Escolar Documentos
Profissional Documentos
Cultura Documentos
sendo que ∆(·) , E(·) ∆F(·) , para (·) = A, Bu , Bw , Cy , Cz , Dyu , Dyw , Dzu , Dzw
∆ é uma matriz desconhecida satisfazendo k∆k < 1
pag.2 Introdução ao Controle Robusto – Aula 7
c Reinaldo M. Palhares
Incertezas Estruturada – Incertezas politópicas
Para o mesmo modelo incerto anterior, outra descrição para o conjunto incerto é da
forma de um politopo:
P , co
Cy1 Dyu1 Dyw1 , . . . , Cyκ Dyuκ Dywκ
Cz1 Dzu1 Dzw1 Czκ Dzuκ Dzwκ
• Interpretação? Qualquer j, j = 1, . . . , κ, ponto extremo do politopo (?) representa
um conjunto particular de matrizes (A, Bu , . . . , Dzw ), correspondendo a um modo de
operação particular do sistema
Exemplo C , x | Ax ≤ y, x ∈ Rn , y ∈ Rm , A ∈ Rm×n
Nota Conjuntos poliedrais são convexos e fechados, mas podem não ser limitados
Portanto todo elemento no politopo pode ser gerado pela combinação convexa (?) dos
seus vértices
Exemplo
PSfrag Politopo: P = co{v1 , v2 , . . . , v5 }
replacements
v1
p1
v5
v2
p2
v4
v3
5 5
Todo p ∈ P é escrito da forma: p = i=1 αi vi , αi ≥ 0, i=1 αi = 1
Da figura,
1 1
p1 = v1 + v2 + 0v3 + 0v4 + 0v5
2 2
1 1 1
p2 = v1 + v2 + 0v3 + v4 + 0v5
3 3 3
1 2
p2 = v4 + p 1
3 3
0 α−1 α
ẋ(t) = x(t) + u(t)
β 0 1−β
A∆ Bu∆
0 −0.5 0.3 0 0 1
A∆ = + ∆
0.5 0 0 0.3 1 0
An EA FA
0.5 0.3 0 1
Bu∆ = + ∆
0.5 0 0.3 −1
An EB FB
α−0.5
0.3
0 α − 0.5 β − 0.5
∆= ⇒ ≤ 1, ≤1
0 β−0.5 0.3 0.3
0.3
Conjunto politópico? Veja que |α − 0.5| ≤ 0.3 ∴ 0.2 ≤ α ≤ 0.8 (e 0.2 ≤ β ≤ 0.8).
Desse modo as matrizes extremas são geradas pelos quatro vértices do retângulo:
PSfrag replacements
β
(A, B)1
(A, B)3
0.2
0.2 α
0.8
Politopo:
P = co , ; , ;...
0.2 0 0.8 0.8 0 0.2
0 −0.2 0.8 0 −0.2 0.8
, ; ,
0.2 0 0.8 0.8 0 0.2
• Não há necessidade de um modelo nominal...
T −1 T
P12 P22 P11 − P12 P22 P12 0
ou
T T −1
P12 P22 P22 − P12 P11 P12 0
q (xT − x̃T )
(xT − x̃T )Q−1 (x − x̃)≤ q ⇒ 0
(x − x̃) Q
• Desigualdade de Riccati
T T T AT X + XA − BB T XC T
AX + XA − BB + XC CX 0 ⇒ 0
CX −I
linear na “variável” matricial X
ALc AT − Lc + BB T 0
Lc ALc B
T T
ALc L−1
c Lc A − Lc + BB 0 ⇒ Lc AT Lc 0 0
BT 0 I
pag.12 Introdução ao Controle Robusto – Aula 7
c Reinaldo M. Palhares
Estabilidade quadrática e LMIs
κ κ
δ[x(t)] = Ax(t), A∈P , A|A= ξi Ai , ξi ≥ 0, ξi = 1
i=1 i=1
∃P = PT 0 : AT P + P A ≺ 0 ∀A ∈ P
∃P = PT 0 : AT P A − P ≺ 0 ∀A ∈ P
AT
2 P + P A2 ≺ 0
∃P = PT 0 : ..
.
AT
κ P + P Aκ ≺ 0
Para o caso discreto, a estabilidade quadrática é verificada se para a mesma matriz de
Lyapunov P :
AT
1 P A1 − P ≺ 0
AT
2 P A2 − P ≺ 0
∃P = PT 0 : ..
.
AT
κ P Aκ − P ≺ 0
∃P = PT 0 : (A + Bu K)T P + P (A + Bu K) ≺ 0 ∀(A, Bu ) ∈ P
∃P = PT 0 : (A + Bu K)T P (A + Bu K) − P ≺ 0 ∀(A, Bu ) ∈ P
m por Schur...
−1
Ai + Bui K P
Pré- e pós-multiplicando pela transformação de similaridade diag{P −1 , I}
T
P −1
0 P (Ai + Bui K)T P −1 0
0
−1
0 I Ai + Bui K P 0 I
pag.16 Introdução ao Controle Robusto – Aula 7
c Reinaldo M. Palhares
Como obter K ?
−1 −1
(Ai + Bui K)P P
fazendo duas mudanças de variáveis linearizantes
Y , P −1 e Z , KP −1 = KY
Y Y AT T T
i + Z Bui
⇒ 0 ∀i = 1, . . . , κ
Ai Y + Bui Z Y
sendo K = ZY −1 (ie, independente das matrizes incertas A e Bu !!)
0 1 β
x(t + 1) = x(t) + u(t)
2 α 0
A B