Escolar Documentos
Profissional Documentos
Cultura Documentos
Controle Robusto
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 Din^amica de Sada . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 43
3.4 Controle sujeito a restric~oes . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 44
3.5 Atividades . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 48
3.6 Refer^encias Complementares . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 49
Perturbaco~es Externas
Planta
Refer^encia Controlador Controle Sada Medida
Parcialmente desconhecida
Din^amicas n~ao modelaveis
Geralmente n~ao linear
Sensor
Rudos
m
(t)
z(t)
2l z
0 cm
u(t)
M
CM
cos()
= 1 sen()
= _2
=0
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
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 par^ametros s~ao incertos com a
seguinte variac~ao :
cm
= (1 + 1 )cm e CM
= (1 + 2 )CM
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
2 B = f i : ji j i , i = 1; :::; qg
2
( 1 ; 2 ) (1 ; 2 )
1
( 1 ; 2 ) (1 ; 2 )
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
A = A() = fA : A = A0 + E H g (1.7)
onde = diag(Ii i ) i : 1; :::; q e kk .
Figura 1.5: Denic~ao das Variaveis para a din^amica longitudinal para o F-8
As rajadas de vento, w(t), provocam disturbios no movimento longitudinal do avi~ao, afetando primeiro o
^angulo de ataque (t).
Outro problema a ser considerado e a din^amica 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
par^ametro 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
u^encia
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 mec^anico, visto na gura (1.6).
m
y(t)
k c
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 din^amico 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:
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 din^amico. 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 din^amico.
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 din^amico 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).
Em caso armativo, v(x) = x0 Px e uma func~ao de Lyapunov para a origem do sistema (2.1).
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.
14 CAPITULO 2. ESTABILIDADE E PERFORMANCE DE SISTEMAS POR LMIS
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)
) Soluc~ao:
444
Esta representac~ao n~ao e generica mas existem inumeros problemas praticos que admitem esta formu-
lac~ao.
A depend^encia temporal da representac~ao de estado aparece atraves da depend^encia 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).
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.
16 CAPITULO 2. ESTABILIDADE E PERFORMANCE DE SISTEMAS POR LMIS
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 exist^encia de pacotes computacionais para a
sua soluc~ao numerica de forma eciente. Outro ponto de suma import^ancia 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.
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
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.
A prova deste resultado pode ser vista em [25]
18 CAPITULO 2. ESTABILIDADE E PERFORMANCE DE SISTEMAS POR LMIS
Exemplo 2.3.2 Considere a desigualdade matricial para vericar a performance H1 do seguinte sistema:
x_ = Ax + Bu
y = Cx
dada por
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)
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].
2.3. INEQUACOES MATRICIAIS LINEARES - LMI 19
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 par^ametros incertos e tambem no caso de sistemas
n~ao lineares.
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
J 0 P + PJ J P + J J 0 L0
1 1 2 + L J 3 J4 3 4 (2.25)
PJ20 0
444
20 CAPITULO 2. ESTABILIDADE E PERFORMANCE DE SISTEMAS POR LMIS
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
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
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)
444
2.4. PACOTES COMPUTACIONAIS 21
Problema de Factibilidade
Encontrar a soluc~ao x tal que
F (x) > 0
Problema de minimizac~ao de uma func~ao objetivo linear:
Encontrar a soluc~ao x tal que
minx h(x)
sujeito a F (x) > 0 (2.31)
G(x) = 0
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.
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 eci^encia 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
22 CAPITULO 2. ESTABILIDADE E PERFORMANCE DE SISTEMAS POR LMIS
2.4.1 Complexidade computacional
Como ja salientamos, umas das mais importantes vantagens no uso de LMI e a exist^encia 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.
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
E a sada do programa e
[p]=lyap(A)
Construction of canonical representation
Basis Construction
FEASIBILITY PHASE.
primal obj. dual obj. dual. gap
OPTIMIZATION PHASE.
OPTIMIZATION PHASE.
! 1. 5.683E-10 !
! 5.683E-10 1. !
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 par^ametros incertos, testa-se a LMI: A0 P + PA < 0 para a combinac~ao dos
vertices. Ou seja 2 par^ametros 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
optimal solution found
p =
! 1.1783701 - 0.0151278 !
! - 0.0151278 1.001283 !
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.
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 sequ^encia 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.
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
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.
) 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
28 CAPITULO 2. ESTABILIDADE E PERFORMANCE DE SISTEMAS POR LMIS
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 ind^enticas 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
2.5. NORMAS DE SISTEMAS 29
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
vari^ancia 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 vari^ancia 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.
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 transfer^encia
Gwz (s) em todo o espectro de frequ^encias. 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)
-->P
P =
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 refer^encias [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 tr^es casos:
Sistema Nominal
Abordagem Politopica
Abordagen Limitada em Norma
Repita o calculo supondo que agora tenha 3 par^ametros 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 par^ametro 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.
32 CAPITULO 2. ESTABILIDADE E PERFORMANCE DE SISTEMAS POR LMIS
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 par^ametro 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 mec^anico 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?
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 din^amicos 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 refer^encias para
leitura sobre o problema de sntese robusta nas seco~es (3.5) e (3.6).
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
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 .
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 =
-->M
M =
2240.1205
-->X
X =
-->K=M^(-1)*X
K =
Vers~ao Dual.
Buscam-se matrizes Q e Y que satisfacam a condic~ao (3.5) 3 .
-->Q
Q =
-->Y
Y =
-->K=Y*Q^(-1)
K =
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
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
-->W
W =
3.715D-07
-->Y
Y =
1.0D+11 *
.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:
Como determinar a matriz de ganhos K que estabiliza o sistema (3.2) e minimiza a
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
-->Y
Y =
.6925998
444
Novamente escolheu-se Dzu = 0 o que elimina o esforco de controle do criterio a ser minimizado.
Q =
-->Y
Y =
444
3.3. REALIMENTACAO DE SAIDA 41
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].
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
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
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.
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 =
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
x_ = Ax + Bu u (3.17)
y = Cx
44 CAPITULO 3. SINTESE DE CONTROLADORES
e a din^amica 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 .
sat(u)
u(t) sat(u) x_ = Ax + Bsat(u) x(t)
u
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 .
O i-esimo sinal de controle ui , i = f1; : : : ; pg, deve ser limitado entre i .
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.
>
>
< " #
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 =
-->Y
Y =
A
0gura (3.2) mostra o sinal de controle aplicado ao sistema, para uma uma condic~ao inicial x(0) =
2 0 0 .
444
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.
-->Q
Q =
-->Y
Y =
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
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 sequ^encia deste captulo, propomos algumas atividades e refer^encias complementares para estender os
resutlados apresentados para sistemas lineares com par^ametros 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.
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
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.
-->P
P =
444
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
(4.5)
A0 PA P + C 0 C < 0
(
kGwz ( )k22 < min ( traco [C P C 0 ]) : PAPA
>0, P =P 0
-->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
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
4.4. REALIMENTACAO DE ESTADOS 55
-->P
P =
.0046991
444
x Axk + Buk + Bw wk
k+1 = (4.10)
zk = Cz xk + Dzu uk + Dzw wk
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.
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 reescrev^e-la como
Q QA0 + QK 0B 0 < 0
AQ + BKQ Q (4.14)
Q QA0 + XB 0 < 0
AQ + BX Q (4.15)
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 !
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 transfer^encia 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
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 =
X =
! - 25460.886 - 0.2196001 !
Q =
! 127302.45 0.1980004 !
! 0.1980004 0.09 !
K =X*Q^(-1)
58 CAPITULO 4. SISTEMAS DISCRETOS - ANALISE, PERFORMANCE E SINTESE
! - 0.2 - 2. !
-->G2=sqrt(trace(N))
G2 =
0.3
444
Controle H1
PROBLEMA:
Como determinar a matriz de ganhos K que estabiliza o sistema (4.10) e minimiza a
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
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 par^ametro limitado a uma regi~ao convexa
B .
Determine condic~oes convexas (nas formas Primal e Dual) para:
4.7. REFERENCIAS COMPLEMENTARES 59
Sistemas com par^ametros incertos e constantes, isto e, o par^ametro tem um valor xo mas seu valaor
exato n~ao e conhecido 1 .
Sistemas com par^ametros variantes no tempo e taxa de variac~ao ilimitada.
Sistemas com par^ametros 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 depend^encia nos par^ametros
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 par^ametros 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 dep^endencia 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 par^ametros
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 par^ametros
s~ao dependentes das taxas de variac~ao das incertezas, _j , o que n~ao ocorre no caso quadratico. Logo, nos
casos onde os par^ametros 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 depend^encia 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)]: refer^encias indicadas para complementac~ao do conteudo proposto.
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 par^ametros invariantes e variantes no tempo com taxa de variac~ao limitada.
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
64 CAPITULO 5. ESTABILIDADE DEPENDENTE DOS PARAMETROS
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 par^ametro 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
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
-->P0
P0 =
-->P1
P1 =
Logo, pelo teste AQS, os valores maximos admissveis para s~ao: = 5:01 e = 0:25.
444
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
222
: (A1 P0 + P1 A0 + T ) (A1 P1 + P1 A1 S )
0 0
-->[P0,P1,S,T]=aqs_dg(1.11);
Basis Construction
FEASIBILITY PHASE.
-->P0
P0 =
-->P1
5.2. ESTABILIDADE AFIM QUADRATICA (MATRIZ P () AFIM EM ) 67
P1 =
-->S
S =
-->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
Para manipular o sistema variante no tempo, consideraremos _1 ; : : : ; _L como par^ametros incertos adicionais,
limitados a regi~ao politopica B_ .
3 Em ingl^es, \well-denied".
68 CAPITULO 5. ESTABILIDADE DEPENDENTE DOS PARAMETROS
Com as considerac~oes acima, para a matriz P () dada por (5.3), tem-se que
Logo, podemos estender os resultados apresentados no teorema (5.2.1) para os sistemas variantes no tempo.
222
-->[P0,P1]=aqs_lpv(-0.24,0.10);
Basis Construction
FEASIBILITY PHASE.
.
.
.
9.74e-11 -6.04e-09 6.15e-09
-->P0
P0 =
-->P1
P1 =
Logo pelo teste AQS para sistemas com par^ametros variantes no tempo os valores admissveis para a incerteza
s~ao: 0:24 0:10.
444
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 par^ametros 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)
70 CAPITULO 5. ESTABILIDADE DEPENDENTE DOS PARAMETROS
onde = x 2 RnL e uma variavel auxiliar e
A = A1 AL 2 RnnL
= 1 I L I 2 RLnn (5.16)
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:
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.
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 par^ametros 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.
l =
P =
column 1 to 5
column 6
! - 26.126306 !
! - 77.007096 !
! - 1.5225829 !
! - 0.0022441 !
! - 0.0035119 !
! 0.0171133 !
Logo pelo teste BQS para sistemas com par^ametros 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.
5.5. REFERENCIAS COMPLEMENTARES 73
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 depend^encia 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 par^ametro-variantes, sec~oes (6.2)
e (6.3), apresentando a notac~ao a ser utilizada no problema de sntese.
Notac~ao:
Por conveni^encia denotaremos os par^ametros incertos pela variavel ao inves da variavel usual .
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)
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.
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:
80 CAPITULO 6. SISTEMAS LPV
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 transfer^encia 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.
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 par^ametros reais que possuem magnitude e taxa de variac~ao temporal _ limitada. Admite-se que os
par^ametros 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)
= 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.
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
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.
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 par^ametros reais, que
podem variar no tempo.
82 CAPITULO 6. SISTEMAS LPV
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.
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
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 par^ametros
reais, que podem variar no tempo. Se sup~oe que estes par^ametros 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
Teorema 6.4.1 Seja o sistema (6.31) e um politopo dado que representa os valores admissveis de (; _).
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:
222
Quando os par^ametros 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 par^ametros
6.4. SINTESE PARA SISTEMAS LPV 85
da lei de controle, n~ao implica em remov^e-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 depend^encia
parametrica am, o que facilita a implementac~ao "on-line", quando comparada as tecnicas de controle
apresentadas em [57], [58], nas quais a depend^encia parametrica e n~ao linear.
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 din^amica s~ao considerados dois par^ametros incertos. Vamos supor que os par^ametros incertos
satisfazem
ji j 0:1; i = 1; 2 (6.40)
Que permitem obter as matrizes Aa ; Ba e Ca . Resolvendo as LMIs dadas por (6.34) e (6.35) obtem-se as
seguintes matrizes de ganho
86 CAPITULO 6. SISTEMAS LPV
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 aut^onomo em malha fechada.
222
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 par^ametros reais, que podem variar no tempo.
O sistema (6.54) e considerado como um sistema linear com depend^encia parametrica do tipo LPV, onde
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 depend^encia 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.
88 CAPITULO 6. SISTEMAS LPV
Teorema 6.4.3 Seja o sistema (6.54) e um politopo dado que representa os valores admissveis de (; _).
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 par^ametro 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 :
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.
90 CAPITULO 6. SISTEMAS LPV
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
frequ^encia xa sem sinal externo de excitac~ao, onde estes ciclos limites podem ser estaveis ou instaveis.
Bifurcac~oes. Quando os par^ametros 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 din^amico 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 par^ametros [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 sequ^encia, 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 par^ametros. Finalizando, s~ao propostas
atividades, sec~ao (7.5), e refer^encias complementares (7.6).
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.
p x_ = Ax + Bpp q
q = Cq x + Dqpp
Sistema LTI
( ) = (x; )
444
8 " A0 P + PA PB #
>
> p <0
< B P 0 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)
7.3. REPRESENTACAO POR FRACOES LINEARES 95
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).
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 :
-->[P,S,G]=lfr(1.1);
Basis Construction
FEASIBILITY PHASE.
-->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
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 invari^ancia.
= 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
-->[P,S,G,n]=lfr(1);
Basis Construction
FEASIBILITY PHASE.
-->P
P =
! 1.0015432 1.295D-10 !
! 1.295D-10 1.0015432 !
! 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
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 .
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 par^ametros, 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 depend^encia 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
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
H ( ) + LC + C L > 0 , 8 2 B
0 0
(7.15)
222
100 CAPITULO 7. ANALISE DE SISTEMAS NAO LINEARES
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 depend^encia 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.
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. FUNCOES DE LYAPUNOV POLINOMIAIS 101
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.
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
Basis Construction
FEASIBILITY PHASE.
-->P
P =
-->La
La =
-->Lb
104 CAPITULO 7. ANALISE DE SISTEMAS NAO LINEARES
Lb =
column 1 to 6
column 7 to 11
444
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 invari^ancia 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
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.
OPTIMIZATION PHASE.
-->P
P =
column 1 to 6
column 7 to 11
-->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
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 .
108 CAPITULO 7. ANALISE DE SISTEMAS NAO LINEARES
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).
8.1 Introduc~ao
Sistemas Hbridos tornaram-se nestes ultimos anos uma area de especial interesse no domnio das ci^encias
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 din^amicas das componentes contnuas, usualmente chamada de plantas, est~ao governadas por equac~oes
diferenciais e as din^amicas 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 v^oos 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 din^amica 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.
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 aut^onomo. 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 aut^onomo
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
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 t^em natureza hbrida dentre os quais podemos citar:
gerenciamento de recursos pesqueiros [82], sistemas de controle de movimento [83], robotica [84], sistemas
de pot^encia [85], sistemas na mec^anica classica [86], veculos automatizados [87], etc. A seguir colocaremos
alguns exemplos.
mu cos
m
mu
mg sin
mg
u
O ^angulo da vertical ao p^endulo e denotado por que e positivo na direc~ao horaria, g e a acelerac~ao da
gravidade, u, a acelerac~ao do piv^o 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
din^amica do p^endulo 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
112 CAPITULO 8. ANALISE DE ESTABILIDADE DE UMA CLASSE DE SISTEMAS HIBRIDOS
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 refer^encias [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 p^endulo 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 aut^onomo
x_ = Aq x; q 2 f1; 2g
com
1
A1 = 10 100 e A2 = 1 10
1 100 1 :
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.
5 Sem perda de generalidade consideramos apenas o angulo percorrido pelo p^endulo 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
aut^onomos 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 :
114 CAPITULO 8. ANALISE DE ESTABILIDADE DE UMA CLASSE DE SISTEMAS HIBRIDOS
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].
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.
xq
xlq
xl
xrl
xqr
xr
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
.
116 CAPITULO 8. ANALISE DE ESTABILIDADE DE UMA CLASSE DE SISTEMAS HIBRIDOS
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.
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.
222
Prova
Veja [80].
444
9 I = f(i; r) : i;r 6= ;g.
8.4. ESTABILIDADE DE SISTEMAS HIBRIDOS BASEADOS EM LMI'S 117
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.
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 aut^onomo 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 conveni^encia, 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.
8.4. ESTABILIDADE DE SISTEMAS HIBRIDOS BASEADOS EM LMI'S 119
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
i+1 = i x; i = 1; 2; ; n 1 (8.22)
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:
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
8.4. ESTABILIDADE DE SISTEMAS HIBRIDOS BASEADOS EM LMI'S 121
Prova
Veja [81].
444
O exemplo seguinte mostra o resultado do teorema 8.4.3. Neste caso, prop^or 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
e 2 = 1 x
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 din^amico.
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 vari^ancia 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 refer^encia [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 refer^encias para o problema
de ltragem.
x_ = Ax + Bu u (9.1)
y = Cx
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
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
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 vari^ancias 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
126 CAPITULO 9. PROBLEMA DE FILTRAGEM ROBUSTA
e de matriz de covari^ancia P0 , sendo n~ao correlacionado com v e w. O problema, ent~ao, e encontrar o
estimador de estados que minimiza a vari^ancia 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
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
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 vari^ancia 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 vari^ancia 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)
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 vari^ancia 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 vari^ancia dada por
E [ww0 ] = I. Um limitante superior para a vari^ancia 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 vari^ancia do erro de estimac~ao quando t ) 1 satisfaz ent~ao
as seguintes condic~oes:
Gramiano de Controlabilidade
min
P;Af ;Kf ;Cf
Tr[CaPCa0 ];
(9.28)
Aa P + PA0a + Ba Ba0 < 0; P > 0:
9.3. MODELAGEM DO PROBLEMA 129
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 vari^ancia 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 vari^ancia 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 vari^ancia 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].
130 CAPITULO 9. PROBLEMA DE FILTRAGEM ROBUSTA
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 vari^ancia 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 vari^ancia
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 equival^encia 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
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 din^amico 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)
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
132 CAPITULO 9. PROBLEMA DE FILTRAGEM ROBUSTA
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 )
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 vari^ancia 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 vari^ancia 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
N;P0 ;P1 ;MA ;MK ;MC
Tr[N ] (9.48)
sujeito a
P
P1 0 0
0 0 > 0; P0 > 0; (9.49)
222
9.3. MODELAGEM DO PROBLEMA 133
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
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 vari^ancia
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)
134 CAPITULO 9. PROBLEMA DE FILTRAGEM ROBUSTA
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)
2 Z Z Cz0 G0
3
4 Z Y Cz0 5 > 0 (9.64)
Cz G Cz W
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 reescrev^e-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
9.3. MODELAGEM DO PROBLEMA 135
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
Teorema 9.3.4 Para nf = n e o sistema nominal (9.15), o ltro mnimo F 2 C que minimiza a vari^ancia
do erro assintoticamente e dado por
Cf = Cz ; Af = Y 1 Q(In Y 1 Z ) 1 ; Kf = Y 1 F (9.71)
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 vari^ancia 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 exist^encia 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]
136 CAPITULO 9. PROBLEMA DE FILTRAGEM ROBUSTA
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.
Teorema 9.3.5 Para nf = n e o sistema incerto (9.15) 2 D, o ltro mnimo F 2 C que minimiza a
vari^ancia do erro assintoticamente e dado por
Cf = Cz ; Af = Y 1 Q(In Y 1 Z ) 1 ; Kf = Y 1 F (9.75)
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 vari^ancia do
erro de estimac~ao satisfaz E[e0 e] < Tr[W ].
i i
222
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 par^ametro 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.
=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 din^amica do erro percebe-se que este comportamento lento esta ligado
ao conjunto de autovalores da matriz Af do ltro, vistos na Tabela 9.3.
138 CAPITULO 9. PROBLEMA DE FILTRAGEM ROBUSTA
Abordagens Autovalores
1- Teorema 9.3.3 - 299.99789 e - 0.4494859
2- Teorema 9.3.5 - 348.38739 e - 0.2360355
Filtro de Kalman: = 1 - 299.99604 e - 0.1000952
Filtro de Kalman: = 0 - 299.97444 e - 0.0033332
Filtro de Kalman: = 1 - 299.92932 e - 0.1000275
Tabela 9.3: Autovalores da matriz Af
444
Nem sempre a Abordagem 2, como ocorreu no Exemplo 1, fornece um valor do limitante superior p(F )
menor que o da Abordagem 1. Este fato e vericado aplicando-se estas abordagens a um novo sistema, como
mostrado a seguir.
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
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 transfer^encia 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.
[41] Max Mauro Dias Santos. Regulac~ao sob Restric~oes com Alocac~ao de Polos: Abordagem por Invari^ancia
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
par^ametros. In Mini Cursos do XII Congresso Brasileiro de Automatica. Sociedade Brasileira de Au-
tomatica, Uberl^anica, 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.