MCPF2023 24 Capitulo4

Capítulo 4
ESPAÇO DE ESTADOS
@AC-ADC/DEI/FCTUC/LEB/MCPF/DSBF/2023-24/Cap4 182
Exemplo 1
No modelo do músculo da rã suspenso (Cap. 3) obteve-se a

equação diferencial de 2ª ordem
 
M y  B y  Ky  u B
Pode-se reduzir a duas de 1ª ordem, por

substituição de variáveis: u
(Bruce)
•
≜ ≜
1
• •
≜ ⇒ = =
•
• • • ••
≜ ⇒ =( )=
• 1
=− − +
• 1
ou seja =− − +

x1  x2
 B K 1
x2   x2  x1  u
M M M
=

 0 1  0
x K B  x   1  u
 
  x  Ax  Bu
 M M M 
O que queremos observar ?
A posição y ?
Neste caso a saída é y e portanto
y  x1  1x1  0 x2  0u  1 0 x   0 u
y  Cx  Du
y  Cx  Du
2
Exemplo 2
No modelo de inspiração-expiração pulmonar

VL (t )  aV L (t )  bP (t ) O que queremos observar ?
VL ? Nesse caso x é a saída
≜ ≜ ( )
•
=− +
yx
y  x  0u

x  Ax  Bu y  Cx  Du
Exemplo 3 Metabolismo da glucose
( )
=− ( )− ℎ( ) + ( )
ℎ( )
=− ℎ( ) + ( )+ ( )
( ): desvio do nível da glucose do seu valor recomendado

ℎ( ): desvio do nível da insulina do seu valor recomendado
( ): taxa experimental de infusão de glucose
( ): taxa experimental de infusão de insulina
, , , : constantes características de cada indivíduo.
3
Estados: ≜ ( ) ≜ ℎ(t)
Entradas: ≜ ( ) ≜ ( )
Saídas: = =
=− − + =
=+ − + =
•
− − 1 0 1 0 0 0
• = − + = +
0 1 0 1 0 0

x  Ax  Bu y  Cx  Du
Exemplo 4 No modelo de Lotka-Volterra
dx(t )
 ax(t )  bx(t ) y (t )
dt
dy (t )
 cy (t )  px(t ) y (t )
dt
≜ (presas) ≜ (predadores)
( )
= ( )− ( ) ( )
( )
=− ( )+ ( ) ( )
4
 
x  ax1  bx1 x2 x  f1 ( x1 , x2 )
1 1
 
x  cx1  px1 x2 x  f 2 ( x1 , x2 )
2 2

x  f ( x)
Sistema não linear autónomo (sem entrada exógena)
Caso geral
dxi
 f i ( x1 (t ), ... , xn (t ), u1 (t ), ... , um (t ), t )
dt
yi (t )  gi ( x1 (t ), ..., xn (t ), u1 (t ), ..., um (t ), t )
u1 y1
n variáveis de estado
u2 y2
x1 x2 … xn
um yr
•
x  f ( x, u , t ), x(t0 )  x0
y  g ( x, u , t )
Caso de sistema invariante: o t não aparece explicitamente
5
•
Equação de estado = , , , ( ) = 0
•
Caso linear invariante = + , ( ) = 0
Equação de saída y  g ( x, u )
Caso linear y  Cx  Du
•
x  Ax  Bu , x(t0 )  x0
y  Cx  Du
D
Condições
iniciais
(memória)

u +
x x +
y
B Integrador
C
+
+
A
6
Plano de fase e curvas de fase
x1 ' = - 2 x1 + 3 x2 + u u=1
x2 ' = - 0.5 x1 + 2 x2
2 −2 + 3 + = 0
1.5
−0.5 + 2 = 0
4
1 = = 0.8
5
0.5
= = 0.2
5
0
x2
-0.5
-1
-1.5
-2
-1 -0.5 0 0.5 1 1.5 2 2.5 3

x1
Plano de fase e curvas de fase

x1 ' = - 2 x1 + 3 x2 + u u=1
x2 ' = - 0.5 x1 + 2 x2
1.5
0.5
0
x2
-0.5
-1
-1.5
-2
-1 -0.5 0 0.5 1 1.5 2 2.5 3

x1
Traçado com o pplane.jar disponível em https://www.cs.unm.edu/~joel/dfield/ [13/10/2023]
7
Resolução da equação de estado
- Pela transformada de Laplace
8
9
Resolução da equação de estado no domínio temporal
•
x  Ax  Bu , x(0)  x0
•
Parte homogénea x  Ax, x(0)  x0
Exemplo
•
x  ax, x(0)  x 0 (uma variável de estado)
x(t )  e at .x0 de facto,


x  x0 ae at  a ( x0 e at )  ax
… e se A for uma matriz ?
•
= , (0) = ( variáveis de estado)
( )= . ???? (Série de Taylor)
( ) ( )
= (0) + (0) + (0) + (0) +. . . + (0) +. . .
1! 2! 3! !
=1+ + + +. . . + +. . .
2! 3! !
=1+ + + +. . . + +. . .
2! 3! !
10
Matriz de transição de estado, (t)
x (t )   (t ) x0
Conhecida a condição inicial, para calcular o estado em
qualquer instante futuro basta multiplicar o estado inicial pela
matriz de transição de estado nesse instante; isto é, esta
matriz transita o estado inicial no instante 0 para o instante t,
e daí o seu nome.
No caso linear invariante (coeficientes constantes)
x(t )  e At .x0  (t )  e At
Polinómio característico da matriz A
I  A  0
Q ( )   n  an -1 n -1  ...  a1  a0  0
Valores próprios de A: raízes da sua equação característica
Vetores próprios à direita de A: vetores v tais que
 v  Av   v  Av  0  [ I  A]v  0
Vetores próprios à esquerda de A: vetores w tais que
wT   wT A  wT   wT A  0  wT [ I  A]  0
11
Estrutura própria da matriz A (caso de valores próprios distintos)
Conjunto dos
Valores próprios i
Vetores próprios
à direita vi
à esquerda wi
Matrizes
Constituintes
n n de A
T
A   i vi w   i Z i i
i 1 i 1
A matriz A pode ser reconstruída a partir da sua estrutura

própria (caso n valores próprios distintos)
Pelo Teorema das Matrizes Constituintes
At  n  jt 
e    e . v j wTj 
 j 1 
e portanto
 n t 
x(t )  e j . v j wTj  .x(0)
 j 1 
 e1t . v1 w1T .x(0)  ect . v2 w2T x(0).  ...  ent . vn wnT .x(0)
12
Este resultado diz-nos que, para uma dada condição inicial,
• a trajetória temporal do estado é uma soma

ponderada de exponenciais dos valores próprios da
matriz A (os termos et) .
• são os vetores próprios que estabelecem os

coeficientes de ponderação.
Se existe um i real positivo lim eit  

t 
… e o sistema é instável em relação às condições iniciais!!!
Caso de um par de valores próprios

complexos conjugados:
• Se a parte real é negativa, contribui com uma

sinusóide decrescente
• Se a parte real é positiva, contribui com uma

sinusóide crescente.
• Se a parte real é nula, contribui com uma

sinusóide de amplitude
- constante se for simples,
- crescente se for múltiplo.
13
Condição necessária e suficiente de
estabilidade às condições iniciais:
• Que todos os valores próprios de A

tenham parte real negativa ou nula,
mas neste caso têm que ser
simples (multiplicidade 1).
Solução da equação de estado completa

x  Ax  Bu
t
x (t )  e x (0)   e A( t  ) Bu ( ) d
At
x (t )  xzi  xzs
14
Pontos singulares de sistemas não-lineares
Para um sistema não-linear definido por

x  f ( x , u)
São pontos singulares (também chamados singularidades ou

estados de equilíbrio) aqueles em que

x  0  f ( x , u)  0
f ( xs , us )  0
ys  g ( xs , us )
Exemplo
x1 ' = x1 + x2 - 2 u u=1
x2 ' = x2 (x1 - x2)
•
x1  x 1  x2 - 2u 2
•
1.5
x 2  x2 ( x1 - x2 )
1
0.5
x2
1
x1s    uS 0
1
-0.5
2
xs2    uS -1
0 -1 -0.5 0 0.5 1 1.5

x1
2 2.5 3 3.5 4
Traçado com o pplane.jar disponível em

https://www.cs.unm.edu/~joel/dfield/ [13/10/2023]
15
Linearização em torno dos estados de equilíbrio
(também chamados singularidades)
Série de Taylor
fi ( x1s  x1 , x2 s  x2 ,...xns  xn , u1s  u1 , u2 s  u2 ,..., ums  um ) 
n m
fi f
fi ( x1s , x2 s ,...xns , u1s , u2 s ,..., ums )   xk   i uk
k 1 xk k 1 uk
+ termos de ordem superior
gi ( x1s  x1 , x2 s  x2 ,...xns  xn , u1s  u1 , u2 s  u2 ,..., ums  um ) 
n m
gi g
g i ( x1s , x2 s ,...xns , u1s , u2 s ,..., ums )   xk   i uk
k 1 xk k 1 uk
+ termos de ordem superior

Definindo as matrizes Jacobianas:
 f1 f1   f1 f1 

 x ... ...
xn   u um 
 1   1 
A   ... ... ...  B   ... ... ... 
   
 f n ...
f n   f n ...
f n 
 x1 xn  ( x , uS )
 u1 um  ( x ,uS )
S S
 g1 g1 
 x ...  g1 g1 
xn   u ...
 1
 1 um 
C   ... ... ...  D   ... ... ... 
   
 g p ...
g p 
 g p g p 
 x ...
 1 xn  ( x ,u )  u
 1 um  ( x ,u )
S S S S
16
Substituindo na série de Taylor

x s  f ( xs , us ) y s  g ( xs , u s )
 
( x s  x)  f ( xs  x, us  u ) ys  y  g ( xs  x, us  u )
 
x s  x  f ( xs , us )  Ax  Bu ys  y  g ( xs , us )  C x  Du
•
 x  Ax  Bu
y  C x  Du
Exemplo 1 •
x1  x 1  x2 - 2u y  x1 x2
•
x 2  x2 ( x1 - x2 )
1 2
x1s    uS xs2    uS
1 0 us=1
us=1
1 1   2  1 1   2 
A B=   A B=  
 x2

2 x2  x1 [1,1] 0  x2 2 x2  x1 [2,0] 0
C  [ x2 x1 ][1,1] D=[0] C  [ x2 x1 ][2,0] D=[0]
17
1 2
x1s    uS xs2    uS
1 0
1 1   2  1 1   2 
A  B=   A  B=  
1 1 0 0 2  0
C  [1 1] D=[0] C  [2 1] D=[0]
eig(A) » eig(A)
ans = ans =
-1.4142 1
1.4142 2
As singularidades são um ponto sela e um nó instável

x1 ' = x1 + x2 - 2 u u=1
x2 ' = x2 (x1 - x2)
1.5
0.5
x2
-0.5
-1
-1 -0.5 0 0.5 1 1.5 2 2.5 3 3.5 4

x1
Traçado com o pplane.jar disponível em https://www.cs.unm.edu/~joel/dfield/
18
Exemplo 2
•
x1  (x 1 -1) 2  u y  x2
•
x 2  (x2 - 2) 2  u
(x 1 -1) 2  u  0  (x 1 -1) 2  u  (x 1 -1)   u

(x2 - 2) 2  u  0  (x2 - 2) 2  u  (x2 - 2)   u
 (x 1 -1)   u  x 1S = 1  uS
 (x2 - 2)   u  x2 S = 2  uS
x 1S = 1  u S
uS  1 x2 S = 2  uS
2 2 0  0 
x1S    xS2    xS3    xS4   
3 1  3 1 
2 0 2 0   2 0   2 0 
A  A  A  A 
0 2  0 2   0 2  0 2 
nó instável ponto sela ponto sela nó estável
19
ponto sela nó instável
x1 ' = (x1 - 1) 2 - u u=1
x2 ' = (x2 - 2) 2 - u
nó estável
2
1
x2
-1
-2
-1 -0.5 0 0.5 1 1.5 2 2.5 3 3.5 4

x1
Traçado com o pplane.jar disponível em https://www.cs.unm.edu/~joel/dfield/
Conclusão
• A representação de estado aplica-se de igual modo aos

sistemas lineares e não lineares, variantes ou invariantes.
• No caso linear, obtém-se uma representação matricial. As

propriedades dinâmicas do sistema são dependentes dos valores
próprios da matriz de estado, tal como são dependentes dos polos
da função de transferência na representação no domínio complexo.
• Os sistemas não lineares podem ter zero, um ou vários estados de

equilíbrio, ou singularidades, ou pontos singulares, para a mesma
entrada. Alcançam um ou outro conforme as condições iniciais.
• Aproximando as funções de estado e de saída pela série de Taylor

nos pontos singulares, desprezando os termos de ordem superior
à primeira, obtém-se um sistema linearizado. A estabilidade local,
em torno da singularidade, é definida pela estabilidade do
sistema linearizado.
20
Bibliografia
Baura, G. D., System Theory and Practical Applications of Biomedical Signals, ,

John Wiley and Sons, 2002
Bruce, Eugene N., Biomedical Signal Processing and Signal Modelling, John
Wiley and Sons, 2001
D’Azzo, John J. and Constantine H. Houpis Linear Control System Analysis and
Design with Matlab, 5th Ed. Marcel Dekker 2003
Carvalho, M., Sistemas de Controlo Automático, LTC- Livros Técnicos e
Científicos Editora, 2000
Chen, T. Systems and Signals Analysis, 2nd Ed, Sunders College Publ, 1994
Hoppensteadt, F.C. and Charles S. Peskin,, Modeling and Simulation in
Medicine and the Life Sciences , Springer Verlag, 2000
Ribeiro, M. Isabel, Análise de Sistemas Lineares, IST Press, 2002
pplane is copyrighted by
John C. Polking, Department of Mathematics, Rice University.
Mais informação em : https://www.cs.unm.edu/~joel/dfield/ [13/10/2023]
Versão atualizada para MATLAB

https://www.mathworks.com/matlabcentral/fileexchange/61636-pplane [13/10/2023]
21

MCPF2023 24 Capitulo4

Enviado por

Dados do documento

Descrição original:

Título original

Direitos autorais

Formatos disponíveis

Compartilhar este documento

Compartilhar ou incorporar documento

Opções de compartilhamento

Você considera este documento útil?

Este conteúdo é inapropriado?

Direitos autorais:

Formatos disponíveis

MCPF2023 24 Capitulo4

Enviado por

Direitos autorais:

Formatos disponíveis

Capítulo 4

No modelo do músculo da rã suspenso (Cap. 3) obteve-se a

Pode-se reduzir a duas de 1ª ordem, por

O que queremos observar ?

Neste caso a saída é y e portanto

No modelo de inspiração-expiração pulmonar

Exemplo 3 Metabolismo da glucose

( ): desvio do nível da glucose do seu valor recomendado

Exemplo 4 No modelo de Lotka-Volterra

Sistema não linear autónomo (sem entrada exógena)

-1 -0.5 0 0.5 1 1.5 2 2.5 3

Plano de fase e curvas de fase

-1 -0.5 0 0.5 1 1.5 2 2.5 3

Traçado com o pplane.jar disponível em https://www.cs.unm.edu/~joel/dfield/ [13/10/2023]

- Pela transformada de Laplace

x(t )  e at .x0 de facto,

… e se A for uma matriz ?

( )= . ???? (Série de Taylor)

No caso linear invariante (coeficientes constantes)

Polinómio característico da matriz A

Valores próprios de A: raízes da sua equação característica

Vetores próprios à direita de A: vetores v tais que

A matriz A pode ser reconstruída a partir da sua estrutura

Pelo Teorema das Matrizes Constituintes

• a trajetória temporal do estado é uma soma

• são os vetores próprios que estabelecem os

Se existe um i real positivo lim eit  

… e o sistema é instável em relação às condições iniciais!!!

Caso de um par de valores próprios

• Se a parte real é negativa, contribui com uma

• Se a parte real é positiva, contribui com uma

• Se a parte real é nula, contribui com uma

• Que todos os valores próprios de A

Solução da equação de estado completa

São pontos singulares (também chamados singularidades ou

0 -1 -0.5 0 0.5 1 1.5

Traçado com o pplane.jar disponível em

+ termos de ordem superior

+ termos de ordem superior

Definindo as matrizes Jacobianas:

 f1 f1   f1 f1 

C  [ x2 x1 ][1,1] D=[0] C  [ x2 x1 ][2,0] D=[0]

As singularidades são um ponto sela e um nó instável

-1 -0.5 0 0.5 1 1.5 2 2.5 3 3.5 4

(x 1 -1) 2  u  0  (x 1 -1) 2  u  (x 1 -1)   u

nó instável ponto sela ponto sela nó estável

-1 -0.5 0 0.5 1 1.5 2 2.5 3 3.5 4

• A representação de estado aplica-se de igual modo aos

• No caso linear, obtém-se uma representação matricial. As

• Os sistemas não lineares podem ter zero, um ou vários estados de

• Aproximando as funções de estado e de saída pela série de Taylor

Baura, G. D., System Theory and Practical Applications of Biomedical Signals, ,

Versão atualizada para MATLAB

Você também pode gostar