RNA como aproximador universal..................................................................181
6.3.3. Estrutura de uma rede........................................................................................181
6.3.3.1. Número de camadas .................................................................................................. 181
6.3.3.2. Número de unidades.................................................................................................. 181
6.3.3.3. Funções de activação ................................................................................................ 182
6.3.4. Obtenção dos parâmetros da rede .....................................................................183
6.3.4.1. Funcional de custo .................................................................................................... 183
6.3.4.2. Treino da rede ........................................................................................................... 184
6.3.5. Identificação do Processo. .................................................................................184
6.3.5.1. Dados de entrada /saída............................................................................................. 184
6.3.5.2. Estrutura da entrada da rede. ..................................................................................... 185
6.3.6. Controlo preditivo. .............................................................................................188

7. EXEMPLOS DE SISTEMAS NÃO LINEARES........................................................189
7.1. PÊNDULO SIMPLES .........................................................................................................189
7.2. SISTEMA MASSA-MOLA-AMORTECEDOR.........................................................................192
7.3. OSCILADOR DE RESISTÊNCIA NEGATIVA.........................................................................196
7.4. MOVIMENTO DE DOIS CORPOS COM FORÇAS CENTRAIS ..................................................199
7.5. INTERACÇÃO ENTRE ESPÉCIES ANIMAIS .........................................................................201
7.6. REACTOR QUÍMICO CONTINUAMENTE AGITADO.............................................................202

8. CONSTANTES, FORMULÁRIOS E TABELAS........................................................205
8.1. CONSTANTES MATEMÁTICAS .........................................................................................205
8.2. CONSTANTES FUNDAMENTAIS DA FÍSICA.......................................................................205
8.3. FORMULÁRIO DE MATEMÁTICA.....................................................................................206
8.3.1 Álgebra elementar ...............................................................................................206
8.3.2 Logaritmos e exponenciais..................................................................................206
8.3.3 Geometria............................................................................................................206
8.3.4 Limites .................................................................................................................206
8.3.5 Séries ...................................................................................................................207
8.3.6 Trigonometria......................................................................................................207
8.3.7 Derivadas ............................................................................................................207
8.3.8 Integrais indefinidos............................................................................................208
8.4. TRANSFORMADA DE LAPLACE UNILATERAL ..................................................................209
8.4.1 Propriedades da TL.............................................................................................209
8.4.2 Tabelas de TL......................................................................................................210
8.5. FORMULÁRIO DE FÍSICA.................................................................................................211
8.5.1 Mecânica dos sólidos ..........................................................................................211
8.5.2 Mecânica dos fluidos...........................................................................................211
8.5.3 Electrotecnia .......................................................................................................211

BIBLIOGRAFIA...................................................................................................................213

ÍNDICE...................................................................................................................................215

1



1. SISTEMAS NÃO LINEARES

1.1. Introdução
O objectivo destes textos é efectuar o estudo de sistemas não lineares e o modo de os
controlar. Um sistema designa-se por não linear sempre que na sua constituição
intervenha pelo menos um componente ou um sub-sistema não linear. Os sistemas não
lineares não satisfazem o princípio da sobreposição, pelo que o seu comportamento
depende da amplitude dos sinais que nele intervêm. Serão apenas estudados sistemas
não lineares causais, quer sejam variantes ou invariantes no tempo, contínuos ou
discretos.
Os métodos clássicos utilizados no estudo dos sistemas lineares, em particular a análise
em frequência (lugar das raízes, diagramas de Bode e Nyquist) não são aplicáveis aos
sistemas não lineares. Há assim necessidade de recorrer a outros métodos para proceder
ao estudo destes sistemas, em particular da sua estabilidade, sendo de entre outros de
destacar os métodos devidos a Lyapunov
(1)

Entende-se por controlo não linear o conjunto de procedimentos destinados a fazer com
que as variáveis de saída de um sistema não linear se aproximem de uma determinada
referência e estabilizem numa vizinhança do seu valor. Como acontece no domínio
linear, o controlo não linear utiliza realimentação, quer da saída quer do estado, para
gerar um sinal de controlo que vai actuar sobre o processo. Por vezes a cadeia de
realimentação é projectada não linear, ou para compensar as não linearidades do sistema
que está a ser controlado, ou para melhorar certos aspectos do controlo.
Quando se pretende controlar sistemas não lineares utilizando os métodos do controlo
linear, estes de um modo geral apenas permitem um bom desempenho dentro de uma
pequena gama de operação do sistema. Fora dela, o desempenho será mau ou mesmo
instável. Nestes casos torna-se necessário considerar o sistema linearizado em torno de
determinados pontos de funcionamento usando parâmetros de controlo específicos para
cada ponto (“gain schedule”) e ajustar os parâmetros automaticamente (controlo
adaptativo), ou então utilizar uma cadeia de realimentação negativa que faça com que o
sistema em cadeia fechada se comporte como linear (linearização por realimentação).
Nem sempre é possível linearizar o sistema em torno de um ponto de funcionamento,
por exemplo quando o sistema contém atritos de Coulomb, folgas, zonas mortas,
saturações, etc., não linearidades muito correntes em processos e sistemas reais. Para
este tipo de não linearidades, chamadas não linearidades duras, é necessário usar
determinadas técnicas de controlo específicas.

1
Aleksandr Mikhailovich Lyapunov, Matemático e Engenheiro Russo, 1857-1918.
1 - SISTEMAS NÃO LINEARES
Pág. 2 – Escola Superior de Tecnologia de Setúbal – Controlo Não Linear – Gustavo da Silva

Normalmente, o projecto de sistemas não lineares, obriga a um contacto mais estreito
com a física e a química associadas aos sistemas que irão ser controlados, de modo a
permitir uma melhor compreensão dos fenómenos que se estão a passar; por vezes
realizam-se modificações nos processos que introduzem melhorias significativas no
controlo, tais como a mudança do local físico dos actuadores, do seu dimensionamento
e inclusivamente poderá fazer-se uma nova escolha das variáveis manipuladas.
1.2. Classificação dos Sistemas
De uma forma genérica chama-se sistema a um conjunto de elementos organizados de
modo a constituírem um todo científico unitário ou um corpo doutrinal.
Com base nesta definição de carácter bastante genérico, existem sistemas em todas as
áreas do conhecimento. Este estudo limitar-se-á a sistemas em que seja possível
quantificar as variáveis e os parâmetros que os definem. Podem assim considerar-se
sistemas económicos, em que se estuda a relação entre variáveis de interesse na
economia, sistemas físicos, em que as variáveis serão grandezas de carácter físico,
como por exemplo pressões e caudais, sistemas químicos, sistemas geológicos,
sistemas matemáticos, etc. Por vezes um sistema pode ser misto, envolvendo ao
mesmo tempo variáveis de diversas áreas, por exemplo económicas e físicas.
Ao efectuar-se o estudo do comportamento de um sistema torna-se quase sempre
necessário construir um modelo. Este é uma representação do sistema em estudo, por
meio de uma estrutura matemática. A modelização de um sistema pode ser mais ou
menos elaborada, consoante a finalidade. Poderá haver mais do que um modelo, mais ou
menos simplificado, para cada sistema.


Sistema
(mundo real)
Modelo 1
Modelo 2
...
Modelo N
(mundo formal)

Estruturas
matemáticas
simplificadas

A obtenção do ou dos modelos de um sistema pode ser feita de diversos modos:
• A partir do conhecimento dos fenómenos em causa (ex.: 2ª lei de Newton).
• A partir da observação das variáveis em jogo e da sua análise.
• Por processo misto.
Salvo algumas excepções, os sistemas que aqui vão ser considerados dispõem de pelo
menos uma variável de entrada, eventualmente nenhuma, e pelo menos uma variável de
saída, pelo que para estes casos se pode apresentar a seguinte definição:
Sistema é toda a entidade de carácter matemático, físico, químico ou outro tipo,
quantificável, que recebe sinais, que os processa e os envia para o seu exterior.
Para uma definição matemática de sistema consultar o livro de E. Sontag, referido na
bibliografia.
1- SISTEMAS NÃO LINEARES


Escola Superior de Tecnologia de Setúbal – Controlo Não Linear – Gustavo da Silva – Pág. 3
De uma forma compacta, é costume representar graficamente um sistema por meio de
um rectângulo, no interior do qual se indica a propriedade que o caracteriza,
representando os sinais de entrada ou excitação por u (ou por x, nos tratados de índole
matemática), e os sinais de saída por y, como se indica na Fig. 1.1.









Fig. 1.1 – Representação gráfica compacta de um sistema

Em relação a um determinado sistema genérico observe-se o seguinte:
• As entradas u(t) e as saídas y(t) podem ser escalares ou vectores, podendo
eventualmente não haver entradas,
• O valor das saídas depende da estrutura do sistema, caracterizada pelas
variáveis de estado x(t), das entradas u(t), de perturbações adicionais d(t), por
vezes desconhecidas, e do próprio tempo t:
( ) [ ( ), ( ), ( ), ] t T t t t t = y x u d (1.1)
É costume efectuar a classificação dos sistemas de acordo com os seguintes critérios:
• Sistemas estáticos e dinâmicos,
• Sistemas relaxados e não relaxados,
• Sistemas de parâmetros distribuídos e de parâmetros concentrados,
• Sistemas causais e não causais,
• Sistemas variantes no tempo e invariantes no tempo,
• Sistemas contínuos e discretos,
• Sistemas determinísticos e estocásticos,
• Sistemas estáveis e instáveis,
• Sistemas lineares e não lineares, …
1.2.1. Sistemas estáticos e dinâmicos
Um sistema designa-se estático se a sua saída y(t), depender, quando muito, da entrada
u(t) no mesmo instante t. Caso y(t) dependa de variações da entrada ou da saída, ou dos
seus valores integrados, o sistema diz-se dinâmico. No sentido matemático, um sistema
estático é uma aplicação de u(t) em y(t). Um sistema dinâmico, ao contrário de um
sistema estático, possui memória, pelo facto da saída depender de valores tomados
noutros instantes.
SISTEMA
NÃO LINEAR
Entrada
Saída
y(t)
[1×q]
Perturbações
d(t)
1 - SISTEMAS NÃO LINEARES
Pág. 4 – Escola Superior de Tecnologia de Setúbal – Controlo Não Linear – Gustavo da Silva

1.2.2. Sistemas relaxados e não relaxados
Um sistema diz-se relaxado, num determinado instante inicial, ou em repouso, se não
tiver energia armazenada. Caso o sistema possua energia armazenada diz-se não
relaxado. É comum dar-se como exemplo se um sistema não relaxado um circuito
eléctrico contendo um condensador carregado.
1.2.3. Sistemas de parâmetros distribuídos e de parâmetros concentrados
Um sistema de parâmetros distribuídos é todo aquele em que pelo menos um dos seus
parâmetros característicos depende de pelo menos uma coordenada espacial, de tal
forma que essa dependência se reflicta nas características do sistema. É exemplo
clássico de um sistema de parâmetros distribuídos uma linha de transmissão de sinais,
quando o comprimento de onda destes sinais é inferior à ordem de grandeza do
comprimento da linha. Pelo contrário, um circuito RLC que trabalhe com um sinal de 10
MHz, a que corresponde um comprimento de onda de 30 m, será um sistema de
parâmetros concentrados.
1.2.4. Sistemas causais e não causais
Um sistema diz-se causal se a sua saída, num determinado instante, depender apenas
das entradas presente e passadas, não dependendo das entradas futuras.
Os sistemas em tempo real são sempre causais. No entanto, sistemas que trabalhem com
sinais gravados poderão ser não causais. Sistemas cujas entradas sejam variáveis que
não sejam o tempo, poderão ser não causais: por exemplo a deformação de uma viga
dependerá dos esforços à sua esquerda e à sua direita (coordenada x, equiparável a
tempos negativos e positivos, respectivamente).
1.2.5. Sistemas variantes no tempo e invariantes no tempo
Um sistema diz-se invariante no tempo se as suas características não se modificarem
com o decorrer do tempo. Para um sistema relaxado e causal o sistema será invariante
no tempo se e só se, qualquer que seja d > 0,
( ) [ ( )] ( ) [ ( )] t T t t d T t d = ⇔ − = − y u y u (1.2)
1.2.6. Sistemas contínuos e discretos
Designa-se por sistema contínuo todo aquele que opera com sinais em tempo contínuo
e por sistema discreto todo o sistema que opera com sinais em tempo discreto.
Muitas das propriedades dos sistemas discretos são semelhantes às dos sistemas
contínuos; outras são fundamentalmente diferentes. Os sistemas do mundo
macroscópico real, salvo algumas excepções, são contínuos. O processamento de sinais
num computador é essencialmente discreto, pelo que é essencial dominar-se as
propriedades de ambos os tipos de sistemas e saber efectuar a conversão de sistemas
contínuos para discretos, e vice-versa.
1- SISTEMAS NÃO LINEARES


Escola Superior de Tecnologia de Setúbal – Controlo Não Linear – Gustavo da Silva – Pág. 5
1.2.7. Sistemas determinísticos e estocásticos
Um sistema diz-se estocástico sempre que processe variáveis aleatórias. No caso
contrário o sistema diz-se determinístico. Repare-se que basta a existência de uma
variável aleatória para que o sistema seja estocástico.
1.2.8. Sistemas estáveis e instáveis
Um sistema diz-se estável (estabilidade BIBO – Bounded Input, Bounded Output) se e
só se, qualquer que seja a sua entrada limitada, a saída for limitada. Analiticamente
pode escrever-se:
, || ( ) || < || ( ) ||
u y
t t M t M ∀ < ∞ ⇔ < < ∞ u y (1.3)
Se existir pelo menos um valor de u(t) que torne a saída infinita, o sistema é instável. A
determinação da estabilidade de um sistema é um dos tópicos mais importantes do
controlo de sistemas, uma vez que nos problemas de Engenharia é essencial que os
sistemas mantenham a saída dentro de determinados limites.
Como se verá adiante no capítulo 3, há outras formas de definir estabilidade de um
sistema, que poderão conduzir a classificações diferentes: um oscilador não linear
(sistema sem entrada, apenas com saída), que segundo as definições que se darão
adiante é um sistema instável, de acordo com a definição que acaba de ser dada é
estável, desde que a amplitude da sua oscilação seja limitada.
1.2.9. Sistemas lineares e não lineares
Ao contrário do que se passa com os sistemas lineares, que são caracterizados por
possuírem uma propriedade comum, que é a de satisfazerem o princípio da
sobreposição, os sistemas não lineares são os que ficam de fora, por não obedecerem a
este princípio. A ausência de uma propriedade unificadora, que os caracterize sem ser
por aquilo a que não obedecem, torna a sua sistematização mais difícil de fazer do que a
dos sistemas lineares.
Um sistema linear é todo aquele que satisfaz o princípio da sobreposição, o que se
traduz analiticamente do modo seguinte:

1 1 2 2 1 1 2 2
[ ( ) ( )] [ ( )] [ ( )] T a u t a u t a T u t a T u t + = + (1.4)
As não linearidades podem ser naturais ou artificiais. As primeiras estão intimamente
associadas aos sistemas, são inerentes a eles. Em muitos casos são indesejáveis. As
segundas, são introduzidas intencionalmente, com o objectivo de poder controlar, ou
mesmo de melhorar o comportamento dos sistemas.
1.3. Comportamento dos sistemas não lineares
A dinâmica dos sistemas não lineares é mais complexa do que a dos lineares, e é, de um
modo geral, muito mais rica do que a destes: Há fenómenos que apenas acontecem nos
sistemas não lineares, que não ocorrem nos lineares, como sejam
1 - SISTEMAS NÃO LINEARES
Pág. 6 – Escola Superior de Tecnologia de Setúbal – Controlo Não Linear – Gustavo da Silva

• Dependência da amplitude de excitação,
• Tempo de escape finito,
• Pontos de equilíbrio múltiplos,
• Não unicidade da solução,
• Dependência crítica dos parâmetros,
• Bifurcações,
• Caos ou dependência crítica das condições iniciais,
• Ciclos limite ou oscilações,
• Existência de harmónicas e de sub-harmónicas,
e que passam a exemplificar-se.
1.3.1. Dependência de amplitude da excitação
Seja por exemplo o modelo do movimento de um veículo submarino, de massa m
actuado por uma força propulsora u. Designando por v a velocidade do veículo, a
equação do movimento é representada por:
mv k v v u + = (1.5)
em que k é o coeficiente de atrito. Note-se que nesta expressão a força de atrito de
arrastamento é proporcional, em módulo, ao quadrado da velocidade, tendo a direcção
oposta a esta. Suponha-se m = 1 kg e k = 1 kg m
-1
e aplique-se ao veículo uma força de
1.0 N durante 5 segundos. Este ficará sujeito a uma variação de velocidade, como se
indica na Fig. 1.2. Repare-se que o tempo de estabelecimento é maior quando se retira a
força propulsora do que quando esta é aplicada. Este fenómeno que não acontece nos
sistemas lineares, onde os dois tempos são iguais, compreende-se bem se o sistema (1.5)
for comparado com o sistema linear equivalente, com amortecimento k|v| função da
velocidade: Com velocidades próximas da unidade o amortecimento é maior do que
quando as velocidades estão próxima de zero, o que justifica a assimetria.













Fig. 1.2 – Resposta do veículo submarino, u = 1


u(t)
y(t)
V
e
l
o
c
i
d
a
d
e


m
/
s

Tempo, segundos 20.0
1.0
5.0 0
1- SISTEMAS NÃO LINEARES


Escola Superior de Tecnologia de Setúbal – Controlo Não Linear – Gustavo da Silva – Pág. 7

Aplique-se agora ao sistema uma força propulsora semelhante, mas de amplitude
u = 10 N (Fig. 1.3). A velocidade do veículo aumenta e tenderá a estabilizar em 3.2 m/s e
não em 10 m/s como aconteceria se o sistema fosse linear. Também neste caso os
tempos de estabelecimento a subir e a descer são diferentes. As velocidades de
estabilização do sistema podem ser obtidas, para estes dois casos por

1.0 : 0 0 1.0 1.0 /
10 : 0 0 10 10 3.2 /
s s s
s s s
u N v v v v m s
u N v v v v m s
= = ⇒ + = ⇒ =
= = ⇒ + = ⇒ = ≈

(1.6)
Este exemplo permite compreender como é que o comportamento de um sistema não
linear pode depender da amplitude dos sinais em jogo.














Fig. 1.3 – Resposta do veículo submarino, u = 10.0

1.3.2. Tempo de escape finito
Num sistema linear instável, a resposta, por muito rapidamente que tenda para infinito,
demora um tempo infinito a atingir este valor. Em contrapartida, alguns sistemas não
lineares podem atingir o valor infinito num intervalo de tempo finito.
Considere-se o seguinte modelo de crescimento, com a > 0 e c > 0, em que a taxa de
crescimento não é constante mas aumenta com x(t):

( )
( ) (1 ) ( )
x t
x t a x t
c
= + (1.7)
A solução desta equação encontra-se representada na Fig. 1.4, para t > 0 a = 0.5 c = 0.5
e x(0) = 0.5. A solução atinge o valor infinito num intervalo de tempo finito. Diz-se que
o sistema tem uma singularidade na solução, ou ainda, que apresenta um tempo de
escape finito.



y(t)
V
e
l
o
c
i
d
a
d
e


m
/
s

Tempo, segundos
20.0
10.0
5.0 0
u(t)
1 - SISTEMAS NÃO LINEARES
Pág. 8 – Escola Superior de Tecnologia de Setúbal – Controlo Não Linear – Gustavo da Silva














Fig. 1.4 – Tempo de escape finito

1.3.3. Pontos de equilíbrio múltiplos
Designam-se pontos de equilíbrio aqueles em que todo o estado que nele se inicia
permanece inalterado: x(t) = x
e
, ou seja,
e
x
= 0.
Num sistema linear, definido pela equação de estado x x = A , tais pontos obtêm-se
resolvendo a equação homogénea A

x
e
= 0. Se a matriz do sistema, A, for regular, a
solução desta equação é x
e
(t) = 0, ou seja, o único ponto de equilíbrio é a origem.
Tratando-se de sistemas não lineares, poderá haver outros pontos de equilíbrio, distintos
da origem, como se mostra nos exemplos que se dão a seguir.
Um ponto de equilíbrio pode variar no tempo. Uma trajectória que se dirija para um
ponto de equilíbrio deste tipo pode cruzar-se com ela própria.

Exemplo 1
Seja o sistema de 1ª ordem representado pela equação
( ) [ ( ) 1] ( ) x t x t x t = − (1.8)
Este sistema, variante de (1.7) com a < 0 e c < 0, admite como pontos de equilíbrio
x
e1
= 0 e x
e2
= 1. A sua resposta tem um comportamento diferente, consoante seja
iniciada na vizinhança do estado x
e
= 0 ou x
e
= 1, como se pode observar na Fig. 1.5.
Repare-se que o ponto de equilíbrio x
e
= 0 é estável, ou seja, as trajectórias iniciadas na
sua vizinhança não se afastam dele, enquanto que o ponto de equilíbrio x
e
= 1 é instável.
Note-se a existência de uma singularidade na solução que se inicia em x
e
> 1.





0 0.5 1.0





50





0
tempo [s]
r
e
s
p
o
s
t
a

1- SISTEMAS NÃO LINEARES


Escola Superior de Tecnologia de Setúbal – Controlo Não Linear – Gustavo da Silva – Pág. 9


x(t)

1




0
t




Fig. 1.5 – Resposta de um sistema não linear

Exemplo 2
Considere-se o movimento do pêndulo ligado a uma haste rígida, sem amortecimento,
descrito pela equação diferencial
g sen θ θ = −

A (1.9)
A introdução das variáveis de estado
1
x θ = (posição angular) e
2
x θ =

(velocidade
angular), conduz a

1 2
2 1
x x
g
x sen x
= ¦
¦
´
= −
¦
¹

A
(1.10)
Os pontos de equilíbrio obtêm-se fazendo
1
0 x = e
2
0 x = , o que conduz a


2
1
0
0
e
e
x
g
sen x
= ¦
¦
´
= −
¦
¹ A
(1.11)
ou seja,

1
2
0, 1, 2,
0
e
e
x k
k
x
π

= = ± ±


" (1.12)

Há pois uma infinidade de pontos de equilíbrio, dos quais são fisicamente distintos
x
1e
= 0 e x
1e
= π, sendo o primeiro ponto de equilíbrio estável e o segundo instável.
Um estudo detalhado do pêndulo é feito adiante na secção 7.2.
1 - SISTEMAS NÃO LINEARES
Pág. 10 – Escola Superior de Tecnologia de Setúbal – Controlo Não Linear – Gustavo da Silva

1.3.4. Não unicidade da solução
Seja agora o sistema não linear descrito pela equação de estado

1
3
x x = (1.13)
Trata-se de uma equação de termos separáveis, que pode ser escrita na forma

1
3
1 x x

= (1.14)
Esta equação admite as duas soluções seguintes:

3
2
2
( ) ( ) ( ) 0
3
x t t e x t = = (1.15)
Seja agora o sistema de 1ª ordem descrito por uma equação de estado do tipo

0
( )
(0)
x F x
x x
= ¦
´
=
¹

(1.16)
prova-se que é condição suficiente para que a solução de (1.16) seja única, que
( ) F x
x



seja contínua numa vizinhança de x
0
. O sistema (1.13) não satisfaz a esta condição em
x = 0.
1.3.5. Dependência crítica dos parâmetros
A estrutura das soluções de um sistema não linear pode ser fortemente dependente dos
valores que possa tomar um parâmetro do sistema, como se exemplifica a seguir.
Considere-se o sistema descrito pelas equações de estado

3
1 1 2 1
2 1
x x x x
x x
u ¦ = + −
´
= −
¹

(1.17)
em que o parâmetro u ∈\. Para u próximo de zero o carácter das soluções é diferente
consoante seja u < 0 ou u > 0.
Na Fig. 1.6 representam-se as soluções do sistema para dois valores diferentes de u.








1- SISTEMAS NÃO LINEARES


Escola Superior de Tecnologia de Setúbal – Controlo Não Linear – Gustavo da Silva – Pág. 11


x
0
= [2; 0] u = - 0.1

x
0
= [2; 0] u = + 0.1

Fig. 1.6 – Dependência crítica dos parâmetros

1.3.6. Bifurcações
Designa-se por bifurcação uma dependência crítica nos parâmetros particular, como a
exemplificada a seguir. Seja o sistema

3
0 x x x α + + = (1.18)
A equação pode representar um sistema massa-mola em que a mola é dura (ver
definição de mola dura adiante em 1.4.4 e em 7.3). O sistema (1.18) admite 3 pontos de
equilíbrio:
x
e
= 0, x
e
= α , x
e
= - α
Com α positivo o sistema é sempre estável; com α negativo torna-se instável, havendo
uma mudança qualitativa no comportamento para α = 0.




0 5 10 15 20 25 30 35 40 45 50
-1
-0.5
0
0.5
1
1.5
2
tempo, segundos
x
-1 -0.5 0 0.5 1 1.5 2
-1
-0.8
-0.6
-0.4
-0.2
0
0.2
0.4
0.6
0.8
1
TRAJECTÓRIA NO ESPAÇO DE FASES
x1














x
´
1
0 5 10 15 20 25 30 35 40 45 50
-1
-0.5
0
0.5
1
1.5
2
tempo, segundos
r
e
s
p
o
s
t
a
-1 -0.5 0 0.5 1 1.5 2
-1
-0.8
-0.6
-0.4
-0.2
0
0.2
0.4
0.6
0.8
1
TRAJECTÓRIA NO ESPAÇO DE FASES
x1














x
´
1
Ciclo limite
amortecido
1 - SISTEMAS NÃO LINEARES
Pág. 12 – Escola Superior de Tecnologia de Setúbal – Controlo Não Linear – Gustavo da Silva

1.3.7. Caos ou dependência crítica das condições iniciais
Nos sistemas lineares estáveis, a pequenas variações nas condições iniciais corres-
pondem pequenas variações na resposta. Tal porém não acontece nos sistemas não
lineares, em que pode acontecer serem as soluções extremamente sensíveis a variações
das condições iniciais, sendo a saída, a partir de certo valor de t, imprevisível. A este
tipo de sistemas dá-se o nome de sistemas caóticos e ao fenómeno em si chama-se caos.
Seja o seguinte sistema não linear

5
0.1 6 x x x sent + + = (1.19)
As respostas deste sistema, para condições iniciais, x(0) = [2; 3] e x(0) = [2.01; 3.01],
próximas, estão representadas na Fig. 1.7.















Fig. 1.7 – Dependência crítica das condições iniciais

1.3.8. Ciclos limite ou oscilações
Num sistema linear, invariante no tempo, para que se estabeleça uma oscilação de
amplitude constante, é necessário que haja, nos sistemas contínuos, pelo menos um par
de polos sobre o eixo imaginário. Mas esta condição não é robusta, sendo na prática
impossível de conseguir, ficando os polos ligeiramente à esquerda ou à direita do eixo
imaginário, o que conduz a uma oscilação amortecida ou crescente, respectivamente.
Há no entanto determinados sistemas, não lineares, que entram em oscilação, com
amplitude e frequência constantes, independentemente do valor inicial do estado. Estas
oscilações são designadas por ciclos limite.
Considere-se o sistema representado pela equação diferencial, conhecida por equação
de Van der Pol:

2
2 ( 1) 0 mx x x kx ε + − + = (1.20)

0 5 10 15 20 25 30 35 40 45 50
-2.5
-2
-1.5
-1


-0.5


0


0.5


1


1.5


2


2.5


x(t)
t (s)
1- SISTEMAS NÃO LINEARES


Escola Superior de Tecnologia de Setúbal – Controlo Não Linear – Gustavo da Silva – Pág. 13
Esta equação é equivalente à de um sistema massa-mola-amortecedor, em que o
coeficiente de amortecimento b = 2 ε (x
2
- 1), depende da amplitude da oscilação. Para
x > 1 o coeficiente de amortecimento é positivo estando o amortecedor a retirar energia
ao sistema. Qualquer oscilação que exista com x > 1 será amortecida. Para x < 1 o
coeficiente b é negativo, estando agora o amortecedor a fornecer energia ao sistema:
toda a oscilação que exista com x < 1, será amplificada até que x atinge o valor 1. A
partir daí, se x continuasse a aumentar, entrava-se no regime amortecido. Isto faz com
que se estabeleça uma oscilação de amplitude x = 1.
Repare-se que o fenómeno é diferente do que acontece nos osciladores lineares, em que
o sistema, para oscilar, tem que ser marginalmente estável. Aqui a amplitude das
oscilações não depende de pequenas variações nos parâmetros do sistema. Também a
amplitude de oscilação é independente das condições iniciais x
0
. Uma outra diferença
para os sistemas lineares (marginalmente estáveis) é que a forma da oscilação não é
necessariamente sinusoidal. Para saber mais detalhes sobre ciclos limite ver adiante a
secção 2.3.

1.3.9. Existência de harmónicas e sub-harmónicas
Num sistema linear, uma excitação sinusoidal conduz a uma resposta também
sinusoidal, com a mesma frequência. Num sistema não linear tal poderá não acontecer,
podendo o estado (ou a saída) ser uma oscilação contendo frequências múltiplas e sub-
-múltiplas da frequência do sinal sinusoidal de excitação. Tais constituintes são
designadas por harmónicas e sub-harmónicas da frequência do sinal de excitação.

1.4. Escrita das equações
Uma das formas correntes de hoje em dia representar um sistema é através do seu
modelo de estado. Muitas vezes o modelo de estado é obtido a partir de uma ou várias
equações diferenciais associadas ao sistema. Mas como é que se obtém essas equações
diferenciais? A resposta é simples: a partir do conhecimento rigoroso da física/química
do sistema; sabendo as suas características é possível escrever relações entre as suas
variáveis.
Consideram-se a seguir alguns tipos genéricos de sistemas:
• Sistemas mecânicos clássicos,
• Sistemas eléctricos,
• Sistemas térmicos,
• Sistemas químicos.




1 - SISTEMAS NÃO LINEARES
Pág. 14 – Escola Superior de Tecnologia de Setúbal – Controlo Não Linear – Gustavo da Silva

1.4.1. Sistemas mecânicos clássicos
Nos sistemas mecânicos clássicos (ou newtonianos) a escrita das equações passa por:
1º Identificar o sistema em causa e o referencial em uso.
2º Identificar o tipo de movimento (linear, angular) e referenciar as variáveis em
jogo, como sejam as posições, velocidades, aceleração, posições angulares,
velocidades angulares, etc.
3º Identificar e referenciar todas as forças e momentos do jogo.
4º Relacionar as variáveis, utilizando os dois teoremas fundamentais da mecânica,
o do movimento linear e o do movimento angular.
1.4.2. Teorema do momento linear
Para um sistema constituído por massas m
k
localizadas por
k
r , com acelerações
k
r ,
sujeitas a forças exteriores f
e
k
,

com momento linear associado a cada massa dado por
k k k
m = p r , o teorema do momento linear pode enunciar-se:
A derivada em ordem ao tempo do momento linear do sistema, P, é igual à resultante
das forças exteriores aplicadas ao sistema, F
e


d
dt
=
e
P
F (1.21)
em que

k k k k
m e = = =
∑ ∑ ∑
e e
P p r F f (1.22)

1.4.3. Teorema do momento angular
Este teorema tem uma forma semelhante ao anterior:

A derivada em ordem ao tempo do momento angular de um sistema em relação a um
ponto O, é igual ao momento em relação a O das forças exteriores:

d
dt
=
e
L
N (1.23)
com L, momento angular, dado por

k k k k
e = × = ×
∑ ∑
e e
L r p N r f (1.24)
Por vezes é conveniente considerar a energia do sistema. Sem entrar com a energia
externa ao sistema, há habitualmente a ter em conta a energia cinética associada ao
facto das massas m
k
se encontrarem em movimento com velocidade v
k
, e dada por:

2
1
2
k k
T m v =

(1.25)
1- SISTEMAS NÃO LINEARES


Escola Superior de Tecnologia de Setúbal – Controlo Não Linear – Gustavo da Silva – Pág. 15
e a energia potencial, associada ao facto, associada ao facto das massas estarem a ser
sujeitas a uma força, e consequentemente poderem mudar a sua posição e o seu estado
de movimento. Para a força de atracção terrestre a energia potencial é dada por

k k
U g m h =

(1.26)
em que g representa a aceleração da gravidade e h
k
a altura a que a massa m
k
se encontra
da posição de referência, ou seja, da altura a que se define a energia potencial zero.

Muitas vezes os sistemas mecânicos representam-se por um conjunto de elementos
discretos concentrados como se indica a seguir. Esta representação facilita a escrita das
equações, por fornecer relações pré-conhecidas entre estes os elementos.
1.4.4. Movimento linear
A massa, a mola e o amortecedor, são representados pelos símbolos da Fig. 1.8.




Fig. 1.8 – Representação da massa, da mola e do amortecedor


Para estes casos as expressões anteriores, representando por x a posição, dão origem a:
Massa:
e
mx F = (1.27)
Mola:
3
1 3
k x k x F + = (1.28)
Amortecedor:
a b
k x k x x F + = (1.29)
Para a mola convirá distinguir três casos:
k
3
= 0 Æ mola linear, k
3
< 0 Æ mola macia e k
3
> 0 Æ mola dura.
Para o amortecedor há dois casos distintos:
k
b
= 0 Æ atrito viscoso, k
a
= 0 e k
b
> 0 Æ atrito quadrático.


massa mola amortecedor
1 - SISTEMAS NÃO LINEARES
Pág. 16 – Escola Superior de Tecnologia de Setúbal – Controlo Não Linear – Gustavo da Silva

1.4.5. Movimento de rotação
Os elementos discretos são os mesmos que os anteriores, apenas os parâmetros que os
caracterizam são diferentes.
A massa em rotação é caracterizada pelo momento de inércia J, sendo a sua posição
angular representada por θ e o binário de actuação por T:
Massa em rotação:
J
J T θ =

(1.30)
Mola em torção
(a)
:
0
( )
k
k T θ θ − = (1.31)
Amortecedor rotativo
(a)
:
B
B T θ =

(1.32)
(a)
Apenas se indicam os termos lineares.

1.4.6. Sistemas eléctricos
A escrita das equações representativas de um sistema eléctrico passa pelo seguinte:

1º Identificar o sistema e os objectivos a alcançar;
2º Identificar os componentes em jogo: resistências, bobinas, condensadores,
díodos, transístores, AMPOPs, etc.
3º Referenciar as tensões e correntes eléctricas em jogo.
5º Utilizar a lei dos nós e a lei das malhas para escrever as equações em jogo.
4º Relacionar as tensões e as correntes em cada componente [ver (1.33) a (1.35)].
6º Finalmente, o último passo consiste em eliminar, de entre as equações obtidas,
as variáveis que não interessa apresentar, obtendo-se a equação diferencial do
sistema, ou o modelo de estado, consoante o caminho que se siga.

Para uma resistência, caracterizada pelo seu valor óhmico R, tem-se
( ) ( ) v t Ri t = (1.33)
para uma bobina, com coeficiente de autoindução L, verifica-se

( )
( )
di t
v t L
dt
= (1.34)
e para o condensador, caracterizado pela capacidade C,

( )
( )
dv t
i t C
dt
= (1.35)
De uma forma geral, R e C não dependem de i ou de v, o mesmo não acontecendo com
as bobinas, se o núcleo for ferromagnético, em que L = L(i), apresentando saturação e
histerese.

1- SISTEMAS NÃO LINEARES


Escola Superior de Tecnologia de Setúbal – Controlo Não Linear – Gustavo da Silva – Pág. 17
Quando existe um transformador no circuito a relação entre as correntes e as tensões é,
arbitrando os sentidos das tensões e correntes de forma a que energia seja positiva
quando a entra no transformador:

1 2
1 1 1 1
2 1
2 2 2 2
( ) ( )
( ) ( )
( ) ( )
( ) ( )
M
M
di t di t
v t Ri t L L
dt dt
di t di t
v t R i t L L
dt dt
¦
= + +
¦
¦
´
¦
= + +
¦
¹
(1.36)
em que R
1
– resistência eléctrica do enrolamento 1,
R
2
– resistência eléctrica do enrolamento 2,
L
1
– coeficiente de auto-indução do enrolamento 1,
L
2
– coeficiente de auto-indução do enrolamento 2,
L
M
– coeficiente de indução mútua.

Muitas vezes considera-se o transformador ideal (resistência dos enrolamentos nula,
ligação magnética perfeita e coeficientes de indução infinitos), ficando neste caso, em
que se representa por n
1
e n
2
o número de espiras dos enrolamentos,

2 2
1 1
1 1 2 2
( )
( )
( ) ( ) 0
v t n
v t n
n i t n i t
¦
=
¦
´
¦
+ =
¹
(1.37)
Repare-se que ao escrever as equações dos circuitos eléctricos para sistemas não
lineares não se podem considerar os sinais alternados sinusoidais, uma vez que
aparecem harmónicas. É preciso fazer intervir as relações entre valores instantâneos das
tensões e das correntes.
Para outros componentes, a relação entre as tensões e as correntes dependerá da
finalidade do modelo e da precisão exigida. Por exemplo, consoante os casos, um díodo
poderá ser representado por:








a) Ideal, R = 0







b) Ideal, R ≠ 0







c) Real

Fig. 1.9 – Características de um díodo

i
v
i
v
i
v
1 - SISTEMAS NÃO LINEARES
Pág. 18 – Escola Superior de Tecnologia de Setúbal – Controlo Não Linear – Gustavo da Silva

O díodo é um elemento essencialmente não linear. A relação entre a corrente i e a
tensão v num díodo é dada por:
( 1)
B
q v
K T
s
i i e

= − (1.38)
em que
i
s
– corrente inversa de saturação,
T– temperatura absoluta a que se encontra a junção,
q – carga eléctrica do electrão, q = 1.602 177 × 10
-19
C,
K
B
– constante de Boltzmann, K
B
= 1.380 658 × 10
-23
J

K
-1
.


Quando um circuito contiver como elemento um transístor de junção (Fig. 1.10a), as
relações entre as suas tensões e correntes podem ser representadas pelo modelo de
Ebers-Moll, que se encontra representado graficamente na Fig. 1.10b.












a) Representação simbólica b) Modelo de Ebers-Moll

Fig. 1.10 – Transistor de junção pnp


Há mais alguns elementos eléctricos utilizados em controlo, como amplificadores (com
regiões linear e não linear), rectificadores (de meia onda e de onda completa), relés,
tiristores, etc.

1.4.7. Sistemas Térmicos
Há um determinado número de sistemas que põem em jogo grandezas termodinâmicas.
Para o seu estudo convirá o conhecimento dos conceitos indicados a seguir.

a) Calor específico.
Chama-se calor específico de uma substância, C, à quantidade de energia que é
necessário fornecer à massa unitária dessa substância para que a sua temperatura
aumente de uma unidade:
dQ mCdT = (1.39)
I
E

I
C

↑ I
B
V
EC

V
EB
V
CB

E
C
B
I
E

I
C

↑ I
B

V
E

E
α
I
I
C
α
N
I
E

-I
E0 -I
C0
B
C V
C

P P
N N
1- SISTEMAS NÃO LINEARES


Escola Superior de Tecnologia de Setúbal – Controlo Não Linear – Gustavo da Silva – Pág. 19
Q – quantidade de energia (ou calor) em jogo,
m – massa do corpo,
C – calor específico do corpo,
T – temperatura.
O calor específico pode ser definido a pressão constante (designa-se por C
p
) ou a
volume constante (designa-se por C
v
) e depende da temperatura.

b) Calor latente
Dá-se o nome de calor latente de uma substância, λ, à quantidade de energia que é
necessário fornecer à massa unitária dessa substância para que haja uma mudança de
fase, sem que haja variação de temperatura.
Q mλ = (1.40)
O calor latente pode definir-se para a fusão, para a vaporização e para a sublimação.
A Fig. 1.11 mostra a relação entre a temperatura e a quantidade de calor fornecida a
uma massa unitária de gelo/água/vapor, quando, a temperatura varia numa larga gama.














Fig. 1.11 – Calor específico e calor latente

Partindo de uma determinada massa de gelo (zona a) da figura), à medida que a esta se
fornece energia térmica a sua temperatura vai subindo, de forma proporcional ao
acréscimo de energia fornecida, sendo a relação de proporcionalidade por unidade de
massa igual ao calor específico do gelo. À temperatura de 0 ºC começa a dar-se a fusão
do gelo. É a zona b). Se esta for lenta e a mistura água / gelo homogénea, para que a
fusão se complete, é necessário fornecer à massa m uma quantidade de energia mλ
1
. A
temperatura não varia durante a fusão. Quando todo o gelo está fundido, a água começa
de novo a aquecer (zona c)). A temperatura sobe à medida que se fornece calor, até se
atingir a temperatura de 100 ºC, em que a água entra em ebulição (zona d) da figura).
Para efectuar a sua vaporização completa, é necessário fornecer-lhe uma quantidade de
calor igual a mλ
2
.

tempe-
ratura
100 ºC
0 ºC
a)
gelo
b) gelo
+água
c) água
d) água
+vapor
e) vapor
λ
1

calor
latente
de fusão
λ
2

calor
latente de
vaporização
Q/m
1 - SISTEMAS NÃO LINEARES
Pág. 20 – Escola Superior de Tecnologia de Setúbal – Controlo Não Linear – Gustavo da Silva


A


B
T
A
T
B P
AB
Durante a vaporização a temperatura mantém-se constante. O vapor existente nesta fase
designa-se por vapor saturado. Quando toda a água se encontra vaporizada, o
fornecimento de mais calor conduz a uma nova elevação de temperatura, proporcional
ao acrescimo de calor, sendo a relação de proporcionalidade o calor específico do vapor.
A este vapor dá-se o nome de vapor sobre-aquecido.
Retirando agora energia térmica ao sistema a temperatura diminui, seguindo um
andamento muito próximo do indicado, embora ligeiramente acima, isto é, o sistema
apresenta histerese.

c) Gás perfeito.
Designa-se por gás perfeito todo aquele em que as variáveis termodinâmicas pressão, p,
volume, v, e temperatura, T, estão relacionadas pela expressão
pv nRT = (1.41)
em que n é o número de moles do gás e R= 8.314 JK
-1
mol
-1
uma constante universal,
constante dos gases.
Muitas vezes não é possível representar o gás pela expressão acima, utilizando-se então
outras expressões mais adequadas a cada caso.

d) Esquema eléctrico equivalente
Por vezes, para representar determinados fenómenos físicos ou químicos utilizam-se os
chamados esquemas eléctricos equivalentes.
Considere-se por exemplo um meio material através do qual se está a efectuar uma
determinada transferência de calor por condução. Sejam ∑
A
e ∑
B
duas superfícies às
temperaturas T
A
e T
B
respectivamente, como se indica na Fig. 1.12, e admita-se T
A
> T
B







Fig. 1.12 – Transferência de calor entre duas superfícies isotérmicas

A quantidade de calor transmitida, na unidade de tempo, da superfície ∑
A
para a
superfície ∑
B
, é dada por

θ
( - )
AB
AB A B
P G T T = (1.42)
em que o parâmetro
θ
AB
G é designado por condutância térmica do material, entre as
superfícies ∑
A
e ∑
B
. Exprime-se em W/ºC.

1- SISTEMAS NÃO LINEARES


Escola Superior de Tecnologia de Setúbal – Controlo Não Linear – Gustavo da Silva – Pág. 21
A expressão (1.42) tem o nome de lei de ohm térmica, por ser semelhante à lei de ohm
da electrotecnia. Aqui as temperaturas equivalem às tensões eléctricas e as potências
térmicas às correntes. Esta expressão pode ser escrita sob a forma

θ
( - )
AB
A B AB
T T R P = (1.43)
Ao parâmetro
θ θ
1/
AB AB
R G = dá-se o nome de resistência térmica do material e exprime-
se em ºC/W. As equações (1.42) e (1.43) podem representar-se graficamente pelo
esquema da Fig. 1.13.


Fig. 1.13 – Representação de uma resistência térmica.
1.4.8. Sistemas químicos
Normalmente um sistema químico contém dois ou mais produtos que postos em
presença reagem entre si, originando novos produtos, com absorção ou libertação de
energia térmica. Para se obterem as equações representativas de um processo químico
recorre-se normalmente ao balanço de massa e ao balanço de energia.
Quase sempre as velocidades de reacção dependem da temperatura e da pressão, que
correntemente são variáveis manipuladas. Acontece que de um modo geral as reacções
são reversíveis, sendo necessário jogar com vários parâmetros para, por exemplo,
maximizar a concentração de um determinado reagente. Quando as reacções são
exotérmicas, é necessário tomar as devidas precauções para retirar o excesso de calor
produzido; quando são endotérmicas, há necessidade de fornecer energia ao sistema, a
fim de garantir que a temperatura necessária ao desenvolvimento das reacções se
mantenha.
De uma forma genérica o balanço de massas num reactor químico, expresso pela
equação de conservação de massa, escreve-se:
( )
i o
k k
k k
d
V m m
dt
ρ = −
∑ ∑
(1.44)
em que
i
k
m – massa de cada produto que entra no reactor, por unidade de tempo,
o
k
m – massa de cada produto que sai, por unidade de tempo,
V – volume da mistura no reactor,
ρ – massa volúmica da mistura.




P
AB

T
A

T
B

R
θ
AB
1 - SISTEMAS NÃO LINEARES
Pág. 22 – Escola Superior de Tecnologia de Setúbal – Controlo Não Linear – Gustavo da Silva


A equação do balanço de energia é quase sempre mais complexa que a anterior, uma
vez que envolve a energia associada às massas que entram e saem, a energia recebida ou
perdida por convexão e por radiação, e a energia produzida pela própria reacção:

Variação Energia que Energia Energia Energia
da energia entra com que sai com desenvolvida trocada com
acumulada os produtos os produtos na reacção o exterior
| | | | | | | | | |
| | | | |
= − + ±
| | | | |
| | | | |
\ . \ . \ . \ . \ .
(1.45)
1.5. Modelo de estado
De entre os diversas formas analíticas de representar um sistema linear ou não linear,
contínuo ou discreto, salientam-se a descrição entrada-saída e o modelo de estado.
A descrição entrada-saída é mais cómoda de utilizar quando se trata de sistemas
lineares, em que pode recorrer-se aos domínios transformados s ou z e utilizar as
ferramentas dos sistemas lineares. Tem, o inconveniente de nada revelar sobre a
estrutura interna do sistema nem sobre a evolução das variáveis internas. Isto, para os
sistemas lineares não é tão grave como para os não lineares, pois naqueles as variáveis
internas não se podem tornar infinitas sem que tal comportamento seja observado na
saída. Nos sistemas não lineares, pelo contrário, uma ou mais variáveis internas podem
divergir para infinito sem que tal seja observado na saída. Por esta razão, e pelo facto
de não se dispôr do conceito de função de transferência, associada à descrição entrada-
-saída, é mais corrente utilizar-se a representação por meio de modelo de estado.
Embora seja possível obter o modelo de estado de um sistema a partir da sua equação
diferencial, que afinal não é mais do que uma representação entrada/saída, tal
procedimento não revela os modos internos do sistema. Daí que o modelo de estado
deva ser obtido directamente a partir das considerações que levam à escrita das
equações do sistema.

1.5.1. Modelo de estado, sistema contínuo
Chama-se estado de um sistema a um conjunto de variáveis x
i
(t) que, juntamente com as
variáveis de entrada u
j
(t), e a partir de um valor inicial x
i
(t
0
), definem completamente o
comportamento desse sistema, utilizando um sistema de equações diferenciais escalares
de 1ª ordem do tipo

1 1 1 2 1 2
2 2 1 2 1 2
1 2 1 2
( )= [ ( ), ( ), , ( ), ( ), ( ), , ( ), ]
)= [ ( ), ( ), , ( ), ( ), ( ), , ( ), ]
)= [ ( ), ( ), , ( ), ( ), ( ), , ( ), ]
n p
n p
n n n p
x t f x t x t x t u t u t u t t
x t f x t x t x t u t u t u t t
x t f x t x t x t u t u t u t t
¦
¦
¦
´
¦
¦
¹
" "
" "
"
" "
(1.46)

1- SISTEMAS NÃO LINEARES


Escola Superior de Tecnologia de Setúbal – Controlo Não Linear – Gustavo da Silva – Pág. 23
com

1 10
2 20
0
(0)=
(0)=
(0)=
n n
x x
x x
x x
¦
¦
¦
´
¦
¦
¹
"
(1.47)

As variáveis x
i
(t), designam-se por variáveis de estado. Dá-se o nome de ordem do
sistema ao número mínimo de variáveis suficientes para definir o sistema.
Nem sempre as variáveis de saída de um sistema y
j
(t), coincidirão com as variáveis de
estado. De uma forma genérica existirá a relação

1 1 1 2 1 2
2 2 1 2 1 2
1 2 1 2
( )= [ ( ), ( ), , ( ), ( ), ( ), , ( ), ]
( )= [ ( ), ( ), , ( ), ( ), ( ), , ( ), ]
)= [ ( ), ( ), , ( ), ( ), ( ), , ( ), ]
n p
n p
q q n p
y t h x t x t x t u t u t u t t
y t h x t x t x t u t u t u t t
y t h x t x t x t u t u t u t t
¦
¦
¦
´
¦
¦
¹
" "
" "
"
" "
(1.48)

As equações (1.46) a (1.48) podem escrever-se de uma forma mais compacta.
Introduzindo os conceitos de vector de estado, vector de entrada e vector de saída
respectivamente definidos por

1 1 1
2 2 2
( ) ( ) ( )
( ) ( ) ( )
( ) ( ) ( )
( ) ( ) ( )
p q n
u t y t x t
u t y t x t
t t t
u t y t x t



= = =




x u y
" " "
(1.49)
e os vectores

1 1 2 1 2
2 1 2 1 2
1 2 1 2
[ ( ), ( ), , ( ), ( ), ( ), , ( ), ]
[ ( ), ( ), , ( ), ( ), ( ), , ( ), ]
( , , )
[ ( ), ( ), , ( ), ( ), ( ), , ( ), ]
n p
n p
n n p
f x t x t x t u t u t u t t
f x t x t x t u t u t u t t
t
f x t x t x t u t u t u t t



=




f x u
" "
" "
"
" "
(1.50)
e

1 1 2 1 2
2 1 2 1 2
1 2 1 2
[ ( ), ( ), , ( ), ( ), ( ), , ( ), ]
[ ( ), ( ), , ( ), ( ), ( ), , ( ), ]
( , , )
[ ( ), ( ), , ( ), ( ), ( ), , ( ), ]
n p
n p
q n p
h x t x t x t u t u t u t t
h x t x t x t u t u t u t t
t
h x t x t x t u t u t u t t



=




h x u
" "
" "
"
" "
(1.51)

1 - SISTEMAS NÃO LINEARES
Pág. 24 – Escola Superior de Tecnologia de Setúbal – Controlo Não Linear – Gustavo da Silva

podem escrever-se as seguintes equações vectoriais, designadas por modelo de estado
do sistema.

( ) [ ( ), ( ), ]
( ) [ ( ), ( ), ]
(0)
t t t t
t t t t
=
¦
¦
=
´
¦
=
¹ 0
x f x u
y h x u
x x

(1.52)
a)
b)
c)

em que x ∈ D
x

n
⊂ \ , u ∈ D
u

p
⊂ \ , y ∈ D
y

q
⊂ \ e t ∈
+
\ .

A equação (1.52)a designa-se por equação de estado do sistema, a equação (1.52)b) por
equação de saída e a equação (1.52)c) representa o valor inicial do estado (condições
iniciais).
O sistema representado deste modo diz-se de uma única variável se tiver uma única
variável escalar de entrada e uma única variável escalar de saída, ou seja, as dimensões
de u(t) e y(t) são iguais a 1×1 (p=1, q=1). Na literatura anglo-saxónica estes sistemas
designam-se por sistemas SISO (Single Input, Single Output). O sistema designa-se
multivariável se tiver mais do que uma variável de entrada ou mais do que uma variável
de saída, ou seja, nas dimensões de u(t) e y(t), iguais respectivamente a p×1 e q×1, é
p>1ou q>1. São os chamados sistemas MIMO (Multiple Input, Multiple Output).
Se não dispuser de nenhuma variável de entrada, ou se o valor desta for identicamente
nulo, o sistema diz-se não forçado ou em regime livre. Para um sistema em regime livre
tem-se a equação de estado:
( ) [ ( ), ] t t t = x f x (1.53)
Sempre que as funções f e h de um sistema em regime livre não dependam
explicitamente do tempo o sistema diz-se autónomo. Para um sistema invariante no
tempo o modelo de estado escreve-se:

( ) [ ( ), ( )]
( ) [ ( ), ( )]
(0)
t t t
t t t
=
¦
¦
=
´
¦
=
¹ 0
x f x u
y h x u
x x

(1.54)
Para um sistema autónomo em regime livre tem-se

( ) [ ( )]
( ) [ ( )]
(0)
t t
t t
= ¦
¦
=
´
¦
=
¹ 0
x f x
y h x
x x

(1.55)
As equações (1.52) podem representar-se graficamente, como se indica na Fig. 1.14.





1- SISTEMAS NÃO LINEARES


Escola Superior de Tecnologia de Setúbal – Controlo Não Linear – Gustavo da Silva – Pág. 25









Fig. 1.14 – Modelo de estado de um sistema não linear contínuo

1.5.2. Modelo de estado discreto
Para sistemas discreto, os conceitos são semelhantes aos apresentados para os sistemas
contínuos, com a particularidade de em vez da variável tempo contínuo t ∈\
+
se ter o
tempo discreto k ∈ ]
+
; em vez de uma equação diferencial vectorial de 1ª ordem
existe uma equação às diferenças, vectorial, também de 1ª ordem. O modelo de estado
assume assim a forma:

( 1) [ ( ), ( ), ]
( ) [ ( ), ( ), ]
(0)
k k k k
k k k k
+ = ¦
¦
=
´
¦
=
¹ 0
x g x u
y h x u
x x
(1.56)
a)
b)
c)

que se encontra esquematizado na Fig. 1.15, e em que q
-1
representa o operador atraso,
definido por

1
[ ( )] ( 1) q k k

= − x x (1.57)










Fig. 1.15 – Modelo de estado de um sistema não linear discreto





t
h
x(t)
y(t)
( ) t x

dt (.) f
u(t)
k
h
x(k)
y(k)
( 1) k + x
g
u(k)
q
-1

1 - SISTEMAS NÃO LINEARES
Pág. 26 – Escola Superior de Tecnologia de Setúbal – Controlo Não Linear – Gustavo da Silva

1.5.3. Obtenção da trajectória
1.5.3.1. Métodos numéricos
A obtenção da trajectória de um sistema utilizando métodos numéricos, não é mais do
que a obtenção da solução do sistema e sua representação gráfica. Quer se trate de
sistema contínuos ou discretos, há toda a vantagem em representar o sistema por meio
do seu modelo de estado. Com efeito este tem a vantagem de efectuar a representação
sob a forma de uma equação n-vectorial de 1ª ordem, cuja solução pode ser obtida de
forma recursiva. Para a obtenção da solução convirá distinguir o caso dos sistema
discretos e o dos sistema contínuos. Os primeiros são mais fáceis de processar do que os
últimos, que têm que ser previamente discretizados para que se possa obter a solução.
1.5.3.1.1 Sistemas discretos
Considere-se o sistema discreto representado pelo modelo de estado (1.56). Para
efectuar a integração numérica deste sistema deve proceder-se do seguinte modo:
a) Definir o valor das condições iniciais.
b) Obter a entrada inicial u(0). As entradas seguintes poderão ser definidas durante
a execução do algoritmo ou poderão ser pré-definidas aqui neste ponto.
c) A partir de um ciclo “for”, ou outro equivalente, calcular o estado no instante
posterior, x(k+1), e a saída no instante corrente y(k).
Exemplo 3
Obter a solução numérica do sistema discreto
1 2
2 1 2
( 1) 0.9 ( )
( 1) ( ) 0.1 ( )
x k x k
x k x k x k
+ =
¦
´
+ = − −
¹
sujeito às condições iniciais
1
2
(0) 0.2
(0) 0.8
x
x
=
¦
´
=
¹

Resolução
Vai utilizar-se o Matlab. Como neste programa os índices dos vectores não podem ser
negativos nem nulos, as condições iniciais deverão escrever-se x
1
(1)=0.2 e x
2
(1)=0.8.
Este sistema encontra-se em regime livre pelo que u(k)=0, para todo o k (k≥1). O
sistema é invariante no tempo. Um programa para obter a solução será
x1(1)=0.2; x2(1)=0.8; % Condições iniciais
N=100; % Número de instantes discretos a considerar
for k=1:N-1, % Início do ciclo, com N-1 iterações
x1(k+1)=0.9*x2(k);
x2(k+1)=-x1(k)-0.1*x2(k);
end % Fim do ciclo
plot([x1' x2'])
Note-se que na primeira iteração, em que k=1, se calculam os valores de x
1
(2) e x
2
(2) a
partir das condições iniciais x
1
(1) e x
2
(1). Apenas se efectuam N-1 iterações porque se
deseja N valores do vector de estado. A última iteração calcula o estado no instante 100
(k=99, k+1=100). A última instrução, plot, permite a representação gráfica do estado
em função do tempo discreto, k.
1- SISTEMAS NÃO LINEARES


Escola Superior de Tecnologia de Setúbal – Controlo Não Linear – Gustavo da Silva – Pág. 27
Todos os sistemas representados por um modelo de estado discreto podem ter a solução
obtida por numericamente por este método, mesmo que sejam variantes no tempo ou
sujeitos a uma entrada u(k).
1.5.3.1.2 Sistemas contínuos
Seja um sistema contínuo representado pelo modelo de estado (1.52). Uma das formas
de integrar numericamente este sistema, ou seja, de obter x(t) e y(t), passa por
discretizá-lo previamente e a seguir obter a solução do sistema discretizado. Tal no
entanto não é necessário efectuar, uma vez que os programas de computador dispõem já
de algoritmos que fazem eles mesmos a discretização. A maior parte dos programas
exige que a descrição do sistema esteja feita sob a forma de modelo de estado, ou seja
de uma equação n-vectorial de 1ª ordem. Se a descrição do sistema estiver feita sob a
forma de uma equação diferencial é necessário efectuar a mudança de representação
para um modelo de estado.
Exemplo 4
Vai dar-se um exemplo em que se utiliza o Matlab para integrar o sistema
1 2 1 3
2 1 2 3
2 2 2
3 3 1 2 3
( )
( )
( )
x t x x x
x t x x x
x t x x x x
¦ = − +
¦
= +
´
¦
= − − − +
¹

sujeito às condições iniciais
1
2
3
(0) 0.5
(0) 2.0
(0) 0.1
x
x
x
=
¦
¦
= −
´
¦
=
¹

Resolução
O sistema dado deverá ser codificado num ficheiro, que será chamado “numerico_sist”:
O ficheiro começa com uma função, com o mesmo nome, para se poder efectuar a
passagem de parâmetros.
function xdot=numerico_sist(t,x)
xdot=zeros(3,1); % Valor inicial da derivada do estado
xdot(1)=-x(2)+x(1)*x(3);
xdot(2)=x(1)+x(2)*x(3);
xdot(3)=-x(3)-x(1)^2+x(3)^2;
Um 2º ficheiro, que é o que se deve correr, indica os intervalos de tempo, as condições
iniciais e o método de integração: a instrução ode45 é um dos algoritmos existentes.
t0=0; % Instante inicial
tf=50; % Instante final, em segundos
dt=0.1; % Intervalo de tempo para obtenção de valores
tpo=t0:dt:tf; % Vector contendo a variável tempo
x0=[0.5; -2.0; 0.1]; % Valor inicial do estado.
[t,x]=ode45('numerico_sist',tpo,x0); % Esta instrução
% integra o sistema definido no ficheiro “numerico_sist”
% acima referido, durante o tempo “tpo” e sujeito às
% condições iniciais “x0” dadas. Devolve o vector tempo
% t e o estado x calculado nos mesmos instantes.
plot(t,x); % Representação do estado em função do tempo

1 - SISTEMAS NÃO LINEARES
Pág. 28 – Escola Superior de Tecnologia de Setúbal – Controlo Não Linear – Gustavo da Silva

O Matlab dispõe de outros algoritmos para integrar sistemas além do ode45,
nomeadamente ode23, ode113, ode15s e ode23s. Estes dois últimos devem ser
utilizados se o sistema contiver variações muito rápidas comparadas com os intervalos
de tempo para os quais se pretende conhecer a solução.
1.5.4. Pontos de equilíbrio.
Os conceitos aqui apresentados são válidos quer para sistemas contínuos quer para
sistemas discretos. Apenas serão referidos a um ou outro tipo quando houver dúvidas na
interpretação. Chamam-se pontos de equilíbrio de um sistema aos valores do estado
tais que
( ) 0 (sistemas contínuos) t = x (1.58)
ou ( 1) ( ) (sistemas discretos) k k + = x x (1.59)
Um sistema não excitado (u=0), que inicie a sua trajectória num estado inicial x
0

coincidente com um ponto de equilíbrio, permanece indefinidamente nesse valor do
estado. Considere-se um sistema não excitado. A definição dada implica que os pontos
de equilíbrio de um sistema contínuo devem satisfazer a equação:
( , ) 0 t = f x (1.60)
A resolução desta equação vectorial permite determinar os pontos de equilíbrio. Para
um sistema contínuo linear e autónomo, descrito pela equação de estado
( ) ( ) t t = x Ax (1.61)
os pontos de equilíbrio obtêm-se calculando as raízes da equação
( ) 0 t = Ax (1.62)
Se a matriz A for regular, a equação (1.62) admite uma única solução, x(t) = 0. Se a
matriz for singular há um número infinito de pontos de equilíbrio, que formam um
hiperplano que passa pelo ponto x(t) = 0.
Um ponto de equilíbrio diz-se estável se após qualquer pequena perturbação o estado
não se afastar da vizinhança do ponto de equilíbrio. Os conceitos sobre a estabilidade de
pontos de equilíbrio serão apresentados adiante no Cap. 3.
1.5.5. Trajectórias e estabilidade
Designe-se por x(t; x
0
, t
0
) a solução da equação de estado (1.52) que tem início no
instante t = t
0
com as condições iniciais x
0
=x(t
0
).
No espaço n-dimensional D
x
n
⊂ \ , entre os instantes t
0
e t, a solução x(t; x
0
, t
0
) irá
descrever uma curva, chamada trajectória ou órbita do sistema.
A cada valor inicial x
0
está associada uma ou mais órbitas, consoante o sistema admita
uma ou mais soluções. No caso do sistema ser linear, a unicidade da solução da equação
de estado implica que a um determinado x
0
corresponde uma e uma só órbita. A tra-
jectória depende das condições iniciais (x
0
, t
0
). Uma trajectória diz-se estável se e só se

0 0 0 1 0 0 1 0 0
, 0 ( , ) 0 ( ; , ) ( ; , ) t t t t t t t t ε δ ε δ ε ∀ > ∃ > ∴ − < ⇒ − < ∀ ≥ x x x x x x (1.63)
1- SISTEMAS NÃO LINEARES


Escola Superior de Tecnologia de Setúbal – Controlo Não Linear – Gustavo da Silva – Pág. 29
1.6. Algumas não linearidades correntes
As não linearidades que a seguir se apresentam aparecem com muita frequência, quer
por se tratar de não linearidades naturais existentes sistemas reais, quer por serem
intencionalmente introduzidas nos sistemas de controlo com o fim de melhorar o seu
desempenho. Nesta secção serão apenas considerados sistemas com uma única variável
de entrada e uma única variável de saída.
1.6.1. Saturação
Muitos sistemas físicos exibem uma característica estática do tipo indicado na Fig. 1.16.
Nesta característica, que não será necessariamente simétrica em relação à origem, para
valores elevados de |u| tem-se ∆y/∆u ≈ 0, sendo pois a saída limitada. Diz-se que existe
saturação, ou que a saída se encontra saturada.








Fig. 1.16 – Característica da saturação.


A saturação ideal, representada na Fig. 1.17, é descrita analiticamente do modo

,
,
,
m m
m M
M M
y u u
y k u c u u u
y u u
< ¦
¦
= + ≤ ≤
´
¦
>
¹
(1.64)
em que y
m
=

y(u
m
) e y
M
=

y(u
M
). Qualquer dos valores y
m
ou y
M
pode ser positivo ou
negativo, com a condição y
m
< y
M
. Um dos valores, y
m
ou y
M
poderá ser infinito (em
módulo), mas apenas um deles.
A saturação aqui apresentada é muito corrente em dispositivos de controlo industrial.
Por exemplo, a relação entre o sinal de comando e a abertura de uma válvula é do tipo
indicado, com a gama de saída compreendida entre 0 e 100 %. É também corrente
introduzir-se na saída do controlador da válvula um módulo ou algoritmo que produza a
saturação com a finalidade, de não forçar a válvula para fora da gama.


Entrada, u
Saída, y
y
M
y
m
1 - SISTEMAS NÃO LINEARES
Pág. 30 – Escola Superior de Tecnologia de Setúbal – Controlo Não Linear – Gustavo da Silva










Fig. 1.17 – Característica da saturação ideal.


Um outro domínio em que aparece a característica saturação é a relação entre os campos
magnéticos B e H, ou, em máquinas eléctricas, entre a corrente eléctrica e o campo
magnético por ela criado. Neste caso a curva de saturação aparece normalmente
associada a uma outra não linearidade também muito comum, a histerese, que se
descreve adiante.
Em matemática define-se a função saturação, sat(.), por

1 , 1
( ) , 1 1
1 , 1
x
sat x x x
x
− < −
¦
¦
= − ≤ ≤
´
¦
>
¹
(1.65)
1.6.2. Zona Morta
A zona morta é uma não linearidade cuja característica, representada nas Fig. 1.18a e
Fig. 1.18b, pode ser de dois tipos, designados por tipo I e tipo II.












a) zona morta tipo I










b) zona morta tipo II

Fig. 1.18 – Características da zona morta.


y(u)
0 z
M
u
-z
M

y(u)
-z
M

0 z
M
u
y

y
M

y
m

u
m

u
M
u
1- SISTEMAS NÃO LINEARES


Escola Superior de Tecnologia de Setúbal – Controlo Não Linear – Gustavo da Silva – Pág. 31
Muitas vezes a zona morta é utilizada intencionalmente em sistemas de controlo para
enviar um sinal nulo do controlador para o actuador, quando a saída daquele é pequena.
Com este procedimento pode-se aumentar o tempo de vida de determinado tipo de
equipamentos mecânicos.
A relação entre y e u pode escrever-se, para os dois tipos de zona morta,
0,
Zona morta tipo I
,
M
M
u z
y
u u z
≤ ¦
=
´
>
¹
(1.66)
,
Zona morta tipo II 0 ,
,
M M
M M
M M
u z u z
y z u z
u z u z
+ < − ¦
¦
= − ≤ ≤
´
¦
− >
¹
(1.67)
1.6.3. Histerese
A histerese é uma não linearidade cuja descrição analítica é um pouco mais complicada
do que as anteriores, uma vez que faz intervir a história do sinal de entrada.
A Fig. 1.19 apresenta uma característica entrada-saída com histerese, admitindo que a
entrada varia de –u
M
a +u
M
.


Fig. 1.19 – Característica da histerese, em torno de u=0.


Supondo que a entrada u é sinusoidal de amplitude u
M
, quando u varia de –u
M
a +u
M

(ramo crescente de u), y varia de –y
M
a +y
M
seguindo a curva 1, 2, 3. Quando u diminui,
de +u
M
a –u
M
, y varia de +y
M
a –y
M
seguindo o ramo 3, 4, 1.
A dificuldade na definição matemática da histerese é que esta depende da amplitude do
sinal de entrada e do ponto de funcionamento. Assim, se para um sistema que exibe a
curva de histerese da Fig. 1.19 a função u(t) diminuir de amplitude no momento em que
se encontrava no ponto P, a curva de histerese muda, tomando o aspecto indicado na
Fig. 1.20.

u
y(u)
h
1
2
3
+y
M

- y
M

u
M
- u
M

4
1 - SISTEMAS NÃO LINEARES
Pág. 32 – Escola Superior de Tecnologia de Setúbal – Controlo Não Linear – Gustavo da Silva




Fig. 1.20 – Característica da histerese, em torno de P.


De uma forma simplista é costume representar a histerese em torno de u = 0 associada à
saturação, como indicado no diagrama ideal da Fig. 1.21, onde se admite que a
amplitude de u é igual a |u
M
|.




Fig. 1.21 – Característica ideal da histerese com saturação.


É a seguinte a expressão analítica da histerese ideal:
, 2
ramo crescente: , 2
,
M M
M M
M M
y u u h
y u h u h u u
y u u
− < − + ¦
¦
= − − + ≤ ≤
´
¦
>
¹
(1.68)
, 2
ramo decrescente: , 2
,
M M
M M
M M
y u u h
y u h u u u h
y u u
> −
¦
¦
= + − ≤ ≤ −
´
¦
− < −
¹
(1.69)

u
y(u)
P

y

y
M
-y
M

-u
M
-u
M
+2h
u u
M
-2h u
M
0
h
1- SISTEMAS NÃO LINEARES


Escola Superior de Tecnologia de Setúbal – Controlo Não Linear – Gustavo da Silva – Pág. 33
1.6.4. Folga
Este tipo de não linearidade, designada em Inglês por backlash, deve o seu nome ao
facto de ser muito comum em sistemas mecânicos em que os elementos não se ajustam
perfeitamente, isto é, sistemas com folgas mecânicas. Um destes sistemas em que a
folga é vulgar é o desmultiplicador de velocidade com rodas dentadas apresentado na
Fig. 1.22 (ver também a 1ª figura do Probl. 1.2).




Fig. 1.22 – Sistema de rodas dentadas com folga


Como para o caso da histerese, a descrição analítica da folga a partir da característica
y(u) torna-se difícil de efectuar, uma vez que depende da história de u e da sua
amplitude.
Na Fig. 1.23 faz-se uma representação gráfica da característica entrada-saída de um
sistema com folga. Esta está condicionada à evolução de u.




Fig. 1.23 – Característica entrada-saída de um sistema com folga.



y

y
M
-y
M
-u
M

u
M

0 1
5
4
3 2
u h/2
roda motriz
roda accionada
h
1 - SISTEMAS NÃO LINEARES
Pág. 34 – Escola Superior de Tecnologia de Setúbal – Controlo Não Linear – Gustavo da Silva


Admita-se que o sinal de entrada no sistema com folga é alternado sinusoidal de
amplitude u
M
. Admita-se ainda que este sinal tem início no instante t
0
como sinal
crescente e que no instante inicial a folga se encontra meio vencida. Enquanto a
amplitude de u cresce de 0 a h/2 vai-se vencer a restante folga e consequentemente a
saída y é nula. É a transição 0→1 indicada na figura. Continuando u a crescer, o valor
de y vai acompanhar o de u, atrasado de h/2, ou, como estamos a admitir ganho 1
(inclinação a 45º), diminuído de h/2. É a transição 1→2 indicada na figura.
Convém aqui frisar a diferença entre a histerese e a folga. A histerese é acompanhada de
saturação, enquanto na folga a saturação não existe. A folga só se vai manifestar quando
u mudar de sentido, independentemente da sua amplitude.
O sinal de entrada aumentou até ao seu valor máximo u
M
e vai começar a diminuir, de
uma forma monótona. Os primeiros instantes da diminuição do sinal de entrada vão ser
para compensar a folga, e portanto a saída não varia. Mais concretamente, enquanto u
diminui de u
M
até u
M
- h a amplitude de y mantém-se constante e igual a y
M
. É a
transição 2→3 da figura. Continuando u a diminuir, o valor de saída irá diminuir,
seguindo o ramo 3→4, atingindo-se o ponto 4 quando a amplitude do sinal tiver o seu
valor mínimo - u
M
. Aqui o sinal de u muda de sentido e, como na transição 2→3, a
nova transição 4→5 é destinada a vencer a folga. A resposta y segue agora o ramo
5→1→2, não se voltando ao ponto 0.
Note-se que na característica da folga são possíveis quaisquer pontos entre as rectas
paralelas representadas a traço interrompido, que enquadram o losango apresentado,
desde que haja mudança no sentido de u. Repare-se ainda que se a amplitude u
M
do sinal
de entrada for inferior a h/2 a saída y é sempre nula.

Indica-se a seguir a expressão analítica da folga.

0 0 / 2 1º ramo ascendente (inicial)
- / 2 / 2 1º ramo ascendente de u
1º ramo descendente
/ 2 2º ramo descendente
2º ramo ascendente
/ 2 3º ramo ascend
M
M M M
M M
M M M
M M
u h
u h h u u
y u h u u
y
u h u u u h
y u u u h
u h u h u u
≤ ≤
< <
− ≤ ≤
=
+ − < < −
− − ≤ ≤ − +
− − + < < ente
¦
¦
¦
¦
¦
´
¦
¦
¦
¦
¹
(1.70)

Na Fig. 1.24 representa-se a evolução temporal do sinal de entrada, u, e do sinal de
saída, y, de um sistema com folga, admitindo a entrada sinusoidal. Repare-se no atraso
introduzido e no patamar no sinal de saída.
A folga aparece também em sistemas mecânicos accionados por correntes, sendo
notória quando estas não se encontram suficientemente tensas.



1- SISTEMAS NÃO LINEARES


Escola Superior de Tecnologia de Setúbal – Controlo Não Linear – Gustavo da Silva – Pág. 35












Fig. 1.24 – Sinais de entrada e de saída num sistema com folga h.

1.6.5. Atrito Estático
Este tipo de não linearidade, se bem que originário da mecânica, aparece também em
dispositivos electro-mecânicos e electrónicos.
A sua descrição elementar pode ser associada ao fenómeno bem conhecido de que para
arrastar uma caixa que se encontra em repouso sobre o chão é necessário efectuar uma
força maior enquanto esta está em repouso, sendo depois suficiente para manter o
movimento, uma força de valor inferior. A expressão analítica que representa a relação
entre a força aplicada ao sistema e a sua posição, x, pode escrever-se de uma forma ideal

0, 0
0
x
y
kF x
≠ ¦
=
´
=
¹

(1.71)
em que x representa a velocidade do corpo pertencente ao sistema com esta
característica.

1.6.6. Característica liga/desliga ou “on/off”
Este tipo de não linearidade, representado na Fig. 1.25 tem como descrição analítica:

, 0
não definido 0
0
M u
y u
M u
− <
¦
¦
= =
´
¦
>
¹
(1.72)
Em matemática define-se a função liga/desliga, sgn(x), por

1, 0
sgn( ) 0 , 0
1 , 0
u
x u
u
− < ¦
¦
= =
´
¦
>
¹
(1.73)


u(t)
U
y(t)
h
h
1 - SISTEMAS NÃO LINEARES
Pág. 36 – Escola Superior de Tecnologia de Setúbal – Controlo Não Linear – Gustavo da Silva




Fig. 1.25 – Característica tipo liga-desliga.


Esta característica é muito utilizada em controladores do tipo liga/desliga. Assim, para
controlar a temperatura de uma sala que perde calor, utilizando um aquecedor eléctrico,
é comum utilizar um controlador que

liga, se a temperatura da sala for menor do que a temperatura desejada,
desliga, se a temperatura for maior do que a temperatura desejada.

A fim de evitar que o contactor que permite o fornecimento de energia ao aquecedor
esteja continuamente a actuar é costume associar este tipo de não linearidade à histerese,
de forma a ter-se a característica indicada na Fig. 1.26.





Fig. 1.26 – Característica tipo liga-desliga, com histerese.



y


M


-h h



-M
u
y
y
M
0
-y
M

u
1- SISTEMAS NÃO LINEARES


Escola Superior de Tecnologia de Setúbal – Controlo Não Linear – Gustavo da Silva – Pág. 37

A Fig. 1.27 representa o resultado do controlo de temperatura de uma sala utilizando
um aquecedor eléctrico e um controlador liga-desliga com histerese.
Note-se que quanto menor for a zona morta menor é o erro obtido no controlo da
temperatura. No entanto este erro pequeno é conseguido à custa de ligar e desligar mais
vezes o aquecedor, o que pode diminuir o seu tempo de vida, bem como o do respectivo
contactor. Na prática há pois que escolher uma solução de compromisso.













Fig. 1.27 – Controlo liga-desliga, da temperatura de uma sala.

1.7. Problemas resolvidos
Probl. 1.1
Classifique, no que respeita à linearidade/não linearidade, os sistemas descritos pela
seguintes equações (t–contínuo, n–discreto):
a)
2
( ) 0.1 ( ) 0.5 ( ) y t y t x t + = b) ( ) 0.1 ( ) 0.5 ( 2) y t y t x t + = −
c) ( ) ( ) 0.5 ( ) y t t y t x t + = d)
0
( ) ( )
t
y t x d τ τ =


e)
2
( ) ( ) ( ) y t y t x t + = f)
0
( ) 1 ( )
t
y t x d τ τ = +


g) ( ) 0.2 ( 1) ( ) y n y n x n + − = h) ( 1) ( ) ( )
j n
y n e y n x n
π −
+ + =
Resolução:
Um sistema linear é todo aquele que satisfaz o princípio da sobreposição:
1 1
x y → ,
2 2
x y → ⇔
1 1 2 2 1 1 2 2
x a x a x y a y a y = + → = +
a) Representando o sistema de forma mais abreviada:
2
0.1 0.5 y y x + = .
Excitado por x
1
origina y
1
tal que
2
1 1 1
0.1 0.5 y y x + = (1)
Excitado por x
2
origina y
2
tal que
2
2 2 2
0.1 0.5 y y x + = (2)
Multiplicando a eq.(1) por a
1
, a eq. (2) por a
2
e somando obtém-se
2 2
1 1 2 2
0.1 0.5( ) y y a x a x + = + (3)
referênciaÆ
temperatura
ligado
desligado
t
t
2h
1 - SISTEMAS NÃO LINEARES
Pág. 38 – Escola Superior de Tecnologia de Setúbal – Controlo Não Linear – Gustavo da Silva

No entanto o sistema excitado por a
1
x
1
+ a
2
x
2
origina y

tal que
2
1 1 2 2
0.1 0.5( ) y y a x a x + = + =
2 2 2 2
1 1 2 2 1 2 1 2
0.5 0.5 a x a x a a x x + + . Mas esta quantidade é
diferente da obtida em (3). Logo o sistema não é linear.
Como critério prático não será necessário utilizar a definição para verificar se o
sistema é linear ou não: basta verificar, para que seja não linear, a existência de
potências (diferentes de 1), produtos de variáveis de entrada, de saída ou de estado,
exponenciais, logaritmos, funções trigonométricas, etc. Derivadas e integrais são
lineares. Adição de constantes originam não linearidades. Um tempo de atraso não
implica não linearidade. Utilizando este critério, a presença do termo quadrático
2
0.5x indica a não linearidade do sistema.
b) ( ) 0.1 ( ) 0.5 ( 2) y t y t x t + = − . Usando o critério prático que se acaba de expor,
constata-se que apenas aparece um atraso. Logo o sistema é linear.
c) ( ) ( ) 0.5 ( ) y t t y t x t + = . O critério exposto não refere o produto pela variável tempo,
pelo que se vai utilizar a definição:

1 1 1 1
2 2 2 2
0.5 ( )
0.5 ( )
y t y x a
y t y x a
+ = ×
¦
´
+ = ×
¹

1 1 2 2 1 1 2 2 1 1 2 2
( ) ( ) 0.5( ) a y a y t a y a y a x a x + + + = +
Logo, o sistema é linear.
d)
0
( ) ( )
t
y t x d τ τ =

. Pelo critério prático apresentado em a) o sistema é linear.
e)
2
( ) ( ) ( ) y t y t x t + = . Pelo critério prático não há produtos de variáveis de entrada, de
saída ou de estado. Mas a variável tempo aparece ao quadrado. Para verificar sobre a
linearidade aplique-se a definição:

2
1 1 1 1
2
2 2 2 2
( ) ( ) ( ) ( )
( ) ( ) ( ) ( )
y t y t x t a
y t y t x t a
¦ + = ×
¦
´
+ = ×
¦
¹

2 2
1 1 2 2 1 1 2 2 1 1 2 2
[ ( ) ( )] [ ( ) ( )] [ ( ) ( )] a y t a y t a y t a y t a x t a x t + + + = +
Logo, o sistema é linear.
f)
0
( ) 1 ( )
t
y t x d τ τ = +

. Uma vez que há a adição de uma constante a uma variável (ou
ao seu integral ou à sua derivada), o sistema é não linear.
g) ( ) 0.2 ( 1) ( ) y n y n x n + − = . Trata-se de um sistema discreto. Apenas as variáveis são
tomadas em instantes distintos (n, n-1). Logo o sistema é linear.
h)
π
( 1) ( ) ( )
j n
y n e y n x n

+ + = . Este problema é análogo ao da alínea c), para o caso
discreto. Deixa-se a cargo do leitor utilizar a definição para mostrar que o sistema é
linear.




1- SISTEMAS NÃO LINEARES


Escola Superior de Tecnologia de Setúbal – Controlo Não Linear – Gustavo da Silva – Pág. 39
Probl. 1.2
Considere um sistema mecânico constituído por duas rodas dentadas iguais com 3,0 º
de folga. A roda motriz descreve um movimento alternado em rampa (sinal triangular)
com a frequência de 0.125 Hz e a amplitude compreendida entre –30º e +30º. Designe
por θ
1
a posição da roda motriz e por θ
2
a da roda accionada. Admita que no instante
inicial θ
1
=0 e que a folga se encontra meio vencida.
a) Escreva as expressões analíticas que representam, nos primeiros 6 segundos, a
posição das duas rodas em função do tempo.
b) Faça uma representação que mostre a característica θ
2

1
). Sobre os gráficos
represente os valores numéricos correspondentes ao seu problema.
c) Qual o atraso, em graus, introduzido por este sistema, e qual a sua não linearidade?
Resolução:
Desenhando as rodas dentadas e as variáveis de posição θ
1
e θ
2
(figura seguinte)
















1 1
θ θ ( ) t = ,
2 2
θ θ ( ) t = , folga=α Na figura as condições iniciais são
1
θ 0 = e
2
θ 0 = .
Supondo R
1
=R
2
pode fazer-se a seguinte representação gráfica:












+30º
-30º
τ

T
T/4
t
1.5º
θ
1

θ2
R
1
θ
1

θ
2

R
2

P
1
P
2

×
×
1 - SISTEMAS NÃO LINEARES
Pág. 40 – Escola Superior de Tecnologia de Setúbal – Controlo Não Linear – Gustavo da Silva

Cálculo de τ:
1
s=8s
0.125
T = . À amplitude de 30º corresponde T/4=2 s. Como τ
corresponde a um deslocamento angular de 1,5 º (ver figura), tem-se
1.5
/ 4 30 T
τ
= Æ 0.1s τ = .
a) Expressão analítica de θ
1
(t) e de θ
2
(t) nos primeiros 6 segundos = 3T/4 (ver figura):
1
0 / 4
( )
( / 2) / 4 3 / 4
tk t T
t
k t T T t T
θ
≤ < ¦
=
´
− − ≤ <
¹

Para t=T/4 é θ
1
=30º Æ k=15 º/s e portanto
1
15 0 2
( )
15( 4) 2 6
t t s
t
t t s
θ
≤ < ¦
=
´
− − ≤ <
¹

A expressão analítica de θ
2
(t) é análoga à de θ
1
(t), com inclinações semelhantes, apenas
é preciso tomar em consideração os patamares. Observando a figura pode concluir-se:

θ
2
(t) =
0 0 0.1s
15( 1) 0.1 2s
28.5 2 2.2s
-15(t-4) 2.2 6s
-28.5 6 6.2s
t
t t
t
t
t
≤ ≤ ¦
¦
− ≤ ≤
¦
¦
≤ ≤
´
¦
≤ ≤
¦
≤ ≤
¦
¹


b) Característica entrada-saída, θ
2

1
)












c) Atraso e não linearidade
O atraso introduzido corresponde a metade da folga: τ=0.1 s
Não linearidade: % 100%
desvio
NL
curso
= × =
1.5
100%
60
× = 2.5 %.
Nota: o desvio é o desvio da característica em relação à recta que melhor a aproxima,
que na figura se encontra representada a traço interrompido e passando pela origem.


θ
2

-28.5
30 θ
1

28.5
30
-30
1- SISTEMAS NÃO LINEARES


Escola Superior de Tecnologia de Setúbal – Controlo Não Linear – Gustavo da Silva – Pág. 41
1.8. Problemas propostos
Probl. 1.3
A evolução de uma população é descrita pelo seguinte modelo:
( )
( ) (1 ) ( )
x t
x t a x t
c
= +
em que a e c são constantes positivas.
a) Determine analiticamente x(t). Considere x(0) = x
0
≠ 0.
b) Calcule o tempo de escape do sistema.
c) Com o auxílio do MatLab, fazendo a = 0.5, c = 0.5 e x
0
= 0.5, obtenha a solução da
equação dada para 0 < t < 10 s. Utilize a função “ode45”. Faça um gráfico da solução
x(t) obtida em a) e compare com o resultado obtido.

Probl. 1.4
Considere a equação seguinte, que representa de uma forma muito simples a velocidade
de um veículo subaquático.
mv k v v u + =
a) Obtenha a solução, para u = 1 N, para velocidades positivas e negativas; v(0)=0.
b) Idem, para u = 10 N. Compare os resultados e comente.

Probl. 1.5
Considere um pêndulo simples, ligado por meio de uma haste rígida, sem
amortecimento.
a) Obtenha um modelo que o represente.
b) Determine os seus pontos de equilíbrio, indicando qual a sua estabilidade.
c) Em que condições é que o sistema pode ser considerado linear?

Probl. 1.6
Muitos dos sistemas físicos não lineares podem ser descritos por uma equação
diferencial de ordem n do tipo
1
1
( ) ( )
[ , ( ), ( ),..., , ( )]
n n
n n
d y t d y t
f t y t y t u t
dt dt


=
onde y(t) e u(t) são a saída e a entrada do sistema (escalares).
a) Obtenha um modelo de estado para este modelo.
b) Indique como determinaria os pontos de equilíbrio.
Sugestão: Utilize como variáveis de estado x
n
(t)=y
(n-1)
(t)




1 - SISTEMAS NÃO LINEARES
Pág. 42 – Escola Superior de Tecnologia de Setúbal – Controlo Não Linear – Gustavo da Silva

Probl. 1.7
Obtenha um modelo de estado para o sistema físico não linear descrito pela equação
( ) ( 1) ( 2)
1 2
( ) [ , ( ), ( ),..., ( ), ( )] [ , ( ), ( ),..., ( )] ( )
n n n
y t f t y t y t y t u t f t y t y t y t u t
− −
= −
onde y(t) e u(t) são a saída e a entrada do sistema (escalares).
Sugestão: Utilize como variáveis de estado
( 1) ( 2)
2
( , , ,..., )
n n
n
x y f t y y y u
− −
= −

Probl. 1.8
Determine os pontos de equilíbrio dos seguintes sistemas:
a)
1 2
3
2 1 1 2
0.2
x x
x x x x
=
¦
´
= − + −
¹

b)
1 1 2
2 3
2 1 2 1 1
0.1 2 0.8 0.1
x x x
x x x x x
= − +
¦
´
= − − −
¹

c)
1 2
2 2
2 1 2 1 2
(1 3 2 )
x x
x x x x x
=
¦
´
= − + − −
¹

d)
2 2
1 1 2 1 2
2 2
2 1 2 1 2
( )( 1)
( )( 1)
x x x x x
x x x x x
¦ = − + −
¦
´
= + + −
¦
¹

e)
2 2
2 2
(1 )
(1 )
x y x y
y x x y
¦ = − − −
¦
´
= − −
¦
¹

Probl. 1.9
Considere um reservatório para água controlado por um controlador “liga/desliga” com
histerese. O reservatório tem um diâmetro de 5 m e uma capacidade de 200 m
3
. O “set-
-point” do controlador é de 80 % da altura máxima e a histerese é de 10 cm. Os
consumidores debitam uma média de 100 l/s e a alimentação do reservatório, onde se
encontra a válvula de controlo, fornece um caudal de 200 l/s. Nestas condições faça uma
representação gráfica, completada com valores numéricos, em que se indique
a) A evolução do nível do tanque.
b) O caudal de alimentação e a respectiva abertura da válvula.

Probl. 1.10
Considere o sistema discreto representado pela seguinte equação às diferenças:
1 2
2 1 2
( 1) ( ) ( )
( 1) 0.3 ( ) 0.6sen[ ( )]
x n x n u n
x n x n x n
+ = + ¦
´
+ = +
¹

a) Obtenha uma representação entrada/saída do sistema, considerando y(n)=x
2
(n).
b) Através da definição, conclua sobre a linearidade do sistema.
43



2. SISTEMAS DE 2ª ORDEM

2.1. Introdução
Num sistema de 2ª ordem o vector de estado contém apenas duas componentes. Se estes
sistemas forem autónomos e sem entradas exteriores, o estudo do vector de estado, que
residirá num plano, o plano de estado, permite obter uma compreensão global, do
comportamento do sistema.
Designem-se as duas componentes da variável de estado por x
1
e x
2
. De uma forma
geral
1
x ∈\ e
2
x ∈\. Um sistema deste tipo que admita representação por meio de um
modelo de estado, será descrito pelo sistema de equações de estado escalares

1 1 1 2
2 2 1 2
( ) [ ( ), ( )]
( ) [ ( ), ( )]
x t f x t x t
x t f x t x t
=
¦
´
=
¹

(2.1)
com t
+
∈\ e f
1
e f
2
funções suaves de x
1
e de x
2

(1)
. As equações acima, juntamente
com as condições iniciais

1 10
2 20
(0)
(0)
x x
x x
= ¦
´
=
¹
(2.2)
definem a evolução do estado do sistema, ou seja, o seu comportamento.
Embora possa parecer que o estudo desta classe de sistemas é pouco genérica, a sua
importância advém de nela estarem representados os regimes livres dos sistemas de 2ª
ordem de uma variável de entrada e uma variável de saída, muito comuns na descrição
de sistemas físicos.
Designa-se por órbita a trajectória de x(t) no espaço das variáveis de estado. Uma vez
que o sistema (2.1) utiliza uma variável de estado com apenas duas componentes, que
por simplicidade são designadas por variáveis de estado, a órbita

1 2
( , ) 0 g x x = (2.3)
é uma órbita plana. A sua representação existe e é única.
Ao conjunto de todas as órbitas (mesmo no caso em que há mais de duas variáveis de
estado) dá-se o nome de retrato de fase do sistema; ao espaço onde as órbitas se
encontram definidas chama-se espaço de fases.
No caso dos sistemas em estudo, em que a órbita é plana, o espaço de fases é designado
por plano de fases ou plano de estado.


1
Designa-se suave toda a função diferenciável até à ordem que for necessária para os cálculos. Se a
função for diferenciável até à ordem p designa-se por função de classe C
p
e se for indefinidamente
diferenciável designa-se por função de classe C

.
2. SISTEMAS DE 2ª ORDEM
Pág. 44 – Escola Superior de Tecnologia de Setúbal – Controlo Não Linear – Gustavo da Silva
Em sistemas de ordem superior à 2ª não é possível efectuar uma representação gráfica
de todo o retrato de fase; o que correntemente se faz é representar as órbitas mais
significativas, em número suficiente para se poder concluir, por simples observação,
como é que qualquer outra órbita se comportará. A esta representação chama-se esboço
do retrato de fase. Para se efectuar o esboço do retrato de fase podem utilizar-se
métodos analíticos, métodos gráficos ou então métodos numéricos, com o auxílio de um
computador. Os métodos que a seguir serão descritos aplicam-se também a sistemas
com mais de duas variáveis de estado, embora a complexidade da representação gráfica
daí resultante seja elevada. Também se aplicam a sistemas de 1ª ordem, com uma
entrada e uma saída, ficando neste caso o retrato de fase reduzido a uma curva.
2.2. Análise qualitativa dos sistemas lineares
Considere-se um sistema linear de 2ª ordem, representado pelas equações de estado

1 1 1 1 2
2 2 1 2 2
( ) ( ) ( )
( ) ( ) ( )
x t a x t b x t
x t a x t b x t
= + ¦
´
= +
¹

(2.4)
com t
+
∈\ e ,
i j
a b ∈\ e constantes. As equações acima, juntamente com as condições
iniciais (2.2) definem o comportamento do sistema, ou seja a evolução do seu estado.
(2.4)Para facilitar a obtenção da solução deste sistema faça-se a transformação desta
representação numa equação diferencial de 2ª ordem. Derivando (2.4) , substituindo no
resultado
2
x dado por (2.4) , reagrupando, dando novos nomes simplificados às
constantes e fazendo x
1
(t) = x(t), obtém-se
( ) ( ) 0 x t bx cx t + + = (2.5)
Para obter a solução desta equação é necessário em primeiro lugar obter as soluções da
equação característica correspondente,

2
0 b c λ λ + + = (2.6)
que são

2 2
1 2
4 4
e
2 2
b b c b b c
λ λ
− + − − − −
= = (2.7)
sendo a solução de (2.5) dada por

1 2
1 2 1 2
( )
t t
x t k e k e se
λ λ
λ λ = + ≠ (2.8)
ou por

1 1
1 2 1 2
( )
t t
x t k e k te se
λ λ
λ λ = + = (2.9)
Os valores das constantes k
1
e k
2
podem ser obtidos a partir das condições iniciais e das
equações (2.8)/(2.9) e suas derivadas, fazendo nelas t = 0.
Chama-se a atenção para o facto de as raízes do polinómio característico serem os
valores próprios da matriz A do sistema linear (2.4). Consoante os valores que λ
1
e λ
1

possam ter, assim a evolução das soluções. São de salientar os casos analisados a seguir.

a)
b
a)
b)
2. SISTEMAS DE 2ª ORDEM
Escola Superior de Tecnologia de Setúbal – Controlo Não Linear – Gustavo da Silva – Pág. 45
2.2.1. Valores próprios distintos (λ
1
≠λ
2
)
2.2.1.1. Nó estável e nó instável
Se λ
1
e λ
2
forem ambos reais e negativos, ou seja se estiverem localizados sobre o eixo
real no semiplano complexo esquerdo, as soluções convergem para a origem, que é um
ponto de equilíbrio estável. A trajectória no espaço de fases ( , ) x x é a indicada na
Fig. 2.1. Diz-se que se trata de um nó (ou nodo) estável. Repare-se nas duas assimptotas
v
1
e v
2
. A sua inclinação depende da localização de λ
1
e λ
2
. Junto da origem as
trajectórias aproximam-se da assimptota menos inclinada, enquanto que longe da
origem se tornam paralelas à menos inclinada.




× ×
λ
1
λ
2
σ

a) Localização das raízes do
polinómio característico









b) Trajectória no espaço de fases
Fig. 2.1 – Nó estável

Se λ
1
e λ
2
forem ambos reais e positivos, ou seja se estiverem localizados sobre o eixo
real no semiplano complexo direito, as soluções divergem da origem, que é um ponto de
equilíbrio instável. A trajectória no espaço de fases ( , ) x x é a indicada na Fig. 2.2. Diz-
-se que se trata de um nó instável.





× ×
λ
1
λ
2
σ


a) Localização das raízes do
polinómio característico








b) Trajectória no espaço de fases
Fig. 2.2 – Nó instável
2.2.1.2. Ponto de sela
Se λ
1
e λ
2
forem ambos reais e de sinais contrários, as soluções no espaço de fases têm
o andamento indicado na Fig. 2.3, a que se chama ponto de sela. Repare-se que há
algumas soluções que começam por se aproximar da origem, mas que acabam por se
afastar. A origem é um ponto de equilíbrio instável.
v
1
v
2

x
x
x
v
1
v
2

x
2. SISTEMAS DE 2ª ORDEM
Pág. 46 – Escola Superior de Tecnologia de Setúbal – Controlo Não Linear – Gustavo da Silva




× ×
λ
1
λ
2
σ


a) Localização das raízes do
polinómio característico








b) Trajectória no espaço de fases
Fig. 2.3 – Ponto de sela
2.2.1.3. Foco estável e foco instável
Se λ
1
for complexo, λ
2
também é complexo e conjugado de λ
1
, como se pode observar
por (2.7), para o caso de b e c serem reais. As soluções têm um andamento oscilatório,
como se pode provar a partir de (2.8)/(2.9) fazendo λ=σ +jω. Se a parte real de λ
1
(igual
à de λ
2
) for negativa, as soluções convergem para a origem, de uma forma oscilatória. A
origem é um ponto de equilíbrio estável, designado por nó estável ou foco estável. A
trajectória no espaço de fases é a indicada na Fig. 2.4.

Re(λ
1
)<0] jω
×


σ
×

a) Localização das raízes do
polinómio característico









b) Trajectória no espaço de fases
Fig. 2.4 – Foco estável

Se a parte real de λ
1
for positiva as soluções divergem da origem de uma forma
oscilatória. A trajectória no espaço de fases é indicada na Fig. 2.5. A origem é um ponto
de equilíbrio instável, designado por nó instável ou foco instável.

[Re(λ
1
)>0] jω
×

σ
×

a) Localização das raízes do
polinómio característico









b) Trajectória no espaço de fases
Fig. 2.5 – Foco instável
v
2

v
1
x
x
x
x
x
x
2. SISTEMAS DE 2ª ORDEM
Escola Superior de Tecnologia de Setúbal – Controlo Não Linear – Gustavo da Silva – Pág. 47
2.2.1.4. Centro
Se λ
1
e λ
2
forem complexos conjugados com a parte real nula, as soluções são
oscilatórias, sem amortecimento ou expansão. As soluções mantêm a amplitude
constante, não convergindo para a origem nem se afastando delas como se observa pela
órbita da Fig. 2.6. A origem é um ponto de equilíbrio criticamente estável, designado
por centro.

[Re(λ
1
)]=0


×

σ
×

a) Localização das raizes do
polinómio característico









b) Trajectória no espaço de fases
Fig. 2.6 – Centro
2.2.1.5. Um dos valores próprios nulo
Se um dos valores próprios for nulo, as soluções degeneram em rectas (Fig. 2.7).










a) λ
1
= 0, λ
2
< 0









b) λ
1
= 0, λ
2
> 0
Fig. 2.7 – Um valor próprio nulo
2.2.2. Valores próprios iguais (λ
1

2
)
Quando os valores próprios são iguais eles são necessariamente reais. As soluções
obtêm-se a partir da equação (2.9). Podem surgir os casos a seguir indicados.
2.2.2.1. Valor próprio duplo diferente de zero
Se o valor próprio for negativo as trajectórias convergem para a origem. A forma das
trajectórias depende dos valores das constantes k
1
e k
2
em (2.9)b). Se for k
1
=0 e k
2
≠0 as
órbitas são as representadas na Fig. 2.8
a
, para λ<0. Se se tiver k
1
≠0 e k
2
=0 as trajectórias
no espaço de fases são as da Fig. 2.8b, para λ<0. A origem é estável.

x
x
x
x
x
x
2. SISTEMAS DE 2ª ORDEM
Pág. 48 – Escola Superior de Tecnologia de Setúbal – Controlo Não Linear – Gustavo da Silva









a) k
1
= 0, k
2
≠ 0









b) k
1
≠ 0, k
2
= 0
Fig. 2.8 – Valor próprio duplo não nulo, negativo

Se o valor próprio for positivo as trajectórias divergem da origem. A forma das
trajectórias continua a depender dos valores de k
1
e k
2
(Fig. 2.9). A origem é instável.











a) k
1
= 0, k
2
≠ 0










b) k
1
≠ 0, k
2
= 0
Fig. 2.9 – Valor próprio duplo não nulo, positivo

2.2.2.2. Valor próprio duplo nulo
Se o valor próprio for duplo e nulo, as trajectórias são paralelas a uma recta que passa
pela origem (Fig. 2.10).


Fig. 2.10 – Valor próprio duplo nulo
x
x
x
x
x
x
x
x
x
x
λ<0 λ<0
λ>0 λ>0
2. SISTEMAS DE 2ª ORDEM
Escola Superior de Tecnologia de Setúbal – Controlo Não Linear – Gustavo da Silva – Pág. 49
2.3. Ciclos limite
Chamam-se ciclos limite às oscilações que se podem estabelecer, com amplitude
frequência e forma bem definidas, sem que o sistema esteja sujeito a qualquer
solicitação externa. Estas oscilações, auto-excitadas a partir do ruído ou de pequenas
perturbações, são, como se disse na secção 1.3.8, uma característica de alguns sistemas
não lineares, e nunca podem aparecer em sistemas lineares.
Num sistema de 2ª ordem um ciclo limite define, no plano de estado, uma curva
fechada que divide o plano de estado em duas regiões: uma região interior ao ciclo
limite e uma outra exterior ao ciclo limite.

2.3.1. Classificação dos ciclos limite
Consoante o comportamento das trajectórias que se iniciem próximo do ciclo limite,
assim a sua classificação. Podem ter-se ciclos limite estáveis, instáveis ou semi-estáveis.
2.3.1.1. Ciclo limite estável
Um ciclo limite é estável quando é uma curva fechada para a qual tendem as diversas
trajectórias que se iniciam numa determinada região (região de atracção do ciclo
limite). As trajectórias podem iniciar-se dentro ou fora do ciclo limite, ou então sobre
este, como se indica na Fig. 2.11a). Repare-se na diferença entre ciclo limite e
trajectória fechada, por exemplo a trajectória da Fig. 2.6, correspondente a um sistema
massa mola sem amortecimento. Nesta última, a trajectória depende das condições
iniciais: para diversas condições iniciais assim se terão diferentes trajectórias. Com um
ciclo limite tal não acontece: quaisquer que sejam as condições iniciais as trajectórias
iniciadas numa determinada região de atracção vão tender sempre para o mesmo ciclo
limite.
2.3.1.2. Ciclo limite instável
Um ciclo limite é instável quando qualquer trajectória que se inicie na sua vizinhança se
afasta dele – ver Fig. 2.11b). Apenas as trajectórias que sobre ele se iniciam nele perma-
necem. No entanto, mesmo estas, devido à existência de ruído ou de pequenas pertur-
bações, acabam por “descolar” do ciclo limite e divergir dele.
2.3.1.3. Ciclo limite semi-estável
Um ciclo limite é semi-estável quando qualquer trajectória que se inicie na sua
vizinhança se comporta de modo diferente, como estável ou como instável, consoante se
inicie no interior ou no exterior do ciclo limite. No exemplo da Fig. 2.11c) as trajec-
tórias que se iniciam no exterior do ciclo limite tendem para ele, e as que se iniciam no
seu interior divergem dele. Claro que devido à existência de ruído ou de pequenas
perturbações mais tarde ou mais cedo, no caso da Fig. 2.11c), uma trajectória que se
inicie no exterior de um ciclo limite deste tipo acaba por “atravessar” o ciclo para o seu
interior e afastar-se dele. Um ciclo limite semi-estável pode ser estável interno ou
estável externo.

2. SISTEMAS DE 2ª ORDEM
Pág. 50 – Escola Superior de Tecnologia de Setúbal – Controlo Não Linear – Gustavo da Silva












a) Estável b) Instável c) Semi-estável
Fig. 2.11 – Tipos de ciclos limite
2.3.2. Existência de ciclos limite
Os teoremas que se seguem estabelecem as condições de existência de ciclos limite, a
partir do conhecimento dos pontos de equilíbrio e do seu tipo.
Seja o sistema não linear autónomo representado por (2.1), com as condições iniciais
(2.2). São válidos os seguintes teoremas:
2.3.2.1. Teorema de Poincaré
(2)

Considerem-se os pontos de equilíbrio do sistema numa determinada região Ω do
espaço de fases e designe-se por
N – o número de nós, centros ou focos interiores a Ω,
S – o número de pontos de sela.
É condição necessária para a existência de um ciclo limite que
1 N S = + (2.10)
A demonstração pode ser encontrada em [3–Isidori].

Como corolário deste teorema tem-se se S = 0, N =1, ou seja, um ciclo limite envolve
necessariamente pelo menos um ponto de equilíbrio.
2.3.2.2. Teorema de Poincaré-Bendixon
Se uma trajectória do sistema não linear autónomo de 2ª ordem, representado por (2.1)
permanecer no interior de uma região Ω do espaço de estados, finita, então verifica-se
um dos três casos seguintes:

• A trajectória tende para um ponto de equilíbrio estável,
• A trajectória tende para um ciclo limite estável,
• A trajectória é um ciclo limite.

2
Henri Poincaré, Matemático francês, 1854-1912
trajectórias
divergentes
x
1

x
2

ciclo
limite
trajectórias
convergentes
x
2
x
1
ciclo
limite
x
2
ciclo
limite
convergente
divergente
x
1

2. SISTEMAS DE 2ª ORDEM
Escola Superior de Tecnologia de Setúbal – Controlo Não Linear – Gustavo da Silva – Pág. 51
2.3.2.3. Teorema de Bendixon
Seja o sistema não linear autónomo de 2ª ordem, representado por (2.1). Represente-se
o sistema na forma vectorial, mais compacta,
x(t) = f [x(t)] (2.11)
O teorema de Bendixon afirma o seguinte: É condição necessária para a existência de
um ciclo limite, numa região Ω do plano de fase, que
div . ∇ f f (2.12)
não amorteça e que mude de sinal. (a definição de div f está na sub-secção seguinte)
Demonstração: Para qualquer trajectória do sistema tem-se

2 1 1 2
0 f dx f dx − = (2.13)
Nestas condições, integrando (2.13) ao longo de uma curva fechada L que coincida com
o ciclo limite deverá ser

1 2 2 1
( ) 0
L
f dx f dx − =

(2.14)
Mas pelo teorema de Stokes é, representando por S a área delimitada pelo ciclo limite,

1 2
1 2 2 1 1 2
1 2
( ) ( )
L S
f f
f dx f dx dx dx
x x
∂ ∂
− = +
∂ ∂
∫ ∫∫
(2.15)
(Considere-se, para o efeito
2 1
( , , 0) f f = − F e calcule-se .d F s e rotF). Para que o
integral de superfície seja nulo é necessário que o integrando, se for diferente de zero e
não amortecido mude de sinal. (O integrando é div f). Se o integrando for amortecendo
a trajectória tende para o ponto de equilíbrio zero e não haverá ciclo limite, a oscilação
é amortecida. Se o integrando for nulo, nem sequer há oscilação.
2.3.2.4. Nota sobre alguns operadores vectoriais
Um campo vectorial f(x) é representado por um vector coluna de comprimento n e com-
ponentes f
1
(x), f
2
(x), …, f
n
(x), em que x representa a variável de estado (vector
coluna).
Considere-se o vector simbólico ∇, designado por del ou nabla:

1 2
, ,
n
x x x
| | ∂ ∂ ∂
∇ =
|
∂ ∂ ∂
\ .
" (2.16)
Define-se gradiente de uma função escalar h(x),

1
( ) ( ) ( )
grad ( ) ( ) , ...,
n
h h h
h h
x x
| | ∂ ∂ ∂
≡ ∇ ≡ =
|
∂ ∂ ∂
\ .
x x x
x x
x
(2.17)
O gradiente define-se para um campo escalar e é um campo covectorial (vector linha).
Define-se divergência de um campo vectorial g(x), por

1 2
1 2
( ) ( ) ( )
div ( ) ( )
n
n
f f f
x x x
∂ ∂ ∂
≡ ∇⋅ = + + +
∂ ∂ ∂
x x x
f x f x " (2.18)
A divergência define-se para um campo vectorial e é um campo escalar.
.
2. SISTEMAS DE 2ª ORDEM
Pág. 52 – Escola Superior de Tecnologia de Setúbal – Controlo Não Linear – Gustavo da Silva
2.4. Obtenção da trajectória
2.4.1. Métodos analíticos
Os métodos analíticos são utilizados para a obtenção das trajectórias no plano de fases
quando a solução analítica da equação de estado é relativamente fácil de obter. A
essência do método consiste em obter a solução explícita do sistema (2.1) em função do
tempo,

1 1
2 2
( )
( )
x x t
x x t
=
¦
´
=
¹
(2.19)
e em seguida eliminar a variável t entre as equações obtidas, ficando-se com uma
relação do tipo (2.3).

Exemplo 2.1 – Sistema linear massa-mola
Seja um sistema mecânico constituído por uma massa ligada a uma mola, como
indicado na Fig. 2.12. Este sistema é um caso particular daquele que é apresentado
adiante no Cap.7; aqui a mola é linear e não há atrito.
O corpo pode deslocar-se apenas segundo a direcção x. Com o sistema em repouso o
corpo encontra-se na posição x=0 e a resultante das forças que sobre ela actuam é nula.
A força exterior que sobre ele actua, resultante da deformação da mola, tem o valor
f kx = − (2.20)
Desloque-se o bloco para a posição x
0
e a seguir liberte-se o mesmo. Este tenderá a
voltar para a posição inicial.









Fig. 2.12 – Sistema massa-mola

De acordo com a 2ª lei de Newton a massa ficará sujeita a uma aceleração x tal que
f mx = (2.21)
Combinando (2.20) com (2.21) obtém-se
0 mx kx + = (2.22)
que admite como solução

0 0
( ) cos( ) x t x t ω = (2.23)
.
-2 -1 0 1 2
| | | | | | | | | |
0 x
0
x
Mola
Massa
.
2. SISTEMAS DE 2ª ORDEM
Escola Superior de Tecnologia de Setúbal – Controlo Não Linear – Gustavo da Silva – Pág. 53
com
0
k
m
ω = (2.24)
Tomando para variáveis de estado x e x tem-se

0 0 0
( ) sen( ) x t x t ω ω = − (2.25)
Eliminando t entre (2.23) e (2.25) obtém-se

2
2 2
0 2
0
x
x x
ω
+ =

(2.26)
que é a equação de uma elipse. A Fig. 2.13 representa estas elipses para diversos valores
de x
0
para m = 1 kg e k = 10 N/m, ou seja, representa o retrato de fase.










Fig. 2.13 – Trajectórias no espaço de fases – sistema massa/mola

Exemplo 2.2 – Sistema não linear de 2ª ordem
Seja o sistema não linear de 2ª ordem

2
0 x x + = (2.27)
sujeito às condições iniciais x(0) = 0 e (0) x C = . Tomando para variáveis de estado
x
1
= x e x
2
= x pode escrever-se

1 2
2
2 2
x x
x x
=
¦
´
= −
¹

(2.28)
com x
1
(0) = 0 e x
2
(0) = C. A partir de (2.28) obtém-se

1
2 2
1 dx
dx x
= − (2.29)
que integrada conduz a

1
2
x
x Ce

= (2.30)
e que se encontra representada na Fig. 2.14 para diversos valores de C. Repare-se na
convergência exponencial para zero quando C > 0 e na divergência exponencial quando
C < 0.

x
x
0
=0.5
x
0.2 0.1 0.4 0.3
2. SISTEMAS DE 2ª ORDEM
Pág. 54 – Escola Superior de Tecnologia de Setúbal – Controlo Não Linear – Gustavo da Silva











Fig. 2.14 – Trajectórias no espaço de fases

Exemplo 2.3 – Controlo de um satélite.
Neste modelo, muito simplista, pretende-se controlar a posição angular θ de um satélite,
obrigando-o a rodar em torno de um eixo por meio de um par de propulsores, como
indicado na Fig. 2.15.











Fig. 2.15 – Esquema do satélite

Os propulsores podem fornecer um binário u de amplitude U constante, que pode ser
positivo ou negativo, consoante o sentido dos jactos. O objectivo do controlo é manter a
antena num determinado ângulo de referência θ
R
, através de uma manipulação
conveniente dos propulsores. O satélite pode ser considerado como um corpo rígido que
se move em torno do seu centro de massas. Designando por J o momento de inércia do
satélite em torno do seu centro de gravidade, θ a posição angular da antena e por u o
binário propulsor, as equações do movimento permitem escrever
J u θ =

(2.31)
O binário dos propulsores depende do erro θ por meio da expressão

0
( )
0
U
u t
U
θ
θ
− > ¦
=
´
+ <
¹
(2.32)
-1 -0.8 -0.6 -0.4 -0.2 0 0.2 0.4 0.6 0.8 1
-3
-2
-1
0
1
2
3
x
1

x
2

C>0, ↑
C<0, ↓
antena
u
θ
2. SISTEMAS DE 2ª ORDEM
Escola Superior de Tecnologia de Setúbal – Controlo Não Linear – Gustavo da Silva – Pág. 55
Na Fig. 2.16, a seguir, encontra-se representada a cadeia da controlo deste satélite.









Fig. 2.16 – Controlo do satélite

Para a construção do esboço do retrato de fase consideram-se separadamente os casos
em que o erro θ é positivo e negativo.
Erro negativo: Neste caso o binário propulsor é positivo e toma o valor +U.
A expressão (2.31) escreve-se
J U θ =

(2.33)
que admite como solução no plano de fase ( , θ θ

)

2
2 J U C θ θ = +

(2.34)
onde C é uma constante que depende das condições iniciais.
A equação (2.34) representa um conjunto de parábolas com o foco sobre o eixo θ e
concavidade voltada para a direita, como se indica na Fig. 2.17, semiplano esquerdo.
















Fig. 2.17 – Retrato de fase do satélite

u
1/ J
s
1
s
θ
θ

r
θ =0
-
satélite jactos
-U
+U
trajectórias
parabólicas
u= +U u= –U
linha de
comutação
θ

θ
2. SISTEMAS DE 2ª ORDEM
Pág. 56 – Escola Superior de Tecnologia de Setúbal – Controlo Não Linear – Gustavo da Silva
Erro positivo: De um modo análogo ao anterior obtém-se

2
2 J U C θ θ = − +

(2.35)
que é um conjunto de parábolas com o foco sobre o eixo θ e concavidade para a
esquerda.
O retrato de fase completo obtém-se juntando os dois diagramas anteriores. A
comutação entre os diagramas faz-se exactamente sobre o eixo dos θ

, que corresponde
à mudança de sinal do erro. Repare-se que partindo de um estado inicial qualquer o
satélite irá oscilar em torno da posição de referência. A convergência da oscilação para
zero poderá ser feita com a introdução de realimentação da velocidade angular.

Há um grande número de sistemas que podem ser descritos por uma equação diferencial
de 2ª ordem do tipo
( , ) 0 x f x x + = (2.36)
Para representá-los no espaço de estados efectuam-se as substituições

1
2 1
x x
x x
=
¦
´
=
¹

(2.37)
ficando-se com a equação de estado

1 2
2 1 2
( , )
x x
x f x x
=
¦
´
= −
¹

(2.38)
Foi o estudo deste tipo de sistemas que contribuiu para o desenvolvimento da
representação no plano de fase.
2.4.2. Métodos gráficos
Os métodos gráficos tiveram um grande desenvolvimento quando não se dispunha de
meios eficazes para obter a solução da equação de estado de um sistema. Entende-se por
meios eficazes os que actualmente se utilizam, baseados em métodos numéricos,
disponíveis para computador, e que permitem a obtenção da solução da equação de
estado para um sistema de ordem n.
Os métodos gráficos permitem apenas e de uma forma simples a obtenção do esboço do
retrato de fase aproximado de sistemas com uma equação de estado com dimensão n=2,
mas mais genéricas do que (2.38), do tipo

1 1 1 2
2 2 1 2
( , )
( , )
x f x x
x f x x
= ¦
´
=
¹

(2.39)
Os métodos gráficos dispensam a resolução analítica da equação acima. De entre os
diversos métodos gráficos têm uma certa importância o método das isoclínicas e o
método delta. Estudar-se-á apenas o primeiro.
O sistema (2.39) pode escrever-se na forma
2. SISTEMAS DE 2ª ORDEM
Escola Superior de Tecnologia de Setúbal – Controlo Não Linear – Gustavo da Silva – Pág. 57

2 2 1 2
1 1 1 2
( , )
( , )
dx f x x
dx f x x
= (2.40)
O primeiro membro de (2.40) representa a inclinação da trajectória no plano (x
1
, x
2
).
Dá-se o nome de isoclínica ao conjunto de pontos do plano (x
1
, x
2
) tais que
dx
1
/dx
2
=α = constante. A isoclínica α é pois constituída pelo conjunto de pontos com
igual declive α. Traçando as isoclínicas correspondentes a diversos valores de α obtém-
se o campo de direcções das tangentes às trajectórias, o que permite determinar, de um
modo aproximado, as próprias trajectórias. O método pode ser mais bem compreendido
por meio de um exemplo.

Exemplo 2.4 – Sistema de 2ª ordem com amortecimento.
Considere-se um sistema linear de 2ª ordem descrito pela equação:

2
2 0 x x x ξω ω + + = (2.41)
Efectuando as mudanças de variável x
1
= x e x
2
= x obtém-se o modelo de estado

1 2
2
2 2 1
2
x x
x x x ξω ω
=
¦
´
= − −
¹

(2.42)
Dividindo (2.42)b por (2.42)a obtém-se:

2 2 1
1 2
2
dx x
dx x
ξω ω = − − (2.43)
e fazendo
2
1
dx
dx
α = (isoclínica α), obtém-se a equação de uma recta, no plano (x
1
, x
2
).

2
2 1
2
x x
ω
ξω α
= −
+
(2.44)
Particularizando para os valores de ω = 1 e ξ = 0.5 vem,

2 1
1
1
x x
α
= −
+
(2.45)
À equação (2.45) correspondem, para diversos valores de α, as isoclínicas que se
representam na Fig. 2.18. Para a obtenção das trajectórias procede-se do seguinte modo:
1. Parte-se do valor (x
1
, x
2
) correspondente às condições iniciais x
1
(0) e x
2
(0). No
exemplo da figura admite-se x
1
(0) = 0, e x
2
(0) = 1, a que corresponde o ponto A.
2. A inclinação da trajectória é dada pela média aritmética das inclinações
associadas às isoclínicas vizinhas. Assim, a inclinação do troço de trajectória
situado entre as isoclínicas 1 α = − e 1.2 α = − é aproximadamente
( 1 1.2) / 2 1.1 − − = − . O ponto B é determinado pela intersecção da recta que parte
de A com inclinação –1.1, com a isoclínica 1.2 α = − . O segmento AB constitui
assim um troço aproximado da trajectória.
a)
b)
a) b)
2. SISTEMAS DE 2ª ORDEM
Pág. 58 – Escola Superior de Tecnologia de Setúbal – Controlo Não Linear – Gustavo da Silva
3. De um modo análogo ao anterior se obtêm os troços BC e seguintes, obtendo-se a
curva A B C D E ... O.

Este método de construção pode levar à acumulação de erros, nomeadamente no caso de
sistemas não lineares em que as trajectórias tenham inclinações que podem variar muito
rapidamente.
O método das isoclínicas é de utilização fácil sempre que as isoclínicas são rectas.
Quando tal não acontece poderá ser mais conveniente a utilização de um outro método
gráfico, o método delta, que permite obter as trajectórias por meio da sequência de arcos
circulares cujos centros se situam ao longo do eixo dos x.

























Fig. 2.18 – Traçado da trajectória pelo método das isoclínicas









α= -1
-1.2
-1.4
-1.8
-1.6
α= -2
-2.5
- 3
- 4
-6
- 11
x
2
x
1

9
0.5
2
4
α= 0
1
- 0.2
- 0.4
α= -1
A
B
C
D
E
2. SISTEMAS DE 2ª ORDEM
Escola Superior de Tecnologia de Setúbal – Controlo Não Linear – Gustavo da Silva – Pág. 59
2.5. Problemas resolvidos

Probl. 2.1
Considere o sistema massa-mola-amortecedor, descrito pela equação diferencial
0 mx bx kx + + =
em que m representa a massa do corpo, b o coeficiente de amortecimento, k a constante
da mola e x a posição da massa.
a) Obtenha um modelo de estado para o sistema.
b) Determine os seus pontos de equilíbrio.
c) No caso em que não há amortecimento determine analiticamente a trajectória
descrita pelas variáveis de estado, partindo das condições iniciais x
0
=0.2 m e
0
0 x =
m/s.
d) Faça a representação da trajectória sobre o plano de fase. Existe alguma diferença
entre esta trajectória e um ciclo limite?
e) Para um sistema não linear com pontos de equilíbrio semelhantes aos obtidos,
conclua sobre a existência de um ciclo limite, com o auxílio dos teoremas de
Poincaré e de Bendixon.
Resolução:
a) 0 mx bx kx + + = . Efectuando as mudanças de variável
1
x x = e
2
x x = obtém-se a
equação de estado
1 2
2 1 2
x x
k b
x x x
m m
= ¦
¦
´
= − −
¦
¹

O modelo de estado ficaria completo com a equação de saída
1
2
T
x
y C
x

=



(eventualmente y=x
1
) e com as condições iniciais x(0)=x
0
, que de momento não são
dadas.
b) Pontos de equilíbrio:
1
2
0
0
x
x
= ¦
´
=
¹

Æ
2
1 2
0
0
x
k b
x x
m m
= ¦
¦
´
− − =
¦
¹
Æ
1
2
0
0
x
x
= ¦
´
=
¹

Este resultado era de esperar, pois tratando-se de um sistema linear o único ponto de
equilíbrio é a origem do espaço de estados.
c) Não havendo amortecimento é b=0, ficando a equação diferencial do sistema reduzida a
0 mx kx + = . A equação característica é
2
/ 0 k m λ + = , que admite como soluções
/ j k m λ = ± . Uma vez que m e k são positivos, há dois pólos sobre o eixo
imaginário. Uma vez que os pólos são distintos a solução x(t) é dada por (2.8):
1 2
1 2
( )
t t
x t k e k e
λ λ
= + =
/ /
1 2
j k mt j k mt
k e k e

+
2. SISTEMAS DE 2ª ORDEM
Pág. 60 – Escola Superior de Tecnologia de Setúbal – Controlo Não Linear – Gustavo da Silva
Note-se que / k m tem as dimensões do inverso do tempo. Fazendo
0
/ k m ω = e
atendendo à fórmula de Euler, cos sen
j
e j
α
α α
±
= ± , resulta
1 2 0 1 2 0
( ) ( ) cos( ) ( )sen( ) x t k k t j k k t ω ω = + + −
.
As constantes k
1
e k
2
obtêm-se a partir das condições iniciais. Como estas fazem
intervir x(0) e (0) x , derive-se x(t):
0 1 2 0 0 1 2 0
( ) ( )sen( ) ( ) cos( ) x t k k t j k k t ω ω ω ω = − + + − . Para t=0 será
1 2
(0) ( ) x k k = + e
0 1 2
(0) ( ) x j k k ω = − . Para as condições iniciais dadas fica
1 2
0.2 k k + = e
0 1 2
( ) 0 j k k ω − = Æ k
1
=k
2
=0.1 . Finalmente fica
0
0 0
( ) 0.2cos( )
( ) 0.2 sen( )
x t t
x t t
ω
ω ω
= ¦
´
= −
¹

Eliminando t entre estas duas equações obtém-se a equação da trajectória:
2
2 2
2
0
(0.2)
x
x
ω
+ =

d) A trajectória obtida representa uma elipse, de eixos 0.2 e 0.2ω
0
. Repare-se que os
eixos da elipse dependem das condições iniciais. Nas figuras representa-se a
evolução do estado e o plano de fase.











evolução do estado trajectória sobre o plano de fase

Existe uma grande diferença entre esta trajectória e um ciclo limite. Embora esta
trajectória seja fechada e se repita sobre ela própria, o seu tamanho depende das
condições iniciais, enquanto que num ciclo limite a forma deste é independente das
condições iniciais: de onde quer que se parta, dentro da bacia de atracção, é-se
conduzido sempre ao mesmo ciclo limite, com a mesma forma e dimensões.
e) Há apenas um ponto de equilíbrio, que é um centro. De acordo com o exposto atrás
em 2.3.2 será N=1 e S=0. Pelo teorema de Poincaré está satisfeita a condição
necessária para a existência de um ciclo limite (N=S+1). Poderá pois haver ciclo
limite, mas não quer dizer que haja. A condição é necessária mas não é suficiente.
Para aplicar o teorema de Bendixon escreva-se o modelo de estado na forma
matricial e calcule-se div f:
-0.2
0
0.2
x
x
t
x
x

x
0

2. SISTEMAS DE 2ª ORDEM
Escola Superior de Tecnologia de Setúbal – Controlo Não Linear – Gustavo da Silva – Pág. 61
1 1
2 2
x f
x f

=

Æ
2
1
2 1
x
f
k
f x
m



=






1
2 1 2
f
div
f x x
∂ ∂
= ⋅

∂ ∂

f =
1 2
1 2
f f
x x
∂ ∂
+
∂ ∂
=
2
1
1 2
( )
x k
x
x x m
∂ ∂
+ −
∂ ∂
= 0 + 0 = 0
A condição necessária para que haja ciclo limite é que div f não amorteça e mude de
sinal. Neste caso, ao ser nula, não muda de sinal nem amortece. Logo, não pode
haver ciclo limite.

Probl. 2.2
Considere o sistema descrito pela equação de Van der Pol
2
(1 ) 0 v v v kv ε − − + =
em que ε e k são constantes reais, positivas (v é a tensão de saída do sistema).
a) Obtenha um modelo de estado para o sistema.
b) Determine os seus pontos de equilíbrio.
c) Com o auxílio dos teoremas de Poincaré e de Bendixon conclua sobre a existência de
ciclos limite.
d) Com o auxílio de um PC obtenha a trajectória para as condições iniciais 0 v = , 0 v = ,
num oscilador com ε = 1.0 e k = 1.0.
Resolução:
a) Efectuando as mudanças de variável
1
x v = e
2
x v = obtém-se a equação de estado
1 2
2
2 1 2 1
(1 )
x x
x x x kx ε
= ¦
´
= − −
¹

, ou, na forma matricial,
1 2
2
2 1 2 1
(1 )
x x
x x x kx ε

=

− −

b) Pontos de equilíbrio:
1
2
0
0
x
x
= ¦
´
=
¹

Æ
2
2
1 2 1
0
(1 ) 0
x
x x kx ε
=
¦
´
− − =
¹
Æ
1
2
0
0
x
x
= ¦
´
=
¹

Para caracterizar o ponto de equilíbrio obtido vai ver-se como é o sistema linearizado
obtido a partir deste.
Sistema linearizado:
1 1
2 2
x x
x x

=


A

, com
1 1
1 2
2 2
1 2
f f
x x
f f
x x
=
∂ ∂


∂ ∂

=
∂ ∂


∂ ∂

e
x x
A
Cálculo de A:
{
1
2
2 2
1 2
2 2
0
1 2 1 1 2 1
0
1 2
[ (1 ) ] [ (1 ) ]
x
x
x x
x x
x x kx x x kx
x x
ε ε
=
=
∂ ∂


∂ ∂

=
∂ ∂

− − − −

∂ ∂

A
2. SISTEMAS DE 2ª ORDEM
Pág. 62 – Escola Superior de Tecnologia de Setúbal – Controlo Não Linear – Gustavo da Silva
=
{
1
2
2
0
1 2 1
0
0 1
2 (1 )
x
x
x x k x ε ε
=
=


− − −

=
0 1
k ε





Esta matriz admite como valores próprios
2
1,2
4
2
k ε ε
λ
± −
= que não são do tipo
ponto de sela. De acordo com o exposto atrás em 2.3.2 será N=1 e S=0. Pelo teorema
de Poincaré está satisfeita a condição necessária para a existência de um ciclo limite,
(N=S+1). Poderá pois haver ciclo limite.
Calcule-se div f:
1 2
1 2
div
f f
x x
∂ ∂
= +
∂ ∂
f =
2 2
1 2 1
1 2
[ (1 ) ]
x
x x kx
x x
ε
∂ ∂
+ − −
∂ ∂
=
2
1
(1 ) x ε −
Esta quantidade muda de sinal e não é amortecida, logo, pelo teorema de Bendixon,
pode haver um ciclo limite.

2.6. Problemas propostos
Probl. 2.3
Considere o sistema autónomo, em regime livre
1 1
3
2 2
sen x x
x x
= − ¦
´
= −
¹

a) Determine os pontos de equilíbrio e caracterize-os.
b) Trace de forma aproximada, usando o método das isoclínicas, o seu retrato de fase.

Probl. 2.4
Dado o sistema contínuo
1 2
2 1 2
sen
sen
x x
x x x
=
¦
´
= − −
¹

a) Determine os seus pontos de equilíbrio.
b) Aplicando o teorema de Bendixon, conclua sobre a possibilidade haver ciclos limite.
c) Qual a diferença entre um ciclo limite e a trajectória, sobre o plano de fase, do
sistema massa-mola linear sem amortecimento?

Probl. 2.5
Utilizando o método das isoclínicas esboce o retrato de fase dos sistemas descritos por
a) x + x +0.5 x = 0
b) x + x +0.5 x = 1
Confirme os resultados obtidos utilizando o computador.

Probl. 2.6
2. SISTEMAS DE 2ª ORDEM
Escola Superior de Tecnologia de Setúbal – Controlo Não Linear – Gustavo da Silva – Pág. 63
Utilizando o método das isoclínicas obtenha o esboço do retrato de fase do movimento
do pêndulo gravítico sem atrito, a que corresponde a equação diferencial θ

+ senθ = 0.
Nota: Repare que as isoclínicas são funções sinusoidais.
63



3. FUNDAMENTOS DA TEORIA DE LYAPUNOV


3.2. Introdução
Quando se projecta ou se estuda um sistema de controlo, um dos pontos importantes que
é necessário ter em conta é a sua estabilidade. De uma forma geral deve-se garantir que
o sistema seja estável. Com efeito, um sistema instável além de ser difícil de controlar é
potencialmente perigoso, se a energia a ele associado for elevada. Um sistema instável
pode por exemplo conduzir ao voo descontrolado de um avião (e à sua eventual queda),
ou ao rebentamento de um reactor químico.
O problema da estabilidade apareceu desde cedo na história do controlo automático com
o regulador automático de Watt
(1)
, sistema mecânico baseado no pêndulo cónico,
destinado a estabilizar a velocidade da máquina a vapor. Este dispositivo constitui um
sistema de controlo não linear.
O primeiro trabalho teórico sobre a estabilidade de sistemas de controlo não lineares foi
publicado por Lyapunov em 1892 na sua tese de doutoramento, com o título “The
General Problem of Motion Stability”. Nele é determinado o comportamento de
sistemas não lineares com o auxílio de uma função escalar com características
semelhantes à energia associada ao sistema, que hoje se designa por função de
Lyapunov.
O trabalho de Lyapunov foi traduzido para Francês em 1908, e foi reimpresso apenas
em 1947, pela Universidade de Princeton. Só nos anos 60 é que este trabalho atraiu a
atenção da comunidade científica, tendo a partir daí sido completado e desenvolvido.
Neste capítulo serão introduzidos conceitos que não têm correspondência nos sistemas
lineares referentes aos pontos de equilíbrio e estabilidade, são apresentados o método da
linearização de Lyapunov, muitas vezes designado por 1º método, e o método directo de
Lyapunov, conhecido também como 2º método.

3.3. Pontos de equilíbrio e estabilidade
3.3.1. Sistemas autónomos em regime livre
Viu-se no capítulo 1, secções 1.5.1 e 1.5.2, que um sistema não linear, contínuo ou
discreto, pode ser representado por um sistema de equações vectoriais, designado por
modelo de estado do sistema. Para um sistema contínuo determinístico o modelo de
estado escreve-se


1
James Watt, Mecânico Escocês, 1736-1819.
3 - FUNDAMENTOS DA TEORIA DE LYAPUNOV
Pág. 64 – Escola Superior de Tecnologia de Setúbal – Controlo Não Linear – Gustavo da Silva


0
( ) [ ( ), ( ), ]
( ) ( ( ), ( ), ]
(0)
t t t t
t t t t
=
¦
¦
=
´
¦
=
¹
x f x u
y h x u
x x

(3.1)
em que , , e
n p q
x u y
D D D t
+
∈ ⊂ ℜ ∈ ⊂ ℜ ∈ ⊂ ℜ ∈ℜ x u y . Para um sistema discreto as
equações têm uma escrita semelhante.

Estudar-se-á a estabilidade de sistemas não submetidos a excitações exteriores u, ou
seja, em regime livre, e em cadeia fechada, em que existe uma lei de realimentação de
estado,
( ) = u φ x (3.2)
Uma vez que o estado de um sistema define o seu comportamento, vai de momento
concentrar-se a atenção para a descrição do estado do sistema efectuada pela equação de
estado (3.1)a), sujeitos às condições iniciais (3.1)c). Considerando sistemas em cadeia
fechada, com a realimentação de estado (3.2), pode escrever-se:

0
( ) [ ( ), ]
(0)
t t t = ¦
´
=
¹
x f x
x x

(3.3)
O sistema descrito por (3.3)a) diz-se não autónomo se a função f depender explicita-
mente do tempo. Se a função não depender explicitamente do tempo, o sistema diz-se
autónomo. Um sistema autónomo não tem entradas aplicadas e é invariante no tempo.
Exemplo 3-1
Dado o sistema autónomo descrito pela equação de estado

1 2
3
2 2 1 1 3 1
( / ) ( / ) ( / )
x x
x b m x k m x k m x u
=
¦
´
= − − − +
¹

(3.4)
sujeito à lei de realimentação

3
3 1
( / ) u k m x = (3.5)
obtenha a equação de estado do sistema em cadeia fechada.
Resolução:
A substituição da lei de controlo (3.5) na equação de estado (3.5) conduz ao sistema

1 2
2 2 1 1
( / ) ( / )
x x
x b m x k m x
=
¦
´
= − −
¹

(3.6)
É interessante notar que o sistema (3.6), a que se chegou, é linear.

Um sistema autónomo é pois descrito pela equação de estado
( ) [ ( )] t t = x f x (3.7)
a)
b)
c)
a)
b)
3 - FUNDAMENTOS DA TEORIA DE LYAPUNOV
Escola Superior de Tecnologia de Setúbal – Controlo Não Linear – Gustavo da Silva – Pág. 65

e pelas condições iniciais (3.3)b). Repare-se que um sistema em cadeia fechada em que
a lei de controlo (3.2) varia com o tempo, como acontece no caso do controlo
adaptativo, conduz a uma equação de estado com dependência explícita do tempo, ou
seja, conduz a um sistema não autónomo.
Exemplo 3-2
Indicar se é autónomo o sistema representado por
5
0.1 6sen x x x t + + = .
Resolução:
Na equação diferencial aparece ( ) 6sen u t t = . O sistema encontra-se excitado por uma
entrada independente do seu estado, logo é não autónomo.
Exemplo 3-3
Indicar se é autónomo o sistema
2
(0.2sen 1) 0 mx t x x k x + − + = .
Resolução:
Apesar de não se encontrar excitado, o sistema não é autónomo, uma vez que é variante
no tempo.

3.3.2. Pontos de equilíbrio de sistemas autónomos
Considere-se o sistema autónomo descrito por (3.7). Se as condições iniciais x(0) forem
tais que a trajectória x(t) permaneça sempre igual a si mesma (e consequentemente a
x
0
), diz-se que x
0
é um estado de equilíbrio ou ponto de equilíbrio. Designar-se-ão
neste texto, os pontos de equilíbrio por x
e
. Trata-se de vectores com a dimensão igual à
ordem do sistema. Como se verá, um sistema pode ter um, vários ou infinitos pontos de
equilíbrio.
Analiticamente pode definir-se ponto de equilíbrio por
é ponto de equilíbrio 0, ( ) t t ⇔∀ > ≡
e e
x x x (3.8)
A determinação dos pontos de equilíbrio faz-se utilizando directamente o modelo de
estado. Com efeito, se x(t) ≡ x
e
então ( ) t = x 0 , pelo que os pontos de equilíbrio se
obtêm resolvendo o sistema:
[ ( )] t = f x 0 (3.9)
ou, como x(t) não evolui, x(t)=x
e
,
( ) =
e
f x 0 (3.10)
Se se tratar de um sistema autónomo linear tem-se,
( ) ( ) t t = x Ax (3.11)
Os pontos de equilíbrio são obtidos resolvendo o sistema de equações:
=
e
Ax 0 (3.12)
3 - FUNDAMENTOS DA TEORIA DE LYAPUNOV
Pág. 66 – Escola Superior de Tecnologia de Setúbal – Controlo Não Linear – Gustavo da Silva

Se a matriz A for regular, a única solução de (3.12) é a origem do espaço de estados,
x
e
= 0. Um sistema com a matriz A regular designa-se por sistema linear simples.
Se a matriz A for singular, o sistema (3.12) admite um número infinito de soluções, que
constituem um hiperplano que passa pela origem.

Seja x
e
um ponto de equilíbrio do sistema (3.7), e efectue-se a mudança de variáveis de
estado
= −
e
z x x (3.13)
Obtém-se uma nova descrição do sistema, na nova variável de estado z,
( ) = +
e
z f z x (3.14)
À variável x corresponde a nova variável z e a correspondência é biunívoca. Além
disso, z
e
= 0 é o ponto de equilíbrio correspondente a x = x
e
. Portanto, o estudo do
comportamento do sistema (3.7) na vizinhança de x
e
poderá ser facilitado analisando o
comportamento de (3.14) na vizinhança da origem (z=0). Se o sistema (3.7) possuir
mais do que um ponto de equilíbrio, e se se pretender estudar o seu comportamento na
vizinhança de cada ponto de equilíbrio utilizando o procedimento que acaba de ser
exposto, haverá que efectuar tantas mudanças de variável quantos os pontos de
equilíbrio que se desejam estudar.

3.3.3. Estabilidade de pontos de equilíbrio
Devido ao facto de os sistemas não lineares terem um comportamento muito mais rico e
complexo do que os sistemas lineares, tornou-se necessário detalhar os conceitos de
estabilidade.
Considerar-se-á de momento a estabilidade de trajectórias na vizinhança de pontos de
equilíbrio de sistemas autónomos descritos pela equação (3.7), vulgarmente designada
por estabilidade dos pontos de equilíbrio ou dos estados de equilíbrio. Considerando a
possibilidade de efectuar a mudança de variável (3.13), o assunto exposto não perde
generalidade se for estudada a estabilidade em torno da origem.
3.3.3.1. Estabilidade nsLy
O estado de equilíbrio x
e
=0 diz-se estável no sentido de Lyapunov (nsLy) se, para
qualquer R > 0 existir r(R) > 0 tal que se ||x(0)|| < r então ||x(t)|| < R, para todo o t > 0.
O estado de equilíbrio diz-se instável, caso contrário. Analiticamente pode escrever-se:
é estável nsLy ( 0, ( ) 0 (0) ( ) , R r R r t R t = ⇔ ∀ > ∃ > ∴ < ⇒ < ∀
e
x 0 x x (3.15)
A definição afirma que num sistema estável nsLy, se for desejado que uma trajectória
não saia fora de uma bola de raio R (qualquer que este seja), então a trajectória deverá
ser iniciada dentro de outra bola, cujo raio r < R, dependerá de R.

Na Fig. 3.1. representa-se a evolução da norma do estado de um sistema estável nsLy.


3 - FUNDAMENTOS DA TEORIA DE LYAPUNOV
Escola Superior de Tecnologia de Setúbal – Controlo Não Linear – Gustavo da Silva – Pág. 67












Fig. 3.1 – Sistema estável nsLy.

Repare-se que o valor de R é qualquer, R∈ℜ
+
.
Se for desejado que ||x(t)|| permaneça inferior a R, a trajectória deverá iniciar-se com
||x(0)|| < r. Da figura observa-se que deverá ser r < R, pois caso contrário haveria um
intervalo de tempo em que ||x(t)|| ≥ R.
O oscilador de Van der Pol, já apresentado a propósito dos ciclos limite, é instável
nsLy. Com efeito qualquer trajectória iniciada no interior do ciclo limite (excluída a
origem), conduz o sistema a oscilar com uma amplitude bem definida, não havendo
possibilidade de iniciar o sistema num estado tal que a amplitude permaneça inferior a
um valor desejado, R, qualquer que este seja.
A
Fig. 3.2 caracteriza, no espaço de estados, instabilidade do oscilador de Van der Pol: se
for escolhida a circunferência de raio R indicado, interior ao ciclo limite, a trajectória
evolui para fora dessa circunferência, e portanto o sistema é instável.




Fig. 3.2 – Instabilidade do oscilador de Van der Pol.
x
1
x
2
R
trajectórias
ciclo limite
||x(t)||

R

r
||x(0)||



||x
e
||=0
||x(t)||
0 t

3 - FUNDAMENTOS DA TEORIA DE LYAPUNOV
Pág. 68 – Escola Superior de Tecnologia de Setúbal – Controlo Não Linear – Gustavo da Silva

3.3.3.2. Estabilidade assimptótica
O estado de equilíbrio x
e
= 0 diz-se assimptoticamente estável nsLy se for estável nsLy
e além disso existir r > 0 tal que ||x(0)|| < r ⇒ x(t) → 0 quando t → ∞. A definição
dada tem a interpretação geométrica dada na Fig. 3.3. Ao espaço de estados B
r
,
constituído por uma bola com o maior raio r que verifique a definição dada, dá-se o
nome de domínio de atracção, região de atracção ou bacia de atracção do ponto de
equilíbrio (Fig. 3.4).











Fig. 3.3 – Sistema assimptoticamente estável.

Um ponto de equilíbrio diz-se marginalmente estável nsLy se for estável mas não for
assimptoticamente estável.
Chama-se a atenção para o facto de haver sistemas que podem não ser estáveis nsLy e
convergirem para zero. Um exemplo apresentado por Vinograde descreve trajectórias
que quando iniciadas dentro da circunferência de raio 1 começam por sair sempre para
fora da circunferência e só depois é que convergem para a origem.
Os conceitos de estabilidade que se acabam de apresentar são aplicáveis a qualquer
ponto de equilíbrio de um sistema, não necessariamente a origem. Nestas condições, se
houver mais do que um ponto de equilíbrio estável o sistema terá as correspondentes
bacias de atracção. Designa-se por separatriz a linha, superfície ou hipersuperfície que
separa as bacias de atracção.












Fig. 3.4 – Bacias de atracção e separatriz.



1ª bacia de
atracção
2ª bacia de
atracção
←separatriz
||x(t)||

R

r
x(0)



||x
e
||=0
||x(t)||
0 t
3 - FUNDAMENTOS DA TEORIA DE LYAPUNOV
Escola Superior de Tecnologia de Setúbal – Controlo Não Linear – Gustavo da Silva – Pág. 69

3.3.3.3. Estabilidade exponencial
O estado de equilíbrio x
e
=0 diz-se exponencialmente estável se existirem dois números
reais α ≥ 1 e λ > 0 tais que dentro de uma bola B
r
com centro na origem
0, || ( ) || || (0) ||
t
t t e
−λ
∀ > ≤ α x x (3.16)
Ao parâmetro λ chama-se razão de convergência da exponencial, ou decaimento.
O estado de um sistema exponencialmente estável converge para a origem de uma
forma igual ou mais rápida que a exponencial, como se exemplifica na Fig. 3.5.












Fig. 3.5 – Sistema exponencialmente estável.

3.3.4. Estabilidade local e global
Os conceitos sobre estabilidade que se acabaram de apresentar, referem-se à
estabilidade na vizinhança de um determinado ponto de equilíbrio. A estabilidade assim
definida designa-se por estabilidade local. No entanto, se o estado inicial se encontrar
longe do ponto de equilíbrio, o seu comportamento poderá ser diverso.
Por este motivo é importante saber como é que um sistema se comporta, quando o seu
estado inicial se encontra afastado de determinado ponto de equilíbrio. Surge assim o
conceito de estabilidade global.
Um estado de equilíbrio diz-se globalmente estável se for estável, qualquer que seja o
valor inicial do seu estado.
Um estado de equilíbrio diz-se globalmente assimptoticamente estável se for
assimptoticamente estável, qualquer que seja o valor do seu estado inicial. De um modo
semelhante se define estado de equilíbrio globalmente exponencialmente estável.

Exemplo 3-4
Determine o tipo de estabilidade do seguinte sistema:
2
( ) [1 sen ( )] ( ) x t x t x t = − +
Resolução:
O sistema é de 1ª ordem e admite como ponto de equilíbrio x=0.
||x(t)||

α||x(0)||



x(0)


||x
e
||=0

||x(t)||
0 t

decaimento λ
3 - FUNDAMENTOS DA TEORIA DE LYAPUNOV
Pág. 70 – Escola Superior de Tecnologia de Setúbal – Controlo Não Linear – Gustavo da Silva

Nem sempre é necessário determinar analiticamente a solução x(t) para saber o
comportamento do sistema. Este exemplo pode resolver-se de uma forma bastante
simples. Com efeito, do sistema dado, e atendendo a que o seno é uma função limitada,
pode escrever-se ( ) ( ) x t x t < − Separando as variáveis fica 1
x
x
< −

. Esta equação pode
ser integrada membro a membro entre os instantes 0 e t, a que correspondem os estados
x
0
e x(t), resultando
0
( )
ln
x t
t
x
< − , ou ainda
0
( )
t
x t x e

< , pelo que o sistema é exponen-
cialmente estável.
A definição de sistema globalmente assimptoticamente estável implica o seguinte:

Um sistema global e assimptoticamente estável apenas pode ter um ponto de equilíbrio.

3.4. Estabilidade pela linearização
Nesta secção será estudada a estabilidade de um sistema não linear utilizando o método
da linearização de Lyapunov
(2)
. Este método utiliza o conceito de sistema linearizado e
serve-se do formalismo dos sistemas lineares para analisar a estabilidade de
determinado tipo de sistemas não lineares. Em última análise o método justifica a
atitude que se toma na prática de utilizar as técnicas do controlo linear para cada um dos
pontos de funcionamento do sistema.

3.4.1. Sistema linearizado
Considere-se o sistema autónomo
( ) = x f x (3.17)
Admita-se que a função f é de classe C
1
, ou seja, é diferenciável uma vez. Nestas
condições o sistema (3.17) pode escrever-se
( )
e
os
=

| |
= +
|

\ .
x 0
f
x x f x
x
(3.18)
onde

| |
|

\ .
f
x
representa o primeiro termo do desenvolvimento de f(x) em série de Taylor
e f
os
(x) representa os restantes termos de ordem superior. Uma vez que o
desenvolvimento em série é feito em torno do ponto de equilíbrio x
e
= 0, a expressão
(3.18) não tem termo constante.
Repare-se que

| |
|

\ .
f
x
representa a matriz Jacobiana de f, que se representará por A,

2
Este método, vulgarmente designado por 1º método de Lyapunov, é devido a Poincaré.

3 - FUNDAMENTOS DA TEORIA DE LYAPUNOV
Escola Superior de Tecnologia de Setúbal – Controlo Não Linear – Gustavo da Silva – Pág. 71


1 1
1
1
...
... ...
...
n
i
j
n n
n
f f
x x
f
x
f f
x x
∂ ∂
| |
|
∂ ∂
|
| |
∂ ∂
| |
= = = |
|
|
|
∂ ∂
\ .
|
\ .
∂ ∂
|
|
∂ ∂
\ .
f
A
x
(3.19)
Nestas condições, o sistema (3.18) pode escrever-se
( )
os
= + x Ax f x (3.20)
Se em (3.20) se ignorarem os termos de ordem superior, f
os
(x), fica apenas,
= x Ax (3.21)
Ao sistema (3.21) dá-se o nome aproximação linear de (3.7), ou sistema linearizado.

Repare-se que para obter os termos f
os
(x) não é necessário calcular derivadas de f(x) de
ordem superior à 1ª (nem tal condição é exigida para obter a linearização); basta
calcular o sistema linearizado e subtraí-lo do sistema original:
( ) ( )
os
= − f x f x Ax (3.22)
Note-se que a linearização pode ser aplicada a sistemas excitados com entrada u,
invariantes no tempo,
( ) [ ( ), ( )] t t t = x f x u (3.23)
resultando do desenvolvimento
( , )
e e
os
= =
= =
∂ ∂
| | | |
= + +
| |
∂ ∂
\ . \ .
x 0 x 0
u 0 u 0
f f
x x u f x u
x u
(3.24)
ou ainda
( , )
os
= + + x Ax Bu f x u (3.25)
sendo a linearização do sistema dada por
= + x Ax Bu (3.26)
com
e
=
=

| |
=
|

\ .
x 0
u 0
f
A
x
(3.27)
e
e
=
=

| |
=
|

\ .
x 0
u 0
f
B
u
(3.28)

Um método expedito para obter o sistema linearizado a partir de (3.7), consiste
simplesmente em desprezar os termos que convergem para zero com uma ordem
superior a 1, substituir cos x por 1, sen x por x, etc.


3 - FUNDAMENTOS DA TEORIA DE LYAPUNOV
Pág. 72 – Escola Superior de Tecnologia de Setúbal – Controlo Não Linear – Gustavo da Silva

Exemplo 3-5
Obter a linearização dos sistemas a seguir indicados, calculando a matriz Jacobiana e
utilizando o método expedito.
a)
2
1 1 2
2 2
x x x
x x
¦ = − +
´
= −
¹

O ponto de equilíbrio deste sistema é
1 2
0 e 0 x x = = .
Neste sistema tem-se
2
1 1 2 1 2
( , ) f x x x x = − + e
2 1 2 2
( , ) f x x x = − , sendo a matriz Jacobiana
1 2
1 2
1 1
1 2 2
2 2
0, 0
1 2
0, 0
1 2 1 0
0 1 0 1
x x
x x
f f
x x x
f f
x x
= =
= =
∂ ∂


∂ ∂ − −


= = =

∂ ∂ − −



∂ ∂

A
O sistema linearizado é pois dado por
1 1
2 2
1 0
0 1
x x
x x


=


Para obter este mesmo sistema por um método expedito poderia simplesmente
desprezar-se o termo de 2ª ordem, na primeira equação,
2
2
x .

b)
1 1 2
2 2 1
sen
sen
x x x
x x x
= − − ¦
´
= − −
¹

Considerar-se-á apenas o ponto de equilíbrio
1 2
0 e 0 x x = = , em torno do qual se fará a
linearização. Tem-se
1 1 2 1 2
( , ) sen f x x x x = − − e
2 1 2 2 1
( , ) sen f x x x x = − − , sendo a matriz
Jacobiana
1 2
1 2
1 1
1 2 2
1 2 2
0, 0
1 2
0, 0
1 cos 1 1
cos 1 1 1
x x
x x
f f
x x x
x f f
x x
= =
= =
∂ ∂


∂ ∂ − − − −


= = =

− − ∂ ∂ − −



∂ ∂

A
O sistema linearizado é assim
1 1
2 2
1 1
1 1
x x
x x
− −

=

− −

Para obter este mesmo sistema pelo método expedito poderia simplesmente substituir-se
sen x
1
por x
1
e sen x
2
por x
2
.



3 - FUNDAMENTOS DA TEORIA DE LYAPUNOV
Escola Superior de Tecnologia de Setúbal – Controlo Não Linear – Gustavo da Silva – Pág. 73

c)
2
1 1 2
2
2 1 2
sen
0.5sen
x x x
x x x u
¦ = − +
¦
´
= − +
¦
¹

De acordo com (3.26) será = + x Ax Bu , com
e
=
=

| |
=
|

\ .
x 0
u 0
f
A
x
e
e
=
=

| |
=
|

\ .
x 0
u 0
f
B
u
.
Os pontos de equilíbrio do sistema autónomo são obtidos por
2
1 2
2
1 2
sen 0
0.5sen 0
x x
x x
¦− + =
¦
´
− =
¦
¹
, que
admite como solução 3 pontos de equilíbrio, entre os quais se encontra a origem do
espaço de estados. Para este ponto será:
1 2
1 2
1 1
1 2 1 2
1 2 2 2
0, 0; 0
1 2
0, 0; 0
cos 2 1 0
2 0.5cos 0 0.5
x x u
x x u
f f
x x x x
x x f f
x x
= = =
= = =
∂ ∂


∂ ∂ − −


= = =

− ∂ ∂ −



∂ ∂

A
Note-se que o sistema apenas tem uma entrada (escalar), pelo que fica
1 2
1 2
1
2
0, 0; 0
0, 0; 0
0 0
1 1
x x u
x x u
f
u
f
u
= = =
= = =





= = =







B
O sistema linearizado em torno da origem será pois
1 1
2 2
1 0 0
0 0.5 1
x x
u
x x


= +


3.4.2. Método de Lyapunov da linearização
Considere-se um sistema linear simples, autónomo,
( ) ( ) t t = x Ax (3.29)
Tratando-se de um sistema simples a matriz A é regular e portanto o único ponto de
equilíbrio do sistema é a origem do espaço de estados, x
e
=

0. Como o sistema é linear a
estabilidade é sempre global; o seu tipo é independente das condições iniciais, e
portanto independente da distância entre o ponto de partida em t=0 e o ponto de
equilíbrio.
Sabe-se, da teoria dos sistemas lineares, e utilizando a linguagem introduzida atrás, que,
em relação à estabilidade, um sistema linear contínuo apenas pode ser:
• Exponencialmente estável: matriz A com todos os valores próprios no semiplano
complexo s, esquerdo,
• Marginalmente estável: matriz A com os pólos no semiplano complexo s esquerdo e
com pelo menos um valor próprio sobre o eixo jω.
3 - FUNDAMENTOS DA TEORIA DE LYAPUNOV
Pág. 74 – Escola Superior de Tecnologia de Setúbal – Controlo Não Linear – Gustavo da Silva

• Instável: matriz A com pelo menos um valor próprio no semiplano complexo s
direito. Neste caso a solução ||x(t)|| tende para ∞ quando t→∞.
O método da linearização de Lyapunov parte da análise da matriz A do sistema
linearizado para concluir sobre a estabilidade do sistema não linear, e afirma o seguinte:


• Se o sistema linearizado for (exponencialmente) estável, o correspondente
sistema não linear é assimptoticamente estável.
• Se o sistema linearizado for instável, o correspondente sistema não linear é
instável.
• Se o sistema linearizado for marginalmente estável nada se pode concluir
sobre o sistema não linear correspondente.


A demonstração deste teorema será feita adiante, com base no método directo de
Lyapunov.
Note-se que se o valor do estado estiver próximo do equilíbrio (por hipótese x
e
= 0), o
sistema linearizado representa com bastante aproximação o sistema não linear de
partida. No entanto, se o sistema linearizado for marginalmente estável é de esperar que
os termos de ordem superior desempenhem um papel decisivo no comportamento do
sistema não linear correspondente.
O método da linearização sofre de uma limitação, quando o sistema linearizado é
marginalmente estável. Há no entanto forma de levantar a indeterminação e obter a
estabilidade do sistema não linear associado, utilizando o teorema da variedade central
(“center manifold theorem”). Este teorema permite estudar a estabilidade do sistema não
linear de ordem n a partir do estudo de um sistema menos complexo, de ordem n-p, em
que p é o número de valores próprios com parte real nula, da matriz A do sistema
linearizado (ver Khalil, 2ª ed. págs. 167-169)

Exemplo 3-6
Utilizando o método da linearização concluir sobre a estabilidade dos sistemas descritos
pelos seguintes modelos:
a)
3
sen x x x = − − b)
3
(1 ) 1 x x = − −
c)
2
2 , x x a x a + = ∈ d) sen 0 ML B MgL θ θ θ + + =

(pêndulo de massa M,
comprimento do braço L e factor de amortecimento B)
Resolução:
a) O único ponto de equilíbrio deste sistema é a origem. Utilizando o método expedito
pode obter-se o sistema linearizado em torno da origem, x x = − . Tem-se pois A= –1.
O valor próprio desta matriz, –1, encontra-se no semiplano complexo s esquerdo. O
sistema linearizado é exponencialmente estável e consequentemente o sistema
original é assimptoticamente estável.

3 - FUNDAMENTOS DA TEORIA DE LYAPUNOV
Escola Superior de Tecnologia de Setúbal – Controlo Não Linear – Gustavo da Silva – Pág. 75

b) Este sistema pode ser simplificado, obtendo-se
2 3
3 3 x x x x = − + − . O único ponto de
equilíbrio é x=0. O sistema linearizado será pois 3 x x = − . O pólo encontra-se no
semiplano complexo s esquerdo, e tem o valor –3. O sistema linearizado é
exponencialmente estável e portanto o sistema original é assimptoticamente estável.
c) Efectuando as mudanças de variável
1
x x = e
2
x x = vem
1 2
2
2 1 2
2
x x
x ax x
= ¦
´
= −
¹

Os pontos de equilíbrio são
1
0 x = e
2
0 x = . O sistema linearizado será
1 2
2 1
x x
x ax
=
¦
´
=
¹

, ou seja,
1 1
2 2
0 1
0
x x
x x a

=

, ou ainda,
1 1
2 2
x x
x x

=


A

, com
0 1
0 a

=


A
Os valores próprios de A obtêm-se resolvendo a equação 0 − λ = A I :
1
0
a
−λ
=
−λ
,
2
0 a λ − = , a λ = ± . Há a distinguir dois casos:
1º. 0 a > . Neste caso há um pólo do sistema linearizado no semiplano complexo s
direito. O sistema linearizado é instável e consequentemente o sistema original
também é instável.
2º. 0 a ≤ . Neste caso há um par de pólos sobre o eixo imaginário. O sistema linearizado
é marginalmente estável, nada se podendo concluir sobre o sistema original.
d) Fazendo
1
x θ = e
2
x θ =

pode escrever-se
1 2
2 1 2
sen
x x
x g x bx
= ¦
´
= − −
¹

com
B
b
ML
= > 0.
Pontos de equilíbrio:
2
1 2
0
sen 0
x
g x bx
=
¦
´
− − =
¹
, ou,
1
2
, 0, 1, 2,
0
x k k
x
= π = ± ±
¦
´
=
¹

.
Há agora a distinguir dois casos distintos, ao linearizar:
1º. 0, 2, 4, k = ± ± . Nestes casos o sistema linearizado será
1 2
2 1 2
x x
x gx bx
=
¦
´
= − −
¹

.
A matriz A será
0 1
g b


− −

, sendo os valores próprios
2
1,2
1
( 4 )
2
b b g λ = − ± − .
Estes valores próprios estão localizados no semiplano complexo s esquerdo. O
sistema linearizado é exponencialmente estável e portanto o sistema original é
assimptoticamente estável (nos pontos de equilíbrio indicados).
2º. 1, 3, k =± ± . Nestes casos o sistema linearizado será
1 2
2 1 2
x x
x gx bx
= ¦
´
= −
¹

.
A matriz A será
0 1
g b




, sendo os valores próprios
2
1,2
1
( 4 )
2
b b g λ = − ± + . Estes
valores próprios estão localizados um no semiplano complexo s esquerdo e o outro
no semiplano direito. O sistema linearizado é instável e portanto o sistema original é
também instável. Note-se que estes pontos de equilíbrio correspondem às posições
em que a massa do pêndulo se encontra no topo.
3 - FUNDAMENTOS DA TEORIA DE LYAPUNOV
Pág. 76 – Escola Superior de Tecnologia de Setúbal – Controlo Não Linear – Gustavo da Silva

3.5. Método Directo de Lyapunov
3.5.1. Motivação
O método directo de Lyapunov, correntemente designado por 2º método de Lyapunov,
permite efectuar a análise da estabilidade de um sistema através de uma função escalar
do estado, designada por função de Lyapunov.
A função de Lyapunov pode ser encarada como uma extensão matemática do conceito
de energia do sistema. Um sistema, quer seja mecânico, eléctrico ou de outro tipo, tem
habitualmente dissipação ou amplificação de energia. Sempre que a dissipação seja
superior à amplificação a energia do sistema irá caindo e as variáveis do sistema
(amplitudes de oscilação, velocidades, tensões eléctricas, correntes, etc.) terão tendência
a evoluir para zero. Estudando a energia associada ao sistema, ou outra grandeza mais
conveniente, será possível avaliar o seu comportamento, em particular a sua
estabilidade.
A amplificação de energia só existe em sistemas com componentes activos, em que
existe uma transferência de energia contínua para um tipo de energia alternado ou
oscilante. Nos circuitos de electrónica o fornecimento de energia contínua é feito pela
fonte de alimentação. Numa ponte que entra em oscilação, a energia pode ser originada
pela componente contínua do vento, ou por qualquer outra força permanente.
Tome-se como exemplo o sistema em regime livre, constituído por uma massa sujeita à
acção de uma mola não linear, com amortecimento proporcional ao quadrado da
velocidade. Será uma extensão do modelo representado pela equação (2.22).

3
1 3
0 mx b x x k x k x + + + = (3.30)
Notando que
3
1 3
k x k x + é a força de restituição da mola, a energia potencial associada a
esta força, quando a mola se encontra na posição x, é dada por

3 2 4
1 3 1 3
0
1 1
( ) ( )
2 4
x
p
V x k x k x dx k x k x = + = +

(3.31)
A energia cinética do sistema é dada por

2
1
( )
2
c
V x mx = (3.32)
pelo que a energia mecânica total do sistema será

2 4 2
1 3
1 1 1
( )
2 4 2
V k x k x mx = + + x (3.33)
Observando a função V(x), conclui-se que:
V(x) é positiva quando x ≠ 0 (x ≠ 0 e x ≠ 0)
V(x) é nula quando x = 0

3 - FUNDAMENTOS DA TEORIA DE LYAPUNOV
Escola Superior de Tecnologia de Setúbal – Controlo Não Linear – Gustavo da Silva – Pág. 77

Calcule-se agora a evolução de V(x) com o tempo:

3 3
1 3 1 3
( ) ( ) V k xx k x x mxx k x k x mx x = + + = + + x

(3.34)
Notando que a quantidade entre parêntesis, pela equação (3.30) é igual a b x x − , vem:

3
2
( ) V b x x b x = − = − x

(3.35)
Uma vez que se trata de um sistema com amortecimento (b>0), a expressão (3.35)
mostra que, independentemente do estado inicial, a função ( ) V x

é sempre negativa, isto
é, a energia total do sistema vai diminuindo, até atingir o valor zero, quando 0 x = .
Os conceitos contidos neste exemplo constituem a base do método directo de Lyapunov.

3.5.2. Funções positivas definidas
Uma função escalar, contínua e unívoca, de um vector, diz-se localmente positiva
definida se, se dentro de uma bola de raio R
0
for:

0
( )
0
V
> ≠ ¦
´
= =
¹
x 0
x
x 0
(3.36)
A função V(x) diz-se globalmente positiva definida se (3.36) for válida para todo o
espaço de estados.
Tomando o exemplo do sistema atrás representado em (3.30) e considerando a sua
energia total V(x) dada por (3.33), conclui-se imediatamente que V(x) é globalmente
definida positiva. Na Fig. 3.6 encontra-se representada geometricamente uma função
positiva definida.











a) Representação 3D b) Curvas de nível
Fig. 3.6 – Representação geométrica de uma função positiva definida.


Repare-se que a definição de função positiva definida exige que V(0) = 0. Isto implica
que o seu único mínimo é a origem (estado nulo). Note-se ainda, que na representação
por meio de curvas de nível estas não se intersectam, uma vez que a função V(x) é
unívoca.
V
3
>V
2
>V
1

V
3

V
2

V
1

V(x)
x
2
x
1
0
V
1
<V
2
<V
3

V
3
V
2
V
1
0
x
2
x
1

3 - FUNDAMENTOS DA TEORIA DE LYAPUNOV
Pág. 78 – Escola Superior de Tecnologia de Setúbal – Controlo Não Linear – Gustavo da Silva

Uma função V(x) diz-se negativa definida (local ou globalmente) se a sua simétrica
–V(x) for positiva definida.
Uma função escalar, contínua e unívoca, diz-se positiva semidefinida (local ou
globalmente) se:

0
( )
0
V
≥ ≠ ¦
´
= =
¹
x 0
x
x 0
(3.37)
A função diz-se negativa semidefinida se –V(x) for positiva semidefinida.
Uma função escalar, contínua V(x) diz-se localmente indefinida se, dentro de uma bola
de raio R
0
qualquer, em torno da origem tomar valores positivos e negativos.
Exemplo 3-7
Classificar, no que respeita às definições atrás apresentadas, as seguintes funções V(x)
associadas aos sistemas indicados:
a) 2 sen 0 θ + θ + θ =


2
( ) 1 cos V θ θ = − + x


1 2
( , ) x x θ θ = =


b)
3
sen x x x = − −
2 2
1
( ) 2
2
V x x = + x
c)
3
sen x x x = − −
2 2
1
( ) 2
4
V x x = − x
Resolução:
a) Efectuando as mudanças de variável
1
x θ = e
2
x θ =

obtém-se o modelo de estado
1 2
2 1 2
sen 2
x x
x x x
= ¦
¦
´
= − −
¦
¹

Os pontos de equilíbrio obtêm-se resolvendo o sistema de equações
2
1 2
0
sen 2 0
x
x x
=
¦
¦
´
− − =
¦
¹

obtendo-se
1 2
, e 0 x k k x π = ∈ = .
Analise-se o que se passa no ponto de equilíbrio x=0. A função V(x) é constituída
pela soma de 1 cos − θ, que é maior ou igual a zero (igual apenas para θ = 0 ou
múltiplo de 2π), e de
2
θ

, que é maior ou igual a zero, sendo zero nos pontos de
equilíbrio. Nestas condições, na vizinhança da origem V(x) satisfaz à definição (3.36)
pelo que é localmente positiva definida.
b) O ponto de equilíbrio do sistema é x=0. A função V(x) é constituída pela soma de
dois termos maiores ou iguais a zero. V(x) satisfaz à definição (3.36), pelo que é
globalmente positiva definida.
c) O sistema é igual ao anterior. A função V(x) pode agora tomar valores positivos ou
negativos para x≠0. V(x) é pois localmente indefinida.

3 - FUNDAMENTOS DA TEORIA DE LYAPUNOV
Escola Superior de Tecnologia de Setúbal – Controlo Não Linear – Gustavo da Silva – Pág. 79

3.5.3. Função de Lyapunov
Dentro de uma bola centrada na origem e de raio R, uma função V(x) diz-se função de
Lyapunov se e só se:
V(x) for positiva definida,
V

(x) for negativa semidefinida.
Para uma função de Lyapunov tem-se pois:

( ) 0, ( ) 0
( ) 0, ( ) 0
V V
V V
> ≠ = ¦
´
≤ ≠ =
¹
x x 0 0
x x 0 0

(3.38)
Na Fig. 3.7 faz-se a representação geométrica de uma função de Lyapunov.
A condição ( ) 0 V ≤ x

implica que a trajectória do sistema se deve aproximar da origem.











a) Representação 3D b) Curvas de nível

Fig. 3.7 – Representação geométrica de uma função de Lyapunov.

Exemplo 3-8
Indicar quais das funções abaixo são função de Lyapunov dos respectivos sistemas, para
a origem:
a) x x = −
2 2
( ) V x x = + x
b)
3
1 2 1
3
2 1 2
x x x
x x x
¦ = − −
¦
´
= −
¦
¹

2 2
1 2
( ) V x x = + x
c)
1 2 1
2 1 2
sen
sen
x x x
x x x
= − − ¦
´
= −
¹

2 2
1 2
1
( ) ( )
2
V x x = + x
Resolução:
a) A função V(x) é positiva definida. Analise-se a derivada: ( ) 2 2 2( ) V xx xx x x x = + = + x

.
A partir do sistema obtém-se x x = − , pelo que
2
( ) 2( ) 2( )( ) 4 V x x x x x x x = − = + − = − x

que é negativa definida. Logo, V(x) é uma função de Lyapunov do sistema dado.

x
1

x
2
x(t)
x
0

V(t)
V
1
<V
2
<V
3

V
3
V
2
V
1
0
x
2
x
1

x(t)
x
0

3 - FUNDAMENTOS DA TEORIA DE LYAPUNOV
Pág. 80 – Escola Superior de Tecnologia de Setúbal – Controlo Não Linear – Gustavo da Silva

b) O único ponto de equilíbrio é a origem. A função V(x) é positiva definida. A sua
derivada é
1 1 2 2
( ) 2 2 V x x x x = + x

. Substituindo
1
x e
2
x dados pelo sistema obtém-se
3 3 4 4
1 2 1 2 1 2 1 2
( ) 2 ( ) 2 ( ) 2( ) V x x x x x x x x = − − + − = − + x

que é negativa definida. Logo,
V(x) é uma função de Lyapunov do sistema dado.
c) O único ponto de equilíbrio é a origem. A função V(x) é positiva definida. A sua
derivada é
1 1 2 2
( ) V x x x x = + x

. Substituindo
1
x e
2
x dados pelo sistema obtém-se
1 2 1 2 1 2 1 1 2 2
( ) ( sen ) ( sen ) sen sen V x x x x x x x x x x = − − + − = − − x

que pode ser positiva
ou negativa. V(x) não é uma função de Lyapunov do sistema dado. Restringindo x
1
e
x
2
ao intervalo (-π, π) já ( ) V x

é nd. Nesta região V(x) é função de Lyapunov do
sistema dado.

3.5.4. Teorema de Lyapunov (estabilidade local)
Considere-se o sistema autónomo seguine, e um ponto de equilíbrio x
e
=0.
( ) [ ( )] t t = x f x (3.39)

Se numa bola de raio R com centro em x
e
=0 existir uma função escalar V(x), contínua,
com 1ª derivada contínua, tal que:
V(x) é localmente positiva definida,
( ) V x

é localmente negativa semidefinida,
então o ponto de equilíbrio x
e
=0 é localmente estável.
Se além disto ( ) V x

for localmente negativa definida, o ponto de equilíbrio é
assimptoticamente estável.


Para demonstrar este teorema é preciso provar que dado um número real positivo, R,
existe um outro número real também positivo r < R, tal que qualquer trajectória com
início no interior da bola de raio r permanece no interior da bola de raio R [definição
dada pela expressão (3.15)].
Seja m o valor mínimo de V sobre uma superfície de raio R (mínimo de V sobre a curva
de intersecção de V(x) com a esfera de raio R). Considere-se uma superfície esférica de
raio r < R tal que a sua intersecção com V(x) seja menor que m. Considere-se uma
trajectória iniciada sobre esta esfera. Uma vez que por ser uma função de Lyapunov
V(x) não pode crescer, será sempre V(x) ≤ m, ou seja, V(x) ficará sempre no interior da
esfera de raio R. Logo a trajectória é estável.
Se V(x) for estritamente decrescente, as trajectórias ficarão contidas no interior da bola
com raio cada vez menor, o que significa que o sistema é assimptoticamente estável.
Repare-se que a existência de uma função de Lyapunov é condição suficiente para a
estabilidade do sistema, mas não é condição necessária: um sistema poderá ser estável e
não se conhecer nenhuma função de Lyapunov associada.
3 - FUNDAMENTOS DA TEORIA DE LYAPUNOV
Escola Superior de Tecnologia de Setúbal – Controlo Não Linear – Gustavo da Silva – Pág. 81

3.5.5. Teorema de Lyapunov (estabilidade global)
O teorema de Lyapunov apresentado na secção anterior refere-se à estabilidade local. É
possível efectuar a sua extensão para a análise de estabilidade assimptótica global.

Considere-se o sistema autónomo (3.39), e uma função V(x) escalar, contínua, com 1ª
derivada contínua, tal que
V (x) é positiva definida,
( ) V x

é negativa definida,

V (x) → ∞ quando ||x|| → ∞.
Então o ponto de equilíbrio na origem é global e assimptoticamente estável.


A última condição diz que a função V(x) deve ser radialmente ilimitada. Do ponto de
vista geométrico, isto quer dizer que as curvas de nível de V(x) devem ser fechadas. Se
tal não acontecer, como acontece no exemplo da Fig. 3.8, pode acontecer que o estado
evolua de um ponto x(0) para um valor infinito, com diminuição contínua de V(x).












Fig. 3.8 – Caso em que o sistema não é globalmente estável.

Um sistema pode admitir mais do que uma função de Lyapunov. Algumas delas
poderão dar mais informação sobre a estabilidade do sistema do que outras.
Exemplo 3-9
Concluir sobre a estabilidade dos sistemas seguintes, em torno da origem, dos quais se
conhece uma função de Lyapunov, candidata, V(x):
a)
3
x x x = − −
2 2
( ) V x x = + x
b)
2
2
1
1
2
2 2 2
1
(1 )
x
x
x
x
x
x
¦
= −
¦
¦
´
¦
= −
¦
+
¹

2
2 1
2 2
1
( )
1
x
V x
x
= +
+
x
V
1
>V
2
>V
3

V
3

V
2

V
1

x(t)
x
1

x
2

3 - FUNDAMENTOS DA TEORIA DE LYAPUNOV
Pág. 82 – Escola Superior de Tecnologia de Setúbal – Controlo Não Linear – Gustavo da Silva

Resolução:
a) A função V(x) é positiva definida. Analise-se a sua derivada: ( ) 2 2 V xx xx = + x

. A
partir do sistema dado obtém-se
2
3 x x x x = − − . Substituindo x em ( ) V x

conclui-se
que ( ) 0 V < x

. A função V(x) é radialmente limitada. Estão pois satisfeitas todas as
condições da secção 3.5.4 e anterior: Logo o sistema é localmente estável na origem.
b) A função V(x) é positiva definida mas não é radialmente ilimitada. Com efeito, para
cada valor de x
2
, V (x) não tende para ∞ quando x
1
→ ∞. Analise-se a sua derivada.
3 2 2
1 1 2 1 2
2 2
1
2 2 (1 )
( )
(1 )
x x x x x
V
x
+ +
=
+
x

. Substituindo em ( ) V x

os valores de
1
x e de
2
x e
simplificando, obtém-se
2
2
2 2
1
4
( )
(1 )
x
V
x

=
+
x

, que é negativa semi definida.
Portanto o sistema dado é localmente assimptoticamente estável na origem, mas não
é globalmente assimptoticamente estável.
3.5.6. Teorema de Lyapunov (instabilidade)
Considere-se o sistema autónomo (3.39) e um ponto de equilíbrio = x 0 .


Se dentro de uma bola de raio R com centro em = x 0 existir uma função escalar W(x)
tal que:

W (x) é positiva definida, contínua, com primeiras derivadas parciais contínuas
( ) W x

é positiva definida
então a resposta do sistema tende para infinito quando t → ∞.


A demonstração é deixada ao cuidado do leitor.

3.6. Função de Lyapunov de sistemas lineares
3.6.1. Formas quadráticas e matrizes positivas definidas
Dado o vector
T
1 2
= [ , , , ]
n
x x x x , de componentes reais, designa-se por forma quadrática
o escalar V(x) definido pelo polinómio

1 1
( )
n n
i j i j
i j
V p x x
= =
=
∑∑
x (3.40)
em que os coeficientes p
ij
são reais.
A expressão (3.40) pode ser escrita sob a forma matricial

T
( ) , V = =< > x x Px x Px (3.41)
3 - FUNDAMENTOS DA TEORIA DE LYAPUNOV
Escola Superior de Tecnologia de Setúbal – Controlo Não Linear – Gustavo da Silva – Pág. 83

Uma vez que qualquer matriz pode ser decomposta na soma de duas matrizes, uma
simétrica e outra anti-simétrica, e que a forma quadrática associada a uma matriz anti-
-simétrica é nula, pode considerar-se que em (3.41) a matriz P é simétrica.
Uma matriz P diz-se positiva definida (pd) se a forma quadrática que lhe está associada
for positiva definida, ou seja:

T
0 ≠ ⇒ > x 0 x Px (3.42)
A condição x
T
P x = 0 para x=0, que aparece em (3.36), é naturalmente satisfeita.

Uma vez que x
T
Px é o produto interno de x
T
e de Px, a interpretação geométrica de
definição de forma quadrática pd é a seguinte: O vector x e a sua imagem Px devem
fazer um ângulo que esteja no intervalo (-π/2, π/2).

É condição necessária para uma matriz ser pd que os elementos da sua diagonal
principal sejam estritamente positivos (p
i i
> 0).
É condição necessária e suficiente para que uma matriz seja pd que os seus menores
principais sejam estritamente positivos, ou seja:

11 1
11 12
1 11 2
21 22
1
...
= | | 0, 0, , ... ... 0
...
n
n
n nn
p p
p p
p
p p
p p
∆ > ∆ = > ∆ = > (3.43)
Esta última condição é equivalente à seguinte:

É c.n.s. para que uma matriz seja pd, que os seus valores próprios sejam
positivos (os valores próprios são reais porque P é suposta simétrica).


Uma matriz pd pode ser decomposta em:

T
= P U ΛU (3.44)
em que U é a matriz unitária de vectores próprios de P, e ∆ uma matriz diagonal
contendo os valores próprios de P. Designando por λ
min
e λ
max
o menor e o maior valor
próprio de P, tem-se a partir de (3.44),

2 T 2
min max
|| || || || λ λ ≤ ≤ x x Px x (3.45)
De uma forma análoga se define uma forma quadrática (e respectiva matriz)
positiva semidefinida ( psd),
negativa definida (nd),
negativa semidefinida (nsd).

Os conceitos até aqui apresentados consideram sistemas invariantes no tempo, isto é, em
que os elementos das matrizes não dependem do tempo.

3 - FUNDAMENTOS DA TEORIA DE LYAPUNOV
Pág. 84 – Escola Superior de Tecnologia de Setúbal – Controlo Não Linear – Gustavo da Silva

3.6.2. Função de Lyapunov para SLIT
Considere-se o sistema autónomo linear:
= x Ax (3.46)
e uma função candidata a função de Lyapunov dada pela forma quadrática

T
( ) V = x x Px (3.47)
em que P é uma matriz pd simétrica. Derivando V(x) em ordem ao tempo e usando
(3.46) vem

T T T
( ) V = + = − x x Px x Px x Qx

(3.48)
com

T
− = + Q A P PA (3.49)
A equação (3.49) tem o nome de equação de Lyapunov.

Para que a trajectória do sistema (3.46) seja estável a matriz Q deverá ser pd. Se tal não
acontecer nada se pode concluir sobre a estabilidade do sistema. Para evitar que tal
possa acontecer, em vez de escolher P pd e analisar Q, procede-se de uma forma
inversa:
Escolhe-se uma matriz Q positiva definida, resolve-se a equação de Lyapunov de modo
a obter P e verifica-se se P é pd. Se isto acontecer, o sistema é assimptoticamente
estável (globalmente, por se tratar de um sistema linear). Caso não aconteça o sistema é
instável. O teorema que se segue resume o que acaba de se afirmar.
Teorema

É c.n.s. para que o SLIT autónomo = x Ax seja estritamente
(3)

estável que para qualquer matriz pd, Q, a única solução da
equação de Lyapunov (3.49) seja simétrica e pd.


Para detalhes consultar a Ref. [1] da bibliografia – Slotine, J.J.E./Li, Weiping.

3.7. Função de Lyapunov de sistemas não lineares
O problema que se põe em relação ao método directo de Lyapunov consiste em ter um
método sistemático de obter uma função de Lyapunov. Os métodos existentes baseiam-
-se em formalismos de ordem exclusivamente matemática ou em considerações de
carácter físico.
3.7.1. Métodos analíticos
Uma maneira simples de obter uma função candidata a função de Lyapunov é a que
decorre do seguinte teorema:

3
Não inclui a estabilidade marginal
3 - FUNDAMENTOS DA TEORIA DE LYAPUNOV
Escola Superior de Tecnologia de Setúbal – Controlo Não Linear – Gustavo da Silva – Pág. 85

3.7.1.1. Teorema de Krasovskii
Seja o sistema autónomo
( ) = x f x (3.50)
com f(x) suave, tendo como ponto de equilíbrio de interesse a origem do espaço de
estados. Seja A(x) o Jacobiano do sistema:
( )

| |
=
|

\ .
f
A x
x
(3.51)
Se numa região Ω em torno do ponto de equilíbrio a matriz

T
( ) ( ) ( ) = + F x A x A x (3.52)
for negativa definida, o ponto de equilíbrio é assimptoticamente estável. Uma função de
Lyapunov do sistema é

T
( ) ( ). ( ) V = x f x f x (3.53)
Se além de (3.52) ser nd se tiver
( ) V → ∞⇒ → ∞ x x (3.54)
então o ponto de equilíbrio é globalmente assimptoticamente estável.

Demonstração
A matriz F(x) é nd (por hipótese), o que implica que A(x) é regular. Com efeito, se A(x)
fosse singular, existiria um vector x
1
≠0 tal que A(x)x
1
=0, ou ainda, x
1
T
A
T
(x)x
1
=0. Mas
pela condição (3.52) tem-se 2x
1
T
A(x)x
1
= x
1
T
F(x)x
1
, que deverá ser 0, o que contradiz a
hipótese de F(x) ser nd. Logo, A(x) é regular. Sendo A(x) regular é invertível, o que
implica que f(x) também é invertível, na região Ω em torno da origem, e portanto f(x)≠0
para x≠0.

Considere-se agora a função (3.53),
T
( ) ( ). ( ) V = x f x f x ; uma vez que f(x)≠0 para x≠0,
V(x) é definida positiva. Calcule-se ( ) V x

. Uma vez que ( ) ( ) ( ) = f x A x f x

, vem [derive-
-se (3.50)]

T T T T
( ) V = + = x f Af f A f f Ff

(3.55)
Como F é negativa definida, então ( ) V x

também é negativa definida. Portanto, pela
aplicação do método directo de Lyapunov a origem é um ponto de equilíbrio
assimptoticamente estável.
Esta condição resulta directamente da aplicação do método directo de Lyapunov para a
estabilidade global.

Exemplo 3-10
Obter uma função de Lyapunov para o sistema autónomo
3 - FUNDAMENTOS DA TEORIA DE LYAPUNOV
Pág. 86 – Escola Superior de Tecnologia de Setúbal – Controlo Não Linear – Gustavo da Silva


1 1 2
3
2 1 2 2
6 2
2 6 2
x x x
x x x x
= − +
¦
´
= − −
¹

(3.56)
Tem-se
1 1
1 2
1 2
3 2
2 2
1 2 2 2
1 2
6 2 6 2
( )
2 6 2 2 6 6
f f
x x
x x
f f
x x x x
x x
∂ ∂


− + −
∂ ∂
∂ ∂

= = = =

∂ ∂ ∂ ∂ − − − −


∂ ∂

f
A x
x x

T
2
2
12 4
( ) ( ) ( )
4 12 12x


= + =

− −

F x A x A x

F(x) é negativa definida se –F(x) for positiva definida:
1º menor principal de –F(x): |–F
11
| = |12| = 12 > 0.
2º menor principal de –F(x):
2 2
2 2
2
2
12 4
144 144 16 144 128 0
4 12 12
x x
x

= + − = + >
− +

Logo F(x) é nd e portanto uma função de Lyapunov candidata é
V(x) = f
T
(x) f(x) = (–6x
1
+2x
2
)
2
+ (2x
1
–6x
2
–2x
2
3
)
2
.
Como V(x) → ∞ quando ||x|| → ∞, a origem é globalmente estável.

3.7.1.2. Teorema de Krasovskii generalizado
Considere-se o sistema (3.50) anterior, ( ) = x f x .
É c.n.s. para que a origem seja assimptoticamente estável, que existam duas matrizes pd
simétricas P e Q, tais que para todo o x≠0 a matriz

T
( ) = + + F x A P PA Q (3.57)
seja negativa semidefinida numa vizinhança Ω da origem. Uma função de Lyapunov
para o sistema é

T
( ) ( ) ( ) V = x f x Pf x (3.58)
Se a região Ω for todo o espaço de estados e além disso ||x||→∞ ⇒ V(x)→∞, então o
sistema é globalmente estável.

A demonstração deste teorema é análoga à do teorema anterior e deixa-se ao cuidado do
leitor.
3.7.1.3. Método do gradiente variável
O método do gradiente variável é uma outra forma de se obter uma função de Lyapunov
associada a um sistema. Parte-se da relação integral

0
( ) ( ). V V d = ∇

x
x ξ ξ (3.59)
3 - FUNDAMENTOS DA TEORIA DE LYAPUNOV
Escola Superior de Tecnologia de Setúbal – Controlo Não Linear – Gustavo da Silva – Pág. 87

em que ∇V(x) é o gradiente de V(x), dado por

1
( ) ,...,
T
n
V V
V
x x
∂ ∂
∇ =

∂ ∂

x (3.60)
Atendendo a que o rotacional do gradiente é identicamente nulo, impõe-se a condição
adicional

j
i
j i
V
V
x x
∂∇
∂∇
=
∂ ∂
(3.61)
No método do gradiente assume-se para o gradiente uma forma linear no estado:

1
n
i ij j
j
V a x
=
∇ =

(3.62)
Concretizando, neste método os passos a dar são os seguintes:
1. Construir ∇V(x) como combinação linear do estado,
2. Impor a V(x) a condição do rotacional nulo, dada por (3.61),
3. Impor aos coeficientes a condição de ( ) V x

ser negativa semidefinida,
4. Obter V(x) por integração de ∇V(x), usando a relação (3.59),
5. Verificar se V(x) é positiva definida.

Exemplo 3-11
Utilizando o método do gradiente obter uma função de Lyapunov para o sistema

1 1
2
2 2 1 2
2

2 2
x x
x x x x
= − ¦
´
= − +
¹

(3.63)
Seguindo os passos anteriores tem-se
1.
1 11 1 12 2
2 21 1 22 2
( )
( )
V a x a x
V a x a x
∇ = + ¦
´
∇ = +
¹
x
x
(3.64)
2.
1 2 12 21
12 2 21 1
2 1 2 1
V V a a
a x a x
x x x x
∂∇ ∂∇ ∂ ∂
= → + = +
∂ ∂ ∂ ∂
(3.65)
3. Escolhendo
11 22 12 21
1, 1, 0, 0 a a a a = = = = , (3.66)
(valores que satisfazem a condição acima), vem
1 1
( ) V x ∇ = x e
2 2
( ) V x ∇ = x
4.
1 2 1 2
2 2
1 1 2 2 1 1 2 2 1 2
0 0 0 0
1
( ) ( )
2
x x x x
V V dx V dx x dx x dx x x = ∇ + ∇ = + = +
∫ ∫ ∫ ∫
x (3.67)
5. V(x) é pd, logo, a origem é assimptoticamente estável.
Uma vez que ||x||→∞ ⇒ V(x)→∞, a origem é assimptoticamente estável.

3 - FUNDAMENTOS DA TEORIA DE LYAPUNOV
Pág. 88 – Escola Superior de Tecnologia de Setúbal – Controlo Não Linear – Gustavo da Silva

3.7.2. Métodos baseados em conceitos físicos
Por vezes utiliza-se o conhecimento que se tem sobre a física do processo para a
obtenção da função de Lyapunov associada a um determinado sistema. Esta anda de um
modo geral associada ao conceito de energia (potencial, cinética, eléctrica, magnética) e
ao facto de que normalmente a sua soma (potencial+cinética, para sistemas mecânicos
ou eléctrica+magnética para sistemas eléctricos) se dissipa com o decorrer do tempo. A
energia tem um valor essencialmente positivo ou nulo, o que significa ser V(x) definida
positiva. A dissipação significa que V(x) diminui e tende para zero quando x→0, ou
seja, ( ) V x

é definida negativa.
Este método é vantajoso em relação aos métodos matemáticos sempre que se lida com
sistemas de ordem elevada.
3.8. Conjuntos invariantes
A introdução do conceito de conjunto invariante e dos teoremas a ele associados,
permite analisar a estabilidade de sistemas no caso em que a função de Lyapunov não
permite efectuar o estudo da estabilidade em torno de um ponto de equilíbrio.
3.8.1. Definição

Define-se conjunto invariante associado a um sistema como
sendo a região do espaço de estados tal que toda a trajectória
que nele se inicia aí permanece em todos os instantes futuros.


De acordo com a definição dada são conjuntos invariantes os seguintes:
• Um ponto de equilíbrio estável,
• Um ciclo limite estável,
• Um domínio de atracção,
• Uma determinada trajectória,
• Todo o espaço de estados (conjunto trivial).
Os dois teoremas que se seguem são relativos à estabilidade de um sistema numa região
contendo um conjunto invariante (estabilidade local) e em todo o espaço de estados
(estabilidade global).
3.8.2. Teorema local do conjunto invariante
Considere-se o sistema autónomo (3.50) e seja V(x) uma função escalar contínua que
admita derivadas parciais. Considere-se um valor real > 0 e seja Ω

a região do espaço
de estados em que se verifica a condição V(x) < . Admita-se que ( ) 0 V ≤ x

para x∈Ω

.
Seja R o conjunto de pontos dentro de Ω

onde ( ) V x

=0 e seja M o maior conjunto
3 - FUNDAMENTOS DA TEORIA DE LYAPUNOV
Escola Superior de Tecnologia de Setúbal – Controlo Não Linear – Gustavo da Silva – Pág. 89

invariante contido em R. Então, toda a trajectória x(t) com origem em Ω

converge para
M quando t→ ∞.
A interpretação geométrica deste teorema encontra-se na Fig. 3.9. A demonstração
encontra-se na ref. [1] da bibliografia – Slotine, J.J.E./Li, Weiping.

Corolário: Se nas condições anteriores V(x) for localmente positiva definida,
( ) V x

negativa semidefinida e o conjunto R definido por ( ) 0 V = x

não contiver
trajectórias além da trajectória x ≡ 0, então o ponto de equilíbrio 0 é assimptoticamente
estável. Além disso a maior região Ω

é um domínio de atracção do ponto de equilíbrio.














Fig. 3.9 – Convergência da trajectória para o conjunto invariante.

3.8.3. Teorema global do conjunto invariante
Considere-se o sistema autónomo (3.50), ( ) = x f x , e seja V(x) uma função escalar
contínua que admita derivadas parciais. Admita-se que
( ) 0 V ≤ x

para qualquer x,
||x|| → ∞ ⇒ V(x) → ∞.
Seja R o conjunto de todos os pontos em que ( ) 0 V = x

e M o maior conjunto invariante
em R. Então todas as soluções convergem de uma forma global e assimptótica para M
quando t → ∞.

Exemplo 3-12: Uma classe de sistemas n.l. de 2ª ordem.
Considere-se o sistema autónomo de 2ª ordem definido por
( ) ( ) 0 x f x g x + + = (3.68)
em que ( ) f x e ( ) g x são funções contínuas satisfazendo às condições

R
M
x
1

x
2
V=
V(x)
x
0
3 - FUNDAMENTOS DA TEORIA DE LYAPUNOV
Pág. 90 – Escola Superior de Tecnologia de Setúbal – Controlo Não Linear – Gustavo da Silva


( ) 0, para 0
( ) 0, para 0
x f x x
x g x x
> ≠ ¦
´
> ≠
¹

(3.69)
Estas expressões têm o significado indicado na Fig. 3.10. A equação (3.68) pode
representar por exemplo um sistema massa-mola-amortecedor em que as forças devidas
ao amortecimento e à mola poderão seguir (3.69).










Força devida ao amortecimento Força devida à mola

Fig. 3.10 – Forma das funções ( ) e ( ) f x g x

Do ponto de vista físico, a imposição das condições (3.69) equivale a dizer que o
coeficiente de amortecimento é positivo e a força exercida pela mola é resistente. Nestas
condições é de esperar que as energias cinética e potencial do sistema vão diminuindo e
que o sistema não fique bloqueado em nenhum ponto de equilíbrio diferente da origem.
Considere-se a função

2
0
1
( ) ( )
2
x
V x x g d ξ ξ = +

(3.70)
que, no caso de se tratar de um sistema mecânico, poderá corresponder à sua energia
total. A partir de V(x) obtém-se, por derivação,
( ) ( ) ( ) ( ) ( ) ( ) 0 V xx g x x xf x xg x g x x xf x = + = − − + = − ≤ x

(3.71)
Devido às condições impostas ( ) x f x só pode ser nula para 0 x = . Mas para 0 x = tem-
-se ( ) x g x = − que é diferente de zero sempre que x≠0, o que significa o que há pouco
se afirmou, isto é, que o sistema não pode ficar preso em nenhum ponto de equilíbrio
que não seja a origem. Considerando R como o conjunto definido por 0 x = , o maior
conjunto invariante M contido em R contém apenas o ponto x=0 (x=0, 0 x = ). A
aplicação do teorema local do conjunto invariante indica que a origem é localmente
assimptoticamente estável.
Como além disto
0
( )
x
g d ξ ξ

→ ∞ quando |x|→∞, V(x) é radialmente ilimitada e portanto
a origem é globalmente assimptoticamente estável.

( ) f x
x
( ) g x
x
3 - FUNDAMENTOS DA TEORIA DE LYAPUNOV
Escola Superior de Tecnologia de Setúbal – Controlo Não Linear – Gustavo da Silva – Pág. 91

3.9. Estabilidade de sistemas não autónomos
Os conceitos de estabilidade de sistemas não autónomos são muito semelhantes aos que
foram definidos para os sistemas autónomos. No entanto, uma vez que o tempo aparece
explicitamente nas equações do sistema, é de esperar que este também apareça nas
definições de estabilidade, e em particular surja o instante t
0
em que o sistema inicia a
sua trajectória, em vez do instante 0.
3.9.1. Pontos de equilíbrio
Considere-se o sistema não autónomo, em regime livre, descrito pela equação
( ) [ ( ), ] t t t = x f x (3.72)
em que f(.,.) é uma função seccionalmente contínua no tempo e indefinidamente
diferenciável em relação a x.

Designam-se por pontos de equilíbrio do sistema (3.72) todos aqueles em que para todo
t ≥ t
0
o estado é estacionário, ou seja,

0
[ ( ), ] 0,
e
t t t t = ∀ > f x (3.73)
É também de salientar que a extensão de determinados conceitos tem que ser feita com
bastante cuidado, para não se chegar a conclusões erradas. Como exemplo tome-se o
sistema linear massa mola amortecedor, em que o amortecimento b(t) > 0 varia com o
tempo:

0
( ) 0 x b t x k x + + = (3.74)
O único ponto de equilíbrio deste sistema é a origem, x=0. Aparentemente, uma vez que
se trata de um sistema dissipativo, parece, à primeira vista, que se o movimento for
iniciado num estado x≠0, este tenderá a convergir para o ponto de equilíbrio. Tal
poderá não acontecer. Exemplifique-se com b(t)=2+e
t
e k
0
= 0 e inicie-se o movimento
no instante t=0 com x(0)=2 e (0) 1 x = − . A solução da equação é dada por x(t)=1+e
–t
,
que tende para 1 quando t→∞. Embora possa parecer paradoxal, que neste sistema,
sendo x=0 o ponto de equilíbrio, a solução não convirja para ele. A explicação, do
ponto de vista físico, é simples: o amortecimento vai aumentando de tal forma que o
sistema fica preso em x = –1 antes de chegar ao ponto de equilíbrio.
3.9.2. Estabilidade de um ponto de equilíbrio
O ponto de equilíbrio x=0 diz-se estável no sentido de Lyapunov, no instante t
0
, se para
qualquer R>0 existir r(R,t
0
) tal que para todo o t≥t
0

0
( ) ( ) t r t R < ⇒ < x x (3.75)
O ponto de equilíbrio diz-se instável, caso contrário.

3 - FUNDAMENTOS DA TEORIA DE LYAPUNOV
Pág. 92 – Escola Superior de Tecnologia de Setúbal – Controlo Não Linear – Gustavo da Silva

Repare-se na diferença em relação à definição dada em 3.3.3.1, expressão (3.15), para
sistemas autónomos: Aqui o valor de r depende também de t
0
.

De uma forma análoga à anterior define-se estabilidade assimptótica e estabilidade
exponencial, estabilidade local e estabilidade global. Há no entanto um conceito novo,
que não aparecia nos sistemas autónomos: O de estabilidade uniforme.

O ponto de equilíbrio x=0 do sistema não autónomo (3.72) diz-se uniformemente
estável se o escalar r da definição acima puder ser escolhido independentemente do
instante inicial t
0
, ou seja, r=r(R). O conceito de estabilidade uniforme é extensível aos
sistemas assimptoticamente estáveis. Para um sistema não autónomo a estabilidade
exponencial implica estabilidade uniforme.
3.9.3. Método directo de Lyapunov
A análise da estabilidade de um sistema autónomo por meio da função de Lyapunov
pode ser estendida a sistemas não autónomos, embora com um formalismo um pouco
mais complexo e com mais restrições. A função de Lyapunov vai agora depender do
estado e do tempo, V=V(x,t), como se verá a seguir.
3.9.3.1. Função definida positiva / negativa
Uma função escalar de um vector x e de um escalar t diz-se localmente positiva
definida se V(0,t)=0 e existir uma função V
0
(x) positiva definida, não dependente de t,
tal que

0 0
( , ) ( ), V t V t t ≥ ∀ > x x (3.76)
Repare-se que existe um predomínio de V(x,t) sobre a correspondente função V
0
(x)
independente do tempo.
De uma forma análoga define-se uma função globalmente positiva definida, negativa
definida, positiva semidefinida e negativa semidefinida.
Há no entanto um conceito novo que não existe para os sistemas autónomos: o conceito
de função decrescente.
Uma função V(x,t) diz-se decrescente se V(0,t)=0 e existe uma função positiva definida
invariante no tempo V
1
(x) tal que

1 0
( , ) ( ), V t V t t ≤ ∀ > x x (3.77)
Exemplo 3-13 – Indicar se a função
2 2 2
1 2
( , ) (1 sen )( ) V t t x x = + + x é pd e decrescente.
Uma vez que
2
1 1 sen 2 t ≤ + ≤ , existe uma função
2 2
0 1 2
( ) ( ) V x x = + x positiva definida e
independente do tempo, tal que
0
( , ) ( ) V t V ≥ x x . Logo a função dada, variante no tempo,
é positiva definida.
Por outro lado existe
2 2
1 1 2
( ) 2( ) V x x = + x tal que
1
( , ) ( ) V t V ≤ x x qualquer que seja t.
Além disso é V(0,t)=0 e portanto a função dada é decrescente.
3 - FUNDAMENTOS DA TEORIA DE LYAPUNOV
Escola Superior de Tecnologia de Setúbal – Controlo Não Linear – Gustavo da Silva – Pág. 93

3.9.3.2. Cálculo da derivada de V(x,t)
Uma vez que V(x,t) é uma função do tempo, explicitamente e também através da
evolução do estado, para o cálculo da sua derivada utilizam-se as regras normais da
derivação da função de várias variáveis e de função composta:

( )
( , ) ( , )
d V V d t
V t V t
dt t dt
∂ ∂
≡ = +
∂ ∂
x
x x
x

(3.78)
e como
( )
( ) ( , )
d t
t t
dt
≡ =
x
x f x , vem
( , ) ( , )
V V
V t t
t
∂ ∂
= +
∂ ∂
x f x
x

(3.79)
Isto significa que a derivada da função de Lyapunov deve ser calculada ao longo das
trajectórias do sistema.
Os teoremas de Lyapunov sobre a estabilidade de pontos de equilíbrio de sistemas não
autónomos encontram-se resumidos na secção seguinte.
3.9.4. Teoremas de Lyapunov para sistemas não autónomos
Seja uma bola
0
R
B de raio R
0
centrada no ponto de equilíbrio x=0 do sistema não
autónomo. Definem-se os seguintes conceitos de estabilidade:
3.9.4.1. Estabilidade no sentido de Lyapunov (nsLy)
Se existir uma função escalar V(x,t) com derivadas parciais contínuas, tal que
a) V(x,t) é positiva definida,
b) ( , ) V t x

é negativa semi-definida,
então o ponto de equilíbrio x=0 é estável nsLy.
3.9.4.2. Estabilidade uniforme
Se além de verificar as condições a) e b) anteriores e
c) V(x,t) for decrescente,
então o ponto de equilíbrio x=0 é uniformemente estável.
3.9.4.3. Estabilidade assimptótica
Se em vez da condição b) se verificar
d) ( , ) V t x

é negativa definida,
então o ponto de equilíbrio é assimptoticamente estável.
Se além da condição a) as condições c) e d) forem verificadas em simultâneo, o ponto
de equilíbrio x=0 diz-se uniforme e assimptoticamente estável.


3 - FUNDAMENTOS DA TEORIA DE LYAPUNOV
Pág. 94 – Escola Superior de Tecnologia de Setúbal – Controlo Não Linear – Gustavo da Silva

3.9.4.4. Estabilidade global
Se a bola
0
R
B considerada for todo o espaço de estados e se além das condições a) c) d)
se verificar também
e) V(x,t) é radialmente ilimitada,
então o ponto de equilíbrio x=0 é global, uniforme e assimptoticamente estável.
Exemplo 3-14
Determine a estabilidade do sistema
1 1 2
2
2 1 2
( ) ( ) ( )
( ) ( ) ( )
t
x t x t x t
x t e x t x t

= − +
¦
´
= − −
¹

tomando como função de Lyapunov
2 2 2
1 2
( , ) (1 )
t
V t e x x

= + + x .
Resolução:
A função V(x,t) é pd, uma vez que existe uma função independente do tempo,
V
0
(x)=x
1
2
+x
2
2
tal que V(x,t)≥V
0
(x), para todo t≥t
0
.
Cálculo de ( , ) V t x

:
1 2 2 2 2
1 1 2 2
1 2
( , ) 2 [2(1 ) , 2 ]
t t
t
x x
V t e x e x x
e x x
− −

− +

= − + +

− −

x

=
2 2 2
2 1 2 1
2[ (1 )]
t
x x x x e

− − + +
V

(x,t) ≤ –2 (x
1
2
– x
1
x
2
+ x
2
2
) = – (x
1
–x
2
)
2
– x
1
2
– x
2
2
≤ 0

Como V(x,t) é radialmente ilimitada, conclui-se que o sistema é global, uniforme e
assimptoticamente estável.
3.9.5. Método directo de Lyapunov para sistemas lineares não autónomos.
Quando um sistema linear é não autónomo, não podem ser utilizados os métodos
tradicionais de análise de sistemas autónomos para concluir sobre a sua estabilidade. O
exemplo seguinte mostra a necessidade de se tomarem as devidas precauções com os
sistemas não autónomos.
Seja o sistema linear não autónomo

2
1 1
2 2
1
0 1
t
x x e
x x

=


(3.80)
A matriz A do sistema depende do tempo. Para determinar a estabilidade é-se tentado a
determinar os valores próprios de A(t) e, a pensar que se estes estiveram sempre no
semiplano complexo esquerdo, para todo t > t
0
, que o sistema será estável. Tal no
entanto é falso. O sistema acima admite um valor próprio duplo λ = –1 (no semiplano
complexo esquerdo) e não é estável. Com efeito, a solução do sistema é, resolvendo
primeiro em ordem a x
2
e depois em ordem a x
1

3 - FUNDAMENTOS DA TEORIA DE LYAPUNOV
Escola Superior de Tecnologia de Setúbal – Controlo Não Linear – Gustavo da Silva – Pág. 95

-
2 2
1 1 2
( ) (0)
( ) ( ) (0)
t
t
x t x e
x t x t x e
¦ =
¦
´
+ =
¦
¹

x
1
(t) tende para infinito e portanto o sistema não é estável.
Uma situação análoga a esta acontece com os sistemas discretos lineares variantes no
tempo: o sistema pode ter os pólos sempre no interior da circunferência de raio 1 e não
ser estável. A estabilidade de um sistema não autónomo é estabelecida no seguinte
Teorema:
Seja o sistema linear não autónomo
( ) ( ) ( ) t t t = x A x (3.81)
É condição suficiente para que o sistema (3.81) seja assimptoticamente estável que a
matriz (simétrica)

T
( ) ( ) t t + A A (3.82)
tenha os valores próprios (reais) no semiplano complexo esquerdo, ou seja,

T
0 i
, , λ [ ( ) ( )] λ t t i t t ∀ ≥ ∀ + ≤ − A A (3.83)

Demonstração: Utilize-se a função de Lyapunov V(x,t)=x
T
x para provar a estabilidade.
V(x,t) é pd e ( , ) V t x

é dado por
T T T T T T
( , ) ( ) ( ) [ ( ) ( )] λ λ
T
V t t t t t V = + = + = + ≤ − = − x x x x x x A x x A x x A A x x x

T
0
, 0 ( ) (0)
t
t t V t V e
λ −
∀ ≥ ≤ = ≤ x x
e portanto x(t) tende exponencialmente para zero.

Repare-se que o teorema apresenta uma condição suficiente para que o sistema seja
estável, mas não exige que os valores próprios de A(t)+A
T
(t) se encontrem no
semiplano complexo esquerdo.

3.9.6. O método da linearização para sistemas não autónomos
O método da linearização apresentado para sistemas autónomos pode ser estendido a
sistemas não autónomos.
Seja o sistema não autónomo (3.72). O desenvolvimento do 2º membro do sistema em
série de Taylor, em torno de x
e
=0, conduz a
( ) ( ) ( ) ( , ) t t t t = +
os
x A x f x (3.84)
Se a função f(x,t) puder ser aproximada por (3.84) em qualquer instante, deverá ter-se

0
|| ( , ) ||
lim sup 0
|| ||
t

=
os
x
f x
x
(3.85)

3 - FUNDAMENTOS DA TEORIA DE LYAPUNOV
Pág. 96 – Escola Superior de Tecnologia de Setúbal – Controlo Não Linear – Gustavo da Silva

Nestas condições o sistema
( ) ( ) ( ) t t t = x A x (3.86)
designa-se por sistema linearizado de f(x,t), em torno do ponto de equilíbrio x=0.
Repare-se que a matriz A, Jacobiano do sistema não autónomo, é de um modo geral
função do tempo, podendo no entanto ser constante. Note-se ainda que, em relação aos
sistemas autónomos, a linearização exige que seja satisfeita a condição adicional (3.85).
Nestas condições, obtido o sistema (3.86) por linearização de (3.72), e obedecendo às
condições (3.85), tem-se o seguinte:
3.9.6.1. Teorema
Se o sistema linearizado for uniforme e assimptoticamente estável, então o
ponto de equilíbrio x
e
=0 do sistema não autónomo original é também
uniforme e assimptoticamente estável.

Chama-se a atenção para a exigência de estabilidade uniforme do sistema linearizado,
sem a qual o teorema não é válido. Repare-se ainda que, contrariamente ao que acontece
com o caso autónomo, a instabilidade do sistema linearizado não implica a instabilidade
do sistema original. A menos que A(t) seja constante, como se indica no seguinte
3.9.6.2. Teorema
Se A(t) for constante, A(t)=A
0
, então a instabilidade do sistema linearizado
implica a instabilidade do sistema original.

3.9.7. Teoremas sobre instabilidade
Os teoremas que se seguem utilizam o método directo de Lyapunov e aplicam-se tanto a
sistemas autónomos com não autónomos. Indicam condições suficientes para que um
sistema seja instável.
Considere-se o sistema (3.72) em que f poderá não depender explicitamente do tempo.
3.9.7.1. Primeiro teorema sobre instabilidade

Se numa região Ω em torno da origem existir uma função escalar V(x,t),
contínua, diferenciável e decrescente, tal que
• V(0,t) = 0, ∀t ≥ t
0
,
• V(x,t
0
) > 0 numa região arbitrária próxima da origem,
• ( , ) V t x

é localmente definida positiva,
então o ponto de equilíbrio x
e
=0, no instante t
0
, é instável.




3 - FUNDAMENTOS DA TEORIA DE LYAPUNOV
Escola Superior de Tecnologia de Setúbal – Controlo Não Linear – Gustavo da Silva – Pág. 97

3.9.7.2. Segundo teorema sobre instabilidade


Se numa região Ω em torno da origem existir uma função escalar V(x,t),
contínua, diferenciável e decrescente, tal que
• V(0,t) = 0,
• V(x,t
0
) > 0 numa região arbitrária próxima da origem,
• ( , ) λ ( , ) 0 V t V t − ≥ x x

, ∀ ∈Ω x e ∀t ≥ t
0

em que λ
+
∈ , então a origem é um ponto de equilíbrio instável.


3.9.7.3. Terceiro teorema sobre instabilidade


Se numa região Ω
1
∈Ω em torno da origem existir uma função escalar V(x,t),
contínua, diferenciável e decrescente, tal que ∀t ≥ t
0

• V(x,t) e V

(x,t) são positivas definidas em Ω
1
,
• A origem é um ponto fronteiro de Ω
1
,
• Em todos os pontos fronteiros de Ω
1
V(x,t) = 0, ∀t ≥ t
0
,
então, no instante t
0
, a origem é um ponto de equilíbrio instável.


A interpretação geométrica deste teorema encontra-se na Fig. 3.11.

















Fig. 3.11 – Interpretação geométrica do 3º teorema sobre instabilidade.

x
2
x
1


1
(V > 0, V

> 0)
x
0
V=0
V=0
3 - FUNDAMENTOS DA TEORIA DE LYAPUNOV
Pág. 98 – Escola Superior de Tecnologia de Setúbal – Controlo Não Linear – Gustavo da Silva

3.10. Existência de funções de Lyapunov
Até aqui obtiveram-se as funções de Lyapunov de um determinado sistema sem ter a
garantia precisa da sua existência: se fossem observados determinadas condições em
relação ao sistema, construía-se uma função candidata a função de Lyapunov.
Os teoremas que se seguem, designados por teoremas recíprocos de Lyapunov, estabe-
lecem condições para a existência de função de Lyapunov associadas a um sistema.
Consoante o tipo de estabilidade, isto é, local, global, uniforme, assimptótica, etc.,
existe um teorema recíproco de Lyapunov sobre a existência de uma função de
Lyapunov.
3.10.1. Teorema recíproco, ponto de equilíbrio estável


Se a origem do sistema (3.72) for estável nsLy existe uma função positiva
definida V(x,t), com derivada não positiva ao longo da trajectória do
sistema.


Este teorema garante que sempre que o ponto de equilíbrio x = 0 de um sistema não
autónomo representado por (3.72) é estável nsLy, existe uma função de Lyapunov que
lhe está associada (e portanto existem infinitas).
3.10.2. Teorema recíproco, estabilidade assimptótica e uniforme


Se a origem do sistema (3.72) for assimptoticamente estável, então existe
uma função V(x,t), positiva definida e decrescente, com derivada negativa
definida ao longo da trajectória do sistema.


3.10.3. Teorema recíproco, estabilidade exponencial


Se a origem do sistema (3.72) for exponencialmente estável, e se a função
f(x,t) tiver derivadas parciais contínuas, e limitadas, então existe uma função
escalar V(x,t) positiva se e só se existirem constantes estritamente positivas
α
1
, α
2
, α
3
e α
4
tais que
α
1
||x||
2
≤ V(x,t) ≤ α
2
||x||
2

( , ) V t x

≤ – α
3
||x||
2


V ∂
∂x
≤ α
4
||x||

Demonstração em Sastry/Bodson-1989, Teorema 1.5.1.
3 - FUNDAMENTOS DA TEORIA DE LYAPUNOV
Escola Superior de Tecnologia de Setúbal – Controlo Não Linear – Gustavo da Silva – Pág. 99

3.11. Estabilidade absoluta
3.11.1. Sistema linear com realimentação não linear
Neste capítulo vai-se estudar um tipo de sistemas em que o percurso directo é linear e
invariante no tempo e a realimentação é constituída por uma não linearidade estática,
como se representa na Fig. 3.12. Este tipo de sistemas aparece com alguma frequência
em casos de interesse prático.









Fig. 3.12 – Sistema linear com realimentação não linear.

A função de transferência G(s) obtém-se a partir do modelo de estado por

-1
G( ) ( - ) s s = C I A b (3.87)
Se a função φ(y) fosse linear, por exemplo φ(y)=kx, a estabilidade do sistema poderia ser
estudada calculando os valores próprios da matriz do sistema em cadeia fechada
A–bkC. Como φ(y) não é linear, a análise da estabilidade do sistema em cadeia fechada
torna-se mais complicada do que no caso linear. No entanto, se se obrigar φ(y) a
satisfazer determinadas condições, designadas condições sectoriais, apresentadas a
seguir, já é possível efectuar a análise da estabilidade do sistema.
3.11.1.1. Função pertencente a sector
Uma função contínua φ pertence ao sector [k
1
,k
2
] se existirem dois números não
negativos k
1
e k
2
tais que

1 2
( )
0
y
y k k
y
φ
≠ ⇒ ≤ ≤ (3.88)
Geometricamente a condição (3.88) implica que o gráfico da função não linear φ(y) está
localizado entre duas rectas com declive k
1
e k
2
, como se mostra na Fig. 3.13.







G(s)
φ(y)
+

0
y
3 - FUNDAMENTOS DA TEORIA DE LYAPUNOV
Pág. 100 – Escola Superior de Tecnologia de Setúbal – Controlo Não Linear – Gustavo da Silva














Fig. 3.13 – Função pertencente a um sector.

A definição (3.88) implica que φ(0) = 0 e que yφ(y) ≥ 0, isto é, o gráfico de φ(y) está
localizado no 1º e 3º quadrantes, uma vez que k
1
e k
2
são não negativos.

Um caso particular com interesse é aquele em que k
1
=

0, dizendo-se então que a função
pertence ao sector [0, k] quando
0 0 ( ) k y ky φ ∃ > ∴ ≤ ≤ (3.89)
Admitindo que a não linearidade φ(y) pertence ao sector [k
1
,k
2
], a pergunta que se põe é
a seguinte: Se o sistema em cadeia aberta G(s) for estável, que condições deverão ser
impostas a φ(y) para que o sistema em cadeia fechada seja estável?
A intuição levaria a pensar, uma vez que o ganho de realimentação está compreendido
entre k
1
e k
2
se φ for linear, que tal propriedade poderia ser explorada com φ não linear.
Tal foi a hipótese feita por Aizerman
(4)
em 1949: se a matriz [A-bkC] for estável para
todos os valores de k compreendidos no intervalo [k
1
,k
2
], então o sistema não linear é
global e assimptoticamente estável.
A hipótese de Aizerman, aparentemente muito interessante, porque permitia estudar a
estabilidade de uma determinada classe de sistemas não lineares a partir de sistemas
lineares, revelou não ser verdadeira. Ela não considerou a variação de φ com y, que
pode conduzir à instabilidade do sistema. Após uma intensa pesquisa neste campo
foram estabelecidos novos critérios para determinar a estabilidade deste tipo de sistemas
em cadeia fechada.



4
M. A. Aizerman, cientista Soviético,
φ(y)
k
1
y
k
2
y
Sector
[k
1
, k
2
]
y
φ(y)
3 - FUNDAMENTOS DA TEORIA DE LYAPUNOV
Escola Superior de Tecnologia de Setúbal – Controlo Não Linear – Gustavo da Silva – Pág. 101

3.11.2. Critério de Popov
O critério de Popov
(5)
estabelece uma condição suficiente para a estabilidade do sistema
em cadeia fechada. Considere-se o sistema apresentado na Fig. 3.12. Se forem
satisfeitas as condições seguintes:


A matriz A tem todos os valores próprios no semiplano complexo esquerdo,
O par [A,b] é controlável
6
,
A não linearidade φ pertence ao sector [0, k],
Existe um número real positivo, α, tal que

1
0 Re([1 ) ( )] j G j
k
ω αω ω ε ∀ ≥ + + > (3.90)
em que ε>0 é arbitrariamente pequeno,
então a origem é global e assimptoticamente estável.


A relação (3.90) tem o nome de desigualdade de Popov. Repare-se que os tipos de
sistemas representados na Fig. 3.12 aos quais se aplica o critério de Popov, são lineares
autónomos e com realimentação não linear estática. O critério estabelece apenas uma
condição suficiente de estabilidade e não necessita de recorrer a nenhuma função de
Lyapunov.
O critério de Popov tem uma interpretação geométrica interessante. Fazendo
( ) ( ) ( )
r j
G j G j jG j ω ω ω = + (3.91)
a expressão (3.90) escreve-se

1
( ) ( )
r j
G j G j
k
ω αω ω ε − + > (3.92)
Construa-se uma função de transferência associada W(jω) com a mesma parte real que
G(jω) mas com a parte imaginária igual a ω I
m
[G(jω)]:
( ) ( ) ( )
r j
W j x jy G j j G j ω ω ω ω = + = + (3.93)
Com esta nomenclatura, a relação (3.92) implica que o sistema não linear é global e
assimptoticamente estável se sobre o plano complexo (x,y) a representação de W(jω)
estiver para baixo da recta x-αy+1/k=0. Na Fig. 3.14 estão traçados o diagrama W(jω),
designado por diagrama de Popov, e a recta que efectua a separação das regiões, da
estabilidade e instabilidade.




5
Alexander Stephanovitch Popov, Engº Electrotécnico Russo, 1859-1906.
6
Um sistema linear caracterizado pela equação de estado = + x Ax bu é controlável se e só se o
determinante da matriz de controlabilidade Co = [b|Ab|...|A
n-1
b] for diferente de zero.

3 - FUNDAMENTOS DA TEORIA DE LYAPUNOV
Pág. 102 – Escola Superior de Tecnologia de Setúbal – Controlo Não Linear – Gustavo da Silva













Fig. 3.14 – Diagrama de Popov.

Exemplo 3-15
Determine a estabilidade de um sistema não linear com a estrutura do que é apresentado
na Fig. 3.12, em que o bloco linear é definido por

2
3
( )
7 10
s
G s
s s
+
=
+ +
(3.94)
e a realimentação não linear é definida por (3.89).

Resolução:
1. Pólos de G(jω): s
2

+7s

+10

=

0 ⇒ p
1
=

–2, p
2
=

–5, logo, o sistema obedece à condição
a) do critério de Popov, ou seja, é estritamente estável.
2. A função de transferência não tem cancelamento de zeros e pólos, e portanto o
sistema obedece à condição b).
3. A não linearidade pertence ao sector [0, k], por hipótese.
4. Para a determinação da desigualdade de Popov, determinam-se primeiro as partes
reais e imaginária de G(jω): Substituindo s→jω em (3.94) vem
2
3
( )
(10 ) 7
j
G j
j
ω
ω
ω ω
+
=
− +

e portanto
2
4 2
4 30
( )
29 100
r
G j
ω
ω
ω ω
+
=
+ +
e
2
4 2
( 11)
( )
29 100
j
G j
ω ω
ω
ω ω
− +
=
+ +

Substituindo em (3.92) vem
4 2 2 2 4 2
1
29 100 ( 11) ( - )( 29 100) 0
k
ω ω αω ω ε ω ω + + + + + + + >
Esta desigualdade é satisfeita para qualquer α estritamente positivo e para qualquer
número k tal que 0<k<∞, pelo que o sistema dado é global e assimptoticamente estável.
k
1

imag
W(jω)
real
instável
estável
estável
estável
instável
1
0 x y
k
α − + =
3 - FUNDAMENTOS DA TEORIA DE LYAPUNOV
Escola Superior de Tecnologia de Setúbal – Controlo Não Linear – Gustavo da Silva – Pág. 103

3.11.3. Critério do círculo
Este critério, como o anterior, aplicável a sistemas com o trajecto directo linear e
realimentação não linear estática, sujeito às condições impostas atrás, é uma
generalização do Teorema de Nyquist para este tipo de sistemas.
Considere-se o sistema apresentado na Fig. 3.12. Se forem satisfeitas as condições
seguintes

a) A matriz A não tem valores próprios sobre o eixo jω e tem p valores
próprios no semiplano complexo direito,
b) A não linearidade φ pertence ao sector [k
1
, k
2
],
c) Verifica-se uma das condições:
c
1
) 0 <k
1
≤ k
2
e o diagrama de Nyquist de G(jω) não entra no disco
D(k
1
, k
2
) (Fig. 3.15) e envolve-o p vezes no sentido contrário aos
ponteiros do relógio,
c
2
) 0 = k
1
< k
2
e o diagrama de Nyquist de G(jω) permanece no semi-
-plano R
e
(s) ≥ –1/k
2
,
c
3
) k
1
<0 < k
2
e o diagrama de Nyquist de G(jω) permanece no interior do
disco D(k
1
, k
2
),
c
4
) k
1
<k
2
<0 e o diagrama de Nyquist de G(jω) não entra no disco
D(–k
1
, –k
2
) e envolve-o p vezes no sentido contrário ao dos ponteiros
do relógio,

então o ponto de equilíbrio x=0 é global e assimptoticamente estável.















Fig. 3.15 – Diagrama do círculo.





Imag
1
1
k

Real
2
1
k

D(k
1
, k
2
)
3 - FUNDAMENTOS DA TEORIA DE LYAPUNOV
Pág. 104 – Escola Superior de Tecnologia de Setúbal – Controlo Não Linear – Gustavo da Silva

3.12. Problemas resolvidos
Probl. 3-1
Obter a linearização do sistema a seguir indicado, calculando a matriz Jacobiana e
utilizando o método expedito.

1 1 1 2
2 2
x x x x
x x
= − +
¦
´
= −
¹

Resolução:
O ponto de equilíbrio deste sistema é
1 2
0 e 0 x x = = .
Neste sistema tem-se
1 1 2 1 1 2
( , ) f x x x x x = − + e
2 1 2 2
( , ) f x x x = − , sendo a matriz Jacobiana
1 2
1 2
1 1
1 2 1
2 2
0, 0
1 2
0, 0
1 1 0
0 1 0 1
x x
x x
f f
x x x
f f
x x
= =
= =
∂ ∂


∂ ∂ − −


= = =

∂ ∂ − −



∂ ∂

A
O sistema linearizado é igual ao anterior e dado por
1 1
2 2
1 0
0 1
x x
x x


=


Para obter este mesmo sistema pelo método expedito poderia simplesmente desprezar-se
o termo de 2ª ordem, na primeira equação,
1 2
x x .

Probl. 3-2
Determine o tipo de estabilidade dos seguintes sistemas:
a)
3
x x = −
b)
1/ 2
x x = −
c) sen( ) x x =
Resolução:
a) O sistema admite como ponto de equilíbrio x = 0. A equação pode escrever-se na
forma
3
x dx dt

− = , que integrada membro a membro entre os instantes 0 e t, aos
quais correspondem os estados x
0
e x, conduz a
2 2
0
1 1
2t
x x
− = , ou ainda
2
0
1
( )
1
2
x t
t
x
=
+
. Quando t → ∞ x(t) tende para zero com
1
2t
, pelo que o sistema
é assimptoticamente estável nsLy, mas não é exponencialmente estável, pois decai de
uma forma mais lenta que qualquer exponencial.

3 - FUNDAMENTOS DA TEORIA DE LYAPUNOV
Escola Superior de Tecnologia de Setúbal – Controlo Não Linear – Gustavo da Silva – Pág. 105

b) O ponto de equilíbrio deste sistema é x = 0. Como para o sistema da alínea anterior,
efectuando a separação de variáveis e integrando entre 0 e t, obtém-se
0
1
2
[ 2 ]
x
x
x t − = ,
o que conduz a
1
2
2
0
1
( ) ( )
2
x t x t = − . Esta solução tende para infinito com t, pelo que o
sistema é instável nsLy.

c) Os pontos de equilíbrio deste sistema são x=kπ, com k=0, ±1, ±2, ... Como
anteriormente, separando as variáveis e integrando entre 0 e t obtém-se
0
ln(tan )
2
x
x
x
t

=


, ou seja,
0
ln(tan )
2
tan
2
x
t
t
x
e ke
− +
= = , donde ( ) 2arctan( )
t
x t ke = .
Quando t → ∞ x(t) tende para ±π, consoante o valor de x
0
seja positivo ou negativo.

3.13. Problemas propostos
Probl. 3-3
Determine os pontos de equilíbrio dos seguintes sistemas autónomos:
a)
2
1 2 1
2
2 1 2
x x x
x x x
¦ = − +
¦
´
= −
¦
¹

b)
3
1 2 1
3
2 1 2
x x x
x x x
¦ = − −
¦
´
= −
¦
¹

c)
1 2
2
2 1 1 2
(1 )
x x
x x x x
ε
ε
+
= ¦
∈ℜ
´
= − + −
¹

Probl. 3-4
Determine o tipo de estabilidade dos seguintes sistemas:
a)
2
x x = − b)
1/ 2
x x

= − c) cos( ) x a x a
+
= ∈ℜ

Probl. 3-5
Obtenha os sistemas linearizados correspondentes a:
a)
1 2
2 1
x x
k
x k sen x
+
= ¦
∈ℜ
´
=
¹

b)
1 2 1
2 1 2
cos
sen
x x x
x x x
= ¦
´
= +
¹

Probl. 3-6
Utilizando o teorema da linearização de Lyapunov, determine a estabilidade dos pontos
de equilíbrio dos seguintes sistemas
a)
1 2
3
2 1 1
x x
x x x
=
¦
´
= − +
¹

b)
1 2 1
2 1 2
(1 cos )
(1 sen )
x x x
x x x
= + ¦
´
= +
¹

c)
1 2
2 1 2
sen( )
x x
x x x
= ¦
´
= +
¹

3 - FUNDAMENTOS DA TEORIA DE LYAPUNOV
Pág. 106 – Escola Superior de Tecnologia de Setúbal – Controlo Não Linear – Gustavo da Silva

Probl. 3-7
Mostre que
2 2
1 2
( ) V x x = + x é uma função de Lyapunov, para a origem, para cada um dos
seguintes sistemas:
a)
1 2
2 1
x x
x x
= − ¦
´
=
¹

b)
3
1 2 1
3
2 1 2
x x x
x x x
¦ = − −
¦
´
= −
¦
¹

c)
2
1 1 2
3
2 1 2 2
2
2
x x x
x x x x
¦ = − −
¦
´
= −
¦
¹

Probl. 3-8
Mostre que a função
2 2
1 1 2 2
( ) V ax bx x cx = + + x é definida positiva se e só se
2
0 e 4 0 a ac b > − > sendo definida negativa sse
2
0 e 4 0 a ac b < − > .

Probl. 3-9
Considere o sistema de 1ª ordem representado pelo modelo de estado
(1 ) x x x = − +
em que x é escalar e está sujeito à condição inicial x(0) = x
0
.
a) Determine os seus pontos de equilíbrio.
b) Obtenha analiticamente a solução.
c) Com o auxílio do Matlab faça num só gráfico o traçado das soluções que se
iniciam entre –1 e +1 (degraus de 0.1), para o tempo compreendido entre 0 e 6
segundos.
d) Análoga à anterior, para x
0
compreendido entre – 1.5 e – 0.8 (degraus de 0.1), para
0 ≤ t ≤ 1 s.
e) Escreva de novo a solução para os valores particulares x
0
= 0.5 e x
0
= –1.5.
Alguma delas exibe tempo de escape finito? Se sim qual delas e qual o seu valor?
f) Com o auxílio dos dados obtidos até aqui indique quais as bacias de atracção e
qual a(s) separatriz(es).
g) A partir do conhecimento que já tem do sistema indique qual o tipo de
estabilidade nsLy dos pontos de equilíbrio, justificando com o uso da definição e
dizendo quais os domínios a considerar para R e r(R).
h) Linearize o sistema em torno de x
e
= 0. A partir da estabilidade do sistema
linearizado conclua sobre a estabilidade de x
e
= 0 do sistema dado. Que teorema
utilizou?
i) Análogo ao anterior, para x
e
= –1.






3 - FUNDAMENTOS DA TEORIA DE LYAPUNOV
Escola Superior de Tecnologia de Setúbal – Controlo Não Linear – Gustavo da Silva – Pág. 107

Probl. 3-10
Considere um sistema de 2ª ordem representado pelo modelo de estado
2
1 2 2
2
2 1 1 2
(1 )
(1 ) 0.4
x x x
x x x x
¦ = − +
¦
´
= + −
¦
¹

a) Determine os seus pontos de equilíbrio.
b) Com o auxílio do Matlab faça o traçado do campo de vectores na região do espaço
de estados constituída por um rectângulo tal que
1
2 2 x − ≤ ≤ e
2
2 2 x − ≤ ≤ . Sobre
ele represente uma trajectória que se inicie em x = [1.5 -1]
T
e dure 20 segundos.
c) Linearize o sistema em torno do ponto de equilíbrio x
e
=0. Determine a
estabilidade do sistema linearizado e a partir dela, utilizando o teorema de
Lyapunov da linearização, conclua sobre a estabilidade do sistema dado.
d) Usando o teorema de Krasovskii determine a estabilidade do sistema dado.
e) Com os resultados da alínea anterior obtenha uma função de Lyapunov para o
sistema dado. Verifique que é positiva definida e que a sua derivada em ordem ao
tempo é negativa definida.
f) Com o auxílio do Matlab trace um gráfico de V(x), com x pertencente ao domínio
dado em b). Sugestão: Use um ciclo “for” dentro de outro ciclo “for” para x
1
e x
2
e
a instrução “surf” ou “mesh”. Trace também as curvas de nível de V(x).

Probl. 3-11
Considere um sistema linear de realimentado negativamente por uma função φ(y):
Sistema linear:
2
( )
0.29
a
G j
s s
ω =
+ +
,
2
( ) sen y y y ϕ = (a=1.4)
a) Com o auxílio do critério de Popov determine a estabilidade deste sistema.
b) Represente este sistema em Simulink e confirme o resultado obtido em a).













3 - FUNDAMENTOS DA TEORIA DE LYAPUNOV
Pág. 108 – Escola Superior de Tecnologia de Setúbal – Controlo Não Linear – Gustavo da Silva






















109



4. MÉTODO DA FUNÇÃO DESCRITIVA


4.1. Função Descritiva
Considere-se um sistema não linear com a entrada excitada por um sinal sinusoidal de
amplitude U e frequência ω
0
,

0
( ) sen( ) u t U t ω = (4.1)
A saída do sistema, y(t), será também periódica mas não sinusoidal. O seu desenvol-
vimento em série de Fourier é dado por

0
0 0
1
( ) [ cos( ) sen( )]
2
n n
n
A
y t A n t B n t ω ω

=
= + +

(4.2)
ou, equivalentemente

0
0
1
( ) cos( )
2
n n
n
Y
y t Y n t ω ϕ

=
= + +

(4.3)
Chama-se função descritiva do sistema à função complexa N tal que

1
1
arg
Y
N N
U
ϕ = = (4.4)
em que Y
1
é a amplitude da primeira harmónica da resposta e ϕ
1
a sua desfasagem em
relação ao sinal de entrada.
Se o sistema for linear, na expressão (4.3) apenas subsistem os termos em que n=1;
Nestas condições N transforma-se no ganho do sistema (módulo N e argumento ϕ
1
).
Para efectuar o cálculo da função descritiva convém recordar as expressões que
permitem calcular os coeficientes A
n
e B
n
da série de Fourier

0
2
( ) cos( )
n
T
A y t n t dt
T
ω =

(4.5)

0
2
( ) sen( )
n
T
B y t n t dt
T
ω =

(4.6)

2 2
n n n
Y A B = + (4.7)
arctan( )
n
n
n
A
B
ϕ = (4.8)
Se y(t) é par, y(t) = y (-t), tem-se B
n
= 0. Se y(t) é ímpar, y(t) = -y(-t), é A
n
= 0, para n≥1.
A
0
é o valor médio do sinal de saída.
4 - MÉTODO DA FUNÇÃO DESCRITIVA

Pág. 110 – Escola Superior de Tecnologia de Setúbal – Controlo Não Linear – Gustavo da Silva
4.2. Função descritiva de não linearidades correntes.
A aplicação das fórmulas acima permite efectuar o cálculo de algumas funções descri-
tivas correntes. U designa a amplitude do sinal sinusoidal de entrada, estando os
restantes símbolos definidos nas figuras.


Liga-desliga, “on-off” ou tudo ou nada

0
4
j
Y
N e
U π
= (4.9)

(O cálculo encontra-se efectuado no Probl.4.1)
Fig. 4.1 – Função descritiva da característica liga-desliga


Liga-desliga, com histerese

[ arctan( )]
4
h
j
U
Y
N e
U π

= (4.10)



Fig. 4.2 – Função descritiva da característica liga-desliga com histerese


Zona morta


2 0
2
sen( ) ( ) 1 ( )
k
N k arc ej
U U U π

∆ ∆ ∆
= − + −


(4.11)


Fig. 4.3 – Função descritiva da característica zona morta






y
Y
-Y
u
y
Y
-Y
-h h u
y
∆ u
-∆
declive k
4 - MÉTODO DA FUNÇÃO DESCRITIVA

Escola Superior de Tecnologia de Setúbal – Controlo Não Linear – Gustavo da Silva – Pág. 111

Saturação, sem histerese


2 0
2
sen( ) ( ) 1 ( )
j
k S S S
N arc e
U U U π

= + −


(4.12)

Fig. 4.4 – Função descritiva da característica saturação sem histerese


Folga
) 1
U
b
(
kb 4
a
1

π
=

− − − − − −
π
π
=
2
1
) 1
U
b 2
( 1 ) 1
U
b 2
( ) 1
U
b 2
( arcsen
2
kU
b
2
1
2
1
b a
U
1
| ) U ( N | + = (4.13)
1
1
( ) ( )
a
N U arctg
b
=
Fig. 4.5 – Função descritiva da característica folga

4.3. Estabilidade pelo método da função descritiva.
Se um sistema não linear tiver uma estrutura tal que se for excitado por uma entrada
sinusoidal as harmónicas de ordem superior à primeira contidas na resposta forem
suficientemente atenuadas, então a estabilidade do sistema pode ser analisada pelo
método da função descritiva.
Admita-se que se tem um sistema em cadeia fechada satisfazendo essas condições, e
que é possível agrupar os elementos não lineares numa função descritiva N, e os
elementos lineares num outro bloco, G (Fig. 4.6). A função de transferência do sistema
é dada por

1
GN
Y R
GN
=
+
(4.14)
A equação característica é dada por 1+GN = 0 pelo que resolvendo em ordem a G

1
( )
( , )
G j
N U
ω
ω
= − (4.15)
A expressão (4.15) indica que o ponto –1 do diagrama de Nyquist é substituído aqui
pelo lugar geométrico de –1/N.


y
S u
-S
declive k
y
b u
-b
declive k
4 - MÉTODO DA FUNÇÃO DESCRITIVA

Pág. 112 – Escola Superior de Tecnologia de Setúbal – Controlo Não Linear – Gustavo da Silva







Fig. 4.6 – Sistema de controlo não linear.

A função de transferência dos elementos lineares G(jω) depende da frequência. N(ω,U)
além de depender da frequência depende ainda da amplitude do sinal U.
A condição de estabilidade pode enunciar-se da seguinte forma


O sistema em cadeia fechada constituído pelos elementos não lineares N e
pelos elementos lineares G, supostos de fase mínima
(1)
, é estável se o lugar
geométrico de G não envolver o lugar geométrico de - 1/N.


Se os dois diagramas se intersectarem, o sistema poderá apresentar oscilações em
regime permanente. Estas oscilações não são sinusoidais, embora possam considerar-se
aproximadamente como tal. A frequência da harmónica fundamental pode ser lida no
diagrama de G e a sua amplitude no lugar geométrico de -1/N.
Admita-se que os diagramas de G e -1/N se intersectam, como indica a Fig. 4.7. Sobre o
diagrama de -1/N convém indicar qual o sentido a que corresponde o aumento e a
diminuição de amplitude de oscilação.
Na figura estão representados dois pontos de intersecção, A e B. O ponto A corresponde
a uma amplitude de uma possível oscilação inferior à do ponto B. Qual dos pontos é
estável e qual é instável? Fixe-se a atenção sobre o ponto A. Admita-se que uma
perturbação coloca o ponto A em A
1
. O ponto A
1
, fica fora do diagrama de G(jω). A
oscilação tenderá a diminuir. Se a perturbação tivesse conduzido A→A
2
, A
2
encontrava-
-se dentro do diagrama de G(jω) e a oscilação tenderia a aumentar, o que aconteceria até
se atingir o ponto B. O ponto A tem características divergentes, é portanto instável.





1
Zeros no semi-plano complexo esquerdo, incluindo o eixo jω.

N(U, jω) G(jω)
y
r +

4 - MÉTODO DA FUNÇÃO DESCRITIVA

Escola Superior de Tecnologia de Setúbal – Controlo Não Linear – Gustavo da Silva – Pág. 113

Considere-se agora o ponto de intersecção B e admita-se que a perturbação conduz
B→B
1
. Como G(jω) deixa de envolver B
1
a amplitude tenderá a diminuir, ou seja B
1

regressa a B. Finalmente admita-se que a perturbação conduz B→B
2
. O novo ponto B
2

fica envolvido por G(jω); estabelece-se uma oscilação, a amplitude aumenta e B
2
volta
para B. O ponto B tem características convergentes, é pois estável.
A frequência de oscilação pode ser obtida directamente do diagrama de G(jω), e a
amplitude da primeira harmónica a partir do diagrama de -1/N, também no ponto de
intersecção B.
























Fig. 4.7 – Estabilidade de um sistema não linear.


Se as curvas de G(jω) e - 1/N se intersectarem quase na perpendicular a precisão com
que se obtém os valores de ω e U é boa.
Repare-se que os valores obtidos são aproximados uma vez que se está a ignorar o
efeito das restantes harmónicas.




A
1

A
A
2

B
1

B
2
ω→∞
ω→0
U→∞
U→0
Imag
Real
0
-1/N
G(jω)
B
4 - MÉTODO DA FUNÇÃO DESCRITIVA

Pág. 114 – Escola Superior de Tecnologia de Setúbal – Controlo Não Linear – Gustavo da Silva
4.4. Problemas Resolvidos
Probl. 4-1
Obtenha a função descritiva da não linearidade “liga/desliga” representada na Fig. 4.1
Resolução
Por definição, a função descritiva é a relação entre a amplitude da 1ª harmónica do sinal
de saída e a amplitude do sinal de entrada. Represente-se a não linearidade sob a forma
de um bloco, o sinal de entrada e o sinal de saída.






Com a entrada sinusoidal tem-se ( ) sen( ) u t U t ω = e
, 0
( )
, 0
Y u
y t
Y u
− < ¦
=
´
+ >
¹

y(t) não se encontra bem definida para t = kT. Considerar-se-á o seu valor nulo nesses
instantes.
Devido ao facto de se considerar u(t) sinusoidal, y(t) é também uma função ímpar, pelo
que os coeficientes A
n
em (4.5) são nulos, subsistindo apenas os coeficientes B
n
da
expressão (4.6). A função descritiva, N, será então obtida dividindo B
1
por U. Para o
cálculo de B1 utiliza-se a expressão (4.6) com n=1:
1
2
( ) sen( )
T
B y t t dt
T
ω =

=
/ 2
0 / 2
2
sen( ) sen( )
T T
T
Y t dt Y t dt
T
ω ω

+ −


∫ ∫
=
= | | | |
{ }
/ 2
0 / 2
2
cos( ) cos( )
T T
T
Y
t t
T
ω ω
ω
− + = | |
2
( 1 1) (1 1)
Y
T ω
− − + + + =
4Y
π
.
A função descritiva será
1
4 B Y
N
U U π
= = . Para indicar que se trata de um valor real
escreve-se por vezes
0
4
j
Y
N e
U π
= .
Probl. 4-2
Utilizando o método da F.D. determine a estabilidade do sistema em cadeia fechada
constituído pela não linearidade liga/desliga anterior de amplitude 1, seguido de um
sistema linear de 1ª ordem, como se indica na figura.







Liga/Desliga u(t) y(t)
0 T 0 T
0 e(t) u(t)
y(t)
Liga /
Desliga
1
( )
1
G s
s
=
+
-
4 - MÉTODO DA FUNÇÃO DESCRITIVA

Escola Superior de Tecnologia de Setúbal – Controlo Não Linear – Gustavo da Silva – Pág. 115

Resolução
Sobre o diagrama ( ) G jω correspondente à função de transferência do sistema de 1ª
ordem dado desenha-se o gráfico de
1
4
U
N
π
− = − , com se indica na Fig. 4.7.












Uma vez que os diagramas de –1/N e de ( ) G jω não se intersectam (apenas têm um
ponto comum em que U=0), o sistema é estável.

Probl. 4-3
Problema análogo ao anterior mas com um atraso de 0.5 segundos no processo.
Resolução
Como anteriormente, sobre o diagrama ( ) G jω correspondente à função de transferência
do sistema de 2ª ordem dado desenha-se o gráfico de
1
4
U
N
π
− = − . O problema resolve-
se bem com o auxílio do Matlab. Exemplo de um programa para o efeito:

w=logspace(0,2,500); % cria escala logarítmica para as frequências
tau=0.5; % tempo de atraso
s=j*w; % escala de frequências, eixo imaginário
G=1./(s+1).*exp(-tau*s); % f.t. do processo com atraso
plot(real(G),imag(G)); % diagrama de Nyquist de G(jw)
hold on; % mantém o gráfico, para desenhar o próximo gráfico por cima
M=1; % amplitude da não linearidade
h=0.2; % valor da histerese
U=0.01:0.01:1; % amplitudes para o traçado de -1/N
FD=-(pi.*U/4/M); % Função descritiva
plot(real(FD),imag(FD)); % diagrama da f.d.
grid; % grelha sobre os gráficos
hold off; % liberta os gráficos




U=∞ U=0
real
imag
G(jω)
ω=0
ω=∞
0
1 -1/N
4 - MÉTODO DA FUNÇÃO DESCRITIVA

Pág. 116 – Escola Superior de Tecnologia de Setúbal – Controlo Não Linear – Gustavo da Silva

-0.8 -0.6 -0.4 -0.2 0 0.2
-0.7
-0.6
-0.5
-0.4
-0.3
-0.2
-0.1
0
0.1
0.2

Uma vez que os diagramas de –1/N e de ( ) G jω se intersectam, o sistema é instável.


4.5. Problemas Propostos
Probl. 4-4
Obtenha a função descritiva da não linearidade “liga/desliga com histerese” da Fig. 4.2.

Probl. 4-5
Obtenha a função descritiva da não linearidade “zona morta” representada na Fig. 4.3.

Probl. 4-6
Obtenha a função descritiva da não linearidade “saturação” representada na Fig. 4.4.

Probl. 4-7
Obtenha a função descritiva da não linearidade “folga” representada na Fig. 4.5.

Probl. 4-8
Problema análogo ao Probl. 4-2, mas com
1.5
( )
1
G s
s

=
+
.





-1/N
( ) G jω
.
4 - MÉTODO DA FUNÇÃO DESCRITIVA

Escola Superior de Tecnologia de Setúbal – Controlo Não Linear – Gustavo da Silva – Pág. 117

Probl. 4-9
Considere o sistema de retroacção:

onde
1
1
) (
2
+ +
=
s s
s G .
O bloco D é uma linha de atraso, descrita por y(t)=Kx(t-T
0
).
a) Considere x(t)=Acos(ωt). Determine a função descritiva N(A,ω) do bloco D.
b) Esboce o diagrama de Nyquist do sistema. Sobreponha o gráfico –1/ N(A,ω).
c) Quais são as condições sobre T
0
que permitem que o sistema entre em oscilação?
Estas oscilações são estáveis ou instáveis? Qual a variação da frequência e
amplitude com T
0
e K? Justifique.

Probl. 4-10
Considere o sistema representado abaixo:








Onde
2
10
( )
1
G j
s s
ω =
+ +
e
3
) ( u u f = .
a) Determine a função descritiva de f

(u).
b) Admita que r

(t)=cos(ωt). Demonstre que a equação que descreve o sistema é:
( ) ( ) u f r u G − =
−1

Substituindo f pela sua função descritiva demonstre que a equação acima é
aproximada por:
( )
3 1
3
4
j
U G j U e
φ
ω

+ =
Sugestão: Faça u(t)=Ucos(ωt+φ) e lembre-se que G(jω) apenas altera a
amplitude e fase inicial de um sinal sinusoidal.
c) Considerando ω fixo, represente graficamente utilizando o Matlab, o lado
esquerdo da equação obtida na alínea anterior. Note que o lado direito da mesma
G(s) D
+
x(t) y(t)
-
r (t) e (t)
u (t)
G(jω)
f (u)

+
4 - MÉTODO DA FUNÇÃO DESCRITIVA

Pág. 118 – Escola Superior de Tecnologia de Setúbal – Controlo Não Linear – Gustavo da Silva
equação representa um ponto sobre o círculo unitário. Qual o significado físico
das possíveis intersecções (para um dado ω)? Sugestão: lembre-se que, por
hipótese, os sinais que circulam no sistema são puramente sinusoidais.
d) Investigue o que acontece quando, no gráfico anterior, ocorrem três intersecções.
Mais precisamente, fixe uma frequência onde isto ocorra e varie a frequência do
sinal de entrada r(t) numa vizinhança da primeira. O que é que acontece à
amplitude do sinal u(t).

Probl. 4-11
Considere o seguinte sistema







Admita que a função descritiva da saturação é:
2
1, 1
( , )
2 1 1 1
arcsin 1 1
A
N A
A
A A A
ω
π
≤ ¦
¦
= | |
´ | |
+ − >
|
|
¦
\ .
\ . ¹

Onde A e ω são, respectivamente, a amplitude e a frequência angular do sinal x(t).
a) Determine o ganho de alta frequência do filtro F
1
( ) ( lim
1
ω
ω
j F
∞ →
) e o ganho de
baixa frequência do filtro F
2
. Determine o sinal de saída y(t) se A<1.
b) Mantendo a aproximação do sistema pela sua função descritiva, determine a
amplitude de y(t) para qualquer A.
Sugestão: qual é a relação entre ( ) ω j F
1
e ( ) ω j F
2
?
c) Que tipo de filtragem é feita por este sistema? Qual é a função dos filtros F
1
e
F
2
? Qual é a desfasagem entre y(t) e x(t) (considere o sistema aproximado).
Sugestão: note que os filtros F
1
e F
2
estão relacionados.

Probl. 4-12
Demonstre que se um elemento não-linear não tem dinâmica, ou seja, é dado por
y=N(u), então a sua função descritiva é independente da frequência.
Sugestão: considere dois sinais de entrada com frequências diferentes r
1
=cos(ω
1
t) e
r
2
=cos(ω
2
t). Note que r
1
(t)=r
2
((ω
1

2
)t). Escreva a expressão integral da 1ª harmónica
de N(r
1
) e através de uma mudança conveniente de variáveis, demonstre que é igual à 1ª
harmónica de N(r
2
).

x(t)= Acos ( ωt)
2s+1
s+1
s+1
2s+1
y(t)
F
1

F
2
119



5. LINEARIZAÇÃO EXACTA POR REALIMENTAÇÃO


5.1. Uma primeira abordagem
A linearização exacta por realimentação é um procedimento que permite transformar a
dinâmica de um sistema não linear numa dinâmica linear, através de uma realimentação
não linear do estado ou da saída, convenientemente escolhida. Para atingir este
objectivo torna-se quase sempre necessário efectuar uma mudança de variável de estado
e introduzir uma variável de entrada auxiliar. Depois de ter o sistema não linear
modificado de modo a que o todo se comporte como linear, é possível utilizar técnicas
lineares, bem conhecidas e mais poderosas do que as não lineares, para se efectuar o
controlo do sistema original. O método, para poder ser aplicado, exige o conhecimento
do modelo descritivo do sistema não linear de partida.
Este tipo de procedimento é conceptualmente diferente da linearização na vizinhança de
um ponto de equilíbrio, apresentada no capítulo 3.4.1, em que se efectua o
desenvolvimento da função do sistema em série de Taylor, eliminando os termos de
ordem superior à primeira, ou seja, em que se substitui, quando tal é possível, a função
do sistema pelo seu jacobiano multiplicado pelo estado. No caso em que se lineariza
pelo jacobiano a linearização é local, isto é, é válida apenas para uma região em torno
de um determinado ponto, enquanto que a linearização por realimentação é global, isto
é, aplica-se a todo o domínio do espaço de estados ou de saída, com a eventual excepção
de pontos isolados. Além disso, enquanto a linearização pelo jacobiano é aproximada, a
linearização por realimentação é exacta.
Apenas determinados tipos de sistemas são susceptíveis de ser linearizados exactamente
por realimentação: poderão sê-lo a classe de sistemas SISO em que na equação de
estado as variáveis de entrada e de estado são separáveis, ou seja, sistemas
representáveis pelo modelo

( ) ( ) ( )
( )
u
y
= + ¦
´
=
¹
x f x g x ψ
h x

(5.1)
Neste tipo de sistemas, e para os casos em que é possível efectuar a linearização exacta,
há normalmente que efectuar uma mudança de variável de estado
( ) = z z x (5.2)
e introduzir uma lei de controlo
( , ) u u v = x (5.3)
ou seja, efectuar uma mudança de variável de controlo, em que v é uma nova variável
intermédia que conduz o sistema original (5.1), a um sistema linear.
5. LINEARIZAÇÃO EXACTA POR REALIMENTAÇÃO

Pág. 120 – Escola Superior de Tecnologia de Setúbal – Controlo Não Linear – Gustavo da Silva
A linearização por realimentação tem sido utilizada com êxito numa grande gama de
aplicações, nomeadamente no controlo de braços robô e manipuladores, peças de
artilharia, helicópteros, aviões e satélites, além de ser usada em aparelhagem médica e
nas indústrias química e farmacêutica.
Consoante as variáveis utilizadas para efectuar a realimentação sejam as variáveis de
estado ou então as variáveis de saída, assim o tipo de tratamento será diferente
(eventualmente idêntico). Antes de apresentar o formalismo matemático da linearização
por realimentação serão apresentados alguns exemplos.

5.1.1. Exemplo de linearização e controlo por realimentação
Considere-se o problema de controlar o nível do líquido no interior de um tanque
esférico aberto, como o que se representa na Fig. 5.1.










Fig. 5.1 – Controlo do nível numa esfera.

A variável manipulada u = q
1
é o caudal de entrada. A variável controlada y = h é o
nível do líquido no interior da esfera. Há um escape contínuo de líquido para um
reservatório exterior q
2
, escape este que depende da altura do líquido no interior da
esfera, e que, para um fluido ideal é dado por

2 2
2 q S gh = (5.4)
em que S
2
representa a secção da tubagem por onde se escapa o líquido e g a aceleração
da gravidade. Esta relação pode ser obtida a partir da equação de Bernouilli para fluidos
ideais em regime permanente
2
2
te
v p
C
g γ
+ = , da equação de hidrostática p gh ρ = e da
relação q vS = .

~~~~~~~~~~~~~~~~~~~~~~~
h
q
1
, u

q
2


S
2

r
5. LINEARIZAÇÃO EXACTA POR REALIMENTAÇÃO
Escola Superior de Tecnologia de Setúbal – Controlo Não Linear – Gustavo da Silva – Pág. 121
Neste sistema, a variação de volume no interior da esfera é resultante da diferença entre
o caudal que entra e o caudal que sai. Representando por S(h) a secção interior da esfera
à cota h, ou seja, a área da superfície livre do líquido, o volume de líquido obtém-se in-
tegrando S(h)dh entre as cotas 0 e h, pelo que a dinâmica do sistema é representada por

2
0
( ) ( ) 2 ( )
h
d
S d u t S gh t
dt
ξ ξ = −

(5.5)
ou ainda, desenvolvendo o 1º membro
(1)
,

2
( ) ( ) ( ) 2 ( ) S h h t u t S gh t = −

(5.6)
Se o valor desejado para a altura, r (referência), estiver, por exemplo, a ½ da altura da
esfera, o ganho óptimo para um controlador linear deverá ser bastante diferente do
ganho óptimo para uma referência a ¼ da altura.
Considere-se uma lei de controlo que procure linearizar (5.6). Poderá ser do tipo

2
( ) ( ) ( ) 2 ( ) u t S h v t S gh t = + (5.7)
em que v(t) é uma nova variável manipulada intermédia, escolhida por (5.7) de modo a
tornar (5.6) linear. Com efeito, substituindo u(t) na equação do sistema resulta o sistema
( ) ( ) h t v t =

(5.8)
Este sistema pode ser controlado para uma referência r(t) variável no tempo utilizando a
lei de controlo
( ) ( ) ( ) v t r t ke t = − (5.9)
em que e = h–r representa o valor do erro e k uma constante real. Substituindo (5.9) em
(5.8) obtém-se
( ) ( ) 0 e t ke t + = (5.10)
Se a constante k for escolhida positiva, a solução da equação (5.10) tende para zero
quando t → ∞, ou seja, a equação do erro é exponencialmente estável.
Se a referência r mudar, o novo erro tende exponencialmente para zero, o que significa
que o nível do tanque segue a referência.
Substituindo a lei de controlo (5.9) em (5.7) obtém-se

2
( ) 2 ( ) ( ) u t S gh S h r S h ke = + − (5.11)
Repare-se na constituição do 2º membro de (5.11). O primeiro termo é utilizado para
compensar directamente o caudal de escape pelo fundo do tanque. O 2º termo compensa
as variações da referência. Finalmente o 3º termo compensa outras perturbações do
nível, por exemplo variações de consumo, não indicadas na figura.
Nota: Neste exemplo há uma limitação no desempenho do controlo, uma vez que u(t)
não pode tomar valores negativos.

1
Relembre-se que
( ) ( )
( ) ( )
( , ) ( ) ( )
( , ) ( , ) ( , )
b x b x
a x a x
d f x y db x da x
f x y dy dy f b y f a y
dx x dx dx

= + −

∫ ∫


5. LINEARIZAÇÃO EXACTA POR REALIMENTAÇÃO

Pág. 122 – Escola Superior de Tecnologia de Setúbal – Controlo Não Linear – Gustavo da Silva
5.1.2. Sistemas na forma companheira
Um sistema não linear diz-se na forma companheira se a sua dinâmica puder ser
representada por uma equação do tipo

( )
( ) ( )
n
x f g u = + x x (5.12)
em que x representa o vector de estado,

( 1) T
[ , , , ]
n
x x x

= x " (5.13)
e f e g são duas funções escalares, não lineares, de x. Deverá ainda ser g(x)≠0.
Esta representação tem a particularidade de nela não intervirem as derivadas de u.
Efectuando a mudança de variáveis

1
2
( 1) n
n
x x
x x
x x

= ¦
¦
=
¦
´
¦
¦
=
¹

"
(5.14)
a equação de estado correspondente à equação diferencial (5.12) escreve-se

1 2
1
( ) ( )
n n
n
x x
x x
x f g u




=


+

x x

" "

(5.15)
Utilizando a lei de controlo

1
( ) [ ( ) ( )]
( )
u t v t f
g
= − x
x
(5.16)

e substituindo em (5.12), obtém-se o sistema linear, integrador múltiplo,

( ) n
x v = (5.17)
Se for desejado seguir uma referência r(t), definindo o erro por
( ) ( ) ( ) e t x t r t = − (5.18)
a lei de controlo

( ) ( 1)
0 1 1
n n
n
v r k e k e k e


= − − − − " (5.19)
conduz a um seguimento exponencialmente convergente se as raízes do polinómio
característico

1
1 1 0
0
n n
n
k k k λ λ λ


+ + + + = " (5.20)
tiverem a parte real estritamente negativa.



5. LINEARIZAÇÃO EXACTA POR REALIMENTAÇÃO
Escola Superior de Tecnologia de Setúbal – Controlo Não Linear – Gustavo da Silva – Pág. 123
A lei de controlo (5.19) pode ser escrita na forma

( ) T n
v r = −k e (5.21)
com

0
1
( 1) ( 1)
1
e
n n
n
k x r
k x r
k x r
− −





= =




k e

" "
(5.22)

O procedimento que acaba de ser apresentado foi aplicado a sistemas na forma
companheira, não lineares no estado mas lineares na entrada. Eles são expansíveis ao
caso em que na equação (5.12) em vez de estar u estiver uma função ψ(u), invertível.
Neste caso efectuando uma mudança de variável prévia

1
( ) u w ψ

= (5.23)
a não linearidade na entrada é cancelada.

5.1.3. Linearização entrada-estado
Na linearização entrada-estado o objectivo é linearizar por realimentação um sistema
descrito pela equação de estado
( , ) f u = x x (5.24)
em que o estado é completamente acessível. Como se disse atrás, a linearização é feita
com uma mudança da variável de estado z = z(x), (5.2), e com uma mudança na variável
de entrada u=u(x,v), (5.3), de modo a obter-se um sistema linear e invariante no tempo,
com a dinâmica
v = + z Az b (5.25)
Chegando-se ao sistema linear (5.25), este pode ser controlado com qualquer das
técnicas usadas com sistemas lineares. Ilustre-se o procedimento com um exemplo.
Exemplo 5-1
Considere-se o sistema de 2ª ordem não linear no estado e linear na entrada,

1 1 2 1
2 2 1 1
3 2 sen
cos cos2
x x x x
x x x u x
= − + + ¦
´
= − +
¹

(5.26)
Efectue-se a seguinte mudança de variável de estado

1 1
2 2 1
2 sen
z x
z x x
= ¦
´
= +
¹
(5.27)


5. LINEARIZAÇÃO EXACTA POR REALIMENTAÇÃO

Pág. 124 – Escola Superior de Tecnologia de Setúbal – Controlo Não Linear – Gustavo da Silva
A combinação de (5.26) com (5.27) conduz a

1 1 2
2 1 1 1 1 1
3
3 cos sen cos 2 cos 2
z z z
z x x x x u x
= − + ¦
´
= − + +
¹

(5.28)
Se for efectuada uma mudança na variável de entrada

1 1 1 1
1
1
( 3 cos sen cos )
2cos 2
u v x x x x
x
= + − (5.29)
é-se conduzido à equação de estado linear

1 1 2
2
3 z z z
z v
= − +
¦
´
=
¹

(5.30)
Repare-se que a relação entre u e v não é global. Com efeito ela só é válida desde que o
denominador em (5.29) seja diferente de zero, ou seja, para x
1


π/4+kπ/2, k

=

±1, ±2, …
Para estes valores de x
1
o coeficiente de u em (5.26) anula-se e o sistema deixa de ser
controlável, uma vez que o estado passa a não depender de u.
Se for desejado que o novo estado estabilize a origem, poderá utilizar-se a lei de
controlo

T
v = −k e (5.31)
com k e e dados por

0
1
e
k z r
k z r

= =



k e

(5.32)
A raízes do polinómio característico (5.20) deverão localizar-se no semiplano complexo
esquerdo, eixo imaginário excluído, para que o sistema em cadeia fechada seja
exponencialmente estável.
A Fig. 5.2 resume o conjunto de transformações que se efectuaram para linearizar e
controlar o sistema deste exemplo.











Fig. 5.2 – Esquema de controlo com linearização entrada-estado.


r(t) -e(t) v(t) u(t)
x(t)
v = -k
T
e u = u(z,v) x = f(x,u)
z = z(x)
controlo
linearização

5. LINEARIZAÇÃO EXACTA POR REALIMENTAÇÃO
Escola Superior de Tecnologia de Setúbal – Controlo Não Linear – Gustavo da Silva – Pág. 125
Repare-se no seguinte:

• Está-se a admitir que o estado é completamente acessível. Caso tal não aconteça,
deverá providenciar-se para ser feita a sua medida ou o seu cálculo.
• Não foram consideradas incertezas no modelo original. Estas podem eventual-
mente conduzir a um tal aumento na incerteza da descrição linearizada que esta
pode deixar de ter qualquer utilidade.

Até agora foram dados dois exemplos de sistemas em que através de mudanças de
variáveis se transformou uma dinâmica não linear numa dinâmica linear. Será que tal é
sempre possível? Em caso afirmativo, será que existem classes de sistemas às quais o
método é sempre aplicável? Quais essas classes e quais os métodos sistemáticos para
proceder à sua linearização?
Antes de procurar responder a estas questões levantem-se outras mais, procurando
efectuar a linearização de um sistema a partir das variáveis de entrada e de saída.

5.1.4. Linearização entrada-saída
Seja um sistema não linear, descrito pelo modelo de estado

( , )
( )
f u
y h
= ¦
´
=
¹
x x
x

(5.33)
e projecte-se um sistema de controlo para seguir uma referência r(t). A referência e suas
derivadas assumem-se conhecidas e limitadas.
O sistema de controlo vai procurar impor valores a u no sentido de minimizar a
diferença entre y e r. Por agora não se fará qualquer consideração sobre qual o critério
de minimização. Vai sim procurar-se uma relação explícita entre u e y, que de momento
apenas aparece implícita através de (5.33). Procure abordar-se o problema por meio de
um exemplo.
Exemplo 5-2
Considere-se o sistema não linear de 3ª ordem

1 2 2 3
3
2 1 3
2
3 1
1
sen2 ( 3) x x x x
x x x
x x u
y x
= + +
¦
¦
= − +
¦
´
= +
¦
¦
=
¹

(5.34)
Neste sistema não existe uma relação explícita entre a saída e a entrada, como é
pretendido que haja. Para a obter, derive-se a equação de saída e substitua-se o valor de
1
x dado por (5.34)

2 2 3
sen2 ( 3) y x x x = + + (5.35)

5. LINEARIZAÇÃO EXACTA POR REALIMENTAÇÃO

Pág. 126 – Escola Superior de Tecnologia de Setúbal – Controlo Não Linear – Gustavo da Silva
Como ainda não aparece a relação entre y (ou y ) e u, derive-se de novo e substitua-se
2
x e
3
x pelos seus valores dados por (5.34). Obtém-se

1 2
( ) ( 3) y f x u = + + x (5.36)
em que f
1
é a função do estado

3 2
1 2 3 1 3 2 1
( ) (2cos2 ) ( ) ( 3) f x x x x x x = + + + + x (5.37)
Agora, na equação (5.36) já aparece uma relação explícita entre a saída e a entrada
(através de y e de u). Escolhendo uma nova variável de entrada v, relacionada com u
por

1
2
1
( )
3
u v f
x
= −
+
(5.38)
a não linearidade de (5.36) é cancelada, ficando
y v = (5.39)
que é um duplo integrador.
Projecte-se um sistema de controlo para (5.39), para seguir uma trajectória r(t), fazendo

T
v r = −k e (5.40)
com

0
1
e
k y r
k y r

= =



k e

(5.41)
Substituindo (5.40) em (5.39) obtém-se

1 0
( ) ( ) 0 y r k y r k y r − + − + − = (5.42)
ou ainda

1 0
0 e k e k e + + = (5.43)
que, se as raízes da sua equação característica tiverem a parte real estritamente
negativa, representa um sistema exponencialmente estável.
Se as condições iniciais forem (0) 0 e = , (0) 0 e = , (0) 0 e = , tem-se, para qualquer t ≥ 0, ( ) 0 e t = ,
ou seja, há um seguimento perfeito da trajectória. Para condições iniciais diferentes
destas o erro e(t) tende exponencialmente para zero.
Chama-se a atenção para o seguinte:
• A expressão (5.38), que define a nova variável manipulada v, não é global, isto é,
não é válida para todo o espaço de estados, não se aplicando se x
2
= –3.
• Como no caso do exemplo anterior, continua a ser necessário o conhecimento das
variáveis de estado, pois o cálculo de y e de y utiliza os seus valores.
• Para a obtenção de uma relação explícita entre y e u houve necessidade de derivar
duas vezes a saída. Diz-se que o sistema tem um grau relativo igual a 2.


5. LINEARIZAÇÃO EXACTA POR REALIMENTAÇÃO
Escola Superior de Tecnologia de Setúbal – Controlo Não Linear – Gustavo da Silva – Pág. 127
De uma forma mais geral:

Diz-se que o sistema tem o grau relativo r, se para obter uma relação
explícita entre a entrada e a saída esta tiver que ser derivada r vezes.


O grau relativo deverá ser menor ou igual à ordem do sistema:
r n ≤ (5.44)
Com efeito r não pode ser superior a n, porque se fosse possível derivar um número de
vezes superior a n então o sistema não seria de ordem n mas de ordem superior a n.
Se ao fim de derivar n vezes ainda não houver uma relação explícita entre a entrada e a
saída é porque o sistema não é controlável.

5.1.5. A dinâmica interna
Um facto curioso que se levanta com o exemplo anterior é o seguinte: Partiu-se de um
sistema não linear de 3ª ordem, o sistema (5.34), e chegou-se a uma equação diferencial
linear de 2ª ordem, a equação (5.39). Pelo caminho perdeu-se uma variável de estado. O
que é que lhe aconteceu?
A explicação é a seguinte: a equação (5.39) apenas representa parte da dinâmica do
sistema inicial. A restante dinâmica tornou-se não observável, ao efectuar-se a
linearização entrada-saída. A esta dinâmica não observável dá-se o nome de dinâmica
interna do sistema.
Neste exemplo a dinâmica interna pode ser analisada por meio do estado x
3
, uma vez
que é possível obter um novo vector de estado com y, y e x
3
. A dinâmica interna será
então representada por

2
3 1 0 1 1
2
1
( )
3
x x r k e k e f
x
= + − − +
+
(5.45)
Se o estado x
3
for estável a dinâmica interna será estável e o sistema pode efectuar o
seguimento da trajectória. Se a dinâmica interna for instável, ou seja, se o estado x
3
for
não limitado, o seguimento da trajectória r poderá conduzir a fenómenos indesejáveis,
como por exemplo vibrações violentas, rotura de peças, disparo de protecções ou
queima de fusíveis.
Portanto, a eficiência do sistema de controlo de seguimento, além de depender do
comportamento do modelo linear de ordem reduzida (5.43), depende também da
estabilidade da dinâmica interna.
A fim de compreender melhor o que é a dinâmica interna de um sistema vai dar-se um
outro exemplo.

Exemplo 5-3
Considere-se o sistema não linear de 2ª ordem
5. LINEARIZAÇÃO EXACTA POR REALIMENTAÇÃO

Pág. 128 – Escola Superior de Tecnologia de Setúbal – Controlo Não Linear – Gustavo da Silva

3
1 2
2
1
x x u
x u
y x
¦
+
=
¦

´
¦
=
¹

(5.46)
e projecte-se um controlador que faça a saída seguir uma referência r(t), limitada e com
derivada limitada. Procure-se uma relação entre y e u, derivando y:

3
1 2
y x x u = = + (5.47)
Como acaba de se obter a relação entre y e u (através de y ), aplique-se a lei de controlo

3
2
u v x = − (5.48)
A substituição de (5.48) em (5.47) origina o sistema linear de 1ª ordem (integrador)
y v = (5.49)
Efectuando um controlo de seguimento por realimentação de estado [ver as equações
(5.19), (5.31), (5.40)], em que e = y – r, será
v r ke = − (5.50)
Substituindo (5.50) em (5.49) e notando que r y e = − , é-se conduzido à equação
diferencial de 1ª ordem, para o erro,
0 e ke + = (5.51)
cuja equação característica tem o valor próprio λ = – k, pelo que o erro converge para
zero, exponencialmente.
A dinâmica interna obtém-se substituindo a lei de controlo (5.48) na 2ª equação de
(5.46), ainda não utilizada, resultando

3
2 2
x x r ke + = − (5.52)
Uma vez que (5.51) garante que e(t) é limitado, e que por hipótese a referência e a sua
derivada são limitadas, tem-se
r ke C − < (5.53)
em que C é uma constante positiva, e portanto

3
2 2
x x C + < (5.54)
ou seja, x
2
é limitado. O sistema de controlo satisfaz pois os objectivos pretendidos, uma
vez que y(t) segue a trajectória desejada r(t) e a dinâmica interna é estável.
Se no entanto o sistema (5.46) for substituído por um aparentemente muito semelhante

3
1 2
2
1
x x u
x u
y x
¦
+
=
¦


´
¦
=
¹

(5.55)

5. LINEARIZAÇÃO EXACTA POR REALIMENTAÇÃO
Escola Superior de Tecnologia de Setúbal – Controlo Não Linear – Gustavo da Silva – Pág. 129
chega-se a uma equação para o erro igual a (5.51), mas a dinâmica interna dará

3
2 2
x x r ke − = − + (5.56)
que, mesmo com r ke C − + < , como anteriormente, é uma equação cuja solução tende
para infinito quando t→∞.
Embora nos exemplos apresentados tenha havido como motivação o seguimento de uma
referência, o método da linearização por realimentação pode ser utilizado também para
a análise da estabilidade de um sistema não linear na vizinhança de um ponto de
equilíbrio.
Viu-se que o grau relativo de um sistema está relacionado com o número de derivações
que é necessário efectuar sobre a variável de saída até se obter uma relação explícita
entre y
(r)
e u. A dinâmica interna de um sistema será caracterizada por um determinado
número de equações diferenciais de 1ª ordem, concretamente n-r. Um caso importante é
aquele em que para obter a relação entre y e u é necessário derivar y um número de
vezes igual à ordem do sistema. Neste caso o grau relativo é r

=

n, e o número de
equações representativas da dinâmica interna é zero. O conjunto de variáveis y, y , …,
y
(n)
pode ser tomado para vector de estado e o sistema fica assim transformado num
sistema na forma companheira, análogo ao sistema (5.15). Neste caso a linearização
entrada-saída é equivalente à linearização entrada-estado e o sistema é controlável.

5.1.6. Dinâmica interna de sistemas lineares
Para compreender melhor o significado da dinâmica interna analise-se o sistema linear

| |
1 1
2 2
1
2
0 1 1
0 0 1
1 0
x x
u
x x
x
y
x
¦

= +
¦
¦
´

¦
=

¦
¹

(5.57)
semelhante a (5.46), mas linear. Derivando a saída e substituindo
1
x obtém-se

2
y x u = + (5.58)
A lei de controlo (que contém a realimentação de estado)

2
u r ke x = − −
(5.59)
conduz à equação exponencialmente estável (k>0)
0 e ke + = (5.60)
e à dinâmica interna [comparar com (5.52)]

2 2
x x r ke + = − (5.61)
cuja solução tende para zero quando t → ∞.

5. LINEARIZAÇÃO EXACTA POR REALIMENTAÇÃO

Pág. 130 – Escola Superior de Tecnologia de Setúbal – Controlo Não Linear – Gustavo da Silva
No entanto, se for considerado o sistema [confrontar com (5.55)],

| |
1 1
2 2
1
2
0 1 1
0 0 1
1 0
x x
u
x x
x
y
x
¦

= +
¦

¦
´

¦
=

¦
¹

(5.62)
a lei de controlo (5.59), embora conduza à mesma equação para o erro, (5.60), origina a
dinâmica interna

2 2
x x r ke − = − + (5.63)
cuja solução tende para infinito quando t→∞. Qual será a diferença nos dois sistemas
que conduz a resultados tão diferentes? Antes de responder a esta questão observem-se
as respectivas funções de transferência, que podem ser obtidas pela relação

T 1
( ) ( ) G s s

= − c I A b (5.64)
Obtêm-se assim
1º sistema: 2º sistema:
1 2
1
( )
s
G s
s
+
=
2 2
1
( )
s
G s
s

=

Embora os dois sistemas tenham os mesmos pólos, o primeiro tem o zero igual a –1
enquanto que o segundo tem o zero igual a +1. O sistema com o zero no semiplano
complexo esquerdo
(2)
tem a dinâmica interna estável, enquanto que o sistema com o
zero no semiplano complexo direito
(3)
tem a dinâmica interna instável.
Considere-se agora um outro exemplo, um sistema de 3ª ordem com um excesso de
pólos sobre zeros igual a dois. A sua função de transferência genérica pode escrever-se

0 1
2 3
1 2
( )
o
b b s
G s
a a s a s s
+
=
+ + +
(5.65)
Introduzindo as variáveis de estado (escrita simbólica)

1 2 1 3 2 2
0 1 2
1
x u x x x x
a a s a s
= = =
+ +
(5.66)
o sistema pode escrever-se na forma companheira

1 1
2 2
0 1 2 3 3
0 1 0 0
0 0 1 0
1
x x
x x u
a a a x x


= +

− − −

(5.67)

2
Designados por sistemas de fase mínima.
3
Designados por sistemas de fase não mínima.

5. LINEARIZAÇÃO EXACTA POR REALIMENTAÇÃO
Escola Superior de Tecnologia de Setúbal – Controlo Não Linear – Gustavo da Silva – Pág. 131
| |
1
0 1 2
3
0
x
y b b x
x


=



(5.68)
Como em (5.68) não existe nenhuma relação explícita entre a saída e a entrada, derive-
-se a saída. Obtém-se

0 1 1 2 0 2 1 3
y b x b x b x b x = + = + (5.69)
e voltando a derivar

0 2 1 3 0 3 1 0 1 1 2 2 3
( ) y b x b x b x b a x a x a x u = + = + − − − + (5.70)
Verifica-se que o número de diferenciações necessárias para obter uma relação explícita
entre a saída e a entrada, ou seja, o grau relativo, é igual ao excesso de pólos sobre
zeros. Escolhendo a lei de controlo

0
0 1 1 2 2 3 3 0 1
1 1
1
( ) ( )
b
u a x a x a x x r k e k e
b b
= + + − + − − (5.71)
com k
0
e k
1
positivos, é-se conduzido à equação de 2ª ordem, que origina um erro
exponencialmente estável,

1 0
0 e k e k e + + = (5.72)
A dinâmica interna do sistema será descrita por n – r = 1 equação. Escolhendo a 1ª
equação escalar de (5.67) para representar a dinâmica interna, vem

1 2 0 1
1
1
( ) x x y b x
b
= = − (5.73)
ou seja
0
1 1
1 1
1 b
x x y
b b
+ = (5.74)
Uma vez que y é limitado, por ser y = r + e, e tanto r como e são limitados, a
estabilidade de (5.74) depende da localização do seu pólo, que é o zero da função de
transferência (5.65): se o sistema for de fase mínima o zero encontra-se no semiplano
complexo esquerdo, e a dinâmica interna é estável. Se o sistema for de fase não mínima
o zero encontra-se no semiplano complexo direito, e a dinâmica interna é instável.
Como exemplos clássicos de sistemas de fase não mínima, tem-se o controlo da altitude
de um avião, por meio da manipulação do leme de elevação, e o controlo do nível do
ebulidor de uma caldeira por manipulação do caudal de água de alimentação.

5.1.7. A dinâmica zero
Na secção anterior estudou-se o efeito da localização dos zeros da função de
transferência de um sistema linear sobre a estabilidade da sua dinâmica interna. Será
que é possível estender o conceito de zero(s) da função de transferência de um sistema
linear a um sistema não linear? O problema que começa por pôr-se à partida é que para
um sistema não linear não se define função de transferência e, portanto, não existem os
conceitos de zero ou de pólo. Há no entanto uma forma de abordar este assunto através
do conceito de dinâmica zero:
5. LINEARIZAÇÃO EXACTA POR REALIMENTAÇÃO

Pág. 132 – Escola Superior de Tecnologia de Setúbal – Controlo Não Linear – Gustavo da Silva
Dado um sistema linear, define-se dinâmica zero desse sistema como sendo
a dinâmica interna que actuada pela entrada mantém a saída a zero.
Para o sistema (5.46) do Exemplo 5-3 a dinâmica zero obtém-se a partir da equação
(5.52), fazendo o 2º membro igual a zero, ou seja,

3
2 2
0 x x + = (5.75)
A dinâmica zero é uma característica intrínseca de um sistema não linear. Ela não
depende nem da saída nem da referência. Para este exemplo pode verificar-se que a
dinâmica (5.75) é assimptoticamente estável utilizando uma função de Lyapunov, por
exemplo
2
2
V x = .
Para o sistema (5.67)/(5.68) a dinâmica zero obtém-se fazendo y = 0 em (5.74),
resultando

0
1 1
1
0
b
x x
b
+ = (5.76)
A equação (5.76) é estável, isto é, x
1
→0 quando t→∞, se a raiz da sua equação
característica, –
1
0
b
b
, estiver no semiplano complexo esquerdo, e é instável caso a raiz se
encontre no semiplano complexo direito. A observação de (5.76) e de (5.65) mostra que
o pólo da última é o zero da primeira. O resultado que acaba de se apresentar é válido
para todos os sistema lineares e pode traduzir-se do modo seguinte:
a localização dos zeros do sistema sobre o semiplano complexo esquerdo
garante a estabilidade da dinâmica zero.
Nos sistemas lineares a estabilidade da dinâmica zero é global. Para os sistemas não
lineares não é possível garantir a estabilidade global, apenas a estabilidade local pode
ser garantida.

Diz-se que um sistema não linear é de fase mínima se a sua dinâmica zero
for assimptoticamente estável.
Resumindo, o método de linearização entrada-saída envolve os seguintes passos:
1. Derivar a saída r vezes até se obter uma relação explícita entre y
(n)
e u.
2. Escolher u=u(v,x) de modo a cancelar as não linearidades e garantir a
convergência do erro de seguimento.
3. Analisar a estabilidade da dinâmica interna.

Quando o grau relativo r for igual à ordem do sistema, este fica completamente
linearizado e é possível escolher um controlador que conduza a um seguimento
satisfatório. Caso r < n, o comportamento do sistema dependerá também da estabilidade
da sua dinâmica interna.

5. LINEARIZAÇÃO EXACTA POR REALIMENTAÇÃO
Escola Superior de Tecnologia de Setúbal – Controlo Não Linear – Gustavo da Silva – Pág. 133
5.2. O formalismo da Geometria Diferencial
Nesta secção serão introduzidos alguns conceitos matemáticos que permitem abordar a
linearização por realimentação com o formalismo utilizado na Geometria Diferencial.
5.2.1. Conceitos e aplicações
5.2.1.1. Campo vectorial
Considere-se um domínio D ⊆ ℜ
n
. Dá-se o nome de campo vectorial a uma aplicação f
de D em ℜ
n
:

n
: D → ℜ f (5.77)
O campo vectorial representa uma função f(x) que a cada ponto x do domínio D faz
corresponder um vector f, de componentes reais. Pode fazer-se uma abstracção
geométrica imaginando um vector f emanando de cada ponto x do domínio.
O campo vectorial é representado por um vector coluna de comprimento n e
componentes f
1
(x), f
2
(x), …, f
n
(x). Neste texto, quando mais nada for dito, f(x) designa
um campo vectorial.
No caso particular em que n = 1, o campo vectorial tem o nome de campo escalar.
Neste texto h(x) representará uma função escalar e será
: h D →ℜ (5.78)
A função escalar faz corresponder a cada ponto do espaço vectorial um valor real.
No que se segue admitir-se-á que h(x) e f(x) são funções suaves de x
(4)
.
5.2.1.2. Campo covectorial
Designa-se por campo covectorial ao transposto de um campo vectorial. Representa-se
por um vector linha.
5.2.1.3. Produto interno
Define-se produto interno de um campo vectorial f(x) por um campo covectorial w(x),
e representa-se por < w, f > , pelo escalar

1
, ( ) ( ) ( ) ( )
n
i i
i
w f
=
< >= =

w f w x f x x x (5.79)
O produto de w(x) por f(x) deve ser entendido como o produto matricial de uma matriz
linha 1×n (covector w), por uma matriz coluna n×1 (vector f).
5.2.1.4. Gradiente
Define-se gradiente de uma função escalar h(x), e representa-se por ∇h(x),
( ) h ∂

x
x
, ou
grad h(x), pelo covector

4
f(x) é função suave se todas as sua componentes forem funções suaves em relação a todas as
componentes de x. Ver Cap.2, nota da pág.43.

5. LINEARIZAÇÃO EXACTA POR REALIMENTAÇÃO

Pág. 134 – Escola Superior de Tecnologia de Setúbal – Controlo Não Linear – Gustavo da Silva

1
( ) ( ) ( )
( ) grad ( ) , ...,
n
h h h
h h
x x
| | ∂ ∂ ∂
∇ ≡ ≡ =
|
∂ ∂ ∂
\ .
x x x
x x
x
(5.80)
O gradiente de uma função escalar é um campo covectorial, cujas componentes se
obtêm derivando h(x) em relação a cada uma das componente de x, respectivamente.
Também se lhe dá o nome de gradiante de h(x).
5.2.1.5. Jacobiano
Define-se jacobiano de um campo vectorial f(x) pela expressão

1 1 1
1
1
1
( ) ( )
( ) ( )
( )
( ) ( )
n
n
i
j
n n n
n
f x f x
x x
f
x
f x f x
x x
∂ ∂

∂ ∂


∂ ∂
∇ ≡ = =

∂ ∂


∂ ∂

∂ ∂

x f x
f x
x
"
" "
"
, 1, 2, , i j n = " (5.81)
O jacobiano de um campo vectorial de dimensão n é uma matriz n×n.

5.2.1.6. Derivada de Lie
Dados uma função escalar h(x) e um campo vectorial f(x), define-se derivada de Lie de
h(x) em relação a f(x), e representa-se por L
f
h, pela expressão

f
( )
L ( ) ( ) ( ) ( ) ( ), ( )
h
h h h

= = ∇ =< ∇ >

x
x f x x f x x f x
x
(5.82)
Repare-se que ∇h é um covector, pelo que o seu produto com f é um escalar.
A L
f
h também se costuma chamar derivada de Lie de h ao longo de f. A derivada de
Lie é a derivada dirigida de h(x) segundo a direcção de f.

Uma vez que a derivada de Lie de uma função escalar é também uma função escalar, é
possível calcular as derivadas de Lie de ordem 2, 3, etc. A sua definição faz-se por
recorrência: Define-se derivada de Lie de ordem i de uma função escalar h(x) por

1 1
L ( ) [L ( )] [L ( )] ( )
i i i
h x L h h
− −
= = ∇
f f f f
x x f x (5.83)
e em que, por definição, a derivada de Lie de ordem zero é

0
L ( ) ( ) h h =
f
x x (5.84)
Uma função escalar pode ser derivada em relação a mais do que um campo vectorial.
Sejam f(x) e g(x) dois campos vectoriais. Define-se L
g
L
f
h(x) pela expressão
| | | |
g f g f f
L L ( ) L L ( ) L ( ) ( ) h h h = = ∇ x x x g x (5.85)
De um modo geral será

g f f g
L L ( ) L L ( ) h h ≠ x x (5.86)
5. LINEARIZAÇÃO EXACTA POR REALIMENTAÇÃO
Escola Superior de Tecnologia de Setúbal – Controlo Não Linear – Gustavo da Silva – Pág. 135
Dados um campo vectorial f(x) e um campo vectorial g(x), define-se derivada de Lie de
g(x) em relação a f(x), e representa-se por L
f
g, pela expressão

f
( )
L ( ) ( )

=

g x
g x f x
x
(5.87)
Note-se que
( ) ∂

g x
x
é uma matriz, pelo que o seu produto por f é um vector.
Exemplo 5-4
Sejam x = [x
1
, x
2
]
T

h(x) = x
1
3
+ x
2
f(x) =
2
2
1 2
x
x x


+

g(x) =

1
0
(campo vectorial constante)
Calcular: a) L
f
h b) L
2
f
h c) L
g
h d) L
f
L
g
h e) L
g
L
f
h.
Resolução:
a) L
f
h =
h ∂
∂x
f(x) = [3x
1
2
1]
2
2
1 2
x
x x


+

= 3x
1
2
x
2
+ x
1
+ x
2
2
b) L
2
f
h=
(L ) h ∂

f
x
f = [6x
1
x
2
+1 3x
1
2
+2x
2
]
2
2
1 2
x
x x


+

= 3x
1
3
+3x
1
2
x
2
2
+2x
1
x
2
+x
2
+6x
1
x
2
2
+2x
2
3

c) L
g
h = [3x
1
2
1]

1
0
= 1
d) L
f
L
g
h =
(L ) h ∂

g
x
f = [0 0] f = 0
e) L
g
L
f
h =
(L ) h ∂

f
x
g = [6x
1
x
2
+1 3x
1
2
+2x
2
]

1
0
= 3x
1
2
+2x
2
≠ L
f
L
g
h
5.2.1.7. Aplicações da derivada de Lie
Veja-se como é que as derivadas de Lie se aplicam a sistemas dinâmicos não lineares.
Considere-se o sistema autónomo

( )
( ) y h
= ¦
´
=
¹
x f x
x

(5.88)
As derivadas da saída podem obter-se por

2
( )
L
(L )
n n
h h
y h
h
y h
y h
∂ ∂ ¦
= = =
¦
∂ ∂
¦

¦
= =
´

¦
¦
¦
=
¹
f
f
f
f
x f
x x
x L
x
L


"
(5.89)
5. LINEARIZAÇÃO EXACTA POR REALIMENTAÇÃO

Pág. 136 – Escola Superior de Tecnologia de Setúbal – Controlo Não Linear – Gustavo da Silva
A derivada de Lie já apareceu no Cap. 3 secção 3.5.3, embora o seu nome não tenha
sido aí referido, aquando do cálculo da derivada da função de Lyapunov ao longo de
uma trajectória do sistema. Considere-se então uma função de Lyapunov candidata, para
o sistema (5.88). A derivada ( ) V x

obtém-se por

( ) ( )
( ) ( ) L ( )
V V
V V
∂ ∂
= = =
∂ ∂
f
x x
x x f x x
x x

(5.90)
As derivadas de Lie podem ser usadas para redefinir as expressões de grau relativo de
um sistema, apresentadas atrás em 5.1.4. Seja o sistema não linear no estado e linear na
entrada

( ) ( )
( )
u
y h
= + ¦
´
=
¹
x f x g x
x

(5.91)
e seja r o seu grau relativo. Isto significa que é necessário derivar r vezes a 2ª equação
de (5.91) até se obter uma dependência explícita da entrada na saída. Derive-se uma vez
a 2ª equação (5.91) e substitua-se x pelo seu valor:
( ) L L
h h
y u h hu
∂ ∂
= = + = +
∂ ∂
f g
x f g
x x
(5.92)
Se o sistema for de grau relativo r = 1 deverá ser L 0 h ≠
g
. Se r >1 terá que ser L 0 h =
g
.
Neste caso deverá derivar-se de novo a saída. Derivando, substituindo x pelo seu valor
e generalizando o raciocínio até à derivada de ordem r, pode afirmar-se o seguinte:

O sistema (5.91) é de grau relativo r se para qualquer x∈D se verificar

1
L L ( ) 0, 0 2
L L ( ) 0
i
r
h i r
h

¦ = ≤ ≤ −
¦
´

¦
¹
g f
g f
x
x
(5.93)


Para mais detalhe vejam-se as secções 5.4.1 e 5.4.2. mais adiante.

5.2.1.8. Parêntesis de Lie
Dados uma função escalar h(x) e dois campos vectoriais f(x) e g(x), em ℜ
n
, define-se
parêntesis de Lie de f e g pela expressão

( ) ( )
[ , ] ( ) ( )
∂ ∂
= ∇ −∇ = −
∂ ∂
g x f x
f g gf f g f x g x
x x
(5.94)
Repare-se que [f, g] é um campo vectorial de dimensão n (vector coluna).
Uma outra notação utilizada para o parêntesis de Lie, conveniente para a aplicação
recursiva, é a seguinte:
[ , ] ad =
f
f g g (5.95)
onde ad
f
g significa adjunta de g e representa o parêntesis de Lie de f e g.

5. LINEARIZAÇÃO EXACTA POR REALIMENTAÇÃO
Escola Superior de Tecnologia de Setúbal – Controlo Não Linear – Gustavo da Silva – Pág. 137
O parêntesis de Lie de ordem i é definido por

1
ad [ , ad ]
i i−
=
f f
g f g (5.96)
com a condição de se fazer

0
ad =
f
g g (5.97)
Exemplo 5-5
Dados x =

2
1
x
x
, f(x) =


+ −
1 2
2 1
senx x
x x 2
, g(x) =

1
x 2
1
, calcular [f, g].
Resolução:
[f, g] =
( ) ∂

g x
x
f(x) –
( ) ∂

f x
x
g(x) =

0 2
0 0
1 2
2 1
2
sen
x x
x x
− +





2 1 1
2 1
cos sen x x x



− −
1
1
2x



=
=
1
1 2 2 1 1 1
2 2
4 2 cos 2 sen
x
x x x x x x


− + + +



Exemplo 5-6
Considere o sistema obtido a partir de (5.91) fazendo f(x) =Ax, g(x) = b e h(x) = c
T
x.
Tem-se assim o sistema linear
x =

Ax + b

u

y = c
T
x
Calcule os vectores {ad
f
0
g, -ad
f

g, ad
f
2
g, …, (-1)
n-1
ad
f
n-1
g}
Resolução:
A aplicação das definições (5.97) e (5.96) permite obter o resultado
{b, Ab, A
2
b, …, A
n-1
b}
Que semelhança tem com a matriz de controlabilidade de um sistema linear?
5.2.1.9. Propriedades do parêntesis de Lie
P1. Bilinearidade:

1 1 2 2 1 1 2 2
1 1 2 2 1 1 2 2
[( ), ] [ , ] [ , ]
[ , ( )] [ , ] [ , ]
α α α α
β β β β
+ = +
+ = +
f f g f g f g
f g g f g f g
(5.98)
em que f, f
1
, f
2
, g, g
1
, g
2
são campos vectoriais suaves e
α
1
, α
2
, β
1
, β
2
são escalares constantes.
P2. Anticomutatividade:
[ , ] [ , ] = − f g g f (5.99)
P3. Identidade de Jacobi:

[ , ]
L L L L L h h h = −
f g f g g f
(5.100)
5. LINEARIZAÇÃO EXACTA POR REALIMENTAÇÃO

Pág. 138 – Escola Superior de Tecnologia de Setúbal – Controlo Não Linear – Gustavo da Silva
5.2.1.10. Difeomorfismos
Considere-se uma região do espaço de estados, Ω ⊆ ℜ
n
, um vector x∈Ω e uma
aplicação φ(x) de Ω em ℜ
n
. A aplicação φ(x) diz-se um difeomorfismo se existir φ
–1
(x)
e se além disso φ(x) e φ
–1
(x) forem funções suaves.
Normalmente a região Ω onde o difeomorfismo é definido é uma vizinhança de um
ponto x
0
do espaço de estados. Nestas condições diz-se que se trata de um
difeomorfismo local. Em casos menos correntes a região Ω onde o difeomorfismo se
encontra definido coincide com todo o espaço de estados, tratando-se então de um
difeomorfismo global.
Os teoremas seguintes estabelecem as condições para a existência de difeomorfismos.
Considere-se um campo vectorial φ(x)

n
: Ω →ℜ φ (5.101)
Teorema 1 (difeomorfismo local)

É condição necessária e suficiente para que φ(x) seja um difeomorfismo
local, numa vizinhança de x
0
contida em Ω, que o jacobiano ∇φ(x) seja
regular em x = x
0
.


Teorema 2 (difeomorfismo global)

É condição necessária e suficiente para que φ(x) seja um difeomorfismo
global, que o jacobiano ∇φ(x) seja regular em todo o espaço de estados e
que além disso lim ( )
→∞
= ∞
x
φ x

Uma das aplicações dos difeomorfismos consiste em transformar o modelo de estado de
um sistema não linear num outro modelo de estado, linear ou não linear, através de uma
mudança de variável de estado. Considere-se o sistema

( ) ( )
( )
u
y h
= + ¦
´
=
¹
x f x g x
x

(5.102)
e efectue-se a mudança de variável de estado
( ) = z φ x (5.103)
Derivando (5.103) obtém-se
( ) ( ) u
∂ ∂ ∂
= = +
∂ ∂ ∂
φ φ φ
z x f x g x
x x x
(5.104)
Como φ é um difeomorfismo tem-se

1
( )

= x φ z (5.105)
pelo que, substituindo em (5.104) se obtém
5. LINEARIZAÇÃO EXACTA POR REALIMENTAÇÃO
Escola Superior de Tecnologia de Setúbal – Controlo Não Linear – Gustavo da Silva – Pág. 139

*( ) *( )
*( )
u
y h
= + ¦
´
=
¹
z f z g z
z

(5.106)

5.2.2. Teorema de Frobenius
O teorema de Frobenius estabelece as condições necessárias e suficientes para que uma
determinada classe de equações diferenciais às derivadas parciais seja integrável. Antes
de apresentar o teorema na sua forma geral, apresente-se um exemplo.
Considere-se a função escalar h(x
1
,x
2
,x
3
), a determinar, e as funções escalares
conhecidas f
i
(x
1
,x
2
,x
3
) e g
i
(x
1
,x
2
,x
3
), com i = 1, 2, 3, relacionadas pelas equações diferen-
ciais às derivadas parciais

1 2 3
1 2 3
1 2 3
1 2 3
0
0
h h h
f f f
x x x
h h h
g g g
x x x
∂ ∂ ∂ ¦
+ + =
¦
∂ ∂ ∂
¦
´
∂ ∂ ∂
¦
+ + =
¦
∂ ∂ ∂
¹
(5.107)
Se o sistema (5.107) admitir solução, isto é, se existir h(x
1
,x
2
,x
3
) que o satisfaça, diz-se
que ele é completamente integrável.

A questão está em saber quais as condições a impor a f = [f
1
, f
2
, f
3
]
T
e g = [g
1
, g
2
, g
3
]
T

para que o sistema admita solução. A resposta a este problema é dada pelo teorema de
Frobenius, que se apresenta a seguir.

Teorema de Frobenius:

O sistema (5.107) admite solução se e só se existirem dois escalares
α(x
1
,x
2
,x
3
) e β(x
1
,x
2
,x
3
) tais que
[ , ] α β = + f g f g (5.108)
ou seja, o parêntesis de Lie de f e g possa ser expresso por meio de uma
combinação linear de f e g.


Dois campos vectoriais f e g dizem-se involutivos se satisfizerem a condição (5.108).
Repare-se que as equações (5.107) podem ser escritas na forma

0
0
h
h
∇ = ¦
´
∇ =
¹
f
g
(5.109)
Considere-se agora o caso geral de um conjunto de m campos vectoriais {f
1
, f
2
, …, f
m
},
todos eles definidos em ℜ
n
e linearmente independentes, com m < n.
O conjunto de campos vectoriais diz-se completamente integrável se e só se existirem
n–m funções escalares h
1
(x), h
2
(x), …, h
n-m
(x) que satisfaçam o sistema de equações
diferenciais
5. LINEARIZAÇÃO EXACTA POR REALIMENTAÇÃO

Pág. 140 – Escola Superior de Tecnologia de Setúbal – Controlo Não Linear – Gustavo da Silva
0 1, , ; 1, ,
i j
h i n m j m ∇ = = − = f " " (5.110)
Repare-se que o número de funções escalares h
i
(x) é igual a n–m, e o número de
equações diferenciais é n×(n–m).
Um conjunto de campos vectoriais linearmente independentes diz-se involutivo se e só
se existirem funções escalares α
i j k
: ℜ
n
→ ℜ tais que

0
[ , ] ( ) ( )
m
i j ijk k
k
x x α
=
=

f f f (5.111)
A expressão (5.111) significa que os parêntesis de Lie de dois quaisquer campos
vectoriais podem ser expressos por uma combinação linear dos campos de vectores
originais. Com as definições dadas pode apresentar-se o teorema de Frobenius de um
modo mais formal:
Teorema de Frobenius:


Seja {f
1
, f
2
, …, f
m
} um conjunto de m campos vectoriais, definidos em ℜ
n
,
com m < n. Este conjunto é completamente integrável se e só se for involutivo.


Exemplo 5-7
Determine a existência de solução para o seguinte sistema de equações diferenciais:
3
1 2
1 2 3
1 2 3
0
2 3 0
h h
x
x x
h h h
x x x
x x x
∂ ∂ ¦
− =
¦
∂ ∂
¦
´
∂ ∂ ∂
¦
− + − =
¦
∂ ∂ ∂
¹

Resolução:
Do sistema obtém-se f
1
=
3
1
0
x





e f
2
=
1
2
3
2
3
x
x
x





. Calcule-se [f
1
, f
2
].
[f
1
, f
2
] =
2 1
1 2
∂ ∂

∂ ∂
f f
f f
x x
=
3 1
2
3
1 0 0 0 0 1
0 2 0 1 0 0 0 2
0 0 3 0 0 0 0 3
x x
x
x
− −

− −

− −

=
3
2
2
0
x





= 2f
1

e portanto o sistema é completamente integrável. Repare-se que só há uma função h,
uma vez que n=3 e m=2.

5. LINEARIZAÇÃO EXACTA POR REALIMENTAÇÃO
Escola Superior de Tecnologia de Setúbal – Controlo Não Linear – Gustavo da Silva – Pág. 141
5.3. Linearização Entrada-Estado
Considere-se um sistema não linear, de entrada única com a equação de estado da forma
( ) ( ) u = + x f x g x (5.112)
A um sistema com esta estrutura dá-se o nome sistema linear na entrada, linear no
controlo ou linear na variável de controlo.
Nesta secção serão estabelecidas as condições para que a um sistema deste tipo possa
ser efectuada uma linearização entrada-estado. Note-se que há sistemas um pouco mais
genéricos do que este, do tipo
( ) ( ) ( , ) u ψ = + x f x g x x (5.113)
com ψ(x,u) = ψ[φ(x)+u] e ψ invertível, que podem ser convertidos à forma (5.112).
Com efeito, fazendo
[ ( ) ] v u ψ φ = + x (5.114)
o sistema fica imediatamente na forma (5.112), calculando-se u através de

1
( ) ( ) u v ψ φ

= − x (5.115)

5.3.1. Definição de linearização entrada-estado
Considere-se um sistema do tipo (5.112), com f(x) e g(x) campos vectoriais suaves em

n
. O sistema diz-se linearizável entrada-estado numa região Ω ⊆ ℜ
n
se existirem

1. Um difeomorfismo φ : Ω → ℜ
n
(5.116)
2. Uma lei de controlo u = α(x) + β(x) v (5.117)
tais que o novo conjunto de variáveis
z = φ(x) (5.118)
e a nova entrada v satisfaçam o sistema linear e invariante no tempo
z = A z + b v (5.119)
com
A =

0 ... 0 0 0
1 ... 0 0 0
... ... ... ... ...
0 ... 1 0 0
0 ... 0 1 0
b =

1
0
...
0
0
(5.120)

A nova variável de estado z é designada por estado linearizado, e a lei de controlo
(5.117) é chamada lei de controlo linearizante.

5. LINEARIZAÇÃO EXACTA POR REALIMENTAÇÃO

Pág. 142 – Escola Superior de Tecnologia de Setúbal – Controlo Não Linear – Gustavo da Silva
Repare-se que a forma das matrizes A e b faz com que o sistema (5.120) tenha a forma
de um integrador múltiplo. Este facto não introduz qualquer perda de generalidade,
uma vez que todo o sistema linear pode ser escrito na forma companheira, que por sua
vez, por meio da mudança de variável (5.118) pode ser transformado num integrador
múltiplo. Note-se que na linearização entrada-saída de um sistema com grau relativo
r=n também se é conduzido a um integrador múltiplo, de ordem n. Isto significa que se
um sistema for linearizável entrada-estado e a sua saída for a 1ª componente do vector
de estado, y=z
1
, então o sistema é linearizável entrada-saída, com grau relativo r=n.

5.3.2. Condições para efectuar a linearização entrada-estado
Na secção anterior definiu-se o conceito de linearização entrada estado de um sistema
não linear, linear no controlo. Será que é sempre possível efectuar tal linearização? Se
sim, quais as condições exigidas?
A resposta a estas questões é dada pelo seguinte teorema, um dos mais importantes da
teoria da linearização por retroacção.

Teorema (c.n.s. para a linearização)


Considere-se um sistema linear no controlo, da forma (5.112), com f e g
campos vectoriais suaves. O sistema é linearizável entrada-estado se e só
se existir uma região Ω ⊆ ℜ
n
na qual se verifiquem as seguintes
condições:
1. Os campos vectoriais {g, ad
f
g, …, ad
f
n-1
g} (5.121)
são linearmente independentes.
2. O conjunto de vectores {g, ad
f
g, …, ad
f
n-2
g} (5.122)
é involutivo.


A primeira condição indica que o sistema é controlável. Exemplificando para um
sistema linear (ver Exemplo 5-6) tem-se
{ad
f
0
g, ad
f

g, ad
f
2
g, …, ad
f
n-1
g} = {b, -Ab, A
2
b, …,(-1)
n-1
A
n-1
b} (5.123)
e a independência destes vectores equivale a ser igual a n a característica da matriz de
controlabilidade

2 -1
[
n
b Ab A b A b] " (5.124)
A demonstração deste teorema encontra-se em [Slotine] e em [Isidori]




5. LINEARIZAÇÃO EXACTA POR REALIMENTAÇÃO
Escola Superior de Tecnologia de Setúbal – Controlo Não Linear – Gustavo da Silva – Pág. 143
5.3.3. Algoritmo para realizar a linearização entrada-estado
Com base nos resultados que se acabam de apresentar é possível estabelecer o seguinte
algoritmo destinado a efectuar a linearização entrada-estado de um sistema não linear do
tipo (5.112).

1. Construir os campos de vectores {g, ad
f
g, …, ad
f
n-1
g} (5.125)
2. Verificar se as condições 1. e 2. da secção anterior, de controlabilidade e
involutividade são satisfeitas. Caso não o sejam o sistema não é linearizável
entrada-saída. Caso sejam, passar ao ponto seguinte.
3. Calcular a 1ª componente do novo vector de estado, z
1
, a partir de (5.93) e fazer
r = n
∇z
1
ad
f
i
g = 0 i = 0, 1, …, n–2 (5.126)
∇z
1
ad
f
n-1
g ≠ 0 (5.127)
4. Calcular o novo estado
z(x) = [z
1
L
f
z
1
… L
f
n-1
z
1
]
T
(5.128)
5. Calcular a nova variável de entrada, v, referida em (5.114) e dada por
u = α(x) + β(x) v (5.129)
com α(x) e β(x) dados por
α(x) = –
1
1
1
L
L L
n
n
z
z

f
g f
(5.130)
β(x) =
1
1
1
L L
n
z

g f
(5.131)

Exemplo 5-8 (Slotine/Li, 1991, págs. 242-245)
Considere um braço mecânico actuado por um veio através de uma junta flexível, como
se mostra na Fig. 5.3.
a) Determinar um modelo de estado representativo da dinâmica do sistema.
b) Nas condições em que tal é possível, efectue a linearização entrada-saída do modelo.
Resolução:
Designando por
T – Binário motor (variável de controlo, u),
J – Momento de inércia do veio motor,
θ
m
– Posição angular do veio motor, relativamente à vertical,
k – Coeficiente de torção do eixo de ligação (k>0),
M – Massa do braço,
L – Distância do centro de massas do braço ao eixo de ligação,
I – Momento de inércia do braço em relação ao veio,
θ – Posição angular do braço, relativamente à vertical (variável controlada),

5. LINEARIZAÇÃO EXACTA POR REALIMENTAÇÃO

Pág. 144 – Escola Superior de Tecnologia de Setúbal – Controlo Não Linear – Gustavo da Silva

Fig. 5.3 – Braço com junta flexível

podem escrever-se as equações do sistema:

2
2
2
2
( )
( ) sen
m
m
m
d
T J k
dt
d
k MgL I
dt
θ
θ θ
θ
θ θ θ
¦
= + −
¦
¦
´
¦
− = +
¦
¹
(5.132)
Escolhendo para vector de estado

T T
1 2 3 4
[ ] [ ]
m m
x x x x θ θ θ θ = = x

(5.133)
tem-se

2
1 1 3
4
1 3
0
0 - sen - ( - )
0
1
( - )
x
MgL k
x x x
I I
x
k
x x
J
J







= =










f g (5.134)

Seguindo agora os passos do algoritmo anterior, será:
1. Construção do campo de vectores (sendo g constante a sua derivada é nula)
ad
∂ ∂
= −
∂ ∂
f
g f
g f g
x x
=
( )
( )



f x
g x
x
=
1
0 1 0 0
0
0 cos 0 0
0
0 0 0 1
1
0 0
MgL k k
x
I I I
k k
J
J J





+ −


×











=
0
0
1
0
J









(=g
1
)
k
M, I, θ
×
L
T, J, θ
m

flexível
5. LINEARIZAÇÃO EXACTA POR REALIMENTAÇÃO
Escola Superior de Tecnologia de Setúbal – Controlo Não Linear – Gustavo da Silva – Pág. 145
(2)
f f f 1
ad ad (ad ) ad ( ) = =
f
g g g =
1



f
g
x
=
1
0 1 0 0
0
0 cos 0 0
1
0 0 0 1
0 0 0
MgL k k
x
I I I
J
k k
J J





+ −


×


− −








=
2
0
0
k
IJ
k
J











e, mais uma vez, até se obter, [g ad
f
g ad
2
f
g ad
3
f
g] =
2
2
0 0 0 -
0 0 0
1
0 - 0
1
0 - 0
k
IJ
k
IJ
k
J J
k
J J












2. A característica desta matriz é igual a 4 desde que k > 0 , I, J < ∞.
Por sua vez os campos vectoriais {g ad
f
g ad
2
f
g} são constantes, formando assim
um conjunto involutivo. Conclui-se pois que o sistema é linearizável entrada estado.
3. Para a 1ª componente do novo vector de estado, z
1
,
1
2
z
x


= 0
1
3
z
x


= 0
1
4
z
x


= 0
1
1
z
x


≠ 0
A componente z
1
deverá ser apenas função de x
1
. A forma mais simples é fazer z
1
=x
1
.
4. As restantes componentes do novo vector de estado serão, por (5.132),
z
2
= L
f
z
1
= x
2

z
3
= L
f
2
z
1
=
1 1 3
- sen - ( - )
MgL k
x x x
I I

z
4
= L
f
3
z
1
=
2 1 2 4
cos - ( - )
MgL k
x x x x
I I

5. A nova variável de entrada, v, é definida por u =
I J
k
[v – α(x)], com α(x) dado por
α(x) =
1
sen
M g L
x
I
(x
2
+
1
cos
M g L k
x
I I
+ ) +
k
I
(x
1
–x
3
)(
1
cos
k k M g L
x
I J I
+ + )
obtendo-se assim o sistema linear
1 2
2 3
3 4
4
z z
z z
z z
z v



=


Repare-se que neste exemplo a linearização é global, uma vez que o difeomorfismo z(x)
e a transformação da entrada se encontram bem definidos em todo o espaço de estados.
5. LINEARIZAÇÃO EXACTA POR REALIMENTAÇÃO

Pág. 146 – Escola Superior de Tecnologia de Setúbal – Controlo Não Linear – Gustavo da Silva
5.4. Linearização Entrada-Saída
Viu-se na secção 5.1.4 que para efectuar a linearização entrada-saída se derivava a saída
r vezes até se ter uma relação explícita entre a derivada de ordem r da saída e a entrada,
procurando-se então uma lei de controlo que cancelasse a linearidade. Ao valor r dá-se
o nome de grau relativo do sistema.
Acontece porém que este procedimento nem sempre é possível, devido ao facto do grau
relativo do sistema poder ser indefinido. Considerar-se-ão a seguir os casos em que o
grau relativo é bem definido e em que é indefinido.

5.4.1. Grau relativo bem definido
Considere-se um sistema de entrada única e saída única, linear na variável de controlo

( ) ( )
( )
u
y h
= + ¦
´
=
¹
x f x g x
x

(5.135)
com f g e h funções suaves e considere-se uma região do espaço de estados Ω
x
⊆ ℜ
n
.
Derivando a saída, e utilizando a notação de geometria diferencial, obtém-se [ver (5.89)]
( ) L L
h h
y u h hu
∂ ∂
= = + = +
∂ ∂
f g
x f g
x x
(5.136)
Se for L
g
h ≠ 0 para algum x = x
0
pertencente a Ω
x
, então por continuidade também será
diferente de zero numa região Ω, finita, na vizinhança de x
0
. A transformação da
entrada, dentro de Ω,

1
( L )
L
u h v
h
= − +
f
g
(5.137)
conduz à relação linear entre y e v,
y v = (5.138)
Se L
g
h = 0 para todo x pertencente a Ω
x
, então é necessário diferenciar de novo a saída,
obtendo-se

2
L L y h L hu = +
f g f
(5.139)
O raciocínio prossegue até se chegar a um determinado inteiro r para o qual se tem

( ) 1
L L
r r r
y h L hu

= +
f g f
(5.140)
com
1
L 0
r
L h


g f
para algum x = x
0
. Então por continuidade esta desigualdade será
verificada numa região finita Ω ⊆ Ω
x
. A lei de controlo

1
1
( L )
L L
r
r
u h v
h

= − +
f
g f
(5.141)
aplicada a (5.140) conduz à relação linear

( ) r
y v = (5.142)
5. LINEARIZAÇÃO EXACTA POR REALIMENTAÇÃO
Escola Superior de Tecnologia de Setúbal – Controlo Não Linear – Gustavo da Silva – Pág. 147
Como também se disse anteriormente, deverá ser r ≤ n. No caso particular em que r = n,
a linearização entrada-saída é equivalente à linearização entrada-estado. Pode dar-se
então a seguinte definição, já apresentada em (5.93):


O sistema (5.135) é de grau relativo r, numa região Ω, se para qualquer
x∈Ω se verificar

1
L L ( ) 0, 0 1
L L ( ) 0
i
r
h i r
h

¦ = ≤ < −
¦
´

¦
¹
g f
g f
x
x
(5.143)


5.4.2. Grau relativo indefinido
Viu-se que quando o grau relativo de um sistema é r, se deve verificar L
g
L
r-1
f
h(x) ≠ 0.
Acontece porém que esta expressão pode ser diferente de zero numa vizinhança de x
0
,
mas ser nula no próprio ponto x
0
. Diz-se então que o sistema tem um grau relativo
indefinido em x
0
. Ilustre-se este caso com um exemplo.
Seja o sistema de 2ª ordem

2
( , ) x x x u
y x
ψ = + ¦
´
=
¹

(5.144)
onde Ψ é uma função não linear do estado x=[x x ]
T
. Derivando a saída duas vezes
obtém-se
2 y xx = (5.145)

2 2
2 2 2 ( ) 2 y xx x x u x ψ = + = + + (5.146)
Comparando com (5.139) será L
g
L
f
h(x) = 2x. Para x ≠ 0 o grau relativo é r = 2, mas
para x=0 (o nosso ponto de interesse), L
g
L
f
h(x) = 0, e portanto não se sabe qual o grau
relativo.
Por vezes uma mudança na variável de saída é suficiente para tornar o problema
solúvel. Veja-se por exemplo o que acontece com o cálculo do grau relativo se na
equação de saída do sistema acima se fizer y = x, em vez de y = x
2
. No entanto em
muitos outros casos o problema não tem solução, e a linearização entrada-saída na
vizinhança de um ponto de funcionamento não pode efectuar-se.

5. LINEARIZAÇÃO EXACTA POR REALIMENTAÇÃO

Pág. 148 – Escola Superior de Tecnologia de Setúbal – Controlo Não Linear – Gustavo da Silva
5.5. Problemas resolvidos
Probl. 5-1
Suponha que pretende controlar o nível de um tanque cónico (com o vértice para baixo)
com 10 m de altura e diâmetro no cimo de 6 m. O sistema é análogo ao da Fig. 5.1, bem
como a definição das variáveis.
a) Obtenha um modelo de estado para o sistema, para os valores numéricos dados.
b) Efectue uma linearização por realimentação, baseado nos conceitos apresentados na
secção 5.1.1.
c) Com o auxílio do Simulink faça uma simulação deste modelo. Ponha a referência a
variar entre 0.8 e 1.2 m, com um período de 1 minuto. Utilize a realimentação de
estado indicada na equação (5.9) e limite a derivada da referência. Observe a
referência, a saída, o erro e o caudal de entrada.
d) Repita o ensaio anterior mas com a referência a variar entre 8.8 e 9.2 m. Conclua
sobre o desempenho do controlador. Limite este caudal q
1
a 0.1 m
3
/s. Que conclui?
Resolução
a) Esquema da instalação e equações:
O diâmetro d, da superfície do líquido,
à cota h, é proporcional à h, devido ao
facto do tanque ser cónico.
0.6
D
d kh h h
H
= = =
A área da superfície do líquido, S(h) é
2 2
2
(0.6 )
( ) 0.2827
4 4
d h
S h h
π π
= = =
A variável controlada é h e a manipulada é u=q
1
.
O balanço de massas impõe
1 2
( ) dV q q dt = − .
Pelos teoremas da mecânica dos fluidos é
2 2
2 q S gh = , pelo que, se pode escrever,
notando que ( ) dV S h dh = e que u≡ q
1
,
2
( ) ( 2 ) S h dh u S gh dt = − ou ainda
2
( ) 2 S h h u S gh = −

.
Substituindo S(h) pela sua expressão, obtida acima, vem
2
2 2
2 1
0.2827 0.2827
S gh
h u
h h

= +

ou, como S
2
=0.007854 m
2
3
2
2
0.123 3.537 h h h u


= − +

H h
D
q
1

→ q
2
S
2

S(h)
V
d
2
=100 mm
d
1
=100 mm
5. LINEARIZAÇÃO EXACTA POR REALIMENTAÇÃO
Escola Superior de Tecnologia de Setúbal – Controlo Não Linear – Gustavo da Silva – Pág. 149
b) Por analogia com a expressão (5.7) a lei de controlo deverá ser
3
2
2
1
( ) ( ) 0.123
3.537
u t v t h
h


= +
Substituindo na equação do sistema obtém-se, depois de efectuar as simplificações
( ) ( ) h t v t =

que é a equação que representa o modelo linearizado.

c) e d) (O limitador de caudal só deverá ser incluído na alínea d))


h h'
e
6
ref
5
erro
4
v
3
k2sqrt(h)
2
k1h2
1
h
1
0.001s+1
Transfer Fcn
u
h
k1h2
k2sqrt(h)
Tanque
Cónico
Signal
Generator
ref
Referência
Product
Osciloscópio2
Osciloscópio1
Osciloscópio
Mux
u
2
Math
Function1
sqrt
Math
Function
Limitador
v
k1h2
k2sqrt(h)
u
Lei de
Controlo
s
1
Integrator 0.2827
Gain2
0.2
Gain1
0.0348
Gain
du/dt
Derivative
href
h
v
erro
Controlador
9
Constant
3
h1
2
href
1
u


Modelo completo
tanque cónico
controlador linear
referência
5. LINEARIZAÇÃO EXACTA POR REALIMENTAÇÃO

Pág. 150 – Escola Superior de Tecnologia de Setúbal – Controlo Não Linear – Gustavo da Silva
Probl. 5-2
Utilizando os conhecimentos adquiridos na secção 5.1.3, e por analogia com o
Exemplo 5-1, e substituição de variáveis (5.27), para o sistema
1
1
1 1 2
2 2 1
3 2
x
x
x x x e
x x e x u
¦ = − + +
¦
´
= − +
¦
¹

a) Efectue a linearização, por realimentação, entrada-estado
b) Indique se a linearização obtida é global. Justifique.
Resolução
a) Por analogia com (5.27) efectue-se a mudança de variáveis
1
1 1
2 2
2
x
z x
z x e
= ¦
´
= +
¹

Será pois
1
1 1
2 2 1
2
x
z x
z x x e
= ¦
´
= +
¹



1
1 1 2
2 2 1
3
2
x
z z z
z x x e
= − + ¦
´
= +
¹

ou ainda
1 1
1 1 2
2 2 1 1
3
2 2
x x
z z z
z x e x u x e
= − + ¦
´
= − + +
¹


1 1
1 1 2
2
2 1 1
3
3 2
x x
z z z
z x e e x u
= − + ¦
´
= − + +
¹

Introduzindo a lei de controlo
1 1
2
1
1
1
( 3 )
2
x x
u v x e e
x
= + −
obtém-se o sistema linear
1 1 2
2
3 z z z
z v
= − + ¦
´
=
¹

ou seja u = + z Az b , com
3 1
0 0


=


A e
0
1

=


b
b) A lei de controlo não pode ser aplicada em x
1
=0, pelo que a linearização não é global.
Probl. 5-3
Considere o sistema não linear
1 1 2 3
2 3 1 3
3 1
1
x x x x
x x x x
x x u
y x
= −
¦
¦
= −
¦
´
=
¦
¦
=
¹

Utilizando os conhecimentos adquiridos nas secções 5.1.4 e 5.1.5
a) Efectue a linearização por realimentação, entrada-saída.
b) Qual o grau relativo do sistema?
c) Indique se a linearização obtida é global.
d) Qual a sua dinâmica zero?

5. LINEARIZAÇÃO EXACTA POR REALIMENTAÇÃO
Escola Superior de Tecnologia de Setúbal – Controlo Não Linear – Gustavo da Silva – Pág. 151
Resolução
a) Como não existe nenhuma relação explícita entre a entrada e a saída, derive-se y:
1 1 2 3
y x x x x = = − .
Uma vez que continua a não haver nenhuma relação explícita entre a entrada e a
saída, derive-se de novo:
1 2 3 2 3
y x x x x x = − − →
1 2 3 3 1 3 3 2 1
( ) ( ) y x x x x x x x x x u = − − − −
ou ainda
2 2
1 2 3 3 1 3 1 2
y x x x x x x x x u = − − + −
A lei de controlo
2 2
1 2 3 3 1 3
1 2
1
( ) u v x x x x x x
x x
= − − + + −
conduz ao sistema linear
y v =
b) O grau relativo do sistema é r=2. Com efeito, foi necessário derivar a saída 2 vezes,
até se obter uma relação explícita entre a entrada e a saída (através da sua derivada).
c) A lei de controlo não pode ser aplicada em x
1
=0 ou x
2
=0, pelo que a linearização não
é global.
d) A dinâmica zero pode obter-se substituindo a lei de controlo na última equação de
estado e igualando v a zero, resultando assim
2 2
3 1 2 3 3 1 3
2
1
( ) x x x x x x x
x
= − − +
Probl. 5-4
Considere o seguinte sistema linear:
2
1 2
( )
2 2
s
G s
s s

=
+ +

a) Obtenha um modelo de estado para o sistema.
b) Projecte um controlador por realimentação de estado para a saída seguir uma
referência conhecida e com derivada limitadas. (Porque é que se impõe esta
condição?)
c) Como representaria a dinâmica interna deste sistema? Será que ela é estável?
d) Represente a dinâmica zero do sistema.
Resolução
a) Por comparação entre o sistema dado e o modelo da expressão (5.65) pode escrever-
-se o modelo de estado, análogo a (5.67) / (5.68)
1 1
2 2
0 1 0
2 2 1
x x
u
x x

= +

− −

| |
1
2
1 2
x
y
x

= −




5. LINEARIZAÇÃO EXACTA POR REALIMENTAÇÃO

Pág. 152 – Escola Superior de Tecnologia de Setúbal – Controlo Não Linear – Gustavo da Silva
b) A equação de saída,
1 2
2 y x x = − não contém nenhuma relação explícita entre a
entrada e a saída. Derivando esta obtém-se
1 2
2 y x x = − , ou ainda,
1 2
4 5 2 y x x u = + − . Como se encontrou a dependência pretendida ao fim da 1ª
derivação conclui-se que o grau relativo do sistema é 1. Com efeito o grau relativo,
nos sistemas lineares, representa o excesso de pólos sobre zeros, e o sistema tem 2
zeros e um pólo. Projecte-se um controlador análogo ao de (5.71). Começa-se por
introduzir a lei de controlo
1 2
1
4 5
2
u v x x = − − −
e faz-se v r ke = − , em que e y r = − . Obtém-se a equação para o erro 0 e ke + = ,
que conduz a um erro exponencialmente estável se e só se 0 k > .
c) A dinâmica interna será descrita por n-r equações, sendo n a ordem do sistema e r o
seu grau relativo. Para este sistema será descrita por 2-1=1 equação. Escolhendo a
equação
1 2
x x = e atendendo a que
1 2
2 y x x = − , obtém-se
1 1
1 1
2 2
x x y − = − . Esta
dinâmica não é estável, uma vez que o seu pólo, com o valor 0.5, se encontra
localizado no semiplano complexo direito. Repare-se que este pólo corresponde ao
zero do sistema dado.
d) A dinâmica zero obtém-se a partir da dinâmica interna fazendo y=0 (ver secção 5.1.7)
obtendo-se assim
1 1
1
0
2
x x − = .
Probl. 5-5
Considere o sistema
3
1 2 1
3
2 1 2
x x x
x x x
¦ = − −
¦
´
= −
¦
¹

e a função de Lyapunov
2 2
1 2
( ) V x x = + x .
Utilizando o formalismo da Geometria Diferencial calcule ( ) V x

. Utilize a expressão
(5.90). Que conclui sobre a estabilidade do sistema?
Resolução
O sistema dado pode ser escrito na forma ( ) = x f x , com
3
2 1
3
1 2
( )
x x
x x
− −
=



f x .
Pela expressão (5.90) será ( ) L ( ) V V =
f
x x

, ou seja
( )
( ) ( )
V
V

=

x
x f x
x

=
3
2 1
3
1 2 1 2
( ) ( ) x x V V
x x x x
− − ∂ ∂

∂ ∂ −

x x
=| |
3
2 1
1 2
3
1 2
2 2
x x
x x
x x
− −



=
4 4
1 2
2( ) x x − + ,
que é negativa definida, pelo que ( ) V x é função de Lyapunov do sistema, e portanto o
sistema é estável.


5. LINEARIZAÇÃO EXACTA POR REALIMENTAÇÃO
Escola Superior de Tecnologia de Setúbal – Controlo Não Linear – Gustavo da Silva – Pág. 153
Probl. 5-6
Usando a notação da Geometria Diferencial determine o grau relativo do sistema
apresentado no Probl. 5-3.
Resolução
Na secção 5.4 encontram-se as expressões (5.143), que serão utilizadas para a
determinação de r. O sistema do Probl. 5-3 pode escrever-se
| |
1 1 2 3
2 3 1 3
3 1
1
2
3
0
0
1
1 0 0
x x x x
x x x x u
x x
x
y x
x
− ¦

¦
= − +
¦

¦
¦
´

¦

¦
=

¦

¦ ¹

que é da forma (5.135), com
1 2 3
3 1 3
1
x x x
x x x
x



= −



f ,
0
0
1


=



g ,
1
h x =
Comece-se a ensaiar a expressão (5.143) com r=1:
Será, de acordo com (5.84),
0
L ( ) ( ) h h =
f
x x =
1
x .
Calcule-se agora
0
1
L L ( ) L h x =
g f g
x =
1 1 1
1 2 3
0
0
1
x x x
x x x

∂ ∂ ∂



∂ ∂ ∂



= | |
0
1 0 0 0 0
1


=



.
Portanto o grau relativo será superior a 1. Ensaie-a então (5.143) para r=2:
Será
1 2 3
1
3 1 3
1 2 3
1
L ( )
x x x
h h h
h x x x
x x x
x


∂ ∂ ∂

= −


∂ ∂ ∂



f
x =| |
1 2 3
3 1 3
1
1 0 0
x x x
x x x
x







=
1 2 3
x x x −
1
L L ( ) h
g f
x =
1 2 3
L ( ) x x x −
g
=| |
3 2
0
1 0
1
x x


− −



=
2
x −
Este valor é diferente de zero, excepto quando x
2
=0. Para x
2
≠0 o grau relativo é r=2,
sendo indefinido em x
2
=0.


5. LINEARIZAÇÃO EXACTA POR REALIMENTAÇÃO

Pág. 154 – Escola Superior de Tecnologia de Setúbal – Controlo Não Linear – Gustavo da Silva
Probl. 5-7
Considere de novo o sistema do Probl. 5-3.
a) Construa a matriz {ad
f
0
g, ad
f

g, ad
f
2
g, …, ad
f
n-1
g} apresentada no Exemplo 5-6 e
também em (5.123).
b) Que conclui sobre a controlabilidade do sistema? Será local ou global?
Resolução
a) Uma vez que se trata de um sistema de 3ª ordem a matriz pedida será apenas
M={ad
f
0
g, ad
f

g, ad
f
2
g}.
No Probl. 5-6 viu-se que em relação ao Probl. 5-3 se tinha
1 2 3
3 1 3
1
x x x
x x x
x



= −



f ,
0
0
1


=



g ,
1
h x =
pelo que
1. | |
T
0
ad 0 0 1 = =
f
g g
2. ad [ , ]
∂ ∂
= = −
∂ ∂
f
g f
g f g f g
x x
=
1 1 1
1 2 3
1 2 3
2 2 2
3 1 3
1 2 3
1
3 3 3
1 2 3
g g g
x x x
x x x
g g g
x x x
x x x
x
g g g
x x x
∂ ∂ ∂

∂ ∂ ∂



∂ ∂ ∂




∂ ∂ ∂



∂ ∂ ∂

∂ ∂ ∂



1 1 1
1 2 3
2 2 2
1 2 3
3 3 3
1 2 3
0
0
1
f f f
x x x
f f f
x x x
f f f
x x x
∂ ∂ ∂

∂ ∂ ∂


∂ ∂ ∂



∂ ∂ ∂



∂ ∂ ∂

∂ ∂ ∂


=
=
1 2 3
3 1 3
1
0 0 0
0 0 0
0 0 0
x x x
x x x
x








3 2
3 1
1 0
0 1 0
1 0 0 1
x x
x x
− −


− −



2
1
0 1
0
x
x



= − −



=
2
1
1
0
x
x






= ′ g
3.
2
ad ad (ad ) ad
′ ∂ ∂
′ ′ = = = −
∂ ∂
f f f f
g f
g g g f g
x x
=
=
1 1 1
1 2 3
1 2 3
2 2 2
3 1 3
1 2 3
1
3 3 3
1 2 3
g g g
x x x
x x x
g g g
x x x
x x x
x
g g g
x x x
′ ′ ′ ∂ ∂ ∂

∂ ∂ ∂



′ ′ ′ ∂ ∂ ∂




∂ ∂ ∂



′ ′ ′ ∂ ∂ ∂

∂ ∂ ∂



1 1 1
1 2 3
2
2 2 2
1
1 2 3
3 3 3
1 2 3
1
0
f f f
x x x
x
f f f
x
x x x
f f f
x x x
∂ ∂ ∂

∂ ∂ ∂


∂ ∂ ∂




∂ ∂ ∂



∂ ∂ ∂

∂ ∂ ∂


=
=
1 2 3
3 1 3
1
0 1 0
1 0 0
0 0 0
x x x
x x x
x








3 2 2
3 1 1
1
0 1 1
1 0 0 0
x x x
x x x
− −


− − −



=
2
1
2
x
x
x








5. LINEARIZAÇÃO EXACTA POR REALIMENTAÇÃO
Escola Superior de Tecnologia de Setúbal – Controlo Não Linear – Gustavo da Silva – Pág. 155
Juntando os 3 vectores calculados obtém-se
2 2
1 1
2
0
0 1
1 0
x x
x x
x



= −



M
b) O determinante da matriz obtida é diferente de zero, excepto para
1
0.5 x = ou
2
0 x = .
O sistema dado é controlável, excepto para estes pontos do espaço de estados. A
controlabilidade não é pois global.

Probl. 5-8
Com o auxílio do teorema de Frobenius indique se o seguinte sistema de equações às
derivadas parciais é completamente integrável:
3
1 2
1 2 3
1 2 3
0
2 0
h h
x
x x
h h h
x x x
x x x
∂ ∂
¦
− =
¦
∂ ∂
¦
´
∂ ∂ ∂
¦
− + + =
¦ ∂ ∂ ∂
¹

Resolução
Pelo teorema de Frobenius, é c.n.s. para que o sistema seja completamente integrável
que [ , ] α β = + f g f g , em que
3
1
0
x


= −



f ,
1
2
3
2x
x
x



=



g e α e β são escalares, reais não
simultaneamente nulos.
3 1
2
3
2 0 0 0 0 1 2
[ , ] 0 1 0 1 0 0 0
1 0 0 0 0 0 0
x x
x
x
− −

∂ ∂

= − = − −

∂ ∂


g f
f g f g
x x
=
1 3
2
1
0
x x −







O resultado obtido não pode ser expresso como combinação linear de f e g, pelo que o
sistema não é completamente integrável.

Probl. 5-9
Considere o modelo do pêndulo ligado a um ponto por meio de uma haste rígida,
podendo rodar em torno desse ponto. O pêndulo encontra-se excitado por uma força u.
1 2
2 1 2
1
sen
x x
g b
x x x u
m ml
= ¦
¦
´
= − − +
¦
¹

A

e em que g representa a aceleração da gravidade, A o comprimento da haste, m a massa
do pêndulo e k o seu coeficiente de atrito cinético. As componentes x
1
e x
2
do estado
representam a posição angular do pêndulo em relação à vertical, e a sua velocidade.

5. LINEARIZAÇÃO EXACTA POR REALIMENTAÇÃO

Pág. 156 – Escola Superior de Tecnologia de Setúbal – Controlo Não Linear – Gustavo da Silva
Baseando-se nos conceitos apresentados em 5.3.2 e 5.3.3,
a) Indique quais as condições para que se possa efectuar a linearização entrada-estado.
b) No caso das condições anteriores serem satisfeitas, e utilizando o algoritmo para a
linearização entrada-estado, efectue a sua linearização.
Resolução
a) Para este modelo, ( ) ( ) u = + x f x g x , tem-se
2
1 2
sen
x
g b
x x
m


=

− −

f
A
e
0
1
m


=



g
A

Verifique-se se o sistema é controlável. Por ser de 2ª ordem será M=[ad
f
0
g, ad
f

g].
0
0
ad
1
m


= =


f
g g
A

2
1 2 1 2
0 1 0
0 0
ad
1
0 0 sen cos
x
g b g b
x x x x
m m m

∂ ∂

= − = −

∂ ∂ − − − −


f
g f
g f g
x x
A A A
=
2
1
m
b
m







A
A

2
1
0
1
m
b
m m



=




M
A
A A
A característica de M é igual a 2 desde que m ≠ ∞ ou ≠ ∞ A ,
pelo que o sistema é controlável. Por sua vez os vectores coluna da matriz M são
constantes, e portanto involutivos [aplique-se-lhes a definição (5.108)]. Estão pois
satisfeitas as condições para que se possa efectuar a linearização entrada-estado.
b) A 1ª componente do novo vector de estado, z
1
, deverá ser obtida por meio das
expressões (5.126) e (5.127). Uma vez que n=2, da expressão (5.126) resulta
1 1
1 2
0
0
1
z z
x x
m

∂ ∂

=

∂ ∂

A

1
2
1
0
z
m x

=
∂ A

1
2
0
z
x

=


Da expressão (5.127) obtém-se
1 1
1 2
2
1
0
z z
m
b x x
m



∂ ∂



∂ ∂



A
A

1
1
2
1
0 0
z
m
b x
m











A
A

1
1
1
0
z
m x

− ≠
∂ A

1
1
0
z
x




A forma mais simples de satisfazer a última expressão consiste em fazer z
1
=x
1
.



5. LINEARIZAÇÃO EXACTA POR REALIMENTAÇÃO
Escola Superior de Tecnologia de Setúbal – Controlo Não Linear – Gustavo da Silva – Pág. 157
A segunda componente do novo vector de estado, z
2
, é determinada a partir de
(5.128):
2
1 1
2 1
1 2 1 2
L
sen
x
z z
z z
g b
x x x x
m

∂ ∂

= =

∂ ∂ − −


f
A
=| |
2
2
1 2
1 0
sen
x
x
g b
x x
m


=

− −
A

Logo, o novo vector de estado é igual ao anterior: | | | |
1 2 1 2
z z x x = = = z x
A nova variável de entrada é calculada por meio de (5.129): u = α(x) + β(x) v
em que α(x) e β(x) são obtidos por (5.130) e (5.131), respectivamente:
α(x) = –
1
1
1
L
L L
n
n
z
z

f
g f
β(x) = –
1
1
1
L L
n
z

g f

1
1 2
L
n
z x

=
f
(já calculado atrás).
( )
2
1
2 2
1 1 2
1 1 1 2
L =L L L
sen
n n
x
x x
z z x
g b
x x x x
m


∂ ∂

= =

∂ ∂ − −


f f f f
A
=
=| |
2
1 2
0 1
sen
x
g b
x x
m



− −

A
=
1 2
sen
g b
x x
m
− −
A

( )
1
2 2
1 2
1 1
0
L L L
1
n
x x
z x
x x
m


∂ ∂

= =

∂ ∂


g f g
A
=| |
0
1
0 1
1
m
m


=


A
A

Logo, será
1 2
1 2
sen
( ) sen
1
g b
x x
m
mg x bx
m
α
− −
= − = + x
A
A
A

1
( )
1
m
m
β = − = − x A
A

e portanto
1 2
sen u mg x bx m v = + − A A ,
obtendo-se assim o sistema linear
1 2
2
z z
z v

=


5. LINEARIZAÇÃO EXACTA POR REALIMENTAÇÃO

Pág. 158 – Escola Superior de Tecnologia de Setúbal – Controlo Não Linear – Gustavo da Silva
5.6. Problemas propostos
Probl. 5-10
Considere o modelo de um motor de corrente contínua controlado pela corrente de
magnetização, descrito pelo modelo de estado
1 1 1 2 2 3
2 4 2 5 1
2
x k x k x u k
x k x k x u
y x
= − − + ¦
¦
= − +
´
¦
=
¹

k
1
a k
5
– Constantes positivas, u – Corrente de magnetização (variável manipulada),
x
1
– Corrente no motor, x
2
– velocidade do motor.
a) Efectue a sua linearização entrada-saída.
b) Determine o grau relativo do sistema?
c) Exprima y em termos da notação usada na Álgebra de Lie.
Probl. 5-11
Considere o sistema descrito pelo modelo de estado
1 2
2 1
0
sen 1
x x
u
x x

= +


a) Indique, justificando, se o sistema é controlável e se é linearizável entrada-estado.
b) Determine o grau relativo do sistema. Que conclui sobre a sua dinâmica interna?
Probl. 5-12
Considere o sistema definido por

1 2
2 1 1 2 2
1
ln
x x
x x x x x u
y x
=
¦
¦
= − + +
´
¦
=
¹

a) Determine uma lei de controlo u(x
1
,x
2
,v) (v é a nova variável de controlo), que
transforme este sistema em v y = . A lei de controlo é global? Justifique.
b) Considere agora apenas as equações entrada-estado. Determine f(x
1
,x
2
) e g(x
1
,x
2
) de
modo a que o sistema fique na forma: ( ) ( )
1
1 2 1 2
2
, ,
x
x x x x u
x

= +


f g

c) Defina variáveis de estado z
1
e z
2
tais que 0 , 0
1 1
≠ ⋅ ∇ = ⋅ ∇ g ad z g z
f
e
1 2
z L z
f
= .
Utilizando estas variáveis, calcule a lei de controlo u =α(x
1
,x
2
)+β(x
1
,x
2
)v onde:
( )
1
1
2
2 1
,
z L L
z L
x x
f g
f
− = α ( )
1
2 1
1
,
z L L
x x
f g
= β
(Compare com a lei de controlo obtida na alínea b)).
159



6. SISTEMAS DIFUSOS E REDES NEURONAIS


6.1. Introdução. Controlo inteligente
Quase todos os processos industriais estão ligados a sistemas de aquisição de dados, a
sistemas de controlo distribuído, ou apenas a sistemas de monitorização e diagnóstico.
Devido ao aumento de complexidade dos processos, com acréscimo do número de
cadeias de controlo multivariável, com um grande acoplamento entre as variáveis, fortes
não linearidades e variações dos parâmetros por vezes rápidas, os esquemas de controlo
convencionais, apesar de terem tido uma evolução muito significativa, por vezes são
insuficientes para resolver alguns dos problemas de controlo que se colocam, pelo que
poderá haver necessidade de recorrer a técnicas diferentes das convencionais.
Uma das ideias que se encontra na base de algumas das técnicas que surgiram foi a de
observar como é que os seres vivos, e em particular os seres humanos, se comportam
perante determinado tipo de problemas, e como é que os solucionam. Aplicado ao
controlo de processos surgiu desta forma o chamado controlo inteligente.
O facto do ser humano lidar por vezes com informação que não se encontra bem
definida, ou até mesmo inexistente foi uma das razões que levou ao aparecimento da
lógica difusa, que tem servido para muitos fins, entre eles para efectuar a identificação
de sistemas e efectuar o seu controlo. Os sistemas periciais e os sistemas baseados em
regras são outras formas de lidar com sistemas e podem por vezes ser associados aos
sistemas difusos.
A observação da modo como o cérebro humano funciona deu origem ao desenvolvi-
mento de uma estrutura matemática, as redes neuronais artificiais (RNA). Os diversos
tipos de RNA têm sido utilizados em campos muito diversos, sendo talvez os mais
importantes o reconhecimento de caracteres, o reconhecimento de padrões e a
identificação de sistemas. Também têm sido usadas em controlo de sistemas.
Quando os parâmetros de um sistema variam no tempo ou quando devido à existência
de vários pontos de funcionamento com características muito distintas (devido por
exemplo às não linearidades), torna-se necessário ir ajustando os parâmetros do
controlador de uma forma automática: é este o princípio do controlo adaptativo. Outras
vezes há necessidade de trabalhar com sistemas em que os parâmetros podem variar
muito rapidamente no tempo, de forma que, para a obtenção de bons resultados, não há
tempo de esperar que se faça a adaptação dos parâmetros. Surgiu então a ideia de ter
previamente disponíveis uns tantos modelos do sistema, previstos ou não previstos, e
outros tantos conjuntos de parâmetros para os respectivos controladores, de modo a
entrar imediatamente em operação o controlador que nesse instante melhor corrige o
processo, tendo nascido assim o controlo com modelos múltiplos.
6 -SISTEMAS DIFUSOS, MODELOS MÚLTIPLOS E REDES NEURONAIS
Pág. 160 – Escola Superior de Tecnologia de Setúbal – Controlo Não Linear – Gustavo da Silva
Num outro tipo de formalismo, designado por algoritmos genéticos, definem-se entes
matemáticos com propriedades semelhantes às das células biológicas, que nascem, se
multiplicam e desaparecem de acordo com um conjunto de regras bem definidas. Estes
algoritmos têm sido utilizados em vários campos científicos, nomeadamente no controlo
de processos.
Neste capítulo apenas serão abordadas a lógica difusa e as redes neuronais e a sua
aplicação no controlo de sistemas.

6.2. Conjuntos e lógica difusa
6.2.1. Introdução
O conceito de conjunto difuso (“fuzzy set”) está associado a uma classe de objectos em
que não se consegue, ou não tem interesse, efectuar a classificação de uma forma
precisa, no sentido convencional. Embora o conceito se perca na 2ª metade do século
XIX, ele só em 1965 foi formalmente apresentado, por Zadeh
(1)
. Uma das preocupações
que estiveram na base do aparecimento dos conjuntos difusos foi a seguinte:
“Algumas classes de objectos não têm critérios de pertença bem definidos”.
Veja-se o seguinte exemplo: Estão 60 pessoas de diversas nacionalidades numa
esplanada em Paris, numa noite de Outubro, em que a temperatura ronda os 17 ºC.
Como é que os utentes da esplanada classificam o ambiente: muito frio, frio, tépido,
quente ou muito quente?
Este problema, que aqui se equaciona para um facto do dia a dia, põe-se em qualquer
outro ramo de actividade, como sejam numa indústria ou até mesmo numa ciência
exacta como a Matemática. Num processo industrial, um determinado operador trabalha
com uma certa válvula com uma abertura que considera ideal, enquanto outro operador,
nas mesmas circunstâncias acha que essa válvula se encontra demasiado aberta. E em
matemática, o que é que se entende por analisar o comportamento de uma determinada
função na vizinhança de x=0? Qual deverá ser o domínio a considerar?
É para formalizar este tipo de conceitos que se estudam os conjuntos difusos, e os
sistemas que com eles operam, designados por sistemas difusos. O conceito é de tal
modo flexível e poderoso que pode ser estendido aos sistemas de controlo, dando
origem ao controlo difuso.
6.2.2. Conjuntos e sistemas difusos
6.2.2.1. Definições
O conceito convencional de conjunto é obtido à custa de uma determinada
característica, C. Designando por U o conjunto universal e por x os seus elementos,
para um determinado conjunto A atribui-se um valor C
A
(x) a cada um do seus elementos
x∈U, do seguinte modo:

1
Lutfi A. Zadeh, Engenheiro Electrotécnico, Azerbeijão, 1921-…
6 - SISTEMAS DIFUSOS, MODELOS MÚLTIPLOS E REDES NEURONAIS
Escola Superior de Tecnologia de Setúbal – Controlo Não Linear – Gustavo da Silva – Pág. 161

A
1, A
( )
0, A
sse x
C x
sse x
∈ ¦
=
´

¹
(6.1)
Esta função característica A de x, discrimina todos os elementos de um determinado
conjunto universal, também designado por universo do discurso, em dois grupos: os
que pertencem a A (têm a característica C
A
=1) e os que não pertencem a A (têm a
característica C
A
=0). Pode pois dizer-se que C
A
é uma aplicação de U em {0,1}⊂ℜ:

A
C : U {0,1} → (6.2)
Esta classificação dicotómica, embora exacta, poderá não ser das mais apropriadas para
lidar com certo tipo de fenómenos. Considere-se assim o exemplo dado atrás para
classificar o ambiente da esplanada em função da temperatura. Pode efectuar-se uma
classificação, do tipo anterior, do modo seguinte:

Temperatura (T) Ambiente
T < 10 ºC muito frio
10 ≤ T < 17 ºC frio
17 ≤ T < 24 ºC tépido
24 ≤ T < 30 ºC quente
T ≥30 ºC muito quente


Sabe-se assim, de uma forma exacta, que a característica do ambiente é “tépido” se a
temperatura se encontrar compreendida entre 17 e 24 ºC, e não será “tépido” caso
contrário. E que acontece quando a temperatura, que estava a descer de uma forma
muito lenta, passar de 17.01 ºC para 16.99 ºC? Será que o ambiente passou bruscamente
de tépido a frio? De acordo com a classificação dada de facto assim aconteceu. Mas será
esta a forma mais correcta de classificar?
Para resolver situações semelhantes à deste exemplo faz-se uma extensão da noção
convencional de conjunto, definindo uma classe de objectos em que a transição de uma
classe para outra é gradual, em vez de ser abrupta. É assim introduzido o conceito de
função de pertença, definido como se segue:
Seja U o conjunto universal ou universo do discurso. Define-se função de pertença de
um conjunto A, u
A
, pela aplicação

A
: U {0,1} u → (6.3)
em que {0, 1}⊂ℜ.
Nestes termos, a classificação do ambiente da esplanada apresentado atrás pode por
exemplo ser feita com 5 funções de pertença, como exemplificado na Fig. 6.1
6 -SISTEMAS DIFUSOS, MODELOS MÚLTIPLOS E REDES NEURONAIS
Pág. 162 – Escola Superior de Tecnologia de Setúbal – Controlo Não Linear – Gustavo da Silva
Define-se suporte de um conjunto difuso como o conjunto convencional dos pontos
com grau de pertença em A não nulo. Formalmente é conjunto

A
{ U| ( ) 0} x x u ∈ > (6.4)








Fig. 6.1 – Funções de pertença para a temperatura ambiente

Define-se corte-α fraco de um conjunto difuso A, ou simplesmente corte-α, como

A
A { U ( ) } x x
α
u α = ∈ ≥ (6.5)
Define-se corte-α forte de um conjunto difuso A, como sendo

A
A { U ( ) } x x
α
u α = ∈ > (6.6)
Se a função de pertença for contínua os cortes fraco e forte são coincidentes.
Define-se altura de um conjunto difuso A pela expressão

A
(A) {sup ( ) } H x u α = > (6.7)
Um conjunto difuso diz-se normalizado ou regular se H(A) = 1.
Um conjunto difuso diz-se convexo quando o seu suporte é um subconjunto dos reais e
verifica

A A A
[ , ] , ( ) min( ( ), ( )) x a b x a b u u u ∀ ∈ ⊂ℜ ≥ (6.8)
Observando o conjunto difuso de valores do ambiente “tépido” do exemplo anterior,
conclui-se que é normalizado e convexo.
Chama-se número difuso a um conjunto difuso normalizado e convexo, definido em ℜ,
com uma função de pertença contínua ou contínua por troços. Dê-se um exemplo,
relacionado com o que já foi abordado na introdução, da vizinhança de uma função em
torno de zero. Introduza-se o conceito de número próximo de zero através de uma
função de pertença, por exemplo,

zero 2
1
( )
10 1
x
x
u =
+
(6.9)
temperatura
frio muito
frio
tépido quente
muito
quente
ambiente
0
0.2
0.4
0.6
0.8
1
0 5 10 15 20 25 30 35 40ºC
6 - SISTEMAS DIFUSOS, MODELOS MÚLTIPLOS E REDES NEURONAIS
Escola Superior de Tecnologia de Setúbal – Controlo Não Linear – Gustavo da Silva – Pág. 163
cuja representação gráfica se encontra na Fig. 6.2. O conjunto difuso dos números
próximos de zero é caracterizado pela função de pertença (6.9). O número difuso
aproximadamente zero poderá ser caracterizado pela mesma função de pertença.








Fig. 6.2 – Função de pertença para o conjunto difuso
dos números reais próximos de zero.

Chama-se singular difuso (“fuzzy singleton”) a um conjunto difuso cujo suporte é um
único ponto de U. Se A é um singular difuso cujo suporte é o ponto x
0
, então A é
representado por

A 0 0
A ( ) / x x u = (6.10)
Um conjunto difuso A pode ser considerado como sendo a união dos seus singulares
constituintes. Nesta conformidade, num universo de discurso discreto X={x
1
, x
2
, …,x
n
}
o conjunto pode representar-se por

A
1
A ( ) /
n
i i
i
x x u
=
=

(6.11)
6.2.2.2. Propriedades fundamentais
Há dois princípios básicos na teoria dos conjuntos difusos: o princípio da resolução e o
princípio da extensão.
O princípio da resolução, ou da representação, afirma o seguinte: um conjunto difuso
pode ser encarado como sendo a união dos seus cortes-α:

| ) ( | 0,1 0,1
A A A
α α
α α
α α
∈ ∈
= =
∪ ∪
(6.12)
O princípio da extensão permite a generalização de conceitos matemáticos convencio-
nais aos conjuntos difusos. Seja f uma função contínua tal que f: X→Y. Pelo princípio
da extensão, ao conjunto difuso A definido em X é feito corresponder um conjunto
difuso f(A) tal que
u
A
(x)
-3 -2 -1 0 1 2 3
0
0.1
0.2
0.3
0.4
0.5
0.6
0.7
0.8
0.9
1
x
6 -SISTEMAS DIFUSOS, MODELOS MÚLTIPLOS E REDES NEURONAIS
Pág. 164 – Escola Superior de Tecnologia de Setúbal – Controlo Não Linear – Gustavo da Silva

(A)
(A) ( ) / ( )
f
Y
f x f x u =

(6.13)

(A)
( )
( ) sup ( )
f A
y f x
y x u u
=
= (6.14)
Este princípio está na base da aritmética difusa, cujas operações foram generalizadas a
números difusos, por meio da aplicação de (6.13) e de (6.14).







Fig. 6.3 – Adição de dois números difusos

6.2.3. Lógica difusa
A designação lógica difusa é utilizada em dois contextos diferentes:
– Um no sentido lato, designando os conceitos e técnicas referentes aos conjuntos e
aos sistemas difusos (exemplo: controlador de lógica difusa).
– Outro em sentido restrito, referindo-se às relações entre grandezas difusas.
6.2.3.1. Variáveis
De entre as diversas variáveis tipo que podem ser definidas, serão considerados apenas
duas: as variáveis difusa e as variáveis linguísticas.
– Variáveis difusas – são aquelas cujos valores são nomes de conjuntos difusos,
associados aos seus possíveis valores. No exemplo apresentado na pág. 157 a
temperatura, associada aos valores desde “muito frio” até “muito quente” é um exemplo
de uma variável difusa.
– Variáveis linguísticas – são aquelas cujos valores são nomes de conjuntos difusos,
associados a expressões que permitem determiná-las. Tomando o exemplo da pág. 157,
poderá definir-se uma variável linguística TpAmbiente “quente mas não muito quente”.
De um modo mais formal, define-se variável linguística x pelo conjunto
( , U, , ) x L G S = (6.15)
em que L é o conjunto de termos linguísticos de x; cada um destes termos é representado
por um conjunto definido no universo U. G representa uma gramática para a
manipulação sintáctica e S uma regra semântica que associa a cada variável difusa uma
variável linguística.
| | | | | | | |
0 1 2 3 4 5 6 7
2 + 3 = 5
~ ~ ~
1
6 - SISTEMAS DIFUSOS, MODELOS MÚLTIPLOS E REDES NEURONAIS
Escola Superior de Tecnologia de Setúbal – Controlo Não Linear – Gustavo da Silva – Pág. 165
6.2.3.2. Operações
Nos conjuntos convencionais definem-se as seguintes as operações fundamentais ou
operações básicas: união, intersecção e complemento:
União Æ A B { U| A B} x x x ∪ = ∈ ∈ ∨ ∈ (6.16)
Intersecção Æ A B { U| A B} x x x ∩ = ∈ ∈ ∧ ∈ (6.17)
Complemento Æ A { U| A} x x = ∈ ∉ (6.18)
Com conjuntos difusos definem-se operações semelhantes a estas, mas em termos de
função de pertença. Considerem-se dois conjuntos difusos A e B, definidos em U, com
funções de pertença u
A
e u
B
.
A função de pertença da união ou disjunção de A com B é definida ponto a ponto para
todos os elementos x∈U tais que

A B A B
( ) = max{ ( ), ( )} x x x u u u

(6.19)





















Fig. 6.4 – Operações básicas com conjuntos difusos.

De modo análogo, a função de pertença da intersecção ou conjunção de A com B é
definida ponto a ponto para todos os elementos x∈U tais que

A B A B
( ) = min{ ( ), ( )} x x x u u u

(6.20)
x 0 50 100
0
0.2
0.4
0.6
0.8
1
Conjuntos difusos A e B
g
r
a
u

d
e

p
e
r
t
e
n
ç
a

0 50 100
0
0.2
0.4
0.6
0.8
1
União de A e B
0 50 100
0
0.2
0.4
0.6
0.8
1
Intersecção de A e B
x
0 50 100
0
0.2
0.4
0.6
0.8
1
Complemento de A
g
r
a
u

d
e

p
e
r
t
e
n
ç
a

g
r
a
u

d
e

p
e
r
t
e
n
ç
a

g
r
a
u

d
e

p
e
r
t
e
n
ç
a

x x
A
B
6 -SISTEMAS DIFUSOS, MODELOS MÚLTIPLOS E REDES NEURONAIS
Pág. 166 – Escola Superior de Tecnologia de Setúbal – Controlo Não Linear – Gustavo da Silva
A função de pertença do complemento de A é definida ponto a ponto para todos os
elementos x∈U tais que

A A
( ) = 1- ( ) x x u u (6.21)
Na Fig. 6.4 faz-se uma representação gráfica das operações que se acabam de
apresentar.
Aos operadores lógicos união e intersecção, uma vez que estabelecem uma ligação entre
conjuntos difusos, dá-se por vezes o nome genérico de conectivas.
O produto cartesiano de n conjuntos difusos A
1
, A
2
, … A
n
, definidos respectivamente
em U
1
, U
2
, …, U
n
, é o conjunto difuso definido no espaço cartesiano U
1
×U
2
× …×U
n
,
com a seguinte função de pertença:

1 1 n
A A A
( ) = min{ ( ), , ( )}
n
A
x x x u u u
× ×
(6.22)

A forma de definir os operadores lógicos “OU difuso”, “E difuso” e “Complemento
difuso” são as que foram propostas por Zadeh, mas não são as únicas. Os operadores
lógicos intersecção e conjunção são definidos de uma forma bastante mais genérica
através dos chamados operadores triangulares. Definem-se dois operadores
triangulares, a “norma-T”, extensão da intersecção, e a “norma-S”, extensão da
conjunção.
Norma-T Seja x o elemento genérico do universo do discurso, A e B dois
conjuntos difusos e µ
A
(x) e µ
B
(x) duas funções de pertença para A e B respectivamente.
O conjunto C diz-se norma-T de A e B sse existir uma função de pertença µ
C
(x) definida
do modo seguinte:

( ) ( ( ), ( ))
: [0,1] [0,1] [0,1]
C A B
x T x x
T
u u u =
× →
(6.23)
e goza das seguintes propriedades:
T
1
– fronteira: T(0,0)=0 T(1,a)=T(a,1)=a
T
2
– monotonia: T(a,b)≤T(c,d) sse a≤ c ∧ b≤d
T
3
– comutatividade: T(a,b)=T(b,a)
T
4
– associatividade: T(a,T(b,c))=T(T(a,b),c)
A propriedade P
1
é uma generalização da propriedade análoga existente nos conjuntos
convencionais. Da propriedade P
2
conclui-se que a diminuição do grau de pertença de A
ou de B não pode produzir um aumento do grau de pertença da sua intersecção. A
comutatividade da intersecção diz que é indiferente a ordem pela qual se combinam os
conjuntos. Finalmente a associatividade permite efectuar o agrupamento de conjuntos
emparelhando-os como se pretender.
A norma-T de x e y também é representada por:
T( , ) ( , ) x y x y x y ≡ ≡ (6.24)


6 - SISTEMAS DIFUSOS, MODELOS MÚLTIPLOS E REDES NEURONAIS
Escola Superior de Tecnologia de Setúbal – Controlo Não Linear – Gustavo da Silva – Pág. 167
Norma-S Sejam µ
A
(x) e µ
B
(x) duas funções de pertença de dois conjuntos difusos
A e B respectivamente. O conjunto C diz-se norma-S de A e B sse existir uma função de
pertença µ
C
(x) definida do modo seguinte:

( ) ( ( ), ( ))
: [0,1] [0,1] [0,1]
C A B
x S x x
S
u u u =
× →
(6.25)
e goza das seguintes propriedades:
S
1
– fronteira: S(1,1)=1 S(a,0)=S(0,a)=a
S
2
– monotonia: S(a,b)≤S(c,d) sse a≤ c ∧ b≤d
S
3
– comutatividade: S(a,b)=S(b,a)
S
4
– associatividade: S(a,S(b,c))=S(S(a,b),c)
A norma-S de x e y também é representada por:
S(x,y) = ⊕ (x,y) = x⊕ y (6.26)

A norma-T está associada à norma-S por meio da negação ou complemento:
( ( ) ( )) x y n n x n y ⊕ = (6.27)
A relação (6.27) não é mais do que uma das leis de Morgan.
Deixa-se ao cuidado do leitor verificar que a função de pertença intersecção, definida
por (6.20), obedece à definição (6.23) propriedades T
1
a T
4
, e que a função de pertença
união, definida por (6.19), obedece à definição (6.25) e goza das propriedades S
1
a S
4
.
Há outras formas de definir as funções de pertença intersecção e união, dentro das
normas triangulares. A mais simples para a intersecção, consiste em efectuar o produto
xy e para a união, efectuar a operação x+y–xy, designada por ou probabilístico.
6.2.3.3. Regras if-then
Viu-se que as funções de pertença são definidas por regras. Comparando com a
linguagem corrente, os elementos de um conjunto são equivalentes aos substantivos e os
operadores equivalentes aos verbos. Há uma regra condicional, bastante conhecida das
linguagens de programação, que é a “if-then”. Ela tem uma forma semelhante a
se x pertence a A então y pertence a B
A primeira parte da regra, “se x pertence a A” é designada antecedente ou permissa. A
2ª parte, “então y pertence a B” tem o nome de consequente ou conclusão. Concretize-
se com um exemplo, a partir das temperaturas ambiente e do tipo de estação do ano.
se o ambiente está quente então é tempo de Verão
A característica quente é representada por um número entre 0 e 1 e portanto o
antecedente gera um número também compreendido entre 0 e 1. A palavra Verão é um
conjunto difuso; o consequente atribui a uma variável de saída (tempo) um conjunto
difuso (Verão).
6 -SISTEMAS DIFUSOS, MODELOS MÚLTIPLOS E REDES NEURONAIS
Pág. 168 – Escola Superior de Tecnologia de Setúbal – Controlo Não Linear – Gustavo da Silva
6.2.4. Regras de inferência
As regras de inferência constituem o processo de estabelecer a relação entre as entradas
e as saídas de um sistema lógico. Esta relação, aplicação ou “mapping” fornece a base
a partir da qual podem ser tomadas decisões. Este processo envolve os conceitos que se
apresentaram atrás: funções de pertença, operadores lógicos e regras if-then.
Vai dar-se um exemplo que permite fazer a previsão aproximada da chuva numa certa
região, tomando como base o valor da pressão atmosférica e a direcção do vento. Este
exemplo é muito simplista, pois uma boa previsão deverá ser baseada em mais variáveis
de entrada. Os passos a seguir são os seguintes:
1. Escolha das variáveis de entrada e de saída. Neste exemplo as variáveis de
entrada serão a pressão atmosférica e a direcção do vento. Esta escolha deverá ser
feita de acordo com os conhecimentos meteorológicos pré-existentes que se sabe
serem determinantes para o estado do tempo. Vai considerar-se para variável de
saída a previsão da quantidade de chuva.
2. Definição dos universos de discurso para as variáveis de entrada. Neste
exemplo, tendo em conta conhecimentos meteorológicos sabe-se que a pressão
atmosférica poderá estar baixa, normal ou alta.
3. Definição das funções de pertença para as variáveis consideradas (“fuzificação”
das entradas e das saídas). É aqui que se vai dizer o que se entende por pressão
baixa, normal ou alta, e o que é vento Norte, Oeste ou outro. Neste exemplo
considerar-se-ão apenas 3 funções de pertença para a variação da pressão e 4 para
a direcção do vento. Poderão ser utilizadas funções do tipo gaussiano, como se
mostra na Fig. 6.5, ou de outro tipo, como no exemplo que se dá adiante.









Fig. 6.5 – Funções de pertença para a pressão e para a direcção do vento.

4. Escolha das conectivas a utilizar. Para este efeito deverão ser definidos os tipos
de funções a utilizar para as funções de pertença da conjunção e da disjunção.
Neste exemplo escolhe-se para a intersecção a função mínimo(x,y) e para a união a
função máximo(x,y).

N
-100 0 100
pressão / mBar
µ
µ
-180 -90 0 90 180
direcção do vento / º
O S
S E P0 P+ P–
6 - SISTEMAS DIFUSOS, MODELOS MÚLTIPLOS E REDES NEURONAIS
Escola Superior de Tecnologia de Setúbal – Controlo Não Linear – Gustavo da Silva – Pág. 169
5. Escolha das regras de inferência. É neste ponto que se vão criar as variáveis
difusas de saída, a partir de regras. Neste exemplo vai ser utilizado o conheci-
mento pré-existente sobre o fenómeno (consulta aos especialistas) para prever se
vai ou não haver chuva. Quando há apenas duas variáveis de entrada é comum
apresentarem-se as regras sob a forma de uma matriz. Se houvesse mais variáveis
de entrada as regras poderiam ser apresentadas sob a forma de um “array”. No
caso deste exemplo pode construir-se a seguinte matriz, geradora das variáveis
difusas SC, SC+, CH, CH+.



Estas variáveis difusas de saída têm o seguinte significado:
SC+ tempo muito seco
SC tempo seco
CH tempo de chuva
CH+ tempo com muita chuva
A matriz apresentada é uma forma compacta de apresentar as seguintes regras:
1. Se (if) a pressão atmosférica é P- e (and) a direcção do vento é S, então (then) o
tempo irá ser SC (tempo seco).
2. Se (if) a pressão atmosférica é P- e (and) a direcção do vento é E, então (then) o
tempo irá ser SC+ (tempo muito seco).
3. Se (if) a pressão atmosférica é P0 e (and) a direcção do vento é S, então (then) o
tempo irá ser CH (tempo chuvoso).
4. Se (if) a pressão atmosférica é P0 e (and) a direcção do vento é E, então (then) o
tempo irá ser SC (tempo seco).

Há neste exemplo um total de 8 regras, que definem as 4 variáveis difusas de saída
indicadas acima. No caso geral as regras não terão necessariamente que ser feitas apenas
com o operador “and”, poderão ser mais complexas, em particular quando há mais que
duas entradas.
Ficam assim definidas, em termos de variáveis linguísticas, as 4 possibilidades que o
tempo atmosférico irá ter, em função das medições efectuadas na pressão e na direcção
do vento. No caso de pretender dar esta informação de forma numérica ou através de um
ponteiro sobre uma escala, torna-se necessário efectuar a agregação das variáveis
linguísticas de saída assim obtidas e converter a agregação num valor numérico através
da operação inversa da fuzificação, que é designada por desfuzificação. Estes dois
pontos serão abordados no exemplo seguinte, do controlo de um satélite.

“and” direcção do vento
pressão atmosf. N (norte) S (sul) E (este) O (oeste)
P- - SC SC+ -
P0 - CH SC CH
P+ CH CH+ - CH+
. . .
6 -SISTEMAS DIFUSOS, MODELOS MÚLTIPLOS E REDES NEURONAIS
Pág. 170 – Escola Superior de Tecnologia de Setúbal – Controlo Não Linear – Gustavo da Silva
6.2.5. Projecto de um controlador difuso
O projecto de um controlador difuso tem passos muito semelhantes aos anteriores. Vai
admitir-se que o controlador será inserido numa cadeia de controlo convencional, com
realimentação negativa, como se mostra na Fig. 6.6.









Fig. 6.6 – Cadeia de controlo difuso.

Os passos a considerar no projecto do controlador são os seguintes:
1. Escolha das variáveis de entrada e de saída.
2. Definição dos universos de discurso para as variáveis de entrada e de saída.
3. Definição das funções de pertença para os termos linguísticos das variáveis
consideradas (“fuzificação” das entradas e das saídas).
4. Construção das regras de inferência a utilizar.
5. Escolha das conectivas a utilizar.
6. Agregação de todas as regras de saída.
7. “Desfuzificação” da saída.

Vai concretizar-se através do exemplo dado no Cap.2: Pretende-se controlar a posição
angular θ de um satélite, obrigando-o a rodar em torno de um eixo por meio de um par
de propulsores, como indicado na Fig. 6.7. Considera-se apenas este grau de liberdade.

1. Escolha das variáveis de entrada e de saída:
Viu-se na secção 2.4.1, que utilizando na cadeia de controlo apenas a variável
posição angular, o satélite ficava a oscilar em torno da referência. Vai então utilizar-
-se, além da posição, o valor da velocidade angular, θ

. Tem-se deste modo para
variáveis de entrada do controlador a posição angular e a velocidade angular. A
saída do controlador será a intensidade do jacto propulsor (em que se considera o
seu sentido).

controlador
difuso
y
referência +

processo
erro controlo saída
u
e
r

regras

6 - SISTEMAS DIFUSOS, MODELOS MÚLTIPLOS E REDES NEURONAIS
Escola Superior de Tecnologia de Setúbal – Controlo Não Linear – Gustavo da Silva – Pág. 171







Fig. 6.7 – Esquema do satélite

2. Universos do discurso:
A posição do satélite poderá variar entre –π e +π. A determinação da sua velocidade
angular é um pouco mais complicada. Ela depende do momento de inércia do satélite
em torno do seu eixo de rotação e do binário propulsor. Para um satélite com a massa
de 200 kg, e o diâmetro de 2,8 m, e para um binário propulsor de 1 Nm, um cálculo
aproximado permite determinar o momento de inércia do satélite (suposto homo-
géneo I=2/5mR
2
=160 kg.m
2
) e concluir, utilizando as expressões (2.34) e (2.35) que
a velocidade angular estará compreendida entre –0.20 e +20 rad/s. Tem-se assim os
valores do universo do discurso: θ=x
1
∈[–π,+π] rad e θ

=x
2
∈[–0.2,+0.2] rad/s.
3. Definição das funções de pertença:
A definição das funções de pertença é feita de acordo com a “sensibilidade” que o
especialista tem em relação ao problema específico em causa. Mesmo assim é
recomendado que se façam várias hipóteses, se testem os resultados e se escolha a
que conduzir a melhores resultados. Uma vez que se está a apresentar um exemplo,
vai começar-se com um número muito pequeno de funções de pertença e testar o
resultado. Na prática é corrente ter entre 3 e 11 funções de pertença por variável.
Escolhemos 3 funções de pertença para a posição e outras 3 para a velocidade:
Posição: Velocidade:
RE – rodado à esquerda VE – velocidade para a esquerda
R0 – centrado V0 – velocidade nula
RD – rodado à direita VD – velocidade para a direita

Podem escolher-se as funções de pertença do tipo triangular, como indicado na
Fig. 6.8. Depois de efectuados os testes podem escolher-se outros tipos de funções de
pertença, nomeadamente funções do tipo gaussiano, e comparar os resultados. Em
grande parte dos casos não haverá melhoria significativa no desempenho.
Para a velocidade angular segue-se uma estratégia análoga à que se utilizou com a
posição.

antena
u
θ
6 -SISTEMAS DIFUSOS, MODELOS MÚLTIPLOS E REDES NEURONAIS
Pág. 172 – Escola Superior de Tecnologia de Setúbal – Controlo Não Linear – Gustavo da Silva









Fig. 6.8 – Funções de pertença para a posição e velocidade do satélite

4. Obtenção das regras de controlo
A definição das regras de controlo também é feita de acordo com os conhecimentos
do especialista em satélites, que definiu as regras seguintes:
1. Se (if) a posição é RE e (and) a velocidade VE, então (then) o jacto deverá ser
JD2 (jacto para a direita, forte).
2. Se (if) a posição é RE e (and) a velocidade V0, então (then) o jacto deverá ser
JD (jacto para a direita).

Como para o exemplo anterior poderá elaborar-se o conjunto de regras por
seguinte quadro, em que as entradas são ligadas por meio do operador “E”.


posição angular
velocidade
angular
RE R0 RD
VE JD2 JD J0
V0 JD J0 JE
VD J0 JE JE2

De acordo com o quadro resumo haverá 9 regras e 5 funções de pertença para o
jacto propulsor:
JE2 jacto propulsor actua para a esquerda, forte
JE jacto propulsor actua para a esquerda
J0 jacto propulsor nulo
JD jacto propulsor actua para a direita
JD2 jacto propulsor actua para a direita, forte


. . .
-π - π/8 0 π/8 π x
1
= pos. ang.
µ(x
1
)
RE
RD
R0
-0.20 -0.07 0 0.07 0.20 x
2
= vel. ang.
µ(x
2
)
V0
VD
VE
6 - SISTEMAS DIFUSOS, MODELOS MÚLTIPLOS E REDES NEURONAIS
Escola Superior de Tecnologia de Setúbal – Controlo Não Linear – Gustavo da Silva – Pág. 173





Fig. 6.9 – Funções de pertença para a intensidade do jacto propulsor

5. Escolha das conectivas a utilizar.
Este ponto poderá ser feito antes ou depois do anterior. Serve para definir o modo
como são implementados os operadores “ou” e “and”. Podem de novo usar-se as
definições (6.19) e (6.20), por serem as mais correntes e a experiência mostrar que
oferecerem um bom desempenho.
6. Agregação de todas as regras de saída.
A agregação é o processo pelo qual os conjuntos difusos resultantes de cada regra
são combinados num único conjunto difuso. A agregação das regras de saída é
necessária, uma vez que muitas das decisões se baseiam em mais do que uma
regra ao mesmo tempo. Esta afirmação é particularmente válida quando as
funções de pertença são do tipo gaussiano. Acompanhe-se a exposição com um
exemplo. Admita-se o satélite estava posicionado e estabilizado e que se mudou
de –0.1 rad a referência da posição angular. O erro de posição será de +0.1 rad. Da
Fig. 6.8 tira-se, para x
1
=0.1, o valor de µ
R0
(x
1
)=0.73 e o valor de µ
RD
(x
1
)=0.27. O
satélite está centrado com um grau de pertença de 0.73 e rodado à direita com um
grau de pertença de 0.27. Pode dizer-se que com as funções de pertença atribuídas
o satélite está mais centrado do que desviado. Como neste instante a velocidade
angular é nula será µ
V0
(x
2
)=1 e as outras funções de pertença da velocidade têm o
valor zero. A saída dependerá de duas regras simultâneas com valores não nulos:
1. Se (if) a posição é R0 e (and) a velocidade V0, então (then) o jacto deverá ser J0
(jacto nulo), multiplicado por 0,73
2. Se (if) a posição é RD e (and) a velocidade V0, então (then) o jacto deverá ser
JE (jacto para a esquerda), multiplicado por 0.27.
O resultado global consiste em multiplicar por 0.73 a função de pertença J0, por
0.27 a função JE e efectuar a sua união. Resulta a função de pertença que limita a
área sombreada da Fig. 6.10.
É importante chamar-se aqui a atenção para o facto de as regras deverem ter um
peso diferente consoante a entrada. Com efeito, neste exemplo, a importância da
contribuição da posição e da velocidade para a intensidade do jacto propulsor não
será a mesma. Neste exemplo tal não foi considerado, tendo sido atribuídos o
mesmo peso 1 às contribuições da posição e da velocidade.

-1.0 -0.5 -0.25 0 0.25 0.5 1.0 u

= jacto
µ(u)
JD2 JD J0 JE JE2
6 -SISTEMAS DIFUSOS, MODELOS MÚLTIPLOS E REDES NEURONAIS
Pág. 174 – Escola Superior de Tecnologia de Setúbal – Controlo Não Linear – Gustavo da Silva





Fig. 6.10 – Função de pertença da agregação das saídas

7. “Desfuzificação” da saída.
A “desfuzificação” consiste em converter a variável de saída linguística num valor
numérico. No exemplo que se está a apresentar, a saída é a função de pertença que
limita a área sombreada, e é resultado da agregação das saídas de cada regra. Mas a
saída para o jacto não pode ser uma função de pertença, tem que ser um valor
numérico, que neste exemplo deverá estar no intervalo [-1, 1], em que 1 é o máximo
de intensidade que o jacto pode ter num sentido e -1 no sentido oposto. É pois
necessário efectuar a conversão da saída linguística num número que esteja dentro da
gama de saída. Um método muito vulgar para efectuar esta conversão é o chamado
método do centróide; consiste em determinar o centro geométrico da área definida
pela função de pertença da agregação das variáveis de saída e a partir da sua posição
determinar a coordenada da saída, pela distância ao eixo das ordenadas, como se
indica na Fig. 6.10.
6.2.6. Controlo difuso do satélite no Matlab
O sistema se controlo que acaba de se descrever foi implementado em Matlab/Simulink.
Para este efeito é necessário implementar as regras em Matlab, através do editor FIS
(“fuzzy inference systems”). Para isto invoca-se o editor através do comando “fuzzy”.
Uma vez no editor define-se o número de entradas, a gama de cada entrada, o número
de funções de pertença e o seu tipo (de entre uma lista standard). Faz-se o mesmo para
as saídas. Definem-se também as regras e o seu peso. Pode observar-se o resultado final
vendo as regras ou a “superfície”. O ficheiro deverá ser salvo em disco e também no
“workspace”. Este último ponto é importante, pois é ao “workspace” que o Simulink vai
buscar as regras.
A seguir abre-se o Simulink e constrói-se o modelo do satélite. Da biblioteca do
Simulink “Fuzzy Logic Toolbox” copia-se o “Fuzzy Logic Controller”, que deverá ser
ligado à entrada do processo (através de um ganho). Este deverá estar ligado ao ficheiro
com as regras que foram anteriormente salvas no “workspace”. A entrada do “Fuzzy
Logic Controller” deverá ser feita através de um multiplexer, que contém o erro de
posição e a velocidade, esta multiplicada por um ganho. Na pág. seguinte está
representado o modelo que acaba de se descrever. Colocou-se também um PID, para
poder comparar o desempenho dos controladores.

-1.0 -0.5 -0.25 0 0.25 0.5 1.0 u

= jacto
µ(u)
JD2 JD J0 JE JE2
µ
agregação

0.07
6 - SISTEMAS DIFUSOS, MODELOS MÚLTIPLOS E REDES NEURONAIS
Escola Superior de Tecnologia de Setúbal – Controlo Não Linear – Gustavo da Silva – Pág. 175
Modelo Simulink utilizado para implementar o controlo difuso do satélite:

Modelo do satélite:


Resultados do controlo:














60 80 100 120 140 160 180 200
-0.5
-0.4
-0.3
-0.2
-0.1
0
0.1
0.2
0.3
0.4
0.5
referência
posição
tempo / s
posição
angular
/ rad
6 -SISTEMAS DIFUSOS, MODELOS MÚLTIPLOS E REDES NEURONAIS
Pág. 176 – Escola Superior de Tecnologia de Setúbal – Controlo Não Linear – Gustavo da Silva



6 - SISTEMAS DIFUSOS, MODELOS MÚLTIPLOS E REDES NEURONAIS
Escola Superior de Tecnologia de Setúbal – Controlo Não Linear – Gustavo da Silva – Pág. 177
6.3. Redes Neuronais
6.3.1. Conceitos e definições
6.3.1.1. A rede multicamada
Uma rede neuronal artificial, RNA, é uma estrutura matemática constituída por um
número finito de unidades individualizadas, também designadas por neurónios, orga-
nizados em camadas. A rede é uma aplicação de um espaço de entrada P num espaço
de saída A.
A Fig. 6.11 representa a estrutura de uma RNA. O sinal de entrada, P, um vector de
dimensão ℜ
r
, é aplicado à entrada da rede. A entrada da rede contém r unidades,
dispostas numa camada. Cada unidade desta camada recebe directamente a respectiva
componente do sinal de entrada. A soma das entradas multiplicadas por coeficientes de
ponderação, não indicados na figura, à qual é adicionado um valor constante, é aplicada
a cada uma das unidades da camada seguinte, designada por 1ª camada, que origina
uma saída a
( ) a i σ = (6.28)
em que i designa a soma ponderada das entradas e do valor constante, e σ é uma função
suave crescente e limitada, designada por função de activação
2
.














Fig. 6.11 – Representação de uma rede neuronal artificial

2
Dá-se o nome de "função suave" a uma função contínua e indefinidamente diferenciável.

Nº de ordem
da camada
Nº de
unidades
1
2
i
n

n

-1
Entrada 1ª camada
escondida
Camada
de saída
P
A
L
0 1 … -1 … L-1 L
r n
1
… n
-1
n

… n
L-1
n
L

6 -SISTEMAS DIFUSOS, MODELOS MÚLTIPLOS E REDES NEURONAIS
Pág. 178 – Escola Superior de Tecnologia de Setúbal – Controlo Não Linear – Gustavo da Silva
A Fig.6.12 representa o detalhe de uma unidade de processamento, ou neurónio, e a
Fig.6.13 mostra um exemplo de uma função de activação. De uma forma análoga ao que
se passa na 1ª camada, a segunda camada recebe os sinais de saída de cada uma das
unidades da camada 1, também multiplicados por coeficientes de ponderação, e o
processo repete-se até se atingir a camada de saída.














Fig.6.12 – Representação do cálculo realizado pelo neurónio i da camada l

Na terminologia das RNA é costume designar por camadas escondidas todas as que se
encontram entre a entrada e a camada de saída, não sendo a entrada contabilizada para
efeito de contagem do número de camadas, embora muitas vezes se lhe chame camada
de entrada. Assim, por exemplo, quando se referir uma rede de três camadas, significa
que se trata de uma rede com duas camadas escondidas e uma camada de saída.














Fig.6.13 – Exemplo de uma função de activação

i
a
+
a
-1
1
a
-1
2
a
-1
n
-1

w

i 1
w

i 2
w

i n
-1
i

i
b

i
σ (.)

i
a

i
1

-1.5
-1
-0.5
0.5
1
1.5
-6.0 -4.0 -2.0 4.0 6.0 2.0
6 - SISTEMAS DIFUSOS, MODELOS MÚLTIPLOS E REDES NEURONAIS
Escola Superior de Tecnologia de Setúbal – Controlo Não Linear – Gustavo da Silva – Pág. 179
Nas duas expressões seguintes estão indicados os cálculos efectuados na unidade
genérica i da camada :
Valor interno:
1
1
1
n
i ij j i
j
i w a b


=
= +

(6.29)
Saída: ( )
i i i
a i σ =

(6.30)
Designando por W

a matriz de transferência da saída da camada -1 para a camada ,

1
1
1
1
11 12 1
21 22 2
1 2
1 2
...
...
... ... ... ...
...
... ... ... ...
...
n
n
i i in
n n n n
w w w
w w w
w w w
w w w









=






W

(6.31)
por I

o vector de valores internos nas unidades da camada , por B

o vector de cons-
tantes ou vector de polarização da camada e por A

o vector de saída da camada ,

1
2
...
n
i
i
i



=




I

1
2
...
n
b
b
b



=




B

1
2
...
n
a
a
a



=




A

(6.32)
as equações (6.29) e (6.30) podem escrever-se na forma matricial

1 −
= + I W A B

(6.33)
( ) σ = A I

(6.34)
em que σ

é aplicado individualmente a cada um dos elementos do vector I

.
Na matriz W

,
ij
w

representa o coeficiente de ponderação que multiplica a saída da
unidade j da camada anterior, -1, antes de a adicionar à unidade i da camada , e no
vector B

i
b

é o vector de polarização da unidade i da camada .
É corrente fazer-se a função de activação igual para todas as unidades de uma mesma
camada.
6 -SISTEMAS DIFUSOS, MODELOS MÚLTIPLOS E REDES NEURONAIS
Pág. 180 – Escola Superior de Tecnologia de Setúbal – Controlo Não Linear – Gustavo da Silva
Uma vez que as funções de activação são limitadas, para se poder ter uma saída com
uma amplitude arbitrária faz-se a camada de saída linear (σ

(x) = x), pelo que a saída
de uma rede com L camadas é dada pela expressão
L L L-1 L-1 2 2 1 1 1 2 L-1 L
A =W (W ( ( (W ( (W (WP+B )+B )+ +B )+ )+B )+B σ σ σ σ

(6.35)
A
1

A
2

O sinal de entrada poderá ser uma função contínua do tempo, P(t), sendo então a saída
também uma função contínua, admitindo-se neste caso que a execução dos cálculos se
faz em tempo contínuo e num intervalo de tempo infinitesimal, ou poderá ser uma
sequência de sinais discretos do tempo ou de outras variáveis. Neste caso a execução
dos cálculos faz-se ao ritmo da chegada das entradas da rede.
Repare-se que a RNA, tal como aqui foi definida, é uma rede estática, não guardando
qualquer informação relativa a estados anteriores; não existe realimentação das saídas
nas entradas. No caso de se desejar manipular sistemas dinâmicos, os valores anteriores
das entradas, saídas ou estados deverão ser aplicados à entrada juntamente com a
entrada actual da rede.
6.3.1.2. A rede de base radial
A estrutura desta rede é semelhante à da rede anterior, mas com uma diferença
importante: o sinal de entrada é primeiramente transformado por meio de uma função
não linear, só sendo em seguida efectuada a soma dos valores resultantes de cada
conversão, como se mostra na expressão (6.36) e na Fig.6.14.

1
1
1
( , )
n
i i i i i
j
a w a c ξ


=
=

(6.36)













Fig.6.14 – Representação gráfica da unidade i da camada l, numa rede de base radial


a
-1
1
a
-1
2
al
-1
n
-1

i

i
w

i
a

i
ξ

1
(
1
1 a

,
1 c

)
ξ

2
(
1
2 a

,
2 c

)
ξ

1
n
(
1
1
n a

,
1
n c

)
ξ

i
(
1
i a

,
i c

)
6 - SISTEMAS DIFUSOS, MODELOS MÚLTIPLOS E REDES NEURONAIS
Escola Superior de Tecnologia de Setúbal – Controlo Não Linear – Gustavo da Silva – Pág. 181
6.3.2. A RNA como aproximador universal
A RNA constitui um aproximador universal. Uma das suas vantagens sobre outros
aproximadores consiste em ter-se uma estrutura com um número finito de unidades. Se
a função a aproximar for contínua, é possível aproximá-la por meio de uma RNA com
apenas duas camadas, uma camada escondida e a camada de saída:

2 2 1 1 1 2
f =W (WP+B )+B σ (6.37)
Se a função a aproximar for descontínua, poderá não ser possível aproximá-la por meio
de uma rede de duas camadas. É no entanto sempre possível aproximá-la por meio de
uma RNA com três camadas:

3 3 2 2 1 1 1 2 3
f =W (W (WP+B )+B )+B σ σ (6.38)
Este último caso é de bastante interesse em sistemas de controlo com a lei de
realimentação descontínua, ou em sistemas em que haja necessidade de identificar
modelos inversos de processo de fase não mínima.
6.3.3. Estrutura de uma rede
6.3.3.1. Número de camadas
Na secção anterior viu-se que para as aplicações que interessam à identificação de
sistemas e ao controlo é suficiente a utilização de redes com três camadas: duas
camadas escondidas e uma camada de saída. Nos casos mais simples, em que não haja
descontinuidades da função a aproximar, no modelo a identificar ou na lei de controlo, é
suficiente a utilização de uma camada escondida e uma camada de saída.
6.3.3.2. Número de unidades
A determinação do número de unidades de uma rede, e a sua distribuição pelas camadas
da rede, é normalmente abordada de uma forma prática, uma vez que não existe um
procedimento exacto para efectuar a sua determinação. Obviamente o número de
unidades das camadas de entrada e de saída deverão ser iguais à dimensão dos
respectivos sinais.
Para as camadas escondidas é corrente configurar inicialmente a rede com um número
de unidades igual à soma das dimensões dos sinais de entrada e de saída. Depois de
testar a rede com este número de unidades, reconfigura-se a rede com mais ou menos
unidades, consoante os resultados obtidos. Na medida em que os resultados sejam
aceitáveis, utilizar-se-á sempre o menor número possível de unidades.






6 -SISTEMAS DIFUSOS, MODELOS MÚLTIPLOS E REDES NEURONAIS
Pág. 182 – Escola Superior de Tecnologia de Setúbal – Controlo Não Linear – Gustavo da Silva
6.3.3.3. Funções de activação
De entre as várias funções de activação não lineares utilizadas nas RNA salientam-se as
seguintes:

Função Expressão Gráfico
1
Exponencial σ(x) =
x
e 1
1

+

0
0 , 2
0 , 4
0 , 6
0 , 8
1
1 , 2
- 6 , 0 - 4 , 0 - 2 , 0 0 , 0 2 , 0 4 , 0 6 , 0

2
Exponencial σ(x) =
x
x
e 1
e 1


+


- 1 . 5
- 1
- 0 . 5
0
0 . 5
1
1 . 5
- 6 . 0 - 4 . 0 - 2 . 0 0 . 0 2 . 0 4 . 0 6 . 0

3
Trigonométrica
inversa arctg()
σ(x) =
π
2
arctan(x)
- 1
- 0 . 8
- 0 . 6
- 0 . 4
- 0 . 2
0
0 . 2
0 . 4
0 . 6
0 . 8
1
- 6 . 0 - 4 . 0 - 2 . 0 0 . 0 2 . 0 4 . 0 6 . 0

4

Hiperbólica th()

Igual à 2ª, excepto
factor de escala em x
- 1 . 5
- 1
- 0 . 5
0
0 . 5
1
1 . 5
- 6 . 0 - 4 . 0 - 2 . 0 0 . 0 2 . 0 4 . 0 6 . 0

5
Degrau unitário
Pode ser considerado
como sendo o limite
dos anteriores,
mudada a escala x - 1 , 5
- 1
- 0 , 5
0
0 , 5
1
1 , 5
- 6 , 0 - 4 , 0 - 2 , 0 0 , 0 2 , 0 4 , 0 6 , 0
S e r i e s 4


Do ponto de vista do comportamento da rede, as quatro primeiras funções são equiva-
lentes.


6 - SISTEMAS DIFUSOS, MODELOS MÚLTIPLOS E REDES NEURONAIS
Escola Superior de Tecnologia de Setúbal – Controlo Não Linear – Gustavo da Silva – Pág. 183
6.3.4. Obtenção dos parâmetros da rede
6.3.4.1. Funcional de custo
Depois de se fixar o número de camadas de uma rede e o número de unidades em cada
camada, deverá determinar-se quais os valores dos parâmetros
ij
w

e de
i
b

que
conduzem ao melhor desempenho da rede. Aos parâmetros
ij
w

dá-se também o nome
de pesos.
O método correntemente usado para avaliar o desempenho de uma rede consiste em
calcular o funcional de custo, J
Nd
, obtido pela soma do quadrado dos desvios da
previsão em relação ao processo, e referida a um par de sequências { ˆ y } e {y} de
comprimento N
d
.

2
1
ˆ [ ( ) ( )]
Nd
Nd
k
J y k y k
=
= −

(6.39)
Considera-se que a rede é adequada se o valor deste funcional for inferior a um
determinado limite de aceitação.
Os parâmetros ideais para a rede serão assim aqueles a que corresponde o mínimo do
funcional J
Nd
. Pode no entanto acontecer que este mínimo esteja acima do limite de
aceitação. Isto poderá ser devido a várias causas:
• O mínimo obtido para J
Nd
não é um mínimo absoluto mas sim um mínimo local.
• O número de unidades da rede não é suficiente.
• O número de entradas da rede não é o correcto.

A determinação do mínimo de J
Nd
é um problema geralmente complexo, uma vez que se
trata de minimizar uma função de muitas variáveis. Com efeito, para uma rede com
duas camadas escondidas, com n
1
e n
2
unidades em cada camada, com r entradas e n
L

saídas, o número total de parâmetros a obter, n
p
, é dado por (ver Fig. 6.11):

1 1 1 2 2 2
( ) ( ) ( )
p L L
n r n n n n n n n n = × + + × + + × + (6.40)
Uma rede muito simples com r = 5, n
1
= 3 e n
2
= 3 e uma saída terá n
p
= 34 parâmetros.
Se se fizerem estes parâmetros variar continuamente de modo a obter o valor mínimo
para J
Nd
, tem-se o problema da minimização de uma função de muitas variáveis, que
poderá apresentar mínimos locais Os métodos de cálculo dos parâmetros de modo a
minimizar J
Nd
deverão considerar a possível existência destes mínimos locais e procurar
ultrapassar o problema de modo a encontrar-se, se possível, o mínimo global.
O outro caso mencionado atrás, do número de unidades insuficiente, resolve-se
simplesmente tentando uma rede com maior número de unidades, ou eventualmente
com uma outra distribuição pelas camadas escondidas.
Finalmente o último caso indicado: se se suspeitar das entradas da rede não serem as
correctas, deverão ser reanalisadas quais as entradas mais convenientes.
6 -SISTEMAS DIFUSOS, MODELOS MÚLTIPLOS E REDES NEURONAIS
Pág. 184 – Escola Superior de Tecnologia de Setúbal – Controlo Não Linear – Gustavo da Silva
6.3.4.2. Treino da rede
A minimização de J
Nd
é efectuada por métodos iteractivos. Durante a busca do mínimo
diz-se que se efectua o treino da rede, ou que esta está em aprendizagem.
Um método muito corrente para treinar a rede é designado por rectro-propagação
(“backpropagation”: Rumelhart et al. 1986). Esta forma de treino baseia-se no método
do gradiente. Parte de um valor inicial arbitrário para os parâmetros e dá-lhes um
acréscimo negativo proporcional à derivada de J
Nd
em relação ao parâmetro. Começa-se
pela camada de saída e aplica-se a seguir às sucessivas camadas, por ordem contrária à
do fluxo de informação. O método é lento, em particular junto do mínimo.
Um outro método utilizado para treinar as redes neuronais é o de Marquardt-Levenberg.
Trata-se de uma modificação do método de Gauss-Newton (Hagan e Menhaj, 1994). O
método é computacionalmente mais pesado do que a rectro-propagação, exibindo no
entanto uma convergência bastante mais rápida do que esta.
6.3.5. Identificação do Processo.
6.3.5.1. Dados de entrada /saída
Considere-se um processo discreto, de uma só variável, linear ou não, com atraso de
transporte p. Se o processo for observável, poderá ser representado por uma equação às
diferenças
( ) [ ( 1), , ( ), ( ), , ( )]
y u
y n f y n y n n u n p u n p n = − − − − − (6.41)
em que
n - tempo discreto, p - atraso de transporte,
u(n) - variável de entrada, n
u
- número de entradas atrasadas,
y(n) - variável de saída, n
y
- número de realimentações atrasadas.

Considerando as observações das saídas nos instantes sucessivamente anteriores ao
actual, n-1, n-2, ..., n-h, pode escrever-se
( 1) [ ( 2), , ( 1), ( 1), , ( 1)]
y u
y n f y n y n n u n p u n p n − = − − − − − − − − (6.42)
( 2) [ ( 3), , ( 2), ( 2), , ( 2)]
y u
y n f y n y n n u n p u n p n − = − − − − − − − − (6.43)

( ) [ ( 1), , ( ), ( ), , ( )]
y u
y n h f y n h y n h n u n h p u n h p n − = − − − − − − − − − (6.44)
A substituição sucessiva em (6.41) de (6.42), (6.43), ..., (6.44) conduz a uma equação do
tipo
( ) [ ( 1), , ( ), ( ), , ( )]
y u
y n g y n h y n h n u n p u n h p n = − − − − − − − − (6.45)

6 - SISTEMAS DIFUSOS, MODELOS MÚLTIPLOS E REDES NEURONAIS
Escola Superior de Tecnologia de Setúbal – Controlo Não Linear – Gustavo da Silva – Pág. 185
A equação (6.45) tem o seguinte significado, representado na Fig. 6.15: O valor da
variável de saída no instante actual, n, pode ser considerado como dependente dos
valores dessa variável nos instantes (n-h-1) a (n-h-n
y
) e dos valores da variável de
entrada nos instantes (n-p) a (n-h-p-n
u
).
Uma vez que para a identificação do processo apenas se dispõe de sequências de entrada
e de saída, como se referiu no início, apenas será possível efectuar a identificação da
parte observável do processo, permanecendo a dinâmica interna por identificar.







Fig. 6.15 – Processo de ordem n
y
com atraso p

6.3.5.2. Estrutura da entrada da rede.
As considerações anteriores sugerem que a rede estimadora do processo deverá ser
alimentada com (h+n
u
+1) entradas u e respectivos atrasos, e n
y
entradas y e anteriores.
Com efeito da equação (6.45) pode obter-se
( ) [ ( 1), , ( ), ( ), , ( )]
y u
y n h g y n y n n u n p h u n p n + = − − − + − − (6.46)
pelo que para dois pares de sequências u(n) e y(n) se espera ter para uma RNA
estimadora do processo, cuja saída se designará por ˆ( ) y n ,
ˆ ˆ ( ) [ ( 1), , ( ), ( ), , ( )]
y u
y n h g y n y n n u n p h u n p n + = − − − + − − (6.47)

Considerem-se os dois casos seguintes:
h ≤ p : Neste caso os valores de u(n-p+h), …, u(n-p-n
u
) pertencem ao passado pelo que
podem ser sempre conhecidos. Dispõe-se assim dos dados necessários para efectuar
uma identificação do processo.
h > p : Nesta situação a determinação de ˆ( ) y n h + vai depender de u(n
f
), ou seja dos
valores da entrada tomados em instantes futuros n
f
> n. Será necessário efectuar alguma
suposição sobre u(n
f
), como por exemplo congelar todas as entradas futuras,
mantendo-as iguais a u(n) presente, ou prever u(n
f
) a partir dos valores passados.
Representando a rede neuronal pelo rectângulo da Fig. 6.16, o conjunto de entradas e
saídas sugerido para a rede é o indicado a seguir:

Tempo discreto
n
u(n)
y(n)
n
u
h p
n
y
h
6 -SISTEMAS DIFUSOS, MODELOS MÚLTIPLOS E REDES NEURONAIS
Pág. 186 – Escola Superior de Tecnologia de Setúbal – Controlo Não Linear – Gustavo da Silva







Fig. 6.16 – Conjunto de entradas de uma RNA para estimar ˆ( ) y n h +

Como muitas vezes os valores de n
u
, n
y
e p não são conhecidos a priori, deverão ser
atribuídas à rede um número de entradas u e um número de entradas y suficientes para
se obter um desempenho aceitável.
É corrente escolher-se uma rede com duas camadas escondidas. A razão da escolha, já
mencionada anteriormente, é complementada com os resultados obtidos por Hartman et
all (1990) e por Hornick (1991):
• Para uma função contínua uma rede neuronal com duas camadas escondidas
constitui um aproximador universal com convergência mais rápida do que
uma rede de uma camada.
• Uma RNA com duas camadas escondidas permite a utilização de leis de controlo
descontínuas, o que não é possível com apenas uma camada,
• Uma RNA com duas camadas escondidas permite sempre a obtenção de um
modelo inverso (Sontag, 1992).
O número de unidades nas camadas escondidas depende da relação (6.41) que carac-
teriza o processo, que à partida não é conhecido. Considera-se habitualmente uma rede
com um total de unidades igual ao valor estimado para n
u
+n
y
, por se verificar suficiente.

Treino da rede
Para o treino da rede devem ser considerados dois casos: treino em grupo (“batch”) e
treino em linha (“on line”). O primeiro tem interesse quando o processo a identificar é
invariante no tempo ou então para a obtenção de um valor inicial de parâmetros para a
rede. O treino em linha poderá ser necessário sempre que é preciso identificar um
processo variante no tempo. Chama-se no entanto a atenção para o facto de o treino em
linha, quando se trata de processos não lineares, poder conduzir à obtenção de uma rede
que não aproxime o processo globalmente. No treino em linha é pois necessário ter
cuidado com os dados utilizados, para não se cair num ponto de funcionamento local.
Neste caso tem-se uma rede bem treinada localmente mas com pouca capacidade para
generalizar para outro tipo de dados de entrada. Assim, o algoritmo de treino não
deverá esquecer os dados iniciais mas sim complementá-los.

h+n
u
+1
entradas
u
n
y

entradas
y
u(n-p)
u(n-p-1)
u(n-p-2)

u(n-p-h-n
u
)
y(n-h-1)
y(n-h-2)

y(n-h-n
y
)
ˆ( ) y n
6 - SISTEMAS DIFUSOS, MODELOS MÚLTIPLOS E REDES NEURONAIS
Escola Superior de Tecnologia de Setúbal – Controlo Não Linear – Gustavo da Silva – Pág. 187
Treino em grupo.
Uma vez que se trata de identificar um processo genérico, que poderá ser linear ou não-
linear, uma questão que se coloca é a definição da amplitude do sinal de entrada. Deverá
considerar-se o sinal de entrada a poder variar entre -au
M
e + au
M
sendo u
M
o valor
absoluto máximo detectado na sequência de entrada e a uma constante real maior do
que a unidade. De forma análoga se estabelece o domínio para o sinal de saída.
O número de valores das sequências {u} e {y} utilizados para o treino em grupo, Nd,
deverá ser da ordem das centenas, para permitir ter uma grande variedade de
amplitudes.
Alimentando a rede com (h+n
u
+1) entradas desde u(n-p) a u(n-p-h-n
u
) e com n
y
entradas
desde y(n-h) a y(n-h-n
y
), esta origina um sinal de saída ˆ( ) y n . A rede deve ser treinada
utilizando um algoritmo disponível, por exemplo o de rectropropagação dos erros ou o
algoritmo de Marquardt-Levenberg. O número de iteracções utilizado para obter a
convergência da rede é variável consoante os casos estudados, a respectiva rapidez de
convergência e o valor aceite para J
Nd
. No caso da rectro-propagação a fim de acelerar a
convergência devem utilizar-se os métodos do passo adaptativo e do momento,
conhecidos das redes neuronais e postos à disposição pelos fornecedores do software
específico de redes neuronais.
Após o treino em grupo as redes devem testadas utilizando outras sequências de entrada
/saída, com outras formas amplitudes e número de pontos, para verificar a sua boa
capacidade de generalização. Após ser definido um critério de aceitação, a rede é
considerada adequada e suficientemente treinada quando satisfaz esse critério. Por vezes
considera-se como critério de aceitação o andamento da curva de erro y(n) - ˆ( ) y n , em
vez do valor de J
Nd
.

Treino em linha.
Uma vez que o treino de uma rede neuronal envolve um número muito grande de
iterações, normalmente superior a 1000, ao efectuar-se o treino em linha não pode ser
feita apenas uma destas iterações por cada passo de execução do controlo. O seu
número dependerá da velocidade de variação no tempo do próprio processo. No entanto
deverá ser pelo menos da ordem das dezenas. A Fig. 6.17 representa esquematicamente
as sequências para efectuar o treino em linha.


6 -SISTEMAS DIFUSOS, MODELOS MÚLTIPLOS E REDES NEURONAIS
Pág. 188 – Escola Superior de Tecnologia de Setúbal – Controlo Não Linear – Gustavo da Silva

Fig. 6.17 - Treino de uma rede neuronal, em linha.

No entanto, se o número de iterações para actualização da rede for elevado, o ruído do
processo, incluído o ruído dos sensores, pode perturbar significativamente a
convergência da rede, levando os seus parâmetros a mudar sistematicamente de
trajectória. É-se assim conduzido à necessidade de filtrar os dados u(n) e y(n) utilizados
para treinar a rede. Esta filtragem, que poderá ser igual para todas as entradas da rede,
deverá obedecer a duas condições antagónicas: por um lado deverá ser bastante elevada
para que o ruído não perturbe a convergência da rede e por outro suficientemente fraca
para que qualquer variação dos parâmetros do processo seja imediatamente detectada.
Um outro problema da actualização em linha, em sistemas não lineares, já atrás referido,
consiste no esquecimento das características globais da rede, ficando esta mais adaptada
apenas para pontos de funcionamento com características locais.
6.3.6. Controlo preditivo.
No controlo de um processo com atraso de transporte utilizando um controlador
clássico, por exemplo um PID, à medida que se vão tendo tempos de atraso maiores
torna-se necessário baixar o ganho proporcional e aumentar o tempo de integração, se se
quiserem evitar oscilações ou ter um sistema instável. Esta medida torna a resposta do
sistema lenta. Com o fim de obter controladores com melhor desempenho, utilizam-se
outros métodos. De entre os que utilizam redes neuronais foram estudados os seguintes:
Uso de um controlador clássico em que o erro é obtido subtraindo à referência o valor
da previsão, e controlo por meio do modelo inverso. Em qualquer dos casos o modelo
deverá ser actualizado em linha.
tempo discreto, n
instantes de execução
do controlo
actualização da rede
… ||||||||||||||| ||||||||||||||| ||||||||||||||| ||||||||||||||| ||||||||||||||| …
189



7. EXEMPLOS DE SISTEMAS NÃO LINEARES


7.1. Pêndulo simples
Considere-se o pêndulo simples, representado esquematicamente na Fig. 7.1. Trata-se
de uma pequena esfera de massa m, ligada a um ponto fixo O por meio de uma haste
rígida de comprimento A e massa desprezável. A haste pode rodar em torno de O.
Considere-se apenas o movimento no plano vertical (x,O,y). Pela aplicação da 2ª lei de
Newton, a massa sujeita a uma força exterior f
e
adquire uma aceleração a tal que ma=f
e
.












Fig. 7.1– Pêndulo simples


A observação da Fig. 7.1 mostra que dr dθ = A , pelo que, como A é constante,

2 2
2 2
d r d
dt dt
θ
= A (7.1)
ou, uma vez que d
2
r/dt
2
é a aceleração a que se encontra submetida a massa m, pode
escrever-se, aplicando a lei de Newton, e usando uma notação simplificada:

e
m f θ =

A
(7.2)
θ
r=A
dr
p=mg
x
y
m
0

7 - EXEMPLOS DE SISTEMAS NÃO LINEARES

Pág. 190 – Escola Superior de Tecnologia de Setúbal – Controlo Não Linear – Gustavo da Silva

A resultante das forças exteriores actuando sobre o corpo de massa m (suposta a massa
concentrada no seu centro de massas) é constituída por duas parcelas: uma força de
restituição devida ao seu peso (–mg senθ ) e outra resistente, devido ao atrito, que se
admitirá ser viscoso, ou seja, proporcional à velocidade linear do corpo ( b θ −

A ), pelo
que (7.2) se pode escrever:

sen m mg b θ θ θ = − −

A A
(7.3)
A força cos mg θ , na direcção da haste, não é representada por não contribuir para esta
aceleração.
Para se obter um modelo de estado para o sistema da equação (7.3) façam-se as
mudanças de variável
1
x θ = e
2
x θ =

. Obtém-se então a seguinte equação de estado:

1 2
2 1 2
( / ) sen ( / )
x x
x g x b m x
= ¦
´
= − −
¹

A
(7.4)
A equação de saída, y = x
1
, não é escrita por uma questão de economia.
Os pontos de equilíbrio obtêm-se a partir de (7.4) fazendo
1
0 x = e
2
0 x = , ou seja,

2
1 2
0
( / ) sen ( / ) 0
x
g x b m x
= ¦
´
− − =
¹
A
(7.5)
ou ainda:

1
2
sen 0
0
x
x
= ¦
´
=
¹

ou

1
2
, 0, 1, 2,
0
x k k
x
π = = ± ± ¦
´
=
¹
"
(7.6)
Do ponto de vista de localização física apenas as soluções para k=0 e k=1 são distintas;
as restantes são repetições das posições geométricas das primeiras. No entanto as
soluções são distintas, como se pode observar na Fig. 7.2.
Voltando às variáveis iniciais θ e ω (ou θ

), os pontos de equilíbrio distintos são:
1
1
0rad
0rad/s
e
e
θ
ω

=


e
2
2
rad
0rad/s
e
e
θ π
ω

=



A integração numérica da equação (7.4) para um pêndulo com m=1 kg, l =1 m e
b=0.2 N.s.m
-2
, sujeito às condições iniciais θ=0 rad e ω=10 rad/s, dá origem à solução
que se representa na Fig. 7.3.

7 - EXEMPLOS DE SISTEMAS NÃO LINEARES

Escola Superior de Tecnologia de Setúbal – Controlo Não Linear – Gustavo da Silva – Pág. 191










Fig. 7.2– Evolução no tempo do estado do pêndulo simples

A Fig. 7.3 representa a evolução do referido estado, no plano de fase, submetido às
mesmas condições iniciais.












Fig. 7.3– Evolução do estado do pêndulo no espaço de fases.




0 5 10 15 20 25 30 35 40
-10
-5
0
5
10
15
20
25
30
tempo (s)
om
eg
a
(ra
d/s
)
tet
a
(ra
d)
ω

(
r
a
d
/
s
)



















θ
(
r
a
d
)

0 5 10 15 20 25 30
-6
-4
-2
0
2
4
6
8
10
x1 = posição (rad)














x
´
1

=

v
e
l
.

a
n
g
u
l
a
r

(
r
a
d
/
s
)
θ(rad)


ω

(
r
a
d
/
s
)




7 - EXEMPLOS DE SISTEMAS NÃO LINEARES

Pág. 192 – Escola Superior de Tecnologia de Setúbal – Controlo Não Linear – Gustavo da Silva

7.2. Sistema massa-mola-amortecedor
Imagine-se um sistema mecânico constituído por um bloco rígido de massa m que se
pode deslocar ao longo do eixo dos xx, sujeito à acção de uma mola não linear e de um
amortecedor viscoso, como se mostra na Fig. 7.4.







Fig. 7.4– Sistema massa-mola-amortecedor

A aplicação da 2ª lei de Newton a este sistema, conduz à seguinte equação diferencial:

2
3
1 3 2
d x dx
m b k x k x f
dt dt
+ + + = (7.7)
em que
m - massa do bloco, suposta concentrada ao centro de massas,
x(t) - posição da massa, suposta igual a zero com o sistema em repouso,
b - coeficiente de atrito viscoso do amortecedor,
k
1
e k
3
– coeficientes da mola,
f(t) - força de excitação externa, exercida sobre o bloco.
Os parâmetros m, b e k
1
são positivos; k
3
pode ser positivo ou negativo.
(Relembre-se a equação linear correspondente ao sistema linear de 2ª ordem,

2
0
2 / x x x f m λ ω + + = (7.8)
com
2
0 1
/ k m ω = e / 2 b m λ = ).
Se k
3
for positivo a mola diz-se dura: a sua força resistente incremental aumenta com a
amplitude da coordenada x. Se k
3
for negativo a mola diz-se macia: a sua força
resistente incremental diminui com a amplitude. Neste caso, se se tratar de uma mola
passiva, deverá ser imposta a condição adicional

2 3
1
1
k
x
k
< (7.9)
que corresponde à força resistente da mola ser positiva. A Fig. 7.5 representa a força
resistente de uma mola linear, de uma mola dura e a de uma mola macia.

-3 -2 -1 0 1 2 3
| | | | | | | | | | | | |
0 x
0
x
mola
o
massa
o
amortecedor
7 - EXEMPLOS DE SISTEMAS NÃO LINEARES

Escola Superior de Tecnologia de Setúbal – Controlo Não Linear – Gustavo da Silva – Pág. 193










Fig. 7.5– Força resistente de diversos tipos de mola

A equação de estado do sistema exposto pode obter-se a partir de (7.7) efectuando as
mudanças de variável x
1
= x (posição do bloco) e
2
x x = (velocidade linear):

1 2
3 3 1
2 2 1 1
1
x x
k k b
x x x x f
m m m m
= ¦
¦
´
= − − − +
¦
¹

(7.10)
Considere-se o sistema em regime livre (f = 0), a partir das condições iniciais [x
0
≠0; 0],
isto é posição inicial x
0
distinta da posição de repouso e velocidade inicial nula. Se o
amortecimento for fraco
(1)
a massa vai oscilar, de uma forma amortecida em torno da
posição x=0, sendo a frequência de oscilação função da amplitude.
Para k
3
> 0 observa-se que a frequência de oscilação aumenta com a amplitude (a mola é
mais resistente para amplitudes maiores) e para k
3
< 0 a frequência de oscilação diminui
com a amplitude (Fig. 7.6).
Considere-se agora o sistema em regime forçado; admita-se que sobre o bloco se exerce
uma força alternada sinusoidal f(t) de frequência ω e amplitude F constante,
( ) cos( ) f t F t ω = (7.11)
Nestas condições a massa entrará em oscilação.
Considere-se o caso em que k
3
= 0 (sistema linear). Neste caso a amplitude de oscilação
x(t) será também sinusoidal e terá a mesma frequência ω que a força de excitação:
( ) cos( ) x t X t ω ϕ = − (7.12)


1
Para o sistema linear equivalente (7.8), o amortecimento diz-se fraco se λ
2
< ω
0
2
.
-0.5 -0.4 -0.3 -0.2 -0.1 0 0.1 0.2 0.3 0.4 0.5
-0.8
-0.6
-0.4
-0.2
0
0.2
0.4
0.6
0.8
mola dura
mola linear
mola macia
deformação
f
o
r
ç
a

r
e
s
i
s
t
e
n
t
e

d
a

m
o
l
a

7 - EXEMPLOS DE SISTEMAS NÃO LINEARES

Pág. 194 – Escola Superior de Tecnologia de Setúbal – Controlo Não Linear – Gustavo da Silva










Fig. 7.6– Variação da frequência de oscilação com a amplitude

A Fig. 7.7 representa a relação entre a amplitude de oscilação X por unidade de força de
excitação, para diversos valores do amortecimento λ
(2)
, em função da frequência da
força de excitação. Estas funções de transferência são bastante conhecidas do estudo da
resposta de sistemas lineares de 2ª ordem.
A relação X/F depende de ω e do amortecimento do sistema e não depende de F. Para
um determinado grau de amortecimento existe uma relação unívoca entre X/F e ω. O
gráfico X/F apresentado considera apenas o regime forçado, que se estabelece depois de
desaparecer a resposta transitória inicial.
Nestas condições, se a frequência ω variar lentamente no tempo, o ponto representativo
de X/F em função de ω evolui sobre a curva respectiva, quer ω aumente, quer diminua.











Fig. 7.7– Curvas de resposta em frequência, sistema linear

2
λ = b/2m
frequência
k
3
>0 k
3
<0
k
3
= 0, mola linear
mola macia mola dura
amplitude
X
ω
λ=8
2
1
1/√2
1/2
1/4
λ=0 λ=0
7 - EXEMPLOS DE SISTEMAS NÃO LINEARES

Escola Superior de Tecnologia de Setúbal – Controlo Não Linear – Gustavo da Silva – Pág. 195










Fig. 7.8– Curvas de resposta em frequência, sistema não linear.

Seja agora o caso em que k
3
≠ 0. Admite-se k
3
suficientemente elevado para se
poderem observar as não linearidades. As curvas de resposta em frequência, para um
amortecimento muito pequeno, tomam o aspecto indicado na Fig. 7.8.

Analise-se a curva correspondente a k
3
> 0. Admita-se F constante e ω lentamente
variável e crescente. Partindo do ponto 1, à medida que a frequência ω vai aumentando,
vai-se progredindo sobre a curva X/F até se atingir o ponto 2, em que a amplitude de
oscilação é máxima. Neste ponto um ligeiro aumento de ω produz uma descontinuidade
na amplitude da oscilação, de 2 para 3. Continuando a aumentar ω caminha-se até ao
ponto 4 com uma diminuição contínua da amplitude. Se agora ω descer lentamente a
partir de 4, a amplitude seguirá a trajectória 4→3→5→6→1 havendo uma nova
descontinuidade, com aumento brusco de amplitude, na transição de 5→6. A este
fenómeno chama-se ressonância com saltos. Esta exige que a não linearidade seja
apreciável e o amortecimento pequeno. Tem a propriedade de exibir uma gama de
frequências em que para cada ω existem duas amplitudes de oscilação estáveis.
Para a curva correspondente a k
3
< 0 acontece um fenómeno semelhante.






k
3
>0
X
ω
ω
0

1
2
3
4
5
6






k
3
<0
X
ω
ω
0

1
2
3
4
5
6 •





7 - EXEMPLOS DE SISTEMAS NÃO LINEARES

Pág. 196 – Escola Superior de Tecnologia de Setúbal – Controlo Não Linear – Gustavo da Silva

7.3. Oscilador de resistência negativa
Considere-se o circuito eléctrico representado na Fig. 7.9a), constituído por um
condensador, uma bobina e um elemento resistivo com a característica indicada em b).
A capacidade do condensador e o coeficiente de auto-indução da bobina supõe-se
constantes. São exemplos de dispositivos electrónicos de resistência negativa os díodo
túnel , o transistor unijunção, o díodo de 4 camadas e o transistor de avalanche.
Para valores de v junto da origem a um aumento de v corresponde uma diminuição i. É
por esta razão que se diz o circuito exibir resistência negativa.








Fig. 7.9– Oscilador de resistência negativa.

Pela aplicação das leis de Kirchoff pode escrever-se:
0
C L
i i i + + = (7.13)
Da electrotecnia sabe-se que:

dt
dv
C i
c
= e
1
( )
t
L
i v d
L
τ τ
−∞
=

(7.14)
A característica i = h(v) por enquanto não é dada. Substituindo (7.14) em (7.13) pode
escrever-se:

1
( ) ( ) 0
t
dv
C v d h v
dt L
τ τ
−∞
+ + =

(7.15)
Multiplicando-se ambos os membros de (7.15) por L e derivando em ordem ao tempo
fica:

2
2
( ) 0
d v dv
LC Lh v v
dt dt
′ + + = (7.16)
Efectuando a mudança de variável
t
LC
τ = pode escrever-se
i
v

elemento
de
resistência
negativa
C L
i
L
i
C

i
v
7 - EXEMPLOS DE SISTEMAS NÃO LINEARES

Escola Superior de Tecnologia de Setúbal – Controlo Não Linear – Gustavo da Silva – Pág. 197

2
2
( ) 0
d v L dv
h v v
dt C dt
′ + + = (7.17)
Utilizando a notação simplificada para a derivada em ordem ao tempo normalizado τ e
fazendo / L C ε = vem:
( ) 0 v h v v v ε ′ + + = (7.18)
Finalmente, aproximando a curva h(v) da figura Fig. 7.9b por uma parábola cúbica:

3
1
( )
3
h v v v = − + (7.19)
pode escrever-se:

2
(1 ) 0 v v v v ε − − + = (7.20)
que é a equação de Van der Pol
(3)
. Esta equação foi utilizada por Van der Pol para
estudar osciladores electrónicos com tubos de vazio. É um exemplo muito corrente
apresentado no estudo dos sistemas não lineares, por exibir um ciclo limite.
Para a obtenção da equação de estado correspondente ao sistema descrito pela equação
(7.20), façam-se as mudanças de variável x
1
= v e
2
x v = . Obtém-se assim a equação
de estado

1 2
2
2 1 1 2
(1 )
x x
x x x x ε
= ¦
¦
´
= − + −
¦
¹

(7.21)
A integração numérica desta equação, para dois valores distintos de ε, conduz às
soluções apresentadas na Fig. 7.10. Na Fig. 7.11 indicam-se as respectivas trajectórias
no espaço de estado.









Fig. 7.10– Soluções da equação de Van der Pol


3
Van der Pol – Engenheiro Electrotécnico Holandês, 1889-1959.
ε = 2.0
x
1

x
2

t (segundos)
ε = 0.2
t (segundos)
7 - EXEMPLOS DE SISTEMAS NÃO LINEARES

Pág. 198 – Escola Superior de Tecnologia de Setúbal – Controlo Não Linear – Gustavo da Silva










Fig. 7.11– Diagramas de estado da equação de Van der Pol.

Compare-se agora a equação (7.20) com a sua correspondente linear
0 v v v ε − + = (7.22)
Repare-se que para valores muito pequenos de v se tem (1–v
2
) ≈ 1. A equação (7.22),
devido à existência de ε ≠ 0, não tem soluções periódicas. Para ε > 0 as soluções
crescem indefinidamente com o tempo e para ε < 0 decrescem e tendem para zero.
Considere-se o caso em que ε > 0 e o estado inicial é v = 0 e v = 0. Qualquer
perturbação em v faz com que este comece a aumentar. No entanto, a partir de uma certa
amplitude o termo (1-v
2
) começa a ser francamente diferente de 1 . É a existência da não
linearidade que estabiliza o sistema: o termo –ε(1-v
2
)v amplifica v se |v| < 1 e amortece-
o se |v| > 1. Este fenómeno dá origem a uma solução periódica.

.
ε = 2.0
x
1
x
2
ε = 0.2
x
1
x
2

7 - EXEMPLOS DE SISTEMAS NÃO LINEARES

Escola Superior de Tecnologia de Setúbal – Controlo Não Linear – Gustavo da Silva – Pág. 199
7.4. Movimento de dois corpos com forças centrais
Este caso é de extrema importância em astronomia. Seja um corpo de massa m sujeito a
uma força central f(r), ou seja, dirigida para a origem, como se indica na Fig. 7.12.
Serão utilizadas coordenadas polares.







Fig. 7.12– Corpo de massa m sujeito a uma força central.

Trata-se por exemplo da trajectória de um planeta P de massa m que se movimenta em
torno de uma estrela O de massa M muito maior que m. A força f(r), devido à lei de
atracção de massas, é dirigida de P para O e tem o valor

2
( )
mM
f r G
r
= − (7.23)
A aplicação das leis da mecânica conduz às equações diferenciais

2
( )
2 0
mr mr f r
r r
θ
θ θ
¦ − =
¦
´
+ =
¦
¹

(7.24)

Substituindo f(r) pelo seu valor dado por (7.23) e dividindo por m vem:

2
2
0
2 0
GM
r r
r
r r
θ
θ θ
¦
− + =
¦
´
¦
+ =
¹

(7.25)
Para se obter um modelo de estado, efectuem-se as seguintes mudanças de variável :
1 2 3 4
x r x r x x θ θ = = = =


Obtêm-se as equações de estado:
θ
O x
y
r
m

f(r)
P
7 - EXEMPLOS DE SISTEMAS NÃO LINEARES

Pág. 200 – Escola Superior de Tecnologia de Setúbal – Controlo Não Linear – Gustavo da Silva


1 2
2
2 1 3
1
3 4
2 4
4
1
2
x x
GM
x x x
x
x x
x x
x
x
= ¦
¦
¦
= −
¦
¦
´
=
¦
¦
=
¦
¦
¹

(7.26)

A equação de estado contém duas equações lineares e duas equações não lineares. Uma
vez que G e M são constantes, o comportamento do movimento de um planeta de massa
m em torno de uma estrela de massa M vai depender exclusivamente das suas condições
iniciais, uma vez que não há outros parâmetros ou solicitações. A órbita do planeta, no
sentido geométrico, será a trajectória no sub-espaço de estados x
1
x
3
, isto é a trajectória
no plano (r, θ). De acordo com os valores iniciais x
0
= [
0
r
0
r
0
θ
0
θ

] assim a órbita será
elíptica ou um ramo de hipérbole. A zona de transição corresponde à órbita parabólica.

7 - EXEMPLOS DE SISTEMAS NÃO LINEARES

Escola Superior de Tecnologia de Setúbal – Controlo Não Linear – Gustavo da Silva – Pág. 201
7.5. Interacção entre espécies animais
Descreve-se a seguir o exemplo clássico relativo à interacção entre populações. Este
problema foi estudado por Volterra
(4)
e por Lotka
(5)
, e pode equacionar-se do seguinte
modo:
Duas espécies animais semelhantes competem entre si num ambiente em que os
recursos alimentares são limitados. Qual a evolução das respectivas populações?
Designando por x
i
o número de indivíduos da espécie i (i=1,2), o sistema pode ser
modelado pelo sistema de equações diferenciais não lineares

1 1 2 1
2 1 2 2
( )
( )
x a bx x x
x c x dx x
σ
ν
= − − ¦
´
= − −
¹

(7.27)
com a, b, c, d, σ, ν > 0.
Nas equações acima a taxa de crescimento “per capita” da espécie 1 é dada por

1
1 2
1
x
a bx x
x
σ = − −

(7.28)
Observe-se que é constituída por três termos: a taxa de crescimento a da população x
1

isolada, a taxa devida à competição “intra-espécie”, –bx
1
, e a taxa da competição “inter-
-espécie” –σx
2.
A taxa de crescimento “per capita” da espécie 2 tem uma constituição
semelhante.
Uma condição necessária para a coexistência indefinida das duas espécies é que exista
pelo menos um ponto de equilíbrio tal que x
1e
> 0 e x
2e
> 0. Os pontos de equilíbrio
obtêm-se resolvendo o sistema

1 2 1
1 2 2
( ) 0
( ) 0
a bx x x
c x dx x
σ
ν
− − = ¦
´
− − =
¹
(7.29)
obtendo-se os 3 pontos

1 2 3
0
0
e e e
ad c
a
bd
x x x b
c
bc a
d
bd
σ
νσ
ν
νσ





= = =







(7.30)

Os pontos de equilíbrio x
e1
e x
e2
são instáveis e correspondem à extinção das espécies 1
e 2 respectivamente. O ponto de equilíbrio x
e3
estável se bd > vσ (nestas condições
exige-se que ad > σc e bc < av).



4
Vito Volterra, Matemático Italiano, 1860-1940.
5
Alfred James Lotka, Biofísico Americano, 1860-1949.
7 - EXEMPLOS DE SISTEMAS NÃO LINEARES

Pág. 202 – Escola Superior de Tecnologia de Setúbal – Controlo Não Linear – Gustavo da Silva

7.6. Reactor químico continuamente agitado
O reactor químico continuamente agitado, CSTR (“Continuous Stirred Tank Reactor”) é
constituído por um tanque por onde transita uma mistura de reagentes químicos. Para
que a mistura seja bem feita esta está continuamente a ser agitada. O reactor, represen-
tado esquematicamente na Fig. 7.13, é refrigerado por meio de um permutador de calor.














Fig. 7.13– Reactor químico continuamente agitado.

O reactor é alimentado com um reagente A, de concentração c
Ai
, caudal q e temperatura
T
i
. No tanque, de volume V, encontra-se uma mistura de dois reagentes A e B, à
temperatura T. Admite-se que por acção do agitador a mistura é homogénea e de
composição igual em todas as zonas no interior do reactor, e com massa volúmica ρ.
No interior do reactor, vai dar-se uma reacção exotérmica em que o produto A se
transforma, originando o produto B
A B → (7.31)
A velocidade de reacção, por unidade de volume, é proporcional à concentração de A

A
r kc = (7.32)
com

A B
dc dc
r
dt dt
= − = (7.33)
~~~~~~~~~~~~~~~~~~~~~~~~
motor do
agitador
agitador
V, ρ, T
permutador de calor
válvula de
segurança
Refrigerante

q
c
T
ci

Reagentes A e B
q, c
A
, c
B
, T
Reagente A
q c
Ai
T
i

q
c
T
c

7 - EXEMPLOS DE SISTEMAS NÃO LINEARES

Escola Superior de Tecnologia de Setúbal – Controlo Não Linear – Gustavo da Silva – Pág. 203
em que k representa o coeficiente de reacção do produto A e c
A
a sua concentração
molar. O coeficiente k é fortemente dependente da temperatura a que se dá a reacção e é
correntemente aproximado pela Lei de Arrhenius

0
E
RT
k k e

= (7.34)
em que:
k – constante de velocidade, k
0
– factor pré-exponencial,
E – energia de activação, R – constante de Boltzmann.
Admitindo que as densidades do reagente A e da mistura são iguais, o balanço de
massas permite escrever
( )
A
Ai A A
dc
V q c c V k c
dt
= − − (7.35)
Se a reacção for exotérmica, a energia libertada é retirada por meio de um permutador
de calor. O balanço de energia permite escrever a equação
( ) ( ) ( )
i A c
dT
V q w T T H V k c U A T T
dt
ρ = − + −∆ + − (7.36)
em que:
∆H – é o calor desenvolvido na reacção,
U – coeficiente de transferência de calor do permutador,
A – área do permutador,
w – caudal mássico através do reactor.

Substituindo (7.34) em (7.35) e (7.36) podem escrever as equações de estado

0
0
( )
( ) ( )
E
RT
A Ai A A
E
RT
i A c
q
c c c k e c
V
q
T T T Jk e c UA T T
V


¦
= − −
¦
¦
´
¦
= − − + −
¦
¹

(7.37)
As equações (7.37), não lineares, representam com uma aproximação suficiente para
muitos casos práticos, o que se passa neste tipo de reactor.






O sistema descrito admite 3 pontos de equilíbrio. Sabe-se que a quantidade de energia
libertada pela reacção é uma função sigmoidal da temperatura, e que o calor retirado
7 - EXEMPLOS DE SISTEMAS NÃO LINEARES

Pág. 204 – Escola Superior de Tecnologia de Setúbal – Controlo Não Linear – Gustavo da Silva

pelo permutador é proporcional à temperatura, como se representa na Fig. 7.14. Os
pontos de equilíbrio correspondem à energia retirada pelo permutador de calor ser igual
à energia libertada pela reacção exotérmica. Os pontos de equilíbrio A e C são estáveis,
o ponto de equilíbrio B é instável: Admita-se que o reactor se encontra no ponto de
equilíbrio B. Uma perturbação no processo, que conduza a uma ligeira elevação de
temperatura de T
2
para T´
2
, para a qual a libertação de energia pela reacção é superior à
energia retirada pelo permutador, leva a caminhar na direcção de C.
Se a perturbação inicial, a partir de B, tivesse produzido uma ligeira baixa de T´
2
, um
raciocínio análogo ao anterior conduziria ao ponto de equilíbrio A. Considerações
análogas a estas, para os pontos A e C, permitem provar que estes são estáveis.










Fig. 7.14– Pontos de equilíbrio do CSTR.




A
B
C
Energia
em jogo
T
1
T
2

2
T
3
Temperatura
Energia libertada
pela reacção
Energia retirada
pelo permutador
205



8. CONSTANTES, FORMULÁRIOS E TABELAS


8.1. Constantes matemáticas

e = 2.7182 81828 45904 52353 60287
π = 3.1415 92653 58979 32384 62643
2 = 1.4142 13562 37309 50488
3 = 1.7320 50807 56887 72935
10 = 3.1622 77660 16837 93320


8.2. Constantes fundamentais da Física

Nome da constante Símbolo Valor + (incerteza) + unidades
Carga eléctrica elementar e 1.602 177 33(4 9) × 10
-19
C
Constante de Boltzmann k
B
1.380 658 (12) × 10
-23
JK
-1

Constante de Coulomb ke 8.987 551 787 × 10
-9
Nm
2
C
-2
(exacto)
Constante de Faraday F 9.648 670 (54) × 10
4
C/mol
Constante de Planck h 6.626 075 (40) × 10
-34
Js (exacto)
Constante de Stefan σ 5.669 6 × 10
-8
Wm
-2
K
-4

Constante dos gases R 8.314 510(70) JK
-1
mol
Constante gravitacional G 6.672 59(8 5) × 10
-11
Nm
2
kg
-2

Electrão-volt (unidade de energia) eV 1.602 177 33(4 9) × 10
-19
J
Massa do electrão me 9.109 389 7(54) × 10
-31
kg
Massa do neutrão mn 1.674 928 6(10) × 10
-27
kg
Massa do protão mp 1.672 623(10) × 10
-27
kg
Número de Avogadro NA 6.022 136 7(36) × 10
23
partículas/mole
Permeabilidade eléctrica do vazio ε
0
8.854 187 817 × 10
-12
C
2
N
-1
m
-2
(exacto)
Permeabilidade magnética do vazio u
0
4π× 10
-7
TmA
-1
(exacto)
Raio de Bohr a
0
0.529 177 249(24) × 10
-10
m
Unidade de massa atómica u 1.660 540 2(10) × 10
-27
kg
Velocidade da luz no vazio c 2.997 924 58 × 10
8
ms
-1
(exacto)

8. CONSTANTES, FORMULÁRIOS E TABELAS
Pág. 206 – Escola Superior de Tecnologia de Setúbal – Controlo Não Linear – Gustavo da Silva

8.3. Formulário de Matemática

8.3.1 Álgebra elementar
Fracções
soma
a c ad bc
b d bd
±
± =
multiplicação
a c ac
b d bd
× =
divisão
a c ad
b d bc
÷ =
Potências

m n m n
x x x
+
=
m
m n
n
x
x
x

=
( )
m n m n
x x
×
=
1/ n n
x x =
Factorização
quadrado perfeito:
2 2 2
( ) 2 a b a ab b + = + +
diferença de quadrados:
2 2
( )( ) a b a b a b + − = −
Equações
1º grau: 0 ax b + = Æ
b
x
a
= −
2º grau:
2
0 ax bx c + + = Æ
2
4
2
b b ac
x
a
± −
= −

8.3.2 Logaritmos e exponenciais
log
y
a
a x y x = ⇔ =

log ( ) log log
a a a
xy x y = +

log ( ) log log
a a a
x
x y
y
= −
log ( ) log
p
a a
x p x =

log
log
log
b
a
b
x
x
a
=
10
log log x x ≡

ln log
e
x x ≡

ln 2.302585 log x x = ×

ln 1 e =

ln1 0 =


8.3.3 Geometria
Rectângulo de lados a e b
Perímetro: 2( ) P a b = +
Área: A a b = ×
Triângulo de base b e altura h
Área:
1
2
A b h = ×
Circunferência /círculo de raio r
Diâmetro: 2 d r =
Perímetro: 2 P r π =
Área:
2
A r π =
Paralelipípedo de lados a, b e c
Área da base: A ab =
Volume: V abc =
Esfera de raio r
Área:
2
4 A r π =
Volume:
3
4
3
V r π =
Cilindro com base de raio r e altura h
Área da base:
2
b
A r π =
Área lateral: 2 A r π =

Volume:
2
V r π =
Ângulo sólido:
2
/ d dA r Ω =

8.3.4 Limites
0
0
( ) 0
( ) 0
f x
g x
= ¦
´
=
¹

0 0
( ) ( )
lim lim
( ) ( )
x x x x
f x f x
g x g x
→ →

=


1
lim(1 )
n
n
e
n
→∞
+ =
lim(1 )
n k
n
k
e
n
→∞
+ =
0
1
lim 1
x
x
e
x


= lim
x
p
x
e
x
→∞
= ∞
a
b
.
r
b
h
.
r
a
b
c
r
h
8. CONSTANTES, FORMULÁRIOS E TABELAS
Escola Superior de Tecnologia de Setúbal – Controlo Não Linear – Gustavo da Silva – Pág. 207

0
log( 1)
lim 1
x
x
x

+
=
log
lim 0
x
x
x
→∞
=
0
sen
lim 1
x
x
x

=
0
tan
lim 1
x
x
x

=

8.3.5 Séries
2
0
0 0 0 0
( )
( ) ( ) ( ) ( ) ( )
2!
x x
f x f x x x f x f x

′ ′′ = + − + +
1 2 2
( 1)
( )
1! 2!
n n n n
n n n
a b a a b a b
− −

+ = + + +
2
( 1)
(1 ) 1
2!
n
n n
x nx x

+ = + + +
1 2 3 4 5
2
5 7
(1 ) 1
2 8 16 128 256
x x x x x
x + = + − + − + −
1 2 3 4 5
2
3 5 35 63
(1 ) 1
2 8 16 128 256
x x x x x
x

+ = − + − + − +
2 3
1
2! 3!
x
x x
e x = + + + +
2 3
1 1
ln(1 )
2 3
x x x x ± = ± − ± −
3 5
sen
3! 5!
x x
x x = − + − (x em radianos)
2 4
cos 1
2! 4!
x x
x = − + − (x em radianos)
3 5
2
tan
3 15
x x
x x = − + + (x rad, | | / 2 x π <

8.3.6 Trigonometria



Teorema de Pitágoras:
2 2 2
b c R + =

sen cos tan
b c b
R R c
α α α = = =
1 1 1
cot csc sec
tan sen cos
α α α
α α α
= = =
sen sen sen
a b c
α β γ
= =
2 2
sen cos 1 α α + =
2 2
1 tan sec α α + =
2 2
1 cot csc α α + =
sen( ) sen cos cos sen α β α β α β ± = ±

cos( ) cos cos sen sen α β α β α β ± = ∓


tan tan
tan( )
1 tan tan
α β
α β
α β
±
± =


sen2 2sen cos α α α =
2 2
cos2 cos sen α α α = −
2
2tan
tan2
1 tan
α
α
α
=



8.3.7 Derivadas
1 n n
d
x nx
dx

=
2
du dv
v u
d u
dx dx
dx v v

| |
=
|
\ .

x x
d
e e
dx
=
log
x x
d
a a a
dx
=
( )
1
log
v v v
d du dv
u vu u u
dx dx dx

= +
( )
( ) ( 1)
n
n n
n
d
uv u nu v
dx

′ = + +

( ) ( ) ( ) n n r r n
r
C u v uv

+ + +

1
log
d
x
dx x
=
1
log
log
a
d
x
dx x a
=
sen cos
d
x x
dx
=
cos sen
d
x x
dx
= −
2
tan sec
d
x x
dx
=
2
cot csc
d
x x
dx
= −
R
b
c α
a
b
c
α β
γ
8. CONSTANTES, FORMULÁRIOS E TABELAS
Pág. 208 – Escola Superior de Tecnologia de Setúbal – Controlo Não Linear – Gustavo da Silva

2
1
sen
1
d
arc x
dx
x
=


2
1
arccos
1
d
x
dx
x

=


2
1
arctan
1
d
x
dx x
=
+

2
1
arccot
1
d
x
dx x

=
+

2
1
arcsec
1
d
x
dx
x x
=


2
1
arccos
1
d
x
dx
x x

=



8.3.8 Integrais indefinidos
vdu vu udv = −
∫ ∫

1
1
n
n
x
x dx C
n
+
= +
+


x x
e dx e C = +


1
ax ax
e dx e C
a
= +


2
( 1)
ax
ax
e
xe dx ax C
a
= − +


1
ln dx x C
x
= +


ln ( ln ) ax dx x ax x C = − +


1
ax ax
e dx e C
a
= +


1
ln( )
dx
ax b C
ax b a
= + +
+


2
ln( )
xdx x b
ax b C
ax b a a
= − + +
+


1
ln
( )
dx x a
C
x x a a x
+
= − +
+


2
1
( ) ( )
dx
ax b a ax b
= −
+ +


1
2 2
1
tan
dx x
a x a a

=
+



2 2
1
ln
2
dx a x
a x a a x
+
=
− −

(a
2
-x
2
>0)
1
2 2
sen
dx x
a
a x

=


(a
2
-x
2
>0)
1
sen cos ax dx ax C
a
= − +


1
cos sen ax dx ax C
a
= +


1
tan ln(cos ) ax dx ax C
a
= +


1
cot ln(sen ) ax dx ax C
a
= +


1
sec ln(sec tan ) ax dx ax ax C
a
= + +


1
csc ln(csc cot ) ax dx ax ax C
a
= − +


2
sen2
sen
2 4
x ax
ax dx C
a
= − +



8. CONSTANTES, FORMULÁRIOS E TABELAS
Escola Superior de Tecnologia de Setúbal – Controlo Não Linear – Gustavo da Silva – Pág. 209

8.4. Transformada de Laplace unilateral

8.4.1 Propriedades da TL

P.1 - Linearidade:
1 1 2 2 1 1 2 2
[ ( ) ( )] ( ) ( ) a x t a x t a X s a X s
+
+ = + L
P.2 - Deslocamento no tempo:
0
0
[ ( )] ( )
st
x t t e X s
− +
− = L (t
0
> 0)
P.3 - Deslocamento no domínio s:
0
0
[ ( ) ] ( )
s t
x t e X s s
+
= − L
P.4 - Sinal conjugado:
* * *
[ ( ) ] ( ) x t X s
+
= L
P.5 - Contracção/expansão no tempo:
1
[ ( )] ( ), 0
s
x at X a
a a
+
= > L
P.6 - Derivação no tempo:
( )
[ ] ( ) (0 )
dx t
s X s x
dt
+ +
= − L
1 2 ( 1)
( )
[ ] ( ) (0 ) (0 ) ... (0 )
n
n n n n
n
d x t
s X s s x s x x
dt
+ − + − + − +
= − − − − L

P.7 - Derivação no domínio s:
( )
[ ( )]
dX s
t x t
ds
+
− = L
( )
[( ) ( )]
n
n
n
d X s
t x t
ds
+
− = L
P.8 - Integração no tempo:
1
[ ( ) ] ( )
t
x d X s
s
τ τ
+
−∞
=

L
0 0
1
[ ( ) ] ( )
t t
n
x d X s
s
τ τ
+
=
∫ ∫
L
P.9 - Integração no domínio s:
1
[ ( )] ( )
s
x t X d
t
σ σ

+
=

L
P.10 - Convolução: [ ( ) * ( )] ( ) ( ) x t y t X s Y s
+
= L
P.11 - Função periódica [período a: x(t+a)=x(t)]:
0
( )
[ ( )]
1
a
st
as
x t e dt
x t
e

+

=


L

P.12 - Rectificação de onda completa [período a: x(t+a)=x(t)]:
[| ( ) |] ( )coth( )
2
as
x t X s
+
= L

P.13 - Teorema do valor final:
0
lim ( ) lim[ ( )]
t s
x t s X s
→+∞ →
= (desde que exista o 1º limite)
P.14 - Teorema do valor inicial: (0 ) lim[ ( )]
s
x s X s
+
→∞
=
8. CONSTANTES, FORMULÁRIOS E TABELAS
Pág. 210 – Escola Superior de Tecnologia de Setúbal – Controlo Não Linear – Gustavo da Silva

8.4.2 Tabelas de TL

Sinal temporal, x(t) TL unilateral, X(s) Região de convergência
1. ( ) u t
1
s
R
e
(s) > 0
2.
0
( ) t t δ −
0
st
e


todo s
3. t
2
1
s

R
e
(s) > 0
4. t
n
(n inteiro)
( 1)
!
n
n
s
+

R
e
(s) > 0
5.
t
3/ 2
2
s
π

R
e
(s) > 0
6.
1
t

s
π
R
e
(s) > 0
7.
at
e


1
s a +
R
e
(s) > -a
8.
at
t e


2
1
( ) s a +

R
e
(s) > -a
9.
n at
t e

(n inteiro)
1
!
( )
n
n
s a
+
+

R
e
(s) > -a
10.
0
cos( ) t ω
2 2
0
s
s ω +

R
e
(s) > 0
11.
0
( ) sen t ω
0
2 2
0
s
ω
ω +

R
e
(s) > 0
12.
0
1 cos( ) t ω −
2
0
2 2
0
( ) s s
ω
ω +

R
e
(s) > 0
13.
0
( )
at
e sen t ω


0
2 2
0
( ) s a
ω
ω + +

R
e
(s) > 0
14.
0
cos( )
at
e t ω


2 2
0
( )
s a
s a ω
+
+ +

R
e
(s) > 0
15.
0
cos( ) t t ω
2 2
2 2 2
( )
s a
s a

+

R
e
(s) > 0
16.
0
( ) t sen t ω
2 2 2
2
( )
a s
s a +

R
e
(s) > 0

8. CONSTANTES, FORMULÁRIOS E TABELAS
Escola Superior de Tecnologia de Setúbal – Controlo Não Linear – Gustavo da Silva – Pág. 211

8.5. Formulário de Física

8.5.1 Mecânica dos sólidos
r

vector de posição da partícula
v

velocidade linear da partícula

dr
v
dt
=

a

aceleração da partícula

2
2
dv d r
a
dt dt
= =

Movimento circular:
ω

velocidade angular da partícula
v r ω = ×



2
a r ω =
2ª lei de Newton

dv
F ma m
dt
= =

Momento linear p mv =


Teorema do momento linear (lei de Newton)

dp
F
dt
=

Momento angular r mv = ×

I momento de inércia
Momento de inércia de uma partícula de
massa m que descrever um movimento
circular uniforme de raio R:

2
I mR =

Momento angular de um corpo rígido que
roda com velocidade angular ω

em relação
ao seu eixo de simetria:

Iω =

Momento de uma força em relação a um
ponto: M r F = ×

Teorema do momento angular

d
M
dt
=

Energia cinética:
2
1
2
c
E mv =
Energia potencial:
p
E mgh =
Trabalho exercido por uma força: . W F r =



Lei da atracção universal:
1 2
2
m m
F G
r
=
Lei de Hooke: Y σ ε =
(σ tensão mecânica, ε deformação relativa,
Y módulo de elasticidade de Young)

8.5.2 Mecânica dos fluidos
Pressão exercida num ponto:
F
p
S
=
Lei fundamental da hidrostática:
p g h ρ ∆ = ∆
Teorema de Arquimedes
f i
I gV ρ =
(I impulsão,
f
ρ massa volúmica do fluido, V
i

volume imerso do corpo)
Caudal: q VS = (V velocidade, S área)
Número de Reynolds: /
e
R VDγ u =
(V velocidade, D diâmetro da tubagem,
γ peso volúmico, u viscosidade do fluido)
Equação de Bernouilli para fluidos ideais
2
2
te
V p
z C
g γ
+ + =
(V velocidade, g aceleração da gravidade, p
pressão, γ peso volúmico, z cota geométrica)

8.5.3 Electrotecnia
Lei de Coulomb:
1 2
2 e
q q
F k
r
=
Campo eléctrico:
0
/ E F q =

(volt/metro)
Densidade volumétrica de carga eléctrica:
/ q V ρ = (carga por unidade de volume)
Densidade superficial de carga eléctrica:
/ q S σ = (carga por unidade de área)
Potencial num ponto: .
P
P
U E ds

= −






8. CONSTANTES, FORMULÁRIOS E TABELAS
Pág. 212 – Escola Superior de Tecnologia de Setúbal – Controlo Não Linear – Gustavo da Silva

Diferença de potencial entre A e B:
.
B
AB
A
U E ds = −




Se o campo for uniforme na direcção de s

AB AB
V Ed =
Capacidade (definição):
q
C
U
=
Capacidade de um condensador plano:

A
C
d
ε =
Corrente eléctrica:
( )
( )
dQ t
I t
dt
=
Densidade de corrente:
I
J
A
=
Lei de ohm: J E σ = Æ U = R I
Resistência eléctrica de um condutor
R
S
ρ =


Potência dissipada numa resistência (lei de
Joule)
2 2
/ P RI U R = =
Associação de resistências
em série:
1
N
i
i
R R
=
=

em paralelo:
1
1 1
N
i i
R R
=
=


Associação de bobinas
em série:
1
N
i
i
L L
=
=

em paralelo:
1
1 1
N
i i
L L
=
=


Associação de condensadores
em série:
1
1 1
N
i i
C C
=
=

em paralelo:
1
N
i
i
C C
=
=


Leis de Kirchoff
nós:
1
0
n
k
k
i
=
=

malhas:
1
0
m
k
k
u
=
=


Força magnética sobre carga em movimento:

B
F qv B = ×

Força magnética entre condutores paralelos:

0 1 2
2
F I I
d
u
π
=

(F força, comprimento,
0
u permeabilidade
magnética do meio, I
1
e I
2
correntes nos
condutores 1 e 2, d distância entre condutores)


Força electromotriz induzida por variação de
fluxo:
d
e
dt
φ
= −
Reactância de uma bobina:
L
X L ω =
(ω=2πf frequência angular, f frequência,
L coeficiente de auto-indução)
Reactância de um condensador:
1
C
X
C ω
=
(C capacidade do condensador)
Impedância do circuito RLC série:

1
Z R j L
j C
ω
ω
= + +

Potência aparente:
ef ef
Q V I =
Potência activa: cos
ef ef
P V I ϕ =
Potência reactiva: sen
ef ef
S V I ϕ =
(ϕ desfasagem entre a tensão e a corrente)
Transformador ideal (ligação magnética
perfeita e semperdas):
1 2
1 2
u u
N N
=
1 1 2 2
0 N i N i + =
(u tensão, i corrente, N nº de espiras,
1 primário, 2 secundário)
Linha de transmissão sem perdas (L coefici-
ente de auto-indução/m, C capacidade/m,
R
L
resistência de carga no final da linha)
Impedância característica:
L
Z
C
=
Factor de reflexão:
L
L
R Z
p
R Z

=
+

Velocidade de propagação:
1
v
LC
=
Circuitos trifásicos
Tensão composta:
12 1 1
3 1, 732 V V V = =
(V
1
tensão simples, ou por fase)
Escola Superior de Tecnologia de Setúbal – Controlo Não Linear – Gustavo da Silva – Pág. 213




BIBLIOGRAFIA



[1]. NONLINEAR SYSTEMS
Khalil, Hassan K Prentice Hall 1996

[2]. APPLIED NONLINEAR CONTROL
Slotine, J. J. E / Li, Weiping Prentice Hall 1991

[3]. NONLINEAR CONTROL SYSTEMS – AN INTRODUCTION
Isidori, A Springer Verlag 1989

[4]. MATHEMATICAL CONTROL THEORY
Sontag, Eduard Springer 1998

[5]. ESSENTIALS OF NONLINEAR CONTROL THEORY
Leigh, J. R. IEE Topics in Control, Series 2
Peter Peregrinus LTD 1983

[6]. CONTROLO DE SISTEMAS NÃO-LINEARES
Lemos, J. Miranda Acetatos das aulas de Controlo II IST – 1985
http://ramses.inesc.pt/People/jlml/flsC2.html

[7]. EQUAÇÕES DIFERENCIAIS ORDINÁRIAS
Costa, Fernando Pestana da IST Press 1998

[8]. FUZZY CONTROL AND FUZZY SYSTEMS
Pedrycz, Witold Jonh Wiley & Sons Inc. 1993

[9]. NEURO-CONTROL AND ITS APPLICATIONS
Omatu, S. / Khalid M. / Yusof R. Springer 1996








Pág. 214 – Escola Superior de Tecnologia de Setúbal – Controlo Não Linear – Gustavo da Silva



Escola Superior de Tecnologia de Setúbal – Controlo Não Linear – Gustavo da Silva – Pág. 215


ÍNDICE


adjunta ...................................136
agregação ..............................173
algoritmo para a linearização
entrada-estado ....................143
algoritmos genéticos .............160
altura de conjunto difuso .......162
amortecimento, .....................194
amplificadores ....................... 18
amplitude da excitação ............ 6
antecedente ...........................167
aprendizagem ........................184
aproximação linear ..................71
aproximadamente zero ..........163
aproximador universal ..........181
assimptotica/ estável................85
assimptotica/ estável nsLy.......68
atraso no processo .................115
atrito estático ......................... 35
atrito viscoso ......................... 15
autónomo.................................64

bacia de atracção .....................68
backlash ................................. 33
backpropagation ...................184
balanço de energia ..........22, 203
balanço de massas ..........21, 203
bifurcação .............................. 11
binário......................................54

calor específico ...................... 18
calor latente ........................... 19
camada de entrada ................178
camada de saída ....................178
camadas ................................177
camadas escondidas ..............178
campo
covectorial .................51, 133
escalar ................................51
vectorial .....................51, 133
vectorial.involutivo .........139
caos ........................................ 12
características convergentes ..113
características divergentes .....112
centro.......................................47
centróide ...............................174
ciclo limite...............................49
estável ................................49
semi-estável .......................49
existência de.......................50
complemento ........................ 166
completamente integrável .... 139
condições sectoriais ................ 99
condutância térmica .............. 20
conectivas ............................ 166
congelar entradas ................. 185
conjunção ............................ 165
conjunto difuso ........... 160, 162
convexo .......................... 162
normalizado..................... 162
regular ............................ 162
conjunto invariante.................. 88
controlabilidade .................... 142
controlador
difuso .............................. 170
liga/desliga ...................... 37
controlo
adaptativo .................. 1, 159
difuso .............................. 160
difuso do satélite ............. 174
inteligente ....................... 159
não linear ........................... 1
preditivo ......................... 188
corte-α forte ......................... 162
corte- α fraco ........................ 162
critério de Popov................... 101
critério do círculo.................. 103
critérios de pertença ............. 160
CSTR (“Continuous Stirred
Tank Reactor .................... 202
condições iniciais .................. 13

decaimento.............................. 69
del ........................................... 51
dependência crítica ................ 10
derivada de Lie ............. 134, 135
derivada de V(x,t) ................... 93
descrição entrada-saída ......... 22
desfuzificação ............. 169, 174
desigualdade de Popov.......... 101
diagrama de Nyquist ............. 111
diagrama de Popov................ 101
diagrama do círculo............... 103
dicotómica ........................... 161
difeomorfismo ...................... 138
global .............................. 138
local ................................ 138
dinâmica
interna ............. 127, 129, 185
estável .......................130
instável ......................130
zero .................................132
disjunção ...............................165
dissipa......................................88
divergência ..............................51
domínio de atracção.................68
domínios transformados ........ 22

energia ............................. 21, 88
cinética ....................... 14, 76
do sistema .................. 14, 76
mecânica total ....................76
potencial ..................... 15, 76
equação
às diferenças ..................... 25
característica ......................44
de Bernouilli ...................120
de conservação da massa . 21
de estado .......................... 24
de Lyapunov ......................84
de saída ............................ 24
de Van der Pol ...........61, 197
do balanço de energia 22, 203
n-vectorial ........................ 26
equações
de estado escalares.............43
diferenciais às derivadas
parciais ............................139
vectoriais .................... 24, 26
esboço do retrato de fase .........44
espaço de fases ........................43
esquecimento .......................188
estabilidade......................63, 112
absoluta..............................99
assimptótica .......................92
assimptótica .......................93
BIBO .................................. 5
de sistemas não autónomos 91
exponencial ........................92
global .....................69, 92, 94
local ...................................69
no sentido de Lyapunov.....93
pelo método da função
descritiva.......................111
uniforme.............................93
estado ..................................... 22
de equilíbrio.......................65
completa/ acessível .........125

Escola Superior de Tecnologia de Setúbal – Controlo Não Linear – Gustavo da Silva – Pág. 216
linearizado ......................141
estável..............................45, 113
no sentido de Lyapunov.....66, 91
nsLy.........................................93
estrutura interna do sistema ... 22
excesso de pólos / zeros ........131
excitação .................................. 3
existência de funções de
Lyapunov..............................98
exponencialmente estável..69, 73

fase ........................................ 19
fase mínima ...........................112
fuzzy inference systems ........174
foco estável / instável ..............46
folga ............................... 33, 111
forças centrais .......................199
forma quadrática......................82
Frobenius ..............................139
função
candidata............................84
de activação ....................177
de Lyapunov .......... 63, 76, 79
de pertença ......................161
função descritiva...... 109, 111
folga ...........................111
liga-desliga.................110
liga-desl. c/ histerese ..110
saturação s/ histerese..111
zona morta..................110
n. linearid. correntes...110
pertencente a sector....99, 100
positiva definida ................92
positiva semidefinida.........78
negativa definida..........78, 92
saturação .......................... 30
seccionalmente contínua....91
sigmoidal ....................... 203
sinal de () ......................... 35
radialmente ilimitada .........81
decrescente.........................92
invertível .........................123
funcional de custo .................183
funções de activação .............182
fusão ...................................... 19
fuzificação ...........................168
fuzzy set ................................160

ganho.....................................109
gás perfeito ............................ 20
Gauss-Newton .......................184
generalização.........................187
generalizar .............................186
Geometria Diferencial .......... 133
global/ assimptotica/ estável....85
globalmente estável................. 69
gradiente........................... 51,133
grau de amortecimento......... 194
grau relativo................. 127, 131
bem definido................... 146
indefinido ....................... 147

harmónicas............................. 13
hipérbole .............................. 200
hiperplano ............................... 66
hipótese feita por Aizerman.. 100
histerese ..................... 16, 20, 31
ideal ................................. 32
história do sinal ..................... 31

identificação do processo ..... 184
if-then................................... 167
inferência ............................. 168
instável .......... 49, 66, 91, 74, 112
integrador múltiplo....... 122, 142
interacção entre espécies
animais .............................. 201
intersecção ........................... 165
involutivos ........................... 139
isoclínicas..................... 56,57, 58

Jacobiano ....................... 96, 134
jactos ....................................... 54

lei de Arrhenius.................... 203
lei de controlo ...................... 119
lei de ohm térmica.................. 21
leis de Morgan ...................... 167
liga/desliga ............................ 35
liga-desliga............................ 110
com histerese................... 110
linearização
entrada-estado ......... 123, 141
entrada-saída ................... 146
exacta .............................. 119
exacta por realimentação. 119
por realimentação................ 1
linha de atraso ....................... 117
localmente indefinida.............. 78
lógica difusa.................. 159, 164

marginalmente estável ............ 73
estável nsLy....................... 68
Marquardt-Levenberg .......... 184
massa ..................................... 21
massa-mola-amortecedor ..... 192
Matlab................................... 115
matriz Jacobiana................ 70, 72
memória .................................. 3
método da linearização ........... 74
para sist. não autónomos....95
método das isoclínicas.............56
Lyapunov.................................76
método da linearização ......73
método directo .......76, 92, 94
método delta ............................56
método do gradiente variável ..86
método expedito ......................71
mínimo
absoluto............................183
global ...............................183
local .................................183
modelo ..................................... 2
de Ebers-Moll ........................ 18
de estado .............. 13, 22, 24, 63
modelos múltiplos .................159
mola
dura ............................15, 192
linear ..........................15, 192
macia ........................ 15, 192
momento................................187
momento angular ................... 14
momento de inércia ............... 16
momento linear ...................... 14
multivariável .......................... 24
nabla ........................................51
não autónomo ..........................64
não linear ................................. 1
não linearidades artificiais ....... 5
não linearidades duras ............. 1
não linearidades naturais ... 5, 29
não observável.......................127
não unicidade da solução ....... 10
neurónio.........................177, 178
nó.............................................45
estável ..........................45, 46
instável.........................45, 46
nodo.........................................45
norma-S.................................167
norma-T.................................166
nsLy...................................66, 93
número de camadas ...............181
número de unidades...............181
número difuso........................162

observável..............................185
on/off ..................................... 35
operador
atraso ................................ 25
triangulares ......................166
vectoriais............................51
órbita ................................ 28, 43
plana...................................43
elíptica ............................ 200
ordem

Escola Superior de Tecnologia de Setúbal – Controlo Não Linear – Gustavo da Silva – Pág. 217
do sistema ........................ 23
reduzida ...........................127
oscilações ................................49
oscilador
de resistência negativa...........196
de Van der Pol .........................67

parâmetros da rede.................183
parêntesis de Lie....................136
passo adaptativo ....................187
pêndulo simples.....................189
permissa.................................167
plano de estado........................43
plano de fases ..........................43
polarização ............................179
polinómio característico ........122
ponto de equilíbrio... 8, 28, 65, 91
estável .................................... 28
ponto de sela............................45
positiva definida ......................83
princípio
da extensão ......................163
da representação...............163
da resolução .....................163
da sobreposição .............. 1, 5
produto
cartesiano.........................166
interno..............................133
propulsores ..............................54

quadrático .............................. 15
quantificar 2

razão de convergência .............69
reactor químico continuamente
agitado ................................202
realimentação ........................... 1
de estado................................128
realimentação não linear..99, 119
rectificadores ......................... 18
rectro-propagação..................184
rede de base radial .................180
rede estática 180
redes neuronais......................177
artificiais .................. 159, 177
região de atracção............149, 68
regime livre .............................64
regular .............................. 28, 66
relés ....................................... 18
resistência negativa..................96
resistência térmica ................. 21
ressonância com saltos ..........195
retrato de fase ..........................43
Rumelhart ..............................184

sistema(s) .............................. 1, 2
autónomo ......................... 24
causal ................................. 4
completa/ linearizado ...... 132
contínuo ....................... 4, 27
de fase mínima ........ 130, 132
de fase não mínima.......... 130
de parâmetros concentrados 4
de parâmetros distribuídos . 4
determinístico .................... 5
dinâmico ............................ 3
discreto ........................ 4, 26
em regime livre ................ 24
em repouso ........................ 4
em tempo real .................... 4
económicos ........................ 2
estático ............................... 3
estável ................................ 5
estocástico ......................... 5
físicos ................................ 2
geológicos ......................... 2
invariante no tempo ........... 4
linear massa-mola.............. 52
linear na entrada .............. 141
linear simples .................... 66
linearizado............... 1, 70, 71
linearizável ........................ 54
matemáticos ....................... 2
misto .................................. 2
na forma companheira..... 122
não controlável ................ 127
não forçado ...................... 24
não relaxado ...................... 4
químicos ............................ 2
relaxado ............................. 4
saturação 16, 29
sem histerese ................... 111
seguimento da trajectória ...... 126
separatriz................................. 68
série de Fourier ..................... 109
sinal de entrada ....................... 3
singular ........................... 28, 66
singular difuso....................... 163
singularidade na solução ......... 7
solução periódica .................. 198
sub-harmónicas ..................... 13
sublimação ............................ 19
suporte................................... 162

tanque cónico ........................ 148
taxa da competição................ 201
tempo de escape ...................... 7
tempo discreto ....................... 25
teorema
da variedade central........... 74
de Bendixon.................51, 62
de Frobenius, 139, 140
de Krasovskii .....................85
de Krasovskii generalizado 86
de Poincaré...................50, 62
de Lyapunov ......................80
sistemas não autónomos.....93
de Ly (estabilidade global) 81
de Ly (instabilidade) ..........82
de Poincaré-Bendixon........50
do conjunto invariante
global............................89
local..............................88
recíproco ............................98
sobre instabilidade .............96
termos de ordem superior ........70
tiristores ................................. 18
trajectória ............................... 28
trajectória estável ................... 28
trajectória.........................52, 188
parabólica.........................200
transformador ........................ 17
ideal ................................. 17
transistor de junção ................ 18
treino
da rede......................184, 186
em grupo..........................186
em linha ...................186, 187

única variável ........................ 24
união......................................165
unidade de processamento.....178
uniformemente estável.............92
universo do discurso, ............161

valor inicial do estado ............ 24
valor próprio duplo..................47
valores próprios .......................44
Van der Pol, ..........................197
vaporização ............................ 19
variáveis
separáveis, .......................119
estado ......................... 23, 43
difusas, ............................164
linguísticas, .....................164
variável
controlada ........................120
de entrada ..................... 2, 23
de saída .............................. 2
manipulada, .....................120
vector de estado ..................... 23
vector de saída ....................... 23

zona morta ............................. 30
zona morta.............................110



FICHA TÉCNICA



Título
“Controlo Não Linear”
Copyright  2003 do autor


Autor
Gustavo Monteiro da Silva
http://ltodi.est.ips.pt/gsilva/GVMSilva/CV GMS Out 2001.pdf
e-mail: gsilva@est.ips.pt
gmsilva@netcabo.pt




Edição
Escola Superior de Tecnologia de Setúbal
Campus do IPS
Rua do Vale de Chaves, Estefanilha
2910-761 SETÚBAL – PORTUGAL
Tel: 265 790 000 Fax: 265 721 869
e-mail: rel-ext@est.ips.pt



Capa
FXS, Gestão de Marketing, Lda.
Rua Prof. Mark Athias, 4, 3º Frente
1600-646 LISBOA – PORTUGAL
Tel: 217 524 285
Fax: 217 524 286 / 217 599 327
e-mail: info@fxs.pt



ISBN 972-98624-5-1

Depósito Legal 1



Setúbal, Julho de 2003

ao Dioguinho

ii

PREFÁCIO

A obra do autor surge na sequência de um esforço continuado no sentido de enriquecer o já vasto número de publicações que tem vindo a apresentar nas áreas de Instrumentação e Medida e de Controlo e Processos, onde desenvolve a sua actividade como docente do Departamento de Sistemas e Informática da Escola Superior de Tecnologia de Setúbal do Instituto Politécnico de Setúbal. Das obras já desenvolvidas são de realçar, para além das publicações de carácter pedagógico efectuadas no âmbito das disciplinas que tem vindo a leccionar, os livros de Instrumentação Industrial e Processamento Digital de Sinais que teve oportunidade de publicar em Junho de 1999 e Outubro de 2000, respectivamente. Considero que o factor fundamental de motivação subjacente às publicações referidas e particularmente à nova publicação, agora apresentada, sobre Controlo Não Linear tem por base uma excepcional dedicação que o docente tem manifestado no apoio aos alunos e outros interessados nas matérias que tem leccionado. Como nota de realce, nas publicações apresentadas, saliento ainda a capacidade que o autor tem demonstrado em aliar à sua experiência profissional o rigor técnico-científico na apresentação de temas cuja abordagem nem sempre é fácil. Para isso contribuem, de forma bastante positiva, os casos de aplicação prática que são sugeridos no decurso da apresentação dos conteúdos teóricos e das matérias apresentadas, bem como o número significativo dos problemas resolvidos e propostos em cada capítulo. Por todos estes considerandos e em especial pelo esforço evidenciado no sentido de apoiar os alunos da EST Setúbal, em particular os do Curso de Automação, Controlo e Instrumentação, felicito o autor manifestando o meu reconhecimento e agradecimento pelo trabalho desenvolvido.

Setúbal, 26 de Julho de 2003

Dias Pereira

iii

INTRODUÇÃO

Este livro foi desenvolvido a partir das lições por mim dadas na disciplina de Controlo Não Linear, da licenciatura em Engenharia de Automação Controlo e Instrumentação da Escola Superior de Tecnologia de Setúbal / IPS, nos anos lectivos de 1998/99 a 2002/03. Nessa cadeira, inserida no 2º semestre do 4º ano, procura-se: • mostrar que muitos dos sistemas de interesse prático, em áreas muito diversas, devem ser modelados e tratados como sistemas não lineares. • chamar a atenção para algumas das características próprias dos sistemas não lineares. • compreender a teoria de Lyapunov em alguns casos simples. • conhecer as técnicas de controlo não linear mais usuais. Os alunos ao iniciarem o estudo desta disciplina deverão ter conhecimentos gerais de análise matemática que incluam funções trigonométricas e números complexos, cálculo diferencial e integral, variável complexa, séries de Fourier e transformada de Laplace, bem como conhecimentos de álgebra linear e geometria analítica. Deverão também ser conhecedores de funções reais de variável inteira, somatórios, séries numéricas e de potências. Os alunos deverão também ter conhecimentos gerais da Teoria dos Sinais e Sistemas, bem como os conceitos básicos do Controlo Linear de diagramas de Bode e de Nyquist, de função de transferência e estabilidade. Como numa cadeira semestral não é possível abordar com um mínimo de profundidade as matérias referentes a sistemas e controlo não linear, optou-se por escrevê-las sob a forma de livro, em edição electrónica. Deste modo os alunos além de disporem de um texto de apoio às aulas, podem adquirir os seus conhecimentos sem necessidade imediata de recorrer a bibliografia estrangeira. Esta é no entanto fundamental para uma melhor compreensão e maior aprofundamento das matérias expostas, na medida em que cada autor tem o seu modo próprio de explicar e aborda de forma diferente os diversos assuntos. Espero que este livro, para além de auxiliar os alunos das cadeiras de Controlo Não Linear das nossas Escolas e Universidades, possa também ajudar todos aqueles que estando interessados nestas matérias necessitem de um livro básico em Língua Portuguesa. Quero ainda agradecer a todos aqueles que de uma forma ou de outra contribuíram para que este livro tomasse forma. Lisboa, Julho de 2003

iv

..............3...........................................................................1.................................................. Pontos de equilíbrio múltiplos.........6...................................................................4....................................3......4 1.............................................................. Trajectórias e estabilidade ...................4................................................ PROBLEMAS RESOLVIDOS ......................14 1....8............................22 1.............5...........................................6 1.2.......... sistema contínuo....................... Sistemas químicos....................8................3.....6.5 1...............................................................3............... Sistemas variantes no tempo e invariantes no tempo ................................ Modelo de estado discreto..... Sistemas Térmicos .6....................................5....22 1...................2..........1........ INTRODUÇÃO ......................................................1...37 1.... Tempo de escape finito ...............1.......2 1...... Pontos de equilíbrio............................... SISTEMAS NÃO LINEARES...........................29 1....... Sistemas mecânicos clássicos......4........... ESCRITA DAS EQUAÇÕES ............................... Sistemas determinísticos e estocásticos.................................................................................................. Dependência de amplitude da excitação ... COMPORTAMENTO DOS SISTEMAS NÃO LINEARES ...4 1....5........................................................................2..................5.....8........ Teorema do momento angular .....................9.......2................................................ Teorema do momento linear........................13 1....1 1.................30 1.........5.................. Bifurcações................... Atrito Estático................................................... Sistemas estáticos e dinâmicos..........................................3................................... Existência de harmónicas e sub-harmónicas ......6..........................4............. 1... Movimento de rotação.........1....................... Saturação .7 1....................................................................................3.14 1.......5................... CLASSIFICAÇÃO DOS SISTEMAS ....................4 1....................................................................... Modelo de estado..................... Sistemas contínuos e discretos ........................2...........5.........................................................................................................................6.........................2.............25 1..................................5................ Caos ou dependência crítica das condições iniciais ..3 1.....4............ ALGUMAS NÃO LINEARIDADES CORRENTES ....................................4..6............................41 iv ................................4...........2................. PROBLEMAS PROPOSTOS ....................................................4..........................5 1....3...................16 1....................6... Folga ...................................................................3....................28 1.....................35 1......... MODELO DE ESTADO ..................................................12 1...........10 1.................28 1.CONTEÚDO pág..........29 1.. Zona Morta..............18 1..........................2.5............5 1.........................................................................7...........2................7....................................11 1...2................5...3........4................................... Ciclos limite ou oscilações ... Sistemas de parâmetros distribuídos e de parâmetros concentrados .................2.......................2.............4...................................................12 1............... Histerese........1 1.......................3............31 1...................................................8.................. Sistemas relaxados e não relaxados..................................4............. .. Característica liga/desliga ou “on/off” ...........3............. Sistemas eléctricos....................................9......7...............5 1....................................................... Obtenção da trajectória ..2.......... Dependência crítica dos parâmetros......4 1............................4...33 1......................................2... Não unicidade da solução ...........6..................21 1.....26 1.........6........................14 1............13 1.............2........4 1................... Sistemas estáveis e instáveis............................. Movimento linear ...........................................................5.........3...1.16 1........4.... Sistemas lineares e não lineares.....................................................................6..................................................................................10 1.....7......4.................................................................................................................35 1................ Sistemas causais e não causais .............15 1...................3...........................3..............................................................9 1.............................3...........6.........................

............9....................................................................6....................................... Existência de ciclos limite ..............................3..........................9................79 3.......................... Valores próprios iguais (λ1=λ2)... Método de Lyapunov da linearização .......4.......................... Métodos baseados em conceitos físicos .......2....3................... Métodos analíticos ........................98 3....5....7.......................7.....................................5............................. Teorema de Lyapunov (instabilidade)...........4...........73 3.............................................................95 3.............................................................................91 3..........................82 3...................... Função de Lyapunov para SLIT..47 2...........................1..... Estabilidade local e global................ INTRODUÇÃO .45 2..........63 3.........4...........59 2.... Teorema global do conjunto invariante ..................7........................84 3.......................................5.............. Método directo de Lyapunov ............................... CONJUNTOS INVARIANTES ...............................................................80 3.......................... Pontos de equilíbrio de sistemas autónomos.........................5..................... Teorema recíproco...........6...............................2..........5..................................3.91 3...........2....................................................... FUNÇÃO DE LYAPUNOV DE SISTEMAS NÃO LINEARES .................................... Estabilidade de pontos de equilíbrio............ ANÁLISE QUALITATIVA DOS SISTEMAS LINEARES.......................................5............................................................ Estabilidade de um ponto de equilíbrio...................50 2......3.3.84 3....................88 3...4...................................................................................2..................................... Sistema linearizado .........................63 3.... estabilidade assimptotica e uniforme.............................6......88 3................ Pontos de equilíbrio .......65 3...............................10...............................9....................98 3....1.............8.............. FUNDAMENTOS DA TEORIA DE LYAPUNOV .......49 2......................................................................3...1.....70 3..........63 3.....10.......76 3...............77 3.......................................................................................52 2... SISTEMAS DE 2ª ORDEM .....................1................................... Valores próprios distintos (λ1≠λ2)....... Teorema local do conjunto invariante ...............2............................. Teorema recíproco.........2.................2.............. Teorema recíproco...5................8..............................63 3..........................10... MÉTODO DIRECTO DE LYAPUNOV ..... Formas quadráticas e matrizes positivas definidas ........9...........................98 v ...................1...............1................................1...................................52 2.96 3....2.. Sistemas autónomos em regime livre .... Classificação dos ciclos limite ...... OBTENÇÃO DA TRAJECTÓRIA ..........................81 3...................................................82 3.. FUNÇÃO DE LYAPUNOV DE SISTEMAS LINEARES ....................... PROBLEMAS RESOLVIDOS .......88 3....................... Teorema de Lyapunov (estabilidade local) . Função de Lyapunov ...................... ESTABILIDADE DE SISTEMAS NÃO AUTÓNOMOS .......................4.............3.......4........6....................................93 3........................ ESTABILIDADE PELA LINEARIZAÇÃO ..............1..........................5............................... CICLOS LIMITE .. EXISTÊNCIA DE FUNÇÕES DE LYAPUNOV ..................... Métodos analíticos ........66 3..............................................................................3....................... INTRODUÇÃO .......................8.........76 3...4...................................1...........3.......................82 3............9............4......69 3..91 3...........3... Teorema de Lyapunov (estabilidade global) ...............2...92 3.................... Teoremas sobre instabilidade...............................6.....................................................................1.................................................................10.......5............................1...... ponto de equilíbrio estável...... O método da linearização para sistemas não autónomos.................................3.......62 3.. Motivação...89 3......................................................43 2......................................1....8........................6...................44 2.............9.....3...........9........2......2.......2..................................................................3...............................94 3.................2........ estabilidade exponencial..................56 2.43 2................84 3........ PONTOS DE EQUILÍBRIO E ESTABILIDADE ................. Método directo de Lyapunov para sistemas lineares não autónomos........................5........................ Teoremas de Lyapunov para sistemas não autónomos ........................................4...........................................49 2...............2............7.... Definição ..................................... Métodos gráficos ..........................................................98 3............................................................................................................................88 3...2.............................2... PROBLEMAS PROPOSTOS ......70 3.......... Funções positivas definidas...........................9.....................................................

..142 5.....11.9.......................................................114 4..10.... INTRODUÇÃO........11.1.............................................................160 6............2..............................1......... Critério do círculo.....122 5......................1................ .........................................1.........................159 6.. SISTEMAS DIFUSOS E REDES NEURONAIS.........................................116 5....... 133 Gradiente................................... PROBLEMAS RESOLVIDOS ...... Critério de Popov .......2.........6..............................................3............................................................ 5..............................................................4...........3.............................1.....................131 5... 134 Derivada de Lie...............................................................................2.2..................... A dinâmica interna .............................................127 5......................................................................3...................1...................................................2................1.. Conjuntos e sistemas difusos .................. Teorema de Frobenius....1........7................160 6.....................5.... 5...2................ 5. 5...........................2.........2......................................................... Exemplo de linearização e controlo por realimentação ............. Conceitos e aplicações ................146 5......................... 160 Propriedades fundamentais ........................... 138 5......................... 5...............................................................................6.................................2....3..120 5......................................................2................1.............................. PROBLEMAS PROPOSTOS ..3................................ 136 Propriedades do parêntesis de Lie..............5.................. 164 6..146 5............................1............. 133 Jacobiano ................. UMA PRIMEIRA ABORDAGEM ....................................................................................1...........................2..............8..................................................................111 4.................... FUNÇÃO DESCRITIVA DE NÃO LINEARIDADES CORRENTES.....................................................................105 4...............................................1.........3.2..................... LINEARIZAÇÃO ENTRADA-ESTADO............................2.... Algoritmo para realizar a linearização entrada-estado........................1..... Definições .....................................4....... ESTABILIDADE ABSOLUTA ................. PROBLEMAS PROPOSTOS ..........................................3.....2......................................................1....................139 5.. Grau relativo bem definido .........1..........123 5.........2........................ O FORMALISMO DA GEOMETRIA DIFERENCIAL ........160 6..................5.................................... PROBLEMAS PROPOSTOS ........143 5........................................................................................................1..... Condições para efectuar a linearização entrada-estado ........................3....................2.....................................................1............. A dinâmica zero.................................................1..........................................5.7..1................. 135 Parêntesis de Lie ....................................11..........................................................2...........99 3.....1....... PROBLEMAS RESOLVIDOS .............. 5........................................ .....................................................................................................................................2............................104 3..............................................109 4...................................................2.........3......................... 163 Variáveis ....................................4.......164 vi ......6....................141 5.............................1.....1...........1.... ESTABILIDADE PELO MÉTODO DA FUNÇÃO DESCRITIVA............................. Lógica difusa .3..........................................................................................................................159 6.......... Grau relativo indefinido ... CONJUNTOS E LÓGICA DIFUSA ..........................101 3..........................................................119 5............... Sistema linear com realimentação não linear.........1....................... PROBLEMAS RESOLVIDOS ..............................................2..............................2.........3..... 5..........................11....................1......... CONTROLO INTELIGENTE ....................................2................................................. 5.. Dinâmica interna de sistemas lineares...................................12...............................................................110 4............2...........148 5.............141 5................2... Definição de linearização entrada-estado ................................ Sistemas na forma companheira .......119 5......................2.........2........3............1.....133 5.... 134 Aplicações da derivada de Lie ....129 5............. 6.4........ Campo vectorial ..................158 6.................. 133 Produto interno........................................................2.133 5..1.. MÉTODO DA FUNÇÃO DESCRITIVA .13..........................2................ LINEARIZAÇÃO EXACTA POR REALIMENTAÇÃO ...................4........................125 5...............................103 3............. Linearização entrada-saída .....................1..............2...2. Linearização entrada-estado.. 133 Campo covectorial ........... 6.........4.................... Introdução .................... 5................. FUNÇÃO DESCRITIVA ....................147 5.............. 137 Difeomorfismos ........1.....99 3......................109 4.............. LINEARIZAÇÃO ENTRADA-SAÍDA ...2.................................

........................ Conceitos e definições . MOVIMENTO DE DOIS CORPOS COM FORÇAS CENTRAIS .................174 6.................................206 8..4.................................... 177 A rede de base radial........................................205 8. 167 6.....................5. CONSTANTES MATEMÁTICAS ......................................2........ CONSTANTES..........208 8.......3................................... OSCILADOR DE RESISTÊNCIA NEGATIVA...............................................201 7.............206 8...................... 180 6..............4 Limites ......................1............6...................................................................................3.1 Álgebra elementar ........................................205 8....................................... 183 Treino da rede .............................................206 8...............................................199 7...170 6................................................................2...............188 7.......... Número de camadas .......... FORMULÁRIOS E TABELAS.................................................................. INTERACÇÃO ENTRE ESPÉCIES ANIMAIS .........3......................................5...........6 Trigonometria..........3...............................6........................... 6..... REDES NEURONAIS ....................................1................. TRANSFORMADA DE LAPLACE UNILATERAL ..............................................................211 8............................. 181 Funções de activação .....184 6......................................189 7..............2..........................3.....................3........ 165 Regras if-then..............3................................................6....................3 Electrotecnia ...................211 8................................................ .......177 6.........215 vii ..... 6.....................2..211 8..........7 Derivadas ..................4.. 182 Funcional de custo ......3....................................1....................207 8....181 6...........5...................................5..........................2 Mecânica dos fluidos.............3.2............................................ CONSTANTES FUNDAMENTAIS DA FÍSICA . Projecto de um controlador difuso........ PÊNDULO SIMPLES ................................ 184 Dados de entrada /saída.................................1..............................................................................................3................................................................. 181 Número de unidades....................................8 Integrais indefinidos.................3......................................................................... REACTOR QUÍMICO CONTINUAMENTE AGITADO .2....................................................3...............4..............................................................1..3........................189 7..................................................................4.............3........... Operações.......3................................................2......................................................1............................................202 8...................196 7...3.1................................................ Controlo preditivo.........177 6..........2...................2.....................3............................................... Regras de inferência.....206 8........................206 8.............................. 6........................................... 185 6.............. 6...................3....................................... A RNA como aproximador universal...205 8......................................3.................3..... FORMULÁRIO DE FÍSICA ..................................................................................2..........3............3......................181 6.........209 8.......................................................207 8......................................................................................................................................................3..........................3.......... Estrutura de uma rede......5............................................................................................................................................4............................ 6........................... A rede multicamada ...........3........2 Tabelas de TL ......................................................... SISTEMA MASSA-MOLA-AMORTECEDOR ......................210 8.....2 Logaritmos e exponenciais ....................213 ÍNDICE.3..183 6............................1 Propriedades da TL.....................1 Mecânica dos sólidos ........3 Geometria....3....................209 8..................5.3....5..............................................2.......4............................................................................. Identificação do Processo.............................................................. EXEMPLOS DE SISTEMAS NÃO LINEARES .................................................. Obtenção dos parâmetros da rede .................................. Controlo difuso do satélite no Matlab...................................................................... FORMULÁRIO DE MATEMÁTICA ........................3.................. 6..4...................... 6.............5.........................192 7..............5 Séries .................207 8..... 184 Estrutura da entrada da rede................ 6.................168 6......5.2... ...........3.............................4.....................6......1......3.......................................................3................................211 BIBLIOGRAFIA ..........................................................................3........................................................................................3............................2..1.....................................

sendo de entre outros de destacar os métodos devidos a Lyapunov (1) Entende-se por controlo não linear o conjunto de procedimentos destinados a fazer com que as variáveis de saída de um sistema não linear se aproximem de uma determinada referência e estabilizem numa vizinhança do seu valor. zonas mortas. por exemplo quando o sistema contém atritos de Coulomb. Introdução O objectivo destes textos é efectuar o estudo de sistemas não lineares e o modo de os controlar. chamadas não linearidades duras.. Quando se pretende controlar sistemas não lineares utilizando os métodos do controlo linear. saturações. 1857-1918. Um sistema designa-se por não linear sempre que na sua constituição intervenha pelo menos um componente ou um sub-sistema não linear. não linearidades muito correntes em processos e sistemas reais. SISTEMAS NÃO LINEARES 1. Por vezes a cadeia de realimentação é projectada não linear. Para este tipo de não linearidades. diagramas de Bode e Nyquist) não são aplicáveis aos sistemas não lineares. Serão apenas estudados sistemas não lineares causais. o desempenho será mau ou mesmo instável. Os sistemas não lineares não satisfazem o princípio da sobreposição.1. o controlo não linear utiliza realimentação. quer da saída quer do estado. em particular a análise em frequência (lugar das raízes. pelo que o seu comportamento depende da amplitude dos sinais que nele intervêm. em particular da sua estabilidade. é necessário usar determinadas técnicas de controlo específicas. Como acontece no domínio linear. etc. contínuos ou discretos. 1 . ou para melhorar certos aspectos do controlo. 1 Aleksandr Mikhailovich Lyapunov. ou para compensar as não linearidades do sistema que está a ser controlado. estes de um modo geral apenas permitem um bom desempenho dentro de uma pequena gama de operação do sistema. folgas. Os métodos clássicos utilizados no estudo dos sistemas lineares. ou então utilizar uma cadeia de realimentação negativa que faça com que o sistema em cadeia fechada se comporte como linear (linearização por realimentação). quer sejam variantes ou invariantes no tempo. Fora dela.1. Matemático e Engenheiro Russo. para gerar um sinal de controlo que vai actuar sobre o processo. Há assim necessidade de recorrer a outros métodos para proceder ao estudo destes sistemas. Nestes casos torna-se necessário considerar o sistema linearizado em torno de determinados pontos de funcionamento usando parâmetros de controlo específicos para cada ponto (“gain schedule”) e ajustar os parâmetros automaticamente (controlo adaptativo). Nem sempre é possível linearizar o sistema em torno de um ponto de funcionamento.

sistemas geológicos. Salvo algumas excepções. por exemplo económicas e físicas. Este estudo limitar-se-á a sistemas em que seja possível quantificar as variáveis e os parâmetros que os definem. que os processa e os envia para o seu exterior. mais ou menos simplificado.. • A partir da observação das variáveis em jogo e da sua análise. químico ou outro tipo. etc.SISTEMAS NÃO LINEARES Normalmente.2. sistemas matemáticos. o projecto de sistemas não lineares. os sistemas que aqui vão ser considerados dispõem de pelo menos uma variável de entrada. Este é uma representação do sistema em estudo. envolvendo ao mesmo tempo variáveis de diversas áreas. e pelo menos uma variável de saída. Pág. quantificável. Para uma definição matemática de sistema consultar o livro de E. sistemas químicos.: 2ª lei de Newton). Sistema (mundo real) Modelo 1 Modelo 2 . Por vezes um sistema pode ser misto. Com base nesta definição de carácter bastante genérico. para cada sistema. Podem assim considerar-se sistemas económicos. 2 – Escola Superior de Tecnologia de Setúbal – Controlo Não Linear – Gustavo da Silva . por vezes realizam-se modificações nos processos que introduzem melhorias significativas no controlo. Classificação dos Sistemas De uma forma genérica chama-se sistema a um conjunto de elementos organizados de modo a constituírem um todo científico unitário ou um corpo doutrinal.. referido na bibliografia. em que as variáveis serão grandezas de carácter físico. físico. em que se estuda a relação entre variáveis de interesse na economia. de modo a permitir uma melhor compreensão dos fenómenos que se estão a passar. obriga a um contacto mais estreito com a física e a química associadas aos sistemas que irão ser controlados. eventualmente nenhuma. como por exemplo pressões e caudais. que recebe sinais. pelo que para estes casos se pode apresentar a seguinte definição: Sistema é toda a entidade de carácter matemático. Sontag. A modelização de um sistema pode ser mais ou menos elaborada. Ao efectuar-se o estudo do comportamento de um sistema torna-se quase sempre necessário construir um modelo. • Por processo misto. do seu dimensionamento e inclusivamente poderá fazer-se uma nova escolha das variáveis manipuladas. sistemas físicos. tais como a mudança do local físico dos actuadores.1 . existem sistemas em todas as áreas do conhecimento. 1. Modelo N (mundo formal) Estruturas matemáticas simplificadas A obtenção do ou dos modelos de um sistema pode ser feita de diversos modos: • A partir do conhecimento dos fenómenos em causa (ex. por meio de uma estrutura matemática. Poderá haver mais do que um modelo. consoante a finalidade.

ao contrário de um sistema estático.2. • O valor das saídas depende da estrutura do sistema. d(t ). Sistemas relaxados e não relaxados. 1. Sistemas causais e não causais. nos tratados de índole matemática). Sistemas determinísticos e estocásticos. Um sistema dinâmico. o sistema diz-se dinâmico. pelo facto da saída depender de valores tomados noutros instantes.1. por vezes desconhecidas. podendo eventualmente não haver entradas. u(t ). 3 . Perturbações d(t) Saída y(t) [1×q] Entrada SISTEMA NÃO LINEAR Fig. ou dos seus valores integrados. das entradas u(t). quando muito.1. 1.1) É costume efectuar a classificação dos sistemas de acordo com os seguintes critérios: 1. No sentido matemático. de perturbações adicionais d(t).1.SISTEMAS NÃO LINEARES De uma forma compacta. Sistemas de parâmetros distribuídos e de parâmetros concentrados. Escola Superior de Tecnologia de Setúbal – Controlo Não Linear – Gustavo da Silva – Pág. Sistemas variantes no tempo e invariantes no tempo. e do próprio tempo t: y (t ) = T [x (t ). t ] • • • • • • • • • Sistemas estáticos e dinâmicos. possui memória. Sistemas lineares e não lineares. caracterizada pelas variáveis de estado x(t). no interior do qual se indica a propriedade que o caracteriza. Caso y(t) dependa de variações da entrada ou da saída. Sistemas contínuos e discretos. é costume representar graficamente um sistema por meio de um rectângulo. e os sinais de saída por y. Sistemas estáveis e instáveis. da entrada u(t) no mesmo instante t.1 – Representação gráfica compacta de um sistema Em relação a um determinado sistema genérico observe-se o seguinte: • As entradas u(t) e as saídas y(t) podem ser escalares ou vectores. Sistemas estáticos e dinâmicos Um sistema designa-se estático se a sua saída y(t). como se indica na Fig. representando os sinais de entrada ou excitação por u (ou por x. um sistema estático é uma aplicação de u(t) em y(t). … (1. depender.

num determinado instante. É comum dar-se como exemplo se um sistema não relaxado um circuito eléctrico contendo um condensador carregado. poderão ser não causais: por exemplo a deformação de uma viga dependerá dos esforços à sua esquerda e à sua direita (coordenada x. Sistemas relaxados e não relaxados Um sistema diz-se relaxado.2. outras são fundamentalmente diferentes. se não tiver energia armazenada. respectivamente). Sistemas cujas entradas sejam variáveis que não sejam o tempo. Pelo contrário. 1. num determinado instante inicial.3. O processamento de sinais num computador é essencialmente discreto.2. Sistemas de parâmetros distribuídos e de parâmetros concentrados Um sistema de parâmetros distribuídos é todo aquele em que pelo menos um dos seus parâmetros característicos depende de pelo menos uma coordenada espacial. um circuito RLC que trabalhe com um sinal de 10 MHz. de tal forma que essa dependência se reflicta nas características do sistema. 1. 4 – Escola Superior de Tecnologia de Setúbal – Controlo Não Linear – Gustavo da Silva . salvo algumas excepções. Sistemas causais e não causais Um sistema diz-se causal se a sua saída. 1. depender apenas das entradas presente e passadas.4. quando o comprimento de onda destes sinais é inferior à ordem de grandeza do comprimento da linha. Para um sistema relaxado e causal o sistema será invariante no tempo se e só se. Os sistemas em tempo real são sempre causais. qualquer que seja d > 0. equiparável a tempos negativos e positivos. Muitas das propriedades dos sistemas discretos são semelhantes às dos sistemas contínuos. No entanto. Pág. pelo que é essencial dominar-se as propriedades de ambos os tipos de sistemas e saber efectuar a conversão de sistemas contínuos para discretos.2) Designa-se por sistema contínuo todo aquele que opera com sinais em tempo contínuo e por sistema discreto todo o sistema que opera com sinais em tempo discreto.2. não dependendo das entradas futuras. a que corresponde um comprimento de onda de 30 m.2. Sistemas contínuos e discretos (1.6. ou em repouso.2. É exemplo clássico de um sistema de parâmetros distribuídos uma linha de transmissão de sinais.1 . y (t ) = T [u(t )] ⇔ y (t − d ) = T [u(t − d )] 1. Os sistemas do mundo macroscópico real. Caso o sistema possua energia armazenada diz-se não relaxado.2. Sistemas variantes no tempo e invariantes no tempo Um sistema diz-se invariante no tempo se as suas características não se modificarem com o decorrer do tempo. será um sistema de parâmetros concentrados. sistemas que trabalhem com sinais gravados poderão ser não causais.5. são contínuos. e vice-versa.SISTEMAS NÃO LINEARES 1.

o que se traduz analiticamente do modo seguinte: T [a1u1 (t ) + a2u2 (t )] = a1T [u1 (t )] + a2T [u2 (t )] (1. 1. 5 . Repare-se que basta a existência de uma variável aleatória para que o sistema seja estocástico. A determinação da estabilidade de um sistema é um dos tópicos mais importantes do controlo de sistemas. Bounded Output) se e só se. Sistemas lineares e não lineares Ao contrário do que se passa com os sistemas lineares.2. que os caracterize sem ser por aquilo a que não obedecem. o sistema é instável. desde que a amplitude da sua oscilação seja limitada. com o objectivo de poder controlar. de um modo geral. 1. que é a de satisfazerem o princípio da sobreposição.SISTEMAS NÃO LINEARES 1. que não ocorrem nos lineares.2. A ausência de uma propriedade unificadora.7.3. os sistemas não lineares são os que ficam de fora. que poderão conduzir a classificações diferentes: um oscilador não linear (sistema sem entrada. ou mesmo de melhorar o comportamento dos sistemas. Comportamento dos sistemas não lineares A dinâmica dos sistemas não lineares é mais complexa do que a dos lineares.4) As não linearidades podem ser naturais ou artificiais. muito mais rica do que a destes: Há fenómenos que apenas acontecem nos sistemas não lineares. de acordo com a definição que acaba de ser dada é estável. por não obedecerem a este princípio. Um sistema linear é todo aquele que satisfaz o princípio da sobreposição. há outras formas de definir estabilidade de um sistema. As segundas.3) ∀t . a saída for limitada.8. são inerentes a eles. As primeiras estão intimamente associadas aos sistemas. e é. que segundo as definições que se darão adiante é um sistema instável. apenas com saída). como sejam Escola Superior de Tecnologia de Setúbal – Controlo Não Linear – Gustavo da Silva – Pág. 1. Em muitos casos são indesejáveis. são introduzidas intencionalmente. Como se verá adiante no capítulo 3.2. || u(t ) || < M u < ∞ ⇔ || y (t ) || < M y < ∞ Se existir pelo menos um valor de u(t) que torne a saída infinita. Sistemas estáveis e instáveis Um sistema diz-se estável (estabilidade BIBO – Bounded Input. qualquer que seja a sua entrada limitada. No caso contrário o sistema diz-se determinístico. que são caracterizados por possuírem uma propriedade comum. uma vez que nos problemas de Engenharia é essencial que os sistemas mantenham a saída dentro de determinados limites.9.1. Sistemas determinísticos e estocásticos Um sistema diz-se estocástico sempre que processe variáveis aleatórias. Analiticamente pode escrever-se: (1. torna a sua sistematização mais difícil de fazer do que a dos sistemas lineares.

com amortecimento k|v| função da velocidade: Com velocidades próximas da unidade o amortecimento é maior do que quando as velocidades estão próxima de zero.2 – Resposta do veículo submarino. Designando por v a velocidade do veículo. Note-se que nesta expressão a força de atrito de arrastamento é proporcional. em módulo. Repare-se que o tempo de estabelecimento é maior quando se retira a força propulsora do que quando esta é aplicada. 6 – Escola Superior de Tecnologia de Setúbal – Controlo Não Linear – Gustavo da Silva . Suponha-se m = 1 kg e k = 1 kg m-1 e aplique-se ao veículo uma força de 1.3.SISTEMAS NÃO LINEARES • • • • • • • • • Dependência da amplitude de excitação. ao quadrado da velocidade. 1. Tempo de escape finito. compreende-se bem se o sistema (1. 1.0 Tempo.5) for comparado com o sistema linear equivalente. Caos ou dependência crítica das condições iniciais. 1. de massa m actuado por uma força propulsora u.0 Fig.1 . Dependência crítica dos parâmetros. Dependência de amplitude da excitação Seja por exemplo o modelo do movimento de um veículo submarino. Não unicidade da solução. Pontos de equilíbrio múltiplos. Bifurcações. tendo a direcção oposta a esta. Existência de harmónicas e de sub-harmónicas. segundos 20. o que justifica a assimetria. e que passam a exemplificar-se. u = 1 Pág.1. como se indica na Fig.5) em que k é o coeficiente de atrito. Este ficará sujeito a uma variação de velocidade. onde os dois tempos são iguais. 1.0 N durante 5 segundos. Este fenómeno que não acontece nos sistemas lineares.0 Velocidade m/s y(t) u(t) 0 5. a equação do movimento é representada por: mv + k v v = u (1.2. Ciclos limite ou oscilações.

5.5 c = 0. Tempo de escape finito Num sistema linear instável.1.SISTEMAS NÃO LINEARES Aplique-se agora ao sistema uma força propulsora semelhante. A solução atinge o valor infinito num intervalo de tempo finito.7) A solução desta equação encontra-se representada na Fig. para estes dois casos por u = 1. Escola Superior de Tecnologia de Setúbal – Controlo Não Linear – Gustavo da Silva – Pág. a resposta.4.3 – Resposta do veículo submarino. alguns sistemas não lineares podem atingir o valor infinito num intervalo de tempo finito. 1. ou ainda. 1. Também neste caso os tempos de estabelecimento a subir e a descer são diferentes.2m / s (1. mas de amplitude u = 10 N (Fig. As velocidades de estabilização do sistema podem ser obtidas.3). por muito rapidamente que tenda para infinito.0 ⇒ vs = 1. u = 10.0m / s v = 0 ⇒ 0 + vs vs = 10 ⇒ vs = 10 ≈ 3. para t > 0 a = 0. Em contrapartida.3. 1.0 1.2 m/s e não em 10 m/s como aconteceria se o sistema fosse linear. em que a taxa de crescimento não é constante mas aumenta com x(t): x (t ) = a (1 + x (t ) ) x (t ) c (1. 7 . u(t) 10. com a > 0 e c > 0.0 Tempo.2. segundos 20. Considere-se o seguinte modelo de crescimento.6) Este exemplo permite compreender como é que o comportamento de um sistema não linear pode depender da amplitude dos sinais em jogo.0 Velocidade m/s y(t) 0 5. que apresenta um tempo de escape finito.5 e x(0) = 0.0 N : u = 10 N : v = 0 ⇒ 0 + vs vs = 1. A velocidade do veículo aumenta e tenderá a estabilizar em 3. Diz-se que o sistema tem uma singularidade na solução. demora um tempo infinito a atingir este valor.0 Fig.

ou seja. xe = 0. variante de (1.7) com a < 0 e c < 0. 1. Note-se a existência de uma singularidade na solução que se inicia em xe > 1.3. a solução desta equação é xe(t) = 0. tais pontos obtêm-se resolvendo a equação homogénea A xe = 0. Pág. Repare-se que o ponto de equilíbrio xe = 0 é estável. distintos da origem. Exemplo 1 Seja o sistema de 1ª ordem representado pela equação x(t ) = [ x (t ) − 1] x (t ) (1. admite como pontos de equilíbrio xe1 = 0 e xe2 = 1.8) Este sistema. as trajectórias iniciadas na sua vizinhança não se afastam dele. o único ponto de equilíbrio é a origem. A sua resposta tem um comportamento diferente.4 – Tempo de escape finito 1.5. ou seja. como se mostra nos exemplos que se dão a seguir. ou seja. for regular.5 1. Num sistema linear. enquanto que o ponto de equilíbrio xe = 1 é instável. poderá haver outros pontos de equilíbrio. Pontos de equilíbrio múltiplos Designam-se pontos de equilíbrio aqueles em que todo o estado que nele se inicia permanece inalterado: x(t) = xe.3. Se a matriz do sistema. definido pela equação de estado x = A x . Um ponto de equilíbrio pode variar no tempo. consoante seja iniciada na vizinhança do estado xe = 0 ou xe = 1. 1. Tratando-se de sistemas não lineares. como se pode observar na Fig. Uma trajectória que se dirija para um ponto de equilíbrio deste tipo pode cruzar-se com ela própria. 8 – Escola Superior de Tecnologia de Setúbal – Controlo Não Linear – Gustavo da Silva .1 .0 tempo [s] Fig.SISTEMAS NÃO LINEARES resposta 50 0 0 0. A.

sem amortecimento.SISTEMAS NÃO LINEARES x(t) 1 0 t Fig.12) Há pois uma infinidade de pontos de equilíbrio.  x1e   kπ  x  =  0   2e    k = 0. Escola Superior de Tecnologia de Setúbal – Controlo Não Linear – Gustavo da Silva – Pág. Um estudo detalhado do pêndulo é feito adiante na secção 7.5 – Resposta de um sistema não linear Exemplo 2 Considere-se o movimento do pêndulo ligado a uma haste rígida. dos quais são fisicamente distintos x1e = 0 e x1e = π.11) (1. ± 2. conduz a  x1 = x2  (1.2. descrito pela equação diferencial θ = − g senθ (1. (1. ± 1. sendo o primeiro ponto de equilíbrio estável e o segundo instável.9) A introdução das variáveis de estado x 1 = θ (posição angular) e x2 = θ (velocidade angular). 9 . 1.10)  g  x2 = − sen x1  Os pontos de equilíbrio obtêm-se fazendo x1 = 0 e x2 = 0 .1. o que conduz a  0 = x2 e   g 0 = − sen x1e  ou seja.

que ∂F ( x ) ∂x seja contínua numa vizinhança de x0.16) seja única.13) (1. Dependência crítica dos parâmetros A estrutura das soluções de um sistema não linear pode ser fortemente dependente dos valores que possa tomar um parâmetro do sistema.6 representam-se as soluções do sistema para dois valores diferentes de µ. Não unicidade da solução Seja agora o sistema não linear descrito pela equação de estado x = x3 Trata-se de uma equação de termos separáveis.14) Seja agora o sistema de 1ª ordem descrito por uma equação de estado do tipo  x = F ( x)   x (0) = x0 (1.1 .SISTEMAS NÃO LINEARES 1.4. 1. que pode ser escrita na forma x 3x = 1 Esta equação admite as duas soluções seguintes: 2 3 x(t ) = ( t ) 2 3 e x (t ) = 0 (1. 1.3. Considere-se o sistema descrito pelas equações de estado  x1 = µ x1 + x2 − x13   x2 = − x1 (1. Na Fig.13) não satisfaz a esta condição em x = 0. Pág. 10 – Escola Superior de Tecnologia de Setúbal – Controlo Não Linear – Gustavo da Silva . como se exemplifica a seguir. O sistema (1.5. Para µ próximo de zero o carácter das soluções é diferente consoante seja µ < 0 ou µ > 0.16) prova-se que é condição suficiente para que a solução de (1.15) − 1 1 (1.3.17) em que o parâmetro µ ∈ .

segundos 35 40 45 50 -1 -1 -0.8 -0.0.8 1.6.5 -1 0 5 10 15 20 25 30 tempo.5 2 x0 = [2. Escola Superior de Tecnologia de Setúbal – Controlo Não Linear – Gustavo da Silva – Pág. Com α positivo o sistema é sempre estável.2 1 amortecido 0.4 1 resposta x´1 Ciclo limite 0. O sistema (1. havendo uma mudança qualitativa no comportamento para α = 0.18) admite 3 pontos de equilíbrio: xe = α . como a exemplificada a seguir.5 x 0 -0.5 0 0. Seja o sistema x + α x + x3 = 0 (1.5 0 -0.5 0.4.4 -0.5 -0.2 0.2 0 -0.3.1.4 x´1 0.6 0.8 1. xe = .5 x1 1 1. 0] 2 µ = + 0.4 e em 7.5 0.3).5 x1 1 1.6 – Dependência crítica dos parâmetros 1.4 -0.5 2 -1 0 5 10 15 20 25 30 tempo.1 TRAJECTÓRIA NO ESPAÇO DE FASES 1 0. 11 . Bifurcações Designa-se por bifurcação uma dependência crítica nos parâmetros particular.8 -1 -1 -0. 0] 2 µ = .α xe= 0.5 0 0.SISTEMAS NÃO LINEARES x0 = [2.6 -0.1 TRAJECTÓRIA NO ESPAÇO DE FASES 1 0.6 -0. com α negativo torna-se instável.2 0 -0. segundos 35 40 45 50 Fig.18) A equação pode representar um sistema massa-mola em que a mola é dura (ver definição de mola dura adiante em 1.6 0. 1.

próximas. em que pode acontecer serem as soluções extremamente sensíveis a variações das condições iniciais. x(0) = [2. conhecida por equação de Van der Pol: mx + 2ε ( x 2 − 1) x + kx = 0 (1.1x + x 5 = 6 sen t (1. com amplitude e frequência constantes.7.3. imprevisível. para que se estabeleça uma oscilação de amplitude constante.5 2 1. que entram em oscilação. 1. nos sistemas contínuos.7.5 -1 -1. 3] e x(0) = [2. Seja o seguinte sistema não linear x + 0. a pequenas variações nas condições iniciais correspondem pequenas variações na resposta. estão representadas na Fig. Há no entanto determinados sistemas.7 – Dependência crítica das condições iniciais 1. 12 – Escola Superior de Tecnologia de Setúbal – Controlo Não Linear – Gustavo da Silva .5 1 0. não lineares. sendo na prática impossível de conseguir.5 -2 -2. A este tipo de sistemas dá-se o nome de sistemas caóticos e ao fenómeno em si chama-se caos. é necessário que haja.SISTEMAS NÃO LINEARES 1. invariante no tempo. o que conduz a uma oscilação amortecida ou crescente.8. 3. Tal porém não acontece nos sistemas não lineares. para condições iniciais. x(t) 2. Mas esta condição não é robusta. Considere-se o sistema representado pela equação diferencial.3. pelo menos um par de polos sobre o eixo imaginário.19) As respostas deste sistema.1 . Estas oscilações são designadas por ciclos limite.20) Pág. ficando os polos ligeiramente à esquerda ou à direita do eixo imaginário. sendo a saída.01]. Ciclos limite ou oscilações Num sistema linear. independentemente do valor inicial do estado.5 0 -0. 1.5 0 5 10 15 20 25 30 35 40 45 t (s) 50 Fig. a partir de certo valor de t. Caos ou dependência crítica das condições iniciais Nos sistemas lineares estáveis. respectivamente.01.

entrava-se no regime amortecido. será amplificada até que x atinge o valor 1. estando agora o amortecedor a fornecer energia ao sistema: toda a oscilação que exista com x < 1.3.1. 1. Também a amplitude de oscilação é independente das condições iniciais x0. Muitas vezes o modelo de estado é obtido a partir de uma ou várias equações diferenciais associadas ao sistema. Escola Superior de Tecnologia de Setúbal – Controlo Não Linear – Gustavo da Silva – Pág. Para x > 1 o coeficiente de amortecimento é positivo estando o amortecedor a retirar energia ao sistema. tem que ser marginalmente estável. Uma outra diferença para os sistemas lineares (marginalmente estáveis) é que a forma da oscilação não é necessariamente sinusoidal. 1.4. Escrita das equações Uma das formas correntes de hoje em dia representar um sistema é através do seu modelo de estado. Tais constituintes são designadas por harmónicas e sub-harmónicas da frequência do sinal de excitação. Consideram-se a seguir alguns tipos genéricos de sistemas: • • • • Sistemas mecânicos clássicos. Sistemas eléctricos. Mas como é que se obtém essas equações diferenciais? A resposta é simples: a partir do conhecimento rigoroso da física/química do sistema. A partir daí. sabendo as suas características é possível escrever relações entre as suas variáveis. Existência de harmónicas e sub-harmónicas Num sistema linear. Isto faz com que se estabeleça uma oscilação de amplitude x = 1. com a mesma frequência. Sistemas químicos. depende da amplitude da oscilação.9. para oscilar.3. em que o coeficiente de amortecimento b = 2 ε (x2 . 13 . em que o sistema. podendo o estado (ou a saída) ser uma oscilação contendo frequências múltiplas e sub-múltiplas da frequência do sinal sinusoidal de excitação. Qualquer oscilação que exista com x > 1 será amortecida. Sistemas térmicos. Aqui a amplitude das oscilações não depende de pequenas variações nos parâmetros do sistema. Para saber mais detalhes sobre ciclos limite ver adiante a secção 2. Num sistema não linear tal poderá não acontecer. Repare-se que o fenómeno é diferente do que acontece nos osciladores lineares.SISTEMAS NÃO LINEARES Esta equação é equivalente à de um sistema massa-mola-amortecedor.1). Para x < 1 o coeficiente b é negativo. se x continuasse a aumentar. uma excitação sinusoidal conduz a uma resposta também sinusoidal.

e dada por: 1 2 T = ∑ mk vk (1.21) (1.1 . com momento linear associado a cada massa dado por p k = mk rk . posições angulares. Sistemas mecânicos clássicos Nos sistemas mecânicos clássicos (ou newtonianos) a escrita das equações passa por: 1º Identificar o sistema em causa e o referencial em uso. P. 1.4. com acelerações rk . angular) e referenciar as variáveis em jogo. velocidades angulares.23) N e = ∑ rk × fke (1.4. Sem entrar com a energia externa ao sistema. 3º Identificar e referenciar todas as forças e momentos do jogo. é igual ao momento em relação a O das forças exteriores: dL = Ne dt com L. velocidades. 14 – Escola Superior de Tecnologia de Setúbal – Controlo Não Linear – Gustavo da Silva .2.24) Por vezes é conveniente considerar a energia do sistema. utilizando os dois teoremas fundamentais da mecânica. o teorema do momento linear pode enunciar-se: A derivada em ordem ao tempo do momento linear do sistema. 4º Relacionar as variáveis. Fe dP = Fe dt em que P = ∑ p k = ∑ mk rk e Fe = ∑ fke (1.22) 1. como sejam as posições.3.25) 2 Pág.SISTEMAS NÃO LINEARES 1. Teorema do momento linear Para um sistema constituído por massas mk localizadas por rk . aceleração.4. é igual à resultante das forças exteriores aplicadas ao sistema.1. dado por L = ∑ rk × p k e (1. momento angular. 2º Identificar o tipo de movimento (linear. etc. há habitualmente a ter em conta a energia cinética associada ao facto das massas mk se encontrarem em movimento com velocidade vk. sujeitas a forças exteriores fek . Teorema do momento angular Este teorema tem uma forma semelhante ao anterior: A derivada em ordem ao tempo do momento angular de um sistema em relação a um ponto O. o do movimento linear e o do movimento angular.

por fornecer relações pré-conhecidas entre estes os elementos.27) (1. k3 < 0 mola macia e k3 > 0 mola dura.29) k1 x + k3 x 3 = F k a x + kb x x = F Para a mola convirá distinguir três casos: k3 = 0 kb = 0 mola linear. representando por x a posição.1. e consequentemente poderem mudar a sua posição e o seu estado de movimento. a mola e o amortecedor.28) (1. da altura a que se define a energia potencial zero. 15 . Esta representação facilita a escrita das equações.4.SISTEMAS NÃO LINEARES e a energia potencial. 1. 1. Muitas vezes os sistemas mecânicos representam-se por um conjunto de elementos discretos concentrados como se indica a seguir.8. massa mola amortecedor Fig.4. Escola Superior de Tecnologia de Setúbal – Controlo Não Linear – Gustavo da Silva – Pág.8 – Representação da massa. dão origem a: Massa: Mola: Amortecedor: mx = F e (1.26) em que g representa a aceleração da gravidade e hk a altura a que a massa mk se encontra da posição de referência. são representados pelos símbolos da Fig. Para o amortecedor há dois casos distintos: atrito viscoso. associada ao facto das massas estarem a ser sujeitas a uma força. da mola e do amortecedor Para estes casos as expressões anteriores. 1. Movimento linear A massa. Para a força de atracção terrestre a energia potencial é dada por U = g ∑ mk hk (1. ou seja. ka = 0 e kb > 0 atrito quadrático. associada ao facto.

5º Utilizar a lei dos nós e a lei das malhas para escrever as equações em jogo. 16 – Escola Superior de Tecnologia de Setúbal – Controlo Não Linear – Gustavo da Silva . 3º Referenciar as tensões e correntes eléctricas em jogo.1 . transístores. etc.33) a (1. consoante o caminho que se siga. caracterizado pela capacidade C. sendo a sua posição angular representada por θ e o binário de actuação por T: Massa em rotação: Mola em torção(a): Amortecedor rotativo(a): (a) J θ = TJ k (θ − θ 0 ) = Tk Bθ = TB (1. R e C não dependem de i ou de v. A massa em rotação é caracterizada pelo momento de inércia J. em que L = L(i).5.35) De uma forma geral. Pág.6. 2º Identificar os componentes em jogo: resistências. Para uma resistência.4.34) e para o condensador. apenas os parâmetros que os caracterizam são diferentes.32) Apenas se indicam os termos lineares. de entre as equações obtidas. com coeficiente de autoindução L.33) v (t ) = L di (t ) dt dv(t ) dt (1. o mesmo não acontecendo com as bobinas. díodos. condensadores. bobinas. 1. tem-se v (t ) = R i (t ) para uma bobina. 6º Finalmente. caracterizada pelo seu valor óhmico R. apresentando saturação e histerese. verifica-se (1. Movimento de rotação Os elementos discretos são os mesmos que os anteriores. i (t ) = C (1. ou o modelo de estado.31) (1.30) (1. AMPOPs.35)]. as variáveis que não interessa apresentar. se o núcleo for ferromagnético. o último passo consiste em eliminar. obtendo-se a equação diferencial do sistema.SISTEMAS NÃO LINEARES 1. Sistemas eléctricos A escrita das equações representativas de um sistema eléctrico passa pelo seguinte: 1º Identificar o sistema e os objectivos a alcançar. 4º Relacionar as tensões e as correntes em cada componente [ver (1.4.

1.37) Repare-se que ao escrever as equações dos circuitos eléctricos para sistemas não lineares não se podem considerar os sinais alternados sinusoidais. LM – coeficiente de indução mútua. uma vez que aparecem harmónicas. um díodo poderá ser representado por: i i i v v v a) Ideal. L2 – coeficiente de auto-indução do enrolamento 2. 17 .9 – Características de um díodo Escola Superior de Tecnologia de Setúbal – Controlo Não Linear – Gustavo da Silva – Pág. consoante os casos. Muitas vezes considera-se o transformador ideal (resistência dos enrolamentos nula. É preciso fazer intervir as relações entre valores instantâneos das tensões e das correntes. Por exemplo.36) R1 – resistência eléctrica do enrolamento 1. em que se representa por n1 e n2 o número de espiras dos enrolamentos. ficando neste caso.  v2 (t ) n2 =   v1 (t ) n1  n1i1 (t ) + n2i2 (t ) = 0 (1.SISTEMAS NÃO LINEARES Quando existe um transformador no circuito a relação entre as correntes e as tensões é. R ≠ 0 c) Real Fig. ligação magnética perfeita e coeficientes de indução infinitos). Para outros componentes. arbitrando os sentidos das tensões e correntes de forma a que energia seja positiva quando a entra no transformador: di1 (t ) di2 (t )  v1 (t ) = R1i1 (t ) + L1 dt + LM dt   v2 (t ) = R2i2 (t ) + L2 di2 (t ) + LM di1 (t )  dt dt  em que (1. L1 – coeficiente de auto-indução do enrolamento 1. a relação entre as tensões e as correntes dependerá da finalidade do modelo e da precisão exigida. R = 0 b) Ideal. R2 – resistência eléctrica do enrolamento 2. 1.

a) Calor específico.7. Sistemas Térmicos Há um determinado número de sistemas que põem em jogo grandezas termodinâmicas.380 658 × 10-23 J K-1.10b. relés. 1.1 . KB = 1. Para o seu estudo convirá o conhecimento dos conceitos indicados a seguir.SISTEMAS NÃO LINEARES O díodo é um elemento essencialmente não linear.10a). à quantidade de energia que é necessário fornecer à massa unitária dessa substância para que a sua temperatura aumente de uma unidade: dQ = mC dT (1.39) Pág.38) is – corrente inversa de saturação. que se encontra representado graficamente na Fig.602 177 × 10-19 C. 1.10 – Transistor de junção pnp Há mais alguns elementos eléctricos utilizados em controlo. q – carga eléctrica do electrão.4. VEC E IE → VEB ↑ IB B IC ← VCB C E IE → αIIC P VE -IE0 N N αNIE VC P -IC0 IC ← C ↑ IB B a) Representação simbólica b) Modelo de Ebers-Moll Fig. tiristores. KB – constante de Boltzmann. rectificadores (de meia onda e de onda completa). etc. C. 1. q = 1. Chama-se calor específico de uma substância. 1. A relação entre a corrente i e a tensão v num díodo é dada por: i = is (e em que − qv K BT − 1) (1. as relações entre as suas tensões e correntes podem ser representadas pelo modelo de Ebers-Moll. T– temperatura absoluta a que se encontra a junção. 18 – Escola Superior de Tecnologia de Setúbal – Controlo Não Linear – Gustavo da Silva . como amplificadores (com regiões linear e não linear). Quando um circuito contiver como elemento um transístor de junção (Fig.

de forma proporcional ao acréscimo de energia fornecida. À temperatura de 0 ºC começa a dar-se a fusão do gelo. A Fig. é necessário fornecer à massa m uma quantidade de energia mλ1. em que a água entra em ebulição (zona d) da figura). Quando todo o gelo está fundido. C – calor específico do corpo.1. m – massa do corpo. Q = mλ (1.40) O calor latente pode definir-se para a fusão. Para efectuar a sua vaporização completa. É a zona b). à quantidade de energia que é necessário fornecer à massa unitária dessa substância para que haja uma mudança de fase. 1. b) Calor latente Dá-se o nome de calor latente de uma substância. para que a fusão se complete. a água começa de novo a aquecer (zona c)).11 – Calor específico e calor latente Partindo de uma determinada massa de gelo (zona a) da figura).SISTEMAS NÃO LINEARES Q – quantidade de energia (ou calor) em jogo. 19 . A temperatura sobe à medida que se fornece calor. T – temperatura. sendo a relação de proporcionalidade por unidade de massa igual ao calor específico do gelo. λ. temperatura 100 ºC 0 ºC a) gelo b) gelo +água c) água d) água +vapor e) vapor Q/m λ1 calor latente de fusão λ2 calor latente de vaporização Fig. A temperatura não varia durante a fusão. até se atingir a temperatura de 100 ºC. sem que haja variação de temperatura. 1. quando. para a vaporização e para a sublimação. O calor específico pode ser definido a pressão constante (designa-se por Cp) ou a volume constante (designa-se por Cv) e depende da temperatura. Se esta for lenta e a mistura água / gelo homogénea.11 mostra a relação entre a temperatura e a quantidade de calor fornecida a uma massa unitária de gelo/água/vapor. é necessário fornecer-lhe uma quantidade de calor igual a mλ2. a temperatura varia numa larga gama. Escola Superior de Tecnologia de Setúbal – Controlo Não Linear – Gustavo da Silva – Pág. à medida que a esta se fornece energia térmica a sua temperatura vai subindo.

1 . embora ligeiramente acima. na unidade de tempo. 1. isto é.12. constante dos gases. para representar determinados fenómenos físicos ou químicos utilizam-se os chamados esquemas eléctricos equivalentes. Exprime-se em W/ºC. Sejam ∑A e ∑B duas superfícies às temperaturas TA e TB respectivamente. da superfície ∑A para a superfície ∑B. utilizando-se então outras expressões mais adequadas a cada caso.41) em que n é o número de moles do gás e R= 8. e admita-se TA > TB ∑B ∑A PAB TA TB Fig. Designa-se por gás perfeito todo aquele em que as variáveis termodinâmicas pressão. d) Esquema eléctrico equivalente Por vezes. p. e temperatura. como se indica na Fig.SISTEMAS NÃO LINEARES Durante a vaporização a temperatura mantém-se constante. o fornecimento de mais calor conduz a uma nova elevação de temperatura. entre as superfícies ∑A e ∑B. seguindo um andamento muito próximo do indicado. Quando toda a água se encontra vaporizada. Considere-se por exemplo um meio material através do qual se está a efectuar uma determinada transferência de calor por condução. proporcional ao acrescimo de calor. volume. é dada por PAB = Gθ AB (TA -TB ) (1.314 JK-1mol-1 uma constante universal. T. o sistema apresenta histerese.42) em que o parâmetro Gθ AB é designado por condutância térmica do material.12 – Transferência de calor entre duas superfícies isotérmicas A quantidade de calor transmitida. c) Gás perfeito. estão relacionadas pela expressão pv = nRT (1. A este vapor dá-se o nome de vapor sobre-aquecido. 20 – Escola Superior de Tecnologia de Setúbal – Controlo Não Linear – Gustavo da Silva . Retirando agora energia térmica ao sistema a temperatura diminui. 1. Pág. v. O vapor existente nesta fase designa-se por vapor saturado. sendo a relação de proporcionalidade o calor específico do vapor. Muitas vezes não é possível representar o gás pela expressão acima.

43) podem representar-se graficamente pelo esquema da Fig.42) tem o nome de lei de ohm térmica. sendo necessário jogar com vários parâmetros para. Sistemas químicos Normalmente um sistema químico contém dois ou mais produtos que postos em presença reagem entre si.4.SISTEMAS NÃO LINEARES A expressão (1. por exemplo. 1. R TA θAB TB PAB Fig. Quase sempre as velocidades de reacção dependem da temperatura e da pressão.1.13 – Representação de uma resistência térmica. por unidade de tempo. Quando as reacções são exotérmicas. com absorção ou libertação de energia térmica. V – volume da mistura no reactor. a fim de garantir que a temperatura necessária ao desenvolvimento das reacções se mantenha.44) Escola Superior de Tecnologia de Setúbal – Controlo Não Linear – Gustavo da Silva – Pág. Para se obterem as equações representativas de um processo químico recorre-se normalmente ao balanço de massa e ao balanço de energia. há necessidade de fornecer energia ao sistema.43) Ao parâmetro Rθ AB = 1/ Gθ AB dá-se o nome de resistência térmica do material e exprime- se em ºC/W. As equações (1. Acontece que de um modo geral as reacções são reversíveis. é necessário tomar as devidas precauções para retirar o excesso de calor produzido. por unidade de tempo. o mk – massa de cada produto que sai. De uma forma genérica o balanço de massas num reactor químico. originando novos produtos.13.42) e (1. (1. ρ – massa volúmica da mistura. Esta expressão pode ser escrita sob a forma (TA -TB ) = Rθ AB PAB (1.8. por ser semelhante à lei de ohm da electrotecnia. 1. quando são endotérmicas. 1. escreve-se: d ( ρV ) = ∑ mi k − ∑ mo k dt k k em que i mk – massa de cada produto que entra no reactor. maximizar a concentração de um determinado reagente. Aqui as temperaturas equivalem às tensões eléctricas e as potências térmicas às correntes. 21 . que correntemente são variáveis manipuladas. expresso pela equação de conservação de massa.

Nos sistemas não lineares. sistema contínuo Chama-se estado de um sistema a um conjunto de variáveis xi(t) que.5. uma vez que envolve a energia associada às massas que entram e saem. xn (t ). t ]    xn t )=f n [ x1 (t ). xn (t ). u1 (t ). . e a partir de um valor inicial xi(t0). em que pode recorrer-se aos domínios transformados s ou z e utilizar as ferramentas dos sistemas lineares. o inconveniente de nada revelar sobre a estrutura interna do sistema nem sobre a evolução das variáveis internas. associada à descrição entrada-saída. u p (t ). pois naqueles as variáveis internas não se podem tornar infinitas sem que tal comportamento seja observado na saída. Tem.45)    o exterior    1. u1 (t ). u2 (t ). Modelo de estado De entre os diversas formas analíticas de representar um sistema linear ou não linear. tal procedimento não revela os modos internos do sistema. x2 (t ). e pelo facto de não se dispôr do conceito de função de transferência.1. para os sistemas lineares não é tão grave como para os não lineares. é mais corrente utilizar-se a representação por meio de modelo de estado.SISTEMAS NÃO LINEARES A equação do balanço de energia é quase sempre mais complexa que a anterior.5. Daí que o modelo de estado deva ser obtido directamente a partir das considerações que levam à escrita das equações do sistema. pelo contrário. u2 (t ). Embora seja possível obter o modelo de estado de um sistema a partir da sua equação diferencial. u p (t ). que afinal não é mais do que uma representação entrada/saída. utilizando um sistema de equações diferenciais escalares de 1ª ordem do tipo  x1 (t )=f1[ x1 (t ). xn (t ). . 22 – Escola Superior de Tecnologia de Setúbal – Controlo Não Linear – Gustavo da Silva . t ]  (1. u2 (t ). . u p (t ). Isto. contínuo ou discreto. t ]   x2t )=f 2 [ x1 (t ). x2 (t ). . Modelo de estado.1 .46) Pág. 1. definem completamente o comportamento desse sistema. salientam-se a descrição entrada-saída e o modelo de estado. x2 (t ). a energia recebida ou perdida por convexão e por radiação. A descrição entrada-saída é mais cómoda de utilizar quando se trata de sistemas lineares. Por esta razão. juntamente com as variáveis de entrada uj(t). e a energia produzida pela própria reacção:  Variação   da energia     acumulada    =  Energia que   entra com     os produtos    −  Energia   que sai com  +    os produtos     Energia   desenvolvida  ±    na reacção     Energia   trocada com  (1. . u1 (t ). . uma ou mais variáveis internas podem divergir para infinito sem que tal seja observado na saída.

. u2 (t ).51) Escola Superior de Tecnologia de Setúbal – Controlo Não Linear – Gustavo da Silva – Pág. . u p (t ). t ) =      f n [ x1 (t ). . u1 (t ). t ] h( x. u p (t ). u p (t ). x2 (t ). u2 (t ). u2 (t ). . xn (t ). Introduzindo os conceitos de vector de estado.48) As equações (1. u1 (t ). u p (t ). x2 (t ).SISTEMAS NÃO LINEARES com  x1 (0)=x10  x (0)=x  2 20    xn (0)=xn 0  (1. xn (t ). u1 (t ). De uma forma genérica existirá a relação  y1 (t )=h1[ x1 (t ). t ) =      hq [ x1 (t ). . u p (t ).47) As variáveis xi(t). xn (t ). . x2 (t ). u p (t ). xn (t ). u2 (t ). Nem sempre as variáveis de saída de um sistema yj(t).50)  h1[ x1 (t ). .48) podem escrever-se de uma forma mais compacta. designam-se por variáveis de estado. u1 (t ). . t ]   (1. u2 (t ). u1 (t ). u2 (t ). t ]   y2 (t )=h2 [ x1 (t ). .1. u2 (t ). t ]    yqt )=hq [ x1 (t ). xn (t ). u1 (t ). . x2 (t ). Dá-se o nome de ordem do sistema ao número mínimo de variáveis suficientes para definir o sistema. x2 (t ). u. coincidirão com as variáveis de estado. . . xn (t ). . xn (t ). x2 (t ). u1 (t ). x2 (t ). 23 .49) e os vectores  f1[ x1 (t ). u p (t ). u1 (t ). vector de entrada e vector de saída respectivamente definidos por  x1 (t )   x (t )  x (t ) =  2       xn ( t )   u1 (t )   u (t )  2  u(t ) =       u p (t )     y1 (t )   y (t )  2  y (t ) =       yq (t )    (1. u2 (t ). u p (t ). u2 (t ). . x2 (t ). xn (t ). x2 (t ). u p (t ). t ]     h2 [ x1 (t ). t ] f ( x. t ]   e (1. xn (t ). u. u1 (t ). . . t ]     f 2 [ x1 (t ). . t ]  (1.46) a (1. .

nas dimensões de u(t) e y(t). 1. t ]  x (0) = x 0  a) (1.52)b) por equação de saída e a equação (1.SISTEMAS NÃO LINEARES podem escrever-se as seguintes equações vectoriais. Single Output). 24 – Escola Superior de Tecnologia de Setúbal – Controlo Não Linear – Gustavo da Silva . O sistema representado deste modo diz-se de uma única variável se tiver uma única variável escalar de entrada e uma única variável escalar de saída. iguais respectivamente a p×1 e q×1.54) Para um sistema autónomo em regime livre tem-se  x (t ) = f [x (t )]   y (t ) = h[x (t )]  x (0) = x 0  (1. u(t ). ou seja. u(t ). q=1). Pág. t ]   y (t ) = h[x(t ).52) podem representar-se graficamente. designadas por modelo de estado do sistema. as dimensões de u(t) e y(t) são iguais a 1×1 (p=1. u ∈ Du ⊂ p . O sistema designa-se multivariável se tiver mais do que uma variável de entrada ou mais do que uma variável de saída. São os chamados sistemas MIMO (Multiple Input. o sistema diz-se não forçado ou em regime livre. Na literatura anglo-saxónica estes sistemas designam-se por sistemas SISO (Single Input. Para um sistema em regime livre tem-se a equação de estado: x(t ) = f [x(t ). ou seja. Multiple Output).52)c) representa o valor inicial do estado (condições iniciais). a equação (1.1 .55) As equações (1. y ∈ Dy ⊂ q e t∈ .53) Sempre que as funções f e h de um sistema em regime livre não dependam explicitamente do tempo o sistema diz-se autónomo.52)a designa-se por equação de estado do sistema. A equação (1. u(t )]  x (0) = x 0  (1. é p>1ou q>1. como se indica na Fig.  x (t ) = f [x (t ).14. u(t )]   y (t ) = h[x(t ). Para um sistema invariante no tempo o modelo de estado escreve-se:  x (t ) = f [x(t ). ou se o valor desta for identicamente nulo.52) b) c) + em que x ∈ Dx ⊂ n . t ] (1. Se não dispuser de nenhuma variável de entrada.

15. 1. Modelo de estado discreto Para sistemas discreto.57) k u(k) g x(k + 1) q-1 x(k) h y(k) Fig.56) b)  y ( k ) = h[x ( k ). u( k ). e em que q-1 representa o operador atraso. definido por q −1[x( k )] = x( k − 1) (1.)dt x(t) h y(t) Fig. 1. k ]  x (0) = x c) 0  que se encontra esquematizado na Fig.2.14 – Modelo de estado de um sistema não linear contínuo 1. O modelo de estado assume assim a forma: a)  x ( k + 1) = g[x ( k ).15 – Modelo de estado de um sistema não linear discreto Escola Superior de Tecnologia de Setúbal – Controlo Não Linear – Gustavo da Silva – Pág. com a particularidade de em vez da variável tempo contínuo t ∈ + se ter o tempo discreto k ∈ +. em vez de uma equação diferencial vectorial de 1ª ordem existe uma equação às diferenças. os conceitos são semelhantes aos apresentados para os sistemas contínuos. vectorial.1.SISTEMAS NÃO LINEARES t u(t) f x (t ) ∫ (. também de 1ª ordem.5. 25 . k ]  (1. 1. u( k ).

Para efectuar a integração numérica deste sistema deve proceder-se do seguinte modo: a) Definir o valor das condições iniciais. calcular o estado no instante posterior. Para a obtenção da solução convirá distinguir o caso dos sistema discretos e o dos sistema contínuos. plot. permite a representação gráfica do estado em função do tempo discreto. ou outro equivalente.5.8. com N-1 iterações x1(k+1)=0. % Condições iniciais N=100.5. cuja solução pode ser obtida de forma recursiva. Quer se trate de sistema contínuos ou discretos.56). % Número de instantes discretos a considerar for k=1:N-1. Este sistema encontra-se em regime livre pelo que u(k)=0. Com efeito este tem a vantagem de efectuar a representação sob a forma de uma equação n-vectorial de 1ª ordem.1x2 ( k )  x2 (0) = 0. end % Fim do ciclo plot([x1' x2']) Note-se que na primeira iteração. 1. Pág. % Início do ciclo. Obtenção da trajectória 1.1*x2(k).8 Resolução Vai utilizar-se o Matlab. x2(1)=0. Como neste programa os índices dos vectores não podem ser negativos nem nulos.1. 26 – Escola Superior de Tecnologia de Setúbal – Controlo Não Linear – Gustavo da Silva . para todo o k (k≥1). que têm que ser previamente discretizados para que se possa obter a solução.1 Sistemas discretos Considere-se o sistema discreto representado pelo modelo de estado (1. e a saída no instante corrente y(k).1. Apenas se efectuam N-1 iterações porque se deseja N valores do vector de estado.1 . k.5. em que k=1. as condições iniciais deverão escrever-se x1(1)=0.2.3. Os primeiros são mais fáceis de processar do que os últimos.2 sujeito às condições iniciais  1   x2 ( k + 1) = − x1 ( k ) − 0.9 x2 ( k )  x (0) = 0. Métodos numéricos A obtenção da trajectória de um sistema utilizando métodos numéricos. A última instrução. Um programa para obter a solução será x1(1)=0.SISTEMAS NÃO LINEARES 1. há toda a vantagem em representar o sistema por meio do seu modelo de estado.2 e x2(1)=0. x(k+1). k+1=100).9*x2(k). não é mais do que a obtenção da solução do sistema e sua representação gráfica. b) Obter a entrada inicial u(0). se calculam os valores de x1(2) e x2(2) a partir das condições iniciais x1(1) e x2(1).3.3.8. Exemplo 3 Obter a solução numérica do sistema discreto  x1 ( k + 1) = 0. As entradas seguintes poderão ser definidas durante a execução do algoritmo ou poderão ser pré-definidas aqui neste ponto. O sistema é invariante no tempo. c) A partir de um ciclo “for”. A última iteração calcula o estado no instante 100 (k=99. x2(k+1)=-x1(k)-0.

com o mesmo nome. plot(t.1.x). % Instante inicial tf=50. A maior parte dos programas exige que a descrição do sistema esteja feita sob a forma de modelo de estado.1.5. Um 2º ficheiro.x) xdot=zeros(3. % Representação do estado em função do tempo Escola Superior de Tecnologia de Setúbal – Controlo Não Linear – Gustavo da Silva – Pág. 0. % Esta instrução % integra o sistema definido no ficheiro “numerico_sist” % acima referido.SISTEMAS NÃO LINEARES Todos os sistemas representados por um modelo de estado discreto podem ter a solução obtida por numericamente por este método.1  3 Resolução O sistema dado deverá ser codificado num ficheiro.2 Sistemas contínuos Seja um sistema contínuo representado pelo modelo de estado (1. [t.0. Devolve o vector tempo % t e o estado x calculado nos mesmos instantes.tpo. de obter x(t) e y(t).1]. % Instante final. Uma das formas de integrar numericamente este sistema. para se poder efectuar a passagem de parâmetros. em segundos dt=0. ou seja de uma equação n-vectorial de 1ª ordem. % Valor inicial da derivada do estado xdot(1)=-x(2)+x(1)*x(3). Tal no entanto não é necessário efectuar.52). % Intervalo de tempo para obtenção de valores tpo=t0:dt:tf. mesmo que sejam variantes no tempo ou sujeitos a uma entrada u(k).1). 1.5   x2 (0) = −2. as condições iniciais e o método de integração: a instrução ode45 é um dos algoritmos existentes. Exemplo 4 Vai dar-se um exemplo em que se utiliza o Matlab para integrar o sistema  x1 (t ) = − x2 + x1 x3  sujeito às condições iniciais  x2 (t ) = x1 + x2 x3  x (t ) = − x − x 2 − x 2 + x 2 3 1 2 3  3  x1 (0) = 0.5. uma vez que os programas de computador dispõem já de algoritmos que fazem eles mesmos a discretização. 27 . indica os intervalos de tempo.1. xdot(2)=x(1)+x(2)*x(3). % Vector contendo a variável tempo x0=[0. Se a descrição do sistema estiver feita sob a forma de uma equação diferencial é necessário efectuar a mudança de representação para um modelo de estado.3. durante o tempo “tpo” e sujeito às % condições iniciais “x0” dadas.x0). % Valor inicial do estado.x]=ode45('numerico_sist'. que é o que se deve correr.0  x (0) = 0. function xdot=numerico_sist(t. -2. t0=0. passa por discretizá-lo previamente e a seguir obter a solução do sistema discretizado. ou seja. xdot(3)=-x(3)-x(1)^2+x(3)^2. que será chamado “numerico_sist”: O ficheiro começa com uma função.

x0.58) x( k + 1) = x( k ) (1. descrito pela equação de estado x(t ) = Ax(t ) (1. x(t) = 0. Uma trajectória diz-se estável se e só se ∀t0 . t ) = 0 (1. No caso do sistema ser linear. No espaço n-dimensional Dx ⊂ n . Chamam-se pontos de equilíbrio de um sistema aos valores do estado tais que (sistemas contínuos) x (t ) = 0 (1. a unicidade da solução da equação de estado implica que a um determinado x0 corresponde uma e uma só órbita. Os conceitos aqui apresentados são válidos quer para sistemas contínuos quer para sistemas discretos. ε > 0 ∃δ (t0 .52) que tem início no instante t = t0 com as condições iniciais x0 =x(t0). que formam um hiperplano que passa pelo ponto x(t) = 0. Apenas serão referidos a um ou outro tipo quando houver dúvidas na interpretação. Um ponto de equilíbrio diz-se estável se após qualquer pequena perturbação o estado não se afastar da vizinhança do ponto de equilíbrio. 28 – Escola Superior de Tecnologia de Setúbal – Controlo Não Linear – Gustavo da Silva . a solução x(t. Os conceitos sobre a estabilidade de pontos de equilíbrio serão apresentados adiante no Cap. ode113.60) A resolução desta equação vectorial permite determinar os pontos de equilíbrio. Para um sistema contínuo linear e autónomo. chamada trajectória ou órbita do sistema. x1 . t0) a solução da equação de estado (1. t0 ) < ε ∀t ≥ t0 (1. A cada valor inicial x0 está associada uma ou mais órbitas. Trajectórias e estabilidade Designe-se por x(t.SISTEMAS NÃO LINEARES O Matlab dispõe de outros algoritmos para integrar sistemas além do ode45. Se a matriz for singular há um número infinito de pontos de equilíbrio.5.1 . A definição dada implica que os pontos de equilíbrio de um sistema contínuo devem satisfazer a equação: f ( x. A trajectória depende das condições iniciais (x0. que inicie a sua trajectória num estado inicial x0 coincidente com um ponto de equilíbrio. a equação (1. consoante o sistema admita uma ou mais soluções. ode15s e ode23s. entre os instantes t0 e t.63) Pág. t0). nomeadamente ode23. Estes dois últimos devem ser utilizados se o sistema contiver variações muito rápidas comparadas com os intervalos de tempo para os quais se pretende conhecer a solução.61) os pontos de equilíbrio obtêm-se calculando as raízes da equação Ax(t ) = 0 (1.5. 1. x0.62) Se a matriz A for regular.62) admite uma única solução. 3.4. Pontos de equilíbrio.59) ou (sistemas discretos) Um sistema não excitado (u=0). t0 ) − x (t. Considere-se um sistema não excitado.5. t0) irá descrever uma curva. ε ) > 0 ∴ x 0 − x1 < δ ⇒ x(t. x 0 . 1. permanece indefinidamente nesse valor do estado.

1- SISTEMAS NÃO LINEARES

1.6. Algumas não linearidades correntes

As não linearidades que a seguir se apresentam aparecem com muita frequência, quer por se tratar de não linearidades naturais existentes sistemas reais, quer por serem intencionalmente introduzidas nos sistemas de controlo com o fim de melhorar o seu desempenho. Nesta secção serão apenas considerados sistemas com uma única variável de entrada e uma única variável de saída.
1.6.1. Saturação

Muitos sistemas físicos exibem uma característica estática do tipo indicado na Fig. 1.16. Nesta característica, que não será necessariamente simétrica em relação à origem, para valores elevados de |u| tem-se ∆y/∆u ≈ 0, sendo pois a saída limitada. Diz-se que existe saturação, ou que a saída se encontra saturada.

Saída, y

yM

Entrada, u ym

Fig. 1.16 – Característica da saturação. A saturação ideal, representada na Fig. 1.17, é descrita analiticamente do modo
,  ym  y = k u + c , y ,  M
u < um um ≤ u ≤ u M u > uM

(1.64)

em que ym = y(um) e yM = y(uM). Qualquer dos valores ym ou yM pode ser positivo ou negativo, com a condição ym< yM. Um dos valores, ym ou yM poderá ser infinito (em módulo), mas apenas um deles. A saturação aqui apresentada é muito corrente em dispositivos de controlo industrial. Por exemplo, a relação entre o sinal de comando e a abertura de uma válvula é do tipo indicado, com a gama de saída compreendida entre 0 e 100 %. É também corrente introduzir-se na saída do controlador da válvula um módulo ou algoritmo que produza a saturação com a finalidade, de não forçar a válvula para fora da gama.

Escola Superior de Tecnologia de Setúbal – Controlo Não Linear – Gustavo da Silva – Pág. 29

1 - SISTEMAS NÃO LINEARES

y yM um uM ym u

Fig. 1.17 – Característica da saturação ideal. Um outro domínio em que aparece a característica saturação é a relação entre os campos magnéticos B e H, ou, em máquinas eléctricas, entre a corrente eléctrica e o campo magnético por ela criado. Neste caso a curva de saturação aparece normalmente associada a uma outra não linearidade também muito comum, a histerese, que se descreve adiante. Em matemática define-se a função saturação, sat(.), por
 −1 ,  sat ( x ) =  x , 1 , 
1.6.2. Zona Morta

x < −1 −1 ≤ x ≤ 1 x >1

(1.65)

A zona morta é uma não linearidade cuja característica, representada nas Fig. 1.18a e Fig. 1.18b, pode ser de dois tipos, designados por tipo I e tipo II.

y(u)

y(u)

-zM

-zM 0 zM

u

0

zM

u

a) zona morta tipo I

b) zona morta tipo II

Fig. 1.18 – Características da zona morta.

Pág. 30 – Escola Superior de Tecnologia de Setúbal – Controlo Não Linear – Gustavo da Silva

1- SISTEMAS NÃO LINEARES

Muitas vezes a zona morta é utilizada intencionalmente em sistemas de controlo para enviar um sinal nulo do controlador para o actuador, quando a saída daquele é pequena. Com este procedimento pode-se aumentar o tempo de vida de determinado tipo de equipamentos mecânicos. A relação entre y e u pode escrever-se, para os dois tipos de zona morta,

Zona morta tipo I

 0, y= u ,

u ≤ zM u > zM
u < − zM − zM ≤ u ≤ zM u > zM

(1.66)

Zona morta tipo II

u + zM ,  , y = 0 u − z , M 

(1.67)

1.6.3. Histerese

A histerese é uma não linearidade cuja descrição analítica é um pouco mais complicada do que as anteriores, uma vez que faz intervir a história do sinal de entrada. A Fig. 1.19 apresenta uma característica entrada-saída com histerese, admitindo que a entrada varia de –uM a +uM.
y(u) +yM
4 - uM 2 h 3

uM

u

1

- yM

Fig. 1.19 – Característica da histerese, em torno de u=0. Supondo que a entrada u é sinusoidal de amplitude uM, quando u varia de –uM a +uM (ramo crescente de u), y varia de –yM a +yM seguindo a curva 1, 2, 3. Quando u diminui, de +uM a –uM, y varia de +yM a –yM seguindo o ramo 3, 4, 1. A dificuldade na definição matemática da histerese é que esta depende da amplitude do sinal de entrada e do ponto de funcionamento. Assim, se para um sistema que exibe a curva de histerese da Fig. 1.19 a função u(t) diminuir de amplitude no momento em que se encontrava no ponto P, a curva de histerese muda, tomando o aspecto indicado na Fig. 1.20.
Escola Superior de Tecnologia de Setúbal – Controlo Não Linear – Gustavo da Silva – Pág. 31

1 - SISTEMAS NÃO LINEARES

y(u)

•P

u

Fig. 1.20 – Característica da histerese, em torno de P. De uma forma simplista é costume representar a histerese em torno de u = 0 associada à saturação, como indicado no diagrama ideal da Fig. 1.21, onde se admite que a amplitude de u é igual a |uM|.

y yM -uM -uM+2h 0 h uM-2h uM -yM u

Fig. 1.21 – Característica ideal da histerese com saturação. É a seguinte a expressão analítica da histerese ideal:
− yM ,  y =  u − h,   yM ,  yM ,  y =  u + h, − y ,  M u < −u M + 2h − u M + 2h ≤ u ≤ u M u > uM u > uM − 2h − uM ≤ u ≤ uM − 2h u < − uM

ramo crescente:

(1.68)

ramo decrescente:

(1.69)

Pág. 32 – Escola Superior de Tecnologia de Setúbal – Controlo Não Linear – Gustavo da Silva

sistemas com folgas mecânicas.6.4. 1. 1. Esta está condicionada à evolução de u. 1.1.23 – Característica entrada-saída de um sistema com folga. isto é.SISTEMAS NÃO LINEARES 1.uM 01 3 2 h/2 4 5 uM u -yM Fig. designada em Inglês por backlash.2). 1. a descrição analítica da folga a partir da característica y(u) torna-se difícil de efectuar. Um destes sistemas em que a folga é vulgar é o desmultiplicador de velocidade com rodas dentadas apresentado na Fig. Na Fig.22 – Sistema de rodas dentadas com folga Como para o caso da histerese.23 faz-se uma representação gráfica da característica entrada-saída de um sistema com folga.22 (ver também a 1ª figura do Probl. uma vez que depende da história de u e da sua amplitude. h roda accionada roda motriz Fig. deve o seu nome ao facto de ser muito comum em sistemas mecânicos em que os elementos não se ajustam perfeitamente. Escola Superior de Tecnologia de Setúbal – Controlo Não Linear – Gustavo da Silva – Pág. 33 . 1. Folga Este tipo de não linearidade. y yM .

Continuando u a diminuir. Repare-se no atraso introduzido e no patamar no sinal de saída. É a transição 2→3 da figura. admitindo a entrada sinusoidal. A histerese é acompanhada de saturação. que enquadram o losango apresentado. e portanto a saída não varia. a nova transição 4→5 é destinada a vencer a folga. Convém aqui frisar a diferença entre a histerese e a folga. Continuando u a crescer. sendo notória quando estas não se encontram suficientemente tensas.SISTEMAS NÃO LINEARES Admita-se que o sinal de entrada no sistema com folga é alternado sinusoidal de amplitude uM.1 .uM . o valor de y vai acompanhar o de u. Enquanto a amplitude de u cresce de 0 a h/2 vai-se vencer a restante folga e consequentemente a saída y é nula.h / 2   yM y= u + h / 2 − yM  u − h / 2  0 ≤ u ≤ h/2 h / 2 < u < uM uM − h ≤ u ≤ uM − uM < u < uM − h − uM ≤ u ≤ − u M + h − uM + h < u < uM 1º ramo ascendente (inicial) 1º ramo ascendente de u 1º ramo descendente 2º ramo descendente 2º ramo ascendente 3º ramo ascendente (1. 34 – Escola Superior de Tecnologia de Setúbal – Controlo Não Linear – Gustavo da Silva . Repare-se ainda que se a amplitude uM do sinal de entrada for inferior a h/2 a saída y é sempre nula. Note-se que na característica da folga são possíveis quaisquer pontos entre as rectas paralelas representadas a traço interrompido. Admita-se ainda que este sinal tem início no instante t0 como sinal crescente e que no instante inicial a folga se encontra meio vencida. não se voltando ao ponto 0. atingindo-se o ponto 4 quando a amplitude do sinal tiver o seu valor mínimo . É a transição 1→2 indicada na figura. 0 u .24 representa-se a evolução temporal do sinal de entrada. O sinal de entrada aumentou até ao seu valor máximo uM e vai começar a diminuir. enquanto na folga a saturação não existe. A resposta y segue agora o ramo 5→1→2. A folga aparece também em sistemas mecânicos accionados por correntes. 1. ou. atrasado de h/2. É a transição 0→1 indicada na figura. de uma forma monótona. e do sinal de saída. como na transição 2→3. independentemente da sua amplitude. Pág. Aqui o sinal de u muda de sentido e. de um sistema com folga. A folga só se vai manifestar quando u mudar de sentido.h a amplitude de y mantém-se constante e igual a yM. Mais concretamente. u. Os primeiros instantes da diminuição do sinal de entrada vão ser para compensar a folga. seguindo o ramo 3→4.70) Na Fig. enquanto u diminui de uM até uM . y. desde que haja mudança no sentido de u. o valor de saída irá diminuir. diminuído de h/2. Indica-se a seguir a expressão analítica da folga. como estamos a admitir ganho 1 (inclinação a 45º).

1. aparece também em dispositivos electro-mecânicos e electrónicos.  y =  não definido u = 0 M u>0  (1. 1.  sgn( x ) = 0 .6. 1. representado na Fig.25 tem como descrição analítica: u<0 − M . uma força de valor inferior.72) Em matemática define-se a função liga/desliga. se bem que originário da mecânica.5. sgn(x).1. 1 . Atrito Estático Este tipo de não linearidade.6. x. y= kF em que x representa característica. x≠0 x=0 (1. Característica liga/desliga ou “on/off” Este tipo de não linearidade. 35 .24 – Sinais de entrada e de saída num sistema com folga h.  u<0 u=0 u>0 (1. pode escrever-se de uma forma ideal 0. A expressão analítica que representa a relação entre a força aplicada ao sistema e a sua posição.73) Escola Superior de Tecnologia de Setúbal – Controlo Não Linear – Gustavo da Silva – Pág. por  −1. A sua descrição elementar pode ser associada ao fenómeno bem conhecido de que para arrastar uma caixa que se encontra em repouso sobre o chão é necessário efectuar uma força maior enquanto esta está em repouso. sendo depois suficiente para manter o movimento.SISTEMAS NÃO LINEARES U u(t) y(t) h h Fig.71) a velocidade do corpo pertencente ao sistema com esta 1.6.

Pág. com histerese.1 .SISTEMAS NÃO LINEARES y yM 0 u -yM Fig. 1. Assim. se a temperatura da sala for menor do que a temperatura desejada. utilizando um aquecedor eléctrico. 1. de forma a ter-se a característica indicada na Fig. 36 – Escola Superior de Tecnologia de Setúbal – Controlo Não Linear – Gustavo da Silva . A fim de evitar que o contactor que permite o fornecimento de energia ao aquecedor esteja continuamente a actuar é costume associar este tipo de não linearidade à histerese. para controlar a temperatura de uma sala que perde calor.26 – Característica tipo liga-desliga.26. desliga. se a temperatura for maior do que a temperatura desejada. 1.25 – Característica tipo liga-desliga. Esta característica é muito utilizada em controladores do tipo liga/desliga. é comum utilizar um controlador que liga. y M -h h u -M Fig.

da temperatura de uma sala. no que respeita à linearidade/não linearidade. 1. 1. a eq. 1.27 – Controlo liga-desliga. (2) por a2 e somando obtém-se 2 y + 0. Na prática há pois que escolher uma solução de compromisso.7. temperatura referência 2h ligado desligado t t Fig. No entanto este erro pequeno é conseguido à custa de ligar e desligar mais vezes o aquecedor.1 y1 = 0. bem como o do respectivo contactor. Problemas resolvidos Probl.1 y (t ) = 0. 1.5 x (t ) e) y (t ) + y (t ) = x (t 2 ) g) y ( n ) + 0.5( a1 x12 + a2 x2 ) (3) Escola Superior de Tecnologia de Setúbal – Controlo Não Linear – Gustavo da Silva – Pág.(1) por a1.1 y = 0.5 x12 (1) 2 Excitado por x2 origina y2 tal que y2 + 0. o que pode diminuir o seu tempo de vida.5 x (t − 2) d) y (t ) = ∫ x (τ )dτ 0 t f) y (t ) = 1 + ∫ x (τ )dτ 0 t h) y (n + 1) + e − jπ n y ( n ) = x ( n ) .2 y ( n − 1) = x (n ) Resolução: Um sistema linear é todo aquele que satisfaz o princípio da sobreposição: x1 → y1 .5 x 2 (t ) c) y (t ) + t y (t ) = 0. n–discreto): a) y (t ) + 0. Note-se que quanto menor for a zona morta menor é o erro obtido no controlo da temperatura.27 representa o resultado do controlo de temperatura de uma sala utilizando um aquecedor eléctrico e um controlador liga-desliga com histerese.SISTEMAS NÃO LINEARES A Fig.5 x2 (2) Multiplicando a eq.1.1 Classifique.1 y = 0. Excitado por x1 origina y1 tal que y1 + 0. os sistemas descritos pela seguintes equações (t–contínuo. x2 → y2 ⇔ x = a1 x1 + a2 x2 → y = a1 y1 + a2 y2 a) Representando o sistema de forma mais abreviada: y + 0.1 y (t ) = 0.5 x 2 .1 y2 = 0. 37 b) y (t ) + 0.

Mas a variável tempo aparece ao quadrado. Este problema é análogo ao da alínea c). logaritmos. Utilizando este critério.5a12 x12 + 0. Deixa-se a cargo do leitor utilizar a definição para mostrar que o sistema é linear. pelo que se vai utilizar a definição: (×a1 )  y1 + t y1 = 0. Logo o sistema é linear. O critério exposto não refere o produto pela variável tempo. funções trigonométricas. Logo o sistema não é linear. Pág. b) y (t ) + 0. Usando o critério prático que se acaba de expor. o sistema é linear. Adição de constantes originam não linearidades. de saída ou de estado.SISTEMAS NÃO LINEARES No entanto o sistema excitado por a1 x1 + a2 x2 origina y tal que 2 2 y + 0. Apenas as variáveis são tomadas em instantes distintos (n. para que seja não linear. Uma vez que há a adição de uma constante a uma variável (ou 0 t ao seu integral ou à sua derivada). constata-se que apenas aparece um atraso. o sistema é linear. f) y (t ) = 1 + ∫ x (τ )dτ . d) y (t ) = ∫ x (τ )dτ .2 y ( n − 1) = x(n ) . etc. a existência de potências (diferentes de 1).5( a1 x1 + a2 x2 ) Logo.5x(t − 2) . Pelo critério prático não há produtos de variáveis de entrada. 0 t e) y (t ) + y (t ) = x (t 2 ) .5 x2 ( a1 y1 + a2 y2 ) + t ( a1 y1 + a2 y2 ) = 0.5x 2 indica a não linearidade do sistema. Mas esta quantidade é diferente da obtida em (3). para o caso discreto. n-1).5a2 x2 + a1a2 x1 x2 . Derivadas e integrais são lineares.5 x1  (×a2 )  y2 + t y2 = 0. Trata-se de um sistema discreto. h) y (n + 1) + e − jπn y ( n ) = x ( n ) . o sistema é não linear. Um tempo de atraso não implica não linearidade.1 . 38 – Escola Superior de Tecnologia de Setúbal – Controlo Não Linear – Gustavo da Silva .1 y = 0.5 x(t ) . Como critério prático não será necessário utilizar a definição para verificar se o sistema é linear ou não: basta verificar. produtos de variáveis de entrada. g) y (n ) + 0. exponenciais.5( a1 x1 + a2 x2 ) 2 = 0. Logo o sistema é linear. a presença do termo quadrático 0. c) y (t ) + t y (t ) = 0. de saída ou de estado. Para verificar sobre a linearidade aplique-se a definição:  y1 (t ) + y1 (t ) = x1(t 2 ) (×a1 )   2  y2 (t ) + y2 (t ) = x2 (t ) (×a2 )  [a1 y1 (t ) + a2 y2 (t )] + [a1 y1 (t ) + a2 y2 (t )] = [a1 x1 (t 2 ) + a2 x2 (t 2 )] Logo.1 y (t ) = 0. Pelo critério prático apresentado em a) o sistema é linear.

a) Escreva as expressões analíticas que representam. Designe por θ1 a posição da roda motriz e por θ2 a da roda accionada. folga=α Na figura as condições iniciais são θ1 = 0 e θ2 = 0 . e qual a sua não linearidade? Resolução: Desenhando as rodas dentadas e as variáveis de posição θ1 e θ2 (figura seguinte) P1 R1 × P2 R2 × θ1 θ2 θ1 = θ1 (t ) . 39 .2 Considere um sistema mecânico constituído por duas rodas dentadas iguais com 3.0 º de folga.5º θ1 θ2 τ T/4 t -30º T Escola Superior de Tecnologia de Setúbal – Controlo Não Linear – Gustavo da Silva – Pág.125 Hz e a amplitude compreendida entre –30º e +30º. c) Qual o atraso.1. Supondo R1=R2 pode fazer-se a seguinte representação gráfica: 2τ +30º 1. b) Faça uma representação que mostre a característica θ2(θ1). θ2 = θ2 (t ) . introduzido por este sistema. nos primeiros 6 segundos. em graus. 1. A roda motriz descreve um movimento alternado em rampa (sinal triangular) com a frequência de 0. a posição das duas rodas em função do tempo. Admita que no instante inicial θ1=0 e que a folga se encontra meio vencida.SISTEMAS NÃO LINEARES Probl. Sobre os gráficos represente os valores numéricos correspondentes ao seu problema.

5 %.5 -15(t-4)  -28.2 ≤ t ≤ 6s 6 ≤ t ≤ 6. Como τ 0. apenas é preciso tomar em consideração os patamares. curso 60 Nota: o desvio é o desvio da característica em relação à recta que melhor a aproxima.5 º (ver figura).1s 0.1 .2s b) Característica entrada-saída.SISTEMAS NÃO LINEARES Cálculo de τ: T = 1 s =8s .1s . que na figura se encontra representada a traço interrompido e passando pela origem.125 corresponde a um deslocamento angular de 1.1 s desvio 1. Observando a figura pode concluir-se: Para t=T/4 é θ1=30º 0 15(t − 1)   θ2(t) = 28. T / 4 30 0 ≤ t <T /4  tk  −k (t − T / 2) T / 4 ≤ t < 3T / 4 a) Expressão analítica de θ1(t) e de θ2(t) nos primeiros 6 segundos = 3T/4 (ver figura): θ1 (t ) =  0 ≤ t < 2s  15t k=15 º/s e portanto θ1 (t ) =  2 ≤ t < 6s  −15(t − 4) A expressão analítica de θ2(t) é análoga à de θ1(t).5  0 ≤ t ≤ 0.5 θ1 c) Atraso e não linearidade O atraso introduzido corresponde a metade da folga: τ=0.5 Não linearidade: NL % = × 100% = × 100% = 2.5 = τ = 0. Pág.1 ≤ t ≤ 2s 2 ≤ t ≤ 2. À amplitude de 30º corresponde T/4=2 s. tem-se τ 1.5 -30 30 -28. θ2(θ1) θ2 30 28. 40 – Escola Superior de Tecnologia de Setúbal – Controlo Não Linear – Gustavo da Silva .2s 2. com inclinações semelhantes.

1. . a) Determine analiticamente x(t). ligado por meio de uma haste rígida. c) Em que condições é que o sistema pode ser considerado linear? Probl. c) Com o auxílio do MatLab. indicando qual a sua estabilidade.5 e x0 = 0. Utilize a função “ode45”...SISTEMAS NÃO LINEARES 1. Problemas propostos Probl. a) Obtenha um modelo que o represente. 1.8. para velocidades positivas e negativas.5 Considere um pêndulo simples. y (t ). Faça um gráfico da solução x(t) obtida em a) e compare com o resultado obtido. Sugestão: Utilize como variáveis de estado xn(t)=y(n-1)(t) Escola Superior de Tecnologia de Setúbal – Controlo Não Linear – Gustavo da Silva – Pág. para u = 10 N.5.6 Muitos dos sistemas físicos não lineares podem ser descritos por uma equação diferencial de ordem n do tipo d n y (t ) d n −1 y (t ) = f [t . sem amortecimento. que representa de uma forma muito simples a velocidade de um veículo subaquático. b) Indique como determinaria os pontos de equilíbrio.4 Considere a equação seguinte.. Considere x(0) = x0 ≠ 0. v(0)=0. mv + k v v = u a) Obtenha a solução..1. Compare os resultados e comente. 41 . Probl. b) Calcule o tempo de escape do sistema.3 A evolução de uma população é descrita pelo seguinte modelo: x (t ) = a (1 + x (t ) ) x (t ) c em que a e c são constantes positivas. 1. a) Obtenha um modelo de estado para este modelo. c = 0. y (t ). u(t )] dt n dt n −1 onde y(t) e u(t) são a saída e a entrada do sistema (escalares). para u = 1 N. b) Determine os seus pontos de equilíbrio.5. 1. Probl. fazendo a = 0. obtenha a solução da equação dada para 0 < t < 10 s. b) Idem.

2 x1 − x2  x2 = 0.. y ...10 Considere o sistema discreto representado pela seguinte equação às diferenças:  x1 (n + 1) = x2 (n) + u (n)   x2 (n + 1) = 0. completada com valores numéricos. Probl.8 x1 − 0.. y ..3x1 (n) + 0.8 Determine os pontos de equilíbrio dos seguintes sistemas:  x1 = x2  x1 = − x1 + x2 b)  a)  3 2 3  x2 = − x1 + 0.. 1. u(t )] − f 2 [t .. y (t ). conclua sobre a linearidade do sistema. 42 – Escola Superior de Tecnologia de Setúbal – Controlo Não Linear – Gustavo da Silva . b) Através da definição. Nestas condições faça uma representação gráfica. fornece um caudal de 200 l/s. O reservatório tem um diâmetro de 5 m e uma capacidade de 200 m3.1 . onde se encontra a válvula de controlo.. y (t ).1x1 − 2 x2 − 0. O “set-point” do controlador é de 80 % da altura máxima e a histerese é de 10 cm... y (t ). y ( n −2) )u Probl. b) O caudal de alimentação e a respectiva abertura da válvula. y ( n −1) (t ).SISTEMAS NÃO LINEARES Probl.. 1. y (t ). Os consumidores debitam uma média de 100 l/s e a alimentação do reservatório. considerando y(n)=x2(n). y ( n −2) (t )]u(t ) onde y(t) e u(t) são a saída e a entrada do sistema (escalares)..7 Obtenha um modelo de estado para o sistema físico não linear descrito pela equação y ( n ) (t ) = f1[t .9 Considere um reservatório para água controlado por um controlador “liga/desliga” com histerese. Pág. 1. Sugestão: Utilize como variáveis de estado xn = y ( n −1) − f 2 (t .6sen[ x2 (n)] a) Obtenha uma representação entrada/saída do sistema.1x1  x1 = x2 c)  2 2  x2 = − x1 + x2 (1 − 3x1 − 2 x2 ) 2 2   x1 = ( x1 − x2 )( x1 + x2 − 1) d)  2 2  x2 = ( x1 + x2 )( x1 + x2 − 1)   x = − y (1 − x 2 − y 2 )  e)  2 2  y = x (1 − x − y )  Probl. 1. em que se indique a) A evolução do nível do tanque.

1 Designa-se suave toda a função diferenciável até à ordem que for necessária para os cálculos. x2 (t )]   x2 (t ) = f 2 [ x1 (t ). muito comuns na descrição de sistemas físicos. Se estes sistemas forem autónomos e sem entradas exteriores.3) é uma órbita plana. Um sistema deste tipo que admita representação por meio de um modelo de estado. do comportamento do sistema.1) com t ∈ + e f1 e f2 funções suaves de x1 e de x2 com as condições iniciais  x1 (0) = x10   x2 (0) = x20 (1) . Designem-se as duas componentes da variável de estado por x1 e x2. De uma forma geral x1 ∈ e x2 ∈ . ou seja. o espaço de fases é designado por plano de fases ou plano de estado. o estudo do vector de estado. Introdução Num sistema de 2ª ordem o vector de estado contém apenas duas componentes. que por simplicidade são designadas por variáveis de estado. a sua importância advém de nela estarem representados os regimes livres dos sistemas de 2ª ordem de uma variável de entrada e uma variável de saída. em que a órbita é plana. o plano de estado. A sua representação existe e é única. será descrito pelo sistema de equações de estado escalares  x1 (t ) = f1[ x1 (t ). ao espaço onde as órbitas se encontram definidas chama-se espaço de fases. As equações acima. juntamente (2.1. x2 ) = 0 (2.1) utiliza uma variável de estado com apenas duas componentes. Embora possa parecer que o estudo desta classe de sistemas é pouco genérica. Designa-se por órbita a trajectória de x(t) no espaço das variáveis de estado. Ao conjunto de todas as órbitas (mesmo no caso em que há mais de duas variáveis de estado) dá-se o nome de retrato de fase do sistema.2. Uma vez que o sistema (2. que residirá num plano. Se a função for diferenciável até à ordem p designa-se por função de classe Cp e se for indefinidamente diferenciável designa-se por função de classe C∞.2) definem a evolução do estado do sistema. a órbita g ( x1 . permite obter uma compreensão global. x2 (t )] (2. No caso dos sistemas em estudo. SISTEMAS DE 2ª ORDEM 2. 43 . o seu comportamento.

Consoante os valores que λ1 e λ1 possam ter.4)b) .2. λ 2 + bλ + c = 0 que são −b + b 2 − 4c 2 sendo a solução de (2. juntamente com as condições iniciais (2. ficando neste caso o retrato de fase reduzido a uma curva. Também se aplicam a sistemas de 1ª ordem.5) dada por (2.4)a) . São de salientar os casos analisados a seguir. (2.5) Para obter a solução desta equação é necessário em primeiro lugar obter as soluções da equação característica correspondente. Chama-se a atenção para o facto de as raízes do polinómio característico serem os valores próprios da matriz A do sistema linear (2. reagrupando. Derivando (2. Análise qualitativa dos sistemas lineares Considere-se um sistema linear de 2ª ordem.4). o que correntemente se faz é representar as órbitas mais significativas. com o auxílio de um computador. fazendo nelas t = 0.6) − b − b 2 − 4c 2 λ1 = e λ2 = (2. métodos gráficos ou então métodos numéricos. obtém-se x(t ) + bx + cx (t ) = 0 (2.9) e suas derivadas. SISTEMAS DE 2ª ORDEM Em sistemas de ordem superior à 2ª não é possível efectuar uma representação gráfica de todo o retrato de fase. como é que qualquer outra órbita se comportará. dando novos nomes simplificados às constantes e fazendo x1(t) = x(t).4)Para facilitar a obtenção da solução deste sistema faça-se a transformação desta representação numa equação diferencial de 2ª ordem. em número suficiente para se poder concluir. Pág. substituindo no resultado x2 dado por (2.2.8) (2. b j ∈ e constantes. As equações acima. ou seja a evolução do seu estado. Os métodos que a seguir serão descritos aplicam-se também a sistemas com mais de duas variáveis de estado. assim a evolução das soluções. 2.2) definem o comportamento do sistema. com uma entrada e uma saída. representado pelas equações de estado  x1 (t ) = a1 x1 (t ) + b1 x2 (t )   x2 (t ) = a2 x1 (t ) + b2 x2 (t ) a) (2.7) (2. 44 – Escola Superior de Tecnologia de Setúbal – Controlo Não Linear – Gustavo da Silva . Para se efectuar o esboço do retrato de fase podem utilizar-se métodos analíticos.4) b com t ∈ + e ai . por simples observação.9) x (t ) = k1e λ1t + k2e λ2t se λ1 ≠ λ2 se λ1 = λ2 ou por x (t ) = k1e λ1t + k2te λ1t Os valores das constantes k1 e k2 podem ser obtidos a partir das condições iniciais e das equações (2. A esta representação chama-se esboço do retrato de fase. embora a complexidade da representação gráfica daí resultante seja elevada.8)/(2.

A trajectória no espaço de fases ( x.1.1.1. x ) é a indicada na Fig.2.1. Ponto de sela Se λ1 e λ2 forem ambos reais e de sinais contrários. 2. Diz-se que se trata de um nó instável. enquanto que longe da origem se tornam paralelas à menos inclinada.2. 2.2. as soluções divergem da origem.1 – Nó estável Se λ1 e λ2 forem ambos reais e positivos. ou seja se estiverem localizados sobre o eixo real no semiplano complexo direito. Diz-se que se trata de um nó (ou nodo) estável. A trajectória no espaço de fases ( x. Escola Superior de Tecnologia de Setúbal – Controlo Não Linear – Gustavo da Silva – Pág.2 – Nó instável 2.3. A origem é um ponto de equilíbrio instável. que é um ponto de equilíbrio instável. 45 .2. Junto da origem as trajectórias aproximam-se da assimptota menos inclinada. Valores próprios distintos (λ1≠λ2) 2. 2.2. ou seja se estiverem localizados sobre o eixo real no semiplano complexo esquerdo. x ) é a indicada na Fig. SISTEMAS DE 2ª ORDEM 2. A sua inclinação depende da localização de λ1 e λ2. Nó estável e nó instável Se λ1 e λ2 forem ambos reais e negativos. a que se chama ponto de sela. as soluções convergem para a origem. jω x v1 v2 × λ1 × λ2 σ x a) Localização das raízes do polinómio característico b) Trajectória no espaço de fases Fig. mas que acabam por se afastar. que é um ponto de equilíbrio estável. Repare-se nas duas assimptotas v1 e v2. 2. 2. Repare-se que há algumas soluções que começam por se aproximar da origem. jω x v1 v2 × × λ1 λ2 σ x a) Localização das raízes do polinómio característico b) Trajectória no espaço de fases Fig. as soluções no espaço de fases têm o andamento indicado na Fig.2.1.

3 – Ponto de sela 2. para o caso de b e c serem reais. como se pode provar a partir de (2.4. As soluções têm um andamento oscilatório.9) fazendo λ=σ +jω. A origem é um ponto de equilíbrio estável. 2.8)/(2.7). designado por nó instável ou foco instável. como se pode observar por (2.2. 2. λ2 também é complexo e conjugado de λ1.4 – Foco estável Se a parte real de λ1 for positiva as soluções divergem da origem de uma forma oscilatória.5. as soluções convergem para a origem.3. SISTEMAS DE 2ª ORDEM jω × × λ1 x v1 v2 λ2 σ x a) Localização das raízes do polinómio característico b) Trajectória no espaço de fases Fig. [Re(λ1)>0] jω x × σ x × a) Localização das raízes do polinómio característico b) Trajectória no espaço de fases Fig.1. 2.5 – Foco instável Pág. 2. Re(λ1)<0] x jω × σ x × a) Localização das raízes do polinómio característico b) Trajectória no espaço de fases Fig. Foco estável e foco instável Se λ1 for complexo. A trajectória no espaço de fases é indicada na Fig. de uma forma oscilatória. designado por nó estável ou foco estável. Se a parte real de λ1 (igual à de λ2) for negativa. 46 – Escola Superior de Tecnologia de Setúbal – Controlo Não Linear – Gustavo da Silva . A origem é um ponto de equilíbrio instável. 2.2. A trajectória no espaço de fases é a indicada na Fig.

as soluções degeneram em rectas (Fig.7 – Um valor próprio nulo 2.7). x x x a) λ1= 0. 47 . [Re(λ1)]=0 jω x × σ × a) Localização das raizes do polinómio característico x b) Trajectória no espaço de fases Fig. A forma das trajectórias depende dos valores das constantes k1 e k2 em (2. A origem é um ponto de equilíbrio criticamente estável. 2.5. não convergindo para a origem nem se afastando delas como se observa pela órbita da Fig.2. 2.1.1. para λ<0.6. As soluções obtêm-se a partir da equação (2. A origem é estável. 2. Se for k1=0 e k2≠0 as órbitas são as representadas na Fig.8a. as soluções são oscilatórias. λ2 < 0 b) λ1= 0. 2.2. Se se tiver k1≠0 e k2=0 as trajectórias no espaço de fases são as da Fig.2. Podem surgir os casos a seguir indicados.8b.2. 2. Centro Se λ1 e λ2 forem complexos conjugados com a parte real nula. 2.2. Valor próprio duplo diferente de zero Se o valor próprio for negativo as trajectórias convergem para a origem. Um dos valores próprios nulo Se um dos valores próprios for nulo.6 – Centro 2. sem amortecimento ou expansão. para λ<0. designado por centro. 2. Escola Superior de Tecnologia de Setúbal – Controlo Não Linear – Gustavo da Silva – Pág.9)b). As soluções mantêm a amplitude constante.2. λ2 > 0 x Fig. SISTEMAS DE 2ª ORDEM 2.4.1.9).2. Valores próprios iguais (λ1=λ2) Quando os valores próprios são iguais eles são necessariamente reais.

x λ>0 x λ>0 x x a) k1= 0. negativo Se o valor próprio for positivo as trajectórias divergem da origem. 2.2.2. 48 – Escola Superior de Tecnologia de Setúbal – Controlo Não Linear – Gustavo da Silva .10 – Valor próprio duplo nulo Pág. k2 ≠ 0 b) k1≠ 0. A origem é instável. 2.8 – Valor próprio duplo não nulo.9 – Valor próprio duplo não nulo. k2 = 0 Fig.10).9). 2. 2.2. A forma das trajectórias continua a depender dos valores de k1 e k2 (Fig. x x Fig. 2. SISTEMAS DE 2ª ORDEM x λ<0 x λ<0 x x a) k1= 0. as trajectórias são paralelas a uma recta que passa pela origem (Fig. k2 ≠ 0 b) k1≠ 0.2. k2 = 0 Fig. Valor próprio duplo nulo Se o valor próprio for duplo e nulo. positivo 2.

3. por exemplo a trajectória da Fig. no caso da Fig. uma curva fechada que divide o plano de estado em duas regiões: uma região interior ao ciclo limite e uma outra exterior ao ciclo limite. Estas oscilações. consoante se inicie no interior ou no exterior do ciclo limite. 2. Claro que devido à existência de ruído ou de pequenas perturbações mais tarde ou mais cedo. e as que se iniciam no seu interior divergem dele. correspondente a um sistema massa mola sem amortecimento. auto-excitadas a partir do ruído ou de pequenas perturbações. acabam por “descolar” do ciclo limite e divergir dele.1.1. e nunca podem aparecer em sistemas lineares. ou então sobre este. a trajectória depende das condições iniciais: para diversas condições iniciais assim se terão diferentes trajectórias. Ciclo limite estável Um ciclo limite é estável quando é uma curva fechada para a qual tendem as diversas trajectórias que se iniciam numa determinada região (região de atracção do ciclo limite). Com um ciclo limite tal não acontece: quaisquer que sejam as condições iniciais as trajectórias iniciadas numa determinada região de atracção vão tender sempre para o mesmo ciclo limite. 2.11a). instáveis ou semi-estáveis. Podem ter-se ciclos limite estáveis.11c) as trajectórias que se iniciam no exterior do ciclo limite tendem para ele. no plano de estado. como se disse na secção 1. Ciclos limite Chamam-se ciclos limite às oscilações que se podem estabelecer. Num sistema de 2ª ordem um ciclo limite define.3. Escola Superior de Tecnologia de Setúbal – Controlo Não Linear – Gustavo da Silva – Pág. 2. com amplitude frequência e forma bem definidas.3. Repare-se na diferença entre ciclo limite e trajectória fechada.1.2. SISTEMAS DE 2ª ORDEM 2.3. No entanto.2. uma trajectória que se inicie no exterior de um ciclo limite deste tipo acaba por “atravessar” o ciclo para o seu interior e afastar-se dele. como se indica na Fig. 2. são.6.11c). devido à existência de ruído ou de pequenas perturbações.8. assim a sua classificação. 2. uma característica de alguns sistemas não lineares. 2.3. As trajectórias podem iniciar-se dentro ou fora do ciclo limite. Nesta última. Apenas as trajectórias que sobre ele se iniciam nele permanecem. como estável ou como instável. Classificação dos ciclos limite Consoante o comportamento das trajectórias que se iniciem próximo do ciclo limite.3.3. Ciclo limite instável Um ciclo limite é instável quando qualquer trajectória que se inicie na sua vizinhança se afasta dele – ver Fig.11b). 2.1. No exemplo da Fig. Ciclo limite semi-estável Um ciclo limite é semi-estável quando qualquer trajectória que se inicie na sua vizinhança se comporta de modo diferente. 2. sem que o sistema esteja sujeito a qualquer solicitação externa.1. 2. 49 . Um ciclo limite semi-estável pode ser estável interno ou estável externo. mesmo estas.

N =1.3. Existência de ciclos limite Os teoremas que se seguem estabelecem as condições de existência de ciclos limite.2. 2 Henri Poincaré.2).2.1. Como corolário deste teorema tem-se se S = 0. São válidos os seguintes teoremas: 2. É condição necessária para a existência de um ciclo limite que N = S +1 (2. representado por (2. finita. com as condições iniciais (2.2.10) A demonstração pode ser encontrada em [3–Isidori]. SISTEMAS DE 2ª ORDEM x2 trajectórias convergentes x2 trajectórias divergentes divergente x2 convergente x1 x1 ciclo limite b) Instável x1 ciclo limite c) Semi-estável ciclo limite a) Estável Fig. • A trajectória tende para um ciclo limite estável. Teorema de Poincaré (2) Considerem-se os pontos de equilíbrio do sistema numa determinada região Ω do espaço de fases e designe-se por N – o número de nós. a partir do conhecimento dos pontos de equilíbrio e do seu tipo.1) permanecer no interior de uma região Ω do espaço de estados. Teorema de Poincaré-Bendixon Se uma trajectória do sistema não linear autónomo de 2ª ordem.11 – Tipos de ciclos limite 2. 50 – Escola Superior de Tecnologia de Setúbal – . • A trajectória é um ciclo limite.3.2.1). 2. Matemático francês. então verifica-se um dos três casos seguintes: • A trajectória tende para um ponto de equilíbrio estável. ou seja. 2. centros ou focos interiores a Ω.2. Seja o sistema não linear autónomo representado por (2. 1854-1912 Controlo Não Linear – Gustavo da Silva Pág. S – o número de pontos de sela. um ciclo limite envolve necessariamente pelo menos um ponto de equilíbrio.3.

∂f1 ( x ) ∂f 2 ( x ) ∂f ( x ) + + + n ∂x1 ∂x2 ∂xn A divergência define-se para um campo vectorial e é um campo escalar. x(t) = f [x(t)] .13) Nestas condições. integrando (2. Represente-se o sistema na forma vectorial.. nem sequer há oscilação.13) ao longo de uma curva fechada L que coincida com o ciclo limite deverá ser (2. representando por S a área delimitada pelo ciclo limite. se for diferente de zero e não amortecido mude de sinal. representado por (2.17) O gradiente define-se para um campo escalar e é um campo covectorial (vector linha).16) . ….11) O teorema de Bendixon afirma o seguinte: É condição necessária para a existência de um ciclo limite.0) e calcule-se F. f2(x). ∇=  ∂xn   ∂x1 ∂x2 Define-se gradiente de uma função escalar h(x). em que x representa a variável de estado (vector coluna).2. designado por del ou nabla:  ∂ ∂ ∂  (2.2. mais compacta. . Para que o integral de superfície seja nulo é necessário que o integrando. Considere-se o vector simbólico ∇. . numa região Ω do plano de fase. Se o integrando for amortecendo a trajectória tende para o ponto de equilíbrio zero e não haverá ciclo limite. Nota sobre alguns operadores vectoriais Um campo vectorial f(x) é representado por um vector coluna de comprimento n e componentes f1(x). SISTEMAS DE 2ª ORDEM 2. Teorema de Bendixon Seja o sistema não linear autónomo de 2ª ordem. para o efeito F = ( − f 2 . f1 . =  ∂x ∂xn   ∂x1 Define-se divergência de um campo vectorial g(x).3. (2.15) ∫L ( f1dx2 − f 2dx1 ) = ∫∫S ( ∂x11 + ∂x22 )dx1dx2 (Considere-se.14) ∫ ( f1dx2 − f 2dx1 ) = 0 L Mas pelo teorema de Stokes é. (a definição de div f está na sub-secção seguinte) Demonstração: Para qualquer trajectória do sistema tem-se f 2 dx1 − f1dx2 = 0 (2.18) Controlo Não Linear – Gustavo da Silva – Pág. (O integrando é div f). a oscilação é amortecida. 51 .3. que div f ∇..4. ∂f ∂f (2..ds e rotF ). div f (x ) ≡ ∇ ⋅ f (x ) = Escola Superior de Tecnologia de Setúbal – (2.12) não amorteça e que mude de sinal. ∂h ( x )  ∂h ( x ) ∂h ( x )  grad h ( x ) ≡ ∇h ( x ) ≡ . por (2.3.f (2. fn(x). 2. Se o integrando for nulo.1).2.

A essência do método consiste em obter a solução explícita do sistema (2.1.2.23) – Gustavo da Silva que admite como solução x(t ) = x0 cos(ω0t ) Controlo Não Linear Pág.21) obtém-se mx + kx = 0 (2. como indicado na Fig. Métodos analíticos Os métodos analíticos são utilizados para a obtenção das trajectórias no plano de fases quando a solução analítica da equação de estado é relativamente fácil de obter. .4.22) (2.12 – Sistema massa-mola De acordo com a 2ª lei de Newton a massa ficará sujeita a uma aceleração x tal que f = mx Combinando (2. Obtenção da trajectória 2. 52 – Escola Superior de Tecnologia de Setúbal – . Mola 0 Massa x0 x . Exemplo 2.1 – Sistema linear massa-mola Seja um sistema mecânico constituído por uma massa ligada a uma mola. resultante da deformação da mola.3). Com o sistema em repouso o corpo encontra-se na posição x=0 e a resultante das forças que sobre ela actuam é nula. Este sistema é um caso particular daquele que é apresentado adiante no Cap.20) com (2. A força exterior que sobre ele actua. aqui a mola é linear e não há atrito.4.19)   x 2 = x2 ( t ) e em seguida eliminar a variável t entre as equações obtidas. tem o valor f = −kx (2. O corpo pode deslocar-se apenas segundo a direcção x.12. Este tenderá a voltar para a posição inicial. SISTEMAS DE 2ª ORDEM 2. ficando-se com uma relação do tipo (2.  x1 = x1 (t ) (2.1) em função do tempo.20) Desloque-se o bloco para a posição x0 e a seguir liberte-se o mesmo.21) (2. 2. 2. | | | | | | | | | | -2 -1 0 1 2 Fig.7.

x 0. Repare-se na convergência exponencial para zero quando C > 0 e na divergência exponencial quando C < 0. A Fig.24) Tomando para variáveis de estado x e x tem-se x(t ) = − x0ω0 sen(ω 0t ) Eliminando t entre (2. ou seja.3 0.26) que é a equação de uma elipse.27) sujeito às condições iniciais x(0) = 0 e x (0) = C .28) obtém-se dx1 1 =− dx2 x2 que integrada conduz a x2 = Ce − x1 (2. Tomando para variáveis de estado x1 = x e x2 = x pode escrever-se  x1 = x2 (2.28)  2 x 2 = − x2  com x1(0) = 0 e x2(0) = C.25) obtém-se x2 + x2 (2.25) ω02 2 = x0 (2.14 para diversos valores de C.30) e que se encontra representada na Fig.4 x0=0. SISTEMAS DE 2ª ORDEM com ω0 = k m (2.5 x Fig. 2. 53 .2 0. 2. 2.23) e (2.13 – Trajectórias no espaço de fases – sistema massa/mola Exemplo 2. A partir de (2.2 – Sistema não linear de 2ª ordem Seja o sistema não linear de 2ª ordem x + x2 = 0 (2.1 0.13 representa estas elipses para diversos valores de x0 para m = 1 kg e k = 10 N/m. representa o retrato de fase. Escola Superior de Tecnologia de Setúbal – Controlo Não Linear – Gustavo da Silva – Pág.29) (2.2.

31) O binário dos propulsores depende do erro θ por meio da expressão  −U u (t ) =   +U Pág. θ antena u Fig. 2.8 -3 -1 x1 1 Fig.4 -0.15.32) – Gustavo da Silva . Designando por J o momento de inércia do satélite em torno do seu centro de gravidade. ↓ -0. as equações do movimento permitem escrever Jθ = u (2.3 – Controlo de um satélite. obrigando-o a rodar em torno de um eixo por meio de um par de propulsores.2 0 0.6 0. O satélite pode ser considerado como um corpo rígido que se move em torno do seu centro de massas. como indicado na Fig. O objectivo do controlo é manter a antena num determinado ângulo de referência θR. consoante o sentido dos jactos. ↑ 2 1 0 -1 -2 C<0. que pode ser positivo ou negativo. pretende-se controlar a posição angular θ de um satélite. através de uma manipulação conveniente dos propulsores. 2. muito simplista.8 -0.14 – Trajectórias no espaço de fases Exemplo 2. SISTEMAS DE 2ª ORDEM x2 3 C>0. Neste modelo.4 0. θ a posição angular da antena e por u o binário propulsor.15 – Esquema do satélite Os propulsores podem fornecer um binário u de amplitude U constante.2 0.2. 54 – Escola Superior de Tecnologia de Setúbal – θ >0 θ <0 Controlo Não Linear (2. 2.6 -0.

jactos θ r =0 +U satélite u 1/ J s θ - -U 1 s θ Fig. A equação (2. a seguir. A expressão (2.17. 2.34) representa um conjunto de parábolas com o foco sobre o eixo θ e concavidade voltada para a direita.31) escreve-se Jθ = U (2. 2. trajectórias parabólicas θ linha de comutação θ u= +U u= –U Fig. semiplano esquerdo. encontra-se representada a cadeia da controlo deste satélite. SISTEMAS DE 2ª ORDEM Na Fig. 55 . como se indica na Fig.16. 2.33) que admite como solução no plano de fase ( θ .17 – Retrato de fase do satélite Escola Superior de Tecnologia de Setúbal – Controlo Não Linear – Gustavo da Silva – Pág.2. Erro negativo: Neste caso o binário propulsor é positivo e toma o valor +U.34) onde C é uma constante que depende das condições iniciais. 2.θ ) J θ 2 = 2Uθ + C (2.16 – Controlo do satélite Para a construção do esboço do retrato de fase consideram-se separadamente os casos em que o erro θ é positivo e negativo.

56 – Escola Superior de Tecnologia de Setúbal – Controlo Não Linear – Gustavo da Silva . Métodos gráficos Os métodos gráficos tiveram um grande desenvolvimento quando não se dispunha de meios eficazes para obter a solução da equação de estado de um sistema. Estudar-se-á apenas o primeiro. Há um grande número de sistemas que podem ser descritos por uma equação diferencial de 2ª ordem do tipo x + f ( x. mas mais genéricas do que (2. Entende-se por meios eficazes os que actualmente se utilizam.39) Os métodos gráficos dispensam a resolução analítica da equação acima.2. SISTEMAS DE 2ª ORDEM Erro positivo: De um modo análogo ao anterior obtém-se J θ 2 = −2Uθ + C (2. x2 )   x2 = f 2 ( x1 . Os métodos gráficos permitem apenas e de uma forma simples a obtenção do esboço do retrato de fase aproximado de sistemas com uma equação de estado com dimensão n=2.36) Para representá-los no espaço de estados efectuam-se as substituições  x1 = x   x2 = x1 (2. baseados em métodos numéricos. disponíveis para computador. A comutação entre os diagramas faz-se exactamente sobre o eixo dos θ . Repare-se que partindo de um estado inicial qualquer o satélite irá oscilar em torno da posição de referência. De entre os diversos métodos gráficos têm uma certa importância o método das isoclínicas e o método delta. x ) = 0 (2.39) pode escrever-se na forma Pág. que corresponde à mudança de sinal do erro. e que permitem a obtenção da solução da equação de estado para um sistema de ordem n. do tipo  x1 = f1 ( x1 . x2 ) (2. A convergência da oscilação para zero poderá ser feita com a introdução de realimentação da velocidade angular.38) Foi o estudo deste tipo de sistemas que contribuiu para o desenvolvimento da representação no plano de fase.2.37) ficando-se com a equação de estado  x1 = x2   x2 = − f ( x1 . O retrato de fase completo obtém-se juntando os dois diagramas anteriores. x2 ) (2.4. 2.38).35) que é um conjunto de parábolas com o foco sobre o eixo θ e concavidade para a esquerda. O sistema (2.

as isoclínicas que se representam na Fig.2 .42)b por (2. 2. x2). dx1 x2 = − ω2 x1 2ξω + α 1 x1 1+α (2. no plano (x1.45) À equação (2.18. Para a obtenção das trajectórias procede-se do seguinte modo: 1.1. No exemplo da figura admite-se x1(0) = 0. a inclinação do troço de trajectória situado entre as isoclínicas α = −1 e α = −1.41) Efectuando as mudanças de variável x1 = x e x2 = x obtém-se o modelo de estado a) (2. x2 ) (2.2) / 2 = −1. Parte-se do valor (x1.4 – Sistema de 2ª ordem com amortecimento. SISTEMAS DE 2ª ORDEM dx2 f 2 ( x1 . a que corresponde o ponto A. Exemplo 2.42) b) a) b) Dividindo (2.2.43) e fazendo dx2 = α (isoclínica α). 2.44) Particularizando para os valores de ω = 1 e ξ = 0. Assim.5 vem. 57 . O ponto B é determinado pela intersecção da recta que parte de A com inclinação –1.45) correspondem. x2 = − (2. com a isoclínica α = −1. A isoclínica α é pois constituída pelo conjunto de pontos com igual declive α. o que permite determinar. O segmento AB constitui assim um troço aproximado da trajectória. x2) correspondente às condições iniciais x1(0) e x2(0). A inclinação da trajectória é dada pela média aritmética das inclinações associadas às isoclínicas vizinhas. x2 ) = dx1 f1 ( x1 . para diversos valores de α. Escola Superior de Tecnologia de Setúbal – Controlo Não Linear – Gustavo da Silva – Pág.40) O primeiro membro de (2.2 é aproximadamente ( −1 − 1.40) representa a inclinação da trajectória no plano (x1. e x2(0) = 1. Considere-se um sistema linear de 2ª ordem descrito pela equação: x + 2ξω x + ω 2 x = 0  x1 = x2  2  x2 = −2ξω x2 − ω x1 (2. x2).1 . O método pode ser mais bem compreendido por meio de um exemplo. de um modo aproximado. Dá-se o nome de isoclínica ao conjunto de pontos do plano (x1. Traçando as isoclínicas correspondentes a diversos valores de α obtémse o campo de direcções das tangentes às trajectórias. as próprias trajectórias. x2) tais que dx1/dx2 =α = constante.42)a obtém-se: dx2 x = −2ξω − ω 2 1 dx1 x2 (2. obtém-se a equação de uma recta.

8 α= -2 -2. que permite obter as trajectórias por meio da sequência de arcos circulares cujos centros se situam ao longo do eixo dos x. O método das isoclínicas é de utilização fácil sempre que as isoclínicas são rectas. nomeadamente no caso de sistemas não lineares em que as trajectórias tenham inclinações que podem variar muito rapidamente.11 9 4 2 1 0.4 x1 α= -1 Fig.0.2. De um modo análogo ao anterior se obtêm os troços BC e seguintes. SISTEMAS DE 2ª ORDEM 3.. 58 – Escola Superior de Tecnologia de Setúbal – Controlo Não Linear – Gustavo da Silva .0.18 – Traçado da trajectória pelo método das isoclínicas Pág.5 -3 -4 -6 . obtendo-se a curva A B C D E . 2.4 B C D E -1.2 ..6 -1. Quando tal não acontece poderá ser mais conveniente a utilização de um outro método gráfico.5 α= 0 . o método delta.2 -1. O. x2 A α= -1 -1. Este método de construção pode levar à acumulação de erros.

descrito pela equação diferencial mx + bx + kx = 0 em que m representa a massa do corpo. ficando a equação diferencial do sistema reduzida a mx + kx = 0 . Uma vez que m e k são positivos. que admite como soluções λ = ± j k / m .5. b) Determine os seus pontos de equilíbrio. que de momento não são dadas. conclua sobre a existência de um ciclo limite. Efectuando as mudanças de variável x1 = x e x2 = x obtém-se a equação de estado  x1 = x2  k b   x2 = − m x1 − m x2  x  O modelo de estado ficaria completo com a equação de saída y = C T  1   x2  (eventualmente y=x1) e com as condições iniciais x(0)=x0. com o auxílio dos teoremas de Poincaré e de Bendixon. 2.2 m e x0 = 0 m/s. 59 . c) Não havendo amortecimento é b=0. há dois pólos sobre o eixo imaginário. partindo das condições iniciais x0=0. Problemas resolvidos Probl. Uma vez que os pólos são distintos a solução x(t) é dada por (2. c) No caso em que não há amortecimento determine analiticamente a trajectória descrita pelas variáveis de estado. b o coeficiente de amortecimento. Existe alguma diferença entre esta trajectória e um ciclo limite? e) Para um sistema não linear com pontos de equilíbrio semelhantes aos obtidos. a) Obtenha um modelo de estado para o sistema. Resolução: a) mx + bx + kx = 0 .8): x(t ) = k1e λ1t + k2e λ2t = k1e j k /mt + k2e − j k /mt Escola Superior de Tecnologia de Setúbal – Controlo Não Linear – Gustavo da Silva – Pág. A equação característica é λ 2 + k / m = 0 .2. d) Faça a representação da trajectória sobre o plano de fase.1 Considere o sistema massa-mola-amortecedor. SISTEMAS DE 2ª ORDEM 2. k a constante da mola e x a posição da massa. pois tratando-se de um sistema linear o único ponto de equilíbrio é a origem do espaço de estados.  x2 = 0  x1 = 0  x1 = 0  b) Pontos de equilíbrio:  b   k  x2 = 0  x2 = 0  − m x1 − m x2 = 0  Este resultado era de esperar.

De acordo com o exposto atrás em 2. derive-se x(t): x (t ) = −ω0 ( k1 + k2 )sen(ω 0t ) + jω 0 ( k1 − k2 ) cos(ω0t ) .2 cos(ω 0t )   x (t ) = −0. Como estas fazem intervir x(0) e x(0) . A condição é necessária mas não é suficiente.2 e jω0 ( k1 − k2 ) = 0 k1=k2=0. Repare-se que os eixos da elipse dependem das condições iniciais. mas não quer dizer que haja. dentro da bacia de atracção. Fazendo ± jα k / m = ω0 e atendendo à fórmula de Euler. 60 – Escola Superior de Tecnologia de Setúbal – Controlo Não Linear – Gustavo da Silva .2 ω 0 sen(ω 0t ) Eliminando t entre estas duas equações obtém-se a equação da trajectória: x2 x 2 + 2 = (0.2ω0.2 será N=1 e S=0. e = cos α ± j sen α . Nas figuras representa-se a evolução do estado e o plano de fase. SISTEMAS DE 2ª ORDEM Note-se que k / m tem as dimensões do inverso do tempo. é-se conduzido sempre ao mesmo ciclo limite. As constantes k1 e k2 obtêm-se a partir das condições iniciais.2 evolução do estado trajectória sobre o plano de fase Existe uma grande diferença entre esta trajectória e um ciclo limite. resulta x(t ) = ( k1 + k2 ) cos(ω0t ) + j (k1 − k2 )sen(ω 0t ) . enquanto que num ciclo limite a forma deste é independente das condições iniciais: de onde quer que se parta. Embora esta trajectória seja fechada e se repita sobre ela própria.2 e 0.2 x x 0 x0 • x t -0.2) 2 ω0 d) A trajectória obtida representa uma elipse. Para t=0 será x (0) = ( k1 + k2 ) e x (0) = jω0 ( k1 − k2 ) . de eixos 0. Para aplicar o teorema de Bendixon escreva-se o modelo de estado na forma matricial e calcule-se div f: Pág.3. x 0. Poderá pois haver ciclo limite. e) Há apenas um ponto de equilíbrio. Finalmente fica  x (t ) = 0.1 .2. que é um centro. com a mesma forma e dimensões. o seu tamanho depende das condições iniciais. Pelo teorema de Poincaré está satisfeita a condição necessária para a existência de um ciclo limite (N=S+1). Para as condições iniciais dadas fica k1 + k2 = 0.

a) Obtenha um modelo de estado para o sistema. 2. b) Determine os seus pontos de equilíbrio. SISTEMAS DE 2ª ORDEM  x1   f1  x  =  f   2  2  ∂ divf =   ∂x1  x   f1   2   f  = − k x   2 1  m  k ∂   f1  ∂f1 ∂f 2 ∂x2 ∂  ⋅  f  = ∂x + ∂x = ∂x + ∂x ( − m x1 ) = 0 + 0 = 0 ∂x2   2  1 2 1 2 A condição necessária para que haja ciclo limite é que div f não amorteça e mude de sinal. com A =  1 x2  x2  ∂f 2 ∂f 2      ∂x ∂x  2  x=x  1 e Cálculo de A: ∂x2 ∂x2     ∂x1 ∂x2  A= ∂  ∂  2 2  ∂x [ε (1 − x1 ) x2 − kx1 ] ∂x [ε (1 − x1 ) x2 − kx1 ] {x12=0 2  1  x =0 Escola Superior de Tecnologia de Setúbal – Controlo Não Linear – Gustavo da Silva – Pág. Logo. ou.2 Considere o sistema descrito pela equação de Van der Pol v − ε (1 − v 2 )v + kv = 0 em que ε e k são constantes reais. v = 0 . d) Com o auxílio de um PC obtenha a trajectória para as condições iniciais v = 0 . não pode haver ciclo limite. 61 . c) Com o auxílio dos teoremas de Poincaré e de Bendixon conclua sobre a existência de ciclos limite. não muda de sinal nem amortece.2.0 e k = 1.0. ao ser nula.  ∂f1 ∂f1   ∂x ∂x  x  x  2  Sistema linearizado:  1  = A  1  . positivas (v é a tensão de saída do sistema).  2  x2 = ε (1 − x1 ) x2 − kx1 = v obtém-se a equação de estado x2  x1     x  = ε (1 − x 2 ) x − kx  1 2 1  2   x2 = 0 x = 0  x1 = 0 b) Pontos de equilíbrio:  1   2  x2 = 0  x2 = 0 ε (1 − x1 ) x2 − kx1 = 0 Para caracterizar o ponto de equilíbrio obtido vai ver-se como é o sistema linearizado obtido a partir deste. Resolução: a) Efectuando as mudanças de variável x1 = v e x2  x1 = x2 . Neste caso. num oscilador com ε = 1. na forma matricial. Probl.

b) Aplicando o teorema de Bendixon. pelo teorema de Bendixon. 2. c) Qual a diferença entre um ciclo limite e a trajectória. ∂ ∂f ∂f ∂x [ε (1 − x12 ) x2 − kx1 ] = ε (1 − x12 ) Calcule-se div f: div f = 1 + 2 = 2 + ∂x1 ∂x2 ∂x1 ∂x2 Esta quantidade muda de sinal e não é amortecida. pode haver um ciclo limite.2. 62 – Escola Superior de Tecnologia de Setúbal – Controlo Não Linear – Gustavo da Silva . conclua sobre a possibilidade haver ciclos limite.5 x = 0 b) x + x +0. Problemas propostos Esta matriz admite como valores próprios λ1. 2. em regime livre  x1 = − sen x1  3  x 2 = − x2 a) Determine os pontos de equilíbrio e caracterize-os. De acordo com o exposto atrás em 2. o seu retrato de fase. (N=S+1). usando o método das isoclínicas. 2.6. Probl. SISTEMAS DE 2ª ORDEM 0 1    0 1 =  =  2    −k ε   −2ε x1 x2 − k ε (1 − x1 )  {x12=0 x =0 que não são do tipo 2 ponto de sela.4 Dado o sistema contínuo  x1 = sen x2   x2 = − sen x1 − x2 a) Determine os seus pontos de equilíbrio. 2. Pelo teorema de Poincaré está satisfeita a condição necessária para a existência de um ciclo limite.6 Pág.3. Probl. do sistema massa-mola linear sem amortecimento? Probl. logo.5 Utilizando o método das isoclínicas esboce o retrato de fase dos sistemas descritos por a) x + x +0.5 x = 1 Confirme os resultados obtidos utilizando o computador.3 Considere o sistema autónomo. b) Trace de forma aproximada.2 será N=1 e S=0. Poderá pois haver ciclo limite. 2.2 = ε ± ε 2 − 4k Probl. sobre o plano de fase.

Nota: Repare que as isoclínicas são funções sinusoidais. a que corresponde a equação diferencial θ + sen θ = 0. SISTEMAS DE 2ª ORDEM Utilizando o método das isoclínicas obtenha o esboço do retrato de fase do movimento do pêndulo gravítico sem atrito.2. 63 . Escola Superior de Tecnologia de Setúbal – Controlo Não Linear – Gustavo da Silva – Pág.

O primeiro trabalho teórico sobre a estabilidade de sistemas de controlo não lineares foi publicado por Lyapunov em 1892 na sua tese de doutoramento. conhecido também como 2º método. Para um sistema contínuo determinístico o modelo de estado escreve-se 1 James Watt. Introdução Quando se projecta ou se estuda um sistema de controlo. 3. e o método directo de Lyapunov.1 e 1. tendo a partir daí sido completado e desenvolvido. pode ser representado por um sistema de equações vectoriais.2.3. Mecânico Escocês. 63 . muitas vezes designado por 1º método. Este dispositivo constitui um sistema de controlo não linear. Sistemas autónomos em regime livre Viu-se no capítulo 1. são apresentados o método da linearização de Lyapunov. O trabalho de Lyapunov foi traduzido para Francês em 1908.3.5.1. pela Universidade de Princeton. Com efeito. FUNDAMENTOS DA TEORIA DE LYAPUNOV 3.5. O problema da estabilidade apareceu desde cedo na história do controlo automático com o regulador automático de Watt(1). 1736-1819. Um sistema instável pode por exemplo conduzir ao voo descontrolado de um avião (e à sua eventual queda). Pontos de equilíbrio e estabilidade 3. De uma forma geral deve-se garantir que o sistema seja estável. se a energia a ele associado for elevada. que um sistema não linear. Neste capítulo serão introduzidos conceitos que não têm correspondência nos sistemas lineares referentes aos pontos de equilíbrio e estabilidade. Só nos anos 60 é que este trabalho atraiu a atenção da comunidade científica. Nele é determinado o comportamento de sistemas não lineares com o auxílio de uma função escalar com características semelhantes à energia associada ao sistema.2.3. secções 1. contínuo ou discreto. que hoje se designa por função de Lyapunov. um dos pontos importantes que é necessário ter em conta é a sua estabilidade. destinado a estabilizar a velocidade da máquina a vapor. sistema mecânico baseado no pêndulo cónico. designado por modelo de estado do sistema. um sistema instável além de ser difícil de controlar é potencialmente perigoso. com o título “The General Problem of Motion Stability”. e foi reimpresso apenas em 1947. ou ao rebentamento de um reactor químico.

sujeitos às condições iniciais (3.1)a). Resolução: A substituição da lei de controlo (3. Se a função não depender explicitamente do tempo.3 .1)c).3)a) diz-se não autónomo se a função f depender explicitamente do tempo. y ∈ D y ⊂ ℜq e t ∈ ℜ+ .6). com a realimentação de estado (3. u = φ( x ) (3. em que existe uma lei de realimentação de estado. t ] (3. Exemplo 3-1 Dado o sistema autónomo descrito pela equação de estado  x1 = x2  3  x2 = −(b / m) x2 − ( k1 / m ) x1 − (k3 / m) x1 + u (3.2) Uma vez que o estado de um sistema define o seu comportamento.1) b) c) em que x ∈ Dx ⊂ ℜn .5) conduz ao sistema  x1 = x2   x2 = −(b / m) x2 − ( k1 / m) x1 (3.5) na equação de estado (3. Considerando sistemas em cadeia fechada.4) sujeito à lei de realimentação u = ( k3 / m) x13 (3. Um sistema autónomo é pois descrito pela equação de estado x(t ) = f [x(t )] Pág. ou seja. 64 – Escola Superior de Tecnologia de Setúbal – (3.6) É interessante notar que o sistema (3. é linear. Para um sistema discreto as equações têm uma escrita semelhante. t ]   y (t ) = h( x(t ). u(t ).FUNDAMENTOS DA TEORIA DE LYAPUNOV  x (t ) = f [x(t ).5) obtenha a equação de estado do sistema em cadeia fechada. Estudar-se-á a estabilidade de sistemas não submetidos a excitações exteriores u. pode escrever-se: a)  x (t ) = f [x (t ).7) Controlo Não Linear – Gustavo da Silva . a que se chegou. u(t ).2).3)b)   x (0) = x 0 O sistema descrito por (3. o sistema diz-se autónomo. vai de momento concentrar-se a atenção para a descrição do estado do sistema efectuada pela equação de estado (3. t ]  x (0) = x 0  a) (3. em regime livre. Um sistema autónomo não tem entradas aplicadas e é invariante no tempo. e em cadeia fechada. u ∈ Du ⊂ ℜ p .

Designar-se-ão neste texto.3. Se as condições iniciais x(0) forem tais que a trajectória x(t) permaneça sempre igual a si mesma (e consequentemente a x0). Trata-se de vectores com a dimensão igual à ordem do sistema. como x(t) não evolui. conduz a um sistema não autónomo. Exemplo 3-3 Indicar se é autónomo o sistema m x + (0. Com efeito. Resolução: Apesar de não se encontrar excitado. Exemplo 3-2 Indicar se é autónomo o sistema representado por x + 0. x(t ) ≡ x e (3.9) ou. f (x e ) = 0 x(t ) = Ax(t ) (3.2. diz-se que x0 é um estado de equilíbrio ou ponto de equilíbrio. Resolução: Na equação diferencial aparece u (t ) = 6sen t . como acontece no caso do controlo adaptativo. pelo que os pontos de equilíbrio se obtêm resolvendo o sistema: f [x(t )] = 0 (3. uma vez que é variante no tempo.10) (3. os pontos de equilíbrio por xe.FUNDAMENTOS DA TEORIA DE LYAPUNOV e pelas condições iniciais (3. Analiticamente pode definir-se ponto de equilíbrio por x e é ponto de equilíbrio ⇔ ∀t > 0. Pontos de equilíbrio de sistemas autónomos Considere-se o sistema autónomo descrito por (3.2sen t x 2 − 1) x + k x = 0 .11) (3. um sistema pode ter um. O sistema encontra-se excitado por uma entrada independente do seu estado. x(t)=xe.12) – Gustavo da Silva – Pág. Repare-se que um sistema em cadeia fechada em que a lei de controlo (3. 3.1x + x 5 = 6sen t . Como se verá. Os pontos de equilíbrio são obtidos resolvendo o sistema de equações: Ax e = 0 Escola Superior de Tecnologia de Setúbal – Controlo Não Linear .7). 65 Se se tratar de um sistema autónomo linear tem-se. conduz a uma equação de estado com dependência explícita do tempo. ou seja. vários ou infinitos pontos de equilíbrio. logo é não autónomo.3 . o sistema não é autónomo.8) A determinação dos pontos de equilíbrio faz-se utilizando directamente o modelo de estado.2) varia com o tempo.3)b). se x(t) ≡ xe então x (t ) = 0 .

Estabilidade nsLy O estado de equilíbrio xe=0 diz-se estável no sentido de Lyapunov (nsLy) se. e efectue-se a mudança de variáveis de estado z = x − xe (3.3. ze = 0 é o ponto de equilíbrio correspondente a x = xe. na nova variável de estado z. então a trajectória deverá ser iniciada dentro de outra bola.7) possuir mais do que um ponto de equilíbrio. Portanto. Na Fig.3. O estado de equilíbrio diz-se instável. a única solução de (3. Um sistema com a matriz A regular designa-se por sistema linear simples. vulgarmente designada por estabilidade dos pontos de equilíbrio ou dos estados de equilíbrio.14) À variável x corresponde a nova variável z e a correspondência é biunívoca.3.12) é a origem do espaço de estados. Analiticamente pode escrever-se: x e = 0 é estável nsLy ⇔ (∀R > 0. ∀t (3. haverá que efectuar tantas mudanças de variável quantos os pontos de equilíbrio que se desejam estudar. xe = 0.1. e se se pretender estudar o seu comportamento na vizinhança de cada ponto de equilíbrio utilizando o procedimento que acaba de ser exposto. o estudo do comportamento do sistema (3.1.7). Estabilidade de pontos de equilíbrio Devido ao facto de os sistemas não lineares terem um comportamento muito mais rico e complexo do que os sistemas lineares.7).13) Obtém-se uma nova descrição do sistema.15) A definição afirma que num sistema estável nsLy. Se a matriz A for singular. z = f (z + xe ) (3. representa-se a evolução da norma do estado de um sistema estável nsLy. Pág. cujo raio r < R. Além disso. Considerando a possibilidade de efectuar a mudança de variável (3. tornou-se necessário detalhar os conceitos de estabilidade. para todo o t > 0. o assunto exposto não perde generalidade se for estudada a estabilidade em torno da origem. 3.12) admite um número infinito de soluções. o sistema (3. dependerá de R.FUNDAMENTOS DA TEORIA DE LYAPUNOV Se a matriz A for regular. 3. Considerar-se-á de momento a estabilidade de trajectórias na vizinhança de pontos de equilíbrio de sistemas autónomos descritos pela equação (3. 66 – Escola Superior de Tecnologia de Setúbal – Controlo Não Linear – Gustavo da Silva . que constituem um hiperplano que passa pela origem.3 .7) na vizinhança de xe poderá ser facilitado analisando o comportamento de (3. caso contrário. Seja xe um ponto de equilíbrio do sistema (3. Se o sistema (3. se for desejado que uma trajectória não saia fora de uma bola de raio R (qualquer que este seja).13). 3.14) na vizinhança da origem (z=0). para qualquer R > 0 existir r(R) > 0 tal que se ||x(0)|| < r então ||x(t)|| < R.3. ∃r ( R ) > 0 ∴ x (0) < r ⇒ x (t ) < R.

é instável nsLy. 67 . a trajectória evolui para fora dessa circunferência. qualquer que este seja. conduz o sistema a oscilar com uma amplitude bem definida. no espaço de estados. e portanto o sistema é instável. R. interior ao ciclo limite. Se for desejado que ||x(t)|| permaneça inferior a R.3 . não havendo possibilidade de iniciar o sistema num estado tal que a amplitude permaneça inferior a um valor desejado.2 – Instabilidade do oscilador de Van der Pol. A Fig. Com efeito qualquer trajectória iniciada no interior do ciclo limite (excluída a origem). Repare-se que o valor de R é qualquer. 3.2 caracteriza. trajectórias x2 ciclo limite R x1 Fig. R∈ℜ+. Escola Superior de Tecnologia de Setúbal – Controlo Não Linear – Gustavo da Silva – Pág. pois caso contrário haveria um intervalo de tempo em que ||x(t)|| ≥ R.FUNDAMENTOS DA TEORIA DE LYAPUNOV ||x(t)|| R r ||x(0)|| ||x(t)|| ||xe||=0 0 t Fig. O oscilador de Van der Pol.1 – Sistema estável nsLy. instabilidade do oscilador de Van der Pol: se for escolhida a circunferência de raio R indicado. 3. Da figura observa-se que deverá ser r < R. 3. a trajectória deverá iniciar-se com ||x(0)|| < r. já apresentado a propósito dos ciclos limite.

3. Chama-se a atenção para o facto de haver sistemas que podem não ser estáveis nsLy e convergirem para zero. A definição dada tem a interpretação geométrica dada na Fig. superfície ou hipersuperfície que separa as bacias de atracção. Ao espaço de estados Br.3. se houver mais do que um ponto de equilíbrio estável o sistema terá as correspondentes bacias de atracção. não necessariamente a origem.3 . ←separatriz • • 1ª bacia de atracção • 2ª bacia de atracção Fig. região de atracção ou bacia de atracção do ponto de equilíbrio (Fig. dá-se o nome de domínio de atracção. constituído por uma bola com o maior raio r que verifique a definição dada. 3.4 – Bacias de atracção e separatriz.3. Os conceitos de estabilidade que se acabam de apresentar são aplicáveis a qualquer ponto de equilíbrio de um sistema.4). ||x(t)|| R r x(0) ||x(t)|| ||xe||=0 0 t Fig. Pág. Um ponto de equilíbrio diz-se marginalmente estável nsLy se for estável mas não for assimptoticamente estável. Nestas condições. Estabilidade assimptótica O estado de equilíbrio xe = 0 diz-se assimptoticamente estável nsLy se for estável nsLy e além disso existir r > 0 tal que ||x(0)|| < r ⇒ x(t) → 0 quando t → ∞. Um exemplo apresentado por Vinograde descreve trajectórias que quando iniciadas dentro da circunferência de raio 1 começam por sair sempre para fora da circunferência e só depois é que convergem para a origem.3.2.3 – Sistema assimptoticamente estável.FUNDAMENTOS DA TEORIA DE LYAPUNOV 3. Designa-se por separatriz a linha. 3. 3. 68 – Escola Superior de Tecnologia de Setúbal – Controlo Não Linear – Gustavo da Silva .

3. Exemplo 3-4 Determine o tipo de estabilidade do seguinte sistema: x (t ) = −[1 + sen 2 x (t )] x (t ) Resolução: O sistema é de 1ª ordem e admite como ponto de equilíbrio x=0.4. referem-se à estabilidade na vizinhança de um determinado ponto de equilíbrio.3 . No entanto. Por este motivo é importante saber como é que um sistema se comporta. Um estado de equilíbrio diz-se globalmente assimptoticamente estável se for assimptoticamente estável.FUNDAMENTOS DA TEORIA DE LYAPUNOV 3. ||x(t)|| α||x(0)|| decaimento λ x(0) ||xe||=0 0 ||x(t)|| t Fig. Um estado de equilíbrio diz-se globalmente estável se for estável. Escola Superior de Tecnologia de Setúbal – Controlo Não Linear – Gustavo da Silva – Pág.3.5 – Sistema exponencialmente estável. 3. ou decaimento. De um modo semelhante se define estado de equilíbrio globalmente exponencialmente estável. O estado de um sistema exponencialmente estável converge para a origem de uma forma igual ou mais rápida que a exponencial. A estabilidade assim definida designa-se por estabilidade local.5. 3. se o estado inicial se encontrar longe do ponto de equilíbrio. 69 . qualquer que seja o valor inicial do seu estado. quando o seu estado inicial se encontra afastado de determinado ponto de equilíbrio. 3. Estabilidade exponencial O estado de equilíbrio xe=0 diz-se exponencialmente estável se existirem dois números reais α ≥ 1 e λ > 0 tais que dentro de uma bola Br com centro na origem ∀t > 0.16) Ao parâmetro λ chama-se razão de convergência da exponencial. Estabilidade local e global Os conceitos sobre estabilidade que se acabaram de apresentar.3. como se exemplifica na Fig. o seu comportamento poderá ser diverso. qualquer que seja o valor do seu estado inicial.3. Surge assim o conceito de estabilidade global. || x(t ) || ≤ α || x(0) || e −λt (3.

Sistema linearizado Considere-se o sistema autónomo x = f (x) (3. resultando ln x0 cialmente estável. vulgarmente designado por 1º método de Lyapunov.  ∂f  Repare-se que   representa a matriz Jacobiana de f.18)  ∂f  onde   representa o primeiro termo do desenvolvimento de f(x) em série de Taylor  ∂x  e fos(x) representa os restantes termos de ordem superior. ou seja. x pode escrever-se x(t ) < − x(t ) Separando as variáveis fica < −1 .18) não tem termo constante. a expressão (3. A definição de sistema globalmente assimptoticamente estável implica o seguinte: Um sistema global e assimptoticamente estável apenas pode ter um ponto de equilíbrio. Esta equação pode x ser integrada membro a membro entre os instantes 0 e t.4. Nestas condições o sistema (3. 70 – Escola Superior de Tecnologia de Setúbal – . é diferenciável uma vez. pelo que o sistema é exponenx0 e x(t).1.17) Admita-se que a função f é de classe C1. Em última análise o método justifica a atitude que se toma na prática de utilizar as técnicas do controlo linear para cada um dos pontos de funcionamento do sistema.FUNDAMENTOS DA TEORIA DE LYAPUNOV Nem sempre é necessário determinar analiticamente a solução x(t) para saber o comportamento do sistema.3 . que se representará por A. Controlo Não Linear – Gustavo da Silva Pág. é devido a Poincaré. do sistema dado. Com efeito. e atendendo a que o seno é uma função limitada. Este método utiliza o conceito de sistema linearizado e serve-se do formalismo dos sistemas lineares para analisar a estabilidade de determinado tipo de sistemas não lineares. Este exemplo pode resolver-se de uma forma bastante simples. Estabilidade pela linearização Nesta secção será estudada a estabilidade de um sistema não linear utilizando o método da linearização de Lyapunov(2). ou ainda x (t ) < x0e − t .4. Uma vez que o desenvolvimento em série é feito em torno do ponto de equilíbrio xe= 0.17) pode escrever-se  ∂f  x =   x + fos ( x )  ∂x  xe =0 (3. a que correspondem os estados x (t ) < −t .  ∂x  2 Este método. 3. 3.

.  ∂f n   .20) se ignorarem os termos de ordem superior.21) Se em (3.. x = Ax Ao sistema (3.7).21) dá-se o nome aproximação linear de (3. ∂xn   . u) =0 =0  ∂x xue=0  ∂u  xue=0 ou ainda x = Ax + Bu + fos ( x. ou sistema linearizado. (3.27) (3.. invariantes no tempo..18) pode escrever-se x = Ax + fos ( x ) ∂f1  ∂xn   . substituir cos x por 1.. 71 .. u(t )] (3.22) Note-se que a linearização pode ser aplicada a sistemas excitados com entrada u. fica apenas.7).20) (3.19) (3. consiste simplesmente em desprezar os termos que convergem para zero com uma ordem superior a 1. o sistema (3.FUNDAMENTOS DA TEORIA DE LYAPUNOV  ∂f1  ∂x 1 ∂f   ∂f i    A= =  =  ..3 . sen x por x.24) (3.25) (3.26) (3.23) resultando do desenvolvimento  ∂f   ∂f  x =   x +   u + fos ( x. Escola Superior de Tecnologia de Setúbal – Controlo Não Linear – Gustavo da Silva – Pág. basta calcular o sistema linearizado e subtraí-lo do sistema original: fos ( x ) = f ( x ) − Ax (3. etc. Repare-se que para obter os termos fos(x) não é necessário calcular derivadas de f(x) de ordem superior à 1ª (nem tal condição é exigida para obter a linearização). x(t ) = f [x(t ). fos(x).    ∂x   ∂x j    ∂f n  ∂x  1 Nestas condições. u) sendo a linearização do sistema dada por x = Ax + Bu (3.28) com e  ∂f  A=  =0  ∂x  xue=0  ∂f  B=  =0  ∂u  xue=0 Um método expedito para obter o sistema linearizado a partir de (3..

x2 ) = − x1 − sen x2 e f 2 ( x1 . calculando a matriz Jacobiana e utilizando o método expedito.FUNDAMENTOS DA TEORIA DE LYAPUNOV Exemplo 3-5 Obter a linearização dos sistemas a seguir indicados. x2 =0  0 −1  ∂x ∂x  2  x1 = 0. Tem-se f1 ( x1 .3 . b)  x1 = − x1 − sen x2   x2 = − x2 − sen x1 Considerar-se-á apenas o ponto de equilíbrio x1 = 0 e x2 = 0 . x = 0  1 1 2 O sistema linearizado é assim  x1   −1 −1  x1   x  =  −1 −1  x   2  2  Para obter este mesmo sistema pelo método expedito poderia simplesmente substituir-se sen x1 por x1e sen x2 por x2. 72 – Escola Superior de Tecnologia de Setúbal – Controlo Não Linear – Gustavo da Silva . em torno do qual se fará a linearização. sendo a matriz Jacobiana  ∂f1 ∂f1   ∂x ∂x   − 1 2 x2   −1 0  2  A= 1 = =    ∂f 2 ∂f 2   0 −1  x1 =0. x2 = 0  1 O sistema linearizado é pois dado por  x1   −1 0   x1   x  =  0 −1  x   2  2  Para obter este mesmo sistema por um método expedito poderia simplesmente 2 desprezar-se o termo de 2ª ordem. x2 ) = − x2 . na primeira equação. x2 ) = − x2 − sen x1 . x2 . x =0  −1 −1  ∂f 2 ∂f 2    − cos x1 1 2  ∂x ∂x  2  x = 0. Pág. sendo a matriz Jacobiana  ∂f1 ∂f1   ∂x ∂x  − cos x2   −1  −1 −1 2  A= 1 = =  −1  x =0. x2 ) = − x1 + x2 e f 2 ( x1 . 2  x1 = − x1 + x2 a)   x 2 = − x2 O ponto de equilíbrio deste sistema é x1 = 0 e x2 = 0 . 2 Neste sistema tem-se f1 ( x1 .

da teoria dos sistemas lineares. em relação à estabilidade. esquerdo.5sen x2 = 0  admite como solução 3 pontos de equilíbrio.29) Tratando-se de um sistema simples a matriz A é regular e portanto o único ponto de equilíbrio do sistema é a origem do espaço de estados.5cos x2  x =0. Sabe-se.  ∂u  ue=0 2  − sen x1 + x2 = 0  Os pontos de equilíbrio do sistema autónomo são obtidos por  2 . 73 . Para este ponto será:  ∂f1  ∂x  1 A=  ∂f 2  ∂x  1 ∂f1  ∂x2   − cos x1  = ∂f 2   2 x1  ∂x2  x =0.5  x2  1 3. • Marginalmente estável: matriz A com os pólos no semiplano complexo s esquerdo e com pelo menos um valor próprio sobre o eixo jω. pelo que fica  ∂f1   ∂u  0 0 B=  =  =  1 x1 =0. e utilizando a linguagem introduzida atrás. Como o sistema é linear a estabilidade é sempre global. x(t ) = Ax(t ) (3. o seu tipo é independente das condições iniciais. que.2. que  x1 − 0.5sen x2 + u   ∂f  e B= De acordo com (3. x =0. entre os quais se encontra a origem do espaço de estados. Escola Superior de Tecnologia de Setúbal – Controlo Não Linear – Gustavo da Silva – Pág.u =0   0   x1   0  x   −1 O sistema linearizado em torno da origem será pois  1  =    +  u  x2   0 −0.26) será x = Ax + Bu .5  1 2 Note-se que o sistema apenas tem uma entrada (escalar). com A =   =0  ∂x  xue=0  ∂f    x =0 . xe = 0. e portanto independente da distância entre o ponto de partida em t=0 e o ponto de equilíbrio. x =0.4.FUNDAMENTOS DA TEORIA DE LYAPUNOV c) 2  x1 = − sen x1 + x2   2  x2 = x1 − 0. Método de Lyapunov da linearização Considere-se um sistema linear simples.3 .u =0 1   ∂f 2   ∂u  x1 =0. x2 =0. x2 =0. autónomo. um sistema linear contínuo apenas pode ser: • Exponencialmente estável: matriz A com todos os valores próprios no semiplano complexo s.u =0 1 2 2 x2   −1 0  = −0.u =0  0 −0.

encontra-se no semiplano complexo s esquerdo. e afirma o seguinte: • Se o sistema linearizado for (exponencialmente) estável. 167-169) Exemplo 3-6 Utilizando o método da linearização concluir sobre a estabilidade dos sistemas descritos pelos seguintes modelos: a) x = − x 3 − sen x c) x + 2 x 2 = a x. Há no entanto forma de levantar a indeterminação e obter a estabilidade do sistema não linear associado. Pág. –1. a ∈ b) x = (1 − x )3 − 1 d) MLθ + Bθ + MgL sen θ = 0 (pêndulo de massa M. x = − x . 74 – Escola Superior de Tecnologia de Setúbal – Controlo Não Linear – Gustavo da Silva .3 . o correspondente sistema não linear é instável. o sistema linearizado representa com bastante aproximação o sistema não linear de partida. o correspondente sistema não linear é assimptoticamente estável. 2ª ed. comprimento do braço L e factor de amortecimento B) Resolução: a) O único ponto de equilíbrio deste sistema é a origem. O método da linearização sofre de uma limitação. em que p é o número de valores próprios com parte real nula. Utilizando o método expedito pode obter-se o sistema linearizado em torno da origem. utilizando o teorema da variedade central (“center manifold theorem”). • Se o sistema linearizado for instável. se o sistema linearizado for marginalmente estável é de esperar que os termos de ordem superior desempenhem um papel decisivo no comportamento do sistema não linear correspondente. • Se o sistema linearizado for marginalmente estável nada se pode concluir sobre o sistema não linear correspondente. A demonstração deste teorema será feita adiante.FUNDAMENTOS DA TEORIA DE LYAPUNOV • Instável: matriz A com pelo menos um valor próprio no semiplano complexo s direito. com base no método directo de Lyapunov. No entanto. O valor próprio desta matriz. O sistema linearizado é exponencialmente estável e consequentemente o sistema original é assimptoticamente estável. págs. Neste caso a solução ||x(t)|| tende para ∞ quando t→∞. da matriz A do sistema linearizado (ver Khalil. Este teorema permite estudar a estabilidade do sistema não linear de ordem n a partir do estudo de um sistema menos complexo. O método da linearização de Lyapunov parte da análise da matriz A do sistema linearizado para concluir sobre a estabilidade do sistema não linear. Tem-se pois A= –1. Note-se que se o valor do estado estiver próximo do equilíbrio (por hipótese xe= 0). quando o sistema linearizado é marginalmente estável. de ordem n-p.

 x = x2 2º. ± 2. O sistema linearizado é exponencialmente estável e portanto o sistema original é assimptoticamente estável. obtendo-se x = −3x + 3x 2 − x 3 . O sistema linearizado será pois x = −3 x . O sistema linearizado é marginalmente estável. Note-se que estes pontos de equilíbrio correspondem às posições em que a massa do pêndulo se encontra no topo. k = 0. O pólo encontra-se no semiplano complexo s esquerdo. ou seja. O sistema linearizado será  x1 = x2  x1   x1   x   0 1  x1   0 1 . sendo os valores próprios λ1. Pontos de equilíbrio:  2 . ou. ± 2.  x  = A  x  . O sistema linearizado é instável e consequentemente o sistema original também é instável.FUNDAMENTOS DA TEORIA DE LYAPUNOV b) Este sistema pode ser simplificado.3 .  x = x2 B com b = > 0. Há a distinguir dois casos: 1º. nada se podendo concluir sobre o sistema original.  x1 = x2 c) Efectuando as mudanças de variável x = x1 e x = x2 vem  2  x2 = ax1 − 2 x2 Os pontos de equilíbrio são x1 = 0 e x2 = 0 .  x2 = gx1 − bx2 0 1  1 2 A matriz A será   .2 = 2 ( −b ± b + 4 g ) .  1 .2 = 2 ( −b ± b − 4 g ) . ao linearizar: 1º. Neste caso há um pólo do sistema linearizado no semiplano complexo s direito.  x = x2 . O sistema linearizado é instável e portanto o sistema original é também instável. O sistema linearizado é exponencialmente estável e portanto o sistema original é assimptoticamente estável (nos pontos de equilíbrio indicados).  − g sen x1 − bx2 = 0  x2 = 0 Há agora a distinguir dois casos distintos. . sendo os valores próprios λ1. 2º. d) Fazendo θ = x1 e θ = x2 pode escrever-se  1 ML  x2 = − g sen x1 − bx2 x = 0  x = k π. ± 4. Os valores próprios de A obtêm-se resolvendo a equação A − λI = 0 : a −λ λ 2 − a = 0 . O único ponto de equilíbrio é x=0. a ≤ 0 . Estes  g −b  valores próprios estão localizados um no semiplano complexo s esquerdo e o outro no semiplano direito.  − g −b  Estes valores próprios estão localizados no semiplano complexo s esquerdo.  x2 = − gx1 − bx2 1 0 1 2 A matriz A será   . Nestes casos o sistema linearizado será  1 . k = ± 1. Escola Superior de Tecnologia de Setúbal – Controlo Não Linear – Gustavo da Silva – Pág. com A =  a 0    x2 = ax1  2  2  x2   a 0   2  −λ 1 = 0. 75 . a > 0 . e tem o valor –3. λ = ± a . k = 0. ou ainda. ± 3. Neste caso há um par de pólos sobre o eixo imaginário. ± 1.  1  =     x  . Nestes casos o sistema linearizado será  1 .

1. Será uma extensão do modelo representado pela equação (2. Um sistema. A função de Lyapunov pode ser encarada como uma extensão matemática do conceito de energia do sistema.31) A energia cinética do sistema é dada por Vc ( x ) = 1 2 mx 2 (3.32) pelo que a energia mecânica total do sistema será V (x) = 1 2 1 1 k1 x + k3 x 4 + mx 2 2 4 2 (3. eléctrico ou de outro tipo. Motivação O método directo de Lyapunov. Nos circuitos de electrónica o fornecimento de energia contínua é feito pela fonte de alimentação. com amortecimento proporcional ao quadrado da velocidade. correntes. é dada por V p ( x ) = ∫ ( k1 x + k3 x 3 )dx = 0 x 1 2 1 k1 x + k3 x 4 2 4 (3. Estudando a energia associada ao sistema. em que existe uma transferência de energia contínua para um tipo de energia alternado ou oscilante. tem habitualmente dissipação ou amplificação de energia. permite efectuar a análise da estabilidade de um sistema através de uma função escalar do estado.33) Observando a função V(x).FUNDAMENTOS DA TEORIA DE LYAPUNOV 3. 76 – Escola Superior de Tecnologia de Setúbal – Controlo Não Linear – Gustavo da Silva . Tome-se como exemplo o sistema em regime livre. etc. quando a mola se encontra na posição x. designada por função de Lyapunov. mx + b x x + k1 x + k3 x 3 = 0 (3. a energia pode ser originada pela componente contínua do vento. ou por qualquer outra força permanente. quer seja mecânico.30) Notando que k1 x + k3 x 3 é a força de restituição da mola. conclui-se que: V(x) é positiva quando x ≠ 0 (x ≠ 0 e x ≠ 0) V(x) é nula quando x = 0 Pág.22).5. será possível avaliar o seu comportamento.3 . velocidades. ou outra grandeza mais conveniente. correntemente designado por 2º método de Lyapunov. a energia potencial associada a esta força. Numa ponte que entra em oscilação.5.) terão tendência a evoluir para zero. tensões eléctricas. A amplificação de energia só existe em sistemas com componentes activos. constituído por uma massa sujeita à acção de uma mola não linear. Sempre que a dissipação seja superior à amplificação a energia do sistema irá caindo e as variáveis do sistema (amplitudes de oscilação. Método Directo de Lyapunov 3. em particular a sua estabilidade.

35) Uma vez que se trata de um sistema com amortecimento (b>0).36) A função V(x) diz-se globalmente positiva definida se (3.33).30) e considerando a sua energia total V(x) dada por (3. 3. Note-se ainda. Funções positivas definidas Uma função escalar. Repare-se que a definição de função positiva definida exige que V(0) = 0.35) mostra que. conclui-se imediatamente que V(x) é globalmente definida positiva. vem: V ( x ) = −b x x 2 = −b x 3 (3. diz-se localmente positiva definida se.6 – Representação geométrica de uma função positiva definida. 77 . Escola Superior de Tecnologia de Setúbal – Controlo Não Linear – Gustavo da Silva – Pág.FUNDAMENTOS DA TEORIA DE LYAPUNOV Calcule-se agora a evolução de V(x) com o tempo: V ( x ) = k1 xx + k3 x 3 x + mxx = ( k1 x + k3 x 3 + mx ) x (3. Na Fig. isto é.36) for válida para todo o espaço de estados. 3. a expressão (3.6 encontra-se representada geometricamente uma função positiva definida. 3. de um vector. Tomando o exemplo do sistema atrás representado em (3.34) Notando que a quantidade entre parêntesis. Isto implica que o seu único mínimo é a origem (estado nulo). pela equação (3.5.3 . uma vez que a função V(x) é unívoca. contínua e unívoca. a energia total do sistema vai diminuindo. independentemente do estado inicial. V(x) x2 V1 V3 V2 V3 V2 V1 0 V3>V2>V1 0 x1 V1<V2<V3 x1 a) Representação 3D x2 b) Curvas de nível Fig. a função V (x ) é sempre negativa.2. quando x = 0 . até atingir o valor zero. que na representação por meio de curvas de nível estas não se intersectam. Os conceitos contidos neste exemplo constituem a base do método directo de Lyapunov.30) é igual a −b x x . se dentro de uma bola de raio R0 for:  >0 V (x)   =0 x≠0 x=0 (3.

que é maior ou igual a zero (igual apenas para θ = 0 ou múltiplo de 2π). x2 = θ ) Analise-se o que se passa no ponto de equilíbrio x=0. contínua V(x) diz-se localmente indefinida se. e de θ2 . na vizinhança da origem V(x) satisfaz à definição (3. Nestas condições. Pág. b) O ponto de equilíbrio do sistema é x=0. V (x ) = 1 − cos θ + θ 2 1 V (x) = 2 x 2 + x 2 2 1 V (x) = 2 x 2 − x 2 4 ( x1 = θ . c) O sistema é igual ao anterior.36).37) V (x)   =0 x=0 A função diz-se negativa semidefinida se –V(x) for positiva semidefinida.3 . dentro de uma bola de raio R0 qualquer. A função V(x) é constituída pela soma de 1 − cos θ . V(x) satisfaz à definição (3. Uma função escalar. A função V(x) pode agora tomar valores positivos ou negativos para x≠0. Uma função escalar. sendo zero nos pontos de equilíbrio. 78 – Escola Superior de Tecnologia de Setúbal – Controlo Não Linear – Gustavo da Silva .FUNDAMENTOS DA TEORIA DE LYAPUNOV Uma função V(x) diz-se negativa definida (local ou globalmente) se a sua simétrica –V(x) for positiva definida. as seguintes funções V(x) associadas aos sistemas indicados: a) θ + 2θ + sen θ = 0 b) x = − x 3 − sen x c) x = − x 3 − sen x Resolução: a) Efectuando as mudanças de variável θ = x1 e θ = x2 obtém-se o modelo de estado  x1 = x2    x2 = − sen x1 − 2 x2  Os pontos de equilíbrio obtêm-se resolvendo o sistema de equações   x2 = 0   − sen x1 − 2 x2 = 0  obtendo-se x1 = kπ . A função V(x) é constituída pela soma de dois termos maiores ou iguais a zero. diz-se positiva semidefinida (local ou globalmente) se:  ≥0 x≠0 (3. no que respeita às definições atrás apresentadas. em torno da origem tomar valores positivos e negativos. contínua e unívoca. que é maior ou igual a zero. pelo que é globalmente positiva definida. k ∈ e x2 = 0 . V(x) é pois localmente indefinida. Exemplo 3-7 Classificar.36) pelo que é localmente positiva definida.

para a origem: a) x = − x  x = − x2 − x13  b)  1 3  x2 = x1 − x2   x = − x2 − sen x1 c)  1  x2 = x1 − sen x2 V (x) = x 2 + x 2 2 V ( x ) = x12 + x2 V (x ) = 1 2 2 ( x1 + x2 ) 2 Resolução: a) A função V(x) é positiva definida.7 – Representação geométrica de uma função de Lyapunov.7 faz-se a representação geométrica de uma função de Lyapunov.3 . x≠0 x≠0 V ( 0) = 0 V ( 0) = 0 (3. Analise-se a derivada: V (x ) = 2 xx + 2 xx = 2( x + x ) x . Exemplo 3-8 Indicar quais das funções abaixo são função de Lyapunov dos respectivos sistemas. 3.FUNDAMENTOS DA TEORIA DE LYAPUNOV 3.3. V (x) for negativa semidefinida. 3. Logo. A partir do sistema obtém-se x = − x .38) Na Fig. pelo que V (x ) = 2( x − x ) x = 2( x + x )( − x ) = −4 x 2 que é negativa definida. V(x) é uma função de Lyapunov do sistema dado.  V ( x ) ≤ 0.5. Escola Superior de Tecnologia de Setúbal – Controlo Não Linear – Gustavo da Silva – Pág. A condição V ( x ) ≤ 0 implica que a trajectória do sistema se deve aproximar da origem. 79 . uma função V(x) diz-se função de Lyapunov se e só se: V(x) for positiva definida. Para uma função de Lyapunov tem-se pois: V ( x ) > 0. x2 V(t) x2 0 V3 V1 V2 x(t) x(t) x0 x1 x0 x1 V1<V2<V3 a) Representação 3D b) Curvas de nível Fig. Função de Lyapunov Dentro de uma bola centrada na origem e de raio R.

Restringindo x1 e x2 ao intervalo (-π. tal que: V(x) é localmente positiva definida. contínua. Repare-se que a existência de uma função de Lyapunov é condição suficiente para a estabilidade do sistema. tal que qualquer trajectória com início no interior da bola de raio r permanece no interior da bola de raio R [definição dada pela expressão (3. mas não é condição necessária: um sistema poderá ser estável e não se conhecer nenhuma função de Lyapunov associada. c) O único ponto de equilíbrio é a origem. Substituindo x1 e x2 dados pelo sistema obtém-se 3 4 V ( x ) = 2 x1 ( − x2 − x13 ) + 2 x2 ( x1 − x2 ) = −2( x14 + x2 ) que é negativa definida. Se além disto V ( x ) for localmente negativa definida. Para demonstrar este teorema é preciso provar que dado um número real positivo. Considere-se uma trajectória iniciada sobre esta esfera. Logo.39) Se numa bola de raio R com centro em xe=0 existir uma função escalar V(x). x(t ) = f [x(t )] (3.FUNDAMENTOS DA TEORIA DE LYAPUNOV b) O único ponto de equilíbrio é a origem. V ( x ) é localmente negativa semidefinida. V(x) ficará sempre no interior da esfera de raio R. π) já V (x) é nd. A sua derivada é V ( x ) = 2 x1 x1 + 2 x2 x2 . o ponto de equilíbrio é assimptoticamente estável. será sempre V(x) ≤ m. Teorema de Lyapunov (estabilidade local) Considere-se o sistema autónomo seguine. V(x) não é uma função de Lyapunov do sistema dado. as trajectórias ficarão contidas no interior da bola com raio cada vez menor. 3. Se V(x) for estritamente decrescente.15)]. ou seja.3 . com 1ª derivada contínua. então o ponto de equilíbrio xe=0 é localmente estável. Nesta região V(x) é função de Lyapunov do sistema dado. Logo a trajectória é estável. existe um outro número real também positivo r < R. R. o que significa que o sistema é assimptoticamente estável. Considere-se uma superfície esférica de raio r < R tal que a sua intersecção com V(x) seja menor que m.4. A função V(x) é positiva definida. Substituindo x1 e x2 dados pelo sistema obtém-se V ( x ) = x1 ( − x2 − sen x1 ) + x2 ( x1 − sen x2 ) = − x1 sen x1 − x2 sen x2 que pode ser positiva ou negativa. e um ponto de equilíbrio xe=0. A função V(x) é positiva definida. Pág.5. 80 – Escola Superior de Tecnologia de Setúbal – Controlo Não Linear – Gustavo da Silva . Uma vez que por ser uma função de Lyapunov V(x) não pode crescer. A sua derivada é V ( x ) = x1 x1 + x2 x2 . Seja m o valor mínimo de V sobre uma superfície de raio R (mínimo de V sobre a curva de intersecção de V(x) com a esfera de raio R). V(x) é uma função de Lyapunov do sistema dado.

Considere-se o sistema autónomo (3. Teorema de Lyapunov (estabilidade global) O teorema de Lyapunov apresentado na secção anterior refere-se à estabilidade local.8 – Caso em que o sistema não é globalmente estável. V(x): a) x = − x − x 3 V (x) = x 2 + x 2  x2 x1 = − 2  x1  b)   x = − x2  2 (1 + x12 ) 2  V (x) = x12 2 + x2 2 1 + x1 – Gustavo da Silva – Pág. 3. Se tal não acontecer. como acontece no exemplo da Fig. A última condição diz que a função V(x) deve ser radialmente ilimitada.3 . É possível efectuar a sua extensão para a análise de estabilidade assimptótica global.39). x2 x(t) V3 V1 V2 V1>V2>V3 x1 Fig.8. dos quais se conhece uma função de Lyapunov. 3.5. V (x) → ∞ quando ||x|| → ∞. tal que V (x) é positiva definida. e uma função V(x) escalar. Do ponto de vista geométrico. em torno da origem. Exemplo 3-9 Concluir sobre a estabilidade dos sistemas seguintes. V ( x ) é negativa definida. Então o ponto de equilíbrio na origem é global e assimptoticamente estável. 81 Escola Superior de Tecnologia de Setúbal – Controlo Não Linear . com 1ª derivada contínua.5. pode acontecer que o estado evolua de um ponto x(0) para um valor infinito. candidata. isto quer dizer que as curvas de nível de V(x) devem ser fechadas. com diminuição contínua de V(x).FUNDAMENTOS DA TEORIA DE LYAPUNOV 3. contínua. Um sistema pode admitir mais do que uma função de Lyapunov. Algumas delas poderão dar mais informação sobre a estabilidade do sistema do que outras.

2 x 3 x + 2 x2 (1 + x12 ) 2 x2 V (x) = 1 1 . mas não simplificando. Px > Pág. x2 . para cada valor de x2. Com efeito.39) e um ponto de equilíbrio x = 0 . 82 – Escola Superior de Tecnologia de Setúbal – (3. A expressão (3. V (x) não tende para ∞ quando x1 → ∞. xn ]T .41) Controlo Não Linear – Gustavo da Silva .6. b) A função V(x) é positiva definida mas não é radialmente ilimitada.4 e anterior: Logo o sistema é localmente estável na origem. A função V(x) é radialmente limitada.5. .40) em que os coeficientes pij são reais. Função de Lyapunov de sistemas lineares 3. Estão pois satisfeitas todas as condições da secção 3. Formas quadráticas e matrizes positivas definidas Dado o vector x = [x1 .5.6.1. obtém-se V (x) = é globalmente assimptoticamente estável. de componentes reais.3 . contínua. (1 + x12 ) 2 Portanto o sistema dado é localmente assimptoticamente estável na origem. 3. Teorema de Lyapunov (instabilidade) Considere-se o sistema autónomo (3.FUNDAMENTOS DA TEORIA DE LYAPUNOV Resolução: a) A função V(x) é positiva definida. Analise-se a sua derivada. que é negativa semi definida. Se dentro de uma bola de raio R com centro em x = 0 existir uma função escalar W(x) tal que: W (x) é positiva definida. A demonstração é deixada ao cuidado do leitor. Analise-se a sua derivada: V (x ) = 2 xx + 2 xx .40) pode ser escrita sob a forma matricial V ( x ) = x T Px =< x. A partir do sistema dado obtém-se x = − x − 3x 2 x . designa-se por forma quadrática o escalar V(x) definido pelo polinómio V ( x ) = ∑∑ pi j xi x j i =1 j =1 n n (3.6. com primeiras derivadas parciais contínuas W ( x ) é positiva definida então a resposta do sistema tende para infinito quando t → ∞. Substituindo x em V ( x ) conclui-se que V ( x ) < 0 . Substituindo em V ( x ) os valores de x1 e de x2 e (1 + x12 ) 2 2 −4 x2 . 3.

> 0 pnn (3... e que a forma quadrática associada a uma matriz anti-simétrica é nula. tem-se a partir de (3.n. . que aparece em (3.. em que os elementos das matrizes não dependem do tempo. e ∆ uma matriz diagonal contendo os valores próprios de P. para que uma matriz seja pd. pn1 . Designando por λmin e λmax o menor e o maior valor próprio de P. ou seja: p ∆1 = | p11 |> 0. p22 p11 . é naturalmente satisfeita. Escola Superior de Tecnologia de Setúbal – Controlo Não Linear – Gustavo da Silva – Pág.44) em que U é a matriz unitária de vectores próprios de P.s.36). λmin ||x||2 ≤ x T Px ≤ λmax ||x||2 De uma forma análoga se define uma forma quadrática (e respectiva matriz) positiva semidefinida ( psd). isto é.FUNDAMENTOS DA TEORIA DE LYAPUNOV Uma vez que qualquer matriz pode ser decomposta na soma de duas matrizes. negativa definida (nd). É condição necessária para uma matriz ser pd que os elementos da sua diagonal principal sejam estritamente positivos (pi i > 0). (3.44)..3 . 83 ..43) Esta última condição é equivalente à seguinte: É c. π/2). É condição necessária e suficiente para que uma matriz seja pd que os seus menores principais sejam estritamente positivos. Uma matriz pd pode ser decomposta em: P = UT Λ U (3. a interpretação geométrica de definição de forma quadrática pd é a seguinte: O vector x e a sua imagem Px devem fazer um ângulo que esteja no intervalo (-π/2.. ∆ 2 = 11 p21 p12 > 0. que os seus valores próprios sejam positivos (os valores próprios são reais porque P é suposta simétrica). negativa semidefinida (nsd). Uma matriz P diz-se positiva definida (pd) se a forma quadrática que lhe está associada for positiva definida. p1n .42) A condição xT P x = 0 para x=0.41) a matriz P é simétrica... uma simétrica e outra anti-simétrica. pode considerar-se que em (3. Uma vez que xTPx é o produto interno de xT e de Px.45) Os conceitos até aqui apresentados consideram sistemas invariantes no tempo. ou seja: x ≠ 0 ⇒ x T Px > 0 (3. ∆ n = .

o sistema é assimptoticamente estável (globalmente.E.1. [1] da bibliografia – Slotine. 84 – Escola Superior de Tecnologia de Setúbal – .n. J. Os métodos existentes baseiam-se em formalismos de ordem exclusivamente matemática ou em considerações de carácter físico. Teorema É c. Função de Lyapunov para SLIT Considere-se o sistema autónomo linear: x = Ax e uma função candidata a função de Lyapunov dada pela forma quadrática V ( x ) = x T Px (3. para que o SLIT autónomo x = Ax seja estritamente(3) estável que para qualquer matriz pd.7. Q. Para detalhes consultar a Ref.49) tem o nome de equação de Lyapunov. Caso não aconteça o sistema é instável.3 . Métodos analíticos Uma maneira simples de obter uma função candidata a função de Lyapunov é a que decorre do seguinte teorema: 3 Não inclui a estabilidade marginal Controlo Não Linear – Gustavo da Silva Pág.49) A equação (3.2. em vez de escolher P pd e analisar Q. Função de Lyapunov de sistemas não lineares O problema que se põe em relação ao método directo de Lyapunov consiste em ter um método sistemático de obter uma função de Lyapunov. resolve-se a equação de Lyapunov de modo a obter P e verifica-se se P é pd.s. Para que a trajectória do sistema (3. O teorema que se segue resume o que acaba de se afirmar.FUNDAMENTOS DA TEORIA DE LYAPUNOV 3. Weiping.6.7. Se isto acontecer.46) seja estável a matriz Q deverá ser pd. por se tratar de um sistema linear). Para evitar que tal possa acontecer. procede-se de uma forma inversa: Escolhe-se uma matriz Q positiva definida. a única solução da equação de Lyapunov (3.J. Se tal não acontecer nada se pode concluir sobre a estabilidade do sistema. 3.48) com −Q = A T P + PA (3./Li.46) vem V ( x ) = x T Px + x T Px = − x T Qx (3. 3.46) (3.47) em que P é uma matriz pd simétrica.49) seja simétrica e pd. Derivando V(x) em ordem ao tempo e usando (3.

Uma função de Lyapunov do sistema é V ( x ) = f T ( x ). Com efeito.3 . uma vez que f(x)≠0 para x≠0. V ( x ) = f T ( x ). Teorema de Krasovskii Seja o sistema autónomo x = f (x) (3. Logo. vem [derive-se (3. Uma vez que f (x ) = A (x )f (x ) .FUNDAMENTOS DA TEORIA DE LYAPUNOV 3. Seja A(x) o Jacobiano do sistema:  ∂f  (3.1.52) ser nd se tiver x → ∞ ⇒V ( x ) → ∞ (3. o que contradiz a hipótese de F(x) ser nd. Mas pela condição (3.7. tendo como ponto de equilíbrio de interesse a origem do espaço de estados. o ponto de equilíbrio é assimptoticamente estável. Demonstração A matriz F(x) é nd (por hipótese). e portanto f(x)≠0 para x≠0.54) então o ponto de equilíbrio é globalmente assimptoticamente estável. ou ainda. f ( x ) . Esta condição resulta directamente da aplicação do método directo de Lyapunov para a estabilidade global. Portanto. o que implica que A(x) é regular. Calcule-se V (x ) .50)] V ( x ) = f T Af + f T A T f = f T Ff (3. pela aplicação do método directo de Lyapunov a origem é um ponto de equilíbrio assimptoticamente estável.55) Como F é negativa definida. o que implica que f(x) também é invertível. 85 . existiria um vector x1≠0 tal que A(x)x1=0.53). A(x) é regular. Exemplo 3-10 Obter uma função de Lyapunov para o sistema autónomo Escola Superior de Tecnologia de Setúbal – Controlo Não Linear – Gustavo da Silva – Pág.53) Se além de (3. na região Ω em torno da origem. Sendo A(x) regular é invertível. se A(x) fosse singular. V(x) é definida positiva.51) A(x) =    ∂x  Se numa região Ω em torno do ponto de equilíbrio a matriz F( x ) = A ( x ) + A T ( x ) (3.52) for negativa definida. então V ( x ) também é negativa definida.52) tem-se 2x1TA(x)x1= x1TF(x)x1. f ( x ) (3.1. x1TAT(x)x1=0. Considere-se agora a função (3. que deverá ser 0.50) com f(x) suave.

3. É c. Método do gradiente variável O método do gradiente variável é uma outra forma de se obter uma função de Lyapunov associada a um sistema. 12 −4 2 2 = 144 + 144 x2 − 16 = 144 x2 + 128 > 0 2º menor principal de –F(x): 2 −4 12 + 12 x2 Logo F(x) é nd e portanto uma função de Lyapunov candidata é V(x) = f T(x) f(x) = (–6x1+2x2)2 + (2x1–6x2–2x23)2. tais que para todo o x≠0 a matriz F( x ) = A T P + PA + Q (3.57) seja negativa semidefinida numa vizinhança Ω da origem.2.59) Pág.3 . 86 – Escola Superior de Tecnologia de Setúbal – Controlo Não Linear – Gustavo da Silva .FUNDAMENTOS DA TEORIA DE LYAPUNOV  x1 = −6 x1 + 2 x2  3  x2 = 2 x1 − 6 x2 − 2 x2 (3. Como V(x) → ∞ quando ||x|| → ∞. Parte-se da relação integral V (x ) = ∫ ∇V (ξ ). x = f (x ) .56) Tem-se  ∂f1 ∂f ∂  −6 x1 + 2 x2   ∂x1 = A(x ) =  = ∂x ∂x  2 x1 − 6 x2 − 2 x2 3   ∂f 2  ∂x  1 ∂f1  2 ∂x2   −6  =  ∂f 2   2 −6 − 6 x2 2  ∂x2   4  −12  F( x ) = A ( x ) + A T ( x ) =  2  4 −12 − 12x2  F(x) é negativa definida se –F(x) for positiva definida: 1º menor principal de –F(x): |–F11| = |12| = 12 > 0. 3.s. Teorema de Krasovskii generalizado Considere-se o sistema (3. 3. a origem é globalmente estável. então o sistema é globalmente estável. A demonstração deste teorema é análoga à do teorema anterior e deixa-se ao cuidado do leitor. que existam duas matrizes pd simétricas P e Q.7.7. para que a origem seja assimptoticamente estável.50) anterior. Uma função de Lyapunov para o sistema é V (x) = f T (x) P f (x) (3.n.58) Se a região Ω for todo o espaço de estados e além disso ||x||→∞ ⇒ V(x)→∞.1.1.dξ 0 x (3.

usando a relação (3.67) 5. neste método os passos a dar são os seguintes: 1.60) . ∇V ( x ) =  ∂xn   ∂x1  Atendendo a que o rotacional do gradiente é identicamente nulo. 4. (3. vem ∇V1 ( x ) = x1 e ∇V2 ( x ) = x2 4. V ( x ) = ∫ ∇V1dx1 + ∫ ∇V2dx2 = ∫ x1dx1 + ∫ x2 dx2 = 0 0 0 0 x1 x2 x1 x2 (3. Impor aos coeficientes a condição de V (x ) ser negativa semidefinida.. Verificar se V(x) é positiva definida.63) Seguindo os passos anteriores tem-se 1.66) 1 2 2 ( x1 + x2 ) 2 (valores que satisfazem a condição acima). Impor a V(x) a condição do rotacional nulo. impõe-se a condição adicional ∂∇Vi ∂∇V j = (3. a22 = 1. logo.62) Concretizando..59). Escola Superior de Tecnologia de Setúbal – Controlo Não Linear – Gustavo da Silva – Pág. Obter V(x) por integração de ∇V(x)..64) 2. a12 = 0. 87 .3 . dado por  ∂V ∂V  (3.FUNDAMENTOS DA TEORIA DE LYAPUNOV em que ∇V(x) é o gradiente de V(x).. 5. Exemplo 3-11 Utilizando o método do gradiente obter uma função de Lyapunov para o sistema  x1 = −2 x1  2  x2 = − 2 x2 + 2 x1 x2 (3. Uma vez que ||x||→∞ ⇒ V(x)→∞. a origem é assimptoticamente estável.65) (3. V(x) é pd. dada por (3. Construir ∇V(x) como combinação linear do estado. 3. a origem é assimptoticamente estável. 3. Escolhendo ∂∇V1 ∂∇V2 ∂a ∂a = → a12 + x2 12 = a21 + x1 21 ∂x2 ∂x1 ∂x2 ∂x1 a11 = 1.61) ∂x j ∂xi No método do gradiente assume-se para o gradiente uma forma linear no estado: ∇Vi = ∑ aij x j j =1 n T (3.61). ∇V1 ( x ) = a11 x1 + a12 x2  ∇V2 (x ) = a21 x1 + a22 x2 (3. 2. a21 = 0 .

8. Esta anda de um modo geral associada ao conceito de energia (potencial.2. De acordo com a definição dada são conjuntos invariantes os seguintes: • • • • • Um ponto de equilíbrio estável. 88 – Escola Superior de Tecnologia de Setúbal – Controlo Não Linear – Gustavo da Silva . o que significa ser V(x) definida positiva. cinética. V ( x ) é definida negativa. A dissipação significa que V(x) diminui e tende para zero quando x→0. permite analisar a estabilidade de sistemas no caso em que a função de Lyapunov não permite efectuar o estudo da estabilidade em torno de um ponto de equilíbrio. eléctrica.FUNDAMENTOS DA TEORIA DE LYAPUNOV 3.8. Todo o espaço de estados (conjunto trivial). Os dois teoremas que se seguem são relativos à estabilidade de um sistema numa região contendo um conjunto invariante (estabilidade local) e em todo o espaço de estados (estabilidade global). Métodos baseados em conceitos físicos Por vezes utiliza-se o conhecimento que se tem sobre a física do processo para a obtenção da função de Lyapunov associada a um determinado sistema. Considere-se um valor real > 0 e seja Ω a região do espaço de estados em que se verifica a condição V(x) < . ou seja. Admita-se que V (x) ≤ 0 para x∈Ω .50) e seja V(x) uma função escalar contínua que admita derivadas parciais. Um ciclo limite estável. A energia tem um valor essencialmente positivo ou nulo.1.2. 3. Definição Define-se conjunto invariante associado a um sistema como sendo a região do espaço de estados tal que toda a trajectória que nele se inicia aí permanece em todos os instantes futuros.3 . 3. magnética) e ao facto de que normalmente a sua soma (potencial+cinética.8.7. Seja R o conjunto de pontos dentro de Ω onde V ( x ) =0 e seja M o maior conjunto Pág. Conjuntos invariantes A introdução do conceito de conjunto invariante e dos teoremas a ele associados. Uma determinada trajectória. Este método é vantajoso em relação aos métodos matemáticos sempre que se lida com sistemas de ordem elevada. 3. para sistemas mecânicos ou eléctrica+magnética para sistemas eléctricos) se dissipa com o decorrer do tempo. Teorema local do conjunto invariante Considere-se o sistema autónomo (3. Um domínio de atracção.

50).3.l.9 – Convergência da trajectória para o conjunto invariante. Exemplo 3-12: Uma classe de sistemas n. [1] da bibliografia – Slotine. toda a trajectória x(t) com origem em Ω converge para M quando t→ ∞. V= V(x) Ω R M x0 x1 x2 Fig.FUNDAMENTOS DA TEORIA DE LYAPUNOV invariante contido em R. Corolário: Se nas condições anteriores V(x) for localmente positiva definida. Além disso a maior região Ω é um domínio de atracção do ponto de equilíbrio. de 2ª ordem.8. Considere-se o sistema autónomo de 2ª ordem definido por x + f ( x) + g ( x) = 0 em que f ( x ) e g ( x ) são funções contínuas satisfazendo às condições Escola Superior de Tecnologia de Setúbal – Controlo Não Linear (3. A demonstração encontra-se na ref. x = f ( x ) . ||x|| → ∞ ⇒ V(x) → ∞. então o ponto de equilíbrio 0 é assimptoticamente estável. Weiping. Teorema global do conjunto invariante Considere-se o sistema autónomo (3.68) – Gustavo da Silva – Pág.E. e seja V(x) uma função escalar contínua que admita derivadas parciais. Então.J. 89 . Então todas as soluções convergem de uma forma global e assimptótica para M quando t → ∞. 3. 3.3 . V ( x ) negativa semidefinida e o conjunto R definido por V ( x ) = 0 não contiver trajectórias além da trajectória x ≡ 0. J.9. 3. Seja R o conjunto de todos os pontos em que V ( x ) = 0 e M o maior conjunto invariante em R./Li. A interpretação geométrica deste teorema encontra-se na Fig. Admita-se que V ( x ) ≤ 0 para qualquer x.

A partir de V(x) obtém-se.69). que o sistema não pode ficar preso em nenhum ponto de equilíbrio que não seja a origem. x = 0 ). A aplicação do teorema local do conjunto invariante indica que a origem é localmente assimptoticamente estável. 3.3 . V(x) é radialmente ilimitada e portanto a origem é globalmente assimptoticamente estável. V ( x ) = xx + g ( x ) x = − xf ( x ) − xg ( x ) + g ( x ) x = − xf ( x ) ≤ 0 (3. Nestas condições é de esperar que as energias cinética e potencial do sistema vão diminuindo e que o sistema não fique bloqueado em nenhum ponto de equilíbrio diferente da origem.69) Estas expressões têm o significado indicado na Fig.69) equivale a dizer que o coeficiente de amortecimento é positivo e a força exercida pela mola é resistente. A equação (3. Como além disto ∫ x 0 g (ξ )dξ → ∞ quando |x|→∞. a imposição das condições (3.FUNDAMENTOS DA TEORIA DE LYAPUNOV  x f ( x ) > 0. poderá corresponder à sua energia total. Considerando R como o conjunto definido por x = 0 . 3.10 – Forma das funções f ( x ) e g ( x ) Do ponto de vista físico.68) pode representar por exemplo um sistema massa-mola-amortecedor em que as forças devidas ao amortecimento e à mola poderão seguir (3. isto é. Considere-se a função x 1 V ( x ) = x 2 + ∫ g (ξ )dξ (3.   x g ( x ) > 0. f ( x) g ( x) x x Força devida ao amortecimento Força devida à mola Fig. o que significa o que há pouco se afirmou.70) 0 2 que.10. 90 – Escola Superior de Tecnologia de Setúbal – Controlo Não Linear – Gustavo da Silva . para x ≠ 0 para x ≠ 0 (3. no caso de se tratar de um sistema mecânico. o maior conjunto invariante M contido em R contém apenas o ponto x=0 (x=0. Mas para x = 0 tem-se x = − g ( x ) que é diferente de zero sempre que x≠0. Pág. por derivação.71) Devido às condições impostas x f ( x ) só pode ser nula para x = 0 .

Exemplifique-se com b(t)=2+et e k0 = 0 e inicie-se o movimento no instante t=0 com x(0)=2 e x (0) = −1 . este tenderá a convergir para o ponto de equilíbrio. no instante t0. ∀ t > t0 (3.1.73) É também de salientar que a extensão de determinados conceitos tem que ser feita com bastante cuidado. que tende para 1 quando t→∞. descrito pela equação x(t ) = f [x(t ). que se o movimento for iniciado num estado x≠0. No entanto. do ponto de vista físico. 3. em vez do instante 0.9.74) O único ponto de equilíbrio deste sistema é a origem. e em particular surja o instante t0 em que o sistema inicia a sua trajectória. a solução não convirja para ele. uma vez que se trata de um sistema dissipativo. se para qualquer R>0 existir r(R. Aparentemente. em que o amortecimento b(t) > 0 varia com o tempo: x + b( t ) x + k 0 x = 0 (3. Pontos de equilíbrio Considere-se o sistema não autónomo.. em regime livre.3 . sendo x=0 o ponto de equilíbrio.9.FUNDAMENTOS DA TEORIA DE LYAPUNOV 3.2.9. x=0. Escola Superior de Tecnologia de Setúbal – Controlo Não Linear – Gustavo da Silva – Pág. Embora possa parecer paradoxal.72) todos aqueles em que para todo t ≥ t0 o estado é estacionário. parece.) é uma função seccionalmente contínua no tempo e indefinidamente diferenciável em relação a x. t ] = 0. 3.75) O ponto de equilíbrio diz-se instável. uma vez que o tempo aparece explicitamente nas equações do sistema. Tal poderá não acontecer. ou seja. 91 . Como exemplo tome-se o sistema linear massa mola amortecedor. à primeira vista. para não se chegar a conclusões erradas. Estabilidade de sistemas não autónomos Os conceitos de estabilidade de sistemas não autónomos são muito semelhantes aos que foram definidos para os sistemas autónomos. Estabilidade de um ponto de equilíbrio O ponto de equilíbrio x=0 diz-se estável no sentido de Lyapunov. t ] (3. que neste sistema. f [x e (t ). A explicação.t0) tal que para todo o t≥t0 x (t0 ) < r ⇒ x (t ) < R (3.. Designam-se por pontos de equilíbrio do sistema (3. A solução da equação é dada por x(t)=1+e–t. é de esperar que este também apareça nas definições de estabilidade. caso contrário. é simples: o amortecimento vai aumentando de tal forma que o sistema fica preso em x = –1 antes de chegar ao ponto de equilíbrio.72) em que f(.

77) 2 Exemplo 3-13 – Indicar se a função V (x. A função de Lyapunov vai agora depender do estado e do tempo.1. 3.t).3 . Além disso é V(0. t ) ≤ V1 ( x ) qualquer que seja t.FUNDAMENTOS DA TEORIA DE LYAPUNOV Repare-se na diferença em relação à definição dada em 3. 2 Uma vez que 1 ≤ 1 + sen 2 t ≤ 2 . Método directo de Lyapunov A análise da estabilidade de um sistema autónomo por meio da função de Lyapunov pode ser estendida a sistemas não autónomos. para sistemas autónomos: Aqui o valor de r depende também de t0. ou seja. 92 – Escola Superior de Tecnologia de Setúbal – Controlo Não Linear – Gustavo da Silva .t)=0 e existir uma função V0(x) positiva definida. que não aparecia nos sistemas autónomos: O de estabilidade uniforme. 2 Por outro lado existe V1 ( x ) = 2( x12 + x2 ) tal que V ( x. De uma forma análoga à anterior define-se estabilidade assimptótica e estabilidade exponencial. não dependente de t.76) Repare-se que existe um predomínio de V(x. Função definida positiva / negativa Uma função escalar de um vector x e de um escalar t diz-se localmente positiva definida se V(0. negativa definida. Há no entanto um conceito novo que não existe para os sistemas autónomos: o conceito de função decrescente. ∀ t > t0 (3. O conceito de estabilidade uniforme é extensível aos sistemas assimptoticamente estáveis. como se verá a seguir. Logo a função dada. Para um sistema não autónomo a estabilidade exponencial implica estabilidade uniforme. De uma forma análoga define-se uma função globalmente positiva definida. r=r(R).t)=0 e portanto a função dada é decrescente. estabilidade local e estabilidade global. Uma função V(x. embora com um formalismo um pouco mais complexo e com mais restrições. tal que V ( x.9. Pág. O ponto de equilíbrio x=0 do sistema não autónomo (3.1.15). existe uma função V0 ( x ) = ( x12 + x2 ) positiva definida e independente do tempo. tal que V ( x. é positiva definida. t ) ≥ V0 ( x ). 3.3.3. Há no entanto um conceito novo.t) diz-se decrescente se V(0.t) sobre a correspondente função V0(x) independente do tempo. t ) ≥ V0 ( x ) . t ) = (1 + sen 2 t )( x12 + x2 ) é pd e decrescente. ∀ t > t0 (3.3. V=V(x. expressão (3. variante no tempo.3. positiva semidefinida e negativa semidefinida. t ) ≤ V1 ( x ).72) diz-se uniformemente estável se o escalar r da definição acima puder ser escolhido independentemente do instante inicial t0.9.t)=0 e existe uma função positiva definida invariante no tempo V1(x) tal que V ( x.

Definem-se os seguintes conceitos de estabilidade: 3. para o cálculo da sua derivada utilizam-se as regras normais da derivação da função de várias variáveis e de função composta: V ( x. Estabilidade uniforme Se além de verificar as condições a) e b) anteriores e c) V(x. t ) é negativa semi-definida.3. Os teoremas de Lyapunov sobre a estabilidade de pontos de equilíbrio de sistemas não autónomos encontram-se resumidos na secção seguinte.3. t ) é negativa definida. vem dt V ( x. o ponto de equilíbrio x=0 diz-se uniforme e assimptoticamente estável.t) com derivadas parciais contínuas.4.3 . Teoremas de Lyapunov para sistemas não autónomos Seja uma bola BR0 de raio R0 centrada no ponto de equilíbrio x=0 do sistema não autónomo.78) ∂V ∂V + f ( x. explicitamente e também através da evolução do estado. 93 .9. tal que a) V(x. Estabilidade no sentido de Lyapunov (nsLy) Se existir uma função escalar V(x.t) for decrescente. t ) ≡ e como dx(t ) ≡ x(t ) = f ( x. Se além da condição a) as condições c) e d) forem verificadas em simultâneo. b) V ( x. t ) ∂t ∂x (3.9.2.1.t) Uma vez que V(x. 3.4. então o ponto de equilíbrio x=0 é uniformemente estável.4.9.9.FUNDAMENTOS DA TEORIA DE LYAPUNOV 3.9.4.t) é uma função do tempo. Escola Superior de Tecnologia de Setúbal – Controlo Não Linear – Gustavo da Silva – Pág. t ) . então o ponto de equilíbrio x=0 é estável nsLy. t ) = d ∂V ∂V dx(t ) V ( x. 3.t) é positiva definida. 3. t ) = + dt ∂t ∂x dt (3. Estabilidade assimptótica Se em vez da condição b) se verificar d) V ( x. Cálculo da derivada de V(x.79) Isto significa que a derivada da função de Lyapunov deve ser calculada ao longo das trajectórias do sistema. então o ponto de equilíbrio é assimptoticamente estável.2.

para todo t > t0. t ) = (1 + e −2 t ) x12 + x2 . uma vez que existe uma função independente do tempo.4. 3. Resolução: A função V(x. que o sistema será estável. t ) = −2e −2 t x12 + [2(1 + e −2 t ) x1 .t) ≤ –2 (x1 – x1 x2 + x2 ) = – (x1–x2)2 – x12 – x22 ≤ 0 Como V(x.t)≥V0(x). a solução do sistema é. 2 x2 ]  −2 1 2  = −2[ x2 − x1 x2 + x12 (1 + e −2 t )] t  −e x1 − x2  2 2 V (x. Tal no entanto é falso. resolvendo primeiro em ordem a x2 e depois em ordem a x1 Pág. Exemplo 3-14 Determine a estabilidade do sistema  x1 (t ) = − x1 (t ) + x2 (t )  −2 t  x2 (t ) = − e x1 (t ) − x2 (t ) 2 tomando como função de Lyapunov V ( x.FUNDAMENTOS DA TEORIA DE LYAPUNOV 3.9. conclui-se que o sistema é global. t ) :  −x + x  2 V ( x.t) é pd. não podem ser utilizados os métodos tradicionais de análise de sistemas autónomos para concluir sobre a sua estabilidade.3 . para todo t≥t0. O exemplo seguinte mostra a necessidade de se tomarem as devidas precauções com os sistemas não autónomos. Cálculo de V ( x. V0(x)=x12+x22 tal que V(x.t) é radialmente ilimitada. uniforme e assimptoticamente estável. Quando um sistema linear é não autónomo.80)   x  =   2   0 − 1   x2  A matriz A do sistema depende do tempo.t) é radialmente ilimitada.9. Para determinar a estabilidade é-se tentado a determinar os valores próprios de A(t) e. Com efeito.4. a pensar que se estes estiveram sempre no semiplano complexo esquerdo. O sistema acima admite um valor próprio duplo λ = –1 (no semiplano complexo esquerdo) e não é estável. Método directo de Lyapunov para sistemas lineares não autónomos. Estabilidade global Se a bola BR0 considerada for todo o espaço de estados e se além das condições a) c) d) se verificar também e) V(x. então o ponto de equilíbrio x=0 é global. uniforme e assimptoticamente estável.5. Seja o sistema linear não autónomo  x1   −1 e 2 t   x1  (3. 94 – Escola Superior de Tecnologia de Setúbal – Controlo Não Linear – Gustavo da Silva .

Uma situação análoga a esta acontece com os sistemas discretos lineares variantes no tempo: o sistema pode ter os pólos sempre no interior da circunferência de raio 1 e não ser estável.72).3 .82) tenha os valores próprios (reais) no semiplano complexo esquerdo. Repare-se que o teorema apresenta uma condição suficiente para que o sistema seja estável. Seja o sistema não autónomo (3. 3.FUNDAMENTOS DA TEORIA DE LYAPUNOV  x2 (t ) = x2 (0)e. O desenvolvimento do 2º membro do sistema em série de Taylor.83) Demonstração: Utilize-se a função de Lyapunov V(x. deverá ter-se lim sup x →0 (3.6. O método da linearização para sistemas não autónomos O método da linearização apresentado para sistemas autónomos pode ser estendido a sistemas não autónomos. conduz a x(t ) = A (t )x(t ) + fos ( x.81) seja assimptoticamente estável que a matriz (simétrica) A (t ) + A T (t ) (3. t ) é dado por V ( x. 95 . t ) || =0 || x || (3. V(x. ∀t ≥ t0 . t ) || fos ( x. t ) = x T x + x T x = x T A (t )x + x T A (t ) x = x T [ A (t ) + A T (t )] x ≤ − λx T x = − λV ∀t ≥ t0 .t) é pd e V (x. 0 ≤ x T x = V (t ) ≤ V (0)e − λt e portanto x(t) tende exponencialmente para zero. λ i [ A (t ) + A T (t )] ≤ −λ (3. em torno de xe=0. ∀i.81) É condição suficiente para que o sistema (3.t) puder ser aproximada por (3. mas não exige que os valores próprios de A(t)+AT(t) se encontrem no semiplano complexo esquerdo.t)=xTx para provar a estabilidade. ou seja.84) Se a função f(x. A estabilidade de um sistema não autónomo é estabelecida no seguinte Teorema: Seja o sistema linear não autónomo x (t ) = A (t )x (t ) (3.85) Escola Superior de Tecnologia de Setúbal – Controlo Não Linear – Gustavo da Silva – Pág.84) em qualquer instante.9.t   t  x1 (t ) + x1 (t ) = x2 (0)e  x1(t) tende para infinito e portanto o sistema não é estável.

Considere-se o sistema (3. então o ponto de equilíbrio xe=0 do sistema não autónomo original é também uniforme e assimptoticamente estável. Teorema Se o sistema linearizado for uniforme e assimptoticamente estável.7.85).9. Jacobiano do sistema não autónomo.t) = 0. contínua. • V ( x.72) em que f poderá não depender explicitamente do tempo.9.FUNDAMENTOS DA TEORIA DE LYAPUNOV Nestas condições o sistema x (t ) = A (t )x(t ) (3.3 . A menos que A(t) seja constante. 96 – Escola Superior de Tecnologia de Setúbal – Controlo Não Linear – Gustavo da Silva . e obedecendo às condições (3. t ) é localmente definida positiva.86) designa-se por sistema linearizado de f(x. podendo no entanto ser constante. Repare-se ainda que. ∀t ≥ t0. Indicam condições suficientes para que um sistema seja instável. 3.9. a linearização exige que seja satisfeita a condição adicional (3. sem a qual o teorema não é válido.t). é de um modo geral função do tempo.t). Primeiro teorema sobre instabilidade Se numa região Ω em torno da origem existir uma função escalar V(x. obtido o sistema (3. como se indica no seguinte 3. contrariamente ao que acontece com o caso autónomo. Repare-se que a matriz A. diferenciável e decrescente. tal que • V(0.6. então o ponto de equilíbrio xe=0.9. Teorema Se A(t) for constante. Pág. no instante t0.1.6.86) por linearização de (3.7.1. a instabilidade do sistema linearizado não implica a instabilidade do sistema original.2. Chama-se a atenção para a exigência de estabilidade uniforme do sistema linearizado. em relação aos sistemas autónomos. é instável. em torno do ponto de equilíbrio x=0. Note-se ainda que. • V(x. então a instabilidade do sistema linearizado implica a instabilidade do sistema original. Teoremas sobre instabilidade Os teoremas que se seguem utilizam o método directo de Lyapunov e aplicam-se tanto a sistemas autónomos com não autónomos. Nestas condições.72).85). A(t)=A0. tem-se o seguinte: 3.t0) > 0 numa região arbitrária próxima da origem. 3.

Escola Superior de Tecnologia de Setúbal – Controlo Não Linear – Gustavo da Silva – Pág. ∀x ∈ Ω e ∀t ≥ t0 em que λ ∈ + .3 . 3. • Em todos os pontos fronteiros de Ω1 V(x.t). então. a origem é um ponto de equilíbrio instável. contínua.t) e V (x. diferenciável e decrescente. no instante t0.2.t).t) são positivas definidas em Ω1. diferenciável e decrescente. t ) ≥ 0 . V > 0) Ω V=0 x0 V=0 x1 Fig.11.FUNDAMENTOS DA TEORIA DE LYAPUNOV 3. tal que ∀t ≥ t0 • V(x. • V(x.11 – Interpretação geométrica do 3º teorema sobre instabilidade.9.t0) > 0 numa região arbitrária próxima da origem. 3. ∀t ≥ t0. A interpretação geométrica deste teorema encontra-se na Fig. Segundo teorema sobre instabilidade Se numa região Ω em torno da origem existir uma função escalar V(x.t) = 0. • A origem é um ponto fronteiro de Ω1. x2 Ω1 (V > 0.7.3.9. 97 .t) = 0. Terceiro teorema sobre instabilidade Se numa região Ω1∈Ω em torno da origem existir uma função escalar V(x. tal que • V(0. então a origem é um ponto de equilíbrio instável.7. 3. t ) − λV ( x. • V ( x. contínua.

t ) ≤ – α3 ||x||2 ∂V ≤ α4 ||x|| ∂x Demonstração em Sastry/Bodson-1989. Consoante o tipo de estabilidade.72) for exponencialmente estável. Teorema recíproco. 3.5. com derivada negativa definida ao longo da trajectória do sistema. Pág. estabelecem condições para a existência de função de Lyapunov associadas a um sistema. existe um teorema recíproco de Lyapunov sobre a existência de uma função de Lyapunov. α3 e α4 tais que α1 ||x||2 ≤ V(x. e se a função f(x. construía-se uma função candidata a função de Lyapunov.1. estabilidade exponencial Se a origem do sistema (3. então existe uma função V(x. estabilidade assimptótica e uniforme Se a origem do sistema (3.3. e limitadas.. Existência de funções de Lyapunov Até aqui obtiveram-se as funções de Lyapunov de um determinado sistema sem ter a garantia precisa da sua existência: se fossem observados determinadas condições em relação ao sistema.1. com derivada não positiva ao longo da trajectória do sistema. Teorema 1.10.2.t). local. global. etc.72) é estável nsLy.t) tiver derivadas parciais contínuas.3 .t) positiva se e só se existirem constantes estritamente positivas α1.10. positiva definida e decrescente.FUNDAMENTOS DA TEORIA DE LYAPUNOV 3. Os teoremas que se seguem.t). designados por teoremas recíprocos de Lyapunov. Teorema recíproco.72) for estável nsLy existe uma função positiva definida V(x.72) for assimptoticamente estável. 3. isto é. então existe uma função escalar V(x. existe uma função de Lyapunov que lhe está associada (e portanto existem infinitas). uniforme. α2. Teorema recíproco.10.10. 3. assimptótica. ponto de equilíbrio estável Se a origem do sistema (3. Este teorema garante que sempre que o ponto de equilíbrio x = 0 de um sistema não autónomo representado por (3. 98 – Escola Superior de Tecnologia de Setúbal – Controlo Não Linear – Gustavo da Silva .t) ≤ α2 ||x||2 V ( x.

Sistema linear com realimentação não linear Neste capítulo vai-se estudar um tipo de sistemas em que o percurso directo é linear e invariante no tempo e a realimentação é constituída por uma não linearidade estática.12 – Sistema linear com realimentação não linear. Como φ(y) não é linear. designadas condições sectoriais. Função pertencente a sector Uma função contínua φ pertence ao sector [k1. 0 + G(s) – y φ(y) Fig. Este tipo de sistemas aparece com alguma frequência em casos de interesse prático.88) y Geometricamente a condição (3. Estabilidade absoluta 3.11. apresentadas a seguir.13. 3. 3. como se mostra na Fig.88) implica que o gráfico da função não linear φ(y) está localizado entre duas rectas com declive k1 e k2. se se obrigar φ(y) a satisfazer determinadas condições.FUNDAMENTOS DA TEORIA DE LYAPUNOV 3.11.1. 3.11.87) Se a função φ(y) fosse linear. já é possível efectuar a análise da estabilidade do sistema. a estabilidade do sistema poderia ser estudada calculando os valores próprios da matriz do sistema em cadeia fechada A–bkC.3 .k2] se existirem dois números não negativos k1 e k2 tais que φ ( y) y ≠ 0 ⇒ k1 ≤ ≤ k2 (3.1.A )-1 b (3. No entanto. A função de transferência G(s) obtém-se a partir do modelo de estado por G( s ) = C( sI .1.12. 99 . por exemplo φ(y)=kx. como se representa na Fig. 3. a análise da estabilidade do sistema em cadeia fechada torna-se mais complicada do que no caso linear. Escola Superior de Tecnologia de Setúbal – Controlo Não Linear – Gustavo da Silva – Pág.

3 - FUNDAMENTOS DA TEORIA DE LYAPUNOV

φ(y)

k2y

φ(y)
k1y

Sector [k1, k2]

y

Fig. 3.13 – Função pertencente a um sector. A definição (3.88) implica que φ(0) = 0 e que yφ(y) ≥ 0, isto é, o gráfico de φ(y) está localizado no 1º e 3º quadrantes, uma vez que k1 e k2 são não negativos. Um caso particular com interesse é aquele em que k1= 0, dizendo-se então que a função pertence ao sector [0, k] quando
∃k > 0 ∴ 0 ≤ φ ( y ) ≤ ky

(3.89)

Admitindo que a não linearidade φ(y) pertence ao sector [k1,k2], a pergunta que se põe é a seguinte: Se o sistema em cadeia aberta G(s) for estável, que condições deverão ser impostas a φ(y) para que o sistema em cadeia fechada seja estável? A intuição levaria a pensar, uma vez que o ganho de realimentação está compreendido entre k1 e k2 se φ for linear, que tal propriedade poderia ser explorada com φ não linear. Tal foi a hipótese feita por Aizerman(4) em 1949: se a matriz [A-bkC] for estável para todos os valores de k compreendidos no intervalo [k1,k2], então o sistema não linear é global e assimptoticamente estável. A hipótese de Aizerman, aparentemente muito interessante, porque permitia estudar a estabilidade de uma determinada classe de sistemas não lineares a partir de sistemas lineares, revelou não ser verdadeira. Ela não considerou a variação de φ com y, que pode conduzir à instabilidade do sistema. Após uma intensa pesquisa neste campo foram estabelecidos novos critérios para determinar a estabilidade deste tipo de sistemas em cadeia fechada.

4

M. A. Aizerman, cientista Soviético, Pág. 100 – Escola Superior de Tecnologia de Setúbal –

Controlo Não Linear – Gustavo da Silva

3 - FUNDAMENTOS DA TEORIA DE LYAPUNOV

3.11.2. Critério de Popov

O critério de Popov(5) estabelece uma condição suficiente para a estabilidade do sistema em cadeia fechada. Considere-se o sistema apresentado na Fig. 3.12. Se forem satisfeitas as condições seguintes: A matriz A tem todos os valores próprios no semiplano complexo esquerdo, O par [A,b] é controlável6, A não linearidade φ pertence ao sector [0, k], Existe um número real positivo, α, tal que 1 Re([1 + jαω )G ( jω )] + > ε ∀ω ≥ 0 (3.90) k em que ε>0 é arbitrariamente pequeno, então a origem é global e assimptoticamente estável. A relação (3.90) tem o nome de desigualdade de Popov. Repare-se que os tipos de sistemas representados na Fig. 3.12 aos quais se aplica o critério de Popov, são lineares autónomos e com realimentação não linear estática. O critério estabelece apenas uma condição suficiente de estabilidade e não necessita de recorrer a nenhuma função de Lyapunov. O critério de Popov tem uma interpretação geométrica interessante. Fazendo
G ( jω ) = Gr ( jω ) + jG j ( jω )

(3.91)

a expressão (3.90) escreve-se 1 >ε (3.92) k Construa-se uma função de transferência associada W(jω) com a mesma parte real que G(jω) mas com a parte imaginária igual a ω Im[G(jω)]:
Gr ( jω ) − αω G j ( jω ) + W ( jω ) = x + jy = Gr ( jω ) + jω G j ( jω )

(3.93)

Com esta nomenclatura, a relação (3.92) implica que o sistema não linear é global e assimptoticamente estável se sobre o plano complexo (x,y) a representação de W(jω) estiver para baixo da recta x-αy+1/k=0. Na Fig. 3.14 estão traçados o diagrama W(jω), designado por diagrama de Popov, e a recta que efectua a separação das regiões, da estabilidade e instabilidade.

5 6

Alexander Stephanovitch Popov, Engº Electrotécnico Russo, 1859-1906. Um sistema linear caracterizado pela equação de estado x = Ax + bu é controlável se e só se o determinante da matriz de controlabilidade Co = [b|Ab|...|An-1b] for diferente de zero. – Gustavo da Silva – Pág. 101

Escola Superior de Tecnologia de Setúbal – Controlo Não Linear

3 - FUNDAMENTOS DA TEORIA DE LYAPUNOV

imag instável instável estável

W(jω)

1 x −α y + = 0 k

1 k

real estável estável

Fig. 3.14 – Diagrama de Popov.
Exemplo 3-15

Determine a estabilidade de um sistema não linear com a estrutura do que é apresentado na Fig. 3.12, em que o bloco linear é definido por
G( s) = s+3 s + 7 s + 10
2

(3.94)

e a realimentação não linear é definida por (3.89). Resolução: 1. Pólos de G(jω): s2 +7s +10 = 0 ⇒ p1= –2, p2= –5, logo, o sistema obedece à condição a) do critério de Popov, ou seja, é estritamente estável. 2. A função de transferência não tem cancelamento de zeros e pólos, e portanto o sistema obedece à condição b). 3. A não linearidade pertence ao sector [0, k], por hipótese. 4. Para a determinação da desigualdade de Popov, determinam-se primeiro as partes reais e imaginária de G(jω): Substituindo s→jω em (3.94) vem 3 + jω G ( jω ) = (10 − ω 2 ) + 7 jω e portanto 4ω 2 + 30 −ω (ω 2 + 11) Gr ( jω ) = 4 e G j ( jω ) = 4 ω + 29ω 2 + 100 ω + 29ω 2 + 100 Substituindo em (3.92) vem 1 ω 4 + 29ω 2 + 100 + αω 2 (ω 2 + 11) + ( - ε )(ω 4 + 29ω 2 + 100) > 0 k Esta desigualdade é satisfeita para qualquer α estritamente positivo e para qualquer número k tal que 0<k<∞, pelo que o sistema dado é global e assimptoticamente estável.

Pág. 102 – Escola Superior de Tecnologia de Setúbal –

Controlo Não Linear – Gustavo da Silva

3 - FUNDAMENTOS DA TEORIA DE LYAPUNOV

3.11.3. Critério do círculo

Este critério, como o anterior, aplicável a sistemas com o trajecto directo linear e realimentação não linear estática, sujeito às condições impostas atrás, é uma generalização do Teorema de Nyquist para este tipo de sistemas. Considere-se o sistema apresentado na Fig. 3.12. Se forem satisfeitas as condições seguintes a) A matriz A não tem valores próprios sobre o eixo jω e tem p valores próprios no semiplano complexo direito, b) A não linearidade φ pertence ao sector [k1, k2], c) Verifica-se uma das condições: c1) 0 <k1 ≤ k2 e o diagrama de Nyquist de G(jω) não entra no disco D(k1, k2) (Fig. 3.15) e envolve-o p vezes no sentido contrário aos ponteiros do relógio, c2) 0 = k1 < k2 e o diagrama de Nyquist de G(jω) permanece no semi-plano Re(s) ≥ –1/k2, c3) k1 <0 < k2 e o diagrama de Nyquist de G(jω) permanece no interior do disco D(k1, k2), c4) k1 <k2 <0 e o diagrama de Nyquist de G(jω) não entra no disco D(–k1, –k2) e envolve-o p vezes no sentido contrário ao dos ponteiros do relógio, então o ponto de equilíbrio x=0 é global e assimptoticamente estável.

Imag

D(k1, k2) Real

1 k1

1 k2

Fig. 3.15 – Diagrama do círculo.

Escola Superior de Tecnologia de Setúbal – Controlo Não Linear

– Gustavo da Silva – Pág. 103

Probl. conduz a 2 x x0 1 1 x (t ) = . mas não é exponencialmente estável. A equação pode escrever-se na forma − x −3dx = dt . x =0 1 2 O sistema linearizado é igual ao anterior e dado por  x1   −1 0   x1   x  =  0 −1  x   2  2  Para obter este mesmo sistema pelo método expedito poderia simplesmente desprezar-se o termo de 2ª ordem. pois decai de uma forma mais lenta que qualquer exponencial. 3-2 Determine o tipo de estabilidade dos seguintes sistemas: a) x = − x 3 b) x = − x1/ 2 c) x = sen( x ) Resolução: a) O sistema admite como ponto de equilíbrio x = 0. 3-1 Obter a linearização do sistema a seguir indicado.  x1 = − x1 + x1 x2   x2 = − x2 Resolução: O ponto de equilíbrio deste sistema é x1 = 0 e x2 = 0 .12. x2 =0  0 −1  ∂x2  x =0. Neste sistema tem-se f1 ( x1 . calculando a matriz Jacobiana e utilizando o método expedito. 104 – Escola Superior de Tecnologia de Setúbal – Controlo Não Linear – Gustavo da Silva . que integrada membro a membro entre os instantes 0 e t. Problemas resolvidos Probl. x1 x2 . pelo que o sistema 1 2t + 2t 2 x0 é assimptoticamente estável nsLy. na primeira equação. Quando t → ∞ x(t) tende para zero com . x2 ) = − x1 + x1 x2 e f 2 ( x1 . sendo a matriz Jacobiana  ∂f1  ∂x  1 A=  ∂f 2  ∂x  1 ∂f1  ∂x2   −1 x1   −1 0   = =   ∂f 2   0 −1 x1 =0. aos 1 1 − 2 = 2t .FUNDAMENTOS DA TEORIA DE LYAPUNOV 3. ou ainda quais correspondem os estados x0 e x.3 . x2 ) = − x2 . Pág.

com k=0. consoante o valor de x0 seja positivo ou negativo. 105 . ±1. 3-6 Utilizando o teorema da linearização de Lyapunov. Problemas propostos Probl.  ln(tan 2 )  = t . donde x(t ) = 2 arctan( ket ) . efectuando a separação de variáveis e integrando entre 0 e t.13. x 1 1 o que conduz a x (t ) = ( x02 − t ) 2 . 3. determine a estabilidade dos pontos de equilíbrio dos seguintes sistemas  x1 = x2 a)  3  x2 = − x1 + x1  x = x2 (1 + cos x1 ) b)  1  x2 = x1 (1 + sen x2 )  x = x2 c)  1  x2 = sen( x1 + x2 ) Escola Superior de Tecnologia de Setúbal – Controlo Não Linear – Gustavo da Silva – Pág. Como para o sistema da alínea anterior. tan 2 = e   x0 Quando t → ∞ x(t) tende para ±π. Como anteriormente. ou seja.FUNDAMENTOS DA TEORIA DE LYAPUNOV b) O ponto de equilíbrio deste sistema é x = 0. 1 c) Os pontos de equilíbrio deste sistema são x=kπ. pelo que o 2 sistema é instável nsLy. 3-4 Determine o tipo de estabilidade dos seguintes sistemas: a) x = − x 2 b) x = − x −1/ 2 c) x = a cos( x) a ∈ℜ + Probl. separando as variáveis e integrando entre 0 e t obtém-se x x − ln(tan 0 ) + t x x   2 = ket . obtém-se [ −2 x 2 ]x0 = t . 3-5 Obtenha os sistemas linearizados correspondentes a:  x = x2 a)  1 k ∈ℜ +  x2 = k sen x1  x = x2 cos x1 b)  1  x2 = x1 + sen x2 Probl. 3-3 Determine os pontos de equilíbrio dos seguintes sistemas autónomos:  x = − x2 + x12  a)  1 2  x2 = x1 − x2   x = − x2 − x13  b)  1 3  x2 = x1 − x2   x1 = x2 c)  2  x2 = − x1 + ε (1 − x1 ) x2 ε ∈ ℜ+ Probl. .3 ... ±2. Esta solução tende para infinito com t.

para cada um dos seguintes sistemas:  x = − x2 a)  1  x2 = x1  x1 = − x2 − x13  b)  3  x2 = x1 − x2  2  x1 = − x1 − 2 x2  c)  3  x2 = 2 x1 x2 − x2  Probl.3 . c) Com o auxílio do Matlab faça num só gráfico o traçado das soluções que se iniciam entre –1 e +1 (degraus de 0. para o tempo compreendido entre 0 e 6 segundos.5.5 e – 0. e) Escreva de novo a solução para os valores particulares x0 = 0.FUNDAMENTOS DA TEORIA DE LYAPUNOV Probl. justificando com o uso da definição e dizendo quais os domínios a considerar para R e r(R).1). Alguma delas exibe tempo de escape finito? Se sim qual delas e qual o seu valor? f) Com o auxílio dos dados obtidos até aqui indique quais as bacias de atracção e qual a(s) separatriz(es). para 0 ≤ t ≤ 1 s. d) Análoga à anterior. a) Determine os seus pontos de equilíbrio.8 (degraus de 0. b) Obtenha analiticamente a solução. 106 – Escola Superior de Tecnologia de Setúbal – Controlo Não Linear – Gustavo da Silva . para a origem.1). Probl. 3-7 2 Mostre que V ( x ) = x12 + x2 é uma função de Lyapunov. 3-8 2 Mostre que a função V ( x ) = ax12 + bx1 x2 + cx2 é definida positiva se e só se a > 0 e 4ac − b2 > 0 sendo definida negativa sse a < 0 e 4ac − b2 > 0 . g) A partir do conhecimento que já tem do sistema indique qual o tipo de estabilidade nsLy dos pontos de equilíbrio. Pág. A partir da estabilidade do sistema linearizado conclua sobre a estabilidade de xe = 0 do sistema dado.5 e x0 = –1. h) Linearize o sistema em torno de xe = 0. para xe = –1. Que teorema utilizou? i) Análogo ao anterior. 3-9 Considere o sistema de 1ª ordem representado pelo modelo de estado x = − x (1 + x ) em que x é escalar e está sujeito à condição inicial x(0) = x0. para x0 compreendido entre – 1.

conclua sobre a estabilidade do sistema dado. b) Com o auxílio do Matlab faça o traçado do campo de vectores na região do espaço de estados constituída por um rectângulo tal que −2 ≤ x1 ≤ 2 e −2 ≤ x2 ≤ 2 . 3-10 Considere um sistema de 2ª ordem representado pelo modelo de estado 2  x1 = − x2 (1 + x2 )   2  x2 = x1 (1 + x1 ) − 0. utilizando o teorema de Lyapunov da linearização. Sobre c) ele represente uma trajectória que se inicie em x = [1. Sugestão: Use um ciclo “for” dentro de outro ciclo “for” para x1 e x2 e a instrução “surf” ou “mesh”. Trace também as curvas de nível de V(x). d) e) f) Probl. Escola Superior de Tecnologia de Setúbal – Controlo Não Linear – Gustavo da Silva – Pág. Com os resultados da alínea anterior obtenha uma função de Lyapunov para o sistema dado. 3-11 Considere um sistema linear de realimentado negativamente por uma função φ(y): Sistema linear: G ( jω ) = a . Linearize o sistema em torno do ponto de equilíbrio xe=0. 107 . b) Represente este sistema em Simulink e confirme o resultado obtido em a).FUNDAMENTOS DA TEORIA DE LYAPUNOV Probl. Verifique que é positiva definida e que a sua derivada em ordem ao tempo é negativa definida. com x pertencente ao domínio dado em b).5 -1]T e dure 20 segundos.29 2 ϕ ( y ) = y sen 2 y (a=1. Com o auxílio do Matlab trace um gráfico de V(x).4) a) Com o auxílio do critério de Popov determine a estabilidade deste sistema. s + s + 0. Determine a estabilidade do sistema linearizado e a partir dela.4 x2  a) Determine os seus pontos de equilíbrio.3 . Usando o teorema de Krasovskii determine a estabilidade do sistema dado.

108 – Escola Superior de Tecnologia de Setúbal – Controlo Não Linear – Gustavo da Silva .3 .FUNDAMENTOS DA TEORIA DE LYAPUNOV Pág.

MÉTODO DA FUNÇÃO DESCRITIVA 4. na expressão (4.1.2) y (t ) = Y0 ∞ + ∑ Yn cos( nω0t + ϕ n ) 2 n =1 (4.6) (4.7) (4. O seu desenvolvimento em série de Fourier é dado por y (t ) = ou.5) (4. y(t). é An = 0. Função Descritiva Considere-se um sistema não linear com a entrada excitada por um sinal sinusoidal de amplitude U e frequência ω0.3) Chama-se função descritiva do sistema à função complexa N tal que Y N = 1 arg N = ϕ1 (4. Para efectuar o cálculo da função descritiva convém recordar as expressões que permitem calcular os coeficientes An e Bn da série de Fourier An = Bn = 2 y (t ) cos( nω0t )dt T∫ T 2 y (t ) sen( nω 0t )dt T∫ T (4. 109 . u (t ) = U sen(ω0t ) (4.1) A saída do sistema.8) Yn = 2 2 An + Bn ϕ n = arctan( An ) Bn Se y(t) é par. A0 é o valor médio do sinal de saída.4. tem-se Bn = 0. Se o sistema for linear. y(t) = -y(-t). Nestas condições N transforma-se no ganho do sistema (módulo N e argumento ϕ1). equivalentemente A0 ∞ + ∑ [ An cos(nω0t ) + Bn sen( nω0t )] 2 n =1 (4. Se y(t) é ímpar.4) U em que Y1 é a amplitude da primeira harmónica da resposta e ϕ1 a sua desfasagem em relação ao sinal de entrada. y(t) = y (-t). para n≥1. será também periódica mas não sinusoidal.3) apenas subsistem os termos em que n=1.

y Y Liga-desliga.10) -Y Fig. estando os restantes símbolos definidos nas figuras.1) Fig.11) Fig.2 – Função descritiva da característica liga-desliga com histerese y -∆ declive k Zona morta ∆ u N =k− 2k  ∆ ∆ ∆ 2 0  arc sen( ) + ( ) 1 − ( )  ej π  U U U  (4. “on-off” ou tudo ou nada N= -Y u 4Y j 0 e πU (4. U designa a amplitude do sinal sinusoidal de entrada.4.3 – Função descritiva da característica zona morta Pág. 110 – Escola Superior de Tecnologia de Setúbal – Controlo Não Linear – Gustavo da Silva . 4. A aplicação das fórmulas acima permite efectuar o cálculo de algumas funções descritivas correntes.2.4 . Função descritiva de não linearidades correntes. 4. 4. com histerese N= u h 4Y j [ − arctan( U )] e πU (4.9) (O cálculo encontra-se efectuado no Probl.1 – Função descritiva da característica liga-desliga y Y -h h Liga-desliga.MÉTODO DA FUNÇÃO DESCRITIVA 4.

14) 1 + GN A equação característica é dada por 1+GN = 0 pelo que resolvendo em ordem a G 1 (4. 4. A função de transferência do sistema é dada por GN Y= R (4.3. Estabilidade pelo método da função descritiva.15) indica que o ponto –1 do diagrama de Nyquist é substituído aqui pelo lugar geométrico de –1/N. então a estabilidade do sistema pode ser analisada pelo método da função descritiva. 111 .5 – Função descritiva da característica folga 4.MÉTODO DA FUNÇÃO DESCRITIVA y declive k Saturação. ω ) A expressão (4. sem histerese -S S u N= 2k  S S S 2  j0  arc sen( ) + ( ) 1 − ( )  e U U U  π  (4.4 – Função descritiva da característica saturação sem histerese Folga y declive k -b b u 4kb b a1 = ( − 1) π U  kU  π 2b 2b 2b 2 b1 =  − arcsen( − 1) − ( − 1) 1 − ( − 1)  U U U π 2    1 2 2 | N( U) |= a 1 + b1 U (4.15) G ( jω ) = − N (U . Admita-se que se tem um sistema em cadeia fechada satisfazendo essas condições. 4. Se um sistema não linear tiver uma estrutura tal que se for excitado por uma entrada sinusoidal as harmónicas de ordem superior à primeira contidas na resposta forem suficientemente atenuadas. e que é possível agrupar os elementos não lineares numa função descritiva N. Escola Superior de Tecnologia de Setúbal – Controlo Não Linear – Gustavo da Silva – Pág.4 . G (Fig.12) Fig. e os elementos lineares num outro bloco. 4.13) N (U ) = arctg ( a1 ) b1 Fig.6).

como indica a Fig.1/N. Estas oscilações não são sinusoidais. N(ω. 112 – Escola Superior de Tecnologia de Setúbal – . 4. incluindo o eixo jω. A oscilação tenderá a diminuir. A2 encontrava-se dentro do diagrama de G(jω) e a oscilação tenderia a aumentar.MÉTODO DA FUNÇÃO DESCRITIVA r + – N(U. fica fora do diagrama de G(jω). Admita-se que os diagramas de G e -1/N se intersectam. é estável se o lugar geométrico de G não envolver o lugar geométrico de . A condição de estabilidade pode enunciar-se da seguinte forma O sistema em cadeia fechada constituído pelos elementos não lineares N e pelos elementos lineares G. Se os dois diagramas se intersectarem.4 . A função de transferência dos elementos lineares G(jω) depende da frequência. O ponto A corresponde a uma amplitude de uma possível oscilação inferior à do ponto B.7. A e B. Admita-se que uma perturbação coloca o ponto A em A1. Na figura estão representados dois pontos de intersecção. 4. 1 Zeros no semi-plano complexo esquerdo.6 – Sistema de controlo não linear. supostos de fase mínima (1). o que aconteceria até se atingir o ponto B. embora possam considerar-se aproximadamente como tal. Sobre o diagrama de -1/N convém indicar qual o sentido a que corresponde o aumento e a diminuição de amplitude de oscilação. Controlo Não Linear – Gustavo da Silva Pág. jω) G(jω) y Fig.U) além de depender da frequência depende ainda da amplitude do sinal U. é portanto instável. O ponto A tem características divergentes. o sistema poderá apresentar oscilações em regime permanente. O ponto A1. A frequência da harmónica fundamental pode ser lida no diagrama de G e a sua amplitude no lugar geométrico de -1/N. Qual dos pontos é estável e qual é instável? Fixe-se a atenção sobre o ponto A. Se a perturbação tivesse conduzido A→A2.

Imag 0 U→ 0 A1 A A2 ω→∞ Real G(jω) B1 B2 B -1/N U→∞ ω→0 Fig. O ponto B tem características convergentes. A frequência de oscilação pode ser obtida directamente do diagrama de G(jω). a amplitude aumenta e B2 volta para B. 113 . Finalmente admita-se que a perturbação conduz B→B2. Escola Superior de Tecnologia de Setúbal – Controlo Não Linear – Gustavo da Silva – Pág. também no ponto de intersecção B. é pois estável. O novo ponto B2 fica envolvido por G(jω).1/N se intersectarem quase na perpendicular a precisão com que se obtém os valores de ω e U é boa.4 . Se as curvas de G(jω) e . 4.MÉTODO DA FUNÇÃO DESCRITIVA Considere-se agora o ponto de intersecção B e admita-se que a perturbação conduz B→B1. Repare-se que os valores obtidos são aproximados uma vez que se está a ignorar o efeito das restantes harmónicas. ou seja B1 regressa a B. e a amplitude da primeira harmónica a partir do diagrama de -1/N. estabelece-se uma oscilação. Como G(jω) deixa de envolver B1 a amplitude tenderá a diminuir.7 – Estabilidade de um sistema não linear.

6) com n=1: T 2 2 T /2 B1 = ∫ y (t ) sen(ω t )dt =  ∫ Y sen(ω t )dt + ∫ −Y sen(ω t )dt  =  T /2   T 0 T T 2Y 4Y [ −( −1 + 1) + (1 + 1)] = . Problemas Resolvidos Probl. a função descritiva é a relação entre a amplitude da 1ª harmónica do sinal de saída e a amplitude do sinal de entrada. 0 T 0 T u(t) Liga/Desliga y(t)  −Y . y(t) é também uma função ímpar. N. Considerar-se-á o seu valor nulo nesses instantes. determine a estabilidade do sistema em cadeia fechada constituído pela não linearidade liga/desliga anterior de amplitude 1. Represente-se a não linearidade sob a forma de um bloco.1 Resolução Por definição. pelo que os coeficientes An em (4. ωT π B 4Y . será então obtida dividindo B1 por U. 4.D. 0 e(t) u(t) y(t) - Liga / Desliga G( s) = 1 s +1 Pág. subsistindo apenas os coeficientes Bn da expressão (4. Devido ao facto de se considerar u(t) sinusoidal. 4-2 Utilizando o método da F.6). seguido de um sistema linear de 1ª ordem. Para indicar que se trata de um valor real A função descritiva será N = 1 = U πU 4Y j 0 e .4. como se indica na figura. o sinal de entrada e o sinal de saída. 114 – Escola Superior de Tecnologia de Setúbal – Controlo Não Linear – Gustavo da Silva .5) são nulos.4 .MÉTODO DA FUNÇÃO DESCRITIVA 4. u < 0 Com a entrada sinusoidal tem-se u(t ) = U sen(ω t ) e y (t ) =   +Y . A função descritiva. 4-1 Obtenha a função descritiva da não linearidade “liga/desliga” representada na Fig. Para o cálculo de B1 utiliza-se a expressão (4. u > 0 y(t) não se encontra bem definida para t = kT. escreve-se por vezes N = πU = T /2 0 2Y ωT {[− cos(ωt )] + [cos(ω t )]T / 2 = T } Probl.

*U/4/M).imag(G)). o sistema é estável. % escala de frequências.01:1. Probl. com se indica na Fig. Exemplo de um programa para o efeito: w=logspace(0. Resolução Como anteriormente.500). % diagrama da f. do processo com atraso plot(real(G).2. sobre o diagrama G ( jω ) correspondente à função de transferência 1 πU . % diagrama de Nyquist de G(jw) hold on. eixo imaginário G=1.7.*exp(-tau*s).5. para desenhar o próximo gráfico por cima M=1. 4. % cria escala logarítmica para as frequências tau=0. grid.t.4 . % valor da histerese U=0.2. ordem dado desenha-se o gráfico de − = − N 4 imag U=∞ -1/N U=0 0 ω=∞ 1 ω=0 G(jω) real Uma vez que os diagramas de –1/N e de G ( jω ) não se intersectam (apenas têm um ponto comum em que U=0). % amplitudes para o traçado de -1/N FD=-(pi.MÉTODO DA FUNÇÃO DESCRITIVA Resolução Sobre o diagrama G ( jω ) correspondente à função de transferência do sistema de 1ª 1 πU . % amplitude da não linearidade h=0.5 segundos no processo.d.01:0. % f.imag(FD)). % grelha sobre os gráficos hold off. O problema resolvedo sistema de 2ª ordem dado desenha-se o gráfico de − = − N 4 se bem com o auxílio do Matlab. % liberta os gráficos Escola Superior de Tecnologia de Setúbal – Controlo Não Linear – Gustavo da Silva – Pág. % mantém o gráfico. % Função descritiva plot(real(FD). % tempo de atraso s=j*w. 4-3 Problema análogo ao anterior mas com um atraso de 0. 115 ./(s+1).

Probl. Probl.4 -0. 4.5. Probl.2 0. s +1 Pág.2 Uma vez que os diagramas de –1/N e de G ( jω ) se intersectam.7 -0. 4-6 Obtenha a função descritiva da não linearidade “saturação” representada na Fig.1 0 -0.3 -0.5. 4-2. 4-4 Obtenha a função descritiva da não linearidade “liga/desliga com histerese” da Fig.5 .5 -0.1 -0. 4. G ( jω ) -0. o sistema é instável.4 -0.MÉTODO DA FUNÇÃO DESCRITIVA 0. 4.6 -0. mas com G ( s ) = −1. 4.3. 116 – Escola Superior de Tecnologia de Setúbal – Controlo Não Linear – Gustavo da Silva .2.2 -0. Probl. 4-5 Obtenha a função descritiva da não linearidade “zona morta” representada na Fig. 4-8 Problema análogo ao Probl. 4. Problemas Propostos Probl.2 0 0. 4-7 Obtenha a função descritiva da não linearidade “folga” representada na Fig.6 -0.4 .4.8 -1/N .

Probl.ω). represente graficamente utilizando o Matlab. Note que o lado direito da mesma Escola Superior de Tecnologia de Setúbal – Controlo Não Linear – Gustavo da Silva – Pág. onde G ( s) = 2 a) Considere x(t)=Acos(ωt). descrita por y(t)=Kx(t-T0). Sobreponha o gráfico –1/ N(A. o lado esquerdo da equação obtida na alínea anterior. 4-9 Considere o sistema de retroacção: + x(t) D y(t) G(s) 1 . b) Admita que r (t)=cos(ωt). 117 . s + s +1 2 a) Determine a função descritiva de f (u).ω) do bloco D. c) Quais são as condições sobre T0 que permitem que o sistema entre em oscilação? Estas oscilações são estáveis ou instáveis? Qual a variação da frequência e amplitude com T0 e K? Justifique. s + s +1 O bloco D é uma linha de atraso. 4-10 Considere o sistema representado abaixo: r (t) + – e (t) G(jω) f (u) u (t) Onde G ( jω ) = 10 e f (u ) = u 3 .MÉTODO DA FUNÇÃO DESCRITIVA Probl. c) Considerando ω fixo.4 . Demonstre que a equação que descreve o sistema é: G −1 (u ) = r − f (u ) Substituindo f pela sua função descritiva demonstre que a equação acima é aproximada por: 3 3 U + G −1 ( jω ) U = e j φ 4 Sugestão: Faça u(t)=Ucos(ωt+φ) e lembre-se que G(jω) apenas altera a amplitude e fase inicial de um sinal sinusoidal. b) Esboce o diagrama de Nyquist do sistema. Determine a função descritiva N(A.

 N ( A. Determine o sinal de saída y(t) se A<1. ω ) =  2  1  1 1 1− 2  A > 1  arcsin   + π A   A A   Onde A e ω são. 118 – Escola Superior de Tecnologia de Setúbal – Controlo Não Linear – Gustavo da Silva . Note que r1(t)=r2((ω1/ω2)t). Sugestão: note que os filtros F1 e F2 estão relacionados. ou seja. Probl. ocorrem três intersecções. os sinais que circulam no sistema são puramente sinusoidais. então a sua função descritiva é independente da frequência. b) Mantendo a aproximação do sistema pela sua função descritiva. determine a amplitude de y(t) para qualquer A. demonstre que é igual à 1ª harmónica de N(r2). 4-12 Demonstre que se um elemento não-linear não tem dinâmica. 4-11 Considere o seguinte sistema x(t)=Acos (ωt) 2s+1 s+1 F1 s+1 2s+1 F2 y(t) Admita que a função descritiva da saturação é: A≤1 1. Sugestão: qual é a relação entre F1 ( jω ) e F2 ( jω ) ? c) Que tipo de filtragem é feita por este sistema? Qual é a função dos filtros F1 e F2? Qual é a desfasagem entre y(t) e x(t) (considere o sistema aproximado). fixe uma frequência onde isto ocorra e varie a frequência do sinal de entrada r(t) numa vizinhança da primeira. Pág. Qual o significado físico das possíveis intersecções (para um dado ω)? Sugestão: lembre-se que.MÉTODO DA FUNÇÃO DESCRITIVA equação representa um ponto sobre o círculo unitário. Mais precisamente. a amplitude e a frequência angular do sinal x(t). O que é que acontece à amplitude do sinal u(t). por hipótese. Probl. a) Determine o ganho de alta frequência do filtro F1 ( lim F1 ( jω ) ) e o ganho de ω →∞ baixa frequência do filtro F2. Sugestão: considere dois sinais de entrada com frequências diferentes r1=cos(ω1t) e r2=cos(ω2t).4 . Escreva a expressão integral da 1ª harmónica de N(r1) e através de uma mudança conveniente de variáveis. respectivamente. d) Investigue o que acontece quando. é dado por y=N(u). no gráfico anterior.

a função do sistema pelo seu jacobiano multiplicado pelo estado. sistemas representáveis pelo modelo  x = f ( x ) + g ( x ) ψ( u ) (5.1. para se efectuar o controlo do sistema original. O método. através de uma realimentação não linear do estado ou da saída. a linearização por realimentação é exacta. LINEARIZAÇÃO EXACTA POR REALIMENTAÇÃO 5. para poder ser aplicado. convenientemente escolhida. v ) (5. em que se substitui. Este tipo de procedimento é conceptualmente diferente da linearização na vizinhança de um ponto de equilíbrio. bem conhecidas e mais poderosas do que as não lineares. Para atingir este objectivo torna-se quase sempre necessário efectuar uma mudança de variável de estado e introduzir uma variável de entrada auxiliar. ou seja. há normalmente que efectuar uma mudança de variável de estado z = z( x ) e introduzir uma lei de controlo (5. a um sistema linear.1)   y = h( x ) Neste tipo de sistemas.1. No caso em que se lineariza pelo jacobiano a linearização é local. Uma primeira abordagem A linearização exacta por realimentação é um procedimento que permite transformar a dinâmica de um sistema não linear numa dinâmica linear.4.1). Depois de ter o sistema não linear modificado de modo a que o todo se comporte como linear. em que se efectua o desenvolvimento da função do sistema em série de Taylor. e para os casos em que é possível efectuar a linearização exacta. aplica-se a todo o domínio do espaço de estados ou de saída. isto é. Além disso. eliminando os termos de ordem superior à primeira. é válida apenas para uma região em torno de um determinado ponto. 119 . Apenas determinados tipos de sistemas são susceptíveis de ser linearizados exactamente por realimentação: poderão sê-lo a classe de sistemas SISO em que na equação de estado as variáveis de entrada e de estado são separáveis. enquanto a linearização pelo jacobiano é aproximada. enquanto que a linearização por realimentação é global. exige o conhecimento do modelo descritivo do sistema não linear de partida. com a eventual excepção de pontos isolados. isto é. ou seja.2) u = u ( x. em que v é uma nova variável intermédia que conduz o sistema original (5.5. é possível utilizar técnicas lineares. quando tal é possível.3) ou seja. apresentada no capítulo 3. efectuar uma mudança de variável de controlo.

nomeadamente no controlo de braços robô e manipuladores.1.5. helicópteros. A variável controlada y = h é o nível do líquido no interior da esfera. assim o tipo de tratamento será diferente (eventualmente idêntico). aviões e satélites. para um fluido ideal é dado por q2 = S 2 2 gh (5. 120 – Escola Superior de Tecnologia de Setúbal – Controlo Não Linear – Gustavo da Silva .1. A variável manipulada u = q1 é o caudal de entrada. Há um escape contínuo de líquido para um reservatório exterior q2.4) em que S2 representa a secção da tubagem por onde se escapa o líquido e g a aceleração da gravidade. u → ~~~~~~~~~~~~~~~~~~~~~~~ r h S2 q2 → Fig. da equação de hidrostática p = ρ gh e da 2g γ relação q = vS . escape este que depende da altura do líquido no interior da esfera.1 – Controlo do nível numa esfera. q1. além de ser usada em aparelhagem médica e nas indústrias química e farmacêutica. Consoante as variáveis utilizadas para efectuar a realimentação sejam as variáveis de estado ou então as variáveis de saída. Exemplo de linearização e controlo por realimentação Considere-se o problema de controlar o nível do líquido no interior de um tanque esférico aberto. Pág. Esta relação pode ser obtida a partir da equação de Bernouilli para fluidos v2 p ideais em regime permanente + = C te . peças de artilharia. 5. como o que se representa na Fig. LINEARIZAÇÃO EXACTA POR REALIMENTAÇÃO A linearização por realimentação tem sido utilizada com êxito numa grande gama de aplicações. Antes de apresentar o formalismo matemático da linearização por realimentação serão apresentados alguns exemplos. e que. 5.1. 5.

o volume de líquido obtém-se integrando S(h)dh entre as cotas 0 e h. y ) d b( x) db( x) da ( x) ∫a ( x ) f ( x. O 2º termo compensa as variações da referência. desenvolvendo o 1º membro(1). r (referência).5) (5. ou seja.6). o ganho óptimo para um controlador linear deverá ser bastante diferente do ganho óptimo para uma referência a ¼ da altura. Finalmente o 3º termo compensa outras perturbações do nível. Poderá ser do tipo u (t ) = S ( h )v (t ) + S2 2 gh(t ) (5. S ( h )h (t ) = u (t ) − S2 2 gh (t ) (5.6) Se o valor desejado para a altura. pelo que a dinâmica do sistema é representada por d h S (ξ )dξ = u(t ) − S2 2 gh(t ) dt ∫0 ou ainda.8) obtém-se e(t ) + ke(t ) = 0 (5. O primeiro termo é utilizado para compensar directamente o caudal de escape pelo fundo do tanque.10) Se a constante k for escolhida positiva.10) tende para zero quando t → ∞.11). Se a referência r mudar. o que significa que o nível do tanque segue a referência. a solução da equação (5. por exemplo variações de consumo.6) linear. a equação do erro é exponencialmente estável. 1 Relembre-se que b ( x ) ∂f ( x. não indicadas na figura.5. estiver. Substituindo (5. substituindo u(t) na equação do sistema resulta o sistema h (t ) = v ( t ) (5. a ½ da altura da esfera.7) de modo a tornar (5.9) em (5. escolhida por (5.8) Este sistema pode ser controlado para uma referência r(t) variável no tempo utilizando a lei de controlo v (t ) = r (t ) − ke(t ) (5. Considere-se uma lei de controlo que procure linearizar (5. Nota: Neste exemplo há uma limitação no desempenho do controlo. Substituindo a lei de controlo (5. a área da superfície livre do líquido. uma vez que u(t) não pode tomar valores negativos. y)dy =∫a ( x) ∂x dy + f (b.11) Repare-se na constituição do 2º membro de (5.9) em (5. LINEARIZAÇÃO EXACTA POR REALIMENTAÇÃO Neste sistema.9) em que e = h–r representa o valor do erro e k uma constante real. o novo erro tende exponencialmente para zero. a variação de volume no interior da esfera é resultante da diferença entre o caudal que entra e o caudal que sai. Com efeito. y) dx − f (a. por exemplo. ou seja. y) dx dx Escola Superior de Tecnologia de Setúbal – Controlo Não Linear – Gustavo da Silva – Pág. 121 . Representando por S(h) a secção interior da esfera à cota h.7) em que v(t) é uma nova variável manipulada intermédia.7) obtém-se u (t ) = S2 2 gh + S ( h ) r − S ( h )ke (5.

obtém-se o sistema linear. LINEARIZAÇÃO EXACTA POR REALIMENTAÇÃO 5. (5.5. Deverá ainda ser g(x)≠0. x(n) = v Se for desejado seguir uma referência r(t).12) escreve-se  x1   x2       =   xn −1   xn       xn   f ( x ) + g ( x )u  (5. Sistemas na forma companheira Um sistema não linear diz-se na forma companheira se a sua dinâmica puder ser representada por uma equação do tipo x ( n ) = f (x ) + g (x ) u em que x representa o vector de estado.1.20) tiverem a parte real estritamente negativa.19) e( t ) = x ( t ) − r ( t ) a lei de controlo v = r ( n ) − k0e − k1e − − kn −1e( n −1) conduz a um seguimento exponencialmente convergente se as raízes do polinómio característico λ n + kn −1λ n −1 + + k1λ + k0 = 0 (5.18) (5.14) a equação de estado correspondente à equação diferencial (5. Esta representação tem a particularidade de nela não intervirem as derivadas de u.16) e substituindo em (5. x ( n −1) ]T (5. definindo o erro por (5. x = [ x. integrador múltiplo.17) (5.12). Pág.13) e f e g são duas funções escalares.2.12) . de x. Efectuando a mudança de variáveis  x1 = x x = x  2    xn = x ( n −1)  (5. x. não lineares. 122 – Escola Superior de Tecnologia de Setúbal – Controlo Não Linear – Gustavo da Silva .15) Utilizando a lei de controlo u (t ) = 1 [v (t ) − f ( x )] g (x) (5.

(5.  x1 = −3x1 + 2 x2 + sen x1   x2 = − x2 cos x1 + u cos 2 x1 (5. não lineares no estado mas lineares na entrada. LINEARIZAÇÃO EXACTA POR REALIMENTAÇÃO A lei de controlo (5.22) O procedimento que acaba de ser apresentado foi aplicado a sistemas na forma companheira.19) pode ser escrita na forma v = r ( n ) − k Te com  k0  k  k= 1       kn −1    x−r     x−r  e=    ( n −1) ( n −1)  −r x  (5. Como se disse atrás. u ) (5. com a dinâmica z = Az + bv (5.21) e (5. 123 .25) Chegando-se ao sistema linear (5.v). Exemplo 5-1 Considere-se o sistema de 2ª ordem não linear no estado e linear na entrada.27) Escola Superior de Tecnologia de Setúbal – Controlo Não Linear – Gustavo da Silva – Pág. este pode ser controlado com qualquer das técnicas usadas com sistemas lineares. (5. a linearização é feita com uma mudança da variável de estado z = z(x).24) em que o estado é completamente acessível.5. de modo a obter-se um sistema linear e invariante no tempo.25). Neste caso efectuando uma mudança de variável prévia u = ψ −1 ( w ) a não linearidade na entrada é cancelada.2).3).1.3. (5.12) em vez de estar u estiver uma função ψ(u). Linearização entrada-estado Na linearização entrada-estado o objectivo é linearizar por realimentação um sistema descrito pela equação de estado x = f ( x. e com uma mudança na variável de entrada u=u(x. invertível. Eles são expansíveis ao caso em que na equação (5. Ilustre-se o procedimento com um exemplo.26) Efectue-se a seguinte mudança de variável de estado  z1 = x1   z2 = 2 x2 + sen x1 (5.23) 5.

26) com (5.30) Repare-se que a relação entre u e v não é global. Pág.2 – Esquema de controlo com linearização entrada-estado. 5. eixo imaginário excluído. A Fig. para que o sistema em cadeia fechada seja exponencialmente estável. … Para estes valores de x1 o coeficiente de u em (5.32) k =  0 e=  z − r  k1  A raízes do polinómio característico (5. poderá utilizar-se a lei de controlo v = −k T e (5.27) conduz a  z1 = −3 z1 + z2   z2 = −3 x1 cos x1 + sen x1 cos x1 + 2 u cos 2 x1 (5.5. k = ±1.2 resume o conjunto de transformações que se efectuaram para linearizar e controlar o sistema deste exemplo. LINEARIZAÇÃO EXACTA POR REALIMENTAÇÃO A combinação de (5.26) anula-se e o sistema deixa de ser controlável. 5. para x1 ≠ π/4+kπ/2. 124 – Escola Superior de Tecnologia de Setúbal – Controlo Não Linear – Gustavo da Silva .29) é-se conduzido à equação de estado linear (5.29) seja diferente de zero. Se for desejado que o novo estado estabilize a origem.28) Se for efectuada uma mudança na variável de entrada u= 1 ( v + 3x1 cos x1 − sen x1 cos x1 ) 2 cos 2 x1  z1 = −3z1 + z2   z2 = v (5. ou seja. ±2.u) x(t) controlo linearização z = z(x) Fig.31) com k e e dados por k  z − r e (5. Com efeito ela só é válida desde que o denominador em (5.v) u(t) x = f(x. uma vez que o estado passa a não depender de u. r(t) – -e(t) v = -kTe v(t) u = u(z.20) deverão localizar-se no semiplano complexo esquerdo.

Procure abordar-se o problema por meio de um exemplo. que de momento apenas aparece implícita através de (5. 125 . será que existem classes de sistemas às quais o método é sempre aplicável? Quais essas classes e quais os métodos sistemáticos para proceder à sua linearização? Antes de procurar responder a estas questões levantem-se outras mais. Para a obter.5. descrito pelo modelo de estado  x = f ( x.4. derive-se a equação de saída e substitua-se o valor de x1 dado por (5. Por agora não se fará qualquer consideração sobre qual o critério de minimização.34) y = sen 2 x2 + ( x2 + 3) x3 (5. Até agora foram dados dois exemplos de sistemas em que através de mudanças de variáveis se transformou uma dinâmica não linear numa dinâmica linear. Caso tal não aconteça.33). Será que tal é sempre possível? Em caso afirmativo. 5. Vai sim procurar-se uma relação explícita entre u e y. LINEARIZAÇÃO EXACTA POR REALIMENTAÇÃO Repare-se no seguinte: • • Está-se a admitir que o estado é completamente acessível. Exemplo 5-2 Considere-se o sistema não linear de 3ª ordem  x1 = sen 2 x2 + ( x2 + 3) x3  3  x2 = − x1 + x3  2  x3 = x1 + u y = x  1 (5. Não foram consideradas incertezas no modelo original.35) Escola Superior de Tecnologia de Setúbal – Controlo Não Linear – Gustavo da Silva – Pág. A referência e suas derivadas assumem-se conhecidas e limitadas.34) Neste sistema não existe uma relação explícita entre a saída e a entrada. Linearização entrada-saída Seja um sistema não linear. Estas podem eventualmente conduzir a um tal aumento na incerteza da descrição linearizada que esta pode deixar de ter qualquer utilidade. procurando efectuar a linearização de um sistema a partir das variáveis de entrada e de saída. O sistema de controlo vai procurar impor valores a u no sentido de minimizar a diferença entre y e r. u )   y = h(x ) (5. deverá providenciar-se para ser feita a sua medida ou o seu cálculo.1.33) e projecte-se um sistema de controlo para seguir uma referência r(t). como é pretendido que haja.

5. LINEARIZAÇÃO EXACTA POR REALIMENTAÇÃO

Como ainda não aparece a relação entre y (ou y ) e u, derive-se de novo e substitua-se x2 e x3 pelos seus valores dados por (5.34). Obtém-se
y = f1 ( x ) + ( x2 + 3)u

(5.36)

em que f1 é a função do estado f1 ( x ) = (2 cos 2 x2 + x3 ) ( x13 + x3 ) + ( x2 + 3) x12 (5.37)

Agora, na equação (5.36) já aparece uma relação explícita entre a saída e a entrada (através de y e de u). Escolhendo uma nova variável de entrada v, relacionada com u por 1 u= ( v − f1 ) (5.38) x2 + 3
a não linearidade de (5.36) é cancelada, ficando y=v que é um duplo integrador. Projecte-se um sistema de controlo para (5.39), para seguir uma trajectória r(t), fazendo v = r − k Te com
k  k =  0  k1  e  y − r e=   y − r

(5.39)

(5.40) (5.41)

Substituindo (5.40) em (5.39) obtém-se y − r + k1 ( y − r ) + k0 ( y − r ) = 0 ou ainda e + k1e + k0e = 0 (5.43) que, se as raízes da sua equação característica tiverem a parte real estritamente negativa, representa um sistema exponencialmente estável. Se as condições iniciais forem e(0) =0, e(0) =0, e(0) =0, tem-se, para qualquer t ≥ 0, e(t) =0, ou seja, há um seguimento perfeito da trajectória. Para condições iniciais diferentes destas o erro e(t) tende exponencialmente para zero. Chama-se a atenção para o seguinte: • A expressão (5.38), que define a nova variável manipulada v, não é global, isto é, não é válida para todo o espaço de estados, não se aplicando se x2 = –3. • Como no caso do exemplo anterior, continua a ser necessário o conhecimento das variáveis de estado, pois o cálculo de y e de y utiliza os seus valores. • Para a obtenção de uma relação explícita entre y e u houve necessidade de derivar duas vezes a saída. Diz-se que o sistema tem um grau relativo igual a 2. (5.42)

Pág. 126 – Escola Superior de Tecnologia de Setúbal –

Controlo Não Linear – Gustavo da Silva

5. LINEARIZAÇÃO EXACTA POR REALIMENTAÇÃO

De uma forma mais geral: Diz-se que o sistema tem o grau relativo r, se para obter uma relação explícita entre a entrada e a saída esta tiver que ser derivada r vezes. O grau relativo deverá ser menor ou igual à ordem do sistema:

r≤n

(5.44)

Com efeito r não pode ser superior a n, porque se fosse possível derivar um número de vezes superior a n então o sistema não seria de ordem n mas de ordem superior a n. Se ao fim de derivar n vezes ainda não houver uma relação explícita entre a entrada e a saída é porque o sistema não é controlável.
5.1.5. A dinâmica interna

Um facto curioso que se levanta com o exemplo anterior é o seguinte: Partiu-se de um sistema não linear de 3ª ordem, o sistema (5.34), e chegou-se a uma equação diferencial linear de 2ª ordem, a equação (5.39). Pelo caminho perdeu-se uma variável de estado. O que é que lhe aconteceu? A explicação é a seguinte: a equação (5.39) apenas representa parte da dinâmica do sistema inicial. A restante dinâmica tornou-se não observável, ao efectuar-se a linearização entrada-saída. A esta dinâmica não observável dá-se o nome de dinâmica interna do sistema. Neste exemplo a dinâmica interna pode ser analisada por meio do estado x3, uma vez que é possível obter um novo vector de estado com y, y e x3. A dinâmica interna será então representada por 1 ( r − k0e − k1e + f1 ) x3 = x12 + (5.45) x2 + 3 Se o estado x3 for estável a dinâmica interna será estável e o sistema pode efectuar o seguimento da trajectória. Se a dinâmica interna for instável, ou seja, se o estado x3 for não limitado, o seguimento da trajectória r poderá conduzir a fenómenos indesejáveis, como por exemplo vibrações violentas, rotura de peças, disparo de protecções ou queima de fusíveis. Portanto, a eficiência do sistema de controlo de seguimento, além de depender do comportamento do modelo linear de ordem reduzida (5.43), depende também da estabilidade da dinâmica interna. A fim de compreender melhor o que é a dinâmica interna de um sistema vai dar-se um outro exemplo.
Exemplo 5-3

Considere-se o sistema não linear de 2ª ordem
Escola Superior de Tecnologia de Setúbal – Controlo Não Linear – Gustavo da Silva – Pág. 127

5. LINEARIZAÇÃO EXACTA POR REALIMENTAÇÃO

3   x1   x2 + u  =      x2   u  y = x  1

(5.46)

e projecte-se um controlador que faça a saída seguir uma referência r(t), limitada e com derivada limitada. Procure-se uma relação entre y e u, derivando y:
3 y = x1 = x2 + u

(5.47)

Como acaba de se obter a relação entre y e u (através de y ), aplique-se a lei de controlo
3 u = v − x2

(5.48) (5.49)

A substituição de (5.48) em (5.47) origina o sistema linear de 1ª ordem (integrador)
y=v

Efectuando um controlo de seguimento por realimentação de estado [ver as equações (5.19), (5.31), (5.40)], em que e = y – r, será
v = r − ke

(5.50)

Substituindo (5.50) em (5.49) e notando que r = y − e , é-se conduzido à equação diferencial de 1ª ordem, para o erro, e + ke = 0 (5.51) cuja equação característica tem o valor próprio λ = – k, pelo que o erro converge para zero, exponencialmente. A dinâmica interna obtém-se substituindo a lei de controlo (5.48) na 2ª equação de (5.46), ainda não utilizada, resultando
3 x2 + x2 = r − ke

(5.52)

Uma vez que (5.51) garante que e(t) é limitado, e que por hipótese a referência e a sua derivada são limitadas, tem-se r − ke < C (5.53) em que C é uma constante positiva, e portanto
3 x2 + x2 < C

(5.54)

ou seja, x2 é limitado. O sistema de controlo satisfaz pois os objectivos pretendidos, uma vez que y(t) segue a trajectória desejada r(t) e a dinâmica interna é estável. Se no entanto o sistema (5.46) for substituído por um aparentemente muito semelhante
3   x1   x2 + u  =      x2   −u  y = x  1

(5.55)

Pág. 128 – Escola Superior de Tecnologia de Setúbal –

Controlo Não Linear – Gustavo da Silva

5. LINEARIZAÇÃO EXACTA POR REALIMENTAÇÃO

chega-se a uma equação para o erro igual a (5.51), mas a dinâmica interna dará
3 x2 − x2 = − r + ke

(5.56)

que, mesmo com − r + ke < C , como anteriormente, é uma equação cuja solução tende para infinito quando t→∞. Embora nos exemplos apresentados tenha havido como motivação o seguimento de uma referência, o método da linearização por realimentação pode ser utilizado também para a análise da estabilidade de um sistema não linear na vizinhança de um ponto de equilíbrio. Viu-se que o grau relativo de um sistema está relacionado com o número de derivações que é necessário efectuar sobre a variável de saída até se obter uma relação explícita entre y(r) e u. A dinâmica interna de um sistema será caracterizada por um determinado número de equações diferenciais de 1ª ordem, concretamente n-r. Um caso importante é aquele em que para obter a relação entre y e u é necessário derivar y um número de vezes igual à ordem do sistema. Neste caso o grau relativo é r = n, e o número de equações representativas da dinâmica interna é zero. O conjunto de variáveis y, y , …, y(n) pode ser tomado para vector de estado e o sistema fica assim transformado num sistema na forma companheira, análogo ao sistema (5.15). Neste caso a linearização entrada-saída é equivalente à linearização entrada-estado e o sistema é controlável.
5.1.6. Dinâmica interna de sistemas lineares

Para compreender melhor o significado da dinâmica interna analise-se o sistema linear

  x1  0 1   x1  1   =    +  u  x2  0 0  x2  1   y = 1 0  x1  [ ]    x2  
semelhante a (5.46), mas linear. Derivando a saída e substituindo x1 obtém-se
y = x2 + u

(5.57)

(5.58)

A lei de controlo (que contém a realimentação de estado)
u = r − ke − x2

(5.59) (5.60) (5.61)

conduz à equação exponencialmente estável (k>0)
e + ke = 0

e à dinâmica interna [comparar com (5.52)]
x2 + x2 = r − ke

cuja solução tende para zero quando t → ∞.

Escola Superior de Tecnologia de Setúbal – Controlo Não Linear – Gustavo da Silva – Pág. 129

que podem ser obtidas pela relação G ( s ) = cT ( s I − A) −1 b Obtêm-se assim 1º sistema: s +1 G1 ( s ) = 2 s 2º sistema: s −1 G2 ( s ) = 2 s (5.62) a lei de controlo (5. (5. se for considerado o sistema [confrontar com (5.59). Designados por sistemas de fase não mínima. Qual será a diferença nos dois sistemas que conduz a resultados tão diferentes? Antes de responder a esta questão observem-se as respectivas funções de transferência.60).65) Introduzindo as variáveis de estado (escrita simbólica) x1 = 1 u a0 + a1s + a2 s 2  x1   0 x  =  0  2   x3   −a0    1 0 x2 = x1 x3 = x2 (5.55)].5. O sistema com o zero no semiplano complexo esquerdo(2) tem a dinâmica interna estável. A sua função de transferência genérica pode escrever-se G ( s) = b0 + b1s ao + a1s + a2 s 2 + s 3 (5. embora conduza à mesma equação para o erro.63) cuja solução tende para infinito quando t→∞. Controlo Não Linear – Gustavo da Silva Pág. origina a dinâmica interna x2 − x2 = − r + ke (5. 130 – Escola Superior de Tecnologia de Setúbal – .   x1  0 1  x1   1   =    +  u  x2  0 0  x2   −1   y = 1 0  x1  [ ]    x2   (5. Considere-se agora um outro exemplo. LINEARIZAÇÃO EXACTA POR REALIMENTAÇÃO No entanto. um sistema de 3ª ordem com um excesso de pólos sobre zeros igual a dois.66) o sistema pode escrever-se na forma companheira 0   x1  0 1   x2  +  0  u     − a2   x3  1      (5.67) − a1 2 3 Designados por sistemas de fase mínima. o primeiro tem o zero igual a –1 enquanto que o segundo tem o zero igual a +1.64) Embora os dois sistemas tenham os mesmos pólos. enquanto que o sistema com o zero no semiplano complexo direito(3) tem a dinâmica interna instável.

70) Verifica-se que o número de diferenciações necessárias para obter uma relação explícita entre a saída e a entrada.1. portanto.72) A dinâmica interna do sistema será descrita por n – r = 1 equação. e o controlo do nível do ebulidor de uma caldeira por manipulação do caudal de água de alimentação. é igual ao excesso de pólos sobre zeros.69) e voltando a derivar y = b0 x2 + b1 x3 = b0 x3 + b1 ( − a0 x1 − a1 x2 − a2 x3 + u ) (5. A dinâmica zero Na secção anterior estudou-se o efeito da localização dos zeros da função de transferência de um sistema linear sobre a estabilidade da sua dinâmica interna. tem-se o controlo da altitude de um avião. vem 1 x1 = x2 = ( y − b0 x1 ) (5.67) para representar a dinâmica interna. e a dinâmica interna é estável.68) não existe nenhuma relação explícita entre a saída e a entrada. por ser y = r + e. a estabilidade de (5. Escolhendo a 1ª equação escalar de (5. Se o sistema for de fase não mínima o zero encontra-se no semiplano complexo direito. o grau relativo. ou seja. Será que é possível estender o conceito de zero(s) da função de transferência de um sistema linear a um sistema não linear? O problema que começa por pôr-se à partida é que para um sistema não linear não se define função de transferência e.7. Há no entanto uma forma de abordar este assunto através do conceito de dinâmica zero: Escola Superior de Tecnologia de Setúbal – Controlo Não Linear – Gustavo da Silva – Pág. LINEARIZAÇÃO EXACTA POR REALIMENTAÇÃO y = [ b0 b1  x1  0 ]  x2     x3    (5. Como exemplos clássicos de sistemas de fase não mínima. que origina um erro exponencialmente estável.74) b1 b1 Uma vez que y é limitado. ou seja x1 + 5. é-se conduzido à equação de 2ª ordem. por meio da manipulação do leme de elevação.65): se o sistema for de fase mínima o zero encontra-se no semiplano complexo esquerdo.5. 131 .71) b1 b1 com k0 e k1 positivos. Escolhendo a lei de controlo b 1 u = ( a0 x1 + a1 x2 + a2 x3 − 0 x3 ) + ( r − k0e − k1e) (5.73) b1 b0 1 x1 = y (5. e a dinâmica interna é instável.74) depende da localização do seu pólo. que é o zero da função de transferência (5.68) Como em (5. derive-se a saída. Obtém-se y = b0 x1 + b1 x2 = b0 x2 + b1 x3 (5. não existem os conceitos de zero ou de pólo. e + k1e + k0e = 0 (5. e tanto r como e são limitados.

52). e é instável caso a raiz se b1 encontre no semiplano complexo direito. Escolher u=u(v. 3 x2 + x2 = 0 (5.76) é estável. Analisar a estabilidade da dinâmica interna. LINEARIZAÇÃO EXACTA POR REALIMENTAÇÃO Dado um sistema linear.x) de modo a cancelar as não linearidades e garantir a convergência do erro de seguimento. por 2 exemplo V = x2 . este fica completamente linearizado e é possível escolher um controlador que conduza a um seguimento satisfatório. Quando o grau relativo r for igual à ordem do sistema.68) a dinâmica zero obtém-se fazendo y = 0 em (5. isto é. se a raiz da sua equação característica.46) do Exemplo 5-3 a dinâmica zero obtém-se a partir da equação (5. Para o sistema (5.65) mostra que o pólo da última é o zero da primeira.75) é assimptoticamente estável utilizando uma função de Lyapunov.74). Para o sistema (5. Pág.76) e de (5. A observação de (5. Para os sistemas não lineares não é possível garantir a estabilidade global. apenas a estabilidade local pode ser garantida.75) A dinâmica zero é uma característica intrínseca de um sistema não linear. resultando b x1 + 0 x1 = 0 (5. – b0 . x1→0 quando t→∞. Resumindo. Nos sistemas lineares a estabilidade da dinâmica zero é global. estiver no semiplano complexo esquerdo.76) b1 A equação (5. o método de linearização entrada-saída envolve os seguintes passos: 1.67)/(5. o comportamento do sistema dependerá também da estabilidade da sua dinâmica interna.5. 3. Derivar a saída r vezes até se obter uma relação explícita entre y(n) e u. Diz-se que um sistema não linear é de fase mínima se a sua dinâmica zero for assimptoticamente estável. fazendo o 2º membro igual a zero. Caso r < n. Para este exemplo pode verificar-se que a dinâmica (5. Ela não depende nem da saída nem da referência. 2. 132 – Escola Superior de Tecnologia de Setúbal – Controlo Não Linear – Gustavo da Silva . O resultado que acaba de se apresentar é válido para todos os sistema lineares e pode traduzir-se do modo seguinte: a localização dos zeros do sistema sobre o semiplano complexo esquerdo garante a estabilidade da dinâmica zero. ou seja. define-se dinâmica zero desse sistema como sendo a dinâmica interna que actuada pela entrada mantém a saída a zero.

pelo covector ∂h( x ) . grad h(x). f > .77) O campo vectorial representa uma função f(x) que a cada ponto x do domínio D faz corresponder um vector f.2. ou ∂x f(x) é função suave se todas as sua componentes forem funções suaves em relação a todas as componentes de x. Pode fazer-se uma abstracção geométrica imaginando um vector f emanando de cada ponto x do domínio. 5.1. quando mais nada for dito. nota da pág. Ver Cap. Dá-se o nome de campo vectorial a uma aplicação f de D em ℜn: f: D → ℜn (5. pelo escalar < w.2. Neste texto. 5. Representa-se por um vector linha. Neste texto h(x) representará uma função escalar e será h: D→ℜ (5.79) O produto de w(x) por f(x) deve ser entendido como o produto matricial de uma matriz linha 1×n (covector w).1. LINEARIZAÇÃO EXACTA POR REALIMENTAÇÃO 5.43.2.2.2. Escola Superior de Tecnologia de Setúbal – Controlo Não Linear – Gustavo da Silva – Pág. fn(x).1. f(x) designa um campo vectorial.2. No que se segue admitir-se-á que h(x) e f(x) são funções suaves de x (4). e representa-se por ∇h(x). 5.1.1. 133 4 .2. Campo covectorial Designa-se por campo covectorial ao transposto de um campo vectorial.78) A função escalar faz corresponder a cada ponto do espaço vectorial um valor real. …. o campo vectorial tem o nome de campo escalar. O formalismo da Geometria Diferencial Nesta secção serão introduzidos alguns conceitos matemáticos que permitem abordar a linearização por realimentação com o formalismo utilizado na Geometria Diferencial. f2(x).2.1. Campo vectorial Considere-se um domínio D ⊆ ℜn. de componentes reais. Produto interno Define-se produto interno de um campo vectorial f(x) por um campo covectorial w(x). 5. Conceitos e aplicações 5. f >= w (x )f ( x ) = ∑ wi ( x ) f i ( x ) i =1 n (5.4.3. e representa-se por < w. No caso particular em que n = 1. por uma matriz coluna n×1 (vector f). Gradiente Define-se gradiente de uma função escalar h(x). O campo vectorial é representado por um vector coluna de comprimento n e componentes f1(x).5.

a derivada de Lie de ordem zero é L0f h ( x ) = h ( x ) (5. A sua definição faz-se por recorrência: Define-se derivada de Lie de ordem i de uma função escalar h(x) por Lif h( x ) = Lf [Lif−1h ( x )] = ∇[Lif−1h ( x )] f ( x ) e em que.85) (5. Também se lhe dá o nome de gradiante de h(x).86) Controlo Não Linear – Gustavo da Silva . =  ∂x ∂xn   ∂x1 (5. por definição.2. 5. Derivada de Lie Dados uma função escalar h(x) e um campo vectorial f(x).5. LINEARIZAÇÃO EXACTA POR REALIMENTAÇÃO ∇h (x ) ≡ grad h ( x ) ≡ ∂h ( x )  ∂h ( x ) ∂h ( x )  . e representa-se por Lf h.82) Repare-se que ∇h é um covector. A derivada de Lie é a derivada dirigida de h(x) segundo a direcção de f.5. 5. .. Sejam f(x) e g(x) dois campos vectoriais. cujas componentes se obtêm derivando h(x) em relação a cada uma das componente de x. pela expressão Lf h( x ) = ∂h( x ) f ( x ) = ∇h(x )f ( x ) =< ∇h( x )..81) O jacobiano de um campo vectorial de dimensão n é uma matriz n×n. define-se derivada de Lie de h(x) em relação a f(x).n (5. j = 1. pelo que o seu produto com f é um escalar. Define-se LgLf h(x) pela expressão L g Lf h ( x ) = L g [ Lf h ( x ) ] = ∇ [ Lf h ( x ) ] g ( x ) De um modo geral será L g Lf h ( x ) ≠ Lf L g h ( x ) Pág. 3. etc..1.83) Uma função escalar pode ser derivada em relação a mais do que um campo vectorial. A Lf h também se costuma chamar derivada de Lie de h ao longo de f. respectivamente.84) (5. 2. f ( x ) > ∂x (5.80) O gradiente de uma função escalar é um campo covectorial. Jacobiano Define-se jacobiano de um campo vectorial f(x) pela expressão  ∂f1 ( x1 )  ∂x 1 ∂f (x)  ∂fi (x)   ∇f ( x ) ≡ = = ∂x  ∂x j      ∂f n ( x1 )  ∂x1  ∂f1 ( xn )  ∂xn     ∂f n ( xn )  ∂xn   i.6.2. . 134 – Escola Superior de Tecnologia de Setúbal – (5. é possível calcular as derivadas de Lie de ordem 2.1. Uma vez que a derivada de Lie de uma função escalar é também uma função escalar.

e representa-se por Lf g. pelo que o seu produto por f é um vector. Aplicações da derivada de Lie 0  0  2 1 = 3x1 +2x2 ≠ LfLg h   Veja-se como é que as derivadas de Lie se aplicam a sistemas dinâmicos não lineares. pela expressão L f g ( x) = Note-se que Exemplo 5-4 ∂g(x) f ( x) ∂x (5. 135 . LINEARIZAÇÃO EXACTA POR REALIMENTAÇÃO Dados um campo vectorial f(x) e um campo vectorial g(x).2. 0  Resolução:  x2  ∂h = 3x12 x2 + x1 + x22 f(x) = [3x12 1]  2 ∂x  x1 + x2   x2  ∂ (Lf h ) b) L2f h= = 3x13+3x12x22+2x1x2+x2+6x1x22+2x23 f = [6x1x2+1 3x12+2x2]  2 ∂x  x1 + x2  a) Lf h = c) Lg h = [3x12 1]   = 1 1  ∂ (Lg h ) d) LfLg h = f = [0 0] f = 0 ∂x ∂ (Lf h ) e) LgLf h = g = [6x1x2+1 3x12+2x2] ∂x 5. Considere-se o sistema autónomo x = f (x) (5.1.7.87) ∂g(x) é uma matriz. x2]T h(x) = x13 + x2 Calcular: a) Lf h  x2  f(x) =  2  x1 + x2  b) L2f h c) Lg h g(x) =   (campo vectorial constante) 1  d) LfLg h e) LgLf h. ∂x Sejam x = [x1.88)   y = h(x ) As derivadas da saída podem obter-se por ∂h ∂h   y = ∂x x = ∂x f = Lf h   y = ∂ (Lf h ) x = L2 h (5. define-se derivada de Lie de g(x) em relação a f(x).5.89) f  ∂x    y ( n ) = Ln h  f Escola Superior de Tecnologia de Setúbal – Controlo Não Linear – Gustavo da Silva – Pág.

3 secção 3.2. g] = ∇g f − ∇f g = ∂g(x) ∂f (x) f ( x) − g ( x) ∂x ∂x (5. g ] = ad f g (5.88). LINEARIZAÇÃO EXACTA POR REALIMENTAÇÃO A derivada de Lie já apareceu no Cap.4. conveniente para a aplicação recursiva.4. Seja o sistema não linear no estado e linear na entrada  x = f ( x ) + g ( x )u (5.92) Se o sistema for de grau relativo r = 1 deverá ser Lg h ≠ 0 . 0 ≤ i ≤ r − 2   r −1  Lg Lf h(x ) ≠ 0  (5.95) onde adf g significa adjunta de g e representa o parêntesis de Lie de f e g.91) e substitua-se x pelo seu valor: y= ∂h ∂h x = (f + g u ) = Lf h + Lg h u ∂x ∂x (5. mais adiante. em ℜn.2. A derivada V ( x ) obtém-se por V (x) = ∂V (x ) ∂V (x ) x= f (x ) = LfV ( x ) ∂x ∂x (5. apresentadas atrás em 5. substituindo x pelo seu valor e generalizando o raciocínio até à derivada de ordem r. Neste caso deverá derivar-se de novo a saída. embora o seu nome não tenha sido aí referido. pode afirmar-se o seguinte: O sistema (5. aquando do cálculo da derivada da função de Lyapunov ao longo de uma trajectória do sistema.8. Derive-se uma vez a 2ª equação (5. Derivando.5. define-se parêntesis de Lie de f e g pela expressão [f . Isto significa que é necessário derivar r vezes a 2ª equação de (5.1. Uma outra notação utilizada para o parêntesis de Lie.1 e 5.93) Para mais detalhe vejam-se as secções 5.4. 136 – Escola Superior de Tecnologia de Setúbal – Controlo Não Linear – Gustavo da Silva .90) As derivadas de Lie podem ser usadas para redefinir as expressões de grau relativo de um sistema.5. para o sistema (5.94) Repare-se que [f.1. Considere-se então uma função de Lyapunov candidata. é a seguinte: [f .91)   y = h(x ) e seja r o seu grau relativo. Parêntesis de Lie Dados uma função escalar h(x) e dois campos vectoriais f(x) e g(x).3. 5.91) é de grau relativo r se para qualquer x∈D se verificar  Lg Lif h ( x ) = 0. g] é um campo vectorial de dimensão n (vector coluna).91) até se obter uma dependência explícita da entrada na saída. Se r >1 terá que ser Lg h = 0 . Pág.

98) em que f. g(x) = 2 x  . LINEARIZAÇÃO EXACTA POR REALIMENTAÇÃO O parêntesis de Lie de ordem i é definido por ad if g = [f . g]. β1. f(x) =   . ….ad i−1g ] f com a condição de se fazer ad 0g = g f Exemplo 5-5 1 2 Dados x =  1  .99) (5. Bilinearidade: [(α1f1 + α 2f 2 ). α2. g ] = −[g. Ab. An-1b} Que semelhança tem com a matriz de controlabilidade de um sistema linear? 5. g(x) = b e h(x) = cTx. f ] L[f . P2.100) Escola Superior de Tecnologia de Setúbal – Controlo Não Linear – Gustavo da Silva – Pág. ….1. g 2 ] (5. g1 ] + β 2 [f . Anticomutatividade: P3. Tem-se assim o sistema linear x = Ax + b u y = cTx Calcule os vectores {adf0g.96) (5. adf2g. β2 são escalares constantes. g] [f . (-1)n-1adfn-1g} Resolução: A aplicação das definições (5. f2. 137 .96) permite obter o resultado {b. g] = ∂g( x ) ∂f (x ) f(x) – g(x) = ∂x ∂x −2 0 0  −2 x1 + x2    2 0   –  − x cos x    − x2 sen x1   2 1  1  = − sen x1   2 x1    1 2 − 2 x1   =    −4 x1 + 2 x2 + x2 cos x1 + 2 x1 sen x1  Exemplo 5-6 Considere o sistema obtido a partir de (5.9. g. Propriedades do parêntesis de Lie P1. ( β1g1 + β 2 g 2 )] = β1[f . x 2   − x 2senx1   1 (5.2. A2b. g ] + α 2 [f 2 .5.97) x  − 2x + x   1  Resolução: [f. g2 são campos vectoriais suaves e α1.91) fazendo f(x) =Ax. g1.g ] h = Lf Lg h − Lg Lf h (5. Identidade de Jacobi: [f . calcular [f. f1. g] = α1[f1 .97) e (5. -adf g.

138 – Escola Superior de Tecnologia de Setúbal – Controlo Não Linear – Gustavo da Silva . substituindo em (5.103) obtém-se z= ∂φ ∂φ ∂φ x= f (x) + g(x) u ∂x ∂x ∂x Como φ é um difeomorfismo tem-se x = φ−1 ( z ) (5. um vector x∈Ω e uma aplicação φ(x) de Ω em ℜn.1.102) e efectue-se a mudança de variável de estado z = φ( x ) (5. numa vizinhança de x0 contida em Ω. Ω ⊆ ℜn. através de uma mudança de variável de estado. linear ou não linear. LINEARIZAÇÃO EXACTA POR REALIMENTAÇÃO 5.104) se obtém Pág. Nestas condições diz-se que se trata de um difeomorfismo local. tratando-se então de um difeomorfismo global. Difeomorfismos Considere-se uma região do espaço de estados.2.5. Considere-se um campo vectorial φ(x) φ: Teorema 1 (difeomorfismo local) É condição necessária e suficiente para que φ(x) seja um difeomorfismo local.10. A aplicação φ(x) diz-se um difeomorfismo se existir φ–1(x) e se além disso φ(x) e φ–1(x) forem funções suaves. que o jacobiano ∇φ(x) seja regular em x = x0. que o jacobiano ∇φ(x) seja regular em todo o espaço de estados e que além disso lim φ( x ) = ∞ x →∞ Uma das aplicações dos difeomorfismos consiste em transformar o modelo de estado de um sistema não linear num outro modelo de estado.104) Derivando (5.101) Teorema 2 (difeomorfismo global) É condição necessária e suficiente para que φ(x) seja um difeomorfismo global. Normalmente a região Ω onde o difeomorfismo é definido é uma vizinhança de um ponto x0 do espaço de estados. Os teoremas seguintes estabelecem as condições para a existência de difeomorfismos.103) (5. Em casos menos correntes a região Ω onde o difeomorfismo se encontra definido coincide com todo o espaço de estados. Ω → ℜn (5.105) pelo que. Considere-se o sistema  x = f ( x ) + g ( x )u   y = h(x ) (5.

apresente-se um exemplo. se existir h(x1. 2.108) Dois campos vectoriais f e g dizem-se involutivos se satisfizerem a condição (5.2. f3]T e g = [g1.x2. Antes de apresentar o teorema na sua forma geral.x3) que o satisfaça. todos eles definidos em ℜn e linearmente independentes.107) admitir solução.106) O teorema de Frobenius estabelece as condições necessárias e suficientes para que uma determinada classe de equações diferenciais às derivadas parciais seja integrável. isto é.x2. com i = 1.5. 139 . h2(x). que se apresenta a seguir. o parêntesis de Lie de f e g possa ser expresso por meio de uma combinação linear de f e g. com m < n.x3) e gi(x1. f2. …. 3.x2. f2. (5. ….109) Considere-se agora o caso geral de um conjunto de m campos vectoriais {f1. e as funções escalares conhecidas fi(x1. Repare-se que as equações (5. A questão está em saber quais as condições a impor a f = [f1.x2.107) admite solução se e só se existirem dois escalares α(x1. g ] = α f + β g ou seja. O conjunto de campos vectoriais diz-se completamente integrável se e só se existirem n–m funções escalares h1(x). relacionadas pelas equações diferenciais às derivadas parciais ∂h ∂h  ∂h  ∂x f1 + ∂x f 2 + ∂x f 3 = 0  1 2 3  ∂h ∂h ∂h  g + g + g =0  ∂x1 1 ∂x2 2 ∂x3 3  (5. LINEARIZAÇÃO EXACTA POR REALIMENTAÇÃO  z = f * ( z) + g * ( z) u   y = h * ( z) 5.108).x3). A resposta a este problema é dada pelo teorema de Frobenius. a determinar. diz-se que ele é completamente integrável. Teorema de Frobenius (5.x3) tais que [f . g3]T para que o sistema admita solução.x2.x3) e β(x1. Teorema de Frobenius: O sistema (5. Considere-se a função escalar h(x1. fm}.x2. hn-m(x) que satisfaçam o sistema de equações diferenciais Escola Superior de Tecnologia de Setúbal – Controlo Não Linear – Gustavo da Silva – Pág.107) podem ser escritas na forma  ∇h f = 0   ∇h g = 0 (5.107) Se o sistema (5.2. g2.x3).

. . ….m (5. e o número de equações diferenciais é n×(n–m). n − m. Um conjunto de campos vectoriais linearmente independentes diz-se involutivo se e só se existirem funções escalares α i j k : ℜn → ℜ tais que [fi . Pág. com m < n. Com as definições dadas pode apresentar-se o teorema de Frobenius de um modo mais formal: Teorema de Frobenius: Seja {f1.5. Exemplo 5-7 Determine a existência de solução para o seguinte sistema de equações diferenciais:  ∂h ∂h  x3 ∂x − ∂x = 0  1 2  − x ∂h + 2 x ∂h − 3x ∂h = 0 2 3  1 ∂x1 ∂x2 ∂x3  Resolução:  x3  Do sistema obtém-se f1 =  −1 e f2 =   0    − x1   2 x  .111) A expressão (5. 140 – Escola Superior de Tecnologia de Setúbal – Controlo Não Linear – Gustavo da Silva . Este conjunto é completamente integrável se e só se for involutivo. 1 2  2  −3 x3     −1 0 0   x3   0 0 1   − x1   2 x3  ∂f 2 ∂f1 f1 − f 2 =  0 2 0   −1 −  0 0 0   2 x2  =  −2  = 2f1 [f1. definidos em ℜn.111) significa que os parêntesis de Lie de dois quaisquer campos vectoriais podem ser expressos por uma combinação linear dos campos de vectores originais. Repare-se que só há uma função h. uma vez que n=3 e m=2. f2] =         ∂x ∂x  0 0 −3  0   0 0 0   −3 x3   0          e portanto o sistema é completamente integrável. LINEARIZAÇÃO EXACTA POR REALIMENTAÇÃO ∇hi f j = 0 i = 1. j = 1.110) Repare-se que o número de funções escalares hi(x) é igual a n–m. f2. f ]. fm} um conjunto de m campos vectoriais. Calcule-se [f . f j ] = ∑αijk ( x ) fk ( x ) k =0 m (5.

112). Nesta secção serão estabelecidas as condições para que a um sistema deste tipo possa ser efectuada uma linearização entrada-estado.114) o sistema fica imediatamente na forma (5. .. 141 .118) (5.112) A um sistema com esta estrutura dá-se o nome sistema linear na entrada... Note-se que há sistemas um pouco mais genéricos do que este. fazendo v = ψ [φ ( x ) + u ] (5. e a lei de controlo (5.115) Considere-se um sistema do tipo (5. linear no controlo ou linear na variável de controlo.117) é chamada lei de controlo linearizante.. 0   1 .  0  0  1 0 . Com efeito. LINEARIZAÇÃO EXACTA POR REALIMENTAÇÃO 5. que podem ser convertidos à forma (5... Um difeomorfismo 2. 0 0 .u) = ψ[φ(x)+u] e ψ invertível.117) (5.. com f(x) e g(x) campos vectoriais suaves em ℜn...113) com ψ(x.120) A nova variável de estado z é designada por estado linearizado. de entrada única com a equação de estado da forma x = f ( x ) + g( x ) u (5.. Escola Superior de Tecnologia de Setúbal – Controlo Não Linear – Gustavo da Silva – Pág...1. do tipo x = f ( x ) + g( x )ψ (x. O sistema diz-se linearizável entrada-estado numa região Ω ⊆ ℜn se existirem 1. Definição de linearização entrada-estado (5.  0 .119) 0  0    b = .. Linearização Entrada-Estado Considere-se um sistema não linear. 1   0 .3..   0  1    tais que o novo conjunto de variáveis z = φ(x) e a nova entrada v satisfaçam o sistema linear e invariante no tempo z= A z+ b v com 0  0 A = . 0  . Uma lei de controlo φ : Ω → ℜn u = α(x) + β(x) v (5..112). calculando-se u através de u = ψ −1 ( v ) − φ ( x ) 5.. 0   0 (5...5.. .116) (5.. u ) (5.3.112).

3. Os campos vectoriais {g.124) A demonstração deste teorema encontra-se em [Slotine] e em [Isidori] Pág. com grau relativo r=n.2. adf g. uma vez que todo o sistema linear pode ser escrito na forma companheira. (5. …. para a linearização) Considere-se um sistema linear no controlo. LINEARIZAÇÃO EXACTA POR REALIMENTAÇÃO Repare-se que a forma das matrizes A e b faz com que o sistema (5. O sistema é linearizável entrada-estado se e só se existir uma região Ω ⊆ ℜn na qual se verifiquem as seguintes condições: 1. adf2g. quais as condições exigidas? A resposta a estas questões é dada pelo seguinte teorema. 142 – Escola Superior de Tecnologia de Setúbal – Controlo Não Linear – Gustavo da Silva . Será que é sempre possível efectuar tal linearização? Se sim. um dos mais importantes da teoria da linearização por retroacção. Note-se que na linearização entrada-saída de um sistema com grau relativo r=n também se é conduzido a um integrador múltiplo.118) pode ser transformado num integrador múltiplo. linear no controlo. de ordem n.120) tenha a forma de um integrador múltiplo. Exemplificando para um sistema linear (ver Exemplo 5-6) tem-se {adf0g.(-1)n-1An-1b} (5. adfn-2g} A primeira condição indica que o sistema é controlável. da forma (5. com f e g campos vectoriais suaves. Condições para efectuar a linearização entrada-estado Na secção anterior definiu-se o conceito de linearização entrada estado de um sistema não linear. adf g.122) {g. adfn-1g} são linearmente independentes. -Ab. Teorema (c. que por sua vez.s. 2. Isto significa que se um sistema for linearizável entrada-estado e a sua saída for a 1ª componente do vector de estado. adfn-1g} = {b. Este facto não introduz qualquer perda de generalidade. então o sistema é linearizável entrada-saída.123) e a independência destes vectores equivale a ser igual a n a característica da matriz de controlabilidade [b Ab A 2b A n-1b] (5. A2b.121) (5. adf g.n. …. O conjunto de vectores é involutivo. …. ….5.112). por meio da mudança de variável (5. 5. y=z1.

como se mostra na Fig. Caso sejam. a) Determinar um modelo de estado representativo da dinâmica do sistema. Construir os campos de vectores {g. Calcular a 1ª componente do novo vector de estado. I – Momento de inércia do braço em relação ao veio. passar ao ponto seguinte.131) 5.128) (5. v. u). e 2. θm– Posição angular do veio motor. J – Momento de inércia do veio motor. págs. Calcular o novo estado z(x) = [z1 Lf z1 … Lfn-1z1]T (5. 1. k – Coeficiente de torção do eixo de ligação (k>0). 3. n–2 (5.3. Caso não o sejam o sistema não é linearizável entrada-saída. Verificar se as condições 1. …. 1991. 143 . Algoritmo para realizar a linearização entrada-estado Com base nos resultados que se acabam de apresentar é possível estabelecer o seguinte algoritmo destinado a efectuar a linearização entrada-estado de um sistema não linear do tipo (5. 5. relativamente à vertical (variável controlada). LINEARIZAÇÃO EXACTA POR REALIMENTAÇÃO 5. 1.125) 2. 242-245) Considere um braço mecânico actuado por um veio através de uma junta flexível.130) (5.126) n-1 ∇z1 adf g ≠ 0 (5.112). relativamente à vertical. L – Distância do centro de massas do braço ao eixo de ligação.129) (5. adf g.3.3. M – Massa do braço. Escola Superior de Tecnologia de Setúbal – Controlo Não Linear – Gustavo da Silva – Pág. z1.114) e dada por u = α(x) + β(x) v com α(x) e β(x) dados por n Lf z1 α(x) = – n −1 Lg Lf z1 β(x) = 1 n −1 Lg Lf z1 Exemplo 5-8 (Slotine/Li.127) 4. Calcular a nova variável de entrada.93) e fazer r=n ∇z1 adf i g = 0 i = 0. …. θ – Posição angular do braço. efectue a linearização entrada-saída do modelo. de controlabilidade e involutividade são satisfeitas.5. a partir de (5. b) Nas condições em que tal é possível. da secção anterior. referida em (5. adf n-1g} (5. Resolução: Designando por T – Binário motor (variável de controlo.

132) Escolhendo para vector de estado x = [ x1 x2 x3 x4 ]T = [θ θ θ m θ m ]T (5.133) tem-se x2    MgL  k sen x1 .134)  0   0     1  (=g1) −   J  0    Pág. Construção do campo de vectores (sendo g constante a sua derivada é nula) 0   MgL k  cos x1 + ∂g ∂f ∂f (x) I I ad f g = f − g = − g ( x) =   0 ∂x ∂x ∂x  k  −  J  −1 0 0 0 0 k − I 0 k J 0  0   0  0 × 0= −1    1   0  J      0 0   g = 0   1 J    (5. θm flexível Fig. I.( x1 .3 – Braço com junta flexível podem escrever-se as equações do sistema:  d 2θ m + k (θ m − θ ) T=J   dt 2  2 k (θ − θ ) = MgL sen θ + I d θ  m dt 2  (5. 5. θ × L k T.x3 )  I I  f =   x4   k   ( x1 . J. LINEARIZAÇÃO EXACTA POR REALIMENTAÇÃO M. 144 – Escola Superior de Tecnologia de Setúbal – Controlo Não Linear – Gustavo da Silva . será: 1.x3 )   J   Seguindo agora os passos do algoritmo anterior.5.

( x2 . LINEARIZAÇÃO EXACTA POR REALIMENTAÇÃO 0   MgL k  cos x1 + ∂f I I ad f(2) g = ad f (ad f g ) = ad f (g1 ) = − g1 =   0 ∂x  k  −  J  −1 0 0 0 0 k − I 0 k J 0 0 1 J 0 - 0  0    0   k     0  0    IJ  ×  1= −1  −   0     J   0  − k  0    2     J  0 k IJ 0 k J2 k  IJ   0   k   J2   0    0  0  2 3 e. uma vez que o difeomorfismo z(x) e a transformação da entrada se encontram bem definidos em todo o espaço de estados. v. formando assim um conjunto involutivo. As restantes componentes do novo vector de estado serão. Escola Superior de Tecnologia de Setúbal – Controlo Não Linear – Gustavo da Silva – Pág. por (5. A característica desta matriz é igual a 4 desde que k > 0 . mais uma vez. Por sua vez os campos vectoriais {g adf g ad2f g} são constantes. A forma mais simples é fazer z1=x1. até se obter.x4 ) I I IJ [v – α(x)]. 145 . 4. Conclui-se pois que o sistema é linearizável entrada estado. z1.x3 ) z3 = Lf 2z1 = I I MgL k z4 = Lf 3z1 = − x2 cos x1 . I. 3. J < ∞.5. é definida por u = k M gL k k M gL k k M gL α(x) = sen x1 (x2 + cos x1 + ) + (x1–x3)( + + cos x1 ) I I I I I J I obtendo-se assim o sistema linear  z1   z2  z  z   2 =  3  z3   z 4       z4   v  Repare-se que neste exemplo a linearização é global. z2 = Lf z1 = x2 MgL k sen x1 . Para a 1ª componente do novo vector de estado. A nova variável de entrada.( x1 . ∂z1 ∂z1 ∂z1 ∂z1 =0 =0 =0 ≠0 ∂x2 ∂x3 ∂x4 ∂x1 A componente z1 deverá ser apenas função de x1.132). [g adf g ad f g ad f g] =  0  1  J 2. com α(x) dado por 5.

Considerar-se-ão a seguir os casos em que o grau relativo é bem definido e em que é indefinido. dentro de Ω. Grau relativo bem definido Considere-se um sistema de entrada única e saída única.1.140) conduz à relação linear y(r) = v (5. então é necessário diferenciar de novo a saída. Acontece porém que este procedimento nem sempre é possível. 1 (5.4. obtendo-se y = L2f h + Lg Lf h u (5. devido ao facto do grau relativo do sistema poder ser indefinido.135)   y = h(x ) com f g e h funções suaves e considere-se uma região do espaço de estados Ωx ⊆ ℜn.139) O raciocínio prossegue até se chegar a um determinado inteiro r para o qual se tem y ( r ) = Lrf h + Lg Lrf −1h u (5.4 que para efectuar a linearização entrada-saída se derivava a saída r vezes até se ter uma relação explícita entre a derivada de ordem r da saída e a entrada. finita. Ao valor r dá-se o nome de grau relativo do sistema. 146 – Escola Superior de Tecnologia de Setúbal – Controlo Não Linear – Gustavo da Silva .5.138) Se Lgh = 0 para todo x pertencente a Ωx.140) com Lg Lrf −1h ≠ 0 para algum x = x0. e utilizando a notação de geometria diferencial. na vizinhança de x0. A lei de controlo u= 1 ( − Lrf h + v ) r −1 Lg Lf h (5. Então por continuidade esta desigualdade será verificada numa região finita Ω ⊆ Ωx. então por continuidade também será diferente de zero numa região Ω. Derivando a saída.142) Pág.89)] ∂h ∂h y= x= ( f + gu ) = L f h + L g h u (5. A transformação da entrada.4. procurando-se então uma lei de controlo que cancelasse a linearidade. 5.136) ∂x ∂x Se for Lg h ≠ 0 para algum x = x0 pertencente a Ωx. LINEARIZAÇÃO EXACTA POR REALIMENTAÇÃO 5.137) u= ( − Lf h + v ) Lg h conduz à relação linear entre y e v. linear na variável de controlo  x = f ( x ) + g ( x )u (5.1. y=v (5. obtém-se [ver (5.141) aplicada a (5. Linearização Entrada-Saída Viu-se na secção 5.

a linearização entrada-saída é equivalente à linearização entrada-estado. mas ser nula no próprio ponto x0.4. Derivando a saída duas vezes obtém-se y = 2 xx y = 2 xx + 2 x 2 = 2 x(ψ + u ) + 2 x 2 (5. se deve verificar LgLr-1f h(x) ≠ 0. LgLf h(x) = 0. LINEARIZAÇÃO EXACTA POR REALIMENTAÇÃO Como também se disse anteriormente. Por vezes uma mudança na variável de saída é suficiente para tornar o problema solúvel. e a linearização entrada-saída na vizinhança de um ponto de funcionamento não pode efectuar-se. e portanto não se sabe qual o grau relativo. Para x ≠ 0 o grau relativo é r = 2.144) onde Ψ é uma função não linear do estado x=[x x ]T. Diz-se então que o sistema tem um grau relativo indefinido em x0.93): O sistema (5. já apresentada em (5.139) será LgLf h(x) = 2x. Escola Superior de Tecnologia de Setúbal – Controlo Não Linear – Gustavo da Silva – Pág. No entanto em muitos outros casos o problema não tem solução. Grau relativo indefinido (5. Seja o sistema de 2ª ordem  x = ψ ( x. Acontece porém que esta expressão pode ser diferente de zero numa vizinhança de x0. 0 ≤ i < r − 1  r −1  Lg Lf h( x ) ≠ 0  5. Veja-se por exemplo o que acontece com o cálculo do grau relativo se na equação de saída do sistema acima se fizer y = x.146) Comparando com (5.145) (5.135) é de grau relativo r.2.143) Viu-se que quando o grau relativo de um sistema é r.5. Ilustre-se este caso com um exemplo. em vez de y = x2. numa região Ω. 147 . mas para x=0 (o nosso ponto de interesse). se para qualquer x∈Ω se verificar i   Lg Lf h( x ) = 0. No caso particular em que r = n. Pode dar-se então a seguinte definição. deverá ser r ≤ n. x ) + u  2 y = x (5.

Que conclui? Resolução a) Esquema da instalação e equações: O diâmetro d.2 m.1. devido ao facto do tanque ser cónico. LINEARIZAÇÃO EXACTA POR REALIMENTAÇÃO 5. o erro e o caudal de entrada. 5.5. Limite este caudal q1 a 0. Problemas resolvidos Probl. é proporcional à h.537h −2 u Pág. da superfície do líquido.6h H A área da superfície do líquido. Observe a referência. para os valores numéricos dados. S ( h )dh = (u − S2 2 gh )dt ou ainda S ( h )h = u − S2 2 gh .5.2827h 2 S2 d2=100 mm → q2 A variável controlada é h e a manipulada é u=q1. d) Repita o ensaio anterior mas com a referência a variar entre 8. bem como a definição das variáveis. b) Efectue uma linearização por realimentação. com um período de 1 minuto. c) Com o auxílio do Simulink faça uma simulação deste modelo.8 e 9.123h + 3. S(h) é S (h) = d1=100 mm q1 → D S (h ) V H h πd2 4 = π (0.6h ) 2 4 = 0. Utilize a realimentação de estado indicada na equação (5. pelo que. vem h= ou. Substituindo S(h) pela sua expressão. baseado nos conceitos apresentados na secção 5.1 m3/s.9) e limite a derivada da referência. a saída.1. Pelos teoremas da mecânica dos fluidos é q2 = S2 2 gh . 5-1 Suponha que pretende controlar o nível de um tanque cónico (com o vértice para baixo) com 10 m de altura e diâmetro no cimo de 6 m. Ponha a referência a variar entre 0.007854 m2 − S2 2 gh 1 u + 2 0. Conclua sobre o desempenho do controlador. à cota h. 148 – Escola Superior de Tecnologia de Setúbal – Controlo Não Linear – Gustavo da Silva .1. notando que dV = S ( h )dh e que u≡ q1. O sistema é análogo ao da Fig.8 e 1. a) Obtenha um modelo de estado para o sistema.2 m. como S2=0. D d = kh = h = 0. se pode escrever.2827h 0.2827h 2 − 3 2 h = −0. obtida acima. O balanço de massas impõe dV = ( q1 − q2 )dt .

depois de efectuar as simplificações h (t ) = v ( t ) que é a equação que representa o modelo linearizado. 149 .001s+1 Transfer Fcn 6 ref href 0.123h 2 3. LINEARIZAÇÃO EXACTA POR REALIMENTAÇÃO b) Por analogia com a expressão (5.5. c) e d) (O limitador de caudal só deverá ser incluído na alínea d)) Osciloscópio1 ref Referência href h v erro v k1h2 k2sqrt(h) Lei de Controlo u Limitador u Mux h k1h2 Osciloscópio2 Controlador Osciloscópio k2sqrt(h) Tanque Cónico Modelo completo 1 u sqrt Math Function 0.2 Signal Generator 3 h1 5 erro controlador linear Escola Superior de Tecnologia de Setúbal – Controlo Não Linear – Gustavo da Silva – Pág.537h −2 Substituindo na equação do sistema obtém-se.7) a lei de controlo deverá ser 3 − 1 u (t ) = v (t ) + 0.0348 Gain 3 k2sqrt(h) h' 1 s Integrator h 1 h u 2 0.2827 Gain2 Product 2 k1h2 Math Function1 tanque cónico 9 Constant 2 du/dt Derivative e 4 v Gain1 referência 1 0.

por realimentação. 5-3 Considere o sistema não linear  x1 = x1 − x2 x3 x = x − x x  2 3 1 3   x3 = x1 u  y = x1  Utilizando os conhecimentos adquiridos nas secções 5.27) efectue-se a mudança de variáveis  x1  z 2 = 2 x2 + e Será pois  z1 = x1  z1 = −3z1 + z2 →   x1 x1  z2 = 2 x2 + x1e  z2 = 2 x2 + x1e ou ainda  z1 = −3z1 + z2  z1 = −3z1 + z2 →   x1 x1 x1 2 x1  z2 = −2 x2 e + 2 x1 u + x1e  z2 = −3x1e + e + 2 x1 u Introduzindo a lei de controlo 1 u= (v + 3x1e x1 − e 2 x1 ) 2 x1 obtém-se o sistema linear  z1 = −3z1 + z2  −3 1  0 ou seja z = Az + bu .1. 150 – Escola Superior de Tecnologia de Setúbal – .4 e 5. Resolução  z1 = x1 a) Por analogia com (5. 5-2 Utilizando os conhecimentos adquiridos na secção 5. Justifique. e substituição de variáveis (5. Qual a sua dinâmica zero? Controlo Não Linear – Gustavo da Silva Pág. pelo que a linearização não é global. com A =    e b = 1   0 0    z2 = v b) A lei de controlo não pode ser aplicada em x1=0.1.1. LINEARIZAÇÃO EXACTA POR REALIMENTAÇÃO Probl. e por analogia com o Exemplo 5-1.3. Qual o grau relativo do sistema? Indique se a linearização obtida é global. entrada-estado b) Indique se a linearização obtida é global. entrada-saída.5 a) b) c) d) Efectue a linearização por realimentação.5. Probl.27). para o sistema x   x1 = −3x1 + 2 x2 + e 1  x  x2 = − x2 e 1 + x1 u  a) Efectue a linearização.

151 . resultando assim x3 = ( x1 − x2 x3 − x3 + x1 x3 ) x2 Probl. até se obter uma relação explícita entre a entrada e a saída (através da sua derivada). b) Projecte um controlador por realimentação de estado para a saída seguir uma referência conhecida e com derivada limitadas. 5-4 1 − 2s 2 + 2s + s2 a) Obtenha um modelo de estado para o sistema. Considere o seguinte sistema linear: G ( s ) = Resolução a) Por comparação entre o sistema dado e o modelo da expressão (5.68)  x1   0 1   x1  0  x  =  −2 − 2   x  +  1  u  2    2  x  y = [1 −2 ]  1   x2  Escola Superior de Tecnologia de Setúbal – Controlo Não Linear – Gustavo da Silva – Pág. derive-se de novo: y = x1 − x2 x3 − x2 x3 → y = x1 − x2 x3 − ( x3 − x1 x3 ) x3 − x2 ( x1 u ) ou ainda 2 2 y = x1 − x2 x3 − x3 + x1 x3 − x1 x2 u A lei de controlo 1 2 2 u=− ( v − x1 + x2 x3 + x3 − x1 x3 ) x1 x2 conduz ao sistema linear y=v b) O grau relativo do sistema é r=2. LINEARIZAÇÃO EXACTA POR REALIMENTAÇÃO Resolução a) Como não existe nenhuma relação explícita entre a entrada e a saída.65) pode escrever-se o modelo de estado. c) A lei de controlo não pode ser aplicada em x1=0 ou x2=0. pelo que a linearização não é global. d) A dinâmica zero pode obter-se substituindo a lei de controlo na última equação de 1 2 2 estado e igualando v a zero. foi necessário derivar a saída 2 vezes. análogo a (5. Uma vez que continua a não haver nenhuma relação explícita entre a entrada e a saída. Com efeito.67) / (5. (Porque é que se impõe esta condição?) c) Como representaria a dinâmica interna deste sistema? Será que ela é estável? d) Represente a dinâmica zero do sistema.5. derive-se y: y = x1 = x1 − x2 x3 .

uma vez que o seu pólo. pelo que V ( x ) é função de Lyapunov do sistema. 3  x2 = x1 − x2  Utilizando o formalismo da Geometria Diferencial calcule V (x ) . Começa-se por introduzir a lei de controlo 1 u = − v − 4 x1 − 5 x2 2 e faz-se v = r − ke . y = 4 x1 + 5 x2 − 2u . em que e = y − r . Pág. LINEARIZAÇÃO EXACTA POR REALIMENTAÇÃO b) A equação de saída. Projecte-se um controlador análogo ao de (5. ou seja  − x2 − x13   ∂V ( x ) ∂V ( x )   − x2 − x13  ∂V ( x ) 4 V (x) = = [ 2 x1 2 x2 ]  = −2( x14 + x2 ) .  x1 − x2  Pela expressão (5. Utilize a expressão (5. se encontra localizado no semiplano complexo direito. sendo n a ordem do sistema e r o seu grau relativo. representa o excesso de pólos sobre zeros. que conduz a um erro exponencialmente estável se e só se k > 0 . com o valor 0. Obtém-se a equação para o erro e + ke = 0 .5. Esta 2 2 dinâmica não é estável. 5-5  x1 = − x2 − x13  2 Considere o sistema  e a função de Lyapunov V ( x ) = x12 + x2 .90). 2 Probl. Derivando esta obtém-se y = x1 − 2 x2 .1.71).7) 1 obtendo-se assim x1 − x1 = 0 . Para este sistema será descrita por 2-1=1 equação. c) A dinâmica interna será descrita por n-r equações. nos sistemas lineares. com f ( x ) =  2 31  . e portanto o sistema é estável. Com efeito o grau relativo. f (x) =   3  3  ∂x ∂x2   x1 − x2   ∂x1  x1 − x2  que é negativa definida. Que conclui sobre a estabilidade do sistema? Resolução − x − x3  O sistema dado pode ser escrito na forma x = f ( x ) . Repare-se que este pólo corresponde ao zero do sistema dado.90) será V ( x ) = LfV ( x ) . ou ainda. d) A dinâmica zero obtém-se a partir da dinâmica interna fazendo y=0 (ver secção 5. 152 – Escola Superior de Tecnologia de Setúbal – Controlo Não Linear – Gustavo da Silva . y = x1 − 2 x2 não contém nenhuma relação explícita entre a entrada e a saída. Como se encontrou a dependência pretendida ao fim da 1ª derivação conclui-se que o grau relativo do sistema é 1. Escolhendo a 1 1 equação x1 = x2 e atendendo a que y = x1 − 2 x2 .5. e o sistema tem 2 zeros e um pólo. obtém-se x1 − x1 = − y .

  1    h = x1 Comece-se a ensaiar a expressão (5.    x1     0 g =  0 .143) para r=2:  ∂h Será L h( x ) =   ∂x1 1 f ∂h ∂x2  x1 − x2 x3   x1 − x2 x3  ∂h    = 1 0 0 x − x x = x − x x ] 3 1 3 1 2 3  x3 − x1 x3  [ ∂x3    x1   x1      L L h ( x ) = Lg ( x1 − x2 x3 ) = [1 − x3 1 g f 0 − x2 ]  0  = − x2   1    Este valor é diferente de zero. de acordo com (5. 5-3. O sistema do Probl.135).  ∂x Calcule-se agora L g L h ( x ) = Lg x1 =  1  ∂x1 0 f ∂x1 ∂x 2  0 0 ∂x1        0 = [1 0 0]  0 = 0 . que serão utilizadas para a determinação de r.84). Para x2≠0 o grau relativo é r=2. L0f h ( x ) = h ( x ) = x1 .143). 5-3 pode escrever-se   x1   x1 − x2 x3   0         x2  =  x3 − x1 x3  +  0 u   x3   x1  1          x1    y = [1 0 0]  x2      x3      que é da forma (5. Ensaie-a então (5. Resolução Na secção 5. 5-6 Usando a notação da Geometria Diferencial determine o grau relativo do sistema apresentado no Probl.143) com r=1: Será. ∂x 3  1  1      Portanto o grau relativo será superior a 1. excepto quando x2=0.5. com  x1 − x2 x3  f =  x3 − x1 x3  .4 encontram-se as expressões (5. LINEARIZAÇÃO EXACTA POR REALIMENTAÇÃO Probl. 153 . sendo indefinido em x2=0. Escola Superior de Tecnologia de Setúbal – Controlo Não Linear – Gustavo da Silva – Pág.

a) Construa a matriz {adf0g.123). 5-3 se tinha  x1 − x2 x3  f =  x3 − x1 x3  . adfn-1g} apresentada no Exemplo 5-6 e também em (5. adf2g}. 5-3. 154 – Escola Superior de Tecnologia de Setúbal – . No Probl.5.    x1    0 g = 0 . adf g. ad f2g = ad f (ad f g ) = ad f g′ =  ∂g1 ′  ∂x  1  ∂g ′ = 2  ∂x1  ∂g3 ′  ∂x  1  ′ ∂g1 ∂x2 ′ ∂g 2 ∂x2 ′ ∂g3 ∂x2 ∂g′ ∂f f − g′ = ∂x ∂x  ∂f1 ∂f1 ′ ∂g1   ∂x ∂x  ∂x3  2 x1 − x2 x3   1  ′ ∂g 2     ∂f 2 ∂f 2   x3 − x1 x3  –  ∂x ∂x ∂x3  2  x1   1    ′ ∂f 3 ∂f 3 ∂g3   ∂x ∂x  ∂x3   2  1  − x3 0 0 ∂f1  ∂x3    x2  ∂f 2   x1 − 1 =  ∂x3    0    ∂f 3  ∂x3     0 1 0  x1 − x2 x3   1 = 1 0 0  x3 − x1 x3  –  − x3      0 0 0  x1   1     − x 2   x 2   − x2  1 − x1   x1 − 1 =  x1      0   0   − x2      Controlo Não Linear – Gustavo da Silva Pág. ad 0g = g = [0 0 1] f T  ∂g1  ∂x  1  ∂g ∂g ∂f f − g = 2 2. ad f g = [f . adf g. g ] = ∂x ∂x  ∂x1  ∂g3  ∂x  1   0 0 0  x1 − x2 x3   1 =  0 0 0  x3 − x1 x3  –  − x3      0 0 0  x1   1     0 0 ∂g1 ∂x2 ∂g 2 ∂x2 ∂g3 ∂x2 − x3  ∂f1 ∂g1   ∂x  ∂x3  x1 − x2 x3   1  ∂g 2     ∂f 2   x3 − x1 x3  –  ∂x ∂x3   x1   1    ∂g3 ∂f 3   ∂x ∂x3   1   ∂f1 ∂x2 ∂f 2 ∂x2 ∂f 3 ∂x2 ∂f1  ∂x3    0 ∂f 2     0 = ∂x3    1    ∂f 3  ∂x3    − x2   0   − x2   x 2   0 = 0 − 1 − x  =  x − 1 = g′ 1 − x1 1    1   0  1  0   0        3. …. 5-6 viu-se que em relação ao Probl. 5-7 Considere de novo o sistema do Probl. LINEARIZAÇÃO EXACTA POR REALIMENTAÇÃO Probl. b) Que conclui sobre a controlabilidade do sistema? Será local ou global? Resolução a) Uma vez que se trata de um sistema de 3ª ordem a matriz pedida será apenas M={adf0g. adf2g.   1    h = x1 pelo que 1.

155 . LINEARIZAÇÃO EXACTA POR REALIMENTAÇÃO Juntando os 3 vectores calculados obtém-se x2 − x2  0 0 x − 1 x  M= 1 1   − x2  0 1   b) O determinante da matriz obtida é diferente de zero. Probl. excepto para x1 = 0.n. e a sua velocidade.  x1 = x2  g b 1   x2 = − sen x1 − m x2 + ml u  e em que g representa a aceleração da gravidade. o comprimento da haste. excepto para estes pontos do espaço de estados. 5-9 Considere o modelo do pêndulo ligado a um ponto por meio de uma haste rígida. 5-8 Com o auxílio do teorema de Frobenius indique se o seguinte sistema de equações às derivadas parciais é completamente integrável:  ∂h ∂h  x3 ∂x − ∂x = 0  1 2   −2 x1 ∂h + x2 ∂h + x3 ∂h = 0  ∂x1 ∂x2 ∂x3  Resolução Pelo teorema de Frobenius. g ] = α f + β g . Escola Superior de Tecnologia de Setúbal – Controlo Não Linear – Gustavo da Silva – Pág. é c. reais não que [f . m a massa do pêndulo e k o seu coeficiente de atrito cinético. As componentes x1 e x2 do estado representam a posição angular do pêndulo em relação à vertical.  −2 0 0  x3   0 0 1  −2 x1   x1 − 2 x3  ∂g ∂f f − g =  0 1 0  −1 −  0 0 0  x2  =  −1  [f . para que o sistema seja completamente integrável  x3   −2 x1   −1 .s. O sistema dado é controlável. A controlabilidade não é pois global. g =  x  e α e β são escalares. g ] =         ∂x ∂x  1 0 0  0   0 0 0  x3   0          O resultado obtido não pode ser expresso como combinação linear de f e g.5 ou x2 = 0 . pelo que o sistema não é completamente integrável.5. Probl. O pêndulo encontra-se excitado por uma força u. podendo rodar em torno desse ponto. em que f =    2  0  x3      simultaneamente nulos.

adf g].126) resulta  0  ∂z1 ∂z1    ∂x ∂x   1  1 2 m   = 0 → 1 ∂z1 = 0 → ∂z1 = 0  ∂x2 m ∂x2  Da expressão (5. 1 b   m m2    pelo que o sistema é controlável.108)]. Por sua vez os vectores coluna da matriz M são constantes. x = f ( x ) + g ( x ) u . e utilizando o algoritmo para a linearização entrada-estado. Estão pois satisfeitas as condições para que se possa efectuar a linearização entrada-estado. z1.127). Uma vez que n=2.2 e 5.126) e (5.3.5. efectue a sua linearização. Por ser de 2ª ordem será M=[adf0g. 156 – Escola Superior de Tecnologia de Setúbal – Controlo Não Linear – Gustavo da Silva . e portanto involutivos [aplique-se-lhes a definição (5.127) obtém-se  1 −  ∂z1 ∂z1   m  ∂x ∂x   b  1 2  m2    1 −   ∂z1   m 0  ≠0 →   ∂x1   b   m2      1 ∂z1 ∂z1 ≠0 → ≠0 ≠0 → − ∂x1 m ∂x1    A forma mais simples de satisfazer a última expressão consiste em fazer z1=x1. tem-se f = b  − sen x1 − x2  − m   m      Verifique-se se o sistema é controlável.3. Pág. Resolução x2    0  g  e g= 1 a) Para este modelo.3. deverá ser obtida por meio das expressões (5. LINEARIZAÇÃO EXACTA POR REALIMENTAÇÃO Baseando-se nos conceitos apresentados em 5.  0  ad 0g = g =  1  f   m   1  x2 0 1   0  −      0 0  ∂g ∂f m     ad f g = f− g=   − g sen x − b x  −  − g cos x − b x   1  =  b  ∂x ∂x  0 0 1 2 1 2 m   m  m   2   m    1    0 −m  M=  A característica de M é igual a 2 desde que m ≠ ∞ ou ≠ ∞ . da expressão (5. b) A 1ª componente do novo vector de estado. b) No caso das condições anteriores serem satisfeitas. a) Indique quais as condições para que se possa efectuar a linearização entrada-estado.

respectivamente: n Lf z1 1 α(x) = – β(x) = – n −1 n −1 Lg Lf z1 Lg Lf z1 Lf n −1 z1 = x2 (já calculado atrás). é determinada a partir de (5.129): u = α(x) + β(x) v em que α(x) e β(x) são obtidos por (5.131). 157 .130) e (5. z   z  obtendo-se assim o sistema linear  1  =  2   z2   − v  Escola Superior de Tecnologia de Setúbal – Controlo Não Linear – Gustavo da Silva – Pág. LINEARIZAÇÃO EXACTA POR REALIMENTAÇÃO A segunda componente do novo vector de estado.128): x2 x2      ∂z1 ∂z1    =[ 1 0 ] g z2 = Lf z1 =  g b b  = x2  − sen x1 − x2  ∂x1 ∂x2   − sen x1 − x2    m  m    Logo. será α ( x ) = − − g sen x1 − 1 m b x2 m = mg sen x + bx 1 2 β (x ) = − 1 = −m 1 m e portanto u = mg sen x1 + bx2 − m v .5. o novo vector de estado é igual ao anterior: z = [ z1 z2 ] = [ x1 x2 ] = x A nova variável de entrada é calculada por meio de (5. z2. Lf z1 =Lf Lf n ( n −1 x2    ∂x2 ∂x2   z1 = Lf x2 =  g b = ∂x1 ∂x1   − sen x1 − x2    m   ) x2   g b  g = [ 0 1] b  = − sen x1 − x2  − sen x1 − x2  m  m    Lg Lf ( n −1  0  ∂x2 ∂x2   z1 = Lg x2 =   1  ∂x1 ∂x1   m )   0  = [ 0 1]  1    m  = 1  m  Logo.

Pág. justificando.5.x2) de x  modo a que o sistema fique na forma:  1  = f ( x1 . LINEARIZAÇÃO EXACTA POR REALIMENTAÇÃO 5. 5-11 Considere o sistema descrito pelo modelo de estado  x1   x2  0  x  =  − sen x  + 1  u    2  1 a) Indique.x2)+β(x1. se o sistema é controlável e se é linearizável entrada-estado. descrito pelo modelo de estado  x1 = −k1 x1 − k2 x2u + k3   x2 = − k4 x2 + k5 x1u y = x 2  u – Corrente de magnetização (variável manipulada).x2) e g(x1.x2. 5-10 Considere o modelo de um motor de corrente contínua controlado pela corrente de magnetização.x2)v onde: L2 z1 1 f α( x1 . b) Determine o grau relativo do sistema.v) (v é a nova variável de controlo). A lei de controlo é global? Justifique. x1 – Corrente no motor. Problemas propostos Probl. Probl. x2 ) = Lg L f z1 Lg L f z1 (Compare com a lei de controlo obtida na alínea b)). Que conclui sobre a sua dinâmica interna? Probl. ∇z1 ⋅ ad f g ≠ 0 e z 2 = L f z1 . x2 ) = − β( x1 . 158 – Escola Superior de Tecnologia de Setúbal – Controlo Não Linear – Gustavo da Silva . x2 ) u  x2  c) Defina variáveis de estado z1 e z2 tais que ∇z1 ⋅ g = 0. x2 ) + g ( x1 . calcule a lei de controlo u =α(x1.6. que transforme este sistema em y = v . Determine f(x1. x2 – velocidade do motor. k1 a k5 – Constantes positivas. Utilizando estas variáveis. a) Efectue a sua linearização entrada-saída. b) Considere agora apenas as equações entrada-estado. 5-12 Considere o sistema definido por  x1 = x2   x2 = x1 − x1 x2 + ln x2 + u y = x 1  a) Determine uma lei de controlo u(x1. b) Determine o grau relativo do sistema? c) Exprima y em termos da notação usada na Álgebra de Lie.

SISTEMAS DIFUSOS E REDES NEURONAIS 6. tendo nascido assim o controlo com modelos múltiplos.1. previstos ou não previstos. os esquemas de controlo convencionais. sendo talvez os mais importantes o reconhecimento de caracteres. e em particular os seres humanos. a sistemas de controlo distribuído. por vezes são insuficientes para resolver alguns dos problemas de controlo que se colocam. não há tempo de esperar que se faça a adaptação dos parâmetros. Aplicado ao controlo de processos surgiu desta forma o chamado controlo inteligente. com acréscimo do número de cadeias de controlo multivariável. ou até mesmo inexistente foi uma das razões que levou ao aparecimento da lógica difusa. pelo que poderá haver necessidade de recorrer a técnicas diferentes das convencionais. Devido ao aumento de complexidade dos processos. 159 . as redes neuronais artificiais (RNA). e como é que os solucionam. Também têm sido usadas em controlo de sistemas. torna-se necessário ir ajustando os parâmetros do controlador de uma forma automática: é este o princípio do controlo adaptativo. e outros tantos conjuntos de parâmetros para os respectivos controladores. com um grande acoplamento entre as variáveis. para a obtenção de bons resultados. de forma que. o reconhecimento de padrões e a identificação de sistemas. A observação da modo como o cérebro humano funciona deu origem ao desenvolvimento de uma estrutura matemática. fortes não linearidades e variações dos parâmetros por vezes rápidas. ou apenas a sistemas de monitorização e diagnóstico. Uma das ideias que se encontra na base de algumas das técnicas que surgiram foi a de observar como é que os seres vivos. de modo a entrar imediatamente em operação o controlador que nesse instante melhor corrige o processo. Outras vezes há necessidade de trabalhar com sistemas em que os parâmetros podem variar muito rapidamente no tempo. Controlo inteligente Quase todos os processos industriais estão ligados a sistemas de aquisição de dados. Quando os parâmetros de um sistema variam no tempo ou quando devido à existência de vários pontos de funcionamento com características muito distintas (devido por exemplo às não linearidades). Introdução.6. se comportam perante determinado tipo de problemas. Surgiu então a ideia de ter previamente disponíveis uns tantos modelos do sistema. apesar de terem tido uma evolução muito significativa. O facto do ser humano lidar por vezes com informação que não se encontra bem definida. Os sistemas periciais e os sistemas baseados em regras são outras formas de lidar com sistemas e podem por vezes ser associados aos sistemas difusos. Os diversos tipos de RNA têm sido utilizados em campos muito diversos. que tem servido para muitos fins. entre eles para efectuar a identificação de sistemas e efectuar o seu controlo.

Uma das preocupações que estiveram na base do aparecimento dos conjuntos difusos foi a seguinte: “Algumas classes de objectos não têm critérios de pertença bem definidos”. nas mesmas circunstâncias acha que essa válvula se encontra demasiado aberta.2. um determinado operador trabalha com uma certa válvula com uma abertura que considera ideal.1. frio. Num processo industrial. Engenheiro Electrotécnico. 6. efectuar a classificação de uma forma precisa. ele só em 1965 foi formalmente apresentado. Definições O conceito convencional de conjunto é obtido à custa de uma determinada característica. MODELOS MÚLTIPLOS E REDES NEURONAIS Num outro tipo de formalismo. põe-se em qualquer outro ramo de actividade. o que é que se entende por analisar o comportamento de uma determinada função na vizinhança de x=0? Qual deverá ser o domínio a considerar? É para formalizar este tipo de conceitos que se estudam os conjuntos difusos.2. por Zadeh(1). como sejam numa indústria ou até mesmo numa ciência exacta como a Matemática.2. Neste capítulo apenas serão abordadas a lógica difusa e as redes neuronais e a sua aplicação no controlo de sistemas. Estes algoritmos têm sido utilizados em vários campos científicos. Conjuntos e lógica difusa 6. enquanto outro operador. ou não tem interesse. no sentido convencional. e os sistemas que com eles operam.2. em que a temperatura ronda os 17 ºC. definem-se entes matemáticos com propriedades semelhantes às das células biológicas. que nascem.2. Conjuntos e sistemas difusos 6. Como é que os utentes da esplanada classificam o ambiente: muito frio. E em matemática. Veja-se o seguinte exemplo: Estão 60 pessoas de diversas nacionalidades numa esplanada em Paris. Azerbeijão. dando origem ao controlo difuso. Designando por U o conjunto universal e por x os seus elementos.2. para um determinado conjunto A atribui-se um valor CA(x) a cada um do seus elementos x∈U. designados por sistemas difusos. do seguinte modo: 1 Lutfi A. designado por algoritmos genéticos. 160 – Escola Superior de Tecnologia de Setúbal – .1. 6. C. O conceito é de tal modo flexível e poderoso que pode ser estendido aos sistemas de controlo. se multiplicam e desaparecem de acordo com um conjunto de regras bem definidas.6 -SISTEMAS DIFUSOS. que aqui se equaciona para um facto do dia a dia. Embora o conceito se perca na 2ª metade do século XIX. Introdução O conceito de conjunto difuso (“fuzzy set”) está associado a uma classe de objectos em que não se consegue. nomeadamente no controlo de processos. tépido. quente ou muito quente? Este problema. numa noite de Outubro. Zadeh. 1921-… Controlo Não Linear – Gustavo da Silva Pág.

embora exacta. 161 . U → {0. do modo seguinte: Temperatura (T) Ambiente T < 10 ºC 10 ≤ T < 17 ºC 17 ≤ T < 24 ºC 24 ≤ T < 30 ºC T ≥30 ºC muito frio frio tépido quente muito quente Sabe-se assim. Mas será esta a forma mais correcta de classificar? Para resolver situações semelhantes à deste exemplo faz-se uma extensão da noção convencional de conjunto. que estava a descer de uma forma muito lenta. MODELOS MÚLTIPLOS E REDES NEURONAIS 1. definido como se segue: Seja U o conjunto universal ou universo do discurso. também designado por universo do discurso. Considere-se assim o exemplo dado atrás para classificar o ambiente da esplanada em função da temperatura. que a característica do ambiente é “tépido” se a temperatura se encontrar compreendida entre 17 e 24 ºC. passar de 17.1 Escola Superior de Tecnologia de Setúbal – Controlo Não Linear – Gustavo da Silva – Pág.99 ºC? Será que o ambiente passou bruscamente de tépido a frio? De acordo com a classificação dada de facto assim aconteceu.1} (6.6 . em vez de ser abrupta. em dois grupos: os que pertencem a A (têm a característica CA=1) e os que não pertencem a A (têm a característica CA=0). E que acontece quando a temperatura. sse x ∉ A (6. É assim introduzido o conceito de função de pertença.3) Nestes termos.1} (6. de uma forma exacta. µA. Define-se função de pertença de um conjunto A. definindo uma classe de objectos em que a transição de uma classe para outra é gradual.SISTEMAS DIFUSOS. 6. poderá não ser das mais apropriadas para lidar com certo tipo de fenómenos.1}⊂ℜ: CA : U → {0. como exemplificado na Fig.1) Esta função característica A de x. 1}⊂ℜ. discrimina todos os elementos de um determinado conjunto universal. pela aplicação µA : em que {0. a classificação do ambiente da esplanada apresentado atrás pode por exemplo ser feita com 5 funções de pertença. Pode efectuar-se uma classificação. Pode pois dizer-se que CA é uma aplicação de U em {0. do tipo anterior. sse x ∈ A CA ( x ) =  0.2) Esta classificação dicotómica.01 ºC para 16. e não será “tépido” caso contrário.

Define-se altura de um conjunto difuso A pela expressão H (A) = {sup µA ( x) > α } Um conjunto difuso diz-se normalizado ou regular se H(A) = 1. µA (b)) (6. como sendo Aα = { x ∈ U µ A ( x ) > α } (6. como Aα = { x ∈ U µ A ( x ) ≥ α } (6.6 0.5) Define-se corte-α forte de um conjunto difuso A. definido em ℜ. b] ⊂ ℜ. Chama-se número difuso a um conjunto difuso normalizado e convexo. MODELOS MÚLTIPLOS E REDES NEURONAIS Define-se suporte de um conjunto difuso como o conjunto convencional dos pontos com grau de pertença em A não nulo. ou simplesmente corte-α. conclui-se que é normalizado e convexo. com uma função de pertença contínua ou contínua por troços.2 0 0 5 10 15 20 25 30 35 40ºC temperatura Fig.4 0.6 -SISTEMAS DIFUSOS. da vizinhança de uma função em torno de zero. por exemplo.4) ambiente 1 muito frio frio tépido quente muito quente 0.8 0. 162 – Escola Superior de Tecnologia de Setúbal – Controlo Não Linear – Gustavo da Silva . 6.7) Observando o conjunto difuso de valores do ambiente “tépido” do exemplo anterior.6) Se a função de pertença for contínua os cortes fraco e forte são coincidentes. 1 µzero ( x) = (6.8) (6. relacionado com o que já foi abordado na introdução. Dê-se um exemplo. Introduza-se o conceito de número próximo de zero através de uma função de pertença.9) 10 x 2 + 1 Pág.1 – Funções de pertença para a temperatura ambiente Define-se corte-α fraco de um conjunto difuso A. Formalmente é conjunto {x ∈ U| µA ( x) > 0} (6. Um conjunto difuso diz-se convexo quando o seu suporte é um subconjunto dos reais e verifica ∀x ∈ [a. µA ( x) ≥ min( µA (a ).

9 0.4 0.2. O princípio da resolução.1] ∪ α Aα (6.8 0.2 0. então A é representado por A = µA ( x0 ) / x0 (6. 163 .1) ∪ α Aα = α ∈( 0.5 0.10) Um conjunto difuso A pode ser considerado como sendo a união dos seus singulares constituintes. num universo de discurso discreto X={x1. MODELOS MÚLTIPLOS E REDES NEURONAIS cuja representação gráfica se encontra na Fig.2. ao conjunto difuso A definido em X é feito corresponder um conjunto difuso f(A) tal que Escola Superior de Tecnologia de Setúbal – Controlo Não Linear – Gustavo da Silva – Pág.11) 6.2.9). x2. 6.xn} o conjunto pode representar-se por A = ∑ µA ( xi ) / xi i =1 n (6. Propriedades fundamentais Há dois princípios básicos na teoria dos conjuntos difusos: o princípio da resolução e o princípio da extensão.1 0 -3 -2 -1 0 1 2 3 x Fig. Nesta conformidade.2. O conjunto difuso dos números próximos de zero é caracterizado pela função de pertença (6. Pelo princípio da extensão. O número difuso aproximadamente zero poderá ser caracterizado pela mesma função de pertença. Se A é um singular difuso cujo suporte é o ponto x0. Seja f uma função contínua tal que f: X→Y. 6. ou da representação. afirma o seguinte: um conjunto difuso pode ser encarado como sendo a união dos seus cortes-α: A= α ∈[ 0.2 – Função de pertença para o conjunto difuso dos números reais próximos de zero.6 .3 0.SISTEMAS DIFUSOS.6 0.7 0. 1 µA(x) 0. Chama-se singular difuso (“fuzzy singleton”) a um conjunto difuso cujo suporte é um único ponto de U.12) O princípio da extensão permite a generalização de conceitos matemáticos convencionais aos conjuntos difusos. ….

define-se variável linguística x pelo conjunto x = ( L. por meio da aplicação de (6. associada aos valores desde “muito frio” até “muito quente” é um exemplo de uma variável difusa. Lógica difusa A designação lógica difusa é utilizada em dois contextos diferentes: – Um no sentido lato. Variáveis De entre as diversas variáveis tipo que podem ser definidas.2. cada um destes termos é representado por um conjunto definido no universo U. Tomando o exemplo da pág. 157.13) (6.1. MODELOS MÚLTIPLOS E REDES NEURONAIS f (A) = ∫ µ f (A) ( x) / f ( x) Y (6. associados a expressões que permitem determiná-las. – Variáveis linguísticas – são aquelas cujos valores são nomes de conjuntos difusos. serão considerados apenas duas: as variáveis difusa e as variáveis linguísticas. – Variáveis difusas – são aquelas cujos valores são nomes de conjuntos difusos. Pág.3.15) em que L é o conjunto de termos linguísticos de x. De um modo mais formal. No exemplo apresentado na pág. G representa uma gramática para a manipulação sintáctica e S uma regra semântica que associa a cada variável difusa uma variável linguística. – Outro em sentido restrito.3 – Adição de dois números difusos 6. designando os conceitos e técnicas referentes aos conjuntos e aos sistemas difusos (exemplo: controlador de lógica difusa). 157 a temperatura. referindo-se às relações entre grandezas difusas. 164 – Escola Superior de Tecnologia de Setúbal – Controlo Não Linear – Gustavo da Silva . poderá definir-se uma variável linguística TpAmbiente “quente mas não muito quente”. 6.14) µ f (A) ( y ) = sup µ A ( x) y= f ( x) Este princípio está na base da aritmética difusa.6 -SISTEMAS DIFUSOS. S ) (6. 6. ~ 2 ~ 3 ~ 5 1 + = | 0 | 1 | 2 | 3 | 4 | 5 | 6 | 7 Fig. G. cujas operações foram generalizadas a números difusos.3.2. U.13) e de (6. associados aos seus possíveis valores.14).

8 0.16) (6. mas em termos de função de pertença.4 0. definidos em U.µB (x)} Conjuntos difusos A e B grau de pertença A grau de pertença 1 0.6 0.8 0.4 0. A função de pertença da união ou disjunção de A com B é definida ponto a ponto para todos os elementos x∈U tais que µA ∪B (x) = max{µA (x). 165 .2 0 0 50 100 100 1 0. 6.µB (x)} Escola Superior de Tecnologia de Setúbal – (6.4 – Operações básicas com conjuntos difusos.2 0 0 50 Complemento de A 100 União de A e B (6.2.6 .8 0.3. a função de pertença da intersecção ou conjunção de A com B é definida ponto a ponto para todos os elementos x∈U tais que µA ∩B (x) = min{µA (x).2 0 0 50 100 1 0. Considerem-se dois conjuntos difusos A e B. com funções de pertença µA e µB.19) B x x x x Fig.8 0. intersecção e complemento: União Intersecção Complemento A ∪ B = {x ∈ U | x ∈ A ∨ x ∈ B} A ∩ B = {x ∈ U | x ∈ A ∧ x ∈ B} A = {x ∈ U | x ∉ A} (6.20) Controlo Não Linear – Gustavo da Silva – Pág.6 0.SISTEMAS DIFUSOS.6 0. Operações Nos conjuntos convencionais definem-se as seguintes as operações fundamentais ou operações básicas: união. De modo análogo.4 0. MODELOS MÚLTIPLOS E REDES NEURONAIS 6.2.4 0.2 0 0 50 Intersecção de A e B grau de pertença grau de pertença 1 0.17) (6.18) Com conjuntos difusos definem-se operações semelhantes a estas.6 0.

extensão da intersecção. uma vez que estabelecem uma ligação entre conjuntos difusos. Os operadores lógicos intersecção e conjunção são definidos de uma forma bastante mais genérica através dos chamados operadores triangulares. O conjunto C diz-se norma-T de A e B sse existir uma função de pertença µC(x) definida do modo seguinte: µC ( x) = T ( µ A ( x). com a seguinte função de pertença: µA × 1 × An (x) = min{µA1 (x).b)≤T(c.c))=T(T(a. A2.b). Un.a) T4 – associatividade: T(a.4 faz-se uma representação gráfica das operações que se acabam de apresentar. µAn (x)} (6.1)=a T2 – monotonia: T(a. e a “norma-S”.1] → [0. ….a)=T(a.d) sse a≤ c ∧ b≤d T3 – comutatividade: T(a. . 6. dá-se por vezes o nome genérico de conectivas.c) A propriedade P1 é uma generalização da propriedade análoga existente nos conjuntos convencionais. definidos respectivamente em U1.0)=0 T(1. Definem-se dois operadores triangulares. “E difuso” e “Complemento difuso” são as que foram propostas por Zadeh. Finalmente a associatividade permite efectuar o agrupamento de conjuntos emparelhando-os como se pretender. A comutatividade da intersecção diz que é indiferente a ordem pela qual se combinam os conjuntos.23) [0.21) Na Fig. Da propriedade P2 conclui-se que a diminuição do grau de pertença de A ou de B não pode produzir um aumento do grau de pertença da sua intersecção. … An. é o conjunto difuso definido no espaço cartesiano U1×U2× …×Un. A e B dois conjuntos difusos e µA(x) e µB(x) duas funções de pertença para A e B respectivamente.b)=T(b.1] T: e goza das seguintes propriedades: T1 – fronteira: T(0.22) A forma de definir os operadores lógicos “OU difuso”. mas não são as únicas.24) Pág. U2.1] × [0. y ) ≡ x y (6. O produto cartesiano de n conjuntos difusos A1.T(b.6 -SISTEMAS DIFUSOS. y ) ≡ ( x. MODELOS MÚLTIPLOS E REDES NEURONAIS A função de pertença do complemento de A é definida ponto a ponto para todos os elementos x∈U tais que µA (x) = 1-µA (x) (6. Norma-T Seja x o elemento genérico do universo do discurso. a “norma-T”. extensão da conjunção. 166 – Escola Superior de Tecnologia de Setúbal – Controlo Não Linear – Gustavo da Silva . Aos operadores lógicos união e intersecção. µ B ( x)) (6. A norma-T de x e y também é representada por: T( x.

µ B ( x)) S: e goza das seguintes propriedades: S1 – fronteira: S(1.2. A palavra Verão é um conjunto difuso. obedece à definição (6.c))=S(S(a.3. consiste em efectuar o produto xy e para a união.3. que é a “if-then”. Comparando com a linguagem corrente. 167 .b)=S(b. Ela tem uma forma semelhante a se x pertence a A então y pertence a B A primeira parte da regra.d) sse a≤ c ∧ b≤d S3 – comutatividade: S(a.23) propriedades T1 a T4.25) (6. o consequente atribui a uma variável de saída (tempo) um conjunto difuso (Verão). Deixa-se ao cuidado do leitor verificar que a função de pertença intersecção. O conjunto C diz-se norma-S de A e B sse existir uma função de pertença µC(x) definida do modo seguinte: µC ( x) = S ( µ A ( x).0)=S(0.1] → [0. designada por ou probabilístico. definida por (6.25) e goza das propriedades S1 a S4. dentro das normas triangulares. “então y pertence a B” tem o nome de consequente ou conclusão. Há uma regra condicional.1] (6. obedece à definição (6.SISTEMAS DIFUSOS.a)=a S2 – monotonia: S(a. Regras if-then Viu-se que as funções de pertença são definidas por regras.c) A norma-S de x e y também é representada por: S(x.6 .b)≤S(c.1)=1 S(a.b). definida por (6. A 2ª parte. se o ambiente está quente então é tempo de Verão A característica quente é representada por um número entre 0 e 1 e portanto o antecedente gera um número também compreendido entre 0 e 1. efectuar a operação x+y–xy.27) A relação (6.S(b.20).27) não é mais do que uma das leis de Morgan. Escola Superior de Tecnologia de Setúbal – Controlo Não Linear – Gustavo da Silva – Pág.a) S4 – associatividade: S(a. os elementos de um conjunto são equivalentes aos substantivos e os operadores equivalentes aos verbos. Há outras formas de definir as funções de pertença intersecção e união. a partir das temperaturas ambiente e do tipo de estação do ano. Concretizese com um exemplo.1] × [0. 6. “se x pertence a A” é designada antecedente ou permissa. MODELOS MÚLTIPLOS E REDES NEURONAIS Norma-S Sejam µA(x) e µB(x) duas funções de pertença de dois conjuntos difusos A e B respectivamente. e que a função de pertença união.26) x ⊕ y = n( n( x ) n( y )) (6. A mais simples para a intersecção. bastante conhecida das linguagens de programação.19).y) = ⊕ (x.y) = x ⊕ y A norma-T está associada à norma-S por meio da negação ou complemento: [0.

Para este efeito deverão ser definidos os tipos de funções a utilizar para as funções de pertença da conjunção e da disjunção.5. Este processo envolve os conceitos que se apresentaram atrás: funções de pertença. 6. normal ou alta. Neste exemplo considerar-se-ão apenas 3 funções de pertença para a variação da pressão e 4 para a direcção do vento. como no exemplo que se dá adiante. ou de outro tipo. Esta escolha deverá ser feita de acordo com os conhecimentos meteorológicos pré-existentes que se sabe serem determinantes para o estado do tempo. Escolha das conectivas a utilizar. Pág. Os passos a seguir são os seguintes: 1. pois uma boa previsão deverá ser baseada em mais variáveis de entrada. 168 – Escola Superior de Tecnologia de Setúbal – Controlo Não Linear – Gustavo da Silva . operadores lógicos e regras if-then. normal ou alta. Escolha das variáveis de entrada e de saída.y) e para a união a função máximo(x. 2. 3. Esta relação. aplicação ou “mapping” fornece a base a partir da qual podem ser tomadas decisões. É aqui que se vai dizer o que se entende por pressão baixa. 6. Poderão ser utilizadas funções do tipo gaussiano.6 -SISTEMAS DIFUSOS. Neste exemplo as variáveis de entrada serão a pressão atmosférica e a direcção do vento. Vai dar-se um exemplo que permite fazer a previsão aproximada da chuva numa certa região. tendo em conta conhecimentos meteorológicos sabe-se que a pressão atmosférica poderá estar baixa. Vai considerar-se para variável de saída a previsão da quantidade de chuva.5 – Funções de pertença para a pressão e para a direcção do vento.2. e o que é vento Norte. µ P– P0 P+ µ S E N O S -100 0 100 pressão / mBar -180 -90 0 90 180 direcção do vento / º Fig. Regras de inferência As regras de inferência constituem o processo de estabelecer a relação entre as entradas e as saídas de um sistema lógico. Definição das funções de pertença para as variáveis consideradas (“fuzificação” das entradas e das saídas). Neste exemplo escolhe-se para a intersecção a função mínimo(x. Definição dos universos de discurso para as variáveis de entrada. 4. Este exemplo é muito simplista.4. Neste exemplo.y). como se mostra na Fig. Oeste ou outro. tomando como base o valor da pressão atmosférica e a direcção do vento. MODELOS MÚLTIPLOS E REDES NEURONAIS 6.

Ficam assim definidas. Se (if) a pressão atmosférica é P. MODELOS MÚLTIPLOS E REDES NEURONAIS 5. SC+. em termos de variáveis linguísticas. Escola Superior de Tecnologia de Setúbal – Controlo Não Linear – Gustavo da Silva – Pág. 2. Escolha das regras de inferência. em particular quando há mais que duas entradas. No caso de pretender dar esta informação de forma numérica ou através de um ponteiro sobre uma escala. 4.e (and) a direcção do vento é E. Neste exemplo vai ser utilizado o conhecimento pré-existente sobre o fenómeno (consulta aos especialistas) para prever se vai ou não haver chuva. No caso geral as regras não terão necessariamente que ser feitas apenas com o operador “and”. torna-se necessário efectuar a agregação das variáveis linguísticas de saída assim obtidas e converter a agregação num valor numérico através da operação inversa da fuzificação. “and” pressão atmosf. do controlo de um satélite. . geradora das variáveis difusas SC. tempo irá ser CH (tempo chuvoso). Se (if) a pressão atmosférica é P0 e (and) a direcção do vento é E. No caso deste exemplo pode construir-se a seguinte matriz.SISTEMAS DIFUSOS. Há neste exemplo um total de 8 regras. Quando há apenas duas variáveis de entrada é comum apresentarem-se as regras sob a forma de uma matriz.. tempo irá ser SC (tempo seco).. poderão ser mais complexas. Estes dois pontos serão abordados no exemplo seguinte. Se houvesse mais variáveis de entrada as regras poderiam ser apresentadas sob a forma de um “array”. tempo irá ser SC+ (tempo muito seco). PP0 P+ direcção do vento N (norte) CH S (sul) SC CH CH+ E (este) SC+ SC - O (oeste) CH CH+ Estas variáveis difusas de saída têm o seguinte significado: SC+ SC CH CH+ tempo muito seco tempo seco tempo de chuva tempo com muita chuva então (then) o então (then) o então (then) o então (then) o A matriz apresentada é uma forma compacta de apresentar as seguintes regras: 1. 169 . as 4 possibilidades que o tempo atmosférico irá ter. 3.e (and) a direcção do vento é S. que definem as 4 variáveis difusas de saída indicadas acima. a partir de regras. CH.6 . CH+. tempo irá ser SC (tempo seco). É neste ponto que se vão criar as variáveis difusas de saída. em função das medições efectuadas na pressão e na direcção do vento. que é designada por desfuzificação. Se (if) a pressão atmosférica é P. Se (if) a pressão atmosférica é P0 e (and) a direcção do vento é S.

MODELOS MÚLTIPLOS E REDES NEURONAIS 6.4. Escolha das variáveis de entrada e de saída: Viu-se na secção 2. 3. 4.6 – Cadeia de controlo difuso. “Desfuzificação” da saída. A saída do controlador será a intensidade do jacto propulsor (em que se considera o seu sentido). Pág. Projecto de um controlador difuso O projecto de um controlador difuso tem passos muito semelhantes aos anteriores. Vai então utilizar-se.1. Escolha das conectivas a utilizar. 6. Vai concretizar-se através do exemplo dado no Cap. como indicado na Fig. 1. θ . Definição dos universos de discurso para as variáveis de entrada e de saída. como se mostra na Fig. Escolha das variáveis de entrada e de saída. que utilizando na cadeia de controlo apenas a variável posição angular. 6.6 -SISTEMAS DIFUSOS. 2. Vai admitir-se que o controlador será inserido numa cadeia de controlo convencional. 5.7. 6. Tem-se deste modo para variáveis de entrada do controlador a posição angular e a velocidade angular.5.2: Pretende-se controlar a posição angular θ de um satélite. além da posição. Os passos a considerar no projecto do controlador são os seguintes: 1.2. 6. 7. Definição das funções de pertença para os termos linguísticos das variáveis consideradas (“fuzificação” das entradas e das saídas).6. com realimentação negativa. o satélite ficava a oscilar em torno da referência. referência + erro r – e controlador difuso controlo u processo saída y regras Fig. obrigando-o a rodar em torno de um eixo por meio de um par de propulsores. o valor da velocidade angular. Considera-se apenas este grau de liberdade. 170 – Escola Superior de Tecnologia de Setúbal – Controlo Não Linear – Gustavo da Silva . Agregação de todas as regras de saída. Construção das regras de inferência a utilizar.

8. Tem-se assim os valores do universo do discurso: θ=x1∈[–π. Na prática é corrente ter entre 3 e 11 funções de pertença por variável. utilizando as expressões (2. MODELOS MÚLTIPLOS E REDES NEURONAIS θ antena u Fig. Uma vez que se está a apresentar um exemplo. 6. Universos do discurso: A posição do satélite poderá variar entre –π e +π. Escolhemos 3 funções de pertença para a posição e outras 3 para a velocidade: Posição: RE – rodado à esquerda R0 – centrado RD – rodado à direita Velocidade: VE – velocidade para a esquerda V0 – velocidade nula VD – velocidade para a direita Podem escolher-se as funções de pertença do tipo triangular.SISTEMAS DIFUSOS.+π] rad e θ =x2∈[–0. Depois de efectuados os testes podem escolher-se outros tipos de funções de pertença.6 . A determinação da sua velocidade angular é um pouco mais complicada.35) que a velocidade angular estará compreendida entre –0. 171 . se testem os resultados e se escolha a que conduzir a melhores resultados.m2) e concluir.20 e +20 rad/s. como indicado na Fig. nomeadamente funções do tipo gaussiano. vai começar-se com um número muito pequeno de funções de pertença e testar o resultado. Mesmo assim é recomendado que se façam várias hipóteses.2] rad/s.2. e para um binário propulsor de 1 Nm. 6. um cálculo aproximado permite determinar o momento de inércia do satélite (suposto homogéneo I=2/5mR2=160 kg.+0. Escola Superior de Tecnologia de Setúbal – Controlo Não Linear – Gustavo da Silva – Pág. Em grande parte dos casos não haverá melhoria significativa no desempenho. Para a velocidade angular segue-se uma estratégia análoga à que se utilizou com a posição.34) e (2. Ela depende do momento de inércia do satélite em torno do seu eixo de rotação e do binário propulsor. e comparar os resultados. Definição das funções de pertença: A definição das funções de pertença é feita de acordo com a “sensibilidade” que o especialista tem em relação ao problema específico em causa.8 m. e o diâmetro de 2.7 – Esquema do satélite 2. 3. Para um satélite com a massa de 200 kg.

Se (if) a posição é RE e (and) a velocidade V0. MODELOS MÚLTIPLOS E REDES NEURONAIS RE µ(x1) R0 RD -π VE . Como para o exemplo anterior poderá elaborar-se o conjunto de regras por seguinte quadro. Fig. 172 – Escola Superior de Tecnologia de Setúbal – Controlo Não Linear – Gustavo da Silva . .07 0 0. em que as entradas são ligadas por meio do operador “E”. forte jacto propulsor actua para a esquerda jacto propulsor nulo jacto propulsor actua para a direita jacto propulsor actua para a direita.07 0. forte Pág. então (then) o jacto deverá ser JD (jacto para a direita). 2. µ(x2) V0 -0. Se (if) a posição é RE e (and) a velocidade VE.8 – Funções de pertença para a posição e velocidade do satélite 4.20 -0.π/8 0 π/8 VD π x1 = pos. então (then) o jacto deverá ser JD2 (jacto para a direita. ang.. que definiu as regras seguintes: 1. posição angular velocidade angular VE V0 VD RE JD2 JD J0 R0 JD J0 JE RD J0 JE JE2 De acordo com o quadro resumo haverá 9 regras e 5 funções de pertença para o jacto propulsor: JE2 JE J0 JD JD2 jacto propulsor actua para a esquerda. 6. forte). ang.20 x2 = vel. Obtenção das regras de controlo A definição das regras de controlo também é feita de acordo com os conhecimentos do especialista em satélites.6 -SISTEMAS DIFUSOS..

SISTEMAS DIFUSOS. A agregação é o processo pelo qual os conjuntos difusos resultantes de cada regra são combinados num único conjunto difuso. Da Fig. Com efeito.19) e (6.27.27. multiplicado por 0.73 e rodado à direita com um grau de pertença de 0. 6. Escola Superior de Tecnologia de Setúbal – Controlo Não Linear – Gustavo da Silva – Pág. então (then) o jacto deverá ser J0 (jacto nulo).9 – Funções de pertença para a intensidade do jacto propulsor 5.5 -0. Pode dizer-se que com as funções de pertença atribuídas o satélite está mais centrado do que desviado. Neste exemplo tal não foi considerado.5 1.25 0 0.73 e o valor de µRD(x1)=0. então (then) o jacto deverá ser JE (jacto para a esquerda).27. Acompanhe-se a exposição com um exemplo. O erro de posição será de +0.6 . Se (if) a posição é R0 e (and) a velocidade V0. tendo sido atribuídos o mesmo peso 1 às contribuições da posição e da velocidade. 6. Como neste instante a velocidade angular é nula será µV0(x2)=1 e as outras funções de pertença da velocidade têm o valor zero. Agregação de todas as regras de saída. por serem as mais correntes e a experiência mostrar que oferecerem um bom desempenho. A saída dependerá de duas regras simultâneas com valores não nulos: 1. Esta afirmação é particularmente válida quando as funções de pertença são do tipo gaussiano. por 0. Podem de novo usar-se as definições (6. o valor de µR0(x1)=0. É importante chamar-se aqui a atenção para o facto de as regras deverem ter um peso diferente consoante a entrada. O satélite está centrado com um grau de pertença de 0. a importância da contribuição da posição e da velocidade para a intensidade do jacto propulsor não será a mesma.1 rad a referência da posição angular. para x1=0.0 -0. MODELOS MÚLTIPLOS E REDES NEURONAIS JE2 JE µ(u) J0 JD JD2 -1.0 u = jacto Fig. Resulta a função de pertença que limita a área sombreada da Fig. multiplicado por 0.8 tira-se.25 0. Admita-se o satélite estava posicionado e estabilizado e que se mudou de –0. 6. Serve para definir o modo como são implementados os operadores “ou” e “and”. neste exemplo. Se (if) a posição é RD e (and) a velocidade V0.10. O resultado global consiste em multiplicar por 0.27 a função JE e efectuar a sua união. uma vez que muitas das decisões se baseiam em mais do que uma regra ao mesmo tempo.20).1. 173 .73 a função de pertença J0. A agregação das regras de saída é necessária.1 rad. Este ponto poderá ser feito antes ou depois do anterior. Escolha das conectivas a utilizar.73 2. 6.

6 -SISTEMAS DIFUSOS. pois é ao “workspace” que o Simulink vai buscar as regras.25 0 0. Da biblioteca do Simulink “Fuzzy Logic Toolbox” copia-se o “Fuzzy Logic Controller”. Um método muito vulgar para efectuar esta conversão é o chamado método do centróide. É pois necessário efectuar a conversão da saída linguística num número que esteja dentro da gama de saída. Uma vez no editor define-se o número de entradas. Na pág. Para isto invoca-se o editor através do comando “fuzzy”. Faz-se o mesmo para as saídas. A seguir abre-se o Simulink e constrói-se o modelo do satélite.2. o número de funções de pertença e o seu tipo (de entre uma lista standard). Mas a saída para o jacto não pode ser uma função de pertença.6. “Desfuzificação” da saída.5 -0.5 1. Pág. através do editor FIS (“fuzzy inference systems”). 174 – Escola Superior de Tecnologia de Setúbal – Controlo Não Linear – Gustavo da Silva . esta multiplicada por um ganho.0 u = jacto Fig. Controlo difuso do satélite no Matlab O sistema se controlo que acaba de se descrever foi implementado em Matlab/Simulink. em que 1 é o máximo de intensidade que o jacto pode ter num sentido e -1 no sentido oposto.07 0. consiste em determinar o centro geométrico da área definida pela função de pertença da agregação das variáveis de saída e a partir da sua posição determinar a coordenada da saída. a saída é a função de pertença que limita a área sombreada. tem que ser um valor numérico. 6. Colocou-se também um PID. Este último ponto é importante. a gama de cada entrada.25 0.10. 1]. pela distância ao eixo das ordenadas.0 -0. Definem-se também as regras e o seu peso. seguinte está representado o modelo que acaba de se descrever. que neste exemplo deverá estar no intervalo [-1. que deverá ser ligado à entrada do processo (através de um ganho). A entrada do “Fuzzy Logic Controller” deverá ser feita através de um multiplexer. como se indica na Fig. A “desfuzificação” consiste em converter a variável de saída linguística num valor numérico. O ficheiro deverá ser salvo em disco e também no “workspace”. Para este efeito é necessário implementar as regras em Matlab. MODELOS MÚLTIPLOS E REDES NEURONAIS JE2 JE µ(u) J0 JD JD2 µagregação -1. No exemplo que se está a apresentar. 6.10 – Função de pertença da agregação das saídas 7. Pode observar-se o resultado final vendo as regras ou a “superfície”. que contém o erro de posição e a velocidade. e é resultado da agregação das saídas de cada regra. 6. Este deverá estar ligado ao ficheiro com as regras que foram anteriormente salvas no “workspace”. para poder comparar o desempenho dos controladores.

1 -0.5 60 80 100 120 140 160 180 200 referência posição tempo / s Escola Superior de Tecnologia de Setúbal – Controlo Não Linear – Gustavo da Silva – Pág.3 -0.5 0.6 .4 0.4 -0. MODELOS MÚLTIPLOS E REDES NEURONAIS Modelo Simulink utilizado para implementar o controlo difuso do satélite: Modelo do satélite: Resultados do controlo: posição angular / rad 0.3 0. 175 .2 -0.1 0 -0.2 0.SISTEMAS DIFUSOS.

6 -SISTEMAS DIFUSOS. MODELOS MÚLTIPLOS E REDES NEURONAIS Pág. 176 – Escola Superior de Tecnologia de Setúbal – Controlo Não Linear – Gustavo da Silva .

28) em que i designa a soma ponderada das entradas e do valor constante. Redes Neuronais 6. MODELOS MÚLTIPLOS E REDES NEURONAIS 6. e σ é uma função suave crescente e limitada. também designadas por neurónios.1.1. 177 . RNA. 6.11 representa a estrutura de uma RNA. à qual é adicionado um valor constante. 6. Escola Superior de Tecnologia de Setúbal – Controlo Não Linear – Gustavo da Silva – Pág. um vector de dimensão ℜr. organizados em camadas. A soma das entradas multiplicadas por coeficientes de ponderação. A Fig. que origina uma saída a a = σ (i ) (6.11 – Representação de uma rede neuronal artificial 2 Dá-se o nome de "função suave" a uma função contínua e indefinidamente diferenciável. dispostas numa camada. A entrada da rede contém r unidades. é uma estrutura matemática constituída por um número finito de unidades individualizadas.6 . designada por função de activação2. não indicados na figura. é aplicada a cada uma das unidades da camada seguinte. O sinal de entrada. Cada unidade desta camada recebe directamente a respectiva componente do sinal de entrada.3.3. Conceitos e definições 6. A rede é uma aplicação de um espaço de entrada P num espaço de saída A. P.SISTEMAS DIFUSOS.3. A rede multicamada Uma rede neuronal artificial. designada por 1ª camada.1. Nº de ordem da camada 0 r 1 n1 … … -1 n -1 n 1 … … L-1 nL-1 L nL Nº de unidades 2 P i AL n -1 Entrada 1ª camada escondida Camada de saída n Fig. é aplicado à entrada da rede.

MODELOS MÚLTIPLOS E REDES NEURONAIS A Fig.12 representa o detalhe de uma unidade de processamento.0 4.0 i -1 -1. ou neurónio.6. por exemplo. também multiplicados por coeficientes de ponderação.5 -6. 178 – Escola Superior de Tecnologia de Setúbal – Controlo Não Linear – Gustavo da Silva .5 Fig.) ai a -1 w n -1 i n -1 Fig. não sendo a entrada contabilizada para efeito de contagem do número de camadas.0 -4. significa que se trata de uma rede com duas camadas escondidas e uma camada de saída. a 1.6 -SISTEMAS DIFUSOS.6. embora muitas vezes se lhe chame camada de entrada.6.5 2.12 – Representação do cálculo realizado pelo neurónio i da camada l Na terminologia das RNA é costume designar por camadas escondidas todas as que se encontram entre a entrada e a camada de saída.13 mostra um exemplo de uma função de activação. De uma forma análoga ao que se passa na 1ª camada.6. quando se referir uma rede de três camadas.0 -0. Assim. e a Fig. a segunda camada recebe os sinais de saída de cada uma das unidades da camada 1.0 6. e o processo repete-se até se atingir a camada de saída.0 -2. a -1 1 w i2 i1 a -1 2 w 1 bi + ii σ i(.13 – Exemplo de uma função de activação Pág.5 1 0.

.   b n     a1     a2  A =  ...33) (6....30) podem escrever-se na forma matricial I =W A −1 +B (6. w  n1  w12 w22 ..34) A = σ (I ) em que σ é aplicado individualmente a cada um dos elementos do vector I .... -1. ... .   a n    (6..SISTEMAS DIFUSOS.... . e no vector B b i é o vector de polarização da unidade i da camada ..6 .  win −1   .32) as equações (6.. w ij representa o coeficiente de ponderação que multiplica a saída da unidade j da camada anterior.29) (6... antes de a adicionar à unidade i da camada .   i n     b1     b2  B =  ..31) . w1n −1   w2 n −1   . por B o vector de constantes ou vector de polarização da camada e por A o vector de saída da camada .. MODELOS MÚLTIPLOS E REDES NEURONAIS Nas duas expressões seguintes estão indicados os cálculos efectuados na unidade genérica i da camada : Valor interno: Saída: ii = ∑ wij a j −1 + bi j =1 n −1 (6. . Escola Superior de Tecnologia de Setúbal – Controlo Não Linear – Gustavo da Silva – Pág.. É corrente fazer-se a função de activação igual para todas as unidades de uma mesma camada.29) e (6. wi 2 . Na matriz W . W =  wi1   ... por I o vector de valores internos nas unidades da camada .  wn n −1    (6.  i1     i2  I =  .. 179 ..30) ai = σ i (ii ) Designando por W a matriz de transferência da saída da camada -1 para a camada ..  w11   w21  . wn 2 ...

14. para se poder ter uma saída com uma amplitude arbitrária faz-se a camada de saída linear (σ (x) = x).35) O sinal de entrada poderá ser uma função contínua do tempo. ci ) j =1 n −1 (6. mas com uma diferença importante: o sinal de entrada é primeiramente transformado por meio de uma função não linear. 180 – Escola Superior de Tecnologia de Setúbal – Controlo Não Linear – Gustavo da Silva . c n −1 ) 1 Fig. é uma rede estática. pelo que a saída de uma rede com L camadas é dada pela expressão A L =WLσ L-1 (WL-1 ( ( σ (W ( σ 2 (W2σ 1 (W1P+B1 )+B2 )+ A1 A2 +B )+ )+BL-1 )+BL (6. ai = wi ∑ ξi (ai −1 . admitindo-se neste caso que a execução dos cálculos se faz em tempo contínuo e num intervalo de tempo infinitesimal.2.6 -SISTEMAS DIFUSOS. só sendo em seguida efectuada a soma dos valores resultantes de cada conversão.36) e na Fig. A rede de base radial A estrutura desta rede é semelhante à da rede anterior.6. saídas ou estados deverão ser aplicados à entrada juntamente com a entrada actual da rede. como se mostra na expressão (6. não guardando qualquer informação relativa a estados anteriores. MODELOS MÚLTIPLOS E REDES NEURONAIS Uma vez que as funções de activação são limitadas. Neste caso a execução dos cálculos faz-se ao ritmo da chegada das entradas da rede. tal como aqui foi definida. c i ) ∑ ii w i a -1 2 ai al -1 n -1 ξn −1 ( a n−−1 . Repare-se que a RNA. 6. P(t).6. sendo então a saída também uma função contínua. No caso de se desejar manipular sistemas dinâmicos.36) a -1 1 ξ1 ( a1 −1 . numa rede de base radial Pág.14 – Representação gráfica da unidade i da camada l.1. ou poderá ser uma sequência de sinais discretos do tempo ou de outras variáveis.3. não existe realimentação das saídas nas entradas. os valores anteriores das entradas. c1 ) ξ2 ( a 2−1 . c 2 ) ξi ( a i −1 .

2. é normalmente abordada de uma forma prática. 6.3. Número de camadas Na secção anterior viu-se que para as aplicações que interessam à identificação de sistemas e ao controlo é suficiente a utilização de redes com três camadas: duas camadas escondidas e uma camada de saída. Uma das suas vantagens sobre outros aproximadores consiste em ter-se uma estrutura com um número finito de unidades.3. consoante os resultados obtidos. Estrutura de uma rede 6.2.3.38) Este último caso é de bastante interesse em sistemas de controlo com a lei de realimentação descontínua. 6. 181 . no modelo a identificar ou na lei de controlo. em que não haja descontinuidades da função a aproximar. Nos casos mais simples. Se a função a aproximar for contínua.3. Na medida em que os resultados sejam aceitáveis.6 . MODELOS MÚLTIPLOS E REDES NEURONAIS 6. reconfigura-se a rede com mais ou menos unidades.1. ou em sistemas em que haja necessidade de identificar modelos inversos de processo de fase não mínima. uma vez que não existe um procedimento exacto para efectuar a sua determinação. é possível aproximá-la por meio de uma RNA com apenas duas camadas. Obviamente o número de unidades das camadas de entrada e de saída deverão ser iguais à dimensão dos respectivos sinais. poderá não ser possível aproximá-la por meio de uma rede de duas camadas.3. A RNA como aproximador universal A RNA constitui um aproximador universal. utilizar-se-á sempre o menor número possível de unidades.3.3. Número de unidades A determinação do número de unidades de uma rede. Para as camadas escondidas é corrente configurar inicialmente a rede com um número de unidades igual à soma das dimensões dos sinais de entrada e de saída. e a sua distribuição pelas camadas da rede. É no entanto sempre possível aproximá-la por meio de uma RNA com três camadas: f 3 =W3σ 2 (W2σ 1 (W1P+B1 )+B2 )+B3 (6.SISTEMAS DIFUSOS. Escola Superior de Tecnologia de Setúbal – Controlo Não Linear – Gustavo da Silva – Pág.37) Se a função a aproximar for descontínua. é suficiente a utilização de uma camada escondida e uma camada de saída. Depois de testar a rede com este número de unidades. uma camada escondida e a camada de saída: f 2 =W2σ 1 (W1P+B1 )+B2 (6.

0 -1 -1 .8 0 .0 -0 . 182 – Escola Superior de Tecnologia de Setúbal – Controlo Não Linear – Gustavo da Silva .5 0 0 .0 .0 -4 .5 1 0 .0 -1 -1 .5 5 Degrau unitário Pode ser considerado como sendo o limite dos anteriores.0 -4 .0 -2 .0 -2 .8 0 .2 0 0 .0 2 .0 4 .0 -2 .0 -4 .3.0 6 .2 0 .0 1 .0 -2 .0 6 .2 1 1 Exponencial 1 σ(x) = 1 + e −x -6 . Funções de activação De entre as várias funções de activação não lineares utilizadas nas RNA salientam-se as seguintes: Função Expressão Gráfico 1 .0 .5 Do ponto de vista do comportamento da rede.0 0 .0 .0 6 . as quatro primeiras funções são equivalentes.6 .6 -SISTEMAS DIFUSOS.5 3 Trigonométrica inversa arctg() 2 σ(x) = arctan(x) π 1 0 .6 .5 0 .3.2 .0 -4 .0 4 .0 4 .0 S e r ie s 4 -1 -1 .8 -1 0 .4 0 .0 2 Exponencial 1 .0 0 .6 .0 2 . excepto factor de escala em x 1 .5 2 .5 0 0 .0 .5 1 σ ( x) = 1− e 1 + e −x −x .0 4 Hiperbólica th() Igual à 2ª.0 -0 .6 0 .0 -0 .0 4 .0 . MODELOS MÚLTIPLOS E REDES NEURONAIS 6.5 2 .3. Pág.0 4 .6 0 .0 6 .5 0 -6 .4 0 .0 .0 6 .4 .0 .2 .5 1 0 . mudada a escala x -6 .4 .0 2 .

Obtenção dos parâmetros da rede 6. O número de entradas da rede não é o correcto. MODELOS MÚLTIPLOS E REDES NEURONAIS 6. Aos parâmetros w ij dá-se também o nome de pesos.3. para uma rede com duas camadas escondidas. n1 = 3 e n2 = 3 e uma saída terá np = 34 parâmetros. uma vez que se trata de minimizar uma função de muitas variáveis.3. ou eventualmente com uma outra distribuição pelas camadas escondidas.39) Considera-se que a rede é adequada se o valor deste funcional for inferior a um determinado limite de aceitação. O outro caso mencionado atrás. Os parâmetros ideais para a rede serão assim aqueles a que corresponde o mínimo do funcional JNd.11): n p = (r × n1 + n1 ) + (n1 × n2 + n2 ) + (n2 × nL + nL ) (6.SISTEMAS DIFUSOS. ˆ J Nd = ∑ [ y (k ) − y (k )]2 k =1 Nd (6. com n1 e n2 unidades em cada camada. O número de unidades da rede não é suficiente. 6. np. Com efeito. deverão ser reanalisadas quais as entradas mais convenientes. que poderá apresentar mínimos locais Os métodos de cálculo dos parâmetros de modo a minimizar JNd deverão considerar a possível existência destes mínimos locais e procurar ultrapassar o problema de modo a encontrar-se. Pode no entanto acontecer que este mínimo esteja acima do limite de aceitação. é dado por (ver Fig. o mínimo global. Se se fizerem estes parâmetros variar continuamente de modo a obter o valor mínimo para JNd. A determinação do mínimo de JNd é um problema geralmente complexo. com r entradas e nL saídas.1.40) Uma rede muito simples com r = 5. o número total de parâmetros a obter. do número de unidades insuficiente. obtido pela soma do quadrado dos desvios da ˆ previsão em relação ao processo. 183 .6 . se possível. Escola Superior de Tecnologia de Setúbal – Controlo Não Linear – Gustavo da Silva – Pág. JNd. O método correntemente usado para avaliar o desempenho de uma rede consiste em calcular o funcional de custo. Funcional de custo Depois de se fixar o número de camadas de uma rede e o número de unidades em cada camada. Isto poderá ser devido a várias causas: • • • O mínimo obtido para JNd não é um mínimo absoluto mas sim um mínimo local. resolve-se simplesmente tentando uma rede com maior número de unidades. e referida a um par de sequências { y } e {y} de comprimento Nd. tem-se o problema da minimização de uma função de muitas variáveis. deverá determinar-se quais os valores dos parâmetros w ij e de b i que conduzem ao melhor desempenho da rede.4.4. Finalmente o último caso indicado: se se suspeitar das entradas da rede não serem as correctas.

. . u (n − p − nu − 1)] .3. .41) de (6. Esta forma de treino baseia-se no método do gradiente.1.3.42) (6.variável de entrada. . em particular junto do mínimo. por ordem contrária à do fluxo de informação. MODELOS MÚLTIPLOS E REDES NEURONAIS 6. Dados de entrada /saída Considere-se um processo discreto. ou que esta está em aprendizagem. Um método muito corrente para treinar a rede é designado por rectro-propagação (“backpropagation”: Rumelhart et al. n-1. Identificação do Processo. . y (n − h − n y ). n-h..6 -SISTEMAS DIFUSOS. Se o processo for observável.42). . Parte de um valor inicial arbitrário para os parâmetros e dá-lhes um acréscimo negativo proporcional à derivada de JNd em relação ao parâmetro. poderá ser representado por uma equação às diferenças y (n) = f [ y (n − 1). y (n − h − ny ). y (n − n y ). u (n − h − p − nu )] (6. pode escrever-se y (n − 1) = f [ y (n − 2).atraso de transporte.número de entradas atrasadas.41) em que n . u(n) .número de realimentações atrasadas. u (n − p − 2). u (n − p − nu − 2)] (6.44) A substituição sucessiva em (6.44) conduz a uma equação do tipo y (n) = g[ y (n − h − 1). 184 – Escola Superior de Tecnologia de Setúbal – Controlo Não Linear – Gustavo da Silva . 1994). p . O método é computacionalmente mais pesado do que a rectro-propagação. Treino da rede A minimização de JNd é efectuada por métodos iteractivos. n-2.. y (n − ny − 2).43).3.2. 6. Considerando as observações das saídas nos instantes sucessivamente anteriores ao actual. 1986). . Trata-se de uma modificação do método de Gauss-Newton (Hagan e Menhaj. com atraso de transporte p. de uma só variável. linear ou não. y (n − 2) = f [ y (n − 3).5. .variável de saída.. nu . u (n − h − p). (6. . exibindo no entanto uma convergência bastante mais rápida do que esta.43) … y (n − h) = f [ y (n − h − 1).. u (n − p ). u (n − p − nu )] (6. u (n − h − p − nu )] (6. u (n − p − 1). Durante a busca do mínimo diz-se que se efectua o treino da rede. y(n) .. Começa-se pela camada de saída e aplica-se a seguir às sucessivas camadas.45) Pág. Um outro método utilizado para treinar as redes neuronais é o de Marquardt-Levenberg. u (n − p). 6. . (6. .5. y (n − n y − 1). ny .tempo discreto. .4. O método é lento.

46) pelo que para dois pares de sequências u(n) e y(n) se espera ter para uma RNA ˆ estimadora do processo.15 – Processo de ordem ny com atraso p 6. representado na Fig. ˆ ˆ y (n + h) = g[ y (n − 1). Representando a rede neuronal pelo rectângulo da Fig. como se referiu no início. u (n − p + h). apenas será possível efectuar a identificação da parte observável do processo.45) pode obter-se y (n + h) = g[ y (n − 1). MODELOS MÚLTIPLOS E REDES NEURONAIS A equação (6. e ny entradas y e anteriores. y (n − n y ). u (n − p + h). permanecendo a dinâmica interna por identificar. . u (n − p − nu )] (6. Com efeito da equação (6. 6. ou seja dos valores da entrada tomados em instantes futuros nf > n. y (n − n y ). ou prever u(nf) a partir dos valores passados.15: O valor da variável de saída no instante actual. pode ser considerado como dependente dos valores dessa variável nos instantes (n-h-1) a (n-h-ny) e dos valores da variável de entrada nos instantes (n-p) a (n-h-p-nu).45) tem o seguinte significado. cuja saída se designará por y (n) .16. 185 .3. como por exemplo congelar todas as entradas futuras. As considerações anteriores sugerem que a rede estimadora do processo deverá ser alimentada com (h+nu+1) entradas u e respectivos atrasos. u(n-p-nu) pertencem ao passado pelo que podem ser sempre conhecidos. Dispõe-se assim dos dados necessários para efectuar uma identificação do processo.SISTEMAS DIFUSOS. n. …. Uma vez que para a identificação do processo apenas se dispõe de sequências de entrada e de saída. 6.6 . Será necessário efectuar alguma suposição sobre u(nf). Estrutura da entrada da rede.5. 6. . ˆ( h > p : Nesta situação a determinação de y n + h) vai depender de u(nf). . . u (n − p − nu )] (6. mantendo-as iguais a u(n) presente.2. o conjunto de entradas e saídas sugerido para a rede é o indicado a seguir: Escola Superior de Tecnologia de Setúbal – Controlo Não Linear – Gustavo da Silva – Pág. nu u(n) y(n) h p n ny h Tempo discreto Fig.47) Considerem-se os dois casos seguintes: h ≤ p : Neste caso os valores de u(n-p+h).

6. já mencionada anteriormente. Pág. A razão da escolha. por se verificar suficiente. é complementada com os resultados obtidos por Hartman et all (1990) e por Hornick (1991): • Para uma função contínua uma rede neuronal com duas camadas escondidas constitui um aproximador universal com convergência mais rápida do que uma rede de uma camada.16 – Conjunto de entradas de uma RNA para estimar y (n + h) Como muitas vezes os valores de nu. É corrente escolher-se uma rede com duas camadas escondidas. 1992). que à partida não é conhecido. Assim. O número de unidades nas camadas escondidas depende da relação (6. Neste caso tem-se uma rede bem treinada localmente mas com pouca capacidade para generalizar para outro tipo de dados de entrada. O treino em linha poderá ser necessário sempre que é preciso identificar um processo variante no tempo. o que não é possível com apenas uma camada. Chama-se no entanto a atenção para o facto de o treino em linha. Considera-se habitualmente uma rede com um total de unidades igual ao valor estimado para nu+ny. O primeiro tem interesse quando o processo a identificar é invariante no tempo ou então para a obtenção de um valor inicial de parâmetros para a rede. ny e p não são conhecidos a priori. • Uma RNA com duas camadas escondidas permite sempre a obtenção de um modelo inverso (Sontag. No treino em linha é pois necessário ter cuidado com os dados utilizados. • Uma RNA com duas camadas escondidas permite a utilização de leis de controlo descontínuas. para não se cair num ponto de funcionamento local. o algoritmo de treino não deverá esquecer os dados iniciais mas sim complementá-los.41) que caracteriza o processo. deverão ser atribuídas à rede um número de entradas u e um número de entradas y suficientes para se obter um desempenho aceitável.6 -SISTEMAS DIFUSOS. Treino da rede Para o treino da rede devem ser considerados dois casos: treino em grupo (“batch”) e treino em linha (“on line”). MODELOS MÚLTIPLOS E REDES NEURONAIS h+nu+1 entradas u ny entradas y u(n-p) u(n-p-1) u(n-p-2) … u(n-p-h-nu) y(n-h-1) y(n-h-2) … y(n-h-ny) ˆ y ( n) ˆ Fig. poder conduzir à obtenção de uma rede que não aproxime o processo globalmente. 186 – Escola Superior de Tecnologia de Setúbal – Controlo Não Linear – Gustavo da Silva . quando se trata de processos não lineares.

6 - SISTEMAS DIFUSOS, MODELOS MÚLTIPLOS E REDES NEURONAIS

Treino em grupo. Uma vez que se trata de identificar um processo genérico, que poderá ser linear ou nãolinear, uma questão que se coloca é a definição da amplitude do sinal de entrada. Deverá considerar-se o sinal de entrada a poder variar entre -auM e + auM sendo uM o valor absoluto máximo detectado na sequência de entrada e a uma constante real maior do que a unidade. De forma análoga se estabelece o domínio para o sinal de saída. O número de valores das sequências {u} e {y} utilizados para o treino em grupo, Nd, deverá ser da ordem das centenas, para permitir ter uma grande variedade de amplitudes. Alimentando a rede com (h+nu+1) entradas desde u(n-p) a u(n-p-h-nu) e com ny entradas ˆ desde y(n-h) a y(n-h-ny), esta origina um sinal de saída y (n) . A rede deve ser treinada utilizando um algoritmo disponível, por exemplo o de rectropropagação dos erros ou o algoritmo de Marquardt-Levenberg. O número de iteracções utilizado para obter a convergência da rede é variável consoante os casos estudados, a respectiva rapidez de convergência e o valor aceite para JNd. No caso da rectro-propagação a fim de acelerar a convergência devem utilizar-se os métodos do passo adaptativo e do momento, conhecidos das redes neuronais e postos à disposição pelos fornecedores do software específico de redes neuronais. Após o treino em grupo as redes devem testadas utilizando outras sequências de entrada /saída, com outras formas amplitudes e número de pontos, para verificar a sua boa capacidade de generalização. Após ser definido um critério de aceitação, a rede é considerada adequada e suficientemente treinada quando satisfaz esse critério. Por vezes ˆ( considera-se como critério de aceitação o andamento da curva de erro y(n) - y n) , em vez do valor de JNd. Treino em linha. Uma vez que o treino de uma rede neuronal envolve um número muito grande de iterações, normalmente superior a 1000, ao efectuar-se o treino em linha não pode ser feita apenas uma destas iterações por cada passo de execução do controlo. O seu número dependerá da velocidade de variação no tempo do próprio processo. No entanto deverá ser pelo menos da ordem das dezenas. A Fig. 6.17 representa esquematicamente as sequências para efectuar o treino em linha.

Escola Superior de Tecnologia de Setúbal –

Controlo Não Linear – Gustavo da Silva – Pág. 187

6 -SISTEMAS DIFUSOS, MODELOS MÚLTIPLOS E REDES NEURONAIS

actualização da rede

|||||||||||||||

|||||||||||||||

|||||||||||||||

|||||||||||||||

|||||||||||||||


tempo discreto, n

instantes de execução do controlo

Fig. 6.17 - Treino de uma rede neuronal, em linha.

No entanto, se o número de iterações para actualização da rede for elevado, o ruído do processo, incluído o ruído dos sensores, pode perturbar significativamente a convergência da rede, levando os seus parâmetros a mudar sistematicamente de trajectória. É-se assim conduzido à necessidade de filtrar os dados u(n) e y(n) utilizados para treinar a rede. Esta filtragem, que poderá ser igual para todas as entradas da rede, deverá obedecer a duas condições antagónicas: por um lado deverá ser bastante elevada para que o ruído não perturbe a convergência da rede e por outro suficientemente fraca para que qualquer variação dos parâmetros do processo seja imediatamente detectada. Um outro problema da actualização em linha, em sistemas não lineares, já atrás referido, consiste no esquecimento das características globais da rede, ficando esta mais adaptada apenas para pontos de funcionamento com características locais.
6.3.6. Controlo preditivo.

No controlo de um processo com atraso de transporte utilizando um controlador clássico, por exemplo um PID, à medida que se vão tendo tempos de atraso maiores torna-se necessário baixar o ganho proporcional e aumentar o tempo de integração, se se quiserem evitar oscilações ou ter um sistema instável. Esta medida torna a resposta do sistema lenta. Com o fim de obter controladores com melhor desempenho, utilizam-se outros métodos. De entre os que utilizam redes neuronais foram estudados os seguintes: Uso de um controlador clássico em que o erro é obtido subtraindo à referência o valor da previsão, e controlo por meio do modelo inverso. Em qualquer dos casos o modelo deverá ser actualizado em linha.

Pág. 188 – Escola Superior de Tecnologia de Setúbal –

Controlo Não Linear – Gustavo da Silva

7. EXEMPLOS DE SISTEMAS NÃO LINEARES

7.1. Pêndulo simples Considere-se o pêndulo simples, representado esquematicamente na Fig. 7.1. Trata-se de uma pequena esfera de massa m, ligada a um ponto fixo O por meio de uma haste rígida de comprimento e massa desprezável. A haste pode rodar em torno de O. Considere-se apenas o movimento no plano vertical (x,O,y). Pela aplicação da 2ª lei de Newton, a massa sujeita a uma força exterior fe adquire uma aceleração a tal que ma=fe.

y

0 dθ x

θ
m

r= dr p=mg

Fig. 7.1– Pêndulo simples

A observação da Fig. 7.1 mostra que dr = dθ , pelo que, como d 2r d 2θ = dt 2 dt 2

é constante, (7.1)

ou, uma vez que d2r/dt2 é a aceleração a que se encontra submetida a massa m, pode escrever-se, aplicando a lei de Newton, e usando uma notação simplificada:

m θ = fe
189

(7.2)

7 - EXEMPLOS DE SISTEMAS NÃO LINEARES

A resultante das forças exteriores actuando sobre o corpo de massa m (suposta a massa concentrada no seu centro de massas) é constituída por duas parcelas: uma força de restituição devida ao seu peso (–mg senθ ) e outra resistente, devido ao atrito, que se admitirá ser viscoso, ou seja, proporcional à velocidade linear do corpo ( −b θ ), pelo que (7.2) se pode escrever:

m θ = − mg sen θ − b θ

(7.3)

A força mg cos θ , na direcção da haste, não é representada por não contribuir para esta aceleração. Para se obter um modelo de estado para o sistema da equação (7.3) façam-se as mudanças de variável x1 = θ e x2 = θ . Obtém-se então a seguinte equação de estado:
 x1 = x2   x2 = −( g / ) sen x1 − (b / m) x2

(7.4)

A equação de saída, y = x1, não é escrita por uma questão de economia. Os pontos de equilíbrio obtêm-se a partir de (7.4) fazendo x1 = 0 e x2 = 0 , ou seja,
 x2 = 0  −( g / ) sen x1 − (b / m) x2 = 0

(7.5)

ou ainda:
sen x1 = 0   x2 = 0

ou
 x1 = kπ ,   x2 = 0 k = 0, ± 1, ± 2,

(7.6)

Do ponto de vista de localização física apenas as soluções para k=0 e k=1 são distintas; as restantes são repetições das posições geométricas das primeiras. No entanto as soluções são distintas, como se pode observar na Fig. 7.2. Voltando às variáveis iniciais θ e ω (ou θ ), os pontos de equilíbrio distintos são:
 θ e1   0 rad  ω  = 0 rad/s    e1  

e

 θ e 2  π rad   =  ωe 2   0 rad/s 

A integração numérica da equação (7.4) para um pêndulo com m=1 kg, l =1 m e b=0.2 N.s.m-2, sujeito às condições iniciais θ=0 rad e ω=10 rad/s, dá origem à solução que se representa na Fig. 7.3.

Pág. 190 – Escola Superior de Tecnologia de Setúbal –

Controlo Não Linear – Gustavo da Silva

3 representa a evolução do referido estado. 7. Escola Superior de Tecnologia de Setúbal – Controlo Não Linear – Gustavo da Silva – Pág.7 . submetido às mesmas condições iniciais. 7. no plano de fase. angular (rad/s) ω (rad/s) 6 4 2 0 -2 -4 -6 0 5 10 15 20 x1 = posição (rad) 25 30 θ(rad) Fig. 7.EXEMPLOS DE SISTEMAS NÃO LINEARES 30 ω (rad/s) θ(rad) 25 om eg a 20 (ra d/s ) 15 tet a (ra 10 d) 5 0 -5 -10 0 5 10 15 20 25 tempo (s) 30 35 40 Fig. 10 8 x´1 = vel.3– Evolução do estado do pêndulo no espaço de fases. 191 .2– Evolução no tempo do estado do pêndulo simples A Fig.

conduz à seguinte equação diferencial: m em que d 2x dx + b + k1 x + k3 x 3 = f 2 dt dt (7.2.7) m . f(t) . 7. exercida sobre o bloco.4– Sistema massa-mola-amortecedor A aplicação da 2ª lei de Newton a este sistema. Pág. suposta igual a zero com o sistema em repouso. A Fig. 7. 7. b e k1 são positivos. 0 mola massa o x0 x amortecedor o | | | | | | | | | | | | | -3 -2 -1 0 1 2 3 Fig. como se mostra na Fig.força de excitação externa. sujeito à acção de uma mola não linear e de um amortecedor viscoso.massa do bloco. Os parâmetros m. Neste caso. x + 2λ x + ω02 x = f / m com ω = k1 / m e λ = b / 2m ).9) que corresponde à força resistente da mola ser positiva.7 . (Relembre-se a equação linear correspondente ao sistema linear de 2ª ordem.5 representa a força resistente de uma mola linear. se se tratar de uma mola passiva. Se k3 for negativo a mola diz-se macia: a sua força resistente incremental diminui com a amplitude. Sistema massa-mola-amortecedor Imagine-se um sistema mecânico constituído por um bloco rígido de massa m que se pode deslocar ao longo do eixo dos xx. de uma mola dura e a de uma mola macia. x(t) .4. suposta concentrada ao centro de massas. k3 pode ser positivo ou negativo.coeficiente de atrito viscoso do amortecedor. b .posição da massa. deverá ser imposta a condição adicional k3 2 x <1 k1 (7. k1 e k3 – coeficientes da mola.EXEMPLOS DE SISTEMAS NÃO LINEARES 7. 192 – Escola Superior de Tecnologia de Setúbal – Controlo Não Linear – Gustavo da Silva . 2 0 (7.8) Se k3 for positivo a mola diz-se dura: a sua força resistente incremental aumenta com a amplitude da coordenada x.

4 -0.2 0.6 -0. sendo a frequência de oscilação função da amplitude. Considere-se agora o sistema em regime forçado. Escola Superior de Tecnologia de Setúbal – Controlo Não Linear – Gustavo da Silva – Pág.7 .1 0.6).10) Considere-se o sistema em regime livre (f = 0). 0].4 -0. admita-se que sobre o bloco se exerce uma força alternada sinusoidal f(t) de frequência ω e amplitude F constante.7) efectuando as mudanças de variável x1 = x (posição do bloco) e x2 = x (velocidade linear):  x1 = x2   k3 3 1 b k1  x2 = − m x2 − m x1 − m x1 + m f  (7.11) (7.3 -0.3 0. Para k3 > 0 observa-se que a frequência de oscilação aumenta com a amplitude (a mola é mais resistente para amplitudes maiores) e para k3 < 0 a frequência de oscilação diminui com a amplitude (Fig.8). Se o amortecimento for fraco(1) a massa vai oscilar.2 -0.8 -0.5– Força resistente de diversos tipos de mola A equação de estado do sistema exposto pode obter-se a partir de (7. 7. isto é posição inicial x0 distinta da posição de repouso e velocidade inicial nula.2 -0. f (t ) = F cos(ωt ) Nestas condições a massa entrará em oscilação. 193 .6 0. Neste caso a amplitude de oscilação x(t) será também sinusoidal e terá a mesma frequência ω que a força de excitação: x(t ) = X cos(ωt − ϕ ) (7.1 0 0.5 deformação Fig. o amortecimento diz-se fraco se λ2 < ω02.5 mola dura mola linear mola macia -0.12) 1 Para o sistema linear equivalente (7.4 0.4 0. Considere-se o caso em que k3 = 0 (sistema linear).8 força resistente da mola 0. a partir das condições iniciais [x0≠0. 7.2 0 -0.EXEMPLOS DE SISTEMAS NÃO LINEARES 0. de uma forma amortecida em torno da posição x=0.

7– Curvas de resposta em frequência.EXEMPLOS DE SISTEMAS NÃO LINEARES k3 = 0.7 . 7. quer ω aumente. X λ=0 λ=0 1/4 1/2 1/√2 1 2 λ=8 ω Fig. que se estabelece depois de desaparecer a resposta transitória inicial.6– Variação da frequência de oscilação com a amplitude A Fig. 194 – Escola Superior de Tecnologia de Setúbal – . 7. o ponto representativo de X/F em função de ω evolui sobre a curva respectiva. mola linear amplitude k3<0 mola macia k3 >0 mola dura frequência Fig. sistema linear 2 λ = b/2m Controlo Não Linear – Gustavo da Silva Pág. Nestas condições. se a frequência ω variar lentamente no tempo. A relação X/F depende de ω e do amortecimento do sistema e não depende de F. Para um determinado grau de amortecimento existe uma relação unívoca entre X/F e ω. O gráfico X/F apresentado considera apenas o regime forçado.7 representa a relação entre a amplitude de oscilação X por unidade de força de excitação. para diversos valores do amortecimento λ(2). quer diminua. Estas funções de transferência são bastante conhecidas do estudo da resposta de sistemas lineares de 2ª ordem. 7. em função da frequência da força de excitação.

Continuando a aumentar ω caminha-se até ao ponto 4 com uma diminuição contínua da amplitude. 195 . na transição de 5→6.EXEMPLOS DE SISTEMAS NÃO LINEARES X X •2 6 • k3>0 • 5 3 • k3<0 2• • 1 •5 •3 ω0 • 4 • •6 ω ω0 1 • 4 ω Fig. 7. Se agora ω descer lentamente a partir de 4. Admite-se k3 suficientemente elevado para se poderem observar as não linearidades. A este fenómeno chama-se ressonância com saltos. Neste ponto um ligeiro aumento de ω produz uma descontinuidade na amplitude da oscilação. 7. Admita-se F constante e ω lentamente variável e crescente.8– Curvas de resposta em frequência.8. Para a curva correspondente a k3 < 0 acontece um fenómeno semelhante. As curvas de resposta em frequência. vai-se progredindo sobre a curva X/F até se atingir o ponto 2. em que a amplitude de oscilação é máxima. Esta exige que a não linearidade seja apreciável e o amortecimento pequeno. para um amortecimento muito pequeno. sistema não linear. tomam o aspecto indicado na Fig.7 . Escola Superior de Tecnologia de Setúbal – Controlo Não Linear – Gustavo da Silva – Pág. Seja agora o caso em que k3 ≠ 0. Analise-se a curva correspondente a k3 > 0. Partindo do ponto 1. Tem a propriedade de exibir uma gama de frequências em que para cada ω existem duas amplitudes de oscilação estáveis. com aumento brusco de amplitude. de 2 para 3. a amplitude seguirá a trajectória 4→3→5→6→1 havendo uma nova descontinuidade. à medida que a frequência ω vai aumentando.

196 – Escola Superior de Tecnologia de Setúbal – . São exemplos de dispositivos electrónicos de resistência negativa os díodo túnel .13) Da electrotecnia sabe-se que: ic = C dv dt e iL = 1 t v(τ )dτ L ∫−∞ (7. uma bobina e um elemento resistivo com a característica indicada em b). o transistor unijunção. o díodo de 4 camadas e o transistor de avalanche. 7. Para valores de v junto da origem a um aumento de v corresponde uma diminuição i.3.13) pode escrever-se: C dv 1 t + v(τ )dτ + h(v) = 0 dt L ∫−∞ (7. A capacidade do condensador e o coeficiente de auto-indução da bobina supõe-se constantes.9a). Oscilador de resistência negativa Considere-se o circuito eléctrico representado na Fig.EXEMPLOS DE SISTEMAS NÃO LINEARES 7.9– Oscilador de resistência negativa.14) em (7. É por esta razão que se diz o circuito exibir resistência negativa. constituído por um condensador. Substituindo (7.14) A característica i = h(v) por enquanto não é dada.16) Efectuando a mudança de variável τ = Pág.15) por L e derivando em ordem ao tempo fica: LC d 2v dv + Lh′(v) + v = 0 2 dt dt t pode escrever-se LC Controlo Não Linear – Gustavo da Silva (7.7 . i C L iC elemento de resistência negativa i v iL v Fig. Pela aplicação das leis de Kirchoff pode escrever-se: iC + iL + i = 0 (7. 7.15) Multiplicando-se ambos os membros de (7.

É um exemplo muito corrente apresentado no estudo dos sistemas não lineares.18) Finalmente. 7.2 t (segundos) t (segundos) Fig. 7.21)  2  x2 = − x1 + ε (1 − x1 ) x2  (7. Esta equação foi utilizada por Van der Pol para estudar osciladores electrónicos com tubos de vazio.EXEMPLOS DE SISTEMAS NÃO LINEARES d 2v L dv + h′(v) + v = 0 2 dt C dt (7.19) A integração numérica desta equação. 197 Escola Superior de Tecnologia de Setúbal – . Para a obtenção da equação de estado correspondente ao sistema descrito pela equação (7. 7.10.0 x2 x1 ε = 0.17) Utilizando a notação simplificada para a derivada em ordem ao tempo normalizado τ e fazendo ε = L / C vem: v + ε h′(v)v + v = 0 (7. aproximando a curva h(v) da figura Fig. Obtém-se assim a equação de estado  x1 = x2  (7. 7.9b por uma parábola cúbica: 1 h(v ) = −v + v 3 3 pode escrever-se: v − ε (1 − v 2 )v + v = 0 (7.10– Soluções da equação de Van der Pol 3 Van der Pol – Engenheiro Electrotécnico Holandês. ε = 2.11 indicam-se as respectivas trajectórias no espaço de estado. façam-se as mudanças de variável x1 = v e x2 = v . 1889-1959. para dois valores distintos de ε.7 .20) que é a equação de Van der Pol(3). por exibir um ciclo limite. conduz às soluções apresentadas na Fig. Na Fig. Controlo Não Linear – Gustavo da Silva – Pág.20).

22) Repare-se que para valores muito pequenos de v se tem (1–v ) ≈ 1. linearidade que estabiliza o sistema: o termo –ε(1-v2)v amplifica v se |v| < 1 e amorteceo se |v| > 1. devido à existência de ε ≠ 0. Considere-se o caso em que ε > 0 e o estado inicial é v = 0 e v = 0. Pág. Compare-se agora a equação (7. não tem soluções periódicas. É a existência da não . 7. No entanto. 198 – Escola Superior de Tecnologia de Setúbal – Controlo Não Linear – Gustavo da Silva .2 x2 ε = 2. Para ε > 0 as soluções crescem indefinidamente com o tempo e para ε < 0 decrescem e tendem para zero.22). Este fenómeno dá origem a uma solução periódica.0 x1 x1 Fig. Qualquer perturbação em v faz com que este comece a aumentar.11– Diagramas de estado da equação de Van der Pol.7 . A equação (7. a partir de uma certa amplitude o termo (1-v2) começa a ser francamente diferente de 1 .20) com a sua correspondente linear v −εv + v = 0 2 (7.EXEMPLOS DE SISTEMAS NÃO LINEARES x2 ε = 0.

23) A aplicação das leis da mecânica conduz às equações diferenciais mr − mrθ 2 = f (r )   rθ + 2rθ = 0  Substituindo f(r) pelo seu valor dado por (7. y r • m P f(r) θ O x Fig. Movimento de dois corpos com forças centrais Este caso é de extrema importância em astronomia. A força f(r). efectuem-se as seguintes mudanças de variável : Escola Superior de Tecnologia de Setúbal – Controlo Não Linear – Gustavo da Silva – Pág.25) (7. ou seja.12– Corpo de massa m sujeito a uma força central. Seja um corpo de massa m sujeito a uma força central f(r). 7. dirigida para a origem.23) e dividindo por m vem: GM  2  r − rθ + 2 = 0 r   rθ + 2rθ = 0  x1 = r Obtêm-se as equações de estado: x2 = r x3 = θ x4 = θ (7. é dirigida de P para O e tem o valor f (r ) = −G mM r2 (7. 7.24) Para se obter um modelo de estado. devido à lei de atracção de massas.4. Serão utilizadas coordenadas polares. 199 .EXEMPLOS DE SISTEMAS NÃO LINEARES 7. Trata-se por exemplo da trajectória de um planeta P de massa m que se movimenta em torno de uma estrela O de massa M muito maior que m. como se indica na Fig.7 .12.

isto é a trajectória no plano (r. Uma vez que G e M são constantes. A zona de transição corresponde à órbita parabólica.26) A equação de estado contém duas equações lineares e duas equações não lineares.EXEMPLOS DE SISTEMAS NÃO LINEARES  x1 = x2  2  x2 = x1 x3 − GM x1    x3 = x4  2x x  x4 = 2 4 x1   (7. θ). Pág. o comportamento do movimento de um planeta de massa m em torno de uma estrela de massa M vai depender exclusivamente das suas condições iniciais. De acordo com os valores iniciais x0 = [ r0 r0 θ 0 θ 0 ] assim a órbita será elíptica ou um ramo de hipérbole. A órbita do planeta. uma vez que não há outros parâmetros ou solicitações. no sentido geométrico. 200 – Escola Superior de Tecnologia de Setúbal – Controlo Não Linear – Gustavo da Silva .7 . será a trajectória no sub-espaço de estados x1 x3 .

A taxa de crescimento “per capita” da espécie 2 tem uma constituição semelhante. 4 5 Vito Volterra. Os pontos de equilíbrio obtêm-se resolvendo o sistema (a − bx1 − σ x2 ) x1 = 0  (c −ν x1 − dx2 ) x2 = 0 (7. 1860-1940. Alfred James Lotka.29) obtendo-se os 3 pontos 0  xe1 =  c    d    a xe 2 =  b    0     ad − σ c   bd −νσ  xe3 =    bc − aν   bd −νσ    (7.5. c. ν > 0. 201 . –bx1. b. a taxa devida à competição “intra-espécie”. Matemático Italiano. O ponto de equilíbrio xe3 estável se bd > vσ (nestas condições exige-se que ad > σc e bc < av). e a taxa da competição “inter-espécie” –σx2. σ.27) com a.EXEMPLOS DE SISTEMAS NÃO LINEARES 7. o sistema pode ser modelado pelo sistema de equações diferenciais não lineares  x1 = (a − bx1 − σ x2 ) x1   x2 = (c −ν x1 − dx2 ) x2 (7.2). 1860-1949. d. Este problema foi estudado por Volterra(4) e por Lotka(5).7 .30) Os pontos de equilíbrio xe1 e xe2 são instáveis e correspondem à extinção das espécies 1 e 2 respectivamente. Nas equações acima a taxa de crescimento “per capita” da espécie 1 é dada por x1 = a − bx1 − σ x2 x1 (7. Biofísico Americano. Uma condição necessária para a coexistência indefinida das duas espécies é que exista pelo menos um ponto de equilíbrio tal que x1e > 0 e x2e > 0. Interacção entre espécies animais Descreve-se a seguir o exemplo clássico relativo à interacção entre populações.28) Observe-se que é constituída por três termos: a taxa de crescimento a da população x1 isolada. Escola Superior de Tecnologia de Setúbal – Controlo Não Linear – Gustavo da Silva – Pág. Qual a evolução das respectivas populações? Designando por xi o número de indivíduos da espécie i (i=1. e pode equacionar-se do seguinte modo: Duas espécies animais semelhantes competem entre si num ambiente em que os recursos alimentares são limitados.

No tanque. por unidade de volume. O reactor é alimentado com um reagente A. cB. caudal q e temperatura Ti.31) (7. e com massa volúmica ρ. No interior do reactor.6.33) Pág. Reactor químico continuamente agitado O reactor químico continuamente agitado. T Fig.32) A velocidade de reacção. à temperatura T. originando o produto B A→B (7.13– Reactor químico continuamente agitado.EXEMPLOS DE SISTEMAS NÃO LINEARES 7. de concentração cAi. representado esquematicamente na Fig. cA. ρ. de volume V. é proporcional à concentração de A r = kc A com r=− dc A dcB = dt dt (7. Admite-se que por acção do agitador a mistura é homogénea e de composição igual em todas as zonas no interior do reactor. encontra-se uma mistura de dois reagentes A e B. 7. 202 – Escola Superior de Tecnologia de Setúbal – Controlo Não Linear – Gustavo da Silva . motor do agitador válvula de segurança Reagente A q cAi Ti ~~~~~~~~~~~~~~~~~~~~~~~~ V. é refrigerado por meio de um permutador de calor. T agitador Refrigerante qc Tci permutador de calor qc T c Reagentes A e B q. O reactor. Para que a mistura seja bem feita esta está continuamente a ser agitada. CSTR (“Continuous Stirred Tank Reactor”) é cons