Apostila Robusto PDF

Universidade Federal de Santa Catarina
Programa de Po s-Graduaca~o em Engenharia Eletrica

Laborato rio de Controle e Micro-Informatica
Controle Robusto
Prof. Alexandre Trono
Florianopolis, Agosto de 2000

Prefacio
Este documento pretende ser uma apostila para a disciplina de Controle Robusto da Pos-Graduaca~o da
Engenharia Eletrica da Universidade Federal de Santa Catarina. A ideia basica da apostila e apresentar
alguns resultados da area de Controle Robusto e Filtragem Robusta de forma simplicada, propor exerccios
e um conjunto de referências bibliogracas que permitam ao aluno avancar de forma orientada nos temas
em quest~ao.
Os metodos de analise e projeto de ltros e controladores aqui apresentados seguem uma linha central
que consiste em exprimir a soluc~ao dos problemas de controle e ltragem como Desigualdes Matriciais
Lineares (LMIs). A grande vantagem de se trabalhar com LMIs e que estas desigualdes possuem propriedades
importantes tais como convexidade e exibilidade para tratar problemas mistos de performance e robustez.
Alem disso ja existem no mercado pacotes computacionais ecientes para se resolver problemas envolvendo
LMIs. Como os problemas de controle e ltragem n~ao se apresentam naturalmente sob a forma de LMIs,
algumas ferramentas matematicas s~ao necessarias para se obter a respectiva formulac~ao LMI do problema em
quest~ao. A apostila apresenta as ferramentas mais utilizadas, mostra como utiliza-las atraves de exemplos e
aponta uma vasta bibliograa onde resultados relacionados podem ser encontrados.
A maior parte dos resultados atualmente disponveis nessa linha se aplicam na analise e sntese de contro-
ladores e ltros para sistemas lineares incertos e muito resta a ser feito, principalmente no caso de sistemas
hbridos e n~ao lineares. Alguns resultados nessa areas s~ao discutidos como topicos avancados no nal da
apostila.
Gostaria de agradecer o Daniel Coutinho e a Karina Barbosa pelo excelente trabalho de organizac~ao e
confecc~ao dessa apostila. Agradeco tambem o Jose de Oliveira e a Sonia Palomino pela confecc~ao dos
captulos sobre sistemas LPV e sistemas hbridos.
Finalmente e importante lembrar que esta apostila e a primeira vers~ao de um trabalho de equipe e que
certamente necessita de melhoramentos. Mas isso vira com o tempo e t~ao mais rapido quanto maior for a
sua colaborac~ao.
Florianopolis, 17 de Agosto de 2000.
Prof. Alexandre Trono
Conteudo
Parte I: Conceitos Fundamentais 1
1 Sistemas Dinâmicos Incertos 3
1.1 Introduc~ao . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 3
1.2 Exemplos de Sistemas Dinâmicos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 4
1.2.1 Descric~ao das incertezas . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 5
1.3 Atividades . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 9
1.4 Referências Complementares . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 10
2 Estabilidade e Performance de Sistemas por LMIs 11

2.1 Introduc~ao . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 11
2.2 Estabilidade Quadratica . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 12
2.3 Inequac~oes Matriciais Lineares - LMI . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 15
2.3.1 Propriedades de LMI . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 16
2.3.2 Ferramentas para a formulac~ao de um problema de controle em uma LMI . . . . . . . 17
2.3.3 Problema LMI: Formulac~ao e Soluc~ao . . . . . . . . . . . . . . . . . . . . . . . . . . . 21
2.4 Pacotes Computacionais . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 21
2.4.1 Complexidade computacional . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 22
2.4.2 Exemplo de Aplicac~ao do LMITOOL . . . . . . . . . . . . . . . . . . . . . . . . . . . . 22
2.5 Normas de Sistemas . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 25
2.5.1 Norma H2 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 26
2.5.2 Norma H1 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 29
2.6 Atividades . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 30
3 Sntese de Controladores 33
3.1 Introduc~ao . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 33
3.2 Realimentac~ao de Estados . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 33
v
3.3 Realimentac~ao de Sada . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 41
3.3.1 Realimentac~ao Estatica de Sada . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 41
3.3.2 Realimentac~ao Dinâmica de Sada . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 43
3.4 Controle sujeito a restric~oes . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 44
3.5 Atividades . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 48
4 Sistemas Discretos - Analise, Performance e Sntese 51

4.1 Introduc~ao . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 51
4.2 Estabilidade Quadratica . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 51
4.3 Performance de Sistemas . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 53
4.4 Realimentac~ao de Estados . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 55
4.5 Estabilizac~ao Quadratica . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 55
4.6 Atividades . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 58
5 Estabilidade Dependente dos Parâmetros 61

5.1 Introduc~ao . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 61
5.2 Estabilidade Am Quadratica (Matriz P () am em ) . . . . . . . . . . . . . . . . . . . . . . 62
5.2.1 Sistemas com Incertezas Invariantes no Tempo . . . . . . . . . . . . . . . . . . . . . . 63
5.2.2 Sistemas Incertos com taxa de variac~ao limitada . . . . . . . . . . . . . . . . . . . . . 67
5.3 Estabilidade Bi-Quadratica . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 69
5.4 Atividades . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 72
Parte II: Conceitos Avancados 75

6 Sistemas LPV 77
6.1 Introduc~ao . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 77
6.2 Norma H2 para Sistemas Variantes no Tempo . . . . . . . . . . . . . . . . . . . . . . . . . . . 77
6.2.1 Norma H1 para Sistemas Variantes no Tempo . . . . . . . . . . . . . . . . . . . . . . 79
6.3 Analise de Sistemas LPV . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 80
6.3.1 Estabilidade Robusta . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 80
6.3.2 Performance robusta em H2 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 81
6.3.3 Performance robusta em H1 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 82
6.4 Sntese para Sistemas LPV . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 83
6.4.1 Estabilizac~ao robusta . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 83
6.4.2 Estabilizac~ao robusta empregando norma H2 . . . . . . . . . . . . . . . . . . . . . . . 86
6.4.3 Estabilizac~ao robusta empregando a norma H1 . . . . . . . . . . . . . . . . . . . . . . 87
6.5 Atividades . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 88
7 Analise de Sistemas N~ao Lineares 91

7.1 Introduc~ao . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 91
7.2 Formulac~ao do Problema . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 92
7.3 Representac~ao por Frac~oes Lineares . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 93
7.3.1 Representac~ao LFR . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 93
7.3.2 Analise de Sistemas LFR . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 94
7.3.3 Regi~ao de Atrac~ao . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 96
7.4 Func~oes de Lyapunov Polinomiais . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 98
7.4.1 Representac~ao por Frac~oes Racionais . . . . . . . . . . . . . . . . . . . . . . . . . . . . 100
7.4.2 Analise de Estabilidade . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 101
7.4.3 Regi~ao de Atrac~ao . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 104
7.5 Atividades Complementares . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 107
8 Analise de Estabilidade de uma classe de Sistemas Hbridos 109

8.1 Introduc~ao . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 109
8.2 Sistemas Chaveados: uma classe de Sistemas Hbridos . . . . . . . . . . . . . . . . . . . . . . 110
8.2.1 Exemplos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 111
8.3 Estabilidade . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 113
8.4 Estabilidade de Sistemas Hbridos baseados em LMI's . . . . . . . . . . . . . . . . . . . . . . 114
8.4.1 Func~oes de Lyapunov Quadraticas por Partes . . . . . . . . . . . . . . . . . . . . . . . 114
8.4.2 Func~ao de Lyapunov dependente do estado . . . . . . . . . . . . . . . . . . . . . . . . 117
8.5 Sumario . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 122
9 Problema de Filtragem Robusta 123

9.1 Introduc~ao . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 123
9.2 Metodos Classicos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 123
9.2.1 Observadores de Luenberger . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 124
9.2.2 Filtro de Kalman . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 125
9.3 Modelagem do problema . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 127
9.3.1 Abordagem 1 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 129
9.3.2 Abordagem 2 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 133
9.4 Exemplo numerico . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 136
9.5 Atividades Complementares . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 138
Parte I:
Conceitos Fundamentais
Daniel F. Coutinho e Karina A. Barbosa

Captulo 1
Sistemas Dinâmicos Incertos
1.1 Introduc~ao
Todo modelo matematico e na verdade uma aproximac~ao do sistema fsico real. Consequentemente, o modelo
matematico obtido pode apresentar diferentes tipos de incertezas, decorrentes de dinâmicas n~ao modeladas,
incertezas parametricas, rudos, linearizac~ao, etc. Dependendo da sua origem estas incertezas podem ser
classicadas como estruradas, n~ao estruturadas, parametricas ou n~ao parametricas.
E de suma importância que as incertezas sejam levadas em conta na analise e/ou projeto de controladores
para o sistema. Para tal e conveniente representar o modelo fsico por um sistema incerto, constitudo do
modelo matematico (sistema nominal) mais incertezas em torno deste, sendo a analise ou projeto feita em
torno do sistema incerto.
Varias diculdades surgem ao se trabalhar com sistemas incertos. Uma das principais e como modelar e
descrever as incertezas no problema. Incertezas descritas de forma generica podem acarretar restric~oes na
busca de soluc~oes. A este processo de busca de soluca~o de um problema de controle envolvendo o sistema
nominal e uma famlia de incertezas em torno dele, chama-se de Controle Robusto. No Controle Robusto
busca-se tambem minimizar o efeito sobre certas variaveis do sistema devido a perturbac~oes externas a este,
como rudos, mudancas de temperatura, rajadas de vento, etc. Um esquema geral de um sistema de Controle
Robusto pode ser visto na Figura 1.1.
Perturbaco~es Externas
Planta
Referência Controlador Controle Sada Medida
Parcialmente desconhecida
Dinâmicas n~ao modelaveis
Geralmente n~ao linear
Sensor
Rudos
Figura 1.1: Diagrama de Blocos de um sistema de Controle Robusto

Logo, a quest~ao chave em Controle Robusto e minimizar a in uência das incertezas e das perturbac~oes que
atuam no sistema. Este problema pode ser dividido em duas partes: um problema de estabilizac~ao robusta
e outro de desempenho robusto. No primeiro caso, busca-se manter o sistema estavel para uma dada classe
3
4 CAPITULO 1. SISTEMAS DINAMICOS INCERTOS
de incertezas e, no segundo, minimizar a in uência das perturbac~oes externas em relac~ao ao criterio de
desempenho escolhido.
Para ilustrar como as incertezas e perturbac~oes podem aparecer na modelizac~ao dos sistemas, apresentamos
a seguir dois exemplos. No primeiro, tem-se o problema de controle de posic~ao de um pêndulo invertido e
no segundo o controle de posic~ao longitudinal de um avi~ao.
1.2 Exemplos de Sistemas Dinâmicos

Exemplo 1: Controle de Posic~ao de um Pêndulo Invertido.
O sistema mostrado na Figura 1.2 e constitudo de um pêndulo invertido de massa uniforme m e de compri-
mento 2l e de um carrinho de massa M . O movimento do sistema e denido pela posic~ao z (t) do carrinho e
o ângulo (t) entre o pêndulo e o eixo vertical.
m
(t)
z(t)
2l z
0 cm
u(t)
M
CM
Figura 1.2: Pêndulo invertido

Na modelagem matematica deste sistema considera-se a presenca de atrito entre o pêndulo e o carrinho cm ,
na roda do carrinho CM , e JM que e momento de inercia. Para evitar a formulac~ao n~ao linear do sistema,
vamos simplica-la considerando que o ângulo e pequeno tal que:
cos()
= 1 sen()
= _2
=0
Considere que os estados do sistema s~ao
xp := [z; ; z;_ _]0

e a representac~ao por variaveis de estados do sistema linearizado:
20 0 1 0 3 20 3
x_ p (t) =
66 0 0 0 1 77 x (t) + 66 0 77 u(t)
4 0 a1 a2 a3 5 p 4b 1 5
0 a4 a5 a6 b2 (1.1)
c
y(t) 2 0 0 0
= 0 c3 0 0 xp (t):
1.2. EXEMPLOS DE SISTEMAS DINAMICOS 5
onde xp (t) e o vetor de estados, u(t) o vetor das variaveis de controle e y(t) o vetor de sada, e as variaveis
escalares s~ao dadas por
a1 = d1 m2 gl2; a2 = d1 cM (Jm + ml2 )

a3 = 1d cm l; a4 = 1d mgl(M + m)
a5 = 1d cM ml; a6 = d1 cm (M + m) (1.2)
b1 = d1 c1 (Jm + ml2); b2 = d1 c1 ml
d = (M + m)Jm + mMl2;
Um conjunto de valores numericos usado neste sistema pode ser encontrado, por exemplo em [1].
Na pratica, os valores dos coecientes de atrito cm e CM s~ao incertos, ou seja tem-se apenas uma noca~o
de que faixa de valores que eles podem assumir. Assume-se que estes dois parâmetros s~ao incertos com a
seguinte variac~ao :
cm
= (1 + 1 )cm e CM
= (1 + 2 )CM
Com isso o sistema (1.1) pode ser reescrito como
x_ p (t) = A()xp (t) + Bu(t) (1.3)

y(t) = Cxp (t)
onde
20 0 1 0
3 20 3
6
A() = 64 00 a0 0 1 77 ; B = 66 0 77 ; C = c2 0 0 0

(1.4)
1 (1 + 1 )a2 (1 + 2 )a3 5 4 b1 5 0 c3 0 0
0 a4 (1 + 1 )a5 (1 + 2 )a6 b2
1.2.1 Descric~ao das incertezas

Um grande problema ao se trabalhar com sistemas incertos e como tratar a incerteza na formulac~ao nal
do problema, pois dependendo do tipo de incerteza, pode-se inserir mais restric~ao na busca de soluca~o do
problema.
Uma primeira alternativa seria descrever os possveis valores que a matriz A() pode assumir atraves de uma
combinac~ao convexa dos valores extremos assumidos pelas incertezas. Supondo que:
2 B = f i : ji j i , i = 1; :::; qg
onde B representa um politopo 1 com 2q vertices, onde q e o numeros de incertezas no problema.

Para o exemplo suponhe-se que 1 < 1 < 1 e 2 < 2 < 2 e
A() = A1 q1 + A2 q2 + A3 q3 + A4 q4
Com q1 + q2 + q3 + q4 = 1 e qi 0, onde as matrizes Ai s~ao construdas nos vertices do Politopo, mostrado

na Figura 1.3.
1 Politopo e um conjunto convexo fechado, que pode ser representado pela combinac~ao convexa dos vertices, ou por inequac~oes
matriciais, para mais detalhes sobre politopo veja [2]
20 0 1 0
3
A1 (1 ; 2 ) =
66 0 0 0 1 77
4 0 a1 (1 + 1 )a2 (1 + 2 )a3 5
0 a4 (1 + 1 )a5 (1 + 2 )a6
20 0 1 0
3
A2 ( 1 ; 2 ) =
66 0 0 0 1 77
4 0 a1(1 1 )a2 (1 + 2 )a3 5
0 a4 (1 1 )a5 (1 + 2 )a6
20 0 1 0
3
A3 (1 ; 2 ) =
66 0 0 0 1 77
4 0 a1(1 + 1 )a2 (1 2 )a3 5
0 a4 (1 + 1 )a5 (1 2 )a6
20 0 1 0
3
A4 ( 1 ; 2 ) =
66 0 0 0 1 77
4 0 a1(1 1 )a2 (1 2 )a3 5
0 a4 (1 1 )a5 (1 2 )a6
2
( 1 ; 2 ) (1 ; 2 )
1
( 1 ; 2 ) (1 ; 2 )
Figura 1.3: Representac~ao de um politopo

Este tipo de abordagem para descrever as incertezas e conhecido como abordagem politopica e formalmente
e enunciada a seguir.
Denic~ao 1.2.1 A classe de matrizes A() com incertezas na forma politopica pode ser descrita pelo con-
junto
X
j X
j
A = fA : A = qi Ai ; qi = 1; qi 0g (1.5)
i=1 i=1
onde o conjunto A e convexo, fechado e as matrizes Ai s~ao conhecidas.

Uma caracterstica importante deste tipo de abordagem para descrever as incertezas e a convexidade do
conjunto resultante, isto e, tem-se pela propriedade de convexidade que se um conjunto de restrico~es de
desigualdades e igualdades estiver satisfeito nos vertices, ent~ao garante-se que estas mesmas restrico~es est~ao
satisfeitas no interior da regi~ao formada por estes vertices. Entretanto, surge o problema da explos~ao
1.2. EXEMPLOS DE SISTEMAS DINAMICOS 7
exponencial das condic~oes a serem testadas, pois ao testar, por exemplo, as condic~oes para um sistema com
3 elementos incertos, tem-se que vericar 23 vertices, ou seja, tem-se que testar as condic~oes 8 vezes.
Outra forma de declarar as incertezas, e representar o sistema por LFT 2 (Linear Fractional Transformation).
Basicamente, nesta formulac~ao, busca-se representar o sistema incerto atraves de um sistema invariante no
tempo interconectado a um bloco incerto, como no sistema realimentado mostrado na Figura 1.4.
w x_ = A0 x + Ew z
z = Hx
Figura 1.4: Sistema LFT

Assim pode-se descrever o sistema (1.3) n~ao forcado, ou seja, somente a parte incerta, como:
x_ = A0 x + Ew
z = Hx (1.6)
w = z
onde
20 0 1 0 3 2 0 0 3
6 7 6 7 0 0 1 0 0
6 0 0 0 1 7 6 0 0 7
A0 = 4 0 a a a 5 , E = 4 a a 5 , H = 0 0 0 1 , = 01
1 2 3 2 3 2
0 a4 a5 a6 a5 a6
Em geral, o bloco incerto e uma matriz bloco diagonal, limitada em norma. Com isso a incerteza na
representac~ao LFT e vista como uma restric~ao 3 .
Note que esta forma de representac~ao e equivalente a redenirmos a matriz incerta A() da seguinte forma:
A() = A0 + E H . Desta forma pode-se apresentar a seguinte denic~ao
Denic~ao 1.2.2 A classe de matrizes A() com incerteza limitada em norma pode ser descrita pelo conjunto
A = A() = fA : A = A0 + E H g (1.7)
onde = diag(Ii i ) i : 1; :::; q e kk .

Exemplo 2: Controle de Posic~ao Longitudinal de uma Aeronave

O avi~ao F-8 e um projeto antigo que tem sido utilizado pela NASA no seu projeto de pesquisa \ y-by-wire",
[7]. Assumindo que a aeronave esteja voando a uma altitude constante em equilbrio, podemos linearizar as
equac~oes aerodinâmicas n~ao lineares. Desta forma, desacoplamos a dinâmica longitudinal da lateral, [8].
Pode-se caracterizar a dinâmica longitudinal da aeronave pela seguinte escolha de variaveis , veja detalhes
na gura (1.5).
2 Mais detalhes sobre sistemas na forma LFT podem ser obtidos em [3, 4, 5, 6].
3 Veja exemplo (2.3.5).
(t) e a velocidade horizontal;
(t) e o ângulo de inclinac~ao com a horizontal (\pitch angle");
q(t) e a taxa de variac~ao de (t);
(t) e o ângulo de ataque;
(t) = (t) (t) e o ângulo de voo.
Para controlar o movimento longitudinal existem os \elevators", ue (t), e os \ aperons", uf (t), que s~ao iguais
aos \elevators" exceto pelo movimento na mesma direc~ao.

As variaveis mensuraveis s~ao os ângulos de inclinac~ao horizontal e de vôo y(t) = (t)

(t) .
0
Figura 1.5: Denic~ao das Variaveis para a dinâmica longitudinal para o F-8
As rajadas de vento, w(t), provocam disturbios no movimento longitudinal do avi~ao, afetando primeiro o
ângulo de ataque (t).
Outro problema a ser considerado e a dinâmica n~ao modelada associada a exibilidade da estrutura do avi~ao
ocasionando incertezas no modelo do movimento longitudinal do avi~ao.
Considerando o seguinte vetor de estados

x(t) = (t) (t) q(t) (t)
0
podemos modelar as equac~oes linearizadas do movimento longitudinal do avi~ao F-8 pela seguinte represen-
tac~ao por variaveis de estado
(
x_ (t) = A() x(t) + Bu u(t) + Bw w(t) (1.8)
y(t) = C x(t)

com u(t) = ue (t) uf (t)
0
e
2 0 0 1 0
3 2 0 0
3
6
A() = 64 (1:5 + 0:1) (1:5 + 0:5) 0 0:0057 77 ; B = 66 0:16 0:8 77 ;
(12 + 1) (12 + 1) (0:6 + 0:06) 0:0344 5 u 4 19 3 5
(0:8520 + 0:1) (0:29 + 0:1)

0
1 0 0:00140 0:015 0:0087
Bw = 0 1:71885 13:7508 0:332311 ; C = 0 1 0 0
0
1.3. ATIVIDADES 9
A variac~ao parametrica e sua taxa de variac~ao ao longo do tempo, _ , est~ao limitadas as seguintes regi~oes:
2 f 1; 1g e _ 2 f 10; 10g.
O objetivo de controle do sistema e diminuir os efeitos da perturbac~ao do vento, apesar das variac~oes no
parâmetro e das restric~oes nas entradas de controle (saturac~ao): jue (t)j ue e juf (t)j uf .
1.3 Atividades
1. No exemplo (1) o efeito das perturbac~oes externas n~ao foi modelado. Mas na pratica sabe-se que o
sistema sempre sofre algum tipo de perturbac~ao. Considere ent~ao que o sistema esta sujeito a in uência
de uma rajada de vento, na base do carrinho de direca~o contraria a forca aplicada e de intesidade de
forca bw . Insira no modelo matematico esta perturbac~ao.
2. Considerando o sistema do exemplo (2):
Obtenha a representac~ao politopica.
Obtenha a descric~ao na forma LFT, abaixo descrita, com incerteza limitada em norma;
8 x_ = Ax + B p + B u + B w
>
>
< q = Cq x + Dpqp p + uDqu u +wDqw w
>
: y = Cy x + Dypp + Dyw w
>
p = q , jj
O modelo (1.8) e uma aproximac~ao linear em torno do ponto de equilbrio do sistema n~ao linear
real. Como poderamos incluir neste sistema os erros entre o modelo linear e o n~ao linear.
3. Para os artigos [9, 10, 11, 12, 13, 14, 15] analise os sistemas a serem controlados com relac~ao aos
seguintes itens:
Modelo Linear ou N~ao Linear;
Perturbac~oes;
Incertezas;
Restric~oes no Controle;
Outras fontes de erro.
4. Considere o seguinte sistema mecânico, visto na gura (1.6).
m
y(t)
k c
Figura 1.6: Sistema Massa-Mola-Amotecedor

A equac~ao dinâmica de movimento do sistema pode ser descrita por:
y + mc y_ + mk y = m
F
onde y e o deslocamento vertical, m e a massa do bloco, k e a constante da mola, c e o coeciente de

amortecimento e F e a forca externa aplicada ao bloco.
Suponha que os parâmetros fsicos k, c, n~ao s~ao conhecidos exatamente, mas acredita-se pertencerem
a um intervalo conhecido. Em particular, o coeciente de amortecimento c encontra-se entre +=
20% do seu valor nominal c0 , e a constante da mola esta entre += 30% do seu valor nominal k0 .
Introduzindo variaveis parametricas c , k 2 B = f 1; 1g, podemos redenir c, k como
c = c0 (1 + 0:2c) , k = k0 (1 + 0:3k )
Para o sistema acima, determine as representac~oes politopica e na forma LFT. Considere a seguinte
denic~ao de variaveis: x1 = y, x2 = y_ , u = F , c = 1 e k = 2 .
1.4 Referências Complementares

Alem das referências ja citadas, pode-se buscar mais informac~oes a respeito de controle Robusto e sistemas
com incertezas nos livros [16, 17, 18], nas dissertac~oes de mestrado [19, 20, 21] e nos exames de qualicaca~o
[22, 23].
Captulo 2
Estabilidade e Performance de
Sistemas por LMIs
2.1 Introduc~ao
A teoria de controle robusto evoluiu consideravelmente ao longo das ultimas decadas, apresentando soluc~oes
para varios tipos de problemas de Analise, Performance e Sntese de sistemas lineares incertos. Essas
soluc~oes faziam uso de um ferramental diverso, envolvendo problemas de otimizac~ao, teorema do pequeno
ganho, equac~oes de Riccati, valores singulares (-analysis), func~oes de ponderac~ao, transformac~oes lineares,
teoria estatstica, entre outras.
Recentemente, as inequac~oes matriciais lineares (LMI) se tornaram, com o surgimento de pacotes compu-
tacionais ecientes, uma excelente ferramenta na procura de soluc~oes para os mais diversos problemas de
controle. Uma das grandes virtudes da abordagem LMI e a de possibilitar o tratamento simultâneo de varios
requisitos de performance e robustez.
Neste captulo, apresentamos os conceitos basicos para formulac~ao LMI na analise e performance de sistemas
lineares para os casos invariante no tempo e incerto. Para tal, este captulo esta dividido da seguinte maneira.
Sec~ao (2.2): revis~ao da Teoria de estabilidade de Lyapunov, conceito de estabilidade quadratica, exem-
plos de analise de estabilidade e inequac~ao matricial de Lyapunov.
Sec~ao (2.3): a inequac~ao de Lyapunov dentro da abordagem LMI, ferramentas matematicas mais
utilizadas para obtenc~ao da formulac~ao LMI e exemplos de aplicac~ao.
Sec~ao (2.4): pacotes computacionais para soluc~ao de problemas LMI, complexidade computacional e
exemplos.
Sec~ao (2.5): criterios de desempenho (performance) de sistemas, normas H2 e H1 de sistemas e
exemplos de determinac~ao das normas por LMIs.
Sec~ao (2.6): exerccios e atividades complementares.
Sec~ao (2.7): referências bibliogracas complementares.
Notac~ao
Neste texto utiliza-se a notac~ao usual. In indica uma matriz identidade de ordem n n, 0nm indica uma
matriz de zeros de ordem n m e 0n indica uma matriz de zeros n n. P > 0 ( 0) signica que P e uma
matriz simetrica denida positiva (semi-denida positiva). A derivada temporal da func~ao v(t) e simbolizada
por v_ (t) onde o argumento (t) sera sempre omitido. A regi~ao politopica B representa os valores admissveis
das incertezas. A regi~ao Bx representa uma regi~ao na vizinhanca da origem do espaco de estados x(t).
11
12 CAPITULO 2. ESTABILIDADE E PERFORMANCE DE SISTEMAS POR LMIS
2.2 Estabilidade Quadratica
A estabilidade de um ponto de equilbrio e usualmente caracterizada pela teoria de Lyapunov. Intuitivamente,
a estabilidade de um sistema dinâmico esta relacionada com a func~ao \energia" deste sistema. Se a funca~o
energia do sistema e sempre n~ao negativa e decrescente com relac~ao ao tempo, as trajetorias do sistema
tendem a origem 1 .
Fazendo uma analise mais generica, a teoria de Lyapunov garante, para sistemas invariantes no tempo, que
o ponto de equilbrio e estavel se existe uma funca~o escalar (tipo energia) v(x) tal que:
v(x) > 0 , 8 x 6= 0 2 Bx, e

v_ (x) < 0 , 8 x 6= 0 2 Bx
onde Bx caracteriza uma regi~ao na vizinhanca do ponto de equilbrio (origem).
A caracterizac~ao de estabilidade para sistemas variantes no tempo deve ser mais rigorosa que a condica~o
acima.
Considere o seguinte sistema n~ao linear, variante no tempo.
x_ = f (t; x) (2.1)
com f (t; 0) = 0, onde x representa o vetor de estados e f (t; x) : [0; 1) Rn 7! Rn satisfaz as condic~oes de
existência e unicidade de soluc~ao. O proximo teorema caracteriza a estabilidade segundo Lyapunov para o
sistema (2.1), a prova e maiores detalhes sobre este teorema s~ao encontrados em [24].
Teorema 2.2.1 (Estabilidade Segundo Lyapunov)

Seja v(t; x) : [0; 1) Bx 7! R uma func~ao continuamente diferenciavel e sejam 1 (), 2 (), 3 () func~oes
de classe K tais que as seguintes condic~oes sejam satisfeitas para todo t t0 e todo x 2 Bx.
1 (kxk) v(t; x) 2 (kxk)
v_ (x) 3 (kxk) (2.2)
Logo, as seguintes sentencas s~ao verdadeiras.
A origem do sistema e Uniformemente Assintoticamente Estavel.

Se existirem constantes positivas 1 , 2 , 3 , tal que 1 (kxk) 1 kxk , 2 (kxk) 2 kxk e
3 (kxk) 3 kxk , ent~ao a origem do sistema e exponencialmente estavel.

Note que, se todas as condic~oes do teorema forem satisfeitas globalmente e 1 (kxk) for radialmente ilimitada,
ent~ao a estabilidade da origem e global 2 . Finalmente, para sistemas invariantes no tempo, v(t; x) pode ser
escolhida independente de t e a qualicac~ao uniformemente pode ser suprimida.
Uma das maiores diculdades na utilizac~ao do teorema (2.2.1) e a da obtenc~ao de uma func~ao de Lypunov
adequada para representar a estabilidade de um sistema dinâmico. Note que este teorema prop~oem con-
dic~oes apenas sucientes para estabilidade 3 e uma escolha inadequada de v(x) pode provocar um resultado
conservativo.
1 Que, sem perda de generalidade, consideraremos como sendo o ponto de equilbrio de interesse do sistema dinâmico.
2 Para sistemas lineares as condico~es de estabilidade s~ao sempre globais.
3 No caso de sistemas lineares invariantes no tempo, as condic~oes s~ao necessarias e sucientes.
2.2. ESTABILIDADE QUADRATICA 13
A classe de func~oes escalares v(x) para a qual a denic~ao de sinal pode ser facilmente vericada e a das
func~oes quadraticas
v(x) = x0 Px (2.3)
onde P e uma matriz constante, real e simetrica. Por exemplo, a condic~ao v(x) = x0 Px > 0 para todo
x 2 Bx e equivalente a determinarmos uma matriz P = P 0 > 0. Se exisir uma matriz P satisfazendo as
condic~oes do teorema (2.2.1) dizemos que o sistema dinâmico e quadraticamente estavel e que v(x) e funca~o
de Lyapunov quadratica. Observe que, como estamos restringindo a classe de func~oes candidatas a Lyapunov,
a estabilidade quadratica e potencialmente restritiva.
O proximo corolario prop~oe condic~oes sucientes para analise de estabilidade de sistemas na forma (2.1)
considerando as func~oes na forma quadratica (2.3).
Corolario 2.2.1 (Estabilidade Quadratica)

Seja Bx uma regi~ao na vizinhanca da origem.
O sistema (2.1) e quadraticamente estavel se existirem escalares positivos 1 , 2 , 3 e uma matriz P simetrica
tal que as seguintes condic~oes estejam satisfeitas para todo x 2 Bx e todo t > t0 .
1 x0 x v(x) = x0 Px 2 x0 x
v_ (x) 3 x0 x (2.4)
Em caso armativo, v(x) = x0 Px e uma func~ao de Lyapunov para a origem do sistema (2.1).

Exemplo 2.2.1 (Analise de Estabilidade de um sistema LTI)

Considere o seguinte sistema linear invariante no tempo (LTI).
x_ = A x (2.5)
onde x representa os estados do sistema e A e uma matriz constante.
Utilizando a noc~ao de estabilidade quadratica, obtenha uma condic~ao suciente para a estabilidade do sistema
(2.5).
) Soluc~ao:
Para determinarmos a estabilidade quadratica de um sistema linear invariante no tempo, devemos procurar
uma func~ao de Lyapunov v(x) > 0 tal que v_ (x) < 0.
Considere uma func~ao quadratica, v(x) = x0 Px, e o sistema (2.5). A express~ao de v_ (x) e dada por:
v_ = x_ 0 Px + x0 P x_ = x0 (A0 P + PA)x
Ent~ao, podemos escrever que: v(x) > 0 , 9 P = P 0 > 0 e v_ (x) < 0 , (A0 P + PA) < 0.
Logo, uma condic~ao necessaria e suciente para este sistema ser globalmente quadraticamente estavel e:
9 P = P 0 > 0 : A0 P + PA < 0 (2.6)
A relaca~o acima e conhecida na literatura como inequac~ao de Lyapunov para sistemas lineares.
444
Exemplo 2.2.2 Determine analiticamente a estabilidade do seguinte sistema LTI, utilizando as condic~oes
propostas no exemplo anterior.
x_ 1 0 x
1 1
x_ 2 = 0 1 x2 (2.7)
Considere a func~ao de Lyapunov: v(x) = x0 Px com P dado por:

a 0
P= 0 b
) Soluc~ao:
O sistema (2.7) e quadraticamente estavel se:

9 a > 0, b > 0 tais que A0 P + PA < 0 )
1 0

a 0 + a 0
1 0 =

0 1 0 b 0 b 0 1
a 0 a 0 2a 0
0 b + 0 b = 0 2b < 0
Isto e, 9 P = P 0 > 0 8 a; b > 0 tal que A0 P + PA < 0, assegurando a estabilidade do sistema.
Logo, o sistema LTI (2.7) e quadraticamente estavel.
444
Exemplo 2.2.3 (Sistema Linear a Parâmetro Variante - LPV)

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

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

X
m
F (x) = F0 + xi Fi > 0 (2.11)
i=1
onde x = (x1 ; x2 ; :::; xm ) e o vetor de variaveis de decis~ao; Fi 2 Rnn para i = 0; :::; m s~ao matrizes
simetricas dadas.

Normalmente uma LMI n~ao aparece na forma (2.11), mais sim na forma matricial como a inequac~ao de
Lyapunov (2.6). Para reescrever esta inequac~ao na forma (2.11), busca-se encontrar os valores de Fi tal que:
X
F (P ) = A0 P + PA = F0 + xi Fi xi = fPkj ; :::Pnn g (2.12)
No exemplo a seguir, note que a transposic~ao da forma (2.11), para a forma matricial e apenas uma quest~ao
de notac~ao. Entretanto, esta transformac~ao n~ao e necessaria, ja que a forma matricial e a forma padr~ao de
entrada dos pacotes computacionais existentes.
Exemplo 2.3.1 Considere

1 1 x

x_ =1 2 (2.13)
pela condic~ao de estabilidade de Lyapunov este sistema
P ser aestavel se 9P > 0 tal que V (x) = x0 Px > 0 com
P > 0 e V_ (x) = x0 (A0 P + PA)x < 0, onde P = P10 P2 . P
2 4
Fazendo x1 = P1 ; x2 = P2 ; x3 = P20 ; x4 = P4 ; em (2.12) tem-se que

1 1 0P +P
1 1
1 2 1 2 = F0 + P1 F1 + P2 (F2 + F3 ) + P4 F4
Resolvendo a multiplicac~ao matricial em (2.12) e igualando com (2.11) obtem-se

F1 = 12 10 ; F2 = 10 13 ;

1 0 ; F = 0 1

F3 = 3 1 4 1 2
444
Note que um conjunto de n LMIs pode ser visto como uma unica LMI. Por exemplo, procurar a soluca~o de
F1 (x) > 0, F2 (x) > 0, ... Fn (x) > 0 e equivalente a procurar a soluc~ao para
F (x) = diag(F1 (x); : : : Fn (x)) > 0;
onde diag(F1 (x); : : : Fn (x)) e uma matriz bloco diagonal com F1 (x); : : : Fn (x) na diagonal.
Mas qual a vantagem em se ver um problema de controle como uma LMI?
Uma das facilidades no uso de LMIs na teoria de controle e a existência de pacotes computacionais para a
sua soluc~ao numerica de forma eciente. Outro ponto de suma importância e que na abordagem LMI a busca
de soluc~oes para problemas mais complexos, principalmente quando ha presenca de elementos incertos, pode
ser simplicada devido as propriedades de convexidade e linearidade.
2.3.1 Propriedades de LMI

Linearidade
Na realidade a func~ao F (x) e uma funca~o am, pois em (2.11) para x=0 tem-se F (0) = F0 . Mas
tornou-se usual chama-la de LMI pois tem-se que esta inequac~ao am pode facilmente ser transposta
numa inequac~ao linear pela simples troca de coordenadas. Para mais detalhes veja [21, 2].
Convexidade
Denic~ao 2.3.2 Um conjunto X e convexo se 8x; y 2 R e todo com 0 < 1 tem-se
x + (1 )y 2 X

Ou seja um conjunto X sera convexo se para quaisquer dois pontos x e y 2 X o segmento de reta
unindo estes pontos tambem pertenca a este conjunto.
Pela teoria dos conjuntos tem-se que todo conjunto am sera sempre convexo 5 . Ent~ao tem-se que o
conjunto soluc~ao de uma LMI sendo am e tambem convexo. Note que uma LMI sera tambem convexa
nos dados se as matrizes Fi s~ao ans em .
5 O contrario n~ao e verdade, pois nem todo conjunto convexo e am, veja por exemplo o caso de um cubo no R , que e
n
convexo mas n~ao am.

A caracterstica de convexidade e das mais importantes propriedades das LMI, pois facilita, principalmente,
a busca de soluc~ao para sistema incertos. Por exemplo, considere que no exemplo anterior a matriz A na
equac~ao (2.13) dependa de , ou seja, 1 1
A() = 1 + 2
Estamos interessados em analisar a estabilidade deste sistema, considerando que as incertezas estejam des-
critas na forma politopica, para tal considere que 2 B = fmin max g. Note que para vericar a
estabilidade deste sistema temos que testar a condic~ao de Lyapunov (2.6) para todos os valores de 2 B ,
ou seja, encontrar uma matriz positiva denida P tal que
8 2 B : A()0 P + PA() < 0

Note que este e um problema de dimens~ao innita, de dicil soluc~ao. Mas como a matriz A() e am em
e aparece de forma linear na inequac~ao de Lyapunov, pode-se pela propriedade de convexidade testar a
condic~ao acima apenas para os vertices da regi~ao B . Ou seja, se existe uma matriz P > 0 tal que
A(min )0 P + PA(min ) < 0
A(max )0 P + PA(max ) < 0
garantimos, assim, que para toda a regi~ao B o sistema sera estavel e v(x) = x0 Px sera uma func~ao de
Lyapunov para o sistema.
2.3.2 Ferramentas para a formulac~ao de um problema de controle em uma LMI

Nem todo resultado da teoria de controle aparece diretamente na forma de uma LMI, como a equac~ao de
Lyapunov. Mas algumas ferramentas da algebra matricial ajudam a transpor estes resultados para uma
formulac~ao LMI. As ferramentas mais utilizados durante este curso ser~ao enunciadas nesta sec~ao, outros
resultados podem ser visto em [25].
Complemento de Schur
O Complemento de Schur e um resultado da Teoria de Matrizes, que ajuda na transformac~ao de inequac~oes
n~ao lineares para a forma de LMI. Muitos dos resultados ja existentes da teoria de controle s~ao postos na
forma LMI, pelo aplicac~ao deste resultado.
Denic~ao 2.3.3 (Complemento de Schur) Sejam Q; R; S matrizes de dimens~oes compatveis, com Q,

R simetricas. Ent~ao as seguintes condic~oes s~ao equivalentes para o:
caso estrito
Q S
1 0
S 0 R > 0 () R > 0; Q SR S > 0 (2.14)
caso n~ao estrito

Q S
+ 0 +
S 0 R 0 () R 0; Q SR S 0; S (I RR ) = 0 (2.15)
onde R+ e a pseudo-inversa da matriz R.

A prova deste resultado pode ser vista em [25]
Exemplo 2.3.2 Considere a desigualdade matricial para vericar a performance H1 do seguinte sistema:
x_ = Ax + Bu
y = Cx
dada por
A0 P + PA + PBB 0 P + C 0 C < 0 (2.16)
com P = P 0 > 0; sendo as variaveis. Perceba que a inequac~ao (2.16) n~ao e linear em P . Aplicando o
complemento de Schur com:
Q = A0 P + PA + C 0 C
S = PB
R= I
Obtem-se a seguinte LMI equivalente a (2.16)
A0P + PA + C 0 C PB
B0P I <0 (2.17)
444
S-Procedure
O S-Procedure e empregado para se obter uma formulaca~o LMI para a seguinte classe de problemas.
Garantir que : f1 (x) > 0 8x : f2 (x) 0
O caso de desigualdades estritas sera apresentado a seguir. O caso de desigualdades n~ao estritas pode ser
encontrado em [25].
Denic~ao 2.3.4 (S-Procedure) Sejam T0; ::::; Tp 2 Rnn matrizes simetricas, considere a seguinte con-
dic~ao em T0 ; ::::; Tp :
T T0 > 0 8 6= 0 e T Ti 0; i = 1; :::; p: (2.18)
Ent~ao (2.18) e vericada se existem escalares i > 0 tais que

X
p
T0 i Ti > 0 (2.19)
i=1
Alem disso (2.19) e (2.18) s~ao equivalentes quando p = 1. Quando Ti s~ao func~oes ans de um conjunto de
parâmetros a condic~ao (2.19) ainda implica (2.18).

Exemplo 2.3.3 O seguinte problema surge em sistemas incertos com incertezas limitadas em norma. Para
mais detalhes sobre este tipo de restric~ao veja o Cap. 5 de [25].
O problema e encontrar P tal que:

0 A0 P + PA PB
0 0 0
B0P 0 < 0 , 8 : C C (2.20)
A primeira restric~ao em e pode ser reescrita como:

0 CC 0 0

0 I 0 (2.21)
Aplicando S-Procedure a restric~ao 2.20 e equivalente a existência de 0 tal que:

A0 P + PA + C 0 C PB
B0P I < 0
que e uma LMI em P e .
444
Lema de Finsler
O resultado a seguir e uma particularidade do Lema de Finsler [25]. Este resultado sera bastante utilizado
para a eliminic~ao de variaveis no caso de sistemas com parâmetros incertos e tambem no caso de sistemas
n~ao lineares.
Denic~ao 2.3.5 (Lema de Finsler - Particularidade) Dada a matriz simetrica e a matriz Ca de

dimens~oes compatveis e seja X uma matriz tal que Ca X = 0. Ent~ao tem-se que
x0 x < 0 (2.22)
se e somente se 9 L tal que
+ LCa + Ca0 L0 < 0 (2.23)

Exemplo 2.3.4 O tipo de restric~ao a seguir aparece no problema de analise da estabilidade de sistemas
Descritores [27].
Encontre P tal que:
x 0 J 0 P + PJ J P x x x = 0
1 1 2 < 0 ; 8 : J J
3 4 (2.24)
z PJ20 0 z z z
Aplicando o lema de Finsler, obtem-se a representac~ao LMI:
J 0 P + PJ J P + J J 0 L0
1 1 2 + L J 3 J4 3 4 (2.25)
PJ20 0
444
D-G scaling
Este resultado foi proposto inicialmente em [28]. Sera apresentada aqui a forma proposta por [29]. Esta
tecnica permite tratar de forma convexa problemas com restric~oes de estrutura do tipo Limitada em Norma,
ou seja,vericar se
f (p; q) > 0 8 p; q : p = q; jj
onde p; q s~ao vetores auxiliares, um escalar cujo modulo e limitado por .
Denic~ao 2.3.6 (D-G scaling) Seja p 2 Rk e q 2 Rk . Ent~ao existe um escalar tal que
p = q 8 jj
se e somente se existem matrizes D; G 2 Rni ni tais que
p0Dp 2 q0Dq; D > 0

0 0
p Gq q Gp; G = G ; 0 (2.26)

O resultado acima permite transformar restric~oes do tipo limitada em norma em desigualdades do tipo
(2.26), que podem ser tratadas pelo S-procedure
Exemplo 2.3.5 Considere o sistema LPV, abaixo descrito

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

A0P + PA + C 0 SC (PB + C 0 SD + C 0 G)

0 0
(B P + D SC GC ) (D SD 2 S + D0 G GD) < 0
0
444
2.4. PACOTES COMPUTACIONAIS 21
2.3.3 Problema LMI: Formulac~ao e Soluc~ao

Um problema LMI pode ser dividido em três categorias.
Problema de Factibilidade
Encontrar a soluc~ao x tal que
F (x) > 0
Problema de minimizac~ao de uma func~ao objetivo linear:
minx h(x)
sujeito a F (x) > 0 (2.31)
G(x) = 0
Problema de minimizac~ao de autovalores generalizados 6

8 A(x) < B(x)
<
min sujeito a : BC ((xx)) <> 00 (2.32)
onde h(x), F(x), G(x), A(x), B(x) e C(x) s~ao func~oes ans em x.
A busca da soluc~ao numerica para estes problemas e uma problema de Programac~ao Semi Denida(SDP).
Diversos pacotes computacionais tem sido testados para a soluc~ao deste problema. Na proxima sec~ao tem-se
uma rapida vis~ao sobre os pacote computacionais existentes para a soluc~ao de SDP.
2.4 Pacotes Computacionais

Com o surgimento de algoritmos de pontos interiores para a soluc~ao de problemas de otimizac~ao convexa,
tornou-se possvel solucionar numericamene LMIs de forma mais rapida e eciente.
Desde ent~ao muitas pesquisas vem sendo desenvolvidas para a criac~ao ou melhora de pacotes computacionais
para a soluc~ao de problemas de otimizac~ao convexa. Os pacotes computacionais mais conhecidos para a
soluc~ao de LMIs s~ao
LMIlab presente no Matlab que usa o Metodo Projetivo, criado por Nesterov e Nemirovskii [30] para
a soluc~ao do problema. Mais detalhes sobre o LMIlab podem ser obtido em[31].
LMITOOL presente no Scilab e Matlab que usa o Metodo Primal-Dual desenvolvido por [32] .
Alem destes dois metodos de soluc~ao existem novas abordagens, que buscam melhorar estes algoritmos,
buscando principalmente uma melhor eciência do metodo para sistemas esparsos. Mais detalhes sobre estes
metodos podem ser vista em [26].
Neste curso, iremos utilizar o LMITOOL, do Scilab para a soluc~ao de LMIs. Mais detalhes sobre o LMITOOL
podem ser obtido no site: www.rocq.inria.fr/scilab Um exemplo da aplicac~ao do LMITOOL e dada no nal
desta sec~ao.
6 Este e uma problema de otimizaca~o quasi convexa
2.4.1 Complexidade computacional
Como ja salientamos, umas das mais importantes vantagens no uso de LMI e a existência de pacotes compu-
tacionais para a sua soluc~ao. Mas como todo problema de otimizac~ao convexa, ou SDP(programac~ao semi-
denida ), pode-se ter diculdades numericas na busca de soluc~oes de uma LMI.
Algumas destas diculdades podem ocorrer devido ao mal condicionamento numerico dos dados, capacidade
de memoria das maquinas, erros de precis~ao.
Outro grande problema e o esforco computacional necessario para solucionar as LMIs. Grandes progressos
foram feitos com o uso de algoritmos de pontos interiores para a sua soluc~ao, garantindo a soluca~o do
problema em ordem polinomial, ao inves da ordem exponencial dada por outros algoritmos.
Uma aproximac~ao da ordem de grandeza do numero de operac~oes e dada por:
Primal dual: O(m L )
Projetivo: O(Lm3 log(V=))
onde m e o numero de variaveis e L e o numero de LMIs e = 2:1 e = 1:2. Perceba que o numero de
operac~oes para a soluc~ao do problema via LMI, e dependente do numeros de LMIs e do numeros de variaveis
a ser buscada. Os softwares hoje existentes s~ao capazes de manipular algumas centenas de variaveis de
decis~ao.
2.4.2 Exemplo de Aplicac~ao do LMITOOL

Para exemplicar o uso do LMITOOL do scilab, considere o caso de analise da estabilidade do seguinte
sistema:
x_ = A()x
onde

A() = 1 +1 1
2 + 2 (2.33)
1
Busca-se vericar para que valores de i 2 B fi : ji j < i g o sistema sera quadraticamente estavel. Em
muitos casos e de interesse pratico obter uma func~ao de Lyapunov que tenha um sinal de energia mnimo.
Aqui so para ilustrar, vamos supor que a matriz P da func~ao de Lyapunov deva ter os autovalores mais
proximos possveis de 1.
) Soluc~ao:
Considere primeiro o caso nominal, ou seja, i = 0.
Aplicando a inequac~ao de Lyapunov para vericar a estabilidade busca-se encontrar P > 0 tal que
v(x) = x0 Px > 0 e v_ (x) < 0. Para aproximar P da identidade, buca-se minimizar o traco(P) para
P I.
O programa para soluc~ao desta problema e listado a seguir:
function [p]=lyap(A)
// Generated by lmitool on Mon Nov 10 16:19:05 EDT 1997
Mbound = 1e3;
abstol = 1e-10;
nu = 10;
maxiters = 100;
reltol = 1e-10;
2.4. PACOTES COMPUTACIONAIS 23
options=[Mbound,abstol,nu,maxiters,reltol];
///////////Dados
///////////DEFINE INITIAL GUESS AND PRELIMINARY CALCULATIONS BELOW

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

1.27e-09 -1.70e-09 2.97e-09
optimal solution found

p =
! 1. 5.683E-10 !
! 5.683E-10 1. !
Agora vamos analisar a estabilidade para o sistema incerto.

Tem-se que achar para que valores de i , o sistema continua quadraticamente estavel.
Como vimos no Captulo 1, pode-se descrever as incertezas de duas formas, atraves da abordagem
politopica ou da Limitada em Norma. A soluca~o para a abordagem Politopica sera dada a seguir. O
caso de incertezas na forma Limitada em Norma cara como exerccio.
Abordagem Politopica
Considere que j1 j < e j2 j < .
O problema e encontrar para que valores de e o sistema continua quadraticamente estavel.
Veja que como tem-se 2 parâmetros incertos, testa-se a LMI: A0 P + PA < 0 para a combinac~ao dos
vertices. Ou seja 2 parâmetros incertos, tem-se 22 = 4 LMIs para serem resolvidas conjuntamente.
function [p]=lyappoli(a,b)
// Generated by lmitool on Mon Nov 10 16:19:05 EDT 1997
Mbound = 1e3;
abstol = 1e-10;
nu = 10;
maxiters = 100;
reltol = 1e-10;
options=[Mbound,abstol,nu,maxiters,reltol];
///////////Dados
A=list()
A(1)=[-1 1;1+a -2+b];
A(2)=[-1 1;1+a -2-b];
A(3)=[-1 1;1-a -2-b];
A(4)=[-1 1;1-a -2+b]
///////////DEFINE INITIAL GUESS AND PRELIMINARY CALCULATIONS BELOW
p_init=eye(A(1));
///////////
XLIST0=list(p_init)
XLIST=lmisolver(XLIST0,lyappoli_eval,options)
[p]=XLIST(:)
/////////////////EVALUATION FUNCTION////////////////////////////
function [LME,LMI,OBJ]=lyappoli_eval(XLIST)
[p]=XLIST(:)
/////////////////DEFINE LME, LMI and OBJ BELOW
LME=list()
LME(1)=p-p';
LMI=list()
LMI(1)=-(A(1)'*p+p*A(1));
LMI(2)=-(A(2)'*p+p*A(2));
LMI(3)=-(A(3)'*p+p*A(3));
LMI(4)=-(A(4)'*p+p*A(4));
LMI(5)=p-eye(p);
OBJ=trace(p)
2.5. NORMAS DE SISTEMAS 25
Assim obtem-se
p =
! 1.1783701 - 0.0151278 !
! - 0.0151278 1.001283 !
com = 0:4 e = 0:59.
444
Alem do problema de analise da estabilidade, outro problema e garantir que o sistema tenha algum tipo de
performance garantida. Esta classe de problemas pode ser tambem resolvida atraves de LMIs, como sera
visto na proxima sec~ao.
2.5 Normas de Sistemas

Um dos principais objetivos dos sistemas de controle e o de atingir certas especicac~oes de performance alem
de garantir a estabilidade interna. Certamente, uma medida da energia de determinados sinais de interesse
e uma das maneiras mais utilizadas para atender os requisitos de performance, pois podemos ter uma ideia
do grau de in uência da perturbac~ao externa sobre a sada de interesse (ou variavel de performance).
Relembrando que:
as perturbac~oes consistem de disturbios externos (temperatura ambiente, rajadas de vento, etc.) e

rudos de medic~ao,
os componentes da variavel de performance s~ao todos os sinais os quais desejamos controlar ou que
fornecam alguma informac~ao importante para a dinâmica do sistema (sinal de erro, sinal de controle,
etc.),
o objetivo nesta sec~ao e vericar se a variavel de performance se mantem pequena na presenca do sinal de
perturbac~ao.
Considere a seguinte classe de sistemas LTI
(
x_ = Ax + Bw w (2.34)
z = Cx + Dw w
com x 2 Rn denotando o vetor de estados, w 2 Rr denotando o vetor das entradas de pertubac~ao e z 2 Rq
denotando o vetor das sadas de interesse. Para este sistema o operador perturbac~ao/sada de interesse 7
Gwz e dado por: Gwz (s) = C (sI A) 1 Bw + Dw .
Portanto, a performance do sistema depende do tamanho do operador entre w(t) e z (t), que denotaremos
por Gwz .
Uma quest~ao que se coloca e: Como medir o tamanho do operador Gwz ?. As duas maneiras mais comuns e
com signicado fsico para quanticar o tamanho de sistemas s~ao as normas H2 e H1 . Na sequência desta
sec~ao, apresentamos as denic~oes de norma H2 e H1 para sistemas lineares invariantes no tempo (LTI).
Para tal, vamos primeiro denir a classe de sistemas a ser considerada nesta sec~ao.
7 No caso monovariavel e a propria funca~o de transferência.

2.5.1 Norma H2
Quando as perturbac~oes que afetam o sistema s~ao sinais de forma conhecida, e possvel representa-las como a
sada de um sistema dinâmico excitado por um impulso, logo esta dinâmica pode ser incorporada ao operador
Gwz (s). Desta forma, podemos considerar que o sistema Gwz (s) e excitado por sinais w(t) impulsionais e
denir a norma H2 de Gwz (s) como sendo a energia da resposta ao impulso que e a energia do sinal de sada
z (t).
Observe que para esta denic~ao de norma H2 , a energia de sada z (t) sera nita se assumirmos que o sistema
(2.34) e estritamente proprio e estavel, isto e, a matriz A e Hurwitz e Dw 0. Na sequência formalizamos
este conceito de norma.
Denic~ao 2.5.1 (Norma H2 de Sistemas)

A norma H2 do operador entrada/sada, Gwz (s), e denida como
sZ 1
kGwz k2 = traco [g(t)0 g(t)] dt (2.35)
0
onde g(t) e a resposta impulsiva do sistema (2.34) com A Hurwitz, Dw 0 e g(t) = 0 para 1 < t < 0.

A norma H2 de sistemas esta relacionada com a teoria de estabilidade de Lyapunov. Esta relac~ao nos permite
calcular a norma kGwz k2 atraves de condic~oes LMI.
Considere a condic~ao de estabilidade (2.6) para sistemas LTI reescrita na seguinte maneira:
Dada uma matriz Q = Q0 > 0 9 P = P 0 > 0 : A0 P + PA = Q (2.36)
A soluc~ao da express~ao (2.36), conhecida como equac~ao de Lyapunov para sistemas lineares, e dada por 8 :
Z1
P := eA t Q eAt dt
0
(2.37)
0
Na denic~ao (2.5.1) da norma H2 , o operador entrada/sada tem a forma Gwz (s) = C (sI A) 1 Bw e sua
resposta impulsiva 9 e dada por g(t) = CeAt Bw . Ent~ao, podemos escrever que
Z1 h i Z 1
kGwz k22 = traco Bw
0
eA t C 0 CeAt Bw
0
dt = traco Bw 0
eA t C 0 CeAt dt
0
Bw
0 0
R
Note que o termo 01 eA t C 0 CeAt dt, conhecido como Gramiano de Observabilidade, e uma soluc~ao para a
0
equac~ao de Lyapunov (2.36) com Q = C 0 C 0. Logo, podemos determinar a norma H2 por:

h i
kGwz k22 = traco Bw Po Bw 0
(2.38)
onde Po e a soluc~ao da equac~ao A0 Po + Po A + C 0 C = 0.
A comutatividade da func~ao traco, isto e: traco [h(t)0 h(t)] = traco [h(t)h(t)0 ], nos permite calcular a vers~ao
Dual para a norma H2 pelo Gramiano de controlabilidade, da seguinte maneira.
Z 1
kGwz k22 = traco C eAt Bw Bw eA t dt
0 0
C 0 = traco [CPc C 0 ] (2.39)
0
8 Veja maiores detalhes em [24].
9 Considerando condic~oes iniciais nulas.
onde Pc e a soluc~ao da equac~ao APc + Pc A0 + Bw Bw = 0.

0
A determinac~ao da norma H2 pode ser facilmente obtida atraves de um problema de otimizac~ao convexa.
Por exemplo, considerando o Gramiano de observabilidade, se Po satizfaz A0 Po + Po A + C 0 C = 0 e existe
uma matriz P = P 0 > 0 : A0 P + PA + C 0 C < 0 ent~ao P > Po . Portanto, a norma H2 pode ser calculada
mediante a resoluc~ao do seguinte problema de otimizac~ao na forma LMI.
(
kGwz k22 < min (traco [B 0 PB ]) : P = P0 > 0 (2.40)
A0 P + PA + C 0 C < 0
onde a diferenca da estimativa da norma H2 e o seu valor real e t~ao pequena quanto se queira.
Exemplo 2.5.1 (Determinac~ao da norma H2 )

Determine a estabilidade e norma H2 do seguinte sistema linear:
8 x_
> = 2x1 + w
< x_ 21
> = 3x2 + 2w
> (2.41)
> z1
: = x1
z2 = x1 + x2
) Soluc~ao:
Matrizes da representac~ao no espaco de estados:
2 0
1
1
A= 0 3 ; Bw = 2 ; C = 1 01
Problema de otimizac~ao:
h i ( P = P0 > 0
min traco Bw PBw :
0
A0 P + PA + C 0 C < 0
-->P
P =
! .5000000 .2 !
! .2 .1666667 !
-->sqrt(h) // Norma H2
ans =
.6055301
444
Custo Garantido
A seguir e apresentada uma interpretac~ao alternativa da norma H2 que pode ser aplicada a sistemas n~ao
lineares. Considere o sistema
x_ = Ax; x(0) = x0 (2.42)
z = Cx
onde x 2 Rn e o vetor de estados, z 2 Rq representa a sada de desempenho, para uma dada condic~ao x0 .
Deseja-se analisar a energia da resposta do sistema dado um estado inicial x0 . Ou seja, deseja-se encontrar
a constante J , dada por
Z1
J= z 0zdt
0
e conhecida como Custo Garantido.
Para tal, suponha que exista uma func~ao de Lyapunov quadratica v( ) = 0 P tal que:
P >0
v_ (x) z 0z (2.43)
para todo x e z satisfazendo (2.42). Integrando ambos os lados da inequac~ao (2.43) de 0 a T tem-se
ZT
v(x(T )) V (x(0)) z 0zdt:
0
para todo T 0. Como v(x(T )) 0, pode-se concluir que V (x(0)) = x00 Px0 J , portanto V (x(0)) e um
limitante superior para a energia da sada z para a condic~ao inicial x0 . As condic~oes x00 Px0 J e (2.43)
podem ser descritas na seguinte forma LMI
A0 P + PA C 0
x00 Px0 J; C I <0 (2.44)
Note que (2.44) e (2.40) s~ao express~oes semelhantes e coincidem quando Bw = x0 , o que e possvel quando
w 2 R, ou seja, tem-se apenas uma entrada no sistema (2.34). Para que as express~oes sejam indênticas no
caso geral deve-se redenir a func~ao custo como sendo
r Z1
X
J0 = zi0 zi dt
i=1 0
onde r e o numero de entradas em (2.34) e zi e a resposta de (2.34) para a condic~ao inicial
x0i = Bwi
sendo Bwi a i-esima coluna da matriz de entrada Bw . Em outras palavras,
2w 3
i
w = 64 ... 75 Bw = Bwi : : : Bwr
wr
P
e note que Bw w = ri=1 Bwi wi . Por linearidade e superposic~ao pode-se determinar a resposta zi para cada
entrada wi . Calculando a energia de cada resposta zi com (2.44). Pode-se, assim, calcular J0 somando a
energia dos resultados individuais obtidos. Note ainda que
X
r X
r
J0 x00i Px0i = Bw0 i PBwi = Tr(Bw0 PBw )
i=1 i=1
e portanto J0 Tr[N ] ja que N > Bw0 PBw . Assim, para sistemas lineares o criterio H2 na forma convexa e
equivalente ao custo garantido J0 , obtido apartir de uma escolha adequada das condic~oes iniciais do problema.
Considere agora a condic~ao inicial
X
r X
r
x0R = x0i = Bwi
i=1 i=1
e dena zR como a resposta do sistema para esta condica~o inicial. Por linearidade e superposic~ao pode-se
deduzir que o criterio J calculado para x0R satisfaz a seguinte relac~ao J J0 .
Para o caso estocastico pode-se supor que a condic~ao inicial x0 e uma variavel aleatoria com media nula e
variância E [x0 x00 ] = Bw Bw0 . Assim, pode-se usar este mesmo procedimento para o calculo do custo garantido,
neste caso limita-se a energia da variância do sinal de sada z em relac~ao a x0 [25].
2.5.2 Norma H1
A norma H1 esta associada ao maior ganho que pode existir de alguma das entradas para alguma das sadas,
ao longo de todo o espectro de sinais, isto e, ela quantica o maior acrescimo de energia que pode ocorrer
entre as entradas e sadas de um determinado sistema. A seguir, apresentamos uma denic~ao mais formal,
em termo do ganho L2 de sistemas que coincide com a norma H1 no caso linear.
Denic~ao 2.5.2 (Norma H1)

Considere o sistema (2.34). A norma H1 do operador entrada/sada, Gwz (s), e o valor supremo entre a
energia dos sinais de sada e entrada, para todo w de energia limitada.
kGwz k1 = sup kz k2
kwk2
kwk2 6= 0 (2.45)
onde o supremo e calculado para todas as trajetorias n~ao nulas do sistema (2.34) com x(0) = 0.

No caso escalar a norma H1 de um sistema LTI coincide com o maximo ganho da func~ao de transferência
Gwz (s) em todo o espectro de frequências. Isto decorre do teorema de Parseval.
Da mesma forma que no caso H2 , utilizaremos a teoria de Lyapunov para determinarmos numericamente o
valor da norma H1 de sistemas.
Considere que existam uma func~ao de Lyapunov quadratica, v(x) = x0 Px, para o sistema (2.34) e um escalar
> 0 tal que
v_ (x) + z 0 z 2w0 w < 0 (2.46)
Integrando a express~ao a express~ao acima de 0 a T , com x(0) = 0, temos que:

ZT
v(x(T )) + (z 0 z 2 w0 w)dt < 0
0
visto que v(x(T )) 0, isto implica em
kkwz kk2
2
Isto e, o valor mnimo de que satisfaz (2.46) e a norma H1 do sistema (2.34).
Visto que v_ (x) = x0 (A0 P + PA)x + 2w0 Bw Px e z = Cx + Dw w, a express~ao (2.46) torna-se:
0
x0 (A0 P + PA + C 0 C )x + 2w0 (Bw P + Dw C )x + w0 (Dw Dw 2 Ir )w < 0

0 0 0

A express~ao acima em termos do vetor auxiliar x w 0 pode ser reescrita na seguinte maneira:
x 0 A0 P + PA + C 0C PB + C 0D x
w w
w Bw P + Dw C Dw Dw 2 Ir
0 0
w <0 0
Logo, podemos determinar a norma H1 pelo seguinte problema de otimizac~ao.

8
>
< P" =0P 0 > 0 #
min 2
: > A P + PA + C 0 C PBw + C 0 Dw < 0 (2.47)
: Bw P + Dw C Dw Dw 2 I
0 0 0
Exemplo 2.5.2 Determine a estabilidade e, se possvel, a norma H1 do seguinte sistema LTI.

2 x_ 3 2 0 0 1 0
3 2x 3 20 0
3
66 x_ 12 77 =
66 0 0 0 1 77 66 x12 77 +
66 0 0 77 w1
4 x_ 3 5 4 1 1 0:2 0:2 5 4x 3 5 41 0 5 w 2
x_ 4 0:5 2:5 0:1 0:15 x4 0 0:5
2x 3
z 1 0 0 0
66 x12 77
1 =
z2 0 1 0 0 4x 3 5
x4
) Soluc~ao:
A condic~ao (2.47) para determinar a norma H1 ja pressup~oe a estabilidade do sistema, portanto se existir
a norma H1 o sistema sera estavel.
Observe que para este sistema Dw = 0 e r = 2 (numero de entradas de perturbac~ao). Aplicando os valores
numericos do exemplo, no problema de otimizac~ao (2.47), obtemos os seguintes valores.
-->P
P =
! 37.984518 - 99.050459 4.3028045 4.8463528 !

! - 99.050459 368.14477 - 17.362734 .0152050 !
! 4.3028045 - 17.362734 22.933598 - 30.652182 !
! 4.8463528 .0152050 - 30.652182 134.78685 !
-->sqrt(hinf) // Norma H_inf

ans =
11.470397
444
2.6 Atividades
1. Considere o exemplo (2.2.1). Prove que as condic~oes (2.6) s~ao equivalentes as do corolario (2.2.1).
2. Mostre que a estabilidade quadratica implica em estabilidade exponencial.
2.6. ATIVIDADES 31
3. Verique nas referências [9, 10, 11, 12, 13, 14] quais s~ao os sistemas que admitem a representac~ao LPV.
4. Mostre que as condic~oes para estabilidade quadratica de sistemas LPV, apresentadas no exemplo
(2.2.3), s~ao equivalentes as do corolario (2.2.1).
5. Determine uma regi~ao politopica B na qual o sistema apresentado no exemplo 2, sec~ao (1.2), seja ex-
ponencialmente estavel. Utilize o resultado apresentado no exemplo (2.2.3). Lembre-se da convexidade
do conjunto soluc~ao de uma LMI.
6. Determinar a estabilidade quadratica do sistema linear incerto da gura (1.6) n~ao forcado (u 0) com
incerteza limitada em norma. Utilize o resultado apresentado na tecnica do DG-Scaling. Considere os
seguintes valores numericos: m = 10 kg, k0 = 2 kg/s2 e c0 = 1 kg/s.
7. Para o exemplo apresentado na sec~ao 2.4, analise a estabilidade do sistema supondo que as incertezas
est~ao descritas na forma Limitada em Norma. Compare com o resultado dado para o caso de incertezas
na forma Politopica.
8. Para o mesmo exemplo, calcule o valor aproximado do numero de operac~oes necessarias para solucionar
o problema nos três casos:
Sistema Nominal
Abordagem Politopica
Abordagen Limitada em Norma
Repita o calculo supondo que agora tenha 3 parâmetros incertos em vez de 2. Compare os resultados.
9. A denic~ao (2.5.1) de norma H2 n~ao e usual. Em geral ela e denida no espaco frequencial pela seguinte
denic~ao: s Z1
kGwz k2 = 21 traco [Gwz (j!)Gwz (j!)] d!
0
onde Gwz (j!) e o complexo conjugado transposto de Gwz (j!). Mostre que as duas denic~oes s~ao
equivalentes (Teorema de Parseval).
10. Demonstre o resultado apresentado na equac~ao (2.39).
11. Determine uma formulac~ao LMI para o calculo da norma H2 de sistemas LTI utilizando o Gramiano
de controlabilidade.
12. Obtenha uma formulac~ao LMI, utilizando o Gramiano de observabilidade e controlabilidade, para
estimar a norma H2 do seguinte sistema incerto:
(
x_ = A()x + Bw ()w
z = C ()x
onde as matrizes A(), Bw () e C () s~ao ans no parâmetro incerto 2 B . Lembre-se que n~ao
podemos aplicar diretamente as condic~oes (2.40) para sistemas LTI devido ao termo quadratico em
(C ()0 C ()) 10 .
13. A denic~ao da norma H1 em termos do ganho L2 n~ao e usual para sistemas lineares. Em geral, ela
tem a seguinte denic~ao
kGwz k1 = sup max [Gwz (j!)]
!
onde max e o valor singular maximo de Gwz (j!). Mostre que estas duas denic~oes de norma s~ao
equivalentes para sistemas LTI.
14. Obtenha uma vers~ao para a determinac~ao da norma H1 para sistemas LTI em termos de uma matriz
Q = P 1 similar ao caso H2 . Esta vers~ao as vezes e denominada de vers~ao Dual.
10 Dica: utilize o complemento de Schur.
15. Obtenha as formulac~oes em termos de P e Q, para estimar a norma H1 do seguinte sistema incerto:
(
x_ = A()x + Bw ()w
z = C ()x + D()w
onde as matrizes A(), Bw (), C (), D() s~ao ans no parâmetro incerto 2 B . Lembre-se que n~ao
podemos aplicar diretamente as condic~oes (2.47) para sistemas LTI devido aos termos quadraticos em
(C ()0 C () e D()0 D()).
16. Considere um sistema mecânico massa-mola-amortecedor, onde a massa m e o coeciente de amorte-
cimento c s~ao variantes no tempo e limitados, com a seguinte representac~ao no espaco de estados.
x_ 0 1
x 0

1 = 1 + w
x_ 2 2 (0:5 + 0:21) x2 (1 + 0:22)
0 x
z = 1 1
x2
onde 1 , 2 2 B = f 1; 1g.
Determine as normas H2 e H1 , nas formulac~oes Primal e Dual. Compare os resultados. Note que os
valores obtidos para as duas vers~oes s~ao diferentes. Por que?

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

Considere o seguinte sistema linear invariante no tempo:
(
x_ = Ax + Bw w + Bu u (3.1)
z = Cz x + Dzw w + Dzu u
onde x 2 Rn e o vetor de estados, w 2 Rr s~ao as perturbaco~es externas, z 2 Rq s~ao as sadas de performance
e u 2 Rp s~ao as entradas de controle.
33
34 CAPITULO 3. SINTESE DE CONTROLADORES
Suponha que todos os estados do sistema (3.1) s~ao mensuraveis. Seja K 2 Rpn a matriz de realimentaca~o
de estados, ou seja, u = Kx. Logo em malha fechada temos o seguinte sistema.
x_ = (A + Bu K )x + Bw w
z = (Cz + Dzu K )x + Dzw w (3.2)
Nesta sec~ao, consideramos o problema de sntese de controladores atraves de uma realimentac~ao de estados
u = Kx, isto e, estamos preocupados em determinar a matriz de ganhos K para o sistema (3.2) de modo a
satisfazer certas propriedades e especicac~oes de performance.
Estabilizac~ao Quadratica
PROBLEMA:
Como determinar a matriz de ganhos K tal que o sistema (3.2) n~ao forcado, w 0,
seja quadraticamente estavel.
Utilizando a condic~ao (2.6) para estabilidade quadratica, podemos determinar uma matriz K que satisfaz
ao seguinte problema
9 P = P 0 > 0 : (A + Bu K )0 P + P (A + Bu K ) < 0 , A0 P + PA + K 0 Bu P + PBu K < 0 (3.3)
0
Note que a condic~ao acima, denominada de Primal, n~ao e linear em P e K . A seguir veremos como linearizar
esta inequaca~o matricial nas forma Primal e Dual.
Soluc~ao 1: (Vers~ao Primal)
Nesta abordagem utiliza-se uma restric~ao de igualdade para linearizar a express~ao (3.3).
Suponha que exista uma matriz qualquer M , tal que PBu = Bu M . Logo, podemos reescrever a
express~ao (3.3) como:
8
>
< P >0,
0
9 P = P , : > PBu = Bu M
: A0P + PA + K 0M 0Bu + BuMK < 0
Considere que exista uma matriz X tal que X = MK . O problema de estabilizac~ao quadratica
tem soluc~ao, na forma Primal, se
8
>
< P >0,
0
9 P = P , X : > PBu = Bu M (3.4)
: A0P + PA + X 0Bu + BuX < 0 0
Em caso armativo, a matriz de ganhos que estabiliza o sistema e dada por K = M 1 X .

Soluc~ao 2: (Vers~ao Dual)
Considere que existe uma matriz Q = Q0 > 0 : PQ = I . Pre e pos multiplicando a inequac~ao
matricial em (3.3) por Q, tem-se que
QA0 + AQ + QK 0Bu + Bu KQ < 0 0
Considere que existe uma matriz Y tal que Y = KQ 1 . O problema de estabilizac~ao quadratica,
forma Dual, tem soluc~ao se
(
9 Q = Q , Y : QQA>0 +0 AQ + Y 0 B + B Y < 0
0 0 (3.5)
u u
Em caso armativo, a matriz de ganhos que estabiliza o sistema e dada por K = Y Q 1 .
1 Esta forma de linearizac~ao foi proposta inicialmente em [39].
3.2. REALIMENTACAO DE ESTADOS 35
Note que, potencialmente a estabilizac~ao na forma Primal e mais restritiva que a Dual, pois existe a restrica~o
de igualdade PBu = Bu M .
Exemplo 3.2.1 (Estabilizac~ao Quadratica por Realimentac~ao de Estados)

O movimento longitudinal de um avi~ao F-16, na aproximac~ao de aterrissagem, pode ser representado de
forma simplicada pelo seguinte sistema linear invariante no tempo, [8].
2 x_ 3 2 0:0507 3:861 0 32:17
3 2x 3 2 0
3
66 x_ 12 77 =
66 0:00117 0:5164 1 0 77 66 x12 77 +
66 0:0717 77 u
4 x_ 3 5 4 0:00013 1:4168 0:4932 0 5 4x 3 5 4 0:1645 5 (3.6)
x_ 4 0 0 1 0 x4 0
Este sistema e instavel em malha aberta. Determine uma matriz de ganhos K que estabilize o sistema.
) Soluc~ao:
Vers~ao Primal.
Utilizando o LMITOOL do Scilab, buscam-se matrizes P , M e X que satisfacam a condic~ao (3.4) 2 .
-->P
P =
! 1.0578296 - 10.74246 4.6822757 43.062956 !

! - 10.74246 7258.5476 - 2187.363 - 21818.759 !
! 4.6822757 - 2187.363 3193.5183 9510.0611 !
! 43.062956 - 21818.759 9510.0611 89613.551 !
-->M
M =
2240.1205
-->X
X =
! 164.47519 - 69852.825 42527.564 377222.9 !
-->K=M^(-1)*X
K =
! 0.0734225 - 31.182619 18.984499 168.39402 !
Vers~ao Dual.
Buscam-se matrizes Q e Y que satisfacam a condic~ao (3.5) 3 .
-->Q
Q =
! 0.6324511 0.0572916 0.0752139 0.0588924 !

2 Sem perda de generalidade incluiu-se a restric~ao P I .
3 Sem perda de generalidade incluiu-se a restric~ao Q I .
! 0.0572916 0.6106135 0.0513200 - 0.0591423 !
! 0.0752139 0.0513200 0.6916277 - 0.0721105 !
! 0.0588924 - 0.0591423 - 0.0721105 0.0294075 !
-->Y
Y =
! 9.6785551 47768.229 109579.58 3.1777504 !
-->K=Y*Q^(-1)
K =
! - 240187.63 251850.1 361181.6 1873278.2 !
444
Controle H2
PROBLEMA:
Como determinar a matriz de ganhos K que estabiliza o sistema (3.2) e minimiza a
sua norma H2.
Visando obter uma formulac~ao convexa para o problema de controle H2 , utilizaremos a determinaca~o da
norma H2 pelo Graminiano de Controlabilidade 4 .
Considere o sistema (3.2) como Dzw 0. A norma H2 deste sistema pode ser determinada pelo seguinte
problema de otimizac~ao.
(
0
min f traco [(Cz + Dzu K )P (Cz + Dzu K ) ]g : P = P0 > 0
(A + Bu K )P + P (A + Bu K )0 + Bw Bw < 0 (3.7)
0
A condic~ao acima apresenta termos n~ao convexos tanto na func~ao objetivo como na inequac~ao matricial.
Para linearizarmos esta express~ao, utilizamos as seguintes relac~oes.
W (Cz + Dzu K ) P (Cz + Dzu K )0 .
Y = KP .
Aplicando o complemento de Schur em (3.7), considerando as express~oes acima, podemos obter uma relaca~o
convexa para a determinac~ao da norma H2 .
Teorema 3.2.1 (Controle H2 - Realimentac~ao de Estados)
Considere o sistema (3.2) com Dzw 0. Se existe uma matriz P simetrica, denida positiva, e matrizes W ,
Y , satisfazendo o seguinte problema de otimizaca~o
8 " #
>
> W ( C z P + D zu Y ) 0
>
< (PCz + Y 0 Dzu)
0 0
P
min ( traco W ) : > " # (3.8)
>
> ( AP + PA 0 + Bu Y + Y 0 Bu ) Bw 0
: Bw 0
Ir
<0
Ent~ao, podemos armar que

4 Veja atividade proposta no exerccio (11) na seca~o (2.6).
1. O Sistema e estabilizavel pela lei de controle u = Y P 1 x.

p
2. A norma H2 do sistema e dada por kGwz k2 < traco W .

Com relac~ao a escolha das matrizes Cz e Dzu pode-se fazer os seguintes comentaarios. Note que
ZT ZT
kz k22 = z 0 zdt = (Cz x + Dzu u)0 (Cz x + Dzu u)dt
0 0
Se escolhermos Cz e Dzu tais que
0 =0
Cz Duz
camos com
kz k22 = kCz xk22 + kDzu uk22

Como o problema e minimizar kz k2 temos que a lei de controle deve diminuir a energia da variavel Cz x
tornando mais rapido os modos do sistema realimentado que afetam esta variavel. Por outro lado, o esforco
de controle dispendido para acelerar esses modos n~ao pode ser excessivo, pois isto aumenta a energia do
termo Dzu u. Tipicamente temos um compromisso entre o esforco de controle (representado por Dzu e a
rapidez dos modos (representados por Cz ). Quanto menor for Dzu em relac~ao a Cz , mais rapido ser~ao os
modos do sistema e maiores ser~ao os ganhos de realimentac~ao.
Exemplo 3.2.2 (Problema H2 - Realimentac~ao de estados)

Determine uma lei de controle do tipo u = Kx que estabiliza e minimize a norma H2 do seguinte sistema
linear invariante no tempo.
2 x_ 3 2 1 1 0 3 2x 3 203 203
1 1
4 x_ 2 5 = 4 0 1 1 5 4 x2 5 + 4 0 5 [w] + 4 0 5 [u]
x_ 3 2 1 2 x3 1 1
2x 3
[z ] =
1 1 0
4 x12 5
x3
) Soluc~ao:
Utilizando o teorema (3.2.1), determinam-se as seguintes matrizes P , W e Y .
-->P
P =
! 55110.251 - 55110.251 - 18370.174 !

! - 55110.251 55110.251 18369.978 !
! - 18370.174 18369.978 217259.58 !
-->W
W =
3.715D-07
-->Y
Y =
! - 434527.93 - 198881.24 316102.04 !

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

-->G2=sqrt(trace(W)) // norma h2 em malha fechada
G2 =
.0006095
444
Note que Dzu = 0 e Dzw = 0. Portanto a soluc~ao do problema e fazer com que z = x1 + x2 tenda a zero o
mais rapido possvel. Isto se consegue com grandes ganhos de realimentac~ao, pois neste caso os modos do
sistema s~ao mais rapidos. Para evitar grandes ganhos basta considerar Dzu 6= 0. A escolha adequada de Cz
e Dzu permite um equilbrio entre o esforco de controle e a rapidez de resposta.
Controle H1
PROBLEMA:
sua norma H1.
A determinac~ao da norma H1 pela abordagem dual permite a obtenc~ao de uma formulac~ao convexa para o
problema de controle H1 .
A norma H1 do sistema (3.2) e dada pelo seguinte problema de otimizac~ao 5 .
8
>
> Q = Q0 > 0
>
>
2
< 2 3
min : > Q(A + Bu K )0 + (A + Bu K )Q Bw Q(Cz + Dzu K )0 (3.9)
> 64 Bw 0
2I Dzw 75 < 0
0
>
: (Cz + Dzu K )Q Dzw I
A express~ao (3.9) pode ser linearizada pela mudanca de variavel Y = KQ. O proximo teorema apresenta
uma formulac~ao convexa para o problema de controle H1 por realimentac~ao de estados u = Kx.
Teorema 3.2.2 (Controle H1 - Realimentac~ao de Estados)
Considere o sistema (3.2). Se existem matrizes Q, Y , e um escalar > 0, satisfazendo o seguinte problema
de otimizac~ao
8
>
> Q = Q0 > 0
>
>
2
< 2 3
min : > (AQ + QA0 + Bu Y + Y 0 Bu ) Bw (QCz + Y 0 Dzu )
0 0 0
(3.10)
> 64 Bw 2I Dzw 75 < 0
>
0 0
: (Cz Q + Dzu Y ) Dzw I

5 Veja o exerccio (14) da sec~ao (2.6).
Ent~ao, podemos armar que

1. O Sistema e estabilizavel pela lei de controle u = Y Q 1 x.
2. A norma H1 do sistema e dada por kGwz k1 = .

Exemplo 3.2.3 (Problema H1 - Realimentac~ao de Estados)
Determine uma lei do tipo u = Kx que minimiza a norma H1 do seguinte sistema linear invariante no
tempo.
2 x_ 3 2 0:2 2 2 0
3 2x 3 22 0
3 2 0
3
66 x_ 12 77 =
66 0 1 0 0 77 66 x12 77 +
66 020 77 w1 +
66 20 77 [u]
4 x_ 3 5 4 0 0 2 0 5 4x 3 5 40 30 5 w 2 4 30 5
x_ 4 0 0 0 10 x4 0 0 3
2x 3
z 1 0 0 0
66 x12 77 0

1 = + [u]
z2 0 0 0 3 4x 3 5 1
x4
) Soluc~ao:
A lei de controle u = Kx e determinada pela aplicac~ao direta do resultado proposto no teorema (3.2.2), onde
obtem-se as seguintes matrizes Q e Y .
-->Q
Q =
! 22.997334 4294.319 - 4426.3233 - 23.227476 !

! 4294.319 6704090.7 - 6750196.2 - 41945.415 !
! - 4426.3233 - 6750196.2 6797269.3 42198.563 !
! - 23.227476 - 41945.415 42198.563 265.25822 !
-->Y
Y =
! 69.684489 125859.33 - 126568.8 - 792.79395 !
A norma H1 do sistema em malha fechada e dada por:

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

Considere a seguinte classe de sistemas incertos
(
x_ = A()x + Bw ()w + Bu ()u 8 2 B (3.11)
z = C ()x + Dzw ()w + Dzu ()u
onde as matrizes A(), B (), C (), D(), s~ao ans no parâmetro incerto .
O problema a ser considerado nesta sec~ao e o de determinarmos uma lei de controle do tipo u = Kx que
estabilize o sistema (3.11) n~ao forcado, w 0, para todos valores admissveis da incerteza .
O proximo corolario, prop~oe uma formulaca~o convexa para a determinac~ao da matriz de ganhos K que
estabiliza o sistema (3.11) com w = 0.
Corolario 3.2.1 (Estabilizac~ao - Sistema Linear Incerto)

Seja B um politopo convexo, que dene os valores admissveis das incertezas.
Considere o sistema linear incerto (3.11) n~ao forcado, w 0.
Se existem matrizes Q e Y satisfazendo as seguintes relac~oes nos vertices do politopo B .
(
Q = Q0 , Q > 0
QA()0 + A()Q + Y 0 Bu () + Bu ()Y < 0
0
Ent~ao, a lei de controle u = Y Q 1 x estabiliza o sistema em malha fechada, para qualquer 2 B .

Exemplo 3.2.4 (Sistema Incerto - Estabilizac~ao)

Considere o sistema (1.8) apresentado na seca~o (1.2). Determine uma lei de controle u = Kx que estabilize
o sistema para qualquer valor de 2 f 100; 100g.
) Soluc~ao:
Aplicando diretamente o corolario (3.2.1) para = 100 e = 100, obtemos as seguinte matrizes Q e Y .
Sem perda de generalidade consideraremos a seguinte restric~ao kQk 1.
Q =
! .1550085 .1616138 - .1905192 .1467614 !

! .1616138 .6791386 .0510504 .1450202 !
! - .1905192 .0510504 .6316482 .0211160 !
! .1467614 .1450202 .0211160 .5284163 !
-->Y
Y =
! - 4.4769426 19602.282 5040.0185 - 165.49743 !

! 27.834328 - 125134.08 0. 1074.6364 !
A matriz de ganhos que estabiliza o sistema, para u = Kx, e dada por
-->K=Y*Q^{-1} // Matriz de Ganhos

K =
! - 102706.83 52185.415 - 27718.577 14998.154 !

! 1088285.7 - 428879.95 369509.03 - 197287.68 !
444
3.3. REALIMENTACAO DE SAIDA 41
3.3 Realimentac~ao de Sada

Descreve-se aqui uma soluc~ao para o problema de sntese de controladores via realimentac~ao de sada atraves
da abordagem LMI. O resultados obtidos s~ao semelhantes ao caso de sntese de controladores por Realimen-
tac~ao de Estados.
Considere o seguinte sistema LTI:
x_ = Ax + Bu u + Bw w
y = Cx (3.12)
z = Cz x + Dzw w + Dzu u
onde x 2 Rn e o vetor de estados, y 2 Rm e o vetor das variaveis de sada mensuraveis, u 2 Rp e a variavel
de controle, w 2 Rr s~ao as perturbac~oes externas e z 2 Rq s~ao as sadas de performance.
Uma condic~ao necessaria para que problema de estabilizac~ao do sistema (3.12) por realimentac~ao de sada
tenha soluc~ao e que o par (A,B) seja estabilizavel e o par (A,C) dectavel, [33].
3.3.1 Realimentac~ao Estatica de Sada

Esta e a forma mais simples de projeto de controladores por realimentac~ao de sada, e consiste em encontrar
uma matriz de ganho K tal que a lei de controle do tipo u = Ky estabilize o sistema (3.12), ou satisfaca
alguns requisitos de projeto.
Como estamos interessados apenas no processo de estabilizac~ao vamos supor que no sistema (3.12) n~ao ha
in uência de perturbac~oes externas e desconsidera-se a variavel de performance z, resultando em :
x_ = Ax + Bu u (3.13)
y = Cx
e o sistema (3.13) em malha fechada ca:
x_ = (A + Bu KC )x
Para que este sistema seja quadraticamente estavel, ele tem que satisfazer as condic~oes de Laypunov (2.6).
Assim tem-se que encontrar matrizes P > 0 e K tal que v(x) = x0 Px > 0 e
v_ (x) = x0 (A0 P + PA + C 0 K 0 Bu0 P + PBu KC )x < 0
Note que a condic~ao acima n~ao e convexa nas variaveis (P; K ), o que impossibilita a utilizac~ao dos pacotes
computacionais existentes. Para contornar este problema, utiliza-se aqui o Problema-P, dado em [40], que
cria um problema auxiliar convexo, que se for factvel o problema original tambem sera.
Usando as condic~oes do Problema-P, obtem-se as seguintes condic~oes, dadas pelo Teorema 3.3.1.
Teorema 3.3.1 O sistema (3.13) sera quadraticamente estabilizavel por uma lei de controle do tipo u = Ky,
se 9 matrizes P > 0, M e Y tais que
A0 P + PA + C 0 Y 0 Bu0 + Bu Y C < 0 (3.14)

PBu = Bu M
Em caso armativo, o ganho de realimentac~ao e dado por K = M 1 Y e v(x) = x0 Px e uma func~ao de
Lyapunov para o sistema.
Prova: Suponha que as condic~oes do Teorema 3.3.1 estejam satisfeitas. Como PBu = Bu M e K = M 1 Y
a primeira LMI em (3.14) ca
A0 P + PA + C 0 K 0 Bu0 P + PBu KC < 0
Pre e pos multiplicando por x0 e x respectivamente tem-se

x0 (A0 P + PA + C 0 Y 0 Bu0 + Bu Y C )x < 0
o que prova o teorema, pois e a condic~ao para v_ (x) < 0.

Pode-se em vez de utilizar a abordagem primal considerar a abordagem dual, como no caso de realimentac~ao
de estados. Este resultado e dado a seguir e utiliza a vers~ao dual do Problema-P, o Problema-W dado em
[40].
Teorema 3.3.2 O sistema (3.13) sera quadraticamente estabilizavel por uma lei de controle do tipo u = Ky,
se 9 matrizes Q > 0, M e Y tais que
QA0 + AQ + C 0 Y 0 Bu0 + Bu Y C < 0 (3.15)

CQ = MC
Em caso armativo, o ganho de realimentac~ao e dado por K = Y M 1 e v(x) = x0 Px, com P = Q 1 e uma
func~ao de Lyapunov para o sistema.

O grande problema que surge e que as condic~oes acima s~ao apenas sucientes para a soluc~ao do problema, ou
seja , se tiver soluc~ao o problema original esta satisfeito, porem, o contrario geralmente n~ao ocorre. Em [40],
os autores mostram que a factibilidade do Problema-P ou do Problema-W, e dependente da representaca~o
de estado , assim, e possvel atraves da aplicac~ao de uma transformac~ao de similaridade tornar o problema
factvel. No entanto como encontrar esta transformac~ao e um problema n~ao convexo de difcil soluc~ao. Uma
alternativa seria utilizar os testes de estabilidade do par (A,B), e de dectabilidade do par (A,C), como feito
em [35]
Pode-se estender os resultados de sntese para sistemas incertos com incertezas na forma politopica de forma
semelhante ao caso de realimentac~ao de estados. Para tal resolve-se as LMIs em (3.14) para os vertices da
regi~ao B . Note que as matrizes C e B n~ao podem ser incertas conjuntamente, pois torna o problema n~ao
convexo. Por isso, devido a restric~ao de igualdade, e mais conveniente no caso primal que apenas que a
matriz C seja incerta, e no caso dual que a matriz B seja incerta.
Exemplo 3.3.1 Dado o seguinte sistema

2 x_ 3 20 0 0 0
32 x 3 21 0
3
66 x_ 21 77 = 66 0 0 0 0 77 66 x12 77 + 66 0 1 77 u
4 x_ 3 5 42 0 1 2 54 x 3 5 40 05
x_ 4 0 2 2 1 x4 0 0
2x 3 (3.16)
y_ 4 3 3
1
0 66 x2 77
1 =
y_2 2 2 1 2 4x 3 5
x4
3.3. REALIMENTACAO DE SAIDA 43
encontre uma matriz de ganho K tal que a lei de controle u = Ky estabilize o sistema.
) Soluc~ao:
Vers~ao Primal
Utilizando a abordagem primal dada no Teorema 3.3.1 n~ao se consegue obter uma soluc~ao factvel,
mas isso n~ao implica que o problema n~ao tenha soluc~ao, pois as condic~oes apresentadas s~ao apenas
sucientes. Vamos aplicar agora a abordagem Dual.
Vers~ao Dual
Aplicando o Teorema 3.3.2 obtem-se M, Q e Y
--> M =
! 3397.963 - 1243.9978 !
! - 9760.2895 8373.7183 !
--> Y =
! 60875.664 - 62668.24 !
! 92399.285 - 93652.561 !
--> Q =
! 23050.555 14656.184 - 5040.4127 - 4987.5489 !

! 14656.184 25749.946 - 3696.4555 - 2702.2747 !
! - 5040.4127 - 3696.4555 9675.4877 - 2559.0692 !
! - 4987.5489 - 2702.2747 - 2559.0692 4808.9096 !
A matriz de ganho K = Y N 1 que estabiliza o sistema em malha fechada sera dada por:
--> K = Y*M^(-1)
! - 6.247282 - 8.4120145 !
! - 8.6042252 - 12.462348 !
444
3.3.2 Realimentac~ao Dinâmica de Sada

Em algum casos com apenas um ganho n~ao e possvel satisfazer todos os requisitos de performance pre
especicados num projeto de controle. E necessario, muitas vezes, que o controlador tenha o comportamento
de um sistema dinâmico. Considerando que a dinâmica do controlador esteja na forma de representac~ao
de estados e possvel em muitos casos incorporar o controlador ao sistema, transformando o problema de
realimentac~ao dinâmica de sada em um problema de realimentac~ao estatica de dimens~ao aumentada.
Seja o sistema
x_ = Ax + Bu u (3.17)
y = Cx
e a dinâmica do controlador dada por:
x_ c = Ac xc + Bcy (3.18)
u = Cc xc + Dcy
onde xc 2 Rnc e o vetor de estados do controle, e nc n caracteriza a ordem do controlador.
Realimentando o sistema (3.17) com o controlador dado em (3.18), obtem-se em malha fechada,
x_ = (A + Bu DcC )x + Bu Cc xc (3.19)
x_ c = Ac xc + Bc Cx
que pode ser reescrito como um sistema aumentado da forma:
x_ a = Aa xa + Ba Ga Ca xa (3.20)
com xa = [x0 x0c ]0 2 R(n+nc ) ; representando o novo vetor de estados. E as matrizes dadas por:

Aa = A0 00 ; Ba = B0u 0I ; Ca = C0 0I ; Ga = Dc Cc
Bc Ac ;
O problema agora e um problema de sntese de controladores via realimentac~ao estatica de sada, ou seja,
encontrar uma lei do controle do tipo u = Ga ya com ya = Ca xa , tal que o sistema seja quadraticamente
estavel. Para solucionar este problema basta resolver as LMIs no Teorema 3.3.1 ou 3.3.2 para o sistema
(3.20).
Mas nem sempre e necessario que o controlador tenha a ordem do sistema, ou seja nc = n. Controladores de
ordem reduzida s~ao aqueles que tem uma dimens~ao menor que o sistema, nc < n. A soluc~ao do problema e
feita da mesma maneira mas tem-se agora o sistema aumentado e de ordem menor, bem como a matriz de
ganhos Ga .
3.4 Controle sujeito a restric~oes

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

Em geral, devido as limitac~oes fsicas dos atuadores, o sinal de controle u(t) esta sujeito a saturac~ao. A
gura (3.1) mostra o problema de controle com este tipo de restric~ao.
Uma soluc~ao usual, neste tipo de problema, e a de impormos limitac~oes no sinal de controle u = Kx. Com
isso, o sistema em malha fechada mantera o comportamento linear, isto e, x_ = (A + BK )x. Para tal, faremos
as seguintes considerac~oes.
3.4. CONTROLE SUJEITO A RESTRICOES 45
sat(u)
u(t) sat(u) x_ = Ax + Bsat(u) x(t)
u
Figura 3.1: Sistema de Controle sujeito a Saturac~ao
As condic~oes iniciais s~ao conhecidas, limitadas em norma kx0 k e o estado x(t) pertence ao elipsoide
= fx : x0 Q 1 x 1g, isto e, x(t) 2 8 t 0, inclusive x0 .
Existem duas matrizes Q > 0 e Y que satisfazem a condic~ao (3.5).
O i-esimo sinal de controle ui , i = f1; : : : ; pg, deve ser limitado entre i .
Estas considerac~oes implicam em:
max ku k
t0 i
i ,
max kKix(t)k max kY Q 1 xk
x2 i
kYi Q 12 k max kQ 12 xk
t0 r 1
x 2
max Q 2 Yi0 Yi Q 12 i
onde Ki (Yi ) e a i-esima linha da matriz K (Y ) e max () e o autovalor maximo de ().
Portanto, a restric~ao kuik i , 8 x 2 , e equivalente as seguintes relaco~es LMI.
2 ej 0 Q Y 0
Q 0 8j ,e Yi 2 0 8 i
i (3.21)
ej i
onde o vetor ej corresponde a j-esima coluna da matriz identidade In , para j = f1; : : : ; ng.
Exemplo 3.4.1 (Controle sujeito a saturac~ao)

Considere o sistema (3.6). Determine uma lei de controle u = Kx que estabiliza o sistema. Suponha que o
sinal de controle esta limitado a 10 e as condic~oes iniciais est~ao limitadas em norma por kx0 k 2.
) Soluc~ao:
Para considerarmos o projeto sujeito a saturac~ao, pelas condic~oes apresentadas, devemos resolver o seguinte
problema LMI: 8
>
> Q>0
>
>
>
> QA0 + AQ + Y 0 Bu + Bu Y < 0
0
>
>
< " #
9 Q = Q0 , Y :> 2 ej 0 8 j
0
>
> ej Q
>
>
>
> " #
> Q Yi 0 8 i
0
: Yi 2i
onde j = f1; : : : ; 4g, i = 1, = 10 e = 2.
Aplicando ao sistema, obtemos o seguinte resultado.
-->Q
Q =
! 29324.538 299.64638 - 226.56666 319.89993 !

! 299.64638 146.47705 - 164.67814 72.969009 !
! - 226.56666 - 164.67814 193.85714 - 87.884263 !
! 319.89993 72.969009 - 87.884263 47.728666 !
-->Y
Y =
! 355.20519 10.248535 13.159181 .0066614 !
-->K=Y*Q^(-1) // Matriz de Ganhos

K =
! - .0183679 4.1006297 4.5001046 2.1402663 !
A
0gura (3.2) mostra o sinal de controle aplicado ao sistema, para uma uma condic~ao inicial x(0) =
2 0 0 .
444
Restric~oes no Sinal de Sada

Considere o seguinte sistema linear invariante no tempo.
8
>
< x_ = Ax + Bw w + Buu
> z = C x + Dzw w + Dzu (3.22)
: = Exz
onde 2 Rl representa algumas das sadas do sistema as quais, por seguranca, desejamos limitar em
amplitude.
Visando obter uma formulac~ao LMI para este problema, faremos as seguintes considerac~oes.
As condic~oes iniciais s~ao conhecidas, limitadas em norma kx0 k " e o estado x(t) esta contido no
elipsoide " = fx : x0 Q 1 x 1g, isto e, x(t) 2 " , 8 t 0.
Existem matrizes Q, Y , que satisfazem a condic~ao (3.5).
3.4. CONTROLE SUJEITO A RESTRICOES 47
10
u(t)
-10
t(s)
0 10 20
Figura 3.2: Sinal de Controle aplicado ao Sistema (3.6)) para uma condic~ao inicial kx0 k < 2.
A i-esima sada de seguranca, para i = f1; : : : ; lg, e limitada em norma, isto e, ki k i .
Levando em conta as considerac~oes acima, podemos escrever que:
max
t0 i
k k i 8 x : x0 Q 1 x 1
max kE xk xmax
t0 i
kE xk 8 x : x0 Q 1 x 1
2" i
onde Ei e a i-esima linha da matriz E .
As relac~oes acima s~ao equivalentes ao seguinte problema na forma LMI.
8
>
> 0, 1
>
> " #
>
>
< Q QE2i 0 , 8 i
0
9 : > Ei Q i (3.23)
>
> " 2 #
>
> " e 0
>
: e Qj 0 , 8 j
j
onde os vetores ej s~ao as j-esimas colunas da matriz identidade In , para j = f1; : : : ; ng.
Exemplo 3.4.2 Projeto com restric~oes na sada

Considere o mesmo problema apresentado no exemplo (3.4.1). Suponha que o estado x1 deva ser limitado
em 101.
) Soluc~ao:

Neste caso, desejamos restringir a excurss~ao do sinal x1 (t). Logo a matriz E = 1 0 0 0 . Note que:

" = 2, = 101.
Aplicando a este caso as condic~oes (3.5), (3.21) e (3.23), obtemos as seguintes matrizes Q, Y e K .
-->Q
Q =
! 10195.154 104.34092 34.161826 42.822675 !

! 104.34092 40.364163 - 42.234899 16.680284 !
! 34.161826 - 42.234899 51.635992 - 20.169939 !
! 42.822675 16.680284 - 20.169939 12.265695 !
-->Y
Y =
! 342.59412 8.0082025 12.099617 8.1710709 !
-->K=Y*Q^(-1) // Matriz de Ganhos

K =
! - .0334339 3.7363881 4.5674268 3.2124967 !

A g (3.3) mostra o sinal x1 (t) para uma condic~ao inicial x0 = 0 2 0 0 .

100
x1 (t)
t(s)
-100
0 10 20
Figura 3.3: Sinal x1 (t) com limitac~ao de excurs~ao maxima para uma condic~ao inicial com kx0 k 2.
444
3.5 Atividades
1. Obtenha uma formulac~ao convexa para o problema de controle H2 utilizando o Graminiano de Obser-
vabilidade. Considere que Dzu 0. Por que devemos fazer esta considerac~ao ?
3.6. REFERENCIAS COMPLEMENTARES 49
2. Prove os resultados apresentados no teorema (3.2.1).

3. Obtenha uma formulac~ao convexa para o problema de controle H1 na vers~ao primal. Considere que
Dzu 0.
4. Prove o resultado proposto no corolario (3.2.1).
5. Obtenha uma formulac~ao convexa para o problema de estabilizac~ao por realimentac~ao de estados para
sistemas lineares incertos na representac~ao LFT com incerteza limitada em norma.
x_ = Ax + Bp p + Bu u + Bw w
q = Cq x + Dqp p + Dqu u + Dqw w
z = Cz x + Dzp p + Dzw w + Dzu u
p = q , kk 1 , = diag fIi g
Aplique o resultado anterior no sistema (1.8) para jj 100.
6. Obtenha uma formulac~ao convexa para o problema de controle H2 por realimentac~ao de estados, para
a classe de sistemas (3.11).
Aplique o resultado anterior no sistema (1.8) para 2 f 10; 10g.
7. Obtenha uma formulac~ao convexa para o problema de controle H1 por realimentac~ao de estados, para
a classe de sistemas (3.11).
Aplique o resultado anterior no sistema (1.8) para 2 f 10; 10g.
8. Prove os resultados apresentados no Teorema 3.3.2.
9. Estenda os resultados obtidos para a soluc~ao do Problema H2 por Realimentac~ao de Estados, para
Realimentac~ao de Estatica de Sada.
10. Repita o mesmo procedimento para o Problema H1
11. Para sistemas Lineares Incertos, obtenha condico~es equivalentes as dadas no Corolario (3.2.1), supondo
que agora o problema e de Realimentac~ao de sada.
12. Demonstre o resultado (3.21) para restric~oes na entrada de controle.
13. Demonstre o resultado (3.23) para restric~oes na sada.
14. Considere o sistema (1.8). Suponha que as variaveis de controle u1 e u2 s~ao limitadas em modulo
por =2 rad. Suponha que os ângulos de inclinac~ao com a horizontal e de vôo n~ao podem, por raz~oes
de seguranca, ultrapassar em modulo o ângulo de =4 rad. Suponha que as condic~oes iniciais est~ao
limitadas em norma a 1.
Determine uma lei de controle u = Kx que minimize a norma H2 do sistema (1.8).
Idem para a norma H1 .
15. Estenda os resultados de restric~oes na entrada e na sada para o caso de realimentac~ao estatica na
sada. Considere que x(t) 2 = fx : x0 W 1 x 1g, 8 t 0. Lembre-se que u = (FN 1 C )x.

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

Como ja mencionado na introduc~ao, as condic~oes de establidade por Lyapunov no caso discreto s~ao ligei-
ramente diferentes das do caso contnuo, devido a operac~ao de variac~ao discreta. Para apresentar estas
condic~oes, faremos algumas considerac~oes.
51
52 CAPITULO 4. SISTEMAS DISCRETOS - ANALISE, PERFORMANCE E SINTESE
Considere a seguinte equac~ao a diferênca (ou equaca~o recursiva):
xk+1 = f (xk ; k) (4.1)
Os sistemas discretos representados pela equac~ao recursiva (4.1) s~ao quadraticamente estaveis se existem
func~oes 1 (), 2 (), 3 () de classe K, e uma func~ao do tipo v(xk ) = xk Pxk , onde P e uma matriz simetrica,
0
denida positiva, tais que as seguintes condico~es s~ao satisfeitas 8 xk .
1 (kxk k) v(xk ) 2 (kxk k), e

v(xk ) = v(xk+1 ) v(xk ) 3 (kxk k).
O proximo teorema apresenta condic~oes na forma LMI para analise de estabilidade da classe de sistemas
discretos lineares invariantes no tempo.
Teorema 4.2.1 (Estabilidade Quadratica - Sistemas Discretos Invariantes no Tempo)

O sistema discreto xk+1 = Axk , onde A 2 Rnn e uma matriz constante, e quadraticamente estavel se
existe uma matriz P = P 0 , tal que as seguintes condic~oes sejam satisfeitas.
P > 0 , A0 PA P < 0 (4.2)
Em caso armativo, v(xk ) = xk Pxk e uma func~ao de Lyapunov para o sistema.
0
222
Exemplo 4.2.1 Determine a estabilidade do seguinte sistema discreto invariante no tempo.
2 1:1 0:35 0:025
3 2x 3
1;k
xk+1 = 4 1 0 0 5 xk , xk = 4 x2;k 5
0 1 0 x3;k
) Soluc~ao:
Determinamos a estabilidade do sistema aplicando diretamente o resultado do teorema (4.2.1). Onde obtemos
o seguinte resultado que comprova a estabilidade do sistema.
-->[P]=discreto();
Basis Construction
FEASIBILITY PHASE.
1.47e+00 -6.62e+02 6.63e+02
-1.27e+02 -6.54e+02 5.27e+02

4.3. PERFORMANCE DE SISTEMAS 53
-->P
P =
! 2987.8466 - 1228.5028 - 43.501205 !

! - 1228.5028 1583.2333 - 310.56782 !
! - 43.501205 - 310.56782 701.99128 !
444
4.3 Performance de Sistemas

O objetivo desta sec~ao e apresentar condic~oes LMIs para a determinac~ao das norma H2 e H1 da seguinte
classe de sistemas discretos.
(
xk+1 = Axk + Bw wk x0 = 0 (4.3)
zk = Cxk + Dw wk
com xk 2 Rn denotando o vetor de estados, w 2 Rr denotando o vetor das entradas de perturbac~ao e z 2 Rq
denotando o vetor das sadas de interesse. Tambem denotaremos Gwz ( ) como a func~ao de transferência
discreta de w para z e g(kT ) coma a resposta ao pulso unitario do sistema. Note que Gwz ( ) = Z [g(kT )].
Norma H2
Considere o sistema discreto (4.3) com Dzw = 0. A norma H2 e denida como
v
u
uX
kGwz ( )k2 = t
1
traco (g(k)0 g(k)) (4.4)
k=0
A norma H2 pode ser calculada, de maneira similar ao caso contnuo, atraves dos Graminianos de Observa-
bilidade e Controlabilidade, respectivamente dados por.
kGwz ( )k22 = traco (Bw Po B ) , Po : A0 Po A Po + C 0 C = 0 , e
0
kGwz ( )k22 = traco (CPc C 0 ) , Pc : APc A0 Pc + Bw Bw0 = 0 .

Da mesma forma que no caso contnuo, o calculo da norma H2 pode ser feito atraves de um problem de
otimizac~ao, da seguinte forma:
(
kGwz ( )k22 < min ( traco [Bw PBw ]) :
0 P >0, P =P 0
(4.5)
A0 PA P + C 0 C < 0
(
kGwz ( )k22 < min ( traco [C P C 0 ]) : PAPA
>0, P =P 0
0 P + Bw Bw0 < 0 (4.6)
Exemplo 4.3.1 (Determinac~ao da norma H2 )

Considere o seguinte sistema discreto.
2x 3 2 1:1 0:35 0:025
3 2x 3 203
1;k+1
4 x2;k+1 5 = 4 1 0 0 5 4 x21;k;k 5 + 4 0 5 [wk ]
x3;k+1 0 1 0 x3;k 1
z 1 2x 3
1;k
z2;k = 0 0
0 1 0
4 x21;k;k 5
x3;k
Determine a norma H2 pelo graminiano de controlabilidade.
) Soluc~ao:
Utilizando a condic~ao (4.6), obtivemos o seguinte resultado:
-->P
P =
! 3.5069065 - .9625339 .0723766 !

! - .9625339 1.3811243 - .0288760 !
! .0723766 - .0288760 1.0021918 !
-->sqrt(h2) // Norma H2
ans =
2.2108891
444
Norma H1
Considere o sistema discreto (4.3). A norma H1 e denida como
kGwz ( )k1 = sup kzk k2
kwk k2
kwk k2 6= 0 (4.7)
Suponha que exista uma func~ao de Lyaponov do tipo v(xk ) = xk Pxk , para o sistema (4.3) que satisfaca a
0
seguinte condic~ao para algum > 0

v(xk ) + zk zk 2 wk wk < 0
0 0
Mostraremos a seguir que kGwz ( )k1 < .

Relembrando que zk = Cxk + Dw wk , a condic~ao acima pode ser reescrita como
v(xk+1 ) v(xk ) + (Cxk + Dw wk )0 (Cxk + Dw wk ) 2 wk wk < 0 0

que em termos do vetor auxiliar xk wk ca

0 0
0
x (A0PA P + C 0 C ) (A0 PB + C 0 D ) x
0
k w w k
wk (B PA + D C )
0
w (D Dw 2 I )
0
w wk < 0 w
0 (4.8)
A partir de (4.8), podemos determinar numericamente a norma H1 . Este resultado e sumarizado pelo
seguinte problema de otimizac~ao.
8
>
< P" > 0 , P = P 0 #
kGwz ( )k21 < min : > (A0 PA P + C 0 C ) (A0 PBw + C 0 Dw ) < 0 (4.9)
: (Bw PA + Dw C ) (Dw Dw 2 I )
0 0 0
Exemplo 4.3.2 (Determinac~ao da Norma H1)

Determine a norma H1 do sistema apresentado no exemplo (4.3.1).
) Soluc~ao:
A norma H1 e facilmente determinada pela aplicac~ao direta do problema de otimizac~ao (4.9).
-->P
P =
! 35.726823 - 27.199833 .0111488 !

! - 27.199833 27.206311 - .0353473 !
! .0111488 - .0353473 .0258481 !
-->hinf=sqrt(gama) // Norma hinf

hinf =
.0046991
444
4.4 Realimentac~ao de Estados

Como no caso contnuo o Problema de Sntese de controladores por Realimentac~ao de Estados pode ser
resolvido de forma convexa.
Considere o sistema
x Axk + Buk + Bw wk
k+1 = (4.10)
zk = Cz xk + Dzu uk + Dzw wk
onde xk 2 Rn e o vetor de estados,wk 2 Rr s~ao as perturbac~oes externas, zk 2 Rq s~ao as sadas de

performance e uk 2 Rp s~ao as entradas de controle.
Suponha que todas as variaveis de estado s~ao mensuraveis, e a lei de controle e do tipo: u = Kxk . Com isso
o sistema (4.10) em malha fechada ca:
x
k+1 = (A + BK )xk + Bw wk (4.11)
zk = (Cz + Dzu K )xk + Dzw wk
O objetivo e encontrar uma matriz de ganho K que torne o sistema estavel em malha fechada, ou satisfaca
algum requisito de projeto. Primeiramente vamos tratar apenas o problema de estabilizac~ao quadratica, e
apos o caso de performance.
4.5 Estabilizac~ao Quadratica

PROBLEMA:
Como determinar a matriz de ganhos K tal que o sistema (4.10) n~ao forcado, w 0,
seja quadraticamente estavel.
Para solucionar este problema utilizamos a teoria de Lyapunov para sistemas discretos dado na sec~ao anterior.
Para o sistema (4.10) ser quadraticamente estavel temos que garantir que exista P > 0 e K tal que:
x0k [(A + BK )0 P (A + BK ) P ]xk < 0 (4.12)
Aplicando Schur na equac~ao acima obtem-se
P (A + BK )0 P < 0

P (A + BK ) P (4.13)
A condic~ao acima e n~ao convexa em P e K . Mas como no caso contnuo pode-se pre e pos multiplica-la por
diagfQ; Qg, com QP = I e reescrevê-la como
Q QA0 + QK 0B 0 < 0

AQ + BKQ Q (4.14)
que e a vers~ao Dual, agora convexa em Q e X = KQ.

Assim o problema de establizac~ao tera soluc~ao se existem matrizes Q > 0 e X tal que
Q QA0 + XB 0 < 0

AQ + BX Q (4.15)
Em caso armativo, a matriz de ganhos que estabiliza o sistema e dada por K = XQ 1.
Exemplo 4.5.1 Considere o sistema abaixo e determine um lei de controle do tipo u = Kxk que estabilize
o sistema.

xk = 00::25 02:1 xk + 01 uk (4.16)
) Soluc~ao:
Aplicando a condic~ao (4.15), encontramos a seguintes matrizes Q e X :
X =
! 5.9218124 - 69.661301 !
Q =
! 43.736278 - 2.4659886 !
! - 2.4659886 34.798281 !
E o ganho K=X*Q^(-1) que establiza

4.5. ESTABILIZACAO QUADRATICA 57
K =
! .0226174 - 2.0002576 !
444
Controle H2
PROBLEMA:
Como determinar a matriz de ganho K que estabiliza o sistema (4.10) e minimiza a
sua norma H2.
De forma semelhante ao caso contnuo utilizamos o Graminiano da Controlabilidade para garantir a conve-
xidade da soluc~ao. A prova dos resultados a seguir e semelhante a prova do caso de analise e sera omitida.
Teorema 4.5.1 Seja Gwz a func~ao de transferência de wk para zk em malha fechada com uk = Kxk do
sistema (4.10) com Dzw = 0.
Ent~ao a lei de controle que miniza a norma H2 deste sistema e determinada por
8
>
> P Cz Q + Duz X 0
>
< (Cz Q + Duz X )0 Q
2 min tr(P ) : > 2
min jjGwz jj2 P;Q;X Q (AQ + Bu X ) Bw
3 (4.17)
>
: 4 (AQ +Bw0Bu X )
> 0 50
0 Q
0 I
e o ganho uk = Kxk que minimiza a norma e dado por K = XQ 1.

Exemplo 4.5.2 Para o exemplo anterior obtenha uma lei de controle do tipo u = Kxk que alem de estabi-
lizar o sistema ainda minimize a sua Norma H2 . Para tal considere que
0 1
Bw = 00::66
3 ; D zu = 0 ; e C z =
) Soluc~ao: Aplicando o Teorema 4.5.1 obtem-se:
X =
! - 25460.886 - 0.2196001 !
Q =
! 127302.45 0.1980004 !
! 0.1980004 0.09 !
K =X*Q^(-1)
! - 0.2 - 2. !
-->G2=sqrt(trace(N))
G2 =
0.3
444
Controle H1
PROBLEMA:
sua norma H1.
Teorema 4.5.2 (Controle H1 - Realimentaca~o de Estados)
Considere o sistema (4.10). Se existem matrizes Q, X , e um escalar > 0, satisfazendo o seguinte problema
de otimizac~ao
2 Q 0 AQ + B X B 3
u w
2 6
6 0 2I
min : 4 QA0 + X 0B 0 QC 0 + X 0 D0 C z Q + D
Q 0
zu X D zw 77 0; Q > 0
u z 0 zu 5 (4.18)
Bw0 Dzw 0 I
Ent~ao, pode-se armar que
1. O Sistema e estabilizavel pela lei de controle u = XQ 1x.

2. A norma H1 do sistema e dada por kGwz k1 = .

4.6 Atividades
1. Demonstre o resultado do Teorema 4.2.1.
2. Considere o sistema discreto incerto, xk+1 = A() xk , 2 B . Onde A() e uma matriz am em .
Obtenha condic~oes convexas para determinar a estabilidade deste sistema.
3. Considere o seguinte sistema discreto.
(
xk+1 = A()xk + Bw ()wk
zk = C ()xk + Dw ()wk , 2 B
onde as matrizes A(), Bw (), C () e D() s~ao ans no parâmetro limitado a uma regi~ao convexa
B .
Determine condic~oes convexas (nas formas Primal e Dual) para:
Determinar a norma H2 , para Dw () = 0.

Determinar a norma H1 .
4. Prove os Teoremas 4.5.1 e 4.5.2.
5. Estenda os resultados de Realimentaca~o de Estados para o caso de uma realimentac~ao de Sada do
tipo u = Kyk com yk = Cxk .1
6. O que acontece com os Teoremas 4.5.1 e 4.5.2, se o sistema (4.10) tiver incertezas do tipo politopica.

Mais detalhes sobre criterios de performance H2 e H1 podem ser obtidos em [16]. Os resultados na formu-
lac~ao LMI para determinac~ao das normas H2 e H1 s~ao encontrados em [27, 47].
1 Tome como base o caso contnuo.

Captulo 5
Estabilidade Dependente dos
Parâmetros
5.1 Introduc~ao
A noc~ao de estabilidade quadratica tem sido usada com grande sucessso na busca de soluc~oes para problemas
de analise de estabilidade, performance e sntese de controladores. Entretanto nos problemas envolvendo
sistemas com incerteza parametrica, em certos casos relacionados a dependência temporal desses parâmetros,
essa noc~ao de estabilidade torna-se restritiva.
Neste ponto e importante diferenciar as classes de incertezas parametricas em relac~ao a sua dependência no
tempo.
Sistemas com parâmetros incertos e constantes, isto e, o parâmetro tem um valor xo mas seu valaor
exato n~ao e conhecido 1 .
Sistemas com parâmetros variantes no tempo e taxa de variac~ao ilimitada.
Sistemas com parâmetros variantes no tempo e taxa de variac~ao limitada.
Muitos resultados ja foram propostos para os dois primeiros casos extremos, no caso de sistemas invariantes
no tempo pelo \framework" -analysis e para o segundo caso pela noc~ao de estabilidade quadratica.
A partir do trabalho de Barmish & DeMarco, em [48], um grande numero de pesquisadores tem se dedicado
a obtenc~ao de tecnicas de analise e sntese utilizando funco~es de Lyapunov com dependência nos parâmetros
do sistema visando diminuir a conservatividade dos resultados apresentados pela estabilidade quadratica.
Dentro desse contexto historico, grande parte dos resultados sobre esse tema possuem conex~oes com o
\framework" de Popov e que s~ao aplicaveis a seguinte classe de sistemas.
X
L ! ( P
x_ = A0 + i A i x ) x_ = A0 x + Li=1 bi wi (5.1)
i=1 wi = i ci x , i = 1; : : : ; L
0
onde bi e ci s~ao vetores que indicam como os parâmetros i afetam a matriz do sistema nominal A0 .
Por Popov a estabilidade do sistema (5.1) e investigada utilizando-se a seguinte func~ao de Lyapunov do tipo
Lure-Postnikov.
X L !
v(x; ) = x0 P0 + i i ci ci x 0
(5.2)
i=1
1 Note que neste caso o sistema e invariante no tempo.
61
62 CAPITULO 5. ESTABILIDADE DEPENDENTE DOS PARAMETROS
onde a matriz P0 > 0 e os escalares i devem ser adequadamente determinados. Entretanto a restric~ao es-
trutural no modelo, Ai = bi ci , e na func~ao de Lyapunov, Pi = ci ci , ainda produzem resultados conservativos.
0 0
Motivados pela restritividade dos testes de estabilidade existentes, surgiram, no decorrer dos ultimos anos,
varios trabalhos aplicaveis a sistemas com incertezas invariantes no tempo e com taxa de variac~ao limitada.
Esses trabalhos empregam func~oes de Lyapunov com depêndencia parametrica, v(x; ) = x0 P ()x, como, por
exemplo, [29, 49] que utilizam as func~oes de Lyapunov am, onde a matriz P () dependente dos parâmetros
e dada por:
P () = P0 + 1 P1 + + LPL (5.3)
para matrizes Pj , j = 0; 1; : : : ; L, constantes.
Observe na express~ao abaixo que ao calcularmos a derivada temporal de v(x; ) = x0 P ()x, nos sistemas
com incertezas variantes no tempo, aparecer~ao termos na forma _j .
d v ( x; )
d P ( )

v_ (x; ) = 0
= x A( P () + P ()A() +
0
x (5.4)
dt dt
Dessa forma os resultados de estabilidade obtidos com func~oes de Lyapunov dependente dos parâmetros
s~ao dependentes das taxas de variac~ao das incertezas, _j , o que n~ao ocorre no caso quadratico. Logo, nos
casos onde os parâmetros variam muito lentamente, a estabilidade quadratica pode tornar-se um teste de
estabilidade muito conservativo.
Neste captulo, estudaremos a aplicac~ao de func~oes de Lyapunov com dependência parametrica na analise
de estabilidade de sistemas lineares incertos. Em particular, analisaremos as func~oes ans apresentadas em
[29, 49] e as func~oes bi-quadraticas 2 , introduzidas por Trono em [50], onde a matriz P () e quadratica em
. Para tal, este captulo esta organizado da seguinte maneira:
[Sec~ao (5.2)]: analise de estabilidade utilizando func~oes de Lypunov am na incerteza.
[Sec~ao (5.3)]: analise de estabilidade utilizando func~oes de Lyapunov Bi-Quadraticas.
[Sec~ao (5.4)]: atividade complementares.
[Sec~ao (5.5)]: referências indicadas para complementac~ao do conteudo proposto.
5.2 Estabilidade Am Quadratica (Matriz P () am em )

Considere o seguinte sistema linear incerto.
x_ = A()x = A0 + 1 A1 + + LAL , (5.5)

onde Aj 2 Rnn (j = 1; : : : ; L) s~ao matrizes constantes, x 2 Rn e o vetor de estados e = 1 L
0
e o vetor dos parâmetros incertos.

Nesta sec~ao estamos interessados em obter condic~oes LMIs para analise de estabilidade do sistema incerto
(5.5), considerando a classe de func~oes de Lyapunov, do tipo v(x; ) = x0 P ()x, am na incerteza, onde a
matriz P () e dada por (5.3). Para tal, consideraremos a seguinte noc~ao de estabilidade.
Denic~ao 5.2.1 (Estabilidade Am-Quadratica - AQS)
O sistema linear incerto (5.5) am-quadraticamente estavel se existem L +1 matrizes simetricas P0 ; : : : ; PL
tais que as seguintes
relac~oes sejam satisfeitas para todos os valores e trajetorias admissveis do vetor de
parâmetros = 1 L 0 .
P () := P0 + 1 P1 + + LPL > I
A()0 P () + P ()A() + dP () < 0
dt (5.6)
2 Comoveremos a seguir, podemos considerar a estabilidade am quadratica como um caso particular da estabilidade Bi-
Quadratica.
5.2. ESTABILIDADE AFIM QUADRATICA (MATRIZ P () AFIM EM ) 63
Em caso armativo, a func~ao v(x; ) = x0 P ()x e uma func~ao de Lyapunov para (5.5).
222
A seguir, apresentamos as formulac~oes convexas propostas em [49] e [29] para analise de estabilidade de
sistemas lineares com parâmetros invariantes e variantes no tempo com taxa de variac~ao limitada.
5.2.1 Sistemas com Incertezas Invariantes no Tempo

Considere o sistema linear incerto (5.5). Assuma que os parâmetros j s~ao constantes mas parcialmente
conhecidos. Logo, nas condic~oes de estabilidade n~ao aparecera o termo _ .
- Abordagem Politopica ([49])

Assuma que os parâmetros incertos j 2 [j ; j ]. Esta considerac~ao implica que 2 B , onde B e o politopo
que dene os valores admissveis das incertezas.
Como condic~oes de estabilidade, tem-se que:
v(x; ) > 0, e
v_ (x; ) = x0 (A()0 P () + P ()A())x < 0.
Observe que a condic~ao da derivada da func~ao de Lyapunov n~ao e convexa em . Para obter uma formulaca~o
convexa Gahinet et al., [49], utilizam a propriedade da multiconvexidade.
Uma func~ao F (; : : : ; L ) e multiconvexa em se para i ela for convexa em i com j constante (i 6= j ). Esta
propriedade e suciente para garantir que se F (; : : : ; L ) > 0 nos vertice de B ent~ao F (; : : : ; L) > 0 8
2 B . Considere que a func~ao F () pode ser reescrita como F () = x0 M ()x, onde M () = M ()0 e dada
por: X X X
M () = 0 + i i + ij i j + i i2
i i<j i
Para que F () > 0, basta que M () > 0. Ent~ao, M () deve ser multiconvexa, logo tem-se que:
@ 2 M () 0 , i = 1; : : : ; L
@i2
para todo i . Maiores detalhes sobre multiconvexidade s~ao encontrados em [22] e [49].
Com a noc~ao de multiconvexidade podemos enunciar o seguinte teorema sobre estabilidade am quadratica
(AQS) proposto em [49].
Teorema 5.2.1 (Estabilidade Am Quadratica - AQS), [49]

Seja = 1 L um vetor de parâmetros constantes mas incertos, contidos em um dado politopo
0
B .
Considere a classe de sistemas lineares incertos denida em (5.5).
O sistema (5.5) e am-quadraticamente estavel se existem matrizes P0 ; P1 ; : : : ; PL simetricas tais que as
seguintes LMIs sejam satisfeitas nos vertices do politopo B .
A()0 P () + P ()A() < 0
P () > In (5.7)
Ai Pi + Pi Ai 0 , para i = 1; : : : ; L
0
onde a matriz P () e denida por (5.3).
Em caso armativo, v(x; ) = x0 P ()x e uma func~ao de Lypunov.
222
Exemplo 5.2.1 (Estabilidade AQS)
Determine os valores maximo e mnimo admissveis para o parâmetro incerto invariante no tempo do
seguinte sistema incerto.
2 x_ 3 2 0 1 0
3 2x 3
4 x_ 12 5 = 4 0 0 1 5 4 x12 5
x_ 3 ( 1 + 0:1) 2 ( 1 + 0:5) x3
Considere a noc~ao de estabilidade am-quadratica.

) Soluc~ao:
Suponha que 2 [; ], logo o politopo B e denido pelos seguintes vertices: e .
Para determinar os valores maximo e mnimo admissveis para devemos aplicar sistematicamente o teorema
(5.2.1) ate que as condic~oes (5.7) n~ao sejam satisfeitas.
Note que podemos reescrever o sistema como:
2 x_ 3 02 0 1 0
3 2 0 0 0
3 1 2x 3
4 x_ 12 5 = @4 0 0 1 5+4 0 0 0 5 A 4 x12 5
x_ 3 1 2 1 0:1 0 0:5 x3
Buscando o maior valor possvel para e , atraves do teorema (5.2.1), obtemos os seguintes resultados.
-->[P0,P1]=aqs(-5.01,0.25);
Basis Construction
FEASIBILITY PHASE.
.
.
.
7.50e-13 -8.82e-09 8.83e-09
Absolute accuracy reached
-->P0
P0 =
! 8113.289 5959.2229 2177.6072 !

! 5959.2229 15262.962 3798.9305 !
! 2177.6072 3798.9305 6957.0571 !
-->P1
P1 =
! 9.7922824 160.11767 185.8004 !

! 160.11767 - 163.22112 - .0000122 !
! 185.8004 - .0000122 929.00226 !
Logo, pelo teste AQS, os valores maximos admissveis para s~ao: = 5:01 e = 0:25.
444
- Abordagem por incerteza limitada em Norma ([29])

Assuma que os parâmetros incertos, invariantes no tempo, satisfazem a seguinte restric~ao em modulo ji j
, i = 1; : : : ; L.
Considere a seguinte representac~ao por frac~oes lineares do sistema (5.5).
( h i
x_ = A0 x + Bp , B = A1 AL (5.8)
p = x , = diagfIn i g , i = 1; : : : ; L
onde a matriz A0 e Hurwitz.
Podemos reescrever o vetor auxiliar p da seguinte maneira.
2p 3 2x3
1 1
p = 64 ... 75 = 64 ... 75 2 RnL
pL Lx
onde cada partic~ao pi do vetor p satisfaz: pi = i x. Como ji j podemos utilizar a tecnica do DG-scaling
para obtermos condic~oes LMIS para determinar a estabilidade do sistema.
O proximo teorema, proposto por Feron et al., em [29], apresenta condic~oes em termos de LMIs, para analise
de estabilidade utilizando func~oes de Lyapunov ans em para um sistema com incerteza limitada em norma.
Teorema 5.2.2 (Estabilidade Am Quadratica - Incerteza limitada em Norma), [29]

Considere o sistema (5.8), onde ji j para todo i = 1; : : : ; L.
Considere a seguinte notac~ao auxiliar.

C = In In
2 RnLn , S =
0 L
diag Si , Si = Si 2 Rnn ,
0
i=1
L L
T = diag Ti , Ti = Ti 2 Rnn , P = diag Pi , Pi = Pi 2 Rnn
0 0
i=1 i=1
O sistema (5.5) e am-quadraticamente estavel se existem matrizes P0 , P , S e T tais que.
8
>
< "S > 0 , S = S , P20 = P0 , P = P , T = T #
0 0 0 0
> (A0 P0 + P0 A0 + C SC ) (P0 B + A0 C P C T < 0

0 0 0 0 0
(5.9)
: (B P0 + PCA0 + TC ) (B C P + PCB S )
0 0 0
Em caso armativo, v(x; ) = x0 P ()x e uma func~ao de Lyapunov, onde a matriz P () e dada por (5.3).
222
Exemplo 5.2.2 (AQS - Incerteza Limitada em Norma)

Considere o sistema do exemplo (5.2.1). Suponha que a incerteza , invariante no tempo, e limitada em
modulo por jj .
Determine o maximo valor possvel para tal que o sistema em estudo seja estavel pelo teste proposto pelo
teorema (5.2.2).
) Soluc~ao:
Como neste sistema so temos uma incerteza, as condic~oes do teorema s~ao simplicadas para:
8
>
< S" > 0 , S = S 0 , P20 = P0 , P1 = P1 , T = # T 0
0 0
9 P0 ; P1 ; S; T : > (A0 P0 + P0 A0 + S ) (P0 A1 + A0 P1 T < 0

0 0
: (A1 P0 + P1 A0 + T ) (A1 P1 + P1 A1 S )
0 0
Aplicando a condic~ao acima ao sistema em quest~ao, obtemos os seguintes resultados.
-->[P0,P1,S,T]=aqs_dg(1.11);
Basis Construction
recomputing initial guess
FEASIBILITY PHASE.
1.00e-05 -5.93e+02 5.93e+02
9.28e+01 -5.93e+02 6.85e+02
2.66e+01 -6.43e+01 9.09e+01
2.97e+00 -1.19e+01 1.49e+01
-1.63e+00 -6.35e+00 4.73e+00
-->P0
P0 =
! 6227.4969 7214.6923 1141.9783 !

! 7214.6923 15631.607 3994.2717 !
! 1141.9783 3994.2717 6418.1757 !
-->P1
P1 =
! - 788.36738 769.41896 - 235.31852 !

! 769.41896 3886.0345 37.901086 !
! - 235.31852 37.901086 2789.9106 !
-->S
S =
! 1020.6515 39.13483 208.20988 !

! 39.13483 602.36881 32.055665 !
! 208.20988 32.055665 3315.9726 !
-->T
T =
! 0. - 42.191971 - 2014.9845 !
! 42.191971 0. - 3837.3372 !
! 2014.9845 3837.3372 0. !
Logo, pelo teste AQS com incerteza limitada em norma os valores maximos admissveis para s~ao 1:11
1:11.
444
5.2.2 Sistemas Incertos com taxa de variac~ao limitada

Os parâmetros variantes no tempo, i (t), s~ao parâmetros cujos valores variam no tempo em uma determinada
regi~ao de valores, [i ; i ]. Portanto o sistema dinâmico e variante no tempo, tornando a busca por condic~oes
de estabilidade convexas mais complexas e em geral mais restritivas. Quando estes sistemas possuem taxa
de variac~ao das incertezas limitada podemos utilizar as func~oes de Lyapunov com dependência parametrica,
do tipo v(x; ) = x0 P ()x, visando obter condic~oes com menor grau de conservatividade.
A diculdade em utilizarmos as func~oes com dependência parametrica e o surgimento de termos _i na
determinac~ao da derivada da func~ao de Lyapunov. Entretanto estas funco~es levam em conta a velocidade
de variac~ao das incertezas, o que torna o teste de estabilidade menos conservativo em relac~ao a estabilidade
quadratica, principlamente nos casos com pequena taxa de variac~ao, veja uma discuss~ao mais detalhada em
[49] e [51].
Logo, nesta sec~ao, estamos interessados em obter condic~oes convexas para analisar a estabilidade de sistemas
lineares incertos com taxa de variac~ao limitada. Em particular, apresentaremos as condic~oes de estabilidade
propostas em [49] que utilizam as func~oes am na incerteza.
Visando obter uma formulac~ao LMI, considere que o sistema (5.5) possua parâmetros incertos, limitados a
uma regi~ao politopica B , variantes no tempo. Assuma em relac~ao a taxa de variac~ao parametrica que:
A taxa de variac~ao _i e bem denida 3 para todo o tempo t.
A taxa de variac~ao de satisfaz:
_ 2 B_ (5.10)

onde B_ e o politopo que dene os valores admissveis para o vetor taxa de variac~ao _ = _1 _L .
0
Para manipular o sistema variante no tempo, consideraremos _1 ; : : : ; _L como parâmetros incertos adicionais,
limitados a regi~ao politopica B_ .
3 Em inglês, \well-denied".
Com as considerac~oes acima, para a matriz P () dada por (5.3), tem-se que
P (_ ) = dPdt() = _1 P1 + + _L PL = P (_ ) P0 (5.11)
Logo, podemos estender os resultados apresentados no teorema (5.2.1) para os sistemas variantes no tempo.
Teorema 5.2.3 (AQS - Sistemas Variantes no Tempo)

Seja B um dado politopo que dene os valores admissveis para os parâmetros incertos. Seja B_ um dado
politopo que dene os valores admissveis para a taxa de variac~ao das incertezas. Considere o sistema (5.5)
com parâmetros variantes no tempo.
O sistema (5.5) e am-quadraticamente estavel se existem L+1 matrizes simetricas P0 ; : : : ; PL que satisfazem
as seguintes relac~oes nos vertices do meta-politpo B = B B_ .
A()0 P () + P ()A() + P (_ ) < P0
P () > In (5.12)
Ai Pi + Pi Ai 0 , para i = 1; : : : ; L
0
(5.13)
onde P () e dada por (5.3) e P (_ ) por (5.11).
Em caso aramtivo, v(x; ) = x0 P ()x e uma func~ao de Lyapunov para o sistema.
222
Exemplo 5.2.3 (AQS - Sistema Variante no Tempo)

Considere o sistema do exemplo(5.2.1). Suponha que o parâmetro incerto e variante no tempo mas limitado
ao intervalo [; ]. Assuma que a taxa de variac~ao parametrica e limitada, onde _ 2 [ 1; 1].
Determine, utilizando o teorema (5.2.3), o valores maximo e mnimo admissveis para a incerteza .
) Soluc~ao:
Aplicando as considerac~oes acima ao teorema (5.2.3) obtemos os seguintes resultados.
-->[P0,P1]=aqs_lpv(-0.24,0.10);
Basis Construction
FEASIBILITY PHASE.
.
.
.
9.74e-11 -6.04e-09 6.15e-09
Absolute accuracy reached

5.3. ESTABILIDADE BI-QUADRATICA 69
-->P0
P0 =
! 28331.766 22039.685 7100.6839 !

! 22039.685 48540.794 14171.102 !
! 7100.6839 14171.102 20979.987 !
-->P1
P1 =
! - 88.070845 156.3776 867.48398 !

! 156.3776 121.07828 - .0004764 !
! 867.48398 - .0004764 4337.4137 !
Logo pelo teste AQS para sistemas com parâmetros variantes no tempo os valores admissveis para a incerteza
s~ao: 0:24 0:10.
444
5.3 Estabilidade Bi-Quadratica

Na sec~ao anterior tratamos do problema de analise da estabilidade do sistema (5.5) atraves de uma funca~o
de Lyapunov am nos parâmetros. Nesta sec~ao vamos analisar a estabilidade deste mesmo sistema buscando
encontrar uma func~ao de Lyapunov quadratica em , do tipo v(x; ) = x0 P ()x, com
P () = P0 + P1 + 0 P10 + 0 P2 (5.14)
onde = [1 I; ; L I ]0 2 B , que garanta a estabilidade do sistema incerto (5.5). Se encontrarmos uma
v(x; ) = x0 P ()x deste tipo que garanta a estabilidade dizemos que o sistema e Bi-quadraticamente estavel
(BQS).
Note que esta func~ao de Lyapunov engloba os caso de estabilidade quadratica, quando as matrizes P1 e P2
s~ao iguais a zero e o caso de estabilidade am, quando P2 = 0.
Supomos que as incertezas i est~ao descritas na forma politopica e s~ao variantes no tempo com uma taxa de
variac~ao dos parâmetros descrita por (5.10).
Para que o sistema (5.5) seja Bi-quadraticamente estavel, tem-se que satisfazer as seguintes condic~oes de
estabilidade:
v(x; ) > 0 e
v_ (x; ) = x0 (A()0 P () + P ()A() + P_ ())x < 0, para todo 2 B e _ 2 B_ .
Note que as condic~oes acima n~ao s~ao convexas em A() e P (), n~ao sendo assim possvel trata-las diretamentes
via LMI. No entanto pode-se reescrever o sistema (5.5) e a func~ao de Lyapunov em func~ao de uma variavel
de estado auxiliar, obtendo condic~oes convexas na nesta variavel de estado para a analise da estabilidade do
sistema original.
Primeiramente vamos reescrever o sistema (5.5) como:

x_ = A0 A
x ; (5.15)

onde = x 2 RnL e uma variavel auxiliar e

A = A1 AL 2 RnnL

= 1 I L I 2 RLnn (5.16)
A dinâmica da variavel auxiliar e dada por:

_ + x_ = _ + A0 A
_ = x
x (5.17)

Pode-se assim construir o seguinte sistema auxiliar, com o estado dado por 0 = [x0 0 ].
_ = Aa ; Ca = 0 (5.18)
A A ; Ca =
Aa = 0 I
_ + A0 A
Note que as trajetorias que satisfazem = x s~ao equivalentes a Ca = 0, tornando assim o sistema (5.18)
equivalente ao sistema (5.5).
Perceba tambem que a func~ao de Lyapunov pode ser reescrita em func~ao da nova variavel de estado . Ou
seja:
v(x; ) = x0 P ()x > 0

com P () dado em (5.14) pode-se reescrever v(x; ) como
0
v(x; ) = x0 I P I x > 0
Como 0 = [x0 0 ] tem-se:
v( ) = 0 P > 0 8 : Ca = 0 (5.19)
Com o sistema auxiliar (5.18) e a func~ao de Lyapunov (5.19) obtem-se condic~oes convexas para a analise da
estabilidade do sistema (5.5). Este resultado sera enunciado a seguir na forma de um Teorema.
Teorema 5.3.1 (BQS - Sistemas Variantes no Tempo)

Seja B um dado politopo que dene os valores admissveis para os parâmetros incertos. Seja B_ um dado
politopo que dene os valores admissveis para a taxa de variac~ao das incertezas. Considere o sistema (5.5)
com parâmetros variantes no tempo.
O sistema (5.5) e Bi-quadraticamente estavel se existem L +1 matrizes simetricas P0 ; : : : ; PL que satisfazem
as seguintes relac~oes nos vertices do meta-politpo B = B B_ .
A0 P + PA + LC + C 0 L0 < 0
a a a a (5.20)
0 0
P + MCa + Ca M > 0
5.3. ESTABILIDADE BI-QUADRATICA 71
Em caso armativo, v(x; ) = x0 P x com P () dado em (5.14) e uma func~ao de Lyapunov para o sistema
(5.5)

Note que a prova sai pela aplicac~ao das condic~oes de estabilidade quadratica no sistema e na funca~o de
Lyapunov auxiliar.Eliminando as variaveis auxiliares retorna-se as condic~oes de estabilidade bi-quadratica
para o sistema (5.5), provando assim o teorema. Uma prova mais completa pode ser obtida em [50, 51].
As condic~oes do Teorema 5.3.1, podem ser tambem utilizadas para sistemas com incertezas invariantes
no tempo. Neste caso basta supor que todos os parâmetros incertos s~ao constantes n~ao tendo taxa de
variac~ao. Bastanto assim testar as condic~oes do teorema para os vertices da regi~ao formada por B em vez
do meta-politopo B.
Exemplo 5.3.1 Para o exemplo 5.2.3, utilizando uma func~ao de Lyapunov quadratica em determine o
intervalo maximo admissvel para a incerteza . Compare com os resultados obtidos quando utiliza-se uma
func~ao de Lyapunov am.
) Soluc~ao:
-->[P,l,M]=BQS(-137,1.09)
Basis Construction
FEASIBILITY PHASE.
3.00e+02 -5.93e+06 5.93e+06

.
.
.
1.15e-04 -7.43e-04 8.58e-04
-3.64e-05 -2.65e-04 2.28e-04

M =
! - 11.610531 88.978679 - 28.546564 !

! - 99.186179 - 37.91755 - 80.982193 !
! 22.68837 71.868624 - 11.981368 !
! - 0.2125781 - 0.0750547 - 0.0457906 !
! - 0.0750520 - 0.7453960 - 0.0703145 !
! - 0.0458462 - 0.0704144 - 0.1903426 !
l =
! - 5.3120818 - 74.151683 84.455619 !

! - 24.592524 - 52.977701 103.40267 !
! - 48.64469 - 81.523528 245.22562 !
! 2.5642068 7.4767521 0.0691320 !
! 0.1672040 0.0626429 - 0.2364803 !
! 12.570041 38.297 - 0.3615791 !
P =
column 1 to 5
! 534.83076 487.36685 154.42273 0.2265212 99.200867 !

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

Resultados sobre robustez em sistemas lineares com incertezas invariantes no tempo s~ao encontrados em [28].
Em [52], utiliza-se na analise de sistemas lineares incertos func~oes de Lyapunov multi-ans. Neste trabalho
s~ao feitas interessantes conex~oes com os resultados apresentados pelas tecnicas de Popov e estabilidade am
quadratica.
Parte II:
Conceitos Avancados
Captulo 6
Sistemas LPV
Jose de Oliveira
6.1 Introduc~ao
Este captulo trata do problema de sntese de sistemas lineares variantes no tempo do tipo LPV.
Os resultados aqui apresentados foram obtidos empregando a abordagem LMI e uma func~ao de Lyapunov
com dependência parametrica.
Utilizando as noc~oes de estabilidade quadratica, am-quadratica e bi-quadratica e possvel efetuar compa-
rac~oes dos ressultados obtidos com cada uma destas denic~oes, e assim, avaliar o grau de conservativismo
imposto por cada uma delas.
No caso de sntese, o problema de estabilizaca~o robusta permite obter dois tipos de controladores: o contro-
lador robusto e o controlador LPV. Este ultimo conhecido na literatura por gain scheduling.
Para facilitar a compreens~ao e tornar este captulo o mais autocontido possvel, inicialmente reveremos
rapidamente os problemas de analise e performance de sistemas lineares a parâmetro-variantes, sec~oes (6.2)
e (6.3), apresentando a notac~ao a ser utilizada no problema de sntese.
Notac~ao:
Por conveniência denotaremos os parâmetros incertos pela variavel ao inves da variavel usual .
6.2 Norma H2 para Sistemas Variantes no Tempo

Seja o sistema linear
G~ : x_ = A(t)x + Bw (t)w
(6.1)
z = C (t)x
77
78 CAPITULO 6. SISTEMAS LPV
onde x(t) 2 Rn e o estado , w(t) 2 Rnw e a entrada , z (t) 2 Rnz e a sada, e A(t), Bw (t) e C (t) s~ao funco~es
matriciais reais de dimens~oes apropriadas.
Quando as perturbac~oes que afetam o sistema s~ao sinais de forma conhecida, e possvel representa-las como a
sada de um sistema dinâmico excitado por um impulso, essa dinâmica pode ser incorporada a planta G a qual
considera-se como sendo excitada por perturbaco~es w impulsionais. O sinal z (t) sera a resposta impulsional do
sistema, e a sua norma coincidira com jjGzw jj2 . Se modelarmos as perturbac~oes como processos estocasticos
de densidade de potência conhecida, a norma de jjGzw jj2 coincide com o valor RMS da energia do sinal de
sada.
A denic~ao da norma H2 para func~oes de transferência e dada por
Z +1
jjGjj22 = 21 trfG (jw)G(jw)gdw (6.2)
1
onde G(s) = C (sI A) 1 B + D.

Esta equac~ao e valida se o sistema for invariante no tempo, estavel e estritamente proprio, ou seja D = 0.
Se o sistema possuir D 6= 0, ent~ao a norma H2 sera innita.
Caso o sistema seja modelado por uma representac~ao por variaveis de estado, a norma H2 pode ser calculada
tomando-se a seguinte denic~ao, que considera t variando no intervalo [0; T ].
Denic~ao 6.2.1 [16]

Seja o sistema G~ denido por (6.1) exponencialmente estavel. Ent~ao a norma H2 de G~ e denida por
(
ZT )
lim 1
kG~ k22;[0; T ] = E T
z (t)z (t)dt (6.3)
T !1 T 0
onde x(0) = 0, w e um rudo branco de media nula com matriz de densidade de potência igual a identidade,
e E representa a esperanca matematica tomada em relac~ao a w.
222
A vantagem da denic~ao acima e que ela se aplica a sistemas variantes no tempo e com entradas do tipo
rudo branco. Para sistemas lineares invariantes no tempo a denic~ao (6.3) e equivalente a (6.2) com w sendo
um impulso unitario.
O lema a seguir apresenta condic~oes para obtenc~ao da norma H2 com gramianos e empregando inequac~oes
matriciais.
Lema 6.2.1
Seja o sistema G~ denido por (6.1), e as seguintes condic~oes:
1. Se o sistema G~ e exponencialmente estavel, ent~ao
1 ZT n o
~ 2
kGk2;[0; T ] = Tlim Tr C (t )Q ( t )C ( t)
0
dt (6.4)
!1 T 0
= Tlim 1 Z T Tr n B (t) R(t)B (t) o dt
0
(6.5)
!1 T 0
onde Q(t) e R(t) satisfazem respectivamente
Q_ (t) = A(t)Q(t) + Q(t)A(t) + B (t)B (t) ; Q(0) = 0
0 0
(6.6)
R_ (t) = R(t)A(t) + A(t) R(t) + C (t) C (t); R(T ) = 0

0 0
(6.7)
6.2. NORMA H2 PARA SISTEMAS VARIANTES NO TEMPO 79
2. Se existe uma func~ao de matriz P (t) e P~ (t) denida positiva e limitada em [0; 1) tal que
P_ (t) + A(t)P (t) + P (t)A(t) + B (t)B (t) < 0; 8 t 2 [0; 1)
0 0
(6.8)
P~_ (t) + P~ (t)A(t) + A(t) P~ (t) + C (t) C (t) < 0; 8 t 2 [0; 1)
0 0
(6.9)
ent~ao o sistema G~ e exponencialmente estavel, e
1 ZT n o
kG~ k22;[0; T ] < Tlim
!1 T 0
Tr C (t)P (t)C (t) dt
0
(6.10)
1 Z T n o
< Tlim
!1 T 0
Tr B (t) P (t)B (t) dt:
0
(6.11)
222
A norma H2 tambem pode ser calculada resolvendo-se um problema de otimizaca~o convexa, o que sera
apresentado nas sec~oes subsequentes.
O problema de sntese padr~ao de otimizac~ao H2 consiste na obtenca~o do controlador que minimiza a norma
H2 de Gzw , isto e, entre as perturbac~oes w e as sadas de interesse z . Para maiores detalhes veja [53] [25]
[54] [18].
Por quet~ao de simplicidade de notac~ao omitiremos [0; T ] em kG~ k22;[0; T ] nas aplicaco~es deste lema.
6.2.1 Norma H1 para Sistemas Variantes no Tempo

A norma H1 de uma func~ao de transferência e calculada como sendo o maximo valor singular de G(jw)
para todos os valores de w, isto e
jjG(jw)jj = sup fG(jw)g
1
w
(6.12)
onde (:) denota o maximo valor singular de G(jw).

Esta norma esta associada ao maior ganho que pode existir de alguma das entradas para alguma das sadas,
ao longo de todo espectro de frequência. Assim, a minimizac~ao da norma H1 de uma funca~o de transferência
consiste em abordar o problema de atenuac~ao de perturbac~ao analisando-se o pior caso possvel de ganho
entrada/sada para o sistema.
Para o sistema modelado por uma representac~ao de variaveis de estados, como em (6.1) onde sem perda de
generalidade considerou-se Dw (t) = 0, a norma H1 pode ser calculada tomando-se a seguinte denic~ao.
Denic~ao 6.2.2 (jjG~wz jj1 )

Admita que o sistema (6.1) seja exponencialmente estavel e seja G~ wz o operador entrada/sada de w(t) para
z (t) de (6.1). Ent~ao dene-se a norma H1 do operador G~ wz , ou do sistema (6.1), como sendo
kzk2
jjG~ wz jj1 = sup kwk2 ; x(0) = 0 :
w2L2 ; kwk2 6=0
222
Note que jjG~ wz jj1 representa o ganho induzido pela norma L2 de sinais.
A norma H1 pode ser encontrada da seguinte forma
jjG~ wz jj1 = inf fkG~ wz k1 < g:

Esta tecnica de encontrar jjG~ wz jj1 consiste na busca de > 0. Para cada , testa-se a condic~ao jjG~ wz jj1 <
incrementando-se ou decrementendo-se .
Ent~ao, determinar se jjG~ wz jj1 < e um problema algebrico que consiste em encontrar condic~oes sobre a
realizac~ao A(t); B (t); C (t); D(t) em G~ que sejam equivalentes a jjG~ wz jj1 < .
Para o caso de sntese o problema subotimo H1 consiste em encontrar um controlador tal que a norma H1
da func~ao de transferência Gwz seja menor que um valor pre-especicado. O problema otimo H1 consiste
em encontrar um controlador que minimize essa norma. Para maiores detalhes veja [55] [56] [16].
Com estas denic~oes estamos aptos a apresentar abordagens LMI que permitem a garantia de limitantes
para as normas H2 e H1 atraves de um problema de factibilidade.
6.3 Analise de Sistemas LPV

6.3.1 Estabilidade Robusta
Ao longo desta sec~ao, apresentam-se condic~oes LMI para analise de estabilidade e performance de sistemas
lineares variantes no tempo na seguinte forma:
x_ = A()x; x(0) = x0 (6.13)
onde a matriz de dinâmica A() possue uma dependência am com o parâmetro . Isto e
X
n
A() = A0 + i Ai (6.14)
i=1
x 2 Rnx e o estado do sistema, Ai 2 Rnx nx ; i = 0; 1; ; n s~ao matrizes conhecidas e i ; i = 1; ; n
s~ao parâmetros reais que possuem magnitude e taxa de variac~ao temporal _ limitada. Admite-se que os
parâmetros e suas respectivas taxas de variaca~o possam assumir qualquer valor dentro de um politopo
cujos vertices s~ao conhecidos a priori .
(; _) 2 (6.15)
Admita que o sistema (6.13) seja repesentado pela seguinte equac~ao

x_ = A0 A
I x (6.16)

onde

A = A1 An 2 Rnx nx n (6.17)

= 1 Inx n Inx 0 2 Rnx n nx (6.18)
Empregando (6.16), apresenta-se a seguir um teorema que prop~oe condic~oes sucientes na analise de estabi-
lidade robusta.
Teorema 6.3.1 Seja o sistema (6.13) e a seguinte notac~ao

Aa = _ +A0 A AA ; a = Inx
0 (6.19)

Ca = Inx n

6.3. ANALISE DE SISTEMAS LPV 81
e seja um politopo construdo a partir dos valores de (; _). Admita que existe uma matriz simetrica
P 2 Rnx (n +1)nx (n +1) e matrizes L; M 2 Rnx (n +1)nx n tais que as seguintes LMIs sejam satisfeitas nos
vertices do politopo .
A0a P + PAa + LCa + Ca0 L0 < 0 (6.20)
P + MCa + Ca0 M 0 > 0
Ent~ao o sistema (6.13) e bi-quadraticamente estavel e v(x; ) = x0 P ()x e uma func~ao de Lyapunov para o
sistema.
222
Exemplo 6.3.1 (Analise de Estabilidade de um Sistema LPV)

O sistema apresentado a seguir
8 9
108 9

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

Seja o sistema linear
x_ = A()x + Bw ()w
z = C ()x (6.22)
com
2 I 3 2 I 3
I nw
1 nx 6 Inw 77
= 64 ... 75 ; a = nx ; w = 664 ..
1
.
75
n Inx (6.23)
n Inw
A() = A0 + A ; Bw () = Bw w ; C () = C a
onde x 2 Rnx ; w 2 Rnw ; z 2 Rnz s~ao respectivamente os vetores de estado, disturbio e de performance;
A; Bw ; C s~ao matrizes dadas de dimens~oes compatveis, = (1 ; : : : ; n ) 2 Rn s~ao parâmetros reais, que
podem variar no tempo.
O teorema seguinte permite estudar o problema de performance H2 para sistemas variantes no tempo do tipo
LPV. Este estudo e feito empregando-se LMIs que apresentam condic~oes sucientes. A soluc~ao numerica
destas LMIs em conjunto com um problema de otimizac~ao convexa permite que um limitante superior para
a jjGwz jj2 seja obtido.
Teorema 6.3.2 Seja o sistema (6.22) e a seguinte notac~ao

Aa = _ +A0 A AA ; Ca = Inx n
0
(6.24)
Cb = B 0() Inx (n +1) 0 a
w 0 Inw 0
e seja um politopo construdo a partir dos valores de (; _). Admita que existe uma matriz simetrica
P 2 Rnx (n +1)nx (n +1) , matrizes L 2 Rnw +nx (n +2)nx , M 2 Rnx (n +1)nx n , e uma func~ao matricial
simetrica N () 2 Rnw nw e o escalar l que solucionam o seguinte problema de otimizac~ao, onde as LMIs
est~ao satisfeitas nos vertices do politopo .
minimize flg :
A0 P + PA + MC + C 0 M 0 C 0
a a a a
C Inz < 0
2 N ( ) 0 0 0 3
66 0 P P a 0 77 + LC + C 0 L0 > 0 (6.25)
4 0 0 P 0 0 5 b b
a
0 0 0 0nx
l TrfN ()g 0
Ent~ao o sistema n~ao forcado x_ = A() x e bi-quadraticamente estavel, com a func~ao de Lyapunov V (x; ) =
x0 P ()x, e a norma H2 do sistema satisfaz
Z
1 T TrfB ()0 P ()B ()gdt < l
jjGwz jj22 < Tlim
!1 T 0 w w (6.26)
222
6.3.3 Performance robusta em H1

Seja o sistema linear variante no tempo descrito pela seguinte equac~ao de estado.
x_ = A()x + Bw ()w
z = C ()x + Dw ()w (6.27)
com
A() = A0 + A; Bw () = Bw w ; C () = C a; Dw () = Dw w
2 I 3 2 I 3
I nw
1 nx 6 Inw 77 (6.28)
= 64 ... 75 ; a = nx ; w = 664 ..
1
.
75
n Inx n Inw
6.4. SINTESE PARA SISTEMAS LPV 83
onde x 2 Rnx ; w 2 Rnw ; z 2 Rnz s~ao respectivamente os vetores de estado, disturbio e de performance;
A0 ; A; Bw ; C ; Dw s~ao matrizes dadas de dimens~oes compatveis, = (1 ; : : : ; n ) 2 Rn s~ao parâmetros
reais, que podem variar no tempo. Se sup~oe que estes parâmetros e suas respectivas taxas de variac~ao possam
assumir qualquer valor dentro de um politopo cujos vertices s~ao conhecidos a priori .
A soluc~ao das LMIs, apresentadas no teorema a seguir, em conjunto com o problema de otimizac~ao convexa,
permite que um limitante superior para a jjGwz jj1 seja encontrado.
Teorema 6.3.3 Seja o sistema (6.27) e um politopo dado que representa os valores admissveis de (; _).
Seja a notac~ao
C = [ I]
2 A() aI 0 0 0 0 0
3
66 a 0 I 0 0 0 0 77
= 66 C () 0 0 I 0 0 0 77
4 0 0 0 0 I 0 Bw () 5
0 0 0 0 0 I Dw ()
2 0 0 _ 0a P 0 0 C ()0 0
3
66 0 0 0
a P 0 0 0 0 77
66 P _ a P a0 0 P a 0 0 77
= 66 0 0 Inz 0 77 :
66 0 00 0a P 0 0
0
0
0
0 77
4 C () 0 0 0 0 Inz 0 5
0 0 0 0 0 0 2Inw
Ent~ao, dado um escalar > 0, o sistema (6.27) e bi-quadraticamente estavel e jjGjj1 < , se existem
matrizes P 0 = P , M e L tais que as LMIs
+ M + 0 M 0 < 0 (6.29)
P + LCa + Ca0 L0 > 0 (6.30)
s~ao factveis em todos os vertices do politopo . Alem disso, a func~ao V (x; ) = x0 P ()x e uma func~ao de
Lyapunov para o sistema (6.27) n~ao forcado (w 0).
222
6.4 Sntese para Sistemas LPV

6.4.1 Estabilizac~ao robusta
Seja um sistema linear variante no tempo descrito por
X
n !
x_ = A0 + i Ai x + Bu u: (6.31)
i=1
O sistema (6.31) pode ainda ser representado da seguinte forma

I
x_ = A0 A x + Bu u (6.32)
com
A = A1 An 2 Rnx nx n

= 1 I n I 0 2 Rnx n nx
onde A0 , A e Bu s~ao matrizes constantes dadas de dimens~oes compatveis, x 2 Rnx ; u 2 Rnu s~ao respectiva-
mente os vetores de estados e entrada de controle; := (1 ; ; n ) e um vetor de parâmetos reais variante
no tempo limitado em magnitude e taxa de variac~ao.
O sistema (6.31) e considerado como um sistema linear com dependência parametrica do tipo LPV, onde
i (t), i = 1; : : : ; n , est~ao disponveis para medida "on-line", contudo, suas trajetorias n~ao est~ao disponveis
a priori . E admitido que os valores de i (t) e _(t), para todo t 0, pertence ao politopo . Neste
caso, objetiva-se projetar um controle por realimentaca~o de estados com dependência parametrica am que
estabilize o sistema realimentado.
A lei de controle que procuramos e do tipo
X
n
u = K ()x; K () = K0 + Ki i : (6.33)
i=1
Apresenta-se a seguir uma soluc~ao para o problema acima.
Seja a notac~ao
Aa = _ +A0 A AA ; a = Inx
0

Ca = I ; Ba = a Bu :

0
Se existem matrizes W = W > 0 , Fa , L e N , tais que as seguintes condic~oes s~ao satisfeitas em todos os
vertices do politopo
WA0a + Aa W + Ba Fa + Fa0 Ba0 + LCa + Ca0 L0 < 0 (6.34)
Ca W = NCa : (6.35)
Ent~ao existe uma realimentac~ao de estados do tipo (6.33) tal que o sistema em malha fechada e bi-quadraticamente
estavel, onde os Ki ganhos da lei de controle s~ao dadas por:
[K0 K1 Kn ] = Fa W 1 (6.36)

e V (x; ) = x0 0a W 1 ax e uma func~ao de Lyapunov para o sistema em malha fechada.
222
O sistema realimentado com os ganhos (6.36) passa a ter a seguinte formulac~ao

x_ (t) = [(A0 + Bu K0 ) + (A1 + Bu K1 )1 + + (An + Bu Kn )n ]x:
Quando os parâmetros n~ao est~ao disponveis para medida, eles n~ao podem aparecer na lei de controle
(6.33). Neste caso os elementos das matrizes Ki s~ao assumidos como nulos. Note no Teorema 6.4.1, que a
lei de controle admitira as matrizes Ki nulas, se as partico~es correspondentes da matriz Fa em (6.36) forem
zeradas e a matriz W admitir uma estrutura bloco diagonal. Observe ainda, que a remoc~ao dos parâmetros
da lei de controle, n~ao implica em removê-los da funca~o de Lyapunov, mantendo-se assim as condic~oes de
robustez desejada.
Uma caracterstica interessante da lei de controle apresentada em (6.33) e que ela possue uma dependência
parametrica am, o que facilita a implementac~ao "on-line", quando comparada as tecnicas de controle
apresentadas em [57], [58], nas quais a dependência parametrica e n~ao linear.
Exemplo 6.4.1 (Sntese de Controladores de um Sistema LPV)

Consideremos a seguinte representac~ao do sistema.
x_ = A(1 ; 2 )x + Bu (6.37)
Onde A(1 ; 2 ) = A0 + 1 A1 + 2 A2 com

2 0:02 0:005 2:4 32 3 2 0:14 0:12 3
6
A0 = 64 00:14 00::018
44 1:3 30 77 B = 66 0:36 8:6 77
1:6 1:2 5 4 0:35 0:009 5
0 0 1 0 0 0
20 0 0 32
3 20 0 0 03
6
A1 = 64 00 0 0 0 77 6 7
A2 = 64 00 00 01:6 00 75
0 0 0 5
0 0 0 0 0 0 0 0
Sob condic~ao nominal (1 = 2 = 0) têm-se
2 0:02 0:005 2:4 32
3 2 0:14 0:12 3
6
A(1 ; 2 ) = A0 = 64 00:14 00::018
44 1:3 30 77 B = 66 0:36 8:6 77 (6.38)
1:6 1:2 5 4 0:35 0:009 5
0 0 1 0 0 0
O sistema nominal e instavel, estabilizavel por realimentac~ao de estados usual e possue os seguintes polos
8 0:49 + j 0:41
>
<
polos > 00::49
065
j 0:41 (6.39)
: 2:227
Na matriz de dinâmica s~ao considerados dois parâmetros incertos. Vamos supor que os parâmetros incertos
satisfazem
ji j 0:1; i = 1; 2 (6.40)
E ainda que o parâmetro 1 esteja sujeito a uma taxa de variac~ao de

j_1 j 0:01 (6.41)
Com a representac~ao acima podemos construir as seguintes matrizes

= 1 I44 2 I44
(6.42)

A = A1 A2
(6.43)
Que permitem obter as matrizes Aa ; Ba e Ca . Resolvendo as LMIs dadas por (6.34) e (6.35) obtem-se as
seguintes matrizes de ganho
0:35962 0:14920 175:356 358:712

K0 = 0:00522 0:06036 8:05411 20:3938
0:00473 0:00227 0:70233 27:0259

K1 = 0:00027 0:00010 0:04980 0:52741 (6.44)
0:00513 0:00112 5:23728 9:39744

K2 = 0:00029 0:00006 0:24730 0:46486
A lei de controle que estabiliza o sistema (6.37) e dada por
u = K0 x + 1 K1 x + 2 K2 x (6.45)
E o sistema realimentado passa a ter a seguinte representac~ao
x_ (t) = [(A0 + BK0 ) + (A1 + BK1 )1 + (A2 + BK2 )2 ]x (6.46)
444
6.4.2 Estabilizac~ao robusta empregando norma H2

Esta sec~ao trata do problema de projeto de uma lei de controle baseada na noc~ao de estabilidade bi-
quadratica. Objetiva-se encontrar um limitante superior para a norma H2 tal que 8(; _) 2 . Dentro
desta abordagem, a estabilidade e o custo H2 para o sistema em malha fechada est~ao baseados em uma
func~ao de Lyapunov com dependência parametrica.
Nos estaremos buscando por formulac~oes LMI que apresentem condic~oes sucentes para estabilizac~ao do
sistema.
Seja o sistema
x_ = A()x + Bw ()w + Bu u (6.47)
z = C ()x + Du ()u
com
A() = A0 + A ; Bw () = Bw w ; C () = C a ; Du () = Du u
2 I 3 2 I 3 2 I 3
nw
1 nx I 6 Inw 77 66 1nInuu 77
= 64 ... 75 ; a = nx ; w = 66 ..
1
4 . 75 ; u = 6 ..
4 . 75
n Inx n Inw n Inu
onde A0 , A, Bw , Bu , C , Du s~ao matrizes constantes dadas de dimens~oes compatveis, x 2 Rnx , u 2 Rnu ,
w 2 Rnw , z 2 Rnz s~ao respectivamente os estados, a entrada de controle, a entrada de disturbio e a sada de
performance; := (1 ; ; n ) e um vetor de parâmetos reais variante no tempo limitado em magnitude e
taxa de variac~ao.
i (t), i = 1; : : : ; n , est~ao disponveis para medida "on-line". E admitido que os valores de i (t) e _(t),
para todo t 0, pertence ao politopo . Neste caso, objetiva-se projetar um controle por realimentaca~o de
estados com dependência parametrica am que minimize o limitante superior para a norma H2 do sistema
realimentado.
Teorema 6.4.2 Seja o sistema (6.47) e a notac~ao seguinte

Aa = _ +A0 A AA ; Ba = Inx Bu
0 (6.48)

Ca =

I ;

Cb = 0nxnw 0a

Inx :
E seja um politopo construdo a partir dos valores de (; _). Admita que existe uma matriz simetrica
W 2 Rnx (n +1)nx (n +1) , matrizes Fa 2 Rnu nx (n +1) , L 2 Rnw +nx (n +2)nx , M 2 Rnx (n +1)nx n , Q 2
Rnx n nx n , uma func~ao matricial N () 2 Rnw nw e o escalar l que solucionam o seguinte problema de
otimizac~ao, onde as LMIs est~ao satisfeitas nos vertices do politopo .
minimize flg :
WA0 + A W + F 0 B0 + B F + MC + C 0 M 0 W C 0 + F 0 D ()0
a a a a a a a a a u <0 (6.49)
C W + Du ()Fa Inz
2 N () 0 B ()0 3
4 0 W w0 5 + LCb + Cb0 L0 > 0 (6.50)
Bw () 0 0nx
l TrfN ()g 0 (6.51)
QCa = Ca W (6.52)
Os ganhos Ki da lei de controle (6.33) s~ao dados por:
[K0 K1 Kn ] = Fa W 1 : (6.53)
Ent~ao o sistema (6.47), em malha fechada com a lei de controle
p (6.33), e bi-quadraticamente estavel e um
limitante superior para a norma H2 e dado por jjGwz jj2 < l. Sob estas condico~es, v(x; ) = x0 P ()x, com
P () = 0aW 1 a, e uma func~ao de Lyapunov para
o sistema autônomo em malha fechada.
222
6.4.3 Estabilizac~ao robusta empregando a norma H1

Seja o sistema linear variante no tempo descrito pela seguinte equac~ao de estados
x_ = A()x + Bw ()w + Bu ()u
(6.54)
z = C ()x + Dw ()w + Du ()u
com
A() = A0 + A; Bw () = Bw w ; Bu () = Bu u
C () = C a; Dw () = Dw w ; Du () = Du u
2 I 3 2 I 3 2 I 3 (6.55)
nw
1 nx I 6 Inw 77 66 1nInuu 77
= 4 ... 75 ;
6 6 1
a = x ; w = 64 ..
n 75 ; u = 64 .. 75
n Inx . .
n Inw n Inu
onde x 2 Rnx , u 2 Rnu , w 2 Rnw , z 2 Rnz s~ao respectivamente os vetores de estado, entrada, disturbio e de
performance; A0 , A, Bw , Bu , C ; Dw , Du ; s~ao matrizes dadas de dimens~oes compatveis, = (1 ; : : : ; n ) 2
Rn s~ao parâmetros reais, que podem variar no tempo.
i (t), i = 1; : : : ; n , est~ao disponveis para medida em tempo real. A unica informac~ao conhecida a priori e
que os valores de i (t) e _(t), para todo t 0, pertence ao politopo . Neste caso, objetiva-se projetar um
controle por realimentac~ao de estados com dependência parametrica am, dado por (6.33), que minimize o
limitante superior para H1 do sistema realimentado.
A soluc~ao para o problema acima e dada pelo seguinte teorema.
Seja a notac~ao
2 WA0 + A W + LC + C 0 L0 F 0 B0 () 0 W C 0 + F 0 0 D0 3
a a a a a u a u u
6
6
c = 4 B u ( ) F a 0 B w ( ) 0 77
0 Bw0 () 2I 0w Dw0 5 (6.56)
C W + Du u Fa 0 Dw w I

c = 0a Inx 0 0

onde

A ; Ca = [
Aa = _ +AA
0 I ]: (6.57)
0 A
Se existem matrizes W > 0, Fa , L, M , e N , um escalar > 0, tais que as seguintes condic~oes s~ao satisfeitas
em todos os vertices do politopo :
c + M c + 0c M 0 < 0 (6.58)
NCa = Ca W (6.59)
Ent~ao existe uma realimentac~ao de estados do tipo (6.33) tal que o sistema em malha fechada e bi-quadraticamente
estavel, onde os Ki ganhos da lei de controle s~ao dados por:
K K K = F W 1 (6.60)
0 1 n a
e V (x; ) = x0 0a W 1 a x e uma func~ao de Lyapunov para o sistema em malha fechada.
222
6.5 Atividades
1. Prove os resultados apresentados nos Teoremas 6.3.1, 6.3.2, 6.3.3.
2. Considerere o sistema
x_ (t) = A()x(t) + Bw ()w(t) (6.61)
z (t) = C ()x(t)
onde o parâmetro e um escalar e
1:65 1:3 9:5 20 2:1 + 2:2 3:75 + 0:5

A() = 2 7 10 ; Bw () = 4 6 3:5 5
1
C () = 0 01 :
Este sistema possue um parâmetro incerto e e estavel para jj 0:765.

p
a) Com jj 0:6 e j_ j 10 utilize o Teorema 6.3.2 e trace um gr aco j_j l utilizando as noc~oes de
estabilidade quadratica, am-quadratica e bi-quadratica.
b) Baseado no item a) o que se pode concluir a respeito do concervativismo imposto por cada uma
das denic~oes de estabilidade.
3. Considerere o sistema
x_ (t) = A()x(t) + Bw ()w(t)
(6.62)
z (t) = C ()x(t) + Dw ()w(t)
6.5. ATIVIDADES 89
onde
1 1:3

0:5 20 ; B () = 1 + 2:2

4 + 0:5 ;
A() = 1 + 2 2 10 w 1 6 1 5
1
0 ; D () = 0
0 :

C ( ) = 0 1 w 0 0
Com 2 [0; 1] e _ 2 [ 10; 10] utilize o Teorema 6.3.3 e trace o graco _ empregando as noc~oes de
estabilidade quadratica, am-quadratica e bi-quadratica.
4. Compare os gracos das aplicac~oes 1) e 2) e conclua.
5. Prove os resultados apresentados nos Teoremas 6.4.1, 6.4.2, 6.4.3.
6. Seja o sistema
x_ = A()x + Bw ()w + Bu
(6.63)
z = C ()x + D()u
onde
4:1 3 1
0:03 0:3 ;

A() = 2 2 3:2 ; Bw () = 0:47 + 0:9
3 1 (6.64)
B = 2 ; C () = 0 10 ; D() = 01 :
O sistema acima e instavel para < 0:248596. Utilizando o Teorema 6.4.2 e admitindo jj 3 e
j_j 5 obtenha:
a) Controlador robusto.
b) Controlador LPV.
c) Compare o valor da norma obtido com cada controlador e conclua a respeito.
7. Seja o sistema
x_ = A()x + Bw ()w + Bu u
(6.65)
z = C ()x + Dw ()w(t)+ Du ()u
onde
4:1 3 1
3

A() = 2 2 3:2 ; Bu = 2 ;

0:03 0:3 ; C () = 1
1 ;

Bw () = 0:47 + 0:9 0 0
0 0
Du () = 1 ; Dw () = 0 :
Considere o caso de projeto de um controlador por realimentac~ao de estados que estabilize o sistema
(6.65) e atenda ao criterio de performance H1 . Com o Teorema 6.4.3 e admitindo jj 3 e j_j 5
obtenha.
a) Controlador robusto.
b) Controlador LPV.
c) Compare o valor da norma obtido com cada controlador e conclua a respeito.
Captulo 7
Analise de Sistemas N~ao Lineares
Daniel F. Coutinho
7.1 Introduc~ao
Os sistemas de controle, em geral, contem ao menos um componente n~ao linear. Este comportamento n~ao
linear apresenta caractersticas importantes que n~ao parecem nos sistemas lineares, como, por exemplo:
Multiplos Pontos de Equilbrio. Neste caso a estabilidade tem um comportamento local, diferentemente
do caso linear onde temos sempre um comportamento global, portanto cada ponto de equilbrio tem
associado uma regi~ao de atrac~ao que denotaremos por RA .
Ciclos Limites ou oscilac~oes auto sustentadas. Os sistemas n~ao lineares podem oscilar com amplitude e
frequência xa sem sinal externo de excitac~ao, onde estes ciclos limites podem ser estaveis ou instaveis.
Bifurcac~oes. Quando os parâmetros de um sistema n~ao linear variam, o comportamento de um ponto
de equilbrio pode mudar, inclusive podendo gerar multiplos pontos de equilbrio.
Caos. Em sistemas n~ao lineares pequenas variac~oes nas condic~oes iniciais podem gerar grandes mu-
dancas no comportamento dinâmico do sistema, as vezes n~ao previsvel.
Os fatores acima, tornam a analise de sistemas um importante campo de estudo no caso n~ao linear. Sendo a
estabilidade de um ponto de equilbrio o seu principal foco. Em geral, caracterizamos a estabilidade de um
sistema n~ao linear pela teoria de Lyapunov. Esta teoria consiste na utilizac~ao de uma func~ao escalar, rela-
cionada a energia do sistema, para determinar a estabilidade do sistema. A maior diculdade deste metodo
e a busca de func~oes adequadas, que realmente fornecam informac~oes relevantes sobre o comportamento do
sistema n~ao linear.
Os metodos classicos de analise e sntese dos sistemas n~ao lineares empregam o metodo indireto de Lyapunov,
linearizac~ao por partes deste sistema em torno do(s) ponto(s) de operac~ao. Entretanto, quando o sistema
apresenta um elevado grau de n~ao linearidade, ou mesmo, incertezas parametricas, este metodo torna-se
inadequado a analise destes sistemas.
Quando o metodo indireto de Lyapunov n~ao e adequado na analise de um sistema n~ao linear, devemos buscar
numericamente func~oes de Lyapunov adequadas. Neste caso, o controle otimo n~ao linear e uma das principais
areas de estudo relacionada a determinac~ao de funco~es de Lyapunov. Entretanto, a soluc~ao de problemas de
91
92 CAPITULO 7. ANALISE DE SISTEMAS NAO LINEARES
controle otimo, no caso n~ao linear, s~ao caracterizadas pelas equac~oes de Hamilton-Jacobi (HJE) que s~ao de
difcil soluc~ao, existindo na literatura varios metodos de soluc~ao aproximada, [59], [60], [61], [62, 63], [64, 65].
Restringindo a classe de sistemas, alguns trabalhos buscaram soluc~oes mais simples, como [66], que utiliza
equac~oes algebricas de Riccati (AREs) e [44] que utilizam LMIs. Como ja demonstrado nos captulos an-
teriores, as LMIs tem demonstrado ser uma ferramenta versatil e numericamente eciente gerando varios
trabalhos que de alguma forma buscam formulac~oes convexas para a analise e sntese de controladores para
sistemas n~ao lineares incertos ou n~ao, como, por exemplo, [15, 67], [68], [69], [70], [71], [72], [73], [74, 75].
Neste captulo, estudaremos as tecnicas LMI para analise de sistemas n~ao lineares incertos propostas nos
trabalhos de El Ghaoui et al., que utilizam func~oes de Lyapunov quadraticas [44, 15], e de Trono, que
utilizam func~oes de Lyapunov dependente dos estados e dos parâmetros [74, 75].
Para tal, este captulo esta organizado da seguinte maneira. Na sec~ao (7.2) apresentamos algumas denic~oes
e considerac~oes sobre as noc~oes de estabilidade e classe de sistemas a ser estudada. Na sequência, sec~ao (7.3),
apresentamos os resultados baseados na representac~ao de sistemas LFR. A sec~ao (7.4), apresenta metodos
de analise considerando func~oes dependentes dos estados e dos parâmetros. Finalizando, s~ao propostas
atividades, sec~ao (7.5), e referências complementares (7.6).
7.2 Formulac~ao do Problema

Considere a seguinte classe de sistemas n~ao lineares incertos.
x_ = f (x; ) = A(x; )x (7.1)
onde x 2 Rm0 e o vetor de estados, = (t) 2 Rn e o vetor de parâmetros incertos e A(; ) 2 Rm0 m0 e
uma func~ao matricial racional nos seus argumentos. Assuma que a origem do sistema e um ponto de equilbrio
e que o lado direito da equac~ao diferencial (7.1) e limitado para todos os valores de x e de interesse, isto e,
x esta limitado a uma regi~ao Bx que contem a origem e os valores admissveis de pertencem a uma regi~ao
B .
Os problemas a serem considerados neste captulo s~ao:
a) Determinar a estabilidade assintotica do sistema (7.1) na vizinhanca da origem (estabilidade local), para
todos os valores admissveis de .
b) Determinar uma estimativa adequada da regi~ao de atrac~ao da origem do sistema (7.1).
Para determinarmos a estabilidade de um sistema dentro de uma regi~ao Bx Rm0 buscaremos numericamen-
te func~oes de Lyapunov Quadraticas, sec~ao (7.3), e polinomiais, sec~ao (7.4). Para tratarmos do problema da
regi~ao de atrac~ao vamos denir o que e uma regi~ao de atrac~ao e vericar como podemos obter uma estimativa
desta regi~ao.
Denic~ao 7.2.1 (Regi~ao de Atrac~ao)

Considere o sistema (7.1), onde f (; ) : B = Bx B 7! Rm0 e Bx Rm0 e um domnio no espaco de
estados que contem a origem. Seja (t; x) a soluc~ao de (7.1) que inicia em x(t = 0). A regi~ao de atrac~ao
da origem, denotada por RA , e denida por
RA = f x 2 Bx : (t; x) ! 0 ao t ! 1 g
222
Podemos determinar uma estimativa da regi~ao de atrac~ao utilizando a teoria de Lyapunov. Por uma estima-
tiva de RA , entende-se uma regi~ao RA tal que toda a trajetoria iniciando em tende a origem quando
t ! 1. Note que, determinar um domnio Bx tal que a func~ao escalar v(x) satisfaca
v(x) > 0 , v_ (x) < 0 , para todo x 2 Bx ,
7.3. REPRESENTACAO POR FRACOES LINEARES 93
n~ao implica que a regi~ao Bx e uma estimativa de RA , [24]. Neste trabalho, determinaremos uma estimativa
da regi~ao de atrac~ao pelo seguinte conjunto limitado e contido em Bx .
(c) = f x 2 Rm0 : v(x) c g , (c) Bx (7.2)
onde Bx e o domnio no espaco de estados tal que v(x) satisfaz as condic~oes usuais de Lyapunov.
7.3 Representac~ao por Fraco~es Lineares

A abordagem proposta por El Ghaoui et al., [44, 15], considera que o sistema (7.1) possa ser representado
por frac~oes lineares (LFR). A representac~ao LFR consiste em separar o sistema original em dois blocos
interconectados, o primeiro um sistema linear invariante no tempo e o outro contendo as n~ao linearidades
e incertezas. Nesta sec~ao, apresentaremos de forma concisa os resultados de analise desta abordagem que
utiliza as func~oes de Lyapunov na forma quadratica, v(x) = x0 Px.
Incialmente apresentaremos um resultado fundamental a representac~ao LFR, proposto por [6].
Lema 7.3.1 (Representac~ao de matrizes Racionais)

Qualquer matriz racional M : Rn 7! Rpq aceita uma representac~ao por frac~oes lineares, na forma:
M() = A + B() (I D()) 1 C (7.3)
onde as matrizes A 2 Rpq , B 2 RpN , C 2 RN q e D 2 RN N s~ao constantes para
2I 0
3
X
n 1 r1
N= ri e ( ) = diag 6
fi Iri g = 4 ... 75
i=1 0 n Irn
222
7.3.1 Representac~ao LFR

Considere que o sistema (7.1) possa ser reescrito na seguinte representac~ao:
x_ = Ax + Bp p
q = Cq x + Dqp p (7.4)
p = ( )q

onde = x0 0 2 Rm0 +n representa os vetores de estado e incertezas.
0
O sistema (7.4) e equivalente a representac~ao apresentada na gura (7.1).

Note que o sistema n~ao linear incerto foi representado na forma de uma inclus~ao diferencial linear (LDI) e
os resultados apresentados em [25] podem ser aplicados a esta classe de sistemas.
Exemplo 7.3.1 (Representaca~o LFR)

Considere o seguinte sistema bilinear.
X
n !
x_ = A + xi Ai x (7.5)
i=1
Pelo lema (7.3.1) e possvel representar o sistema acima da seguinte maneira.

x_ = Ax + x1 A1 x + + xn An x = Ax + A1 An
diag
n
fx g i
i=1
p x_ = Ax + Bpp q
q = Cq x + Dqpp
Sistema LTI
( ) = (x; )
N~ao Linearidades e Incertezas
Figura 7.1: Representac~ao LFR.

A A = B C , podemos reescrever o sistema (7.5) como:
Denindo (x) = diag ni=1 fxi g e 1 n p q
8
>
< x_ = Ax + Bpp
x_ = Ax + Bp Cq (x)x = Ax + Bp (x)Cq x isto e > q = Cq x
: p = (x)q

onde Bp = Bp1 Bpn , Cq = Cq1 Cqn e Bpi Cqi = Ai para i = 1; : : : ; n.
444
7.3.2 Analise de Sistemas LFR

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

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

Seja > 0 um dado escalar. O sistema (7.4) e quadraticamente estavel se existem matrizes P e S simetricas,
e G anti-simetrica tais que as seguintes LMIs, nas variaveis de decis~ao P , S e G, s~ao satisfeitas.
P >0 , S>0 ,
(7.7)
2 A0P + PA + C SC 0
PBp + Cq G + Cq SDqp
0 0 3
q q
4 5<0
Bp P GCq + Dqp SCq Dqp SDqp 2 S + Dqp G GDqp
0 0 0 0
Em caso armativo, v(x) = x0 Px e uma funca~o de Lyapunov local para a origem do sistema (7.4) e para todo

( ) = diag fi Iri gni=1 , tal que k( )k 1 , onde = x , tem-se que: det(I Dqp ( )) 6= 0.
0 0
0
222
Exemplo 7.3.2 (Analise de Estabilidade - Equac~ao de Van der Pol em tempo reverso)
Considere o seguinte sistema n~ao linear2 . Determine a estabilidade da origem.
x_ 0 1
x
1 = 1 (7.8)
x_ 2 1 (x21 1) x2
) Soluc~ao:
8
>
< x_ = Ax + BP p
Este sistema pode ser reescrito na forma LFR da seguinte maneira: > q = Cq x + Dqp p
: p = (x)q
onde
0 1
0 0 0 x
A= 1 1 , Bp = 1 01 , Cq = 0 11 , Dqp = 1 00 e (x) = 1 0
0 x1 :
Aplicando o teorema (7.3.1), com a restric~ao adicional P I2 , obtem-se o seguinte resultado.
-->[P,S,G]=lfr(1.1);
Basis Construction
FEASIBILITY PHASE.
1.10e+00 -6.47e+02 6.48e+02

2 Conhecido na literatura como equac~ao de Van der Pol em tempo reverso [24].
9.59e+01 -6.46e+02 7.42e+02
-7.36e+01 -2.18e+02 1.44e+02
-->P
P =
! 1696.6526 - 102.66868 !
! - 102.66868 1676.9796 !
-->S
S =
! 3061.8194 633.38196 !
! 633.38196 747.95593 !
-->G
G =
! 0. - 1040.3398 !
! 1040.3398 0. !
Portanto, a origem do sistema e quadraticamente estavel e v(x) = x0 Px e uma func~ao de Lyapunov local.
444
7.3.3 Regi~ao de Atrac~ao

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

Considere o sistema (7.8). Determine uma estimativa da regi~ao de atrac~ao.
) Soluc~ao:
Para determinarmos uma estimativa da regi~ao de atrac~ao, devemos buscar matrizes P , S e G que satisfacam
ao problema de otimizac~ao (7.12), para um dado o menor possvel. Observe que neste sistema o domnio

em x e denido por Bx = f x : jx1 j 1 g, com isso k = 1 e a1 = 1 0 . A seguir apresentamos os
0
0
resultados obtidos para o menor valor de que satisfaz ao problema (7.12).
-->[P,S,G,n]=lfr(1);
Basis Construction
FEASIBILITY PHASE.
2.00e+00 -6.66e+02 -2.12e+01
-->P
P =
! 1.0015432 1.295D-10 !
! 1.295D-10 1.0015432 !
3 Note que esta regi~ao representa um elipsoide.

-->S
S =
! 2.0032058 2.0002874 !
! 2.0002874 2.0002038 !
-->G
G =
! 0. .9986845 !
! - .9986845 0. !
-->n // traco de P
n =
2.0033256
3
x2
2.4
RA
1.8
1.2
0.6
0
-0.6
-1.2 =1
-1.8
-2.4
x1
-3
-3 -2.4 -1.8 -1.2 -0.6 0 0.6 1.2 1.8 2.4 3
Figura 7.2: Regi~ao de Atrac~ao e sua estimativa para o sistema (7.8), com = 1.
444
7.4 Func~oes de Lyapunov Polinomiais

Para sistemas n~ao lineares dois aspectos tem contribuido no conservadorismo dos resultados existentes basea-
dos em LMIs. O primeiro deles, deve-se ao fato da utilizac~ao das funco~es quadraticas que tem demonstrado
ser inadequadas para os sistemas n~ao lineares devido a particularizac~ao da classe das func~oes candidatas a
Lyapunov e por n~ao considerarem, no caso incerto, a dinâmica das incertezas. Outra condic~ao que pode
implicar em conservatismo e que no caso n~ao linear surgem relac~oes matricias na forma x0 M (x; )x > 0, a
qual n~ao pode ser substituidas pela LMI estado-parâmetro dependente M (x; ) > 0 sem uma elevada carga
de conservatismo.
Nesta sec~ao, apresentamos a abordagem LMI para analise de estabilidade de sistemas n~ao lineares incertos
7.4. FUNCOES DE LYAPUNOV POLINOMIAIS 99
proposta por Trono em [74] que utiliza func~oes de Lyapunov polinomiais, na forma v(x; ) = x0 P (x; )x,
onde P (x; ) e uma matriz de grau r em (x; ), denindo desta forma a chamada noc~ao de estabilidade Qr .
Denic~ao 7.4.1 (Estabilidade Qr )

Seja Bx um dado politopo que dene uma regi~ao na vizinhanca da origem. Seja B um dado politopo que
dene os valores admissveis da incerteza e de sua taxa de variac~ao.
A origem do sistema (7.1) e dita ser Qr estavel se existem func~oes de classe K, 1 (), 2 (), e uma func~ao
escalar do tipo v(x; ) = x0 P (x; )x, onde a matriz P (x; ) e um func~ao polinomial de grau \r" em (x; ),
tal que as seguintes condic~oes s~ao satisfeitas para todo (x; ; _ ) 2 B = Bx B .
v(x; ) = x0 P (x; )x 1 (kxk), e

v_ (x; ) = x0 (P_ (x; ) + A(x; ) P (x; ) + P (x; )A(x; ))x 2 (kxk).
0
Em caso armativo, v(x; ) = x0 P (x; )x e dita ser uma func~ao de Lyapunov local para a origem do sistema.
222
Note que a estabilidade Qr implica na estabilidade assintotica da origem e as noc~oes de estabilidade qua-
dratica e am-quadratica podem ser obtidas para uma escolha adequada do grau r e da estrutura da matriz
P (x; ).
Como mencionado anteriormente, as inequaco~es matriciais no caso n~ao linear s~ao dependentes dos estados
e dos parâmetros, isto e, s~ao relac~oes na forma x0 M (x; )x > 0. Esta condic~ao pode ser testada em termo
de LMIs se M (x; ) e am em (x; ). Neste caso, basta testarmos a condic~ao M (x; ) > 0 nos vertices do
meta-politopo B = Bx B . Entretanto, devido a dependência em x, esta condic~ao pode tornar-se muito
conservativa. Para ilustrar este fato, considere a seguinte func~ao escalar m(x) = x0 M (x)x onde
1+x x1 +x2 x
M (x) = 2
x1 +x2 1 + x12 , x = x1 (7.13)
2 2
Observe que m(x) = x21 + x22 logo m(x) > 0 para todo x 6= 0. Entretanto, a condica~o M (x) > 0 para todo
x 6= 0 n~ao e satisfeita. O lema a seguir apresenta uma condic~ao menos restritiva para testarmos se uma
relac~ao do tipo x0 M (x)x > 0 e satisfeita para todo x 2 Bx , x 6= 0.
Lema 7.4.1 (Lema de Finsler - Extens~ao para o caso N~ao Linear), [74]

Seja H ( ) uma matriz cujos termos s~ao ans no vetor = 1 n 2
0
Rn e seja B um dado

politopo. Considere a func~ao escalar 0 H ( ) e a func~ao matricial auxiliar C : Rn 7! R(n 1)n denida
a seguir.
2 2 1 0 0 0 3
66 0 2 ... ..
.
77
66 . . 3 ... ... ... .. 77
C = 66 .. . . . 77 (7.14)
64 .. ... ... ... 75
. 0
0 0 n (n 1)
Ent~ao a condic~ao H ( ) > 0, 8 2 B , 6= 0, e satisfeita se existe uma matriz L, com a mesma dimens~ao
0
de C , tal que a seguinte condic~ao seja satisfeita.

0
H ( ) + LC + C L > 0 , 8 2 B
0 0
(7.15)
222
7.4.1 Representac~ao por Frac~oes Racionais
Considere que o sistema (7.1) pode ser reescrito na seguinte forma.
8 x_ = A(x; )x = A (x; ) + + A (x; ) = Pq A (x; )
>
> 0 0 q q i=0 i i
< (
> (7.16)
: i : i+1 = i(x; )i , para i = 0; : : : ; (d 1) , 0 = x
>

(x; ) = 0

onde i 2 Rmi , = 0 q 2 Rm s~ao func~oes auxiliares de (x; ) representando as n~ao linea-
0
ridades do sistema; i (x; ) 2 Rmi+1 mi , para i = 0; : : : ; (d 1) (d q), s~ao func~oes matriciais ans em
(x; ) utilizadas para denir as relac~oes entre os vetores auxiliares i de i = 0 a i = d 1;
(x; ) 2 Rn
m
e uma func~ao matricial am em (x; ) utilizada para expressar as relac~oes adicionais entre os vetores i , e
Ai (x; ) 2 Rm0 mi , para i = 0; : : : ; q, s~ao funco~es matriciais ans em (x; ) que denem a estrutura de
como as n~ao linearidades e incertezas afetam os estados do sistema.
Para simplicar a notac~ao, vamos utilizar as variaveis i ; Ai ; i ;
sem explicitar a sua dependência em (x; )
e no tempo.
Assume-se que o lado direito da equac~ao diferencial em (7.16) e limitado para todos os valores de de
interesse e que a representac~ao em termos das variaveis auxiliares i e equivalente ao sistema (7.1).
A representac~ao por frac~oes racionais (7.16) pode ser utilizada para representar uma grande classe de sistemas
n~ao lineares incertos. A seguir apresentamos um exemplo para ilustrar o procedimento da representac~ao por
frac~oes racionais.
Exemplo 7.4.1 (Representaca~o de Sistemas N~ao lineares por frac~oes racionais)

Considere o seguinte sistema bilinear.
X
m0 !
x_ = A~0 + ~ Ai xi x
i=1
Existem varias maneiras de representarmos o sistema acima em termos das variaveis auxiliares i .
Por exemplo, podemos simplesmente denir uma matriz A(x) = A~0 + A~1 x1 + + A~m0 xm0 e a
representac~ao do sistema por frac~oes racionais e dada por: x_ = A(x)x.
Tambem, equivalentemente, podemos denir um vetor auxiliar 1 e matrizes A0 , A1 , constantes da
seguinte maneira:
2 xI 3
1 m0
1 = 0 0 = 64 ... 75 x , A0 = A~0 , A1 = A~1 A~m0
xm0 Im0
Portanto o sistema bilinear pode ser representado por x_ = A0 x + A1 1 .
444
Note que a representac~ao por frac~oes racionais n~ao e unica e ate o presente momento n~ao existe uma
sistematica para obtenc~ao da formulac~ao otima do sistema (7.1). Entretanto devemos dar especial atenc~ao
a escolha das matrizes auxiliares i que, como veremos a seguir, desempenham um papel importante na
func~ao de Lyapunov.
7.4.2 Analise de Estabilidade

O objetivo desta sec~ao e apresentarmos condico~es em termos de LMIs para a analise de estabilidade da classe
de sistemas (7.1), na representac~ao por frac~oes racionais, utilizando a noc~ao de estabilidade Qr .
Observe que, a partir de (7.16), as matrizes i s~ao func~oes ans em (x; ). Ent~ao, e possvel representar as
matrizes i da seguinte maneira.
X
m0 X
n
i = Tij xj + Uij j + Vi , i = 0; : : : ; (d 1) (7.17)
j =1 j =1
onde Tij , Uij , Vi s~ao matrizes constantes com as mesmas dimens~oes de i e xj , j s~ao os j -esimos termos
respectivamente dos vetores x e .
Relembrando que os vetores auxiliares i s~ao func~oes de (x; ), e que o estado e a incerteza s~ao limitados,
podemos considerar que os vetores i , para i = 1; : : : ; d 1, s~ao limitados a regi~oes politopicas, isto e:
i 2 Bi , para i = 1; : : : ; d 1 (7.18)
Seja si a i-esima linha da matriz identidade Im0 , considere a representac~ao (7.16), a matriz Cx conforme a
denic~ao (7.14) e a seguinte notac~ao auxiliar.
X
m0 X
n
~ i = Tij i sj , ^ i = Uij _j , para i = 0; : : : ; d 1
j =1 j =1
2 Im0 0 0 3
66 (0 + ~ 0 ) Im1 . .
. ..
.
77
66 . .. 77
E = 66
6 ~ 1 1 Im2 . . . 77 2 Rma ma ,
66 .. ... ... ... .. 77 (7.19)
64
.
..
0
.. ... ... ...
. 77
. . 0 5
~ d 1 0 0 d 1 Imd
2 A0 A1 Ad 3
66 2 3
^ 0 0m1 0 0 77 Ad+1 Ad+2 Aq
6 .. 77 6 0 0 77 ma mb
. 7 2 Rma ma , Ab = 66
...
Aa = 66 0 ^ 1 0m2
4 .. .. .. .. 75 2 R
64 .. . . . .
. ...
7 . . . .
. . 0 5 0 0
0 0 ^ d 1 0md
2 0 Im1 0 0
3
66 0 1 Im2
... .. 77
. 7 2 R(ma m0 )ma ,
M = 66 .. ... ... ... 7
4 . 0 5
0 0 d 1 Imd
2 E Aa Ab
3
a = M 2 R(ma 1)ma , b = 4 0 a 0 5 2 R(2ma 1+n
)(m+ma )
Cx 0 0
P
onde m = ma + mb , ma = di=0 mi e mb = qi=d+1 mi .
P
Com as considerac~oes acima podemos enunciar o seguinte teorema que prop~oe condic~oes LMI para analise
de estabilidade.
Teorema 7.4.1 (Estabilidade Qr )

Seja Bx um dado politopo denindo uma regi~ao na vizinhanca da origem, tal que x 2 Bx. Seja B um dado
politopo denindo os valores admissveis da incerteza e de sua taxa de variac~ao, tal que (; _ ) 2 B . Sejam
Bi , para i = 1; : : : ; (d 1), dados politopos denindo os valores admissveis das variaveis i , tal que i 2 Bi .
Considere o sistema n~ao linear incerto (7.16), as matrizes i denidas em (7.17) e a notac~ao auxiliar (7.19).
O sistema (7.16) e localmente Qr estavel, com r = 2d, se existem matrizes P , La , Lb , com as mesmas di-
mens~oes respectivamente de Aa , a e b , tais que as seguintes LMIs s~ao satisfeitas para (x; 1 ; : : : ; d 1 ; ; _ )
0 0
nos vertices do meta-politopo B = Bx B1 Bd 1 B .

P2 + La a + a La >3 00 0
(7.20)
0 P 0
4 Pma 0ma 0 5 + Lb b + bLb < 0 0 0
0 0 0mb
Em caso armativo, v(x; ) = x0 P (x; )x, com a matriz P (x; ) denida a seguir, e uma func~ao de Lyapunov
local para a origem do sistema (7.16).
2 3
I I 0
6 10 77
P (x; ) = (mx;0) P (mx;0) , (x; ) = 664
0
..
.
75 (7.21)
d 1 0
222
Note que P (x; ) em (7.21) e uma forma geral de representarmos qualquer matrix polinomial de grau r = 2d
em (x; ). Matrizes polinomiais de grau r < 2d tambem podem ser representadas por (7.21) pelo simples
zeramento de algumas partic~oes da matriz P . Em particular, considere a seguinte partic~ao da matriz P .

P = PP0 PP1 2 Rma ma
1 2
0
onde P0 2 Rm0 m0 , P1 2 Rm0 (ma m0 ) e P2 2 R(ma m0 )(ma m0 ) . Podemos obter condic~oes equivalentes
a estabilidade quadratica e am-quadratica considerando que d = 1 e :
P1 = 0 e P2 = 0, logo v(x) = x0 P0 x que congura a noc~ao de estabilidade quadratica.
P2 = 0, logo v(x; ) = x0 P0 x + 2x0 P1 0 x que congura a noc~ao de estabilidade am-quadratica.
Exemplo 7.4.2 (Estabilidade Q2)
Verique a estabilidade da origem do sitema (7.8) utilizando uma func~ao de Lyapunov de grau 4 em x.
) Soluc~ao:
Note que, nesteexemplo, n~
ao temos incerteza, logo as condic~oes de estabilidade dependem somente do vetor
de estados x = x1 x2 .
0
Considere como candidata a func~ao de Lyapunov a func~ao v(x) = x0 P (x)x. Para esta func~ao ser de grau 4
em x a matriz P (x) deve ser de grau 2 em x, logo r = 2 e d = 1. Ent~ao a matriz P (x) e dada por:

P (x) = 0I(2x) P 0I(2x)
0
onde 0 (x) e uma matriz am em x.

Para aplicarmos as condic~oes de estabilidade propostas no teorema (7.4.1), devemos obter uma representac~ao
por frac~oes racionais do sistema (7.8).
Neste ponto devemos escolher os vetores auxiliares i de maneira que x_ = A(x)x =
PA .
i i considere a
seguinte escolha da matriz 0 :
2 x2 3
xI 6 x
1
x 7
0 = x I 1 2 ! 1 = 0 x = 64 x x2 75
1 (7.22)
22 1 2
x22
Para esta escolha do vetor auxiliar 1 , as matrizes Ai s~ao dadas por

0 1 0 0 0 0
A0 = 1 1 e A1 = x 0 0 0
2
desta forma o sistema (7.8) foi reescrito na seguinte forma: x_ = A0 x + A1 1 .
Considere o seguinte politopo Bx denido pelos seus vertices, que congura uma regi~ao na vizinhanca da
origem.
, , ,
onde e um escalar positivo o maior possvel.
Aplicando o teorema (7.4.1) obtemos o seguinte resultado.
-->[P,La,Lb]=Qr(0.99);
Basis Construction
FEASIBILITY PHASE.
4.42e+00 -5.04e+16 5.04e+16
-1.54e-01 -1.96e+00 1.91e+00
-->P
P =
! 42479118. - 16418284. 9.4011585 5.5382306 - 10.374358 86.615229 !

! - 16418284. 37210358. - 1.824049 108.29657 - 170.0858 - 5.3299558 !
! 9.4011585 - 1.824049 - 3862180.7 5613662.2 3992877.7 - 5161626.3 !
! 5.5382306 108.29657 5613662.2 1141012.6 1187460.5 303537.51 !
! - 10.374358 - 170.0858 3992877.7 1187460.5 288600.05 - 1176607.9 !
! 86.615229 - 5.3299558 - 5161626.3 303537.51 - 1176607.9 - 855774. !
-->La
La =
! 4306278.2 - 29.177232 - 4306254.2 4306287.6 - 71.566067 !

! - 320557.64 9.4581897 320557.86 - 320475.59 - 6.7911521 !
! - 3378943.7 36662845. - 8845352.8 - 2546600.7 - 5064486.2 !
! - 1.381E+15 - 14549844. 1.381E+15 - 1.381E+15 4809488. !
! 1.381E+15 3157908.5 - 1.381E+15 1.381E+15 - 14106308. !
! 8396758.2 - 5064436.4 - 8259915.1 - 1036919. 31262403. !
-->Lb
Lb =
column 1 to 6
! 18478160. - 10269390. 2.3351786 - 147.88233 172.09065 29.93631 !

! 14514807. 12174265. - 12.733977 13.463792 - 43.813517 - 13.316549 !
! - 24.66713 31.25124 5196661.3 - 118628.31 - 238105.15 - 383618.52 !
! 127.56328 - 41.25903 121814.76 14111547. - 10390482. 81066.516 !
! - 172.65261 89.596587 - 96408.069 - 10318494. 14040077. - 53140.75 !
! - 35.534213 3.1805957 500079.68 344139.69 256365.4 3883653.3 !
! 10963203. - 18115921. 25.217794 - 9.218127 36.295817 99.759041 !
! 11008583. 14789234. - 3.198419 - 41.466429 - 1.8392691 22.301381 !
! 146.34087 - 76.836119 - 5222714.8 3266358.8 2066806. - 4961073. !
! - 224.9598 147.71863 5688472.9 279096.06 101072.52 - 2414092.6 !
! 267.51436 - 114.0047 3253620.9 - 100952.54 - 561322.64 - 4252149.9 !
! - 89.464134 57.300936 - 3580412.4 2822718.3 981764.54 - 1088715.2 !
column 7 to 11
! 109.80496 65.935304 - 156.85888 201.20771 - 130.32735 !

! - 106.19852 - 47.818903 60.669034 42.807386 60.205089 !
! - 2991362.5 3913176.7 - 6974442.7 - 4162869.1 1884538.8 !
! - 786022.22 646464.32 - 452914.03 408119.17 - 2157696.3 !
! - 281450.15 26098.571 - 442610.98 595226.44 - 2292979.7 !
! - 2893640.4 928745.25 2245829.7 3848281.9 304529.8 !
! 96.700578 47.805144 - 175.01063 123.36509 - 55.820893 !
! 120.13052 81.808282 - 146.88142 180.12144 - 38.6559 !
! 12373380. - 16518162. - 956808.42 - 4291774.1 13195187. !
! 5670277.6 4945147.2 - 19315841. 3075797.7 - 34651.654 !
! - 8551770.8 2191184.6 3047502.1 - 17633804. - 419179.65 !
! 5396080.6 - 7351488.6 1158072.5 4347192.1 - 14473699. !
444
7.4.3 Regi~ao de Atrac~ao

Considere a regi~ao = f x : x0 P (x; )x 1g com uma estimativa da regi~ao de atrac~ao do sistema (7.16).
Esta regi~ao para ser invariante em relac~ao a x deve satisfazer Bx , onde Bx congura o domnio da
func~ao v(x; ) = x0 P (x; )x.
Por conveniência, vamos considerar a seguinte partic~ao do vetor .
2 x 3 2 3
d+1
= a 2 Rm , a = 64 ... 75 2 Rma , b = 64 ... 75 2 Rmb (7.23)
b
d q
Considere a seguinte denic~ao do politopo Bx por inequac~oes lineares.
n o
Bx = ak x 1 ; k = 1; : : : ; nf
0
(7.24)
onde os vetores ak 2 Rm0 , k = 1; : : : ; nf , denem as nf faces do politopo Bx . Observe que esta representaca~o
e equivalente a representac~ao pelos vertices.
Considere o seguinte vetor auxiliar.
a
bk = k 2 Rma , k = 1; : : : ; nf (7.25)
0
Como v(x; ) = x0 P (x; )x = a Pa , a regi~ao e uma estimativa da regi~ao de atrac~ao se a Pa 1
0 0
para todo x 2 Bx. Esta condic~ao de invariância e equivalente as seguintes relac~oes LMI.
2 1 bk
0 3
4 50 para i = 1; : : : ; nf (7.26)
bk (P + La a + aLa )
0 0
Da mesma maneira que no caso LFR, devemos maximizar para obtermos uma estimativa adequada da
regi~ao de atrac~ao. Como estamos utilizando func~oes polinomiais com grau maior que 2 a regi~ao n~ao
e um elipsoide o que diculta a determinac~ao de um criterio adequado para maximiza-la. Nesta sec~ao,
maximizaremos o menor semi-eixo desta regi~ao minimizando o maior autovalor de P (x; ).
Resumindo, a regi~ao = x : x0 P (x; )x 1 e uma estimativa da regi~ao de atrac~ao do sistema (7.16) se o
seguinte problema de otimizac~ao for satisfeito nos vertices do meta-politopo B = Bx B1 Bd 1 B .
(
min : (7.20), (7.26) , (7.27)
Ima (P + La a + a La ) 0
0 0
Exemplo 7.4.3 (Regi~ao de Atrac~ao - Estabilidade Qr )

Determine uma estimativa da Regi~ao de Atrac~ao do sistema (7.8). Utilize uma func~ao de Lyapunov de grau
4 em x.
) Soluc~ao:
Considere a mesma representac~ao por frac~oes racionais, o mesmo politopo Bx utilizados no exemplo (7.4.2)
e a denic~ao de estabilidade Q2 . Note que o politopo Bx pode ser reescrito em termos de inequac~oes lineares
pela seguinte denic~ao de vetores auxiliares.
1 1 0
a1 = 0 , a2 = 10 , a3 = , a4 =
0 1 (7.28)

Utilizando o problema de otimizac~ao (7.27) obtemos os seguintes resultados. A gura (7.3) nos mostra uma
ilustrac~ao da regi~ao de atrac~ao, RA , e de sua estimativa, .
-->[P,La,Lb,lambda]=Qr_ra(0.98);
Basis Construction
WARNING: rank deficient problem
FEASIBILITY PHASE.
4.38e+00 -4.02e+03 4.03e+03
OPTIMIZATION PHASE.
-8.81e+00 -8.81e+00 -1.13e-03

may be unbounded below
-->P
P =
! 1.0314104 - 0.1224283 0.0370912 - 0.0823269 0. 0.1600963 !

! - 0.1224283 0.8638048 0.1099160 - 0.0529800 - 0.0529791 0.0345119 !
! 0.0370912 0.1099160 0.1336119 - 0.9788739 1.052217 - 0.4280284 !
! - 0.0823269 - 0.0529800 - 0.9788739 2.6893364 0. - 0.1276839 !
! 0. - 0.0529791 1.052217 0. - 1.478217 - 0.1444540 !
! 0.1600963 0.0345119 - 0.4280284 - 0.1276839 - 0.1444540 0.2990628 !
-->La
La =
! - 0.0782490 - 0.0408913 0. - 0.0823252 - 0.0313467 !

! 0.0001136 0.0620123 0. 0. - 0.1214674 !
! - 1.0052301 0.0531984 1. - 1.031087 0.1896732 !
! 0.9808240 - 0.0348855 - 0.9908204 1. 0.0332461 !
! 1.0737793 - 0.0348852 - 1.0837758 1.0929556 0.0332460 !
! 0.0036130 0.1513127 0. 0.0167665 - 0.0690183 !
-->Lb
Lb =
column 1 to 6
! 30438101. - 0.6174327 2615849.8 0.3117828 0. - 0.0045994 !

! - 0.4517657 1.166447 - 0.0065260 0.0596510 0.0677418 0.0078869 !
! 1406612.3 0.0322707 9257244.9 347418.68 - 347418.76 - 0.0137345 !
! - 938398.9 0.0689640 - 370715.29 21765652. - 21765652. - 0.0356856 !
! 938398.54 0.0640102 370715.27 - 21765652. 21765652. - 0.0346078 !
! - 0.0276550 0.0140451 - 0.0544882 - 0.0327954 - 0.0374964 0.2009593 !
! 1.1100346 - 1.3578881 0.0443151 - 0.1642740 - 0.0930682 0.1550094 !
! 30438101. - 0.1527437 2615850. 0.2761825 - 0.0332167 - 0.0058350 !
! 0.9957906 - 0.1245116 0.1647728 - 1.644599 0.2963804 - 0.3807889 !
! 2813224.8 0.0219929 9063999.4 694839.53 - 694839.54 - 0.2014041 !
! 0. 0.0116037 9450490.5 0. - 0.0521038 - 0.2324409 !
! - 0.8475342 0.1006034 - 0.4503942 0.5999198 0.6816918 0.2062835 !
column 7 to 11
! - 14300889. 0.416759 9069189.9 - 14300889. - 0.9249142 !

! - 0.3910574 0.1262731 0.1304793 0.1106701 - 0.1863270 !
! - 9482147.7 - 0.1383603 - 9032342. - 9482147.7 0.2640704 !
! - 374297.74 0.7029142 1115728.2 - 374297.69 - 0.6974492 !
! 374299.61 0.6058335 - 1115730.2 374299.64 - 0.5841147 !
! - 0.1423888 - 0.2077474 0.2561374 0.2592270 - 0.2062938 !
! 0.0822256 - 0.2841712 - 0.1015442 - 0.0750343 0.2088228 !
! - 14300889. 0.5124499 9069189.8 - 14300889. - 0.8107545 !
! 0.6486937 - 1.5261014 - 0.7484851 - 0.5433925 1.7001612 !
! 13925132. 0.0659690 - 32053131. 13925131. 0.4481756 !
! - 32889425. 0.0504586 13988444. - 32889425. 0.5274128 !
! - 0.0957447 1.1863976 0.7837384 0.5644708 - 1.8600628 !
7.5. ATIVIDADES COMPLEMENTARES 107
-->lambda
lambda =
1.1871848
3
x2
2.4 RA
1.8
1.2
0.6
0
-0.6
-1.2
Estabilidade Qr
-1.8
r=2
-2.4
x1
-3
-3 -2.4 -1.8 -1.2 -0.6 0 0.6 1.2 1.8 2.4 3
Figura 7.3: Regi~ao de Atrac~ao e sua Estimativa para o sistema (7.8) - Estabilidade Q2 .
444
7.5 Atividades Complementares

1. Prove as condic~oes do teorema (7.3.1).
2. Prove que a condic~ao x0 Px 1 8 x : ak x 1 equivale a
0
2 a 0
a P 0
k
k
Dica: utilize o S-Procedure.
3. Prove que a estimativa de RA , sem perda de generalidade, pode ser deteminada por = f x : v(x)
1 g ao inves de (c) = f x : v(x) cg, onde c e uma constante a ser deteminada.
4. Em [25] s~ao propostas outras formas de maximizac~ao da estimativa da regi~ao de atrac~ao. Para o
sistema (7.8), utilize outras formas de maximizac~ao e compare com o resultado apresentado na gura
(7.2).
5. Verique com o lema (7.4.1), que a func~ao escalar m(x) = x0 M (x)x, onde a matriz M (x) e dada por
(7.13), e denida positiva para todo x 6= 0.
6. Prove que as condic~oes do teorema (7.4.1) implicam na denic~ao de estabilidade Qr .
7. Demonstre que a condic~ao (7.26) implica em
I
x0 (Imx;0)
0
m0
P (x; ) x 1 , 8 x : ak x 1 para i = 0; 1; : : : ; nf
0
8. Determine diferentes representac~oes por frac~oes racionais para o sistema (7.8). Utilizando a relac~ao
(7.27), obtenha estimativas da regi~ao de atrac~ao e compare com o resultado apresentado no exemplo
(7.4.3).
9. Pesquise outras formas de maximizac~ao da regi~ao de atrac~ao, no caso da estabilidade Qr . Determine
estimativas da regi~ao de atrac~ao e compare o resultado com o do exemplo (7.4.3).

Considerac~oes gerais sobre sistemas n~ao lineares e o metodo indireto de Lyapunov s~ao encontrados nos livros
[34] e [24]. Uma analise qualitativa destes sistemas pode ser vista em [76].
Com relac~ao especicamente a analise de sistemas n~ao lineares, maiores discuss~oes sobre tecnicas LMIs
aplicadas a sistemas n~ao lineares, classes de sistemas e incertezas, bem como, performance de sistemas n~ao
lineares s~ao encontradas em [77].
Existe disponvel para download um toolbox de projeto de controladores especco para sistemas n~ao lineares
na representac~ao LFR desenvolvido por El Ghaoui & Dussy, veja maiores detalhes em [67].
Captulo 8
Analise de Estabilidade de uma classe
de Sistemas Hbridos
Sonia E. Palomino Castro
8.1 Introduc~ao
Sistemas Hbridos tornaram-se nestes ultimos anos uma area de especial interesse no domnio das ciências
de computaca~o e da teoria de controle e e uma area que recentemente esta sendo formalmente desenvolvida.
E caracterstica dos sistemas hbridos a incorporac~ao de componentes contnuas e componentes discretas .
As dinâmicas das componentes contnuas, usualmente chamada de plantas, est~ao governadas por equac~oes
diferenciais e as dinâmicas das componentes discretas s~ao representadas por programas. Esses programas
est~ao projetados para selecionar, controlar e supervisionar a conduta das componentes contnuas.
Exemplos de sistemas hbridos do mundo real aparecem nos sistemas com reles, chaveamentos, motores de
passo e outros controladores de movimento, veculos inteligente, sistemas de controle de vôos entre muitos
outros. Existem varias abordagens para o tratamento de estabilidade de sistemas hbridos.
Em [78] e [79] a estabilidade e estudada fazendo uso de funco~es de Lyapunov multiplas associadas as partic~oes
do espaco de estados e aplicada a uma classe de sistemas hbridos muito restrita.
A diculdade de analisar estabilidade destes sistemas reside no fato de termos chaveamentos dos estados
discretos e dos campos vetoriais contnuos.
Petterson em seus trabalhos [80], [73] aborda este problema fazendo a construc~ao de uma func~ao de Lyapunov
quadratica para cada partic~ao do espaco de estados. A estabilidade global do sistema e mostrada a partir
dessas func~oes quadraticas. Johansson e Rantzer (1998) fazem uma abordagem similar, porem restritiva,
considerando regi~oes particulares.
Uma abordagem alternativa e proposta em [81] onde se sup~oe que os chaveamentos do sistema dependem
da dinâmica da variavel de estado contnua. O problema de analise consiste em construir uma funca~o de
Lyapunov dependente dos estados como na formulac~ao proposta em [75].
O objetivo deste captulo e estudar formulaco~es LMIs para analise e sntese de sistemas chaveados, fazendo
uso de func~oes de Lyapunov com novas estruturas.
109
110 CAPITULO 8. ANALISE DE ESTABILIDADE DE UMA CLASSE DE SISTEMAS HIBRIDOS
8.2 Sistemas Chaveados: uma classe de Sistemas Hbridos
Os sistemas hbridos foram caraterizados formalmente apenas nos ultimos anos, englobando no seu universo
uma vasta classe de sistemas. Dentre eles os sistemas chaveados. Nestes sistemas as componentes discretas
(ou sinais de chaveamento) s~ao func~oes costantes por partes. A seguir sera colocado como se caraterizam os
sistemas chaveados apos a denic~ao de um sistema hbrido.
Consideremos os conjuntos contaveis Q; ; O.
Denic~ao 8.2.1 (Sistema Hbrido) Um sistema hbrido H = (Rn Q; Rp ; f; ) consiste de

um conjunto n~ao vazio H = Rn Q chamado o espaco dos estados hbridos 1 (x; q) de H
o conjunto E = Rp chamado espaco de entradas externas 2 (u; ) de H
func~oes de transic~ao f : Df ! Rn e : D ! Q, onde
x_ (t) = f (x(t); q(t); u(t)); (8.1)
q+ (t) = (x(t); q(t); u(t); (t))
e Df Rn Q Rp e D Rn Q Rp .
222
Denic~ao 8.2.2 (Sistema Hbrido com sadas) Um sistema hbrido com sadas e dado pelo sistema H
e as seguintes condic~oes:
o conjunto Rm O chamado espaco de sadas de H
relac~oes de sada g : Dg ! Rm e ' : D' ! O, onde
y(t) = g(x(t); q(t); u(t)); (8.2)
o+ (t) = '(x(t); q(t); u(t); (t))
onde Dg Rn Q Rp e D' Rn Q Rp .
\y" e denominada sada contnua e \o" e a sada discreta ou evento discreto de sada.
222
Nas denic~oes, a func~ao f e dita ser o campo vetorial do sistema hbrido3 . Quando o campo vetorial
e apenas func~ao do estado (contnuo e discreto) dizemos que o sistema e autônomo. Assim estes sistemas
podem ser representados por
x_ = f (x; q); (8.3)
q+ = (x; q);
y = g(x; q); (8.4)
o+ = '(x; q):
Este campo tambem pode ser em func~ao do tempo e do estado e nesse caso sera denominado n~ao autônomo
ou variante no tempo. Os sistema hbridos s~ao ditos sistemas hbridos lineares se eles podem ser descritos
na forma
x_ = A(q)x; (8.5)
y = C (q)x;
1 x e chamado de estado contnuo e q de estado discreto
2 u e chamada de entrada contnua e denota a entrada discreta ou evento discreto de entrada
3 O campo vetorial f dene a evoluca~o do sistema, este pode ser considerado como uma func~ao de transic~ao sem perda de
generalidade.
8.2. SISTEMAS CHAVEADOS: UMA CLASSE DE SISTEMAS HIBRIDOS 111
Se a representac~ao dos sistemas e:

x_ = A(q)x + B (q); (8.6)
y = C (q)x + D(q);
dizemos que s~ao sistemas hbridos ans4 .
Com esta classicac~ao os sistemas chaveados s~ao sistemas hbridos similares aos dados em (8.3) colocados
simplesmente como
x_ = fq (x(t)) q 2 f1; ; ng: (8.7)
Quando f e uma func~ao am de x o sistema chaveado e dito ser am. Este sera o tipo de sistemas cuja
estabilidade iremos estudar.
8.2.1 Exemplos
Ha muitos exemplos de sistemas na literatura que têm natureza hbrida dentre os quais podemos citar:
gerenciamento de recursos pesqueiros [82], sistemas de controle de movimento [83], robotica [84], sistemas
de potência [85], sistemas na mecânica classica [86], veculos automatizados [87], etc. A seguir colocaremos
alguns exemplos.
Controladores Multiplos: uma simplicac~ao, [80]

E muito comum controlar uma planta contnua chaveando entre diferentes controladores ou leis de controle,
onde o dispositivo de chaveamento depende dos estados contnuos e discretos. Para ilustrar isto, consideremos
o pêndulo na gura 8.1 Onde m a massa do pêndulo e l o comprimento do centro de massa ao ponto pivô.
mu cos
m
mu
mg sin

mg
u
Figura 8.1: O pêndulo invertido.
O ângulo da vertical ao pêndulo e denotado por que e positivo na direc~ao horaria, g e a acelerac~ao da
gravidade, u, a acelerac~ao do pivô na direc~ao horizontal, e a lei de controle.
Fazendo certas considerac~oes, usando a lei de Newton e denindo x1 = e x2 = _ a representaca~o da
dinâmica do pêndulo no espaco de estados e
x_ 1 = x2 (8.8)
x_ 2 = gl senx1 u(x;q )
l cosx1
onde
u = sat KE (x ; x )sign(x cosx ); se q = q
u(x; q) = ue = (gsenx ng 1 2 2 1 1 (8.9)
s 1 + la1x1 + la2 x2 )=cosx1 ; se q = q2
4 Nas representac~oes a variavel discreta q pertence ao conjunto Q, isto e, q 2 Q = fq : k 2 I g.
k k
q = q1 e o estado discreto quando usado o controlador de energia ue e q = q2 para o controlador estabilizante
us .
Sem controle, ha dois pontos de equilbrio: (0; 0) e ( ; 0). O primeiro ponto e instavel enquanto o segundo
e estavel 5 . As referências [88] e [80] fornecem os detalhes de como obter u(x; q). A mudanca do controlador
(dos estados discretos) acontece ao denir os conjuntos chaveados S1;2 e S2;1 6 . O diagrama de transic~ao de
estados neste caso e dado pela gura 8.2.
S1;2
q1 q2
S2;1
Figura 8.2: Chaveamento dos conjuntos para o problema do pêndulo invertido
Diversos metodos de projeto de como alocar tais conjuntos s~ao propostos em [80].
Sistema Chaveado
Neste caso um sistema chaveado e dado pelo sistema hbrido linear e autônomo
x_ = Aq x; q 2 f1; 2g
com
1
A1 = 10 100 e A2 = 1 10
1 100 1 :
Os conjuntos que denem os chaveamentos s~ao

S1;2 = fx 2 R2 : x2 = 2x1 ge S2;1 = fx 2 R2 : x2 = 10x1g:
As trajetorias do sistema s~ao dadas na gura 8.3. Neste caso os conjuntos chaveados s~ao as fronteiras da
partic~ao do espaco de estados (da variavel contnua) que eles determinam.
Figura 8.3: Trajetoria de um sistema chaveado
5 Sem perda de generalidade consideramos apenas o angulo percorrido pelo pêndulo entre 0 e 2. Fora desse intervalo temos
innitos pontos de equilbrio que s~ao x1 = 2n; x2 = 0 e x1 = (+2n); x2 = 0 e n = 0; 1; : : : .
6 Estes conjuntos descrevem como s~ao feitas as mudancas das variaveis discretas.
8.3. ESTABILIDADE 113
8.3 Estabilidade
Nesta sec~ao e aplicado o metodo direto de Lyapunov para vericac~ao da estabilidade de sistemas hbridos
autônomos da forma dada na equac~ao (8.3).
Exemplo 1
O sistema chaveado
A x; se x 2 X
x_ (t) = 1 1 (8.10)
A2 x; se x 2 X2
com
X1 = f(x1 ; x2 ) : x1 0g; X2 = f(x1 ; x2 ) : x1 0g
e 5 4 ; A =
2 4

A1 = 1 2 2 20 2 :
e um sistema hbrido estavel. Observe na gura 8.4 o comportamento assintotico da trajetoria.
Neste caso n~ao ha uma func~ao de Lyapunov de tipo quadratica comum ao sistema que mostre a estabilidade.
Metodologias alternativas demonstram a estabilidade deste sistema [89, 81].
x2
4
2
X1 X2
-4
-2 -1 0 1 2
x1
Figura 8.4: Sistema hbrido estavel.
Exemplo 2
Dado o sistema chaveado
x_ (t) = Ai(t) x(t)
com 2; se i(t
) = 1 e s12 (x) = 0
i(t) = 1; se i(t ) = 2 e s21 (x) = 0

1 100 ; A =
1 10
A1 = 10 1 2 100 1 :
e
s12 (x) = x2 + 0:2x1 ; s21 (x) = 5x1 x2 :
Na gurap 8.5 se exibe a trajetoria de um sistema hbrido com campos estaveis (os autovalores s~ao iguais a
1 j 1000), mas o sistema hbrido n~ao e estavel. Isto mostra que n~ao e suciente que os campos sejam
estaveis para que o sistema seja estavel [80, 90, 91].
Figura 8.5: Campo de sistemas estaveis: o sistema hbrido e instavel.
8.4 Estabilidade de Sistemas Hbridos baseados em LMI's

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

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

Pettersson, 1999 7 , trabalha com sistemas hbridos autônomos da forma (8.3).
As mudancas dos estados discretos s~ao dadas pelos conjuntos chaveados
Sk;j = fx 2 Rn : qj = (x; qk )g para k; j 2 IN (8.11)
onde Ik e o conjunto dos ndices f1; ; kg.
7 Outras referências deste autor s~ao [73], [92].
8.4. ESTABILIDADE DE SISTEMAS HIBRIDOS BASEADOS EM LMI'S 115
Para analise de estabilidade destes sistemas se assume que campo vetorial f (x; q) e contnuo em x para cada
estado discreto q e satisfazem a condic~ao de Lipschtiz em x para cada q.
Particionamento do espaco de estados hbridos

Ser~ao feitas algumas considerac~oes para o particionamento do espaco de estados hbridos.
Dado
H,
e particionado em l regi~oes disjuntas, isto e,
=
1 [
2 [ [
l e
i \
j = ;; i 6= j .
Considera-se o conjunto de estados contnuos

x;qi = fx 2 Rn : (x; qi ) 2
g
com isto
= f(x; q) 2
x;qi fqi g; qi 2 1; ; lg.
Dado > 0 e uma trajetoria x(t) que satisfaca (8.3) para algum valor inicial em H0 denimos as regi~oes de
fronteira i;r ; i; r 2 IN (i 6= r) segundo
i;r = f(x; q) 2
: 9t > 0 tal que (x(t ); q(t )) 2
i e
(x(t + ); q(t + )) 2
r ; quando ! 0g
determinado pelo conjunto de pontos das trajetorias que passam de
i a
r .
Considerando
xi como o conjunto de estados continuos da i-esima partic~ao de
, ent~ao
xi e
xr s~ao duas
regi~oes vizinhas se a fronteira i;r 6= ;.
De forma similar, o conjunto xi;r denotara o conjunto de estados contnuos de i;r .
Regi~oes vizinhas, no espaco de estados continuos, s~ao desenhadas na gura 8.6.

xq
xlq
xl
xrl
xqr

xr
Figura 8.6: Regi~oes vizinhas, no espaco de estados contnuo.
A func~ao de Lyapunov
Seja vi :
xi ! R; i 2 Il8 , vi (x) uma func~ao contnua que mede a energia em
i . A energia total do sistema
e medida por
v(x) = vi (x); (x; q) 2
i (8.12)
esta func~ao e no geral descontnua nas regi~oes de fronteira i;r , ou seja v(x) e uma func~ao contnua por
partes.
8
e a clausura do conjunto
,isto e, o menor conjunto fechado contendo
.
Se assume que cada vi (x) seja continuamente diferenciavel em
xi ; i 2 Il assim
v_ i (x) = @v@x
i (x) f (x; q ); (x; q ) 2
i (8.13)
tambem 9(x; q) 2 i;r tal que vi (x) e vr (x) est~ao denidas quando a trajetoria vai de
i a
r em (x; q).
Com as condic~oes estabelecidas anteriormente podem ser formulados os seguintes teoremas de estabilidade.
Teorema 8.4.1 (Estabilidade)

Se existem func~oes vi :
xi ! R; i 2 Il e funco~es : R+ ! R+ e : R+ ! R+ de classe K tais que
i. (kxk) vi (x) (kxk); 8x 2

xi; i 2 Il,
ii. v_ i (x) 0; 8(x; q) 2
xi ; i 2 Il,
iii. vr (x) vi (x); x 2 xi;r ; (i; r) 2 I. 9
ent~ao o ponto de equilbrio x = 0 e estavel no sentido de Lyapunov.
222
Prova
Veja [80].
444
Observe que se x e estavel e se
= Rn e (kxk) ! 1 quando kxk ! 1 ent~ao x e globalmente estavel.
Teorema 8.4.2 (Estabilidade Assintotica)

Se existem func~oes vi :
xi ! R; i 2 Il e funco~es : R+ ! R+ , : R+ ! R+ e : R+ ! R+ de classe K
tais que
i. (kxk) vi (x) (kxk); 8x 2

xi; i 2 Il,
ii. v_ i (x) (kxk); 8(x; q) 2
xi ; i 2 Il,
iii. vr (x) vi (x); x 2 xi;r ; (i; r) 2 I.
ent~ao o ponto de equilbrio x = 0 e assintoticamente estavel no sentido de Lyapunov.
222
Prova
Veja [80].
444
9 I = f(i; r) : i;r 6= ;g.
Observe que se x e assintoticamente estavel e se

= Rn e (kxk) ! 1 quando kxk ! 1 ent~ao x e
globalmente assintoticamente estavel.
Partindo dos teoremas de estabilidade acima propostos, considerando as regi~oes do sistema hbrido e fazendo
uso do S-procedure, podem ser formuladas condic~oes sucientes usando LMIs que resolvam o problema de
estabilidade do sistema hbrido proposto.
Neste sentido as func~oes de Lyapunov candidatas s~ao formas quadraticas do tipo
vi (x) = i + p0i x + x0 Pi x
Onde a matriz Pi , o vetor pi , e a constante i s~ao as variaveis de decis~ao a serem procuradas para cada i.
Nota 8.4.1 Todos os teoremas propostos acima acabam sendo equivalentes a procura de uma func~ao de
Lyapunov de carater global toda vez que se considere o espaco de estados hbridos
=
1 .
222
Exemplo
Dado o sistema chaveado
x_ (t) = Aq(t) x(t)
com 2; se q(t ) = 1 e s12 (x) = 0
q(t) = 1; se q(t ) = 2 e s21 (x) = 0

1 100 ;
1 10

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

O esforco computacional envolvido quando se faz a procura de uma func~ao de Lyapunov por partes e obvia-
mente maior a procura de uma func~ao comum. O intuito desta seca~o e apresentar a analise de estabilidade
de sistemas chaveados com uma abordagem diferente e menos conservativa aquela que procura uma func~ao
de Lyapunov de tipo quadratica. A abordagem fornecida nesta sec~ao se encontra detalhada em [81] e apenas
fornceremos os passos da escolha da variaveis logicas que ser~ao inseridas no enunciado do teorema que mostra
o resultado principal.
Dado o sistemas chaveado:
x_ (t) = Ai x(t); i 2 f1; 2; ; ng; t > 0; (8.14)
10 Lema 3.1
11 FL: func~ao de Lyapunov
Figura 8.7: Campo de sistemas instaveis: o sistema hbrido e estavel.
onde x(t) 2 Rnx e a componente contnua dos estados, assumindo valores nas regi~oes Xi Rnx . Assumiremos
que Rnx = [Xi e que Xi sejam conjuntos cujos interiores 12 s~ao disjuntos. Assumiremos tambem que se
x(t ) 2 Xi \ Xj ent~ao x(t) 2= Xi \ Xj .
Suporemos que (8.14) seja um sistema autônomo cuja variavel contnua x(t) assume valores nas regi~oes Xi .
A variavel discreta i assume valores no subconjunto dos inteiros f1; ; ng e sera associada a um conjunto
de variaveis logicas i dadas no vetor =P[1 ; 2 ; ; n ]0 2 Rn de modo que i 2 f0; 1g; i 2 f1; ; ng
e i = 1 se x 2 Xi . Assumiremos que ni=1 i = 1, ou seja, se x 2 Xi ent~ao i = 1 e j = 0 para todo
j 6= i; j 2 f1; ; ng .
Por conveniência, iremos rescrever (8.14) na forma:
P
x_ = ( ni=1 Ai i ) x; x 2 Rnx ; 2 B~ ;
8 x(t) 2 X 9
< i = 1 se i = (8.15)
B~ = f 2 Rn : : x(t ) 2 Xi ;
i = 0; caso contrario
Seja Bx Rnx um politopo convexo que contenha a origem e represente os valores de interesse da variavel de
estado x(t) para ns de analise de estabilidade. Bx pode ser interpretado como a regi~ao de atrac~ao desejada
do ponto de equilbrio [74].
Note que B~ dene um conjunto formado pelos n valores que a variavel pode assumir. Consideraremos
tambem o seguinte politopo
( X
n X
n )
B = Co(B~ ) , : = i i ; i = 1; i 0; i 2 B~ (8.16)
i=1 i=1
cujos vertices s~ao os elementos de B~ . Podemos ent~ao estabelecer a seguinte relac~ao:
2 B~ se 2 B e 0 = diag(i ); (8.17)
0
onde = [1 ; ; n ]:
Deniremos B = Bx B como sendo o meta politopo formado pela combinac~ao dos vertices de Bx e B e
usaremos a notac~ao (x; ) 2 B para indicar que x 2 Bx e 2 B .
12 O interior de um conjunto exclui a fronteira dele.
A dinâmica do chaveamento aqui estudada sera do tipo:

Xi = fx : x0 ik (x)x 0; k = 1; ; mi g; i = 1; ; n (8.18)
onde ik (x) 2 Rnx nx s~ao func~oes ans conhecidas.
A estabilidade do sistema (8.15) sera estudada com o auxlio da seguinte denic~ao de estabilidade.
Denic~ao 8.4.1 (Estabilidade Bi-Quadratica)

Seja Bx Rnx um dado politopo que dene uma vizinhanca da origem e B~ o conjunto em (8.15).
A origem do sistema (8.15) e dita ser localmente bi-quadraticamente estavel se existir uma func~ao v(x) =
x0 P (x) x, com P (x) quadratica em x, que satisfaca as seguintes condic~oes x 2 Bx ; x 6= 0; 2 B~ :
v(x) = x0 P (x) x > 0 Pn
v_ (x) = x0 P_ (x)x + x0 ( i=1 Ai i )0 P (x)x + x0 P (x)(Pni=1 Ai i )x < 0
No caso armativo, v(x) = x0 P (x) x e dito ser uma func~ao local de Lyapunov para a origem do sistema
(8.15) .
222
A denic~ao acima estende para o caso de sistemas chaveados (8.15) a noc~ao de estabilidade Bi-quadratica
apresentada em [75] no contexto de sistemas n~ao lineares incertos, e implica em estabilidade assintotica da
origem do sistema n~ao linear chaveado (8.15). Seja 0 uma dada matriz am em x, escrita na forma
X
nx
0 = Ti xi 2 Rn1 nx (8.19)
i=1
onde Ti 2 Rn1 nx e uma matriz constante de mesma dimens~ao de 0 e xi e a i-esima componente do vetor
x. Com ri e a i-esima linha da matriz Inx denimos a matriz x
X
nx
x = Ti xri (8.20)
i=1
Na continuac~ao deniremos variaveis auxiliares i . Com 0 a a variavel 1 e com i de (8.15) as variaveis

i+1 :
1 = 0 x 2 Rn1 (8.21)
i+1 = i x; i = 1; 2; ; n 1 (8.22)
Ent~ao denimos o vetor de dimens~ao n = nnx + n1 como sendo:

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

i j x = i j+1 = 0; 8 x 8i 6= j; i; j 2 f1; 2; ; n 1g:
As express~oes (8.22) e (8.24) s~ao ans em e , estas podem ser rescritas da forma compacta

() = 0;
() 2 Rn
n (8.25)
com
() uma matriz am em e n
= n(n 1)nx . Tambem 2 B junto com
() = 0 implica na
realidade 2 B~ .
Com as func~oes ik (x) de (8.18) construimos a matriz diagonal por blocos (x) 2 Rn n , tal que:
(x) = diagfOnx ; On1 ; ~ g + E 0 n E;
E = [Inx ; Onx n1 ; Inx ; ; Inx ] 2 Rnx n ;
(8.26)
~ = diagf1; ; n 1 g 2 R(n 1)nx (n 1)nx ;
i = m
P n n
k=1 ik ik 2 R x x ; i = 1; ; n
i
onde ik s~ao escalares positivos a serem determinados posteriormente.

A seguir apresentamos o resultado principal deste captulo.
Teorema 8.4.3 (Estabilidade Bi-quadratica de Sistemas Chaveados)

Considere as matrizes denidas em (8.19), (8.20), (8.25), (8.26) e dena:
An

Aa1 = ( + )A 00 ;
0 x n

Aa2 = ( +A1 )(AAn A ) ( +An )(1A An A ) ;
0 x 1 n 0 x n 1 n
2 x x 0 0
3
66 02 x31 x2 0 77
Ch = 64 .. .. .. .. 75 ;
. . . .
0 0 xnx xnx 1
2
3
~
= 4 Ch 0(nx 1)(n nx) 5 ; C = Ch 0 ;
0 In1 0n n (n 1) 0 In1
1 x
Seja Bx Rnx um dado politopo que dene uma vizinhanca da origem e B o politopo denido em (8.16).
O sistema dado por (8.15) e localmente bi-quadraticamente estavel se existem matrizes P; L; M com as mes-
mas dimens~oes de Aa1 ; C 0 ;
~ 0 , respectivamente, e escalares positivos ik de (8.26) tais que sejam satisfeitas
as seguintes LMIs nos vertices do meta-politopo B = Bx B :
P + LC + C 0 L0 > 0; P = P 0 (8.27)
A0 P + PA PA
a1 0
Aa P
a1
0
a2 + M
~ +
~ 0 M 0 + < 0: (8.28)
2
No caso armativo, a func~ao v(x) = x0 P (x)x com P (x) indicado abaixo e uma func~ao de Lyapunov para o
sistema (8.15).
I 0 I
P (x) = n0x P n0x : (8.29)
222
Prova
Veja [81].
444
O exemplo seguinte mostra o resultado do teorema 8.4.3. Neste caso, propôr uma func~ao de Lyapunov
quadratica como candidata deu um resultado n~ao factivel. Com isto, a aplicac~ao do teorema resulta numa
abordagem menos conservativa.
Exemplo
Considere o sistema chaveado (8.10). Determine a estabilidade da origem deste sistema utilizando uma
func~ao de Lyapunov do tipo v(x) = x0 P (x) x, onde a matriz P (x) e quadratica em x.
) Soluc~ao:
O sistema (8.10) pode ser reescrito em termos da representac~ao (8.15) segundo x_ = 1 A1 x + 2 A2 x, onde
1 e 2 = 1 1 s~ao as variaveis logicas.
A matriz 0 desempenha um importante papel na funca~o de Lyapunov bi-quadratica e pode ser vista como
um grau de liberdade para diminuir a conservatividade dos resultados. Em particular, vamos considerar a
seguinte escolha desta matriz.
xI
0 = 12 , e consequentemente n1 = 4
x2 I2
Com a denic~ao acima da matriz 0 e (8.23), obtemos os seguintes vetores auxiliares i .

1 = 0 x = x21 x1 x2 x1 x2 x22
0
e 2 = 1 x
Considerando as relac~oes (8.24) construimos a seguinte matriz

.

= 0I2 0024 (1 I1)I2
1 2 24 2
As regi~oes Xi de (8.18) podem ser caracterizadas pelas funco~es:

x 0
x
x0 11 (x)x 0 ) 11 (x) = 1 e x0 21 (x)x 0 ) 21 (x) = 1 0
0 x1 0 x1 :
Logo, a matriz e construida da seguinte forma.

1 = 11 11 (x); 2 = 21 21 (x); e ~ = 1 ! = diagf02; 04 ; ~ g + E 0 2 E
2 xI 024 x1 I2
3
12
onde diagf02; 04 ; ~ g = 11 006 062
x1 I2 e E 0 2 E = 21 4 042 04 042 5:
26 x1 I2 024 x1 I2
Considere que o politopo Bx e denido pelo seguinte conjunto de vertices.

; ; ;
onde e um dado escalar positivo.
0 1
A partir de (8.16) obtemos o politopo B = Co 1 ; 0 .
Aplicando as condic~oes acima ao teorema (8.4.3), para = 100, obtemos a matriz:
2 7279067:9 434435:48 22280:18 657:259 7500:484 554:009
3
66 434435:48 1506838:5 6199:410 5120:643 1763:322 3005:408 77
6
P = 66 22280 :18 6199:410 781:2508 414:7109 562:9214 24:38704 77 :
:
64 7500:484
657 2597 5120:643 414:7109 1: 98:67125 25:63713 77
1763:322 562:9214 98:67125 367:0776 56:06310 5
554:009 3005:408 24:38704 25:63713 56:06310 30:42994
Logo, a func~ao v(x) = x0 P (x)x, com P (x) dado por (8.29), e uma func~ao de Lyapunov local para a origem
do sistema.
8.5 Sumario
Neste captulo foram colocados os conceitos fundamentais referentes a sistemas hbridos e sistemas chaveados.
Neste sentido alguns exemplos foram exibidos. Tambem estudamos a estabilidade de sistemas hbridos usando
o metodo direto de Lyapunov.
Para fazer analise destes sistemas foram enfocadas duas metodologias: uma usa func~oes de Lyapunov qua-
dratica por partes e a outra usa uma func~ao de Lyapunov comum. Para exemplicar estas metodologias
foram usados sistemas chaveados do tipo x_ = Ai x onde Ai s~ao matrizes constantes. A primeira metodo-
logia fornece a vantagem de poder encontrar uma func~ao de Lyapunov quadratica por partes quando n~ao
e possivel encontrar uma func~ao de Lyapunov quadratica comum ao sistema. Neste caso a limitante e o
esforco computacional envolvido na procura destas func~oes em vista de se ter um maior numero de variaveis
de decis~ao.
Por outro lado a segunda abordagem apresenta ser menos conservativa para o mesmo problema ha um
numero menor de variaveis de decisao a procurar e a func~ao de Lyapunov usada diferentemente de [78], [89]
e [80] depende dos estados. Neste enfoque os sistemas dados s~ao colocados na forma x_ = A()x, onde x
e o estado contnuo e um vetor de variaves logicas associadas aos chaveamentos do modelo. O espaco de
estados e particionado em regi~oes Xi e para cada regi~ao Xi A() assume valores distintos, indicando que os
chaveamentos do modelo dependem apenas das partic~oes do estado contnuo.
Neste caso a func~ao de Lyapunov usada foi do tipo v(x) = x0 P (x) x onde P (x) e quadratica em x e n~ao
ha factibilidade da soluc~ao quando se procurou uma func~ao de Lyapunov quadratica.
Com este resultado mostramos que a procura de uma func~ao de Lyapunov bi-quadratica para sistemas
chaveados apresenta, de fato, uma abordagem menos conservativa.
Captulo 9
Problema de Filtragem Robusta
Karina A. Barbosa
9.1 Introduc~ao
Em um sistema de controle, nem sempre pode-se ter acesso a todos os estados para o processo de reali-
mentac~ao, por isso e necessario em muitos casos, para satisfazer os requisitos de performance desejaveis no
projeto, estimar o estado real atraves de um ltro dinâmico.
O processo da busca destes ltros para sistema LTI vem sendo amplamente explorados, desde a publicac~ao
dos resultados de Luenberger, no caso determinstico e de Kalman, no caso estocastico. No entanto, para
sistemas incertos foi apenas no nal dos anos 90 que surgiram resultados para o projeto de ltros robustos,
que garantam que o estado estimado convirja para o estado original assintoticamente.
Neste captulo vamos apresentar os resultados obtidos por [93] e [94], que abordam o problema de ltragem
robusta atraves de Desigualdades Matriciais Lineares (LMIs). Nestas abordagens busca-se encontrar um ltro
robusto otimo para um sistema incerto, de tal forma que a variância do erro de estimac~ao seja minimizada
por um limitante superior.
A caracterstica em comum destas abordagens e conseguir uma formulac~ao convexa para o problema acima
atraves da utilizac~ao de transformac~oes de variaveis.
O captulo tem a seguinte estrutura. Na sec~ao 9.2 vamos fazer uma breve revis~ao da formulac~ao proposta por
Luenberger e Kalman para a soluc~ao do problema de ltragem para sistemas LTI. Na sec~ao 9.3 formula-se o
problema de ltragem robusta. Na sec~ao 9.3.1 apresentamos os resultados apresentados na referência [93]. O
resultado formulado em [94] sera visto em 9.3.2. Em 9.4 tem-se uma aplicac~ao dos resultados apresentados.
Exerccios complementares s~ao dados na sec~ao 9.5 e na seca~o 9.6 tem-se algumas referências para o problema
de ltragem.
9.2 Metodos Classicos

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

Considere o seguinte sistema Dinâmico:
x_ = Ax + Bu u (9.1)
y = Cx
onde x 2 Rn e o vetor de estados, u 2 Rnu e a variavel de controle e y 2 Rp e a sada do sistema. Nem

sempre tem-se acesso a todos os estados de x, o que pode ser as vezes um empecilho para a plena realizaca~o
do projeto de controle, com isso e comum se trabalhar apenas com uma estimativa xf do sinal x.
Luenberger identicou que uma maneira eciente de se obter uma boa estimativa xf (t) de x(t), seria consi-
derar que a xf fosse o estado de um sistema dinâmico dado por:
x_ f = Af xf + Bf u + Kf y (9.2)
e que o erro e = x xf entre os estados fosse pequeno.
Construindo a equac~ao diferencial do erro com (9.1) e (9.2) tem-se
e_ = x_ x_ f
e_ = Ax + Bu (Af xf + Bf u + Kf y) (9.3)
e_ = (A Kf C )x Af xf + (Bu Bf )u
e_ = (A Kf C Af )x + Af e + (Bu Bf )u
Como o erro deve convergir assintoticamente para zero independente de x e u, os coecientes de x e u devem
ser zero, com isso
Af = A Kf C (9.4)
Bf = Bu
assim, o erro de estimac~ao ca:

e_ = Af e
que converge a zero se a matriz Af for estavel. Como Af depende das matrizes A e C que s~ao xas, a unica
variavel livre agora e matriz de ganhos Kf que deve ser projetada de tal forma que se garanta que o erro
tenda assintoticamente para zero, desde que o par (A; C ) seja detectavel. A equac~ao dinâmica do ltro sera
dada por:
9.2. METODOS CLASSICOS 125
x_ f = (A Kf C )xf + Bu + Kf y
x_ f = Axf + Bu + Kf (y Cxf ) (9.5)
x_ f = Axf + Bu + Kf Ce
O problema e como projetar a matriz de ganho Kf de maneira que o erro tenda a zero assintoticamente.
Note que este e um problema dual ao problema de realimentac~ao de estado e pode ser resolvido atraves de
algoritmos ja existentes, como alocac~ao de polos. Para mais detalhes sobre observadores de Luenberger veja
[95].
A representac~ao por diagrama de blocos de um observador linear e dada na gura (9.1).
u
B
y R x
r K estado estimado
f
y^ = Cx
f C
Figura 9.1: Diagrama de blocos de um observador linear

Perceba tambem que o ltro depende diretamente das matrizes do sistema original (9.1), isso impossibilita
a considerac~ao de que o sistema seja incerto. Por isso a busca de novas abordagens para o projeto de ltros
para sistemas incertos tem sido foco de muitos projetos de pesquisa.
9.2.2 Filtro de Kalman

No ltro de Kalman busca-se estimar as variaveis de estado de um sistema LTI sujeito a perturbaco~es
estocasticas. O problema a ser tratado neste caso e descrito a seguir.
Considere o sistema dinâmico
x_ = Ax + Bu u + Bw w x(0) = x0 (9.6)
y = Cx + v
onde u e o vetor de entradas, y e a sada observavel, e v e w s~ao processos de rudo branco com media nula
e variâncias dadas por:
E [vv0 ] = V (t);
E [ww0 ] = W(t)
E [vw0 ] = S(t)
sendo (t) um impulso na origem, V , W e S s~ao matrizes quadradas constantes com V inversvel. Note que,
quando S = 0, n~ao existe uma correlac~ao direta entre os sinais de entrada v e w e que eles s~ao independentes,
ou seja, E [vw0 ] = 0. Suponha tambem que o estado inicial de (9.6) e uma variavel aleatoria de media nula
e de matriz de covariância P0 , sendo n~ao correlacionado com v e w. O problema, ent~ao, e encontrar o
estimador de estados que minimiza a variância do erro de estimac~ao.
A soluc~ao proposta por Kalman e Buci e que o estimador de estados otimo e um observador e pode assim
ser expresso como
x_ f = Axf + Bu + Kf (y Cxf ) (9.7)

onde agora a matriz Kf e a matriz de ganho que deve ser escolhida de tal forma que haja uma minimizac~ao
da variância do erro de estimac~ao.
O problema agora e encontrar o valor do ganho Kf de tal forma que o observador (9.7) seja o observador
otimo. Como e um observador pode-se proceder de maneira semelhante ao caso de Luenberger, ent~ao
denindo o erro como e = x xf , a dinâmica sera dada por:
e_ = Ax + Bw w Axf Kf (Cx + v Cxf ) (9.8)

= (A + Kf C )e + Bw w Kf v
Kalman mostrou que a matriz Kf que minimiza a variância do erro de estimac~ao e obtida a partir da equac~ao
de Riccati
P_ = (A FSV 1 C )P + P (A FSV 1 C )0 PC 0 V 1 CP + Bw (W SV 1 S 0 )Bw0 (9.9)
P (0) = P0
onde Kf = (PC 0 + FX )W 1 .
No caso de w e v n~ao serem correlacionados, ent~ao tem-se que S = 0, e neste caso obtem-se
P_ = AP + PA0 PC 0 V 1 CP + Bw WBw0 (9.10)

com Kf = PC 0 V 1 .
A prova deste resultado pode ser encontrada no captulo sobre o ltro de Kalman em [8].
A equac~ao de Riccati (9.9), ou (9.10) e valida para um intervalo de tempo nito. Quando t ! 1 a soluc~ao
para a estimativa de x e dada pelo ltro estacionario de Kalman transformando a equac~ao (9.9) na Equac~ao
Algebrica de Riccati(ARE).
(A FSV 1 C )P + P (A FSV 1 C )0 PC 0 V 1 CP + Bw (W SV 1 S 0 )Bw0 = 0 (9.11)
E possvel, tambem, buscar uma soluc~ao para este problema atraves da soluc~ao de um problema de otimizaca~o
convexo, via formulac~ao LMI. Este resultado pode ser visto, por exemplo em [93], e garante que se as seguintes
condic~oes estiverem satisfeitas para N , W e Y .
min Tr[N ];
N;W;Y
(9.12)
N

Bw0 W + Y 0 0; W > 0;
WBw + Y W (9.13)
A0 W + WA + C 0 Y 0 + Y C + Cz0 Cz < 0: (9.14)
o ganho do ltro otimo e dado por Kf = W 1 Y .
O resultado apresentado por Kalman garante a obtenc~ao do ltro otimo para sistemas LTI. No caso de
sistemas incertos, como as matrizes do ltro de Kalman s~ao projetadas em func~ao das matrizes do sistema
original, tem-se novamente a diculdade apresentada no caso do ltro de Luenberger. A seguir, sera apre-
sentado duas abordagens alternativas para a soluca~o deste problema, ou seja, o projeto de ltros otimos para
sistemas incertos.
9.3. MODELAGEM DO PROBLEMA 127
9.3 Modelagem do problema

Estamos na verdade preocupados em estimar o estado de um sistema incerto. Nesta sec~ao vamos ent~ao
denir o problema de ltragem robusta, para tal considere o sistema
x_ = Ax + Bw w; x(0) = x0
y = Cx + Dw (9.15)
z = Cz x
onde x 2 Rn e o vetor de estados, x(0) e uma variavel aleatoria, w 2 Rnw e uma entrada externa, no caso
um sinal de rudo branco com media nula e variância conhecida, z 2 Rnz representa o sinal a ser estimado
e y 2 Rny e a sada medida. A matriz Cz e dada e as matrizes A; Bw ; C; D; s~ao incertas. Assume-se que
a incertezas est~ao descritas na forma politopica, tal que
A B
S := w (9.16)
C D
pertenca a um dado politopo D descrito por
( X
ns X
ns )
D := S : S = i Si ; i 0; i = 1 (9.17)
i=1 i=1
Observe que a classe de sistemas (9.6) onde os sinais de entrada e rudo de medida s~ao distintos, e um caso
particular do sistema (9.15). Para vericar isto, note que, basta fazer w(t) = [w10 w20 ]0 e matrizes Bw e D
iguais a [Bw 0] e [0 D], respectivamente.
Busca-se projetar um ltro robusto otimo pertencente ao conjunto C , onde C e a classe de todos os operadores
lineares invariantes no tempo com realizac~ao de estados mnima da forma:
x_ f = Af xf + Kf y; xf (0) = 0 (9.18)
zf = Cf xf
onde xf 2 Rnf e o estado estimado e zf 2 Rnz e a sada estimada, e nf e a ordem do ltro, de tal forma
que o erro de estimac~ao dado por
e = z zf (9.19)
tenha a variância limitada superiormente por p(F ). Nesta notac~ao a estimativa de z e dado por z^ = F y, onde
F e um operador linear causal que minimiza o limitante superior p(F ). Formalmente tem-se que satisfazer
o seguinte problema de otimizac~ao:
PROBLEMA 1:
min
F2C
p(F ) (9.20)
sup E [e0 e] p(F ) (9.21)

S 2D
onde E [:] e o operador esperanca matematica.

Incorporando o ltro (9.18) ao sistema (9.15) juntamente com a dinâmica do erro (9.19) e considerando

xa = x0 x0f 0 , pode-se construir o seguinte sistema aumentado:
x_ a = Aa xa + Ba w; xa (0) = 0 (9.22)
e = Ca xa
onde
A 0

B
Aa = w
Kf C Af ; Ba = Kf D ; (9.23)

C = C C

a z f
O problema, ent~ao, e como encontrar o valor do ndice p(F ) para minimizar a variância do erro de estimac~ao
em (9.22).
Nesta sec~ao, assume-se que sinal de entrada w e do tipo rudo branco, media nula e variância dada por
E [ww0 ] = I. Um limitante superior para a variância do erro pode ser obtido com as mesmas tecnicas
apresentadas no Captulo 2, para o calculo da norma H2 .
Perceba que, considerando o sistema (9.22) a variância do erro de estimac~ao quando t ) 1 satisfaz ent~ao
as seguintes condic~oes:
Gramiano de Controlabilidade
E [e0 e] = Tr[Ca XCa0 ] (9.24)

onde X 2 R(n+nf )(n+nf ) e uma matriz simetrica e n~ao negativa denida soluc~ao da equaca~o de
Lyapunov
Aa X + XA0a + Ba Ba0 = 0 (9.25)

Gramiano de Observabilidade
E [e0 e] = Tr[Ba0 XBa ] (9.26)

onde X 2 R(n+nf )(n+nf ) e uma matriz simetrica e n~ao negativa denida soluc~ao da equac~ao de
Lyapunov
A0a X + XAa + Ca0 Ca = 0 (9.27)

Observe que os problemas acima podem ser reescritos como um problema de otimizac~ao com restric~oes de
desigualdades. Sendo assim, estes dois problemas de otimizac~ao podem ser convertidos respectivamente em:
Problema 1.1
min
P;Af ;Kf ;Cf
Tr[CaPCa0 ];
(9.28)
Aa P + PA0a + Ba Ba0 < 0; P > 0:
Problema 1.2
min
P;Af ;Kf ;Cf
Tr[Ba0 PBa];
(9.29)
A0a P + PAa + Ca0 Ca < 0; P > 0:
Note que se existe uma soluc~ao P para (9.28) ou (9.29), ent~ao o sistema (9.22) e assintoticamente estavel e
P > X (dada por (9.25) ou (9.27) respectivamente). Alem disto, a func~ao objetivo acima e estritamente maior
que a variância do erro em regime estacionario. Assim, como a soluc~ao otima para o Problema 1.1(ou 1.2)
e arbitrariamente proxima da soluc~ao da equaca~o de Lyapunov em (9.25) (ou em (9.27)), a diferenca entre
a func~ao objetivo do Problema 1.1 (ou 1.2) e a variância do erro estacionario pode ser feito arbitrariamente
pequena.
Se uma soluc~ao para o Problema 1.1 ou 1.2 for encontrada, tem-se a garantia de que o ltro (9.18) obtido
sera ent~ao soluc~ao otima para o Problema 1, e o valor de p(F ) sera dado pela func~ao objetivo do problema,
ou seja, p(F ) = Tr[Ca PCa0 ] ou p(F ) = Tr[Ba0 PBa ] , onde e uma constante arbitrariamente pequena.
A seguir s~ao apresentadas duas abordagens que buscam uma soluc~ao para os Problemas 1.1 ou 1.2 atraves
de transformac~ao de variaveis que tornem a busca dos ltros robustos otimos um problema de otimizac~ao
convexa. Note que os Problemas 1.1 e 1.2 n~ao s~ao convexos nas variaveis de decis~ao.
9.3.1 Abordagem 1
Esta abordagem foi proposta por Souza e Trono [93] e apresenta uma soluc~ao para a busca de um ltro
robusto tal que a variância do erro de estimaca~o seja minimizada. Para o calculo do ndice p(F ), os autores
utilizam o Gramiano de Observabilidade, ou seja buscam uma soluc~ao factvel para o Problema 1.2.
Para colocar o problema de ltragem 1.2 numa formulac~ao LMI, e necessario primeiro aplicar o complemento
de Schur em (9.29), obtendo
min
N;P;Af ;Kf ;Cf
Tr[N ]; (9.30)
N B0 P
PBa P 0; P > 0;
a (9.31)
A0 P + PA C 0
a a a
Ca Inz < 0: (9.32)
Note que as restric~oes de (9.31) e (9.32) n~ao s~ao convexas nas variaveis de decis~ao P; Af ; Kf e Cf . No
entanto, pode-se atraves da aplicac~ao de transformac~oes de variaveis apropriadas e a introduc~ao de novas
variaveis de decis~ao transformar estas desigualdades em LMIs. Para isso os autores utilizam as seguintes
transformac~oes de variaveis.
Supondo que a matriz P soluc~ao otima para o Problema 1.2, seja particionada de acordo com Aa , ou seja :

P = PP10 PP3 (9.33)
3 2
onde P1 and P2 s~ao matrizes n n simetricas e positivas denidas, e a matriz P3 e assumida ser n~ao singular1.
Com isto constroi-se as seguintes matrizes de transformac~oes
2I 0 0
3
n
J1 = 4 0 P2 1 P30 0 5
0 0 Inz
1 esta considerac~ao pode ser feita sem perda de generalidade como e provado em [93].
e
2I 0 0
3
n
J^1 = 4 0 In 0 5
0 0 P2 1 P30
que tornam a busca de soluc~ao para o Problema 1 convexa. A seguir e reproduzido o teorema para a soluc~ao
do Problema 1.2 via abordagem LMI, para o caso nominal(ns = 1 em D), onde o valor de p(F ) e dado pelo
Tr[N ].
Teorema 9.3.1 Considere o sistema (9.15) onde A; Bw ; C e D s~ao matrizes conhecidas. O ltro de ordem
completa (9.18) que minimiza a variância do erro assintotico pode ser obtido em termos do seguinte problema
LMI em MA; P0 ; P1 2 Rnn , MK 2 Rnny , MC 2 Rnz n e N 2 Rnw nw :
min
N;P0 ;P1 ;MA ;MK ;MC
Tr[N ] (9.34)
sujeito a
P1 P0 > 0; P0 > 0; (9.35)
2 N Bw0 P1 + D0MK0 Bw0 P0 + D0MK0
3
4 P1 Bw + MK D P1 P0 5 > 0; (9.36)
P0 Bw + MK D P0 P0
2 A0P + P A + M C + C 0M 0 M + A0P + C 0M 0 C 0 3
4 1MA0 +1 P0 A +KMK C K A MA +0 MA0 K Mz C0 5 < 0: (9.37)
Cz MC Inz
com a soluc~ao otima N; P0 ; P1 ; MA ; MK e MC encontradas, as matrizes do ltro otimo s~ao dadas por
Af = P3 1 MA (P30 ) 1 P2 ; Kf = P3 1 MK ; Cf = MC (P30 ) 1 P2 (9.38)
onde P2 e P3 s~ao matrizes n n quaisquer com P2 simetrica tal que P3 P2 1 P30 = P0 . Alem disso, a variância
do erro de estimac~ao satisfaz assintoticamente E[e0 e] = Tr[N ] , onde > 0 e arbitrariamente pequeno.
Prova 1 : Primeiro mostra-se que as desigualdades de (9.31) e (9.32) s~ao equivalentes as LMIs em (9.35)-
(9.37). Com a partic~ao P dada em (9.33), expandindo as matrizes Aa e Ca em (9.23), a desigualdade (9.32)
pode ser reescrita como
2 A0P1 + P1 A + P3 Kf C + C 0K 0P 0 A0P3 + P3 Af + C 0K 0P2 C 0 3
4 P30A + A0fP30 + P2Kf C f 3 A0fP2 + P2 Af
f z
Cf0 5 < 0: (9.39)
Cz Cf Inz
Pre-multiplicando e pos-multiplicando (9.39) por J10 e J1 , respectivamente e introduzindo as novas variaveis
P0 = P3 P2 1P30 ; MA = P3 Af P2 1P30 ; MK = P3 Kf ; MC = Cf P2 1P30 (9.40)
a desigualdade (9.39) torna-se a LMI (9.37).
Por outro lado, pelo complemento de Schur a condic~ao P > 0 em (9.31) e equivalente a desigualdade (9.35).
Prova-se agora a equivalência entre a primeira desigualdade de (9.31) e (9.36). Primeiro, note que pela
denic~ao de Ba em (9.22), a desigualdade (9.31) torna-se
2 N Bw0 P1 + D0 Kf0 P30 Bw0 P3 + D0 Kf0 P2

3
4 P1 Bw + P3Kf D P1 P3 5 0: (9.41)
0
P3 Bw + P2 Kf D 0 P3 P2
Pre-multiplicando and pos-multiplicando (9.41) por J^10 and J^1 , respectivamente e considerando a denic~ao
de P0 e MK , obtem-se que (9.41) e equivalente a LMI de (9.36).
Finalmente, as matrizes do ltro (9.38) s~ao obtidas imediatamente de (9.40), o que conclui a prova.
222
O projeto de ltro otimo para o caso nominal, ja foi solucionado por Kalman como mostrado na sec~ao 9.2.2.
A seguir tem-se a demonstrac~ao de que o Teorema 9.3.1, atraves de troca de variaveis, recai no resultado
proposto por Kalman.
Note que, como no ltro de Kalman o erro de estimac~ao e descrito em termos de um sistema dinâmico de
ordem n, tem-se que a realizac~ao no espaco de estados (9.22) para o erro de estimac~ao e n~ao mnima. Com
isto, pode-se relaxar a condic~ao de desigualdade estrita em (9.37) e garantir que o primeiro bloco na diagonal
e positiva denida. Assim, (9.37) pode ser reduzida a uma desigualdade de dimens~ao menor.
Pre e pos multiplicando (9.37) por J20 e J2 , respectivamente, onde
2 I 0 0 3
n
J2 = 4 In 0 In 5
0 Inz 0
tem-se
2 Cz0 2
3
1
64 Cz Inz (Cz + MC ) 75 < 0 (9.42)
2 0 0 0
(Cz + MC ) A (P1 P0 ) + (P1 P0 )A
com
1 = A0 P1 + P1 A + C 0 MK0 + MK C
2 = A0 P1 P1 A + MA + A0 P0 MK C:
Impondo que P1 = P0 + "I , onde " e um escalar positivo com " ! 0, a desigualdade de (9.42) implica, no
caso limite, que
2 = 0; Cz + MC = 0: (9.43)
Alem disso, (9.42) e reduzida a
A0 P1 + P1 A + C 0 MK0 + MK C + Cz0 Cz < 0: (9.44)
Assim, segue de (9.43) que

MA = P1 A + MK C; Cz = MC :
Escolhendo P2 = P3 , e considerando (9.40), tem-se que
P0 = P2 = P3 ; MA = P1 Af ; MK = P1 Kf ; MC = Cf :
Assim, obtem-se
Af = A Kf C; Cf = Cz (9.45)
Por outro lado, pre e pos multiplicando a desigualdade (9.36) por J30 e J3 , respectivamente, onde
2I 0 03
J3 = 4 0 I I 5
0 0 I
tem-se (9.36) satisfeita se e somente se
2 N B 0 P + D0 M 0 Bw0 (P1 P0 )
3
4 P1Bw + MK D w 1 P1 K (P1 P0 ) 5 0: (9.46)
(P1 P0 )Bw (P1 P0 ) (P1 P0 )
Como P1 ! P0 , obtem-se no caso limite que (9.46) e (9.35) s~ao equivalentes a

N Bw0 P1 + D0 MK0 0;

P1 Bw + MK D P1 P1 > 0: (9.47)
Observe que as restric~oes (9.44), (9.45) e (9.47) s~ao exatamente as mesmas para a formulac~ao LMI do ltro
de Kalman (9.12)-(9.14). Assim, fazendo-se P0 = P1 e escolhendo P2 = P3 , conclui-se que o ltro do
Teorema 9.3.1 se reduz ao ltro de Kalman.
Ate o momento se considerou o projeto de ltros da mesma ordem que o sistema. Mas na pratica, as vezes
e necessario apenas estimar as variaveis n~ao acessveis, ou seja projetar um ltro de ordem nf < n. Neste
caso tem-se que mesmo para o caso de sistemas sem incertezas, se consegue apenas um limitante superior
para a variância do erro. O teorema a seguir apresenta este resultado.
Teorema 9.3.2 Considere o sistema (9.15) onde A; Bw ; C and D s~ao matrizes conhecidas. O ltro de
ordem nf < n dado em (9.18) que minimiza um limitante superior para a variância do erro assintotico
pode ser obtido em termos do seguinte problema LMI em MA; P0 2 Rnf nf , P1 2 Rnn , MK 2 Rnf ny ,
MC 2 Rnz nf e N 2 Rnw nw :
min
Tr[N ] (9.48)
sujeito a
P
P1 0 0
0 0 > 0; P0 > 0; (9.49)
2 N Bw0 P1 + D0M~ K0 Bw0 P~0 + D0MK0

3
4 P1 Bw + M~ K D P1 P~0 5 0; (9.50)
P~00 Bw + MK D P~00 P0
2 A0P + P A + M~ C + C 0M~ 0 M~ + A0P~ + C 0M 0 C 0 3

64 1 M~ 0 1+ P~00 A +KMK C K A MA +0 M 0 K Mz 0 75 < 0 (9.51)
A A C
Cz MC Inz
com

P~0 = P00 ; M~ A = M0A ; M~ K = M0K (9.52)
onde P~0 2 Rnnf ; M~ A 2 Rnnf e M~ K 2 Rnny .

Com a soluc~ao otima N; P0 ; P1 ; MA; MK e MC encontradas, as matrizes do ltro otimo s~ao dadas por
onde P2 e P4 s~ao matrizes nf nf com P2 simetrica tal que P4 P2 1 P40 = P0 . Alem disso, a variância do
erro de estimac~ao satisfaz assintoticamente E[e0 e] Tr[N ].
222
Projeto de Filtro Robusto

No Teorema 9.3.1 considera-se que o sistema (9.22) n~ao possui incertezas. Como ja foi visto, este resultado
reproduz o resultado proposto por Kalman para a soluc~ao do problema de ltragem. A grande vantagem
desta abordagem e o projeto de um ltro robusto otimo para uma classe de sistema incertos. O proximo
teorema, fornece uma soluc~ao para este problema com condic~oes similares as do Teorema 9.3.1.
Teorema 9.3.3 O ltro de ordem completa da forma (9.18) para o sistema (9.15) que minimiza um limitante
superior para a variância do erro assintotico, pode ser obtido em termos do seguinte problema de otimizac~ao
em MA ; P0 ; P1 2 Rnn , MK 2 Rnny , MC 2 Rnz n e N 2 Rnw nw :
min
Tr[N ] (9.54)
sujeito a
P1 P0 > 0; P0 > 0; (9.55)
2 N 0 P1 + D0M 0 B 0 P0 + D0 M 0 3
Bwi i K wi i K
4 P1 Bwi + MK Di P1 P0 5 0; (9.56)
P0 Bwi + MK Di P0 P0
2 A0P + P A + M C + C 0M 0 M + A0P + C 0 M 0 C 0 3
4 i 1 MA0 1+ Pi 0Ai +KMiK Ci i K A MAi +0 MA0 i K MzC0 5 0 (9.57)
Cz MC Inz

para i = 1; : : : ; ns , onde as matrizes AC BD s~ao os vertices do politopo D. Com a soluc~ao otima
i
i
wi
N; P0 ; P1 ; MA; MK e MC encontrada, as matrizes do ltro robusto otimo s~ao dadas por

onde P2 e P3 s~ao matrizes n n qualquer com P2 simetrica tal que P3 P2 1P30 = P0 . Alem disso, a variância
do erro de estimac~ao satisfaz assintoticamente E[e0 e] Tr[N ] para todas incertezas admissveis.
222
9.3.2 Abordagem 2
Esta abordagem foi proposta por Geromel e Oliveira [94, 97] e de forma semelhante a abordagem anterior
busca a soluc~ao para o Problema 1 de forma convexa, ou seja, encontrar um ltro otimo tal que a variância
do erro seja limitada superiormente. Nesta abordagem os autores baseiam o resultado no Gramiano de
controlabilidade, ou seja buscam uma soluc~ao factvel para o Problema 1.1.
De forma semelhante a abordagem anterior aplicando o complemento de Schur no problema de minimizaca~o
1.1 tem-se
min
P;Af ;Kf ;Cf
Tr[W ]; (9.59)
P PC 0
Ca P W 0; P > 0;
a (9.60)
A P + PA0 B
a a a
Ba0 Inw < 0: (9.61)
que novamente n~ao s~ao convexas em Aa e P . Para converter estas desigualdades em LMIs utiliza-se as
transformac~oes de variaveis apresentadas a seguir.
Particionando a matriz P soluc~ao do problema de otimizac~ao acima como

P~ = P~ 0 = UX0 X
U
^ P~ 1 = P~ T = VY 0 VY^ (9.62)
onde X; Y 2 Rnn , e X;^ Y^ 2 Rnf nf , s~ao matrizes positivas denidas. Como PP 1 = I tem-se que
X > Y 1 > 0 e U e V s~ao n~ao singulares.
Controi-se ent~ao a seguinte matriz de transformac~ao n~ao singular:
1
~
T~ = X0 VY 0 ; T = T0 I0 (9.63)
Assim multiplicando-se (9.60) por T 0 a direita e T a esquerda tem-se:
2 Z Z Cz0 G0
3
4 Z Y Cz0 5 > 0 (9.64)
Cz G Cz W
onde Z = X 1 e G = Cf U 0 Z . Aplicando o mesmo procedimento em (9.61) obtem-se
2 ZA + A0 Z ZA + A0 Y + C 0 F 0 + Q0 ZBw
3
4 A0Z + Y A + FC + Q Y A + FC + A0 Y + C 0 F 0 Y Bw + FD 5 < 0 (9.65)
0
Bw Z 0 0 0
Bw Y + D F Inw
onde se introduz as seguintes variaveis: F = V Kf e Q = V Af U 0 Z
Com estas considerac~oes, pode-se armar que existe uma transformac~ao inversa tal que Cf = G(U 0 Z ) 1 ; Kf =
V 1 F; e Af = V 1 Q(U 0 Z ) 1 e o projeto do ltro que soluciona o Problema 1.1 e equivalente ao seguinte
problema LMI:
min
W;Z;Y;Q;F;G
Tr[W ] : (9.64){(9.65) (9.66)
Note que pode-se simplicar a LMI (9.64) eliminando-se a variavel G. Para tal permutam-se as terceira e
segunda colunas e linhas obtendo-se:
2 Z C 0 G0 Z 3
4 Cz G z W Cz 5 > 0 (9.67)
Z 0 Cz Y
usando o complemento de Schur pode-se reescrevê-la como:
Z ZY 1 Z

Cz0 G0 ZY 1 Cz0 > 0
Cz G Cz Y 1 Z W Cz Y 1 Cz0 (9.68)
Perceba que uma condic~ao necessaria e suciente para que esta inequac~ao esteja satisfeita e Z ZY 1 Z > 0
e W Cz Y 1 Cz0 > 0, pois e possvel ent~ao fazer G = Cz (In Y 1 Z ), e a LMI (9.67) pode ent~ao ser dividida
em
Y C0 Z Z
z > 0;
Cz W Z Y >0 (9.69)
Note que a eliminac~ao da variavel G n~ao imp~oe nenhuma restric~ao a mais ao problema, isto pois a soluca~o
da equac~ao acima e equivalente a (9.64)2.
Pela estrutura proposta para G, pode-se impor tambem sem perda de generalidade que Cf = CZ . Para que
isto ocorra tem-se que considerar que U = U 0 = Z 1 Y 1 , assim
Cf = G(U 0 Z ) 1
= Cz (I Y 1 Z )Z 1 (Z 1 Y 1 ) 1 (9.70)
= Cz
Resolvendo a equac~ao XY + UV 0 = I , que sai da equaca~o PP 1 = I , tem-se que V = V 0 = Y . Estas

matrizes ser~ao assim de rank completo, o que satisfaz as condic~oes para a soluc~ao de (9.66). E com isso
prova-se o seguinte teorema:
Teorema 9.3.4 Para nf = n e o sistema nominal (9.15), o ltro mnimo F 2 C que minimiza a variância
do erro assintoticamente e dado por
Cf = Cz ; Af = Y 1 Q(In Y 1 Z ) 1 ; Kf = Y 1 F (9.71)
onde W = W 0 ; Z = Z 0 ; Y = Y; Q e F s~ao a soluc~ao otima das seguintes condic~oes:
8 Y C0 Z
>
> z > ; Z
>
< Cz W
0 Z Y >0
min Tr[W ] : > 2 ZA + A0 Z ZA + A0 Y + C 0 F 0 + Q ZBw
3
>
> 4 0 Y A + FC + A0 Y + C 0 F Y Bw + FD 5 < 0 (9.72)
: A Z + YBAw0 +Z FC + Q Bw0 Y + D0 F 0 Inw
e assim o mnimo da variância do erro de estimac~ao satisfaz E[e0 e]+ = Tr[W ], onde > 0 e arbitrariamente
pequeno.
222
Para o projeto de ltros de ordem reduzida pode-se aplicar os mesmos resultados acima, so que agora a
matriz de transformac~ao T vai ser uma matriz de rank incompleto.
Para obter o ltro de Kalman desta formulac~ao, busca-se simplicar a segunda LMI em (9.72). Note que
para esta LMI ser factvel uma condic~ao necessaria seria a existência de uma matriz positiva denida Z0 tal
que A0 Z0 + Z0 A < 0, o que requer que a matriz A seja estavel. Sobre esta condic~ao faca Z = Z0 , onde
> 0 e um escalar pequeno e arbitrario e observe que para manter a segunda LMI em (9.72) factvel quando
) 0+ , necessita-se impor que Q = (Y A + FC ), neste caso Af = Y 1 Q = A Kf C e (9.72) pode ser
reduzido
8 Y C0
>
> z
< Cz W > 0
min Tr[W ] : > (9.73)
> Y A + FC + A 0 Y + C 0 F Y Bw + FD
: Bw0 Y + D0 F 0 Inw <0
2 a vericac~ao disto pode ser vista pelas condico~es dadas no Lema 2 em [94]
Para simplicar considera-se Bw D0 = 0 e DD0 = I . Fazendo-se P = Y 1 e escolhendo F = C apos usar o
complemento de Schur em ambas as desigualdades, tem-se
min :
P >0 Tr[Cz PCz0 ] (9.74)
AP + PA0 PC 0 CP + Bw Bw0 < 0
De (9.71) tem-se que Kf = Y 1 F = PC 0 , que pode ser visto como o ganho otimo para ltro de Kalman.
Que e o resultado apresentado em 9.2.2.
Projeto de Filtros Robustos

E apresentado aqui a formulac~ao deste resultado para sistemas incertos. O teorema a seguir e baseado no
Teorema 9.3.4 e fornece condic~oes para o projeto de ltros robustos.
Teorema 9.3.5 Para nf = n e o sistema incerto (9.15) 2 D, o ltro mnimo F 2 C que minimiza a
variância do erro assintoticamente e dado por
Cf = Cz ; Af = Y 1 Q(In Y 1 Z ) 1 ; Kf = Y 1 F (9.75)
onde W = W 0 ; Z = Z 0 ; Y = Y; Q e F s~ao a soluc~ao otima das seguintes condic~oes:
8 Y C0 Z Z
>
> z > 0;
>
< Cz W Z Y >0
min Tr[W ] : > 2 ZA + A 0i Z ZA + A 0i Y + Ci0 F 0 + Q ZB
3
> i i wi (9.76)
: 4 Ai Z + Y BAwi0i +ZFCi + Q Y Ai +BFC
> i + A0 Y + C 0 F Y Bwi + FDi 5 < 0
0
0wi Y + Dii0 F 0 i Inw

para i = 1; : : : ; ns , onde as matrizes AC BD
i wi
s~ao os vertices do politopo D. O mnimo da variância do
erro de estimac~ao satisfaz E[e0 e] < Tr[W ].
i i
222
9.4 Exemplo numerico

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

1 + 0:3 x +

x_ = 01 0:5
2 0
1 0 w

y = 100 100 x + 0 1 w
(9.77)

z= 1 0 x
9.4. EXEMPLO NUMERICO 137
Deseja-se encontrar o ltro otimo considerando 8 : fjj 1; _ = 0g.
Utilizando as abordagens apresentadas nas sec~oes 9.3.1 e 9.3.2, projeta-se o ltro robusto para estimativa de
z . Para ns de comparac~ao projeta-se tambem o ltro de Kalman para o caso nominal ( = 0), e para os
extremos do intervalo do parâmetro incerto , ou seja para = 1 e = 1.
Uma importante validac~ao do metodo e dada pela comparac~ao dos valores obtidos para o limitante superior
p(F ), os quais s~ao observados nas Tabelas 9.1 e 9.2. Na Tabela 9.1 tem-se os valores dos limitantes obtidos
pelas aplicac~oes das abordagens 1 e 2, na seguinte, Tabela 9.2, tem-se os valores obtidos pelo ltro de Kalman.
Teorema p(F ) incerteza

9.3.3 3.1273942
9.3.5 2.3120389 jj < 1, _ = 0
9.3.1 0.02666
9.3.4 0.02666 = 0 nominal
Tabela 9.1: Valores do limitante superior p(F ): ltro robusto
Sistema (9.77) com p(F )
=1 1.2576955
= 0 (nominal) 0.02666
= 1 0.01365
Tabela 9.2: Valores do limitante superior p(F ): ltro de Kalman
Conforme os resultados da Tabela 9.1, verica-se que para este sistema a Abordagem 2 fornece, no caso
robusto, um melhor ndice de performance. Para o caso nominal, = 0, todos os dois retornam ao ltro de
Kalman como era esperado.
0.8
=1
0.6
0.4
erro
0.2 k
b
0 a
0.2
0 5 10 15 20 25 30
t
0.8
=1
0.6
0.4
erro
k
0.2 b
a
0
0.2
0 5 10 15 20 25 30
t
Figura 9.2: Comportamento do erro de estimac~ao obtidos pela Abordagens 1(a) e 2(b) e ltro de Kalman(k)
O comportamento do erro para cada uma das abordagens pode ser visualizado nos gracos da Figura 9.2,
onde tem-se a simulac~ao do erro obtido por cada uma das abordagens e pelo ltro de Kalman, considerando
= 1 e = 1, e a condic~ao inicial: x(0) = [ 0:8 0 ]0 ; xf (0) = [ 0 0 ]0 .
Perceba que para as abordagens 1 e 2( curvas a e b ), o sinal de erro decai rapidamente para zero, o que
n~ao ocorre no ltro de Kalman, onde a curva quase linear tende lentamente a zero. Isso a priori parece uma
contradic~ao, dado que o ltro de Kalman e o ltro otimo e tem tambem um melhor ndice de performance
(veja Tabela 9.2). Mas examinando a dinâmica do erro percebe-se que este comportamento lento esta ligado
ao conjunto de autovalores da matriz Af do ltro, vistos na Tabela 9.3.
Abordagens Autovalores
1- Teorema 9.3.3 - 299.99789 e - 0.4494859
2- Teorema 9.3.5 - 348.38739 e - 0.2360355
Filtro de Kalman: = 1 - 299.99604 e - 0.1000952
Tabela 9.3: Autovalores da matriz Af
444
Nem sempre a Abordagem 2, como ocorreu no Exemplo 1, fornece um valor do limitante superior p(F )
menor que o da Abordagem 1. Este fato e vericado aplicando-se estas abordagens a um novo sistema, como
mostrado a seguir.
Exemplo 9.4.2 Dado o sistema

0

1 x+ 1 w

x_ = 1 + 0:3 0:5 0

y = 100 100 x + w

z= 2 1 x

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

1. Prove o Teorema 9.3.3.
2. Prove o Teorema 9.3.2.3.

3 Dica: considere que P3 = P04 e que a matriz de transformac~ao J1 seja construda com P4 e n~ao P3
3. Prove que para P e P 1 dadas em (9.62) tem-se X > Y 1 > 0 e U e V s~ao n~ao singulares.
4. Considere que exista agora uma transferência direta de w para a variavel de medida z. Tal que
z = Cxf + Dzw w em (9.15) e no ltro (9.18): zf = Cf + Df y. Reformule as condic~oes do Teorema
9.3.4.

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

Apostila Robusto PDF

Enviado por

Dados do documento

Título original

Direitos autorais

Formatos disponíveis

Compartilhar este documento

Compartilhar ou incorporar documento

Opções de compartilhamento

Você considera este documento útil?

Este conteúdo é inapropriado?

Direitos autorais:

Formatos disponíveis

Apostila Robusto PDF

Enviado por

Direitos autorais:

Formatos disponíveis

Universidade Federal de Santa Catarina

Programa de Po s-Graduaca~o em Engenharia Eletrica

Prof. Alexandre Tro no

Florianopolis, Agosto de 2000

2 Estabilidade e Performance de Sistemas por LMIs 11

4 Sistemas Discretos - Analise, Performance e Sntese 51

5 Estabilidade Dependente dos Par^ametros 61

Parte II: Conceitos Avancados 75

7 Analise de Sistemas N~ao Lineares 91

8 Analise de Estabilidade de uma classe de Sistemas Hbridos 109

9 Problema de Filtragem Robusta 123

Daniel F. Coutinho e Karina A. Barbosa

Figura 1.1: Diagrama de Blocos de um sistema de Controle Robusto

1.2 Exemplos de Sistemas Din^amicos

Figura 1.2: P^endulo invertido

Considere que os estados do sistema s~ao

xp := [z; ; z;_ _]0

a1 = d1 m2 gl2; a2 = d1 cM (Jm + ml2 )

Com isso o sistema (1.1) pode ser reescrito como

x_ p (t) = A()xp (t) + Bu(t) (1.3)

1.2.1 Descric~ao das incertezas

onde B representa um politopo 1 com 2q vertices, onde q e o numeros de incertezas no problema.

Com q1 + q2 + q3 + q4 = 1 e qi  0, onde as matrizes Ai s~ao construdas nos vertices do Politopo, mostrado

Figura 1.3: Representac~ao de um politopo

Figura 1.4: Sistema LFT

Exemplo 2: Controle de Posic~ao Longitudinal de uma Aeronave

Figura 1.6: Sistema Massa-Mola-Amotecedor

onde y e o deslocamento vertical, m e a massa do bloco, k e a constante da mola, c e o coe ciente de

1.4 Refer^encias Complementares

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

Teorema 2.2.1 (Estabilidade Segundo Lyapunov)

Logo, as seguintes sentencas s~ao verdadeiras.

 A origem do sistema e Uniformemente Assintoticamente Estavel.

Corolario 2.2.1 (Estabilidade Quadratica)

Exemplo 2.2.1 (Analise de Estabilidade de um sistema LTI)

Considere a func~ao de Lyapunov: v(x) = x0 Px com P dado por:

O sistema (2.7) e quadraticamente estavel se:

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

2.3 Inequac~oes Matriciais Lineares - LMI

De nic~ao 2.3.1 Uma LMI tem a seguinte estrutura

2.3.1 Propriedades de LMI

convexo mas n~ao a m.

8 2 B : A()0 P + PA() < 0

2.3.2 Ferramentas para a formulac~ao de um problema de controle em uma LMI

De nic~ao 2.3.3 (Complemento de Schur) Sejam Q; R; S matrizes de dimens~oes compatveis, com Q,

 caso n~ao estrito

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

A0 P + PA + PBB 0 P + C 0 C < 0 (2.16)

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

O problema e encontrar P tal que:

A primeira restric~ao em  e  pode ser reescrita como:

Aplicando S-Procedure a restric~ao 2.20 e equivalente a exist^encia de   0 tal que:

que e uma LMI em P e  .

De nic~ao 2.3.5 (Lema de Finsler - Particularidade) Dada a matriz simetrica e a matriz Ca de

Aplicando o lema de Finsler, obtem-se a representac~ao LMI:

 p0Dp  2 q0Dq; D > 0

Exemplo 2.3.5 Considere o sistema LPV, abaixo descrito

Aplicando o S-Procedure, a condic~ao (2.28) e reescrita na seguinte formulac~ao LMI:

2.3.3 Problema LMI: Formulac~ao e Soluc~ao

 Problema de minimizac~ao de autovalores generalizados 6

onde h(x), F(x), G(x), A(x), B(x) e C(x) s~ao func~oes a ns em x.

2.4 Pacotes Computacionais

2.4.2 Exemplo de Aplicac~ao do LMITOOL

Programa de Po s-Graduaca~o em Engenharia Eletrica

Prof. Alexandre Trono

Florianopolis, Agosto de 2000

4 Sistemas Discretos - Analise, Performance e Sntese 51

Parte II: Conceitos Avancados 75

7 Analise de Sistemas N~ao Lineares 91

8 Analise de Estabilidade de uma classe de Sistemas Hbridos 109

xp := [z; ; z;_ _]0

x_ p (t) = A()xp (t) + Bu(t) (1.3)

1.2.1 Descric~ao das incertezas

onde B representa um politopo 1 com 2q vertices, onde q e o numeros de incertezas no problema.

Com q1 + q2 + q3 + q4 = 1 e qi 0, onde as matrizes Ai s~ao construdas nos vertices do Politopo, mostrado

Figura 1.3: Representac~ao de um politopo

Exemplo 2: Controle de Posic~ao Longitudinal de uma Aeronave

onde y e o deslocamento vertical, m e a massa do bloco, k e a constante da mola, c e o coeciente de

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

Logo, as seguintes sentencas s~ao verdadeiras.

A origem do sistema e Uniformemente Assintoticamente Estavel.

Corolario 2.2.1 (Estabilidade Quadratica)

Exemplo 2.2.1 (Analise de Estabilidade de um sistema LTI)

Considere a func~ao de Lyapunov: v(x) = x0 Px com P dado por:

O sistema (2.7) e quadraticamente estavel se:

2.3 Inequac~oes Matriciais Lineares - LMI

Denic~ao 2.3.1 Uma LMI tem a seguinte estrutura

convexo mas n~ao am.

8 2 B : A()0 P + PA() < 0

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

Denic~ao 2.3.3 (Complemento de Schur) Sejam Q; R; S matrizes de dimens~oes compatveis, com Q,

caso n~ao estrito

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

Ent~ao (2.18) e vericada se existem escalares i > 0 tais que

O problema e encontrar P tal que:

A primeira restric~ao em e pode ser reescrita como:

Aplicando S-Procedure a restric~ao 2.20 e equivalente a exist^encia de 0 tal que:

que e uma LMI em P e .

Denic~ao 2.3.5 (Lema de Finsler - Particularidade) Dada a matriz simetrica e a matriz Ca de

Aplicando o lema de Finsler, obtem-se a representac~ao LMI:

p0Dp 2 q0Dq; D > 0

Aplicando o S-Procedure, a condic~ao (2.28) e reescrita na seguinte formulac~ao LMI:

2.3.3 Problema LMI: Formulac~ao e Soluc~ao

Problema de minimizac~ao de autovalores generalizados 6

onde h(x), F(x), G(x), A(x), B(x) e C(x) s~ao func~oes ans em x.

2.4.2 Exemplo de Aplicac~ao do LMITOOL

Agora vamos analisar a estabilidade para o sistema incerto.

as perturbac~oes consistem de disturbios externos (temperatura ambiente, rajadas de vento, etc.) e

7 No caso monovariavel e a propria funca~o de transfer^encia.

Denic~ao 2.5.1 (Norma H2 de Sistemas)

equac~ao de Lyapunov (2.36) com Q = C 0 C 0. Logo, podemos determinar a norma H2 por:

onde Pc e a soluc~ao da equac~ao APc + Pc A0 + Bw Bw = 0.

Exemplo 2.5.1 (Determinac~ao da norma H2 )

Denic~ao 2.5.2 (Norma H1)

Logo, podemos determinar a norma H1 pelo seguinte problema de otimizac~ao.

Exemplo 2.5.2 Determine a estabilidade e, se possvel, a norma H1 do seguinte sistema LTI.

3.2 Realimentac~ao de Estados

Em caso armativo, a matriz de ganhos que estabiliza o sistema e dada por K = M 1 X .

Exemplo 3.2.1 (Estabilizac~ao Quadratica por Realimentac~ao de Estados)

Ent~ao, podemos armar que

1. O Sistema e estabilizavel pela lei de controle u = Y P 1 x.

Exemplo 3.2.2 (Problema H2 - Realimentac~ao de estados)

A norma H2 do sistema em malha fechada e dada por

Ent~ao, podemos armar que

A norma H1 do sistema em malha fechada e dada por:

Corolario 3.2.1 (Estabilizac~ao - Sistema Linear Incerto)

Ent~ao, a lei de controle u = Y Q 1 x estabiliza o sistema em malha fechada, para qualquer 2 B .

Exemplo 3.2.4 (Sistema Incerto - Estabilizac~ao)

A matriz de ganhos que estabiliza o sistema, para u = Kx, e dada por

3.3 Realimentac~ao de Sada

3.3.1 Realimentac~ao Estatica de Sada

Pre e pos multiplicando por x0 e x respectivamente tem-se