Sistemas lineares da forma x␒ = Ax

Imagine um sistema modelado pela equação

x␒ = Ax
Onde x é um vetor de dimensão m e A é uma matriz n × m. Quemos resolver este
sistema.
Sabemos que a solução do sistema pode ser escrita por
x(t) = e At x(0 )
Onde
A2t2 A3t3
e At = I + At + 2!
+ 3!
+ ...
Contudo computar e At não é uma tarefa fácil, e portanto devemos buscar outra maneira
de resolver o problema.

Lembre da relação AT = TD, onde T é uma matriz cujas colunas são os autovalores
da matriz A, e D é uma matriz diagonal com zeros fora da diagonal cujos valores da
diagonais são os autovalores de A. Podemos realizar uma mudança de sistema de
coordenadas do vetor x, representando-o através do vetor z
x = Tz
Escolhendo trabalhar com a variável z facilita a solução da equação diferencial, pois
podemos escrever
∂
∂t
(x=Tz) x=Tz
⏜⏟⏟
⏝⏟⏟
⏞ ⏜⏟⏟⏟⏝⏟⏟⏟
⏞
x␒ = Tz␒ = Ax = ATz
⏠⏣⏣⏣⏣ ⏡⏣⏣⏣⏣
x␒ =Ax ⏢
AT = TD ⟺ D = T -1 AT
Tz␒ = ATz ⟺ z␒ = T -1 ATz = Dz
z␒ = Dz
Essa última equação pode ser reescrita na forma

z␒ 1 (t) = � 1 z 1 (t) z 1 (t) = e �1 t z 1 (0)

z␒ 2 (t) = � 2 z 2 (t) z 2 (t) = e �2 t z 2 (0)
⟹
⋮ ⋮
z␒ n (t) = � n z n (t) z n (t) = e �n t z n (0)
Que também pode ser escrito como
z(t) = e Dt z(0 )
E como T , podemos agora expressar
 E como x = Tz, podemos agora expressar x como
x 1 ( t) t 11 t 12 ... t 1n z 1 ( t) t 11 z 1 (t) + t 12 z 2 (t) + ... + t 1n z n (t)
x 2 ( t) t t ... t 2n z 2 ( t) t z (t) + t 22 z 2 (t) + ... + t 2n z n (t)
= 21 22 = 21 1
⋮ ⋮ ⋮ ⋱ ⋮ ⋮ ⋮
x n (t) t n1 t n2 ... t nn z n (t ) t n1 z 1 (t) + t n2 z 2 (t) + ... + t nn z n (t)
x 1 ( t) t 11 e �1 t z 1 (0) + t 12 e �2 t z 2 (0) + ... + t 1n e �n t z n (0)
x 2 ( t) t e �1 t z 1 (0) + t 22 e �2 t z 2 (0) + ... + t 2n e �n t z n (0)
= 21
⋮ ⋮
x n (t) t n1 e 1 z 1 (0) + t n2 e 2 z 2 (0) + ... + t nn e �n t z n (0)
� t � t

Alternativamente, podemos voltar à solução

x(t) = e At x(0 )
E perceber que usando a relação
A = TDT -1
nós podemos computar mais facilmente
t2 t3
e At = TT -1 + TDT -1 t + TD 2 T -1 2! + TD 3 T -1 3! + ...
⏠⏣⏣
⏡⏣⏣
I
⏢ ⏠⏣⏣
⏡⏣⏣
⏢ A ⏠⏣⏣
⏡⏣⏣
A2
⏢
D2t2 D3t3
e At = T I + Dt + 2!
+ 3!
+ ... T -1
e At = Te Dt T -1
E é fácil perceber que

e �1 t
e Dt = e �2 t
⋱
e �n t

Tendo usado as duas metodologias, podemos reavaliá-las

z(t)
⏜⏟⏟⏟
⏝⏟⏟⏟
⏞
x(t) = Te Dt T -1 x(0)
⏠⏣⏣⏡⏣⏣
z(0)
⏢

Estabilidade:
O sistema só será estável se a componente real de todos os autovalores for negativa.
A prova fica de exercício para o leitor.
A prova fica de exercício para o leitor.

� Im

Estável Instável

Re
Discretização no tempo
Imagine que o nosso sistema não é um x(t) contínuo, mas um
x(0), x(∆t ), x (2∆t ),..., x (k∆t ),... .
Veja que se
x␒ = Ax
Então
x k+1 = Ãx k
Onde
à = e A∆t
Pois

⏜⏟⏟⏟
⏝⏟⏟⏟
At ⏞ ⏜⏟⏟⏟⏟
⏝⏟⏟⏟⏟
⏞ ⏜⏟⏟⏟⏟
⏝⏟⏟⏟⏟
⏞
x(t) = e x(0 ) ⟹ x(t) = e A(t-t0 ) x(t 0 ) ⟹ x(t + ∆t) = e A∆t x(t )
⏠⏣⏣⏣
⏡⏣⏣⏣
⏢ ⏠⏣⏣⏣⏣
⏡⏣⏣⏣⏣
⏢ ⏠⏣⏣⏣⏣
⏡⏣⏣⏣⏣
⏢
E dessa forma podemos computar x 0 , x 1,..., x N discretamente, pois
x 1 = Ãx 0
x 2 = Ãx 1 = Ã 2x 0
x 3 = Ãx 2 = Ã 3x 0
xk = Ã N x 0

E dessa forma, podemos ver que para analisar a estabilidade do sistema devemos
verificar como à N se comporta conforme N cresce.

à = T̃D̃T̃ -1 → à N = T̃D̃ N T̃ -1
˜
E agora estamos interessados em �˜ N . Assumindo que podemos representar �˜ por R̃e �i ,
a condição para que à N não "exploda" conforme N cresce é que R̃ < 1.
Im
�˜
Instável
Estável
Re

É possível mostrar que a região de estabilidade de �˜ é equivalente à região de

estabilidade de �
Linearização de sistemas não lineares

x␒ = f(x) ⟹ x␒ = Ax
1. Encontrar pontos fixos
x
⏨tal que x␒ = f(x⏨) = 0
2. Linearizar em torno de x
⏨

Jacobiano:
∂f 1 ∂f 1 ∂f 1
∂x 1 ∂x 2
… ∂x n
x1 f 1 (x1 , x 2 ,..., x n )
∂f 2 ∂f 2 ∂f 2
x f 2 (x1 , x 2 ,..., x n ) Df …
x= 2 f(x) = = ∂x 1 ∂x 2 ∂x n
⋮ ⋮ Dx ⋮ ⋮ ⋱ ⋮
xn f n (x 1 , x 2 ,..., x n ) ∂f n ∂f n ∂f n
∂x 1 ∂x 2
… ∂x n

Dica:
∂f 1 ∂f 1 ∂f 1 ∂f 1
Df ∂x 1 ∂x 2 ∆x 1 ∂x 1
∆x 1 + ∂x ∆x 2
∆x = = 2

dx ∂f 2 ∂f 2 ∆x 2 ∂f 2 ∂f 2
∆x 1 + ∂x ∆x 2
∂x 1 ∂x 2 ∂x 1 2

Ajuda a lembrar a transposição correta da derivada

Queremos mostrar como a linearização é feita em torno de um ponto fixo x

⏨. Conhecemos
as expansões por série de Taylor e o usual cancelamento dos termos de alta ordem

Df D2f [x - x 0 ] 2 D3f [x - x 0 ] 3
f(x) = f(x 0 ) + [x - x 0 ] + + + ...
Dx x0 Dx 2 x0 2! Dx 3 x0 3!
␒ ≡ f(x), ⏨
Usando ∆x␒ ≡ x␒ - x
⏨ x = x0 , ∆x = x - ⏨
x
Df D2f ∆x 2 D3f ∆x 3
␒ = f(x
x␒ - x
⏨ ⏨) + ∆x + + + ...
Dx x
⏨ Dx 2 x
⏨ 2! Dx 3 x
⏨ 3!
E como escolhemos x
⏨tal que f(x
⏨) = 0, na região próxima de x⏨onde ∆x é muito
pequeno cancelaremos os termos de alta ordem da série de Taylor, obtendo a expressão
Df
∆x␒ = ∆x
Dx x
⏨
Exemplo: Pêndulo
Aplicaremos as abordagens obtidas para um sistema não linear que é o do pêndulo.
Não passaremos pela física do problema, mas uma boa abordagem para fazer o
modelo matemático seria uma análise Lagrangiana do problema.
␒␒ = - g sin(�) - ��␒
� L
x1 �
Um estado útil para analisarmos é x = = , portanto
x2 �␒
d x1 x2
= g
dt x 2 - L sin(x 1 ) - �x 2
Que está na forma x␒ = f(x), que é o que havíamos proposto anteriormente.
Façamos uma pausa para apreciar a aleatoriedade de propor x␒ = f(x). Inicialmente
realmente parecia um exemplo bastante específico e sem muitas aplicações. Mas
analisando as proximidades de um ponto fixo de um sistema não linear pudemos
aproveitar a análise representando o nosso sistema dessa forma.

Precisamos portanto achar os pontos fixos do nosso sistema. Conhecendo nosso

modelo físico, isso é fácil. Os pontos fixos estão em � = 0 e � = �. Como x␒ = 0 é
0
requisito para ponto fixo, e x␒ 1 = x 2 , então x 2 = 0, e os pontos fixos são x
⏨= e
0
�
x
⏨= .
0

Agora devemos linearizar o sistema ao redor de x

⏨, portanto
Df 0 1
(x) = g
Dx - L cos(x 1 ) -�

Df 0 1 Df 0 1
= g = g
Dx x
⏨1
- L -� Dx x
⏨2 L
-�

⏨1 = (0, 0)
x x
⏨2 = (�, 0)
2 2
� � g � � g
� 1,2 = - ± 2 2
- L
� 1,2 = - ± 2 2
+L

E estamos imaginando que � é um valor relativamente pequeno, portanto no

primeiro caso, x
⏨1 que corresponde ao pêndulo virado para baixo, os autovalores tem
pequenas componentes reais negativas (que amortecem o movimento do pêndulo), e
 pequenas componentes reais negativas (que amortecem o movimento do pêndulo), e
como � não é muito grande, terão componentes imaginárias dominantes, o que
significa que o movimento oscilatório será dominante em relação à componente de
amortecimento.
Já no caso x
⏨2 , onde o pêndulo está para cima (invertido), não teremos
componentes imaginárias, e teremos uma componente real positiva, o que mostra
que o movimento será instável.

Sistemas com controle

O objetivo de introduzir controle sobre um sistema é mudar seu comportamento no tempo,
o que corresponde aproximadamente a mudar seus autovalores. Um sistema com
controle é dado no seguinte formato
x␒ = Ax + Bu
Onde u é o controle, A ∈ R n×n , B ∈ R n×q , x ∈ R n , u ∈ R q . Considere o seguinte
sistema
u y=x
x␒ = Ax + Bu

-Kx

u = -Kx
Portanto
x␒ = Ax - BKx = (A - BK)x
E veja que de certa forma estamos modificando os autovalores da matriz que multiplica x.

De uma forma geral, podemos interpretar a matriz A como contendo os detalhes do

sistema de interesse, B contendo as informações sobre como os atuadores modificam o
sistema, e a matriz C de y = Cx como as limitações nas medições que poderão ser
feitas. Note também que em um caso de engenharia, as matrizes A, B e C são dadas, no
sentido de que o problema é dado de preferência sem mudança em nenhum dos três
aspectos relacionados com elas, sistema, atuadores e sensores. O nosso controle se dará
sobre a matriz K, que informará ao sistema o que gostaríamos que acontecesse, e se o
sistema for controlável conseguiremos obter a resposta desejada.

A forma que teremos de testar se um sistema é controlável dados A e B será usando uma
matriz de controlabilidade
 C = B AB A 2 B ... A n-1 B

C ∈ R n×nq
E o critério de controlabilidade é que se e somente se a ordem (rank) da matriz de
controlabilidade C for igual a n, então o sistema é controlável
iff rank(C) = n, then sys is ctrb
Uma forma de entender seria interpretar em um sistema discreto

x k+1 = Ã x k + B̃ u k
Que é análogo discreto do sistema
x␒ = Ax + Bu
Veja que se provocarmos uma perturbação u 0 = 1 e u k = 0, k > 0, e sujeitarmos o
sistema à condição inicial homogênea x = 0 , teremos a seguinte série

k 0 1 2 3 4 … m
uk 1 0 0 0 0 … 0
x k 0 B̃ ÃB̃ Ã 2 B̃ Ã 3 B̃ … Ã m-1 B̃
O que nos dá pelo menos alguma intuição sobre a origem da matriz de controlabilidade,
que vem do subespaço vetorial gerado por um impulso inicial no sistema.

A solução para o sistema

x␒ = Ax + Bu
É dada pela equação
t

x(t) = e At x(0 ) + ∫e A(t-�)Bu (� ) d�

0

Ainda devemos definir a matriz de Gram (ou gramiana) W t

t
W t = ∫ e A� BB T e A � d� ∈ R n×n
T

0
Os maiores autovalores da matriz gramiana possuem os autovalores com mais fácil
controlabilidade, ou seja, que demandam menos energia para atuar sobre o sistema. Para
sistemas discretos pode ser aproximada por W t ≈ CC T

(A - �I)x = 0
1 2 3 x1 0
1 3 5 x2 = 0
4 2 4 x3 0