Universidade Tecnológica Federal do Paraná – Cornélio Procópio

CONTROLE
MULTIVARIÁVEL

Emerson Ravazzi Pires da Silva

Resumo
• Estimadores/Observadores de Estados
• Observador de ordem plena (ordem completa);
Introdução
• Na abordagem de realimentação de estados, é suposto que
todas as variáveis de estados estejam disponíveis para a
realimentação;

• Na prática, contudo, nem todas as variáveis estão disponíveis

para a realimentação;

• Então, é preciso estimar as variáveis não disponíveis. A

estimativa de variáveis de estado não mensuráveis é
denominada observação;

• Um dispositivo/mecanismo (ou programa de computador) que

estima ou observa as variáveis de estado é denominado
observador de estados;
• Se o observador de estados observa todas as variáveis do
sistema, independentemente de algumas das variáveis de
estado estarem disponíveis para medição direta, ele é
denominado de observador de estado de ordem plena
(computacionalmente mais caro);

• Um observador que estima menos que variáveis de estado,

onde é a dimensão do vetor de estados, é denominado de
observador de estado de ordem reduzida (a verificação da
convergência do observador é mais difícil);

• Observador de estados. Um observador de estado estima as

variáveis de estado baseado nas medidas das variáveis de
saída e das variáveis de controle (entrada). Observadores de
estado podem ser projetados se, e somente se, a condição de
observabilidade for satisfeita;
Observador de estado: ordem plena
Considere a representação no espaço de estados
xɺ = Ax + Bu,
y = Cx,

com , , , , e de dimensões adequadas.

O observador é um subsistema reconstrutor do vetor de estado

da planta. O modelo matemático do observador é basicamente o
mesmo que o da planta, exceto por um termo adicional que
incorpora o erro de estimação para compensar as incertezas das
matrizes e e a ausência do erro inicial.
A figura mostra o diagrama de blocos do sistema e o observador de
estados de ordem plena (observador de malha aberta).

Sistema físico
(real)

Observador de
malha aberta

Modelo
matemático
(simulado)

A estimação é baseada no conhecimento da condição inicial e da entra-

da; Se , , e do observador não são completamente conhecidos
(normalmente o modelo apresenta erros em relação ao sistema real),
não converge para ; Se o sistema for instável, a estimação também
não converge.
A figura mostra o diagrama de blocos do sistema e o observador de
estados de ordem plena (observador de malha aberta).

Sistema físico
(real)

Observador de
malha aberta

Modelo
matemático
(simulado)

A estimação é baseada no conhecimento da condição inicial e da entra-

da; Se , , e do observador não são completamente conhecidos
(normalmente o modelo apresenta erros em relação ao sistema real),
não converge para ; Se o sistema for instável, a estimação também
não converge.
A figura mostra o diagrama de blocos do sistema e o observador
de estados de ordem plena (observador de malha fechada,
também conhecido como Observador de Luenberger).

Sistema físico
(real)

Observador de
malha fechada

Modelo
matemático
(simulado)

A estimação é baseada no conhecimento da condição inicial, da

entrada e da saída;
A figura mostra o diagrama de blocos do sistema e o observador
de estados de ordem plena (observador de malha fechada,
também conhecido como Observador de Luenberger).

Sistema físico
(real)

Observador de
malha fechada

Modelo
matemático
(simulado)

A estimação é baseada no conhecimento da condição inicial, da

entrada e da saída;
A partir dos diagramas anteriores, observe que a planta do
observador é dada por
xɺɶ = Axɶ + Bu,
yɶ = Cxɶ ,
com , , , , e de dimensões adequadas.

Subtraindo a planta do observador da representação do sistema,

é obtido
xɺ − xɶɺ = A ( x − xɶ ) ,
y − yɶ = C ( x − xɶ ) ,

Assim, a dinâmica da diferença entre o estado real e o estado

estimado está livre, e se a planta é estável, essa diferença,
decorrente de diferenças iniciais nos vetores de estado, tende a
zero.
• Entretanto, a velocidade de convergência entre o estado real e o
estado estimado é a mesma da resposta transitória da planta,
uma vez que a equação característica de − = ( − ) é a
mesma da equação = + .

• Como a convergência é muito lenta, procuramos por uma forma

de aumentar a velocidade do observador e fazer com que seu
tempo de resposta seja muito mais rápido que o do sistema que
poderá ser controlado em malha fechada, de modo que,
efetivamente, o controlador receba os estados estimados
instantaneamente.

• Para aumentar a velocidade de convergência entre o estado real

e o estado estimado, utiliza-se o observador de malha fechada.

• O erro entre as saídas da planta e do observador é realimentado

para as derivadas dos estados do observador. O sistema efetua
as correções para levar esse erro a zero.
• Com a realimentação podemos projetar uma resposta transitória
desejada para o observador que deve ser muito mais rápida que
a da planta ou a do sistema a ser controlado em malha fechada.

• No projeto de um observador, a forma canônica observável

propicia uma solução mais fácil para os ganhos do observador.

• O projeto do observador é separado do projeto do controlador.

De modo semelhante ao projeto do ganho do controlador, , o
projeto do observador consiste em calcular o vetor constante, ,
de modo que a resposta transitória do observador seja mais
rápida que a resposta da malha a ser controlada, a fim de
resultar em uma estimação atualizada rapidamente do vetor de
estado.
• Metodologia de projeto do ganho

As equações do observador de estados de malha fechada são

xɺɶ = Axɶ + Bu + L ( y − yɶ ) ,
yɶ = Cxɶ ,

As equações da planta são

xɺ = Ax + Bu,
y = Cx,

Subtraindo as equações do observador de malha fechada das

equações da planta, obtém-se
( )
xɺ − xɶɺ = A ( x − xɶ ) − L ( y − yɶ ) ,
( y − yɶ ) = C ( x − xɶ ) ,
Onde ( − ) é o erro entre o vetor de estado real e o vetor de
estado estimado, e ( − ) é o erro entre a saída real e a saída
estimada.

Substituindo a equação de saída na equação de estado, obtém-

se a equação de estado para o erro entre o vetor de estado
estimado e o vetor de estado real:

( xɺ − xɺɶ ) = A ( x − xɶ ) − LC ( x − xɶ ) ⇔ ( xɺ − xɶɺ ) = ( A − LC )( x − xɶ ) ,
( y − yɶ ) = C ( x − xɶ ) ,

Fazendo o erro igual a = ( − ), chega-se em

eɺx = ( A − LC ) ex ,
( y − yɶ ) = Cex ,
• Caso os autovalores de ( − ) sejam todos negativos, o erro
do vetor de estado estimado, , decairá a zero.

• O projeto então consiste em projetar os valores do ganhopara

resultar em uma equação característica desejada ou resposta
desejada para as equações anteriores.

• O problema dual. O projeto do ganho do observador, , resulta

no mesmo problema de alocação de polos (os problemas são
matematicamente os mesmos). Essa propriedade é denominada
dualidade.
xɺ = ( A − BK ) x, K = place ( A, B, polos ) Comando
Matlab

T
eɺ = ( A − LC ) e, L = place ( A , C , polos )
T T

Assim, se o sistema dual for controlável, o problema de alocação

de polos pode ser resolvido para ( − ), com = .
Projeto do ganho : Caso SISO
Dentre as técnicas já apresentadas para a alocação de polos,
utiliza-se para o projeto: A fórmula de Ackermann.

Exemplo 1: Considere o sistema SISO com dois estados

 −0, 6 0  1
A=  , B =   , C = (1 1) ;
 0 0,1 1

Projete um observador de estados de ordem plena, considerando

a configuração do observador de malha fechada (vide Fig.
anterior). Os autovalores desejados da matriz do observador são
= −20 e = −20.
Solução:
1º passo. Verifique se o sistema é observável. Neste caso sim,
pois = 0,7. A matriz de observabilidade é
T  1 1 
Θ = [C CA] =  
 −0, 6 0,1 
2º passo. Determine o polinômio característico dos autovalores
desejados
φ ( s ) = ( s + 20 )( s + 20 ) = s 2 + 40s + 400

3º passo. Estabeleça o polinômio característico no domínio da

matriz dinâmica , i.e., 2
 −0, 6 0   −0, 6 0  1 0
Φ ( A) = A + 40 A + 400 I ⇔ 
2
 + 40   + 400  
 0 0,1   0 0,1   0 1 
 376,36 0 
Φ ( A) =   Sendo a matriz identidade
 0 404, 01  de ordem adequada
4º passo. Substitua as informações anteriores na equação de
Ackermann. Se o sistema for não observável, não existe
a inversa da matriz de observabilidade.

Observe que a
−1 fórmula de
 C  0  Ackermann foi
 CA  0  modificada para
    o projeto de
L = Φ ( A )  CA 
2
⋮  (procedimento
    dual à alocação
 ⋮  0  de polos).
CAn −1  1 
−1
376,36 0  1 1  0   −537, 6571
L=      ⇔L= 
 0 404, 01 −0, 6 0,1  
1  577,1571 
A obtenção de por outras técnicas gera o mesmo resultado
(caso SISO).
A equação do observador de estado de ordem plena é dado por:

 
xɺɶ = Axɶ + Bu + L  y − Cxɶ  ⇔ xɺɶ = ( A − LC ) xɶ + Bu + Ly
 
 ɶ
y 
 xɺɶ1   537, 0571 537, 6571   xɶ1  1  −537, 6571
 ɺ =   xɶ  +   u +  y
 xɶ2   −577,1571 −577, 0571  2  1  577,1571 
 s =−20
polos  1
 s2 =−20

O projeto do observador atua somente no erro (estabiliza o erro).

Caso o sistema seja instável, os estados tendem ao infinito,
porém o erro converge para zero (veja as próximas figuras).
Simulação do estimador de estado em malha aberta:
 −0, 6 0   1 1 0
A=  , B =   , C = (1 1) ; x ( 0 ) =   xobs ( 0 ) =  
 0 0,1 1  2 0
Erro do estado , polo Erro do estado , polo Estados iniciais do observador
em 0,1, instável. em −0,6, estável. não conhecidos

estado

estado

estado
observado

estado
observado

O erro de não converge para zero com o observador de malha

aberta (polo instável), converge para zero em torno de 6 .
Simulação do estimador de estado em malha fechada:

Erro do estado estado

, polo em observado
− 0,6, estável.
estado

Erro do estado , polo

em 0,1, instável. O
observador de malha estado
fechada convergiu o estado
erro para zero. observado

O observador de malha fechada fez ambos os erros convergirem

para zero em torno de 0,7 . No entanto, a amplitude de
continua crescendo a medida que o tempo tende ao infinito (polo
instável). Uma realimentação de estados observados pode
corrigir o problema.
Exemplo 2: Considere o sistema SISO com dois estados

 0 20, 6  0
A=  , B =   , C = ( 0 1) ;
1 0  1

Projete um observador de estados de ordem plena. Os

autovalores desejados da matriz do observador são = −10 e
= −10.

Solução:
1º passo. Verifique se o sistema é observável. Neste caso sim,
pois = −1. A matriz de observabilidade é

T 0 1
Θ = [C CA] = 
 1 0 
2º passo. Determine o polinômio característico dos autovalores
desejados
φ ( s ) = ( s + 10 )( s + 10 ) = s 2 + 20s + 100

3º passo. Estabeleça o polinômio característico no domínio da

matriz dinâmica , i.e.,

Sendo a matriz identidade

de ordem adequada
Φ ( A) = A2 + 20 A + 100 I
2
 0 20, 6   0 20, 6  1 0 120, 6 412 
Φ ( A) =   + 20   + 100   ⇔ Φ ( A) =  
 1 0   1 0   0 1   20 120, 6 
4º passo. Substitua as informações anteriores na equação de
Ackermann.
Observe que a
−1
 C  0  fórmula de
 CA  0  Ackermann foi
    modificada para
Se o sistema for não L = Φ ( A )  CA 2
⋮  o projeto de
observável, não existe a     (procedimento
inversa da matriz de
 ⋮  0  dual à alocação
observabilidade.
CA 
n −1 1  de polos).

−1
120, 6 412  0 1  0  120, 6 
L=      ⇔L= 
 20 120, 6  1 0  1   20 

A obtenção de por outras técnicas gera o mesmo resultado

(caso SISO).
A equação do observador de estado de ordem plena é dado por:

 
xɺɶ = Axɶ + Bu + L  y − Cxɶ  ⇔ xɺɶ = ( A − LC ) xɶ + Bu + Ly
 
 ɶ
y 
 xɺɶ1   0 −100   xɶ1   0  120, 6 
 ɺ =   xɶ  +   u +  y
 xɶ2   1 −20   2   1   20 
 s =−10
polos  1
 s2 =−10

O projeto do observador atua somente no erro (estabiliza o erro).

Caso o sistema seja instável, os estados tendem ao infinito,
porém o erro converge para zero.
Exercício 1: Para o sistema SISO
 −8 1 0  0
   
A =  −17 0 1  , B =  1  , C = (1 0 0 )
 −10 0 0   4
   
Projete um observador de estados de ordem plena. Os
autovalores desejados da matriz do observador são , = −10 ±
20# e $ = −100. Resp.: = 112 2483 49990 .

Exercício 2: Para o sistema SISO

 −24 1 0  0
   
A =  −191 0 1  , B =  1  , C = (1 0 0 )
 −504 0 0  6
   
Projete um observador de estados de ordem plena. Os
autovalores desejados da matriz do observador são , = −20 ±
39# e $ = −200. Resp.: = 216 9730 383696 .
Projeto do ganho : Caso MIMO
Dentre as técnicas já apresentadas para a alocação de polos,
utiliza-se para o projeto: Equação de Lyapunov.

• Considere um sistema MIMO com ( , ) observável, ∈ ℝ+×+ e

∈ ℝ-×+ . O objetivo é projetar ∈ ℝ+×- , tal que − tenha
os autovalores desejados, ou seja, alocados arbitrariamente
(desde que não coincidam com nenhum dos autovalores de ).
O algoritmo foi modificado para o projeto de
• Algoritmo (procedimento dual à alocação de polos).

1) Escolha uma matriz qualquer ∈ ℝ+×+ com os autovalores

./
desejados (diferentes dos autovalores de );
2) Escolha uma matriz qualquer 0 ∈ ℝ+×- , tal que ( ./ , 0 )
seja controlável;
3) Resolva a equação de Lyapunov (em 1), isto é, encontre a
matriz (única) 1 para: 1 − ./ 1 = 0 .
4) O ganho do observador é dado por = 12 0 .
• Se 1 é não singular, então − possui os mesmos
autovalores de ./ . Se 1 for singular, escolha outra matriz ./
ou outra matriz 0 e repita o algoritmo.

• Possíveis escolhas de e 0:
./
Se for desejado alocar 5 autovalores ( = 5) dados por 4 , 5 ±
6 # e 5 ± 6 #, ./ pode ser dado por:
Forma diagonal
 ρ1 0 0 0 0 (modal)
 
0 α1 β1 0 0
AMF = 0 − β1 α1 0 0
  Nos dois casos, o
0 0 0 α2 β2  par ( ./ , 0 ) será
0 0 0 −β2 α 2 
controlável.

Com ./ acima,
T T
0 pode ser  1 1 0 0 0   0 0 1 0 0 
dada por: BP =   ou BP =  
 0 0 0 1 0   1 0 0 1 0 
Exemplo 3: Considere o sistema MIMO com dois estados,

1 0 0 1  1 1
A= , B =  , C = ,
0 2 1 0  2 1

Projete um observador de estados de ordem plena, considerando

a configuração do observador de malha fechada. Os autovalores
desejados da matriz do observador são = −1 e = −2.

Solução: O par ( , ) é observável, logo, pode ser projetado.

−1 0
1º passo. ./ = , autovalores desejados e diferentes
0 −2
de .
1 0
2º passo. 0 = ,
0 1 1 0 −1 0 
( ./ , 0 ) é controlável: ℂ = [ BP AMF BP ] =  
 0 1 0 − 2 
3º passo. Resolva a equação de Lyapunov, 1 − ./ 1 = 0 .

 l1 l2   1 0   −1 0   l1 l2   1 0   1 1 
  −  =
 l3 l4   0 2   0 −2   l3
 l4   0 1   2 1
 l1 2l2   −l1 −l2   1 1
 − = 
 l3 2l4   −2l3 −2l4   2 1
 2l1 3l2   1 1
 =
 3l3 4l4   2 1
 l1 l2   1/ 2 1/ 3 
P= =
 l3 l4   2 / 3 1/ 4 

4º passo. = 12 0.

−1  −2,5714 3, 4286   1 0   −2,5714 3, 4286 

L = P BP =   = 
 6,8571 −5,1429  0 1   6,8571 −5,1429 
A equação do observador de estado de ordem plena é dado por:
xɺɶ = ( A − LC ) xɶ + Bu + Ly ⇔
 xɺɶ1    1 0   −2,5714 3, 4286   1 1   xɶ1 
 ɺ  =  −     xɶ  +
 xɶ2    0 2   6,8571 −5,1429   2 1   2 
0 1  −2,5714 3, 4286 
+ u +  y⇔
1 0  6,8571 −5,1429 

 xɺɶ1   −3, 2857 −0,8571  xɶ1   0 1   −2,5714 3, 4286 

 ɺ =   xɶ  +  u +  y
 xɶ2   3, 4286 0, 2857   2   1 0   6,8571 −5,1429 
 s =−1
polos  1
 s2 =−2
Observe que são várias as possibilidades de escolha dos ganhos
de para alocar os polos na posição desejada (caso MIMO).
Exercício 3: Considere o sistema MIMO,

 0 1 0 0  1 2
A= , B= , C = ,
 0, 75 −1  1 −1 2 1

Projete um observador de estados de ordem plena. Os autova-

lores desejados da matriz do observador são = −1 + 1# e =
− 1 − 1#.
Solução: Uma possível solução para é:
 s =−1+1 j
polos  1
 s2 =−1−1 j

 xɺɶ1    0 1   −0,333 0, 667   1 2    xɶ1 

 ɺ  =  −     xɶ  +
 xɶ2    0, 75 −1  −0,583 1,167   2 1    2 
0 0   −0,333 0, 667 
+ u +  y⇔
 1 −1  −0,583 1,167 
Referências
Bibliografia básica (plano de ensino)

Bibliografia complementar (plano de ensino)

SKOGESTAD, Sigurd; POSTLETHWAITE, Ian. Multivariable

feedback control: analysis and design. 2nd ed. Chichester: J. Wiley &
Sons, c2005. xiv, 574 p.

E. Castelan. Controle Multivariável – DAS 5131,DAS-CTC-UFSC,

Maio de 2002.

H. B. Silveira. Controle Multivariável – DAS 5131,DAS-CTC-UFSC,

2017.

M. F. Miranda. Controle Multivariável, 30 de Maio de 2005.