Baixe o app para aproveitar ainda mais
Prévia do material em texto
Universidade Federal de Santa Catarina Programa de P � os-Graduac� ~ ao em Engenharia El � etrica Laborat � orio de Controle e Micro-Inform � atica Controle Robusto Prof. Alexandre Tro�no Florian�opolis, Agosto de 2000 Pref�acio Este documento pretende ser uma apostila para a disciplina de Controle Robusto da P�os-Gradua�c~ao da Engenharia El�etrica da Universidade Federal de Santa Catarina. A id�eia b�asica da apostila �e apresentar alguns resultados da �area de Controle Robusto e Filtragem Robusta de forma simpli�cada, propor exerc��cios e um conjunto de refere^ncias bibliogr�a�cas que permitam ao aluno avan�car de forma orientada nos temas em quest~ao. Os m�etodos de an�alise e projeto de �ltros e controladores aqui apresentados seguem uma linha central que consiste em exprimir a solu�c~ao dos problemas de controle e �ltragem como Desigualdes Matriciais Lineares (LMIs). A grande vantagem de se trabalhar com LMIs �e que estas desigualdes possuem propriedades importantes tais como convexidade e exibilidade para tratar problemas mistos de performance e robustez. Al�em disso j�a existem no mercado pacotes computacionais e�cientes para se resolver problemas envolvendo LMIs. Como os problemas de controle e �ltragem n~ao se apresentam naturalmente sob a forma de LMIs, algumas ferramentas matem�aticas s~ao necess�arias para se obter a respectiva formula�c~ao LMI do problema em quest~ao. A apostila apresenta as ferramentas mais utilizadas, mostra como utiliz�a-las atrav�es de exemplos e aponta uma vasta bibliogra�a onde resultados relacionados podem ser encontrados. A maior parte dos resultados atualmente dispon��veis nessa linha se aplicam na an�alise e s��ntese de contro- ladores e �ltros para sistemas lineares incertos e muito resta a ser feito, principalmente no caso de sistemas h��bridos e n~ao lineares. Alguns resultados nessa �areas s~ao discutidos como t�opicos avan�cados no �nal da apostila. Gostaria de agradecer o Daniel Coutinho e a Karina Barbosa pelo excelente trabalho de organiza�c~ao e confec�c~ao dessa apostila. Agrade�co tamb�em o Jos�e de Oliveira e a Sonia Palomino pela confec�c~ao dos cap��tulos sobre sistemas LPV e sistemas h��bridos. Finalmente �e importante lembrar que esta apostila �e a primeira vers~ao de um trabalho de equipe e que certamente necessita de melhoramentos. Mas isso vir�a com o tempo e t~ao mais r�apido quanto maior for a sua colabora�c~ao. Florian�opolis, 17 de Agosto de 2000. Prof. Alexandre Tro�no Conte�udo Parte I: Conceitos Fundamentais 1 1 Sistemas Dina^micos Incertos 3 1.1 Introdu�c~ao . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 3 1.2 Exemplos de Sistemas Dina^micos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 4 1.2.1 Descri�c~ao das incertezas . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 5 1.3 Atividades . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 9 1.4 Refere^ncias Complementares . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 10 2 Estabilidade e Performance de Sistemas por LMIs 11 2.1 Introdu�c~ao . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 11 2.2 Estabilidade Quadr�atica . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 12 2.3 Inequa�c~oes Matriciais Lineares - LMI . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 15 2.3.1 Propriedades de LMI . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 16 2.3.2 Ferramentas para a formula�c~ao de um problema de controle em uma LMI . . . . . . . 17 2.3.3 Problema LMI: Formula�c~ao e Solu�c~ao . . . . . . . . . . . . . . . . . . . . . . . . . . . 21 2.4 Pacotes Computacionais . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 21 2.4.1 Complexidade computacional . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 22 2.4.2 Exemplo de Aplica�c~ao do LMITOOL . . . . . . . . . . . . . . . . . . . . . . . . . . . . 22 2.5 Normas de Sistemas . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 25 2.5.1 Norma H 2 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 26 2.5.2 Norma H 1 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 29 2.6 Atividades . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 30 2.7 Refere^ncias Complementares . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 32 3 S��ntese de Controladores 33 3.1 Introdu�c~ao . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 33 3.2 Realimenta�c~ao de Estados . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 33 v 3.3 Realimenta�c~ao de Sa��da . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 41 3.3.1 Realimenta�c~ao Est�atica de Sa��da . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 41 3.3.2 Realimenta�c~ao Dina^mica de Sa��da . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 43 3.4 Controle sujeito a restri�c~oes . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 44 3.5 Atividades . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 48 3.6 Refere^ncias Complementares . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 49 4 Sistemas Discretos - An�alise, Performance e S��ntese 51 4.1 Introdu�c~ao . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 51 4.2 Estabilidade Quadr�atica . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 51 4.3 Performance de Sistemas . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 53 4.4 Realimenta�c~ao de Estados . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 55 4.5 Estabiliza�c~ao Quadr�atica . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 55 4.6 Atividades . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 58 4.7 Refere^ncias Complementares . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 59 5 Estabilidade Dependente dos Para^metros 61 5.1 Introdu�c~ao . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 61 5.2 Estabilidade A�m Quadr�atica (Matriz P(�) a�m em �) . . . . . . . . . . . . . . . . . . . . . . 62 5.2.1 Sistemas com Incertezas Invariantes no Tempo . . . . . . . . . . . . . . . . . . . . . . 63 5.2.2 Sistemas Incertos com taxa de varia�c~ao limitada . . . . . . . . . . . . . . . . . . . . . 67 5.3 Estabilidade Bi-Quadr�atica . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 69 5.4 Atividades . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 72 5.5 Refere^ncias Complementares . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 73 Parte II: Conceitos Avan�cados 75 6 Sistemas LPV 77 6.1 Introdu�c~ao . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 77 6.2 Norma H 2 para Sistemas Variantes no Tempo . . . . . . . . . . . . . . . . . . . . . . . . . . . 77 6.2.1 Norma H 1 para Sistemas Variantes no Tempo . . . . . . . . . . . . . . . . . . . . . . 79 6.3 An�alise de Sistemas LPV . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 80 6.3.1 Estabilidade Robusta . . . . . . . . . . . . . . . . . . . . . . . . . .. . . . . . . . . . 80 6.3.2 Performance robusta em H 2 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 81 6.3.3 Performance robusta em H 1 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 82 6.4 S��ntese para Sistemas LPV . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 83 6.4.1 Estabiliza�c~ao robusta . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 83 6.4.2 Estabiliza�c~ao robusta empregando norma H 2 . . . . . . . . . . . . . . . . . . . . . . . 86 6.4.3 Estabiliza�c~ao robusta empregando a norma H 1 . . . . . . . . . . . . . . . . . . . . . . 87 6.5 Atividades . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 88 7 An�alise de Sistemas N~ao Lineares 91 7.1 Introdu�c~ao . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 91 7.2 Formula�c~ao do Problema . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 92 7.3 Representa�c~ao por Fra�c~oes Lineares . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 93 7.3.1 Representa�c~ao LFR . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 93 7.3.2 An�alise de Sistemas LFR . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 94 7.3.3 Regi~ao de Atra�c~ao . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 96 7.4 Fun�c~oes de Lyapunov Polinomiais . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 98 7.4.1 Representa�c~ao por Fra�c~oes Racionais . . . . . . . . . . . . . . . . . . . . . . . . . . . . 100 7.4.2 An�alise de Estabilidade . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 101 7.4.3 Regi~ao de Atra�c~ao . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 104 7.5 Atividades Complementares . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 107 7.6 Refere^ncias Complementares . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 108 8 An�alise de Estabilidade de uma classe de Sistemas H��bridos 109 8.1 Introdu�c~ao . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 109 8.2 Sistemas Chaveados: uma classe de Sistemas H��bridos . . . . . . . . . . . . . . . . . . . . . . 110 8.2.1 Exemplos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 111 8.3 Estabilidade . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 113 8.4 Estabilidade de Sistemas H��bridos baseados em LMI's . . . . . . . . . . . . . . . . . . . . . . 114 8.4.1 Fun�c~oes de Lyapunov Quadr�aticas por Partes . . . . . . . . . . . . . . . . . . . . . . . 114 8.4.2 Fun�c~ao de Lyapunov dependente do estado . . . . . . . . . . . . . . . . . . . . . . . . 117 8.5 Sum�ario . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 122 9 Problema de Filtragem Robusta 123 9.1 Introdu�c~ao . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 123 9.2 M�etodos Cl�assicos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 123 9.2.1 Observadores de Luenberger . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 124 9.2.2 Filtro de Kalman . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 125 9.3 Modelagem do problema . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 127 9.3.1 Abordagem 1 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 129 9.3.2 Abordagem 2 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 133 9.4 Exemplo num�erico . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 136 9.5 Atividades Complementares . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 138 9.6 Refere^ncias Complementares . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 139 Parte I: Conceitos Fundamentais Daniel F. Coutinho e Karina A. Barbosa Cap��tulo 1 Sistemas Dina^micos Incertos 1.1 Introdu�c~ao Todo modelo matem�atico �e na verdade uma aproxima�c~ao do sistema f��sico real. Consequentemente, o modelo matem�atico obtido pode apresentar diferentes tipos de incertezas, decorrentes de dina^micas n~ao modeladas, incertezas param�etricas, ru��dos, lineariza�c~ao, etc. Dependendo da sua origem estas incertezas podem ser classi�cadas como estruradas, n~ao estruturadas, param�etricas ou n~ao param�etricas. � E de suma importa^ncia que as incertezas sejam levadas em conta na an�alise e/ou projeto de controladores para o sistema. Para tal �e conveniente representar o modelo f��sico por um sistema incerto, constitu��do do modelo matem�atico (sistema nominal) mais incertezas em torno deste, sendo a an�alise ou projeto feita em torno do sistema incerto. V�arias di�culdades surgem ao se trabalhar com sistemas incertos. Uma das principais �e como modelar e descrever as incertezas no problema. Incertezas descritas de forma gen�erica podem acarretar restri�c~oes na busca de solu�c~oes. A este processo de busca de solu�c~ao de um problema de controle envolvendo o sistema nominal e uma fam��lia de incertezas em torno dele, chama-se de Controle Robusto. No Controle Robusto busca-se tamb�em minimizar o efeito sobre certas vari�aveis do sistema devido a perturba�c~oes externas a este, como ru��dos, mudan�cas de temperatura, rajadas de vento, etc. Um esquema geral de um sistema de Controle Robusto pode ser visto na Figura 1.1. Dina^micas n~ao model�aveis Planta Sensor Controlador Parcialmente desconhecida Perturba�c~oes Externas Geralmente n~ao linear Ru��dos Refere^ncia Controle Sa��da Medida Figura 1.1: Diagrama de Blocos de um sistema de Controle Robusto Logo, a quest~ao chave em Controle Robusto �e minimizar a in ue^ncia das incertezas e das perturba�c~oes que atuam no sistema. Este problema pode ser dividido em duas partes: um problema de estabiliza�c~ao robusta e outro de desempenho robusto. No primeiro caso, busca-se manter o sistema est�avel para uma dada classe 3 4 CAP � ITULO 1. SISTEMAS DIN ^ AMICOS INCERTOS de incertezas e, no segundo, minimizar a in ue^ncia das perturba�c~oes externas em rela�c~ao ao crit�erio de desempenho escolhido. Para ilustrar como as incertezas e perturba�c~oes podem aparecer na modeliza�c~ao dos sistemas, apresentamos a seguir dois exemplos. No primeiro, tem-se o problema de controle de posi�c~ao de um pe^ndulo invertido e no segundo o controle de posi�c~ao longitudinal de um avi~ao. 1.2 Exemplos de Sistemas Dina^micos Exemplo 1: Controle de Posi�c~ao de um Pe^ndulo Invertido. O sistema mostrado na Figura 1.2 �e constitu��do de um pe^ndulo invertido de massa uniforme m e de compri- mento 2l e de um carrinho de massa M . O movimento do sistema �e de�nido pela posi�c~ao z(t) do carrinho e o a^ngulo �(t) entre o pe^ndulo e o eixo vertical. C M z(t) 2l z �(t) m u(t) M c m 0 Figura 1.2: Pe^ndulo invertido Na modelagem matem�atica deste sistema considera-se a presen�ca de atrito entre o pe^ndulo e o carrinho c m , na roda do carrinho C M , e J M que �e momento de in�ercia. Para evitar a formula�c~ao n~ao linear do sistema, vamos simpli�c�a-la considerando que o a^ngulo � �e pequeno tal que: cos(�) � = 1 sen(�) � = � _ � 2 � � = 0 Considere que os estados do sistema s~ao x p := [z; �; _z; _ �] 0 e a representa�c~ao por vari�aveis de estados do sistema linearizado: _xp (t) = 2 6 6 4 0 0 1 0 0 0 0 1 0 a 1 a 2 a 3 0 a 4 a 5 a 6 3 7 7 5 x p (t) + 2 6 6 4 0 0 b 1 b 2 3 7 7 5 u(t) y(t) = � c 2 0 0 0 0 c 3 0 0 � x p (t): (1.1) 1.2. EXEMPLOS DE SISTEMAS DIN ^ AMICOS 5 onde x p (t) �e o vetor de estados, u(t) o vetor das vari�aveis de controle e y(t) o vetor de sa��da, e as vari�aveis escalares s~ao dadas por a 1 = � 1 d m 2 gl 2 ; a 2 = � 1 d c M (J m +ml 2 ) a 3 = 1 d c m l; a 4 = 1 d mgl(M +m) a 5 = 1 d c M ml; a 6 = � 1 d c m (M +m) b 1 = 1 d c 1 (J m +ml 2 ); b 2 = � 1 d c 1 ml d = (M +m)J m +mMl 2 ; (1.2) Um conjunto de valores num�ericos usado neste sistema pode ser encontrado, por exemplo em [1]. Na pr�atica, os valores dos coe�cientes de atrito c m e C M s~ao incertos, ou seja tem-se apenas uma no�c~ao de que faixa de valores que eles podem assumir. Assume-se que estes dois para^metros s~ao incertos com a seguinte varia�c~ao : c m � = (1 + � 1 )c m e C M � = (1 + � 2 )C M Com isso o sistema (1.1) pode ser reescrito como _x p (t) = A(�)x p (t) +Bu(t) y(t) = Cx p (t) (1.3) onde A(�) = 2 6 6 4 0 0 1 0 0 0 0 1 0 a 1 (1 + � 1 )a 2 (1 + � 2 )a 3 0 a 4 (1 + � 1 )a 5 (1 + � 2 )a 6 3 7 7 5 ; B = 2 6 6 4 0 0 b 1 b 2 3 7 7 5 ; C = � c 2 0 0 0 0 c 3 0 0 � (1.4) 1.2.1 Descri�c~ao das incertezas Um grande problema ao se trabalhar com sistemas incertos �e como tratar a incerteza na formula�c~ao �nal do problema, pois dependendo do tipo de incerteza, pode-se inserir mais restri�c~ao na busca de solu�c~ao do problema. Uma primeira alternativa seria descrever os poss��veis valores que a matriz A(�) pode assumir atrav�es de uma combina�c~ao convexa dos valores extremos assumidos pelas incertezas. Supondo que: � 2 B � = f � i : j� i j � � i , i = 1; :::; qg onde B � representa um politopo 1 com 2 q v�ertices, onde q �e o numeros de incertezas no problema. Para o exemplo suponhe-se que �� 1 < � 1 < � 1 e �� 2 < � 2 < � 2 e A(�) = A 1 q 1 +A 2 q 2 +A 3 q 3 +A 4 q 4 Com q 1 + q 2 + q 3 + q 4 = 1 e q i � 0, onde as matrizes A i s~ao constru��das nos v�ertices do Politopo, mostrado na Figura 1.3. 1 Politopo �e um conjunto convexo fechado, que pode ser representado pela combina�c~ao convexa dos v�ertices, ou por inequa�c~oes matriciais, para mais detalhes sobre politopo veja [2] 6 CAP � ITULO 1. SISTEMAS DIN ^ AMICOS INCERTOS A 1 (� 1 ; � 2 ) = 2 6 6 4 0 0 1 0 0 0 0 1 0 a 1 (1 + � 1 )a 2 (1 + � 2 )a 3 0 a 4 (1 + � 1 )a 5 (1 + � 2 )a 6 3 7 7 5 A 2 (�� 1 ; � 2 ) = 2 6 6 4 0 0 1 0 0 0 0 1 0 a 1 (1� � 1 )a 2 (1 + � 2 )a 3 0 a 4 (1� � 1 )a 5 (1 + � 2 )a 6 3 7 7 5 A 3 (� 1 ;�� 2 ) = 2 6 6 4 0 0 1 0 0 0 0 1 0 a 1 (1 + � 1 )a 2 (1� � 2 )a 3 0 a 4 (1 + � 1 )a 5 (1� � 2 )a 6 3 7 7 5 A 4 (�� 1 ;�� 2 ) = 2 6 6 4 0 0 1 0 0 0 0 1 0 a 1 (1� � 1 )a 2 (1� � 2 )a 3 0 a 4 (1� � 1 )a 5 (1� � 2 )a 6 3 7 7 5 (�� 1 ; � 2 ) � 2 � 1 (�� 1 ;�� 2 ) (� 1 ;�� 2 ) (� 1 ; � 2 ) Figura 1.3: Representa�c~ao de um politopo Este tipo de abordagem para descrever as incertezas �e conhecido como abordagem polit�opica e formalmente �e enunciada a seguir. De�ni�c~ao 1.2.1 A classe de matrizes A(�) com incertezas na forma polit�opica pode ser descrita pelo con- junto A = fA : A = j X i=1 q i A i ; j X i=1 q i = 1; q i � 0g (1.5) onde o conjunto A �e convexo, fechado e as matrizes A i s~ao conhecidas. ��� Uma caracter��stica 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 restri�c~oes de desigualdades e igualdades estiver satisfeito nos v�ertices, ent~ao garante-se que estas mesmas restri�c~oes est~ao satisfeitas no interior da regi~ao formada por estes v�ertices. Entretanto, surge o problema da explos~ao 1.2. EXEMPLOS DE SISTEMAS DIN ^ AMICOS 7 exponencial das condi�c~oes a serem testadas, pois ao testar, por exemplo, as condi�c~oes para um sistema com 3 elementos incertos, tem-se que veri�car 2 3 v�ertices, ou seja, tem-se que testar as condi�c~oes 8 vezes. Outra forma de declarar as incertezas, �e representar o sistema por LFT 2 (Linear Fractional Transformation). Basicamente, nesta formula�c~ao, busca-se representar o sistema incerto atrav�es de um sistema invariante no tempo interconectado a um bloco incerto, como no sistema realimentado mostrado na Figura 1.4. _x = A 0 x+ Ew z = Hx � w z Figura 1.4: Sistema LFT Assim pode-se descrever o sistema (1.3) n~ao for�cado, ou seja, somente a parte incerta, como: _x = A 0 x + Ew z = Hx (1.6) w = �z onde A 0 = 2 6 6 4 0 0 1 0 0 0 0 1 0 a 1 a 2 a 3 0 a 4 a 5 a 6 3 7 7 5 , E = 2 6 6 4 0 0 0 0 a 2 a 3 a 5 a 6 3 7 7 5 , H = � 0 0 1 0 0 0 0 1 � , � = � � 1 0 0 � 2 � Em geral, o bloco incerto � �e uma matriz bloco diagonal, limitada em norma. Com isso a incerteza na representa�c~ao LFT �e vista como uma restri�c~ao 3 . Note que esta forma de representa�c~ao �e equivalente a rede�nirmos a matriz incerta A(�) da seguinte forma: A(�) = A 0 +E�H . Desta forma pode-se apresentar a seguinte de�ni�c~ao De�ni�c~ao 1.2.2 A classe de matrizes A(�) com incerteza limitada em norma pode ser descrita pelo conjunto A = A(�) = fA : A = A 0 +E�Hg (1.7) onde � = diag(I i � i ) i : 1; :::; q e k�k � �. ��� Exemplo 2: Controle de Posi�c~ao Longitudinal de uma Aeronave O avi~ao F-8 �e um projeto antigo que tem sido utilizado pela NASA no seu projeto de pesquisa \ y-by-wire", [7]. Assumindo que a aeronave esteja voando a uma altitude constante em equil��brio, podemos linearizar as equa�c~oes aerodina^micas n~ao lineares. Desta forma, desacoplamos a dina^mica longitudinal da lateral, [8]. Pode-se caracterizar a dina^mica longitudinal da aeronave pela seguinte escolha de vari�aveis , veja detalhes na �gura (1.5). 2 Mais detalhes sobre sistemas na forma LFT podem ser obtidos em [3, 4, 5, 6]. 3 Veja exemplo (2.3.5). 8 CAP � ITULO 1. SISTEMAS DIN ^ AMICOS INCERTOS � �(t) �e a velocidade horizontal; � �(t) �e o a^ngulo de inclina�c~ao com a horizontal (\pitch angle"); � q(t) �e a taxa de varia�c~ao de �(t); � �(t) �e o a^ngulo de ataque; � �(t) = �(t)� �(t) �e o a^ngulo de voo. Para controlar o movimento longitudinal existem os \elevators", u e (t), e os \ aperons", u f (t), que s~ao iguais aos \elevators" exceto pelo movimentona mesma dire�c~ao. As vari�aveis mensur�aveis s~ao os a^ngulos de inclina�c~ao horizontal e de vo^o y(t) = � �(t) �(t) � 0 . Figura 1.5: De�ni�c~ao das Vari�aveis para a dina^mica longitudinal para o F-8 As rajadas de vento, w(t), provocam dist�urbios no movimento longitudinal do avi~ao, afetando primeiro o a^ngulo de ataque �(t). Outro problema a ser considerado �e a dina^mica 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 equa�c~oes linearizadas do movimento longitudinal do avi~ao F-8 pela seguinte represen- ta�c~ao por vari�aveis de estado ( _x(t) = A(�) x(t) + B u u(t) + B w w(t) y(t) = C x(t) (1.8) com u(t) = � u e (t) u f (t) � 0 e A(�) = 2 6 6 4 0 0 1 0 (1:5 + 0:1�) �(1:5 + 0:5�) 0 0:0057 �(12 + 1�) (12 + 1�) �(0:6 + 0:06�) �0:0344 �(0:8520+ 0:1�) (0:29 + 0:1�) 0 �0:014 3 7 7 5 ; B u = 2 6 6 4 0 0 0:16 0:8 �19 �3 �0:015 �0:0087 3 7 7 5 ; B w = � 0 1:71885 �13:7508 �0:332311 � 0 ; C = � 1 0 0 0 0 1 0 0 � 1.3. ATIVIDADES 9 A varia�c~ao param�etrica � e sua taxa de varia�c~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 perturba�c~ao do vento, apesar das varia�c~oes no para^metro � e das restri�c~oes nas entradas de controle (satura�c~ao): ju e (t)j � u e e ju f (t)j � u f . 1.3 Atividades 1. No exemplo (1) o efeito das perturba�c~oes externas n~ao foi modelado. Mas na pr�atica sabe-se que o sistema sempre sofre algum tipo de perturba�c~ao. Considere ent~ao que o sistema est�a sujeito a in ue^ncia de uma rajada de vento, na base do carrinho de dire�c~ao contr�aria �a for�ca aplicada e de intesidade de for�ca b w . Insira no modelo matem�atico esta perturba�c~ao. 2. Considerando o sistema do exemplo (2): � Obtenha a representa�c~ao polit�opica. � Obtenha a descri�c~ao na forma LFT, abaixo descrita, com incerteza limitada em norma; 8 > > > < > > > : _x = Ax+B p p+B u u+B w w q = C q x+D qp p+D qu u+D qw w y = C y x+D yp p+D yw w p = �q , j�j � � � O modelo (1.8) �e uma aproxima�c~ao linear em torno do ponto de equil��brio do sistema n~ao linear real. Como poder��amos 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 rela�c~ao aos seguintes itens: � Modelo Linear ou N~ao Linear; � Perturba�c~oes; � Incertezas; � Restri�c~oes no Controle; � Outras fontes de erro. 4. Considere o seguinte sistema meca^nico, visto na �gura (1.6). m y(t) ck F Figura 1.6: Sistema Massa-Mola-Amotecedor 10 CAP � ITULO 1. SISTEMAS DIN ^ AMICOS INCERTOS A equa�c~ao dina^mica de movimento do sistema pode ser descrita por: y + c m _y + k m y = F m onde y �e o deslocamento vertical, m �e a massa do bloco, k �e a constante da mola, c �e o coe�ciente de amortecimento e F �e a for�ca externa aplicada ao bloco. Suponha que os para^metros f��sicos k, c, n~ao s~ao conhecidos exatamente, mas acredita-se pertencerem a um intervalo conhecido. Em particular, o coe�ciente de amortecimento c encontra-se entre +=� 20% do seu valor nominal c 0 , e a constante da mola est�a entre +=� 30% do seu valor nominal k 0 . Introduzindo vari�aveis param�etricas � c , � k 2 B � = f�1; 1g, podemos rede�nir c, k como c = c 0 (1 + 0:2� c ) , k = k 0 (1 + 0:3� k ) Para o sistema acima, determine as representa�c~oes polit�opica e na forma LFT. Considere a seguinte de�ni�c~ao de vari�aveis: x 1 = y, x 2 = _y, u = F , � c = � 1 e � k = � 2 . 1.4 Refere^ncias Complementares Alem das refere^ncias j�a citadas, pode-se buscar mais informa�c~oes a respeito de controle Robusto e sistemas com incertezas nos livros [16, 17, 18], nas disserta�c~oes de mestrado [19, 20, 21] e nos exames de quali�ca�c~ao [22, 23]. Cap��tulo 2 Estabilidade e Performance de Sistemas por LMIs 2.1 Introdu�c~ao A teoria de controle robusto evoluiu consideravelmente ao longo das �ultimas d�ecadas, apresentando solu�c~oes para v�arios tipos de problemas de An�alise, Performance e S��ntese de sistemas lineares incertos. Essas solu�c~oes faziam uso de um ferramental diverso, envolvendo problemas de otimiza�c~ao, teorema do pequeno ganho, equa�c~oes de Riccati, valores singulares (�-analysis), fun�c~oes de pondera�c~ao, transforma�c~oes lineares, teoria estat��stica, entre outras. Recentemente, as inequa�c~oes matriciais lineares (LMI) se tornaram, com o surgimento de pacotes compu- tacionais e�cientes, uma excelente ferramenta na procura de solu�c~oes para os mais diversos problemas de controle. Uma das grandes virtudes da abordagem LMI �e a de possibilitar o tratamento simulta^neo de v�arios requisitos de performance e robustez. Neste cap��tulo, apresentamos os conceitos b�asicos para formula�c~ao LMI na an�alise e performance de sistemas lineares para os casos invariante no tempo e incerto. Para tal, este cap��tulo esta dividido da seguinte maneira. � Se�c~ao (2.2): revis~ao da Teoria de estabilidade de Lyapunov, conceito de estabilidade quadr�atica, exem- plos de an�alise de estabilidade e inequa�c~ao matricial de Lyapunov. � Se�c~ao (2.3): a inequa�c~ao de Lyapunov dentro da abordagem LMI, ferramentas matem�aticas mais utilizadas para obten�c~ao da formula�c~ao LMI e exemplos de aplica�c~ao. � Se�c~ao (2.4): pacotes computacionais para solu�c~ao de problemas LMI, complexidade computacional e exemplos. � Se�c~ao (2.5): crit�erios de desempenho (performance) de sistemas, normas H 2 e H 1 de sistemas e exemplos de determina�c~ao das normas por LMIs. � Se�c~ao (2.6): exerc��cios e atividades complementares. � Se�c~ao (2.7): refere^ncias bibliogra�cas complementares. Nota�c~ao Neste texto utiliza-se a nota�c~ao usual. I n indica uma matriz identidade de ordem n � n, 0 n�m indica uma matriz de zeros de ordem n�m e 0 n indica uma matriz de zeros n� n. P > 0 (� 0) signi�ca que P �e uma matriz sim�etrica de�nida positiva (semi-de�nida positiva). A derivada temporal da fun�c~ao v(t) �e simbolizada por _v(t) onde o argumento (t) ser�a sempre omitido. A regi~ao polit�opica B � representa os valores admiss��veis das incertezas. A regi~ao B x representa uma regi~ao na vizinhan�ca da origem do espa�co de estados x(t). 11 12 CAP � ITULO 2. ESTABILIDADE E PERFORMANCE DE SISTEMAS POR LMIS 2.2 Estabilidade Quadr�atica A estabilidade de um ponto de equil��brio �e usualmente caracterizada pela teoria de Lyapunov. Intuitivamente, a estabilidade de um sistema dina^mico est�a relacionada com a fun�c~ao \energia" deste sistema. Se a fun�c~ao energia do sistema �e sempre n~ao negativa e decrescente com rela�c~ao ao tempo, as trajet�orias do sistema tendem �a origem 1 . Fazendo uma an�alise mais gen�erica, a teoria de Lyapunov garante, para sistemas invariantes no tempo, que o ponto de equil��brio �e est�avel se existe uma fun�c~ao escalar (tipo energia) v(x) tal que: � v(x) > 0 , 8 x 6= 0 2 B x , e � _v(x) < 0 , 8 x 6= 0 2 B x onde B x caracteriza uma regi~ao na vizinhan�ca do ponto de equil��brio (origem). A caracteriza�c~ao de estabilidade para sistemas variantes no tempo deve ser maisrigorosa que a condi�c~ao acima. Considere o seguinte sistema n~ao linear, variante no tempo. _x = f(t; x) (2.1) com f(t; 0) = 0, onde x representa o vetor de estados e f(t; x) : [0;1)� R n 7! R n satisfaz as condi�c~oes de existe^ncia e unicidade de solu�c~ao. O pr�oximo teorema caracteriza a estabilidade segundo Lyapunov para o sistema (2.1), a prova e maiores detalhes sobre este teorema s~ao encontrados em [24]. Teorema 2.2.1 (Estabilidade Segundo Lyapunov) Seja v(t; x) : [0;1) � B x 7! R uma fun�c~ao continuamente diferenci�avel e sejam � 1 (�), � 2 (�), � 3 (�) fun�c~oes de classe K tais que as seguintes condi�c~oes sejam satisfeitas para todo t � t 0 e todo x 2 B x . � 1 (kxk) � v(t; x) � � 2 (kxk) _v(x) � �� 3 (kxk) (2.2) Logo, as seguintes senten�cas s~ao verdadeiras. � A origem do sistema �e Uniformemente Assint�oticamente Est�avel. � Se existirem constantes positivas � 1 , � 2 , � 3 , tal que � � 1 (kxk) � � 1 kxk � , � 2 (kxk) � � 2 kxk � e � 3 (kxk) � � 3 kxk � , ent~ao a origem do sistema �e exponencialmente est�avel. ��� Note que, se todas as condi�c~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 quali�ca�c~ao uniformemente pode ser suprimida. Uma das maiores di�culdades na utiliza�c~ao do teorema (2.2.1) �e a da obten�c~ao de uma fun�c~ao de Lypunov adequada para representar a estabilidade de um sistema dina^mico. Note que este teorema prop~oem con- di�c~oes apenas su�cientes 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 equil��brio de interesse do sistema dina^mico. 2 Para sistemas lineares as condi�c~oes de estabilidade s~ao sempre globais. 3 No caso de sistemas lineares invariantes no tempo, as condi�c~oes s~ao necess�arias e su�cientes. 2.2. ESTABILIDADE QUADR � ATICA 13 A classe de fun�c~oes escalares v(x) para a qual a de�ni�c~ao de sinal pode ser facilmente veri�cada �e a das fun�c~oes quadr�aticas v(x) = x 0 Px (2.3) onde P �e uma matriz constante, real e sim�etrica. Por exemplo, a condi�c~ao v(x) = x 0 Px > 0 para todo x 2 B x �e equivalente a determinarmos uma matriz P = P 0 > 0. Se exisir uma matriz P satisfazendo as condi�c~oes do teorema (2.2.1) dizemos que o sistema dina^mico �e quadraticamente est�avel e que v(x) �e fun�c~ao de Lyapunov quadr�atica. Observe que, como estamos restringindo a classe de fun�c~oes candidatas a Lyapunov, a estabilidade quadr�atica �e potencialmente restritiva. O pr�oximo corol�ario prop~oe condi�c~oes su�cientes para an�alise de estabilidade de sistemas na forma (2.1) considerando as fun�c~oes na forma quadr�atica (2.3). Corol�ario 2.2.1 (Estabilidade Quadr�atica) Seja B x uma regi~ao na vizinhan�ca da origem. O sistema (2.1) �e quadraticamente est�avel se existirem escalares positivos � 1 , � 2 , � 3 e uma matriz P sim�etrica tal que as seguintes condi�c~oes estejam satisfeitas para todo x 2 B x e todo t > t 0 . � 1 x 0 x � v(x) = x 0 Px � � 2 x 0 x _v(x) � �� 3 x 0 x (2.4) Em caso a�rmativo, v(x) = x 0 Px �e uma fun�c~ao de Lyapunov para a origem do sistema (2.1). ��� Exemplo 2.2.1 (An�alise de Estabilidade de um sistema LTI) Considere o seguinte sistema linear invariante no tempo (LTI). _x = Ax (2.5) onde x representa os estados do sistema e A �e uma matriz constante. Utilizando a no�c~ao de estabilidade quadr�atica, obtenha uma condi�c~ao su�ciente para a estabilidade do sistema (2.5). ) Solu�c~ao: Para determinarmos a estabilidade quadr�atica de um sistema linear invariante no tempo, devemos procurar uma fun�c~ao de Lyapunov v(x) > 0 tal que _v(x) < 0. Considere uma fun�c~ao quadr�atica, v(x) = x 0 Px, e o sistema (2.5). A express~ao de _v(x) �e dada por: _v = _x 0 Px+ x 0 P _x = x 0 (A 0 P + PA)x Ent~ao, podemos escrever que: v(x) > 0 , 9 P = P 0 > 0 e _v(x) < 0 , (A 0 P + PA) < 0. Logo, uma condi�c~ao necess�aria e su�ciente para este sistema ser globalmente quadraticamente est�avel �e: 9 P = P 0 > 0 : A 0 P + PA < 0 (2.6) A rela�c~ao acima �e conhecida na literatura como inequa�c~ao de Lyapunov para sistemas lineares. 14 CAP � ITULO 2. ESTABILIDADE E PERFORMANCE DE SISTEMAS POR LMIS 444 Exemplo 2.2.2 Determine analiticamente a estabilidade do seguinte sistema LTI, utilizando as condi�c~oes propostas no exemplo anterior. � _x 1 _x 2 � = � �1 0 0 �1 � � x 1 x 2 � (2.7) Considere a fun�c~ao de Lyapunov: v(x) = x 0 Px com P dado por: P = � a 0 0 b � ) Solu�c~ao: O sistema (2.7) �e quadraticamente est�avel se: � 9 a > 0, b > 0 tais que A 0 P + PA < 0 ) � �1 0 0 �1 � � a 0 0 b � + � a 0 0 b � � �1 0 0 �1 � = � �a 0 0 �b � + � �a 0 0 �b � = � �2a 0 0 �2b � < 0 � Isto �e, 9 P = P 0 > 0 8 a; b > 0 tal que A 0 P + PA < 0, assegurando a estabilidade do sistema. Logo, o sistema LTI (2.7) �e quadraticamente est�avel. 444 Exemplo 2.2.3 (Sistema Linear a Para^metro Variante - LPV) Um sistema linear variante no tempo (LTV) �e um sistema linear governado por equa�c~oes de estado na forma ( _x = A(t)x +B(t)u y = C(t)x+D(t)u (2.8) onde as matrizes da representa�c~ao, A(t), B(t), C(t), D(t), dependem do tempo. A busca de solu�c~ao para problemas nesta representa�c~ao, exige o conhecimento da depende^ncia temporal e da representa�c~ao de estados fA(t); B(t); C(t); D(t)g, para uma solu�c~ao geral em tempo real. Devido a esta di�culdade, a representa�c~ao de sistemas nesta formula�c~ao n~ao apresenta grande interesse pr�atico, [22]. Visando solucionar problemas de controle de sistemas LTV, podemos parametrizar a depende^ncia temporal das matrizes A, B, C e D. Os sistemas que admitem esta parametriza�c~ao s~ao conhecidos como lineares a para^metro variante (LPV) e s~ao apresentados a seguir. ( _x = A(�(t))x +B(�(t))u y = C(�(t)) +D(�(t))u (2.9) onde �(t) representa o vetor de para^metros incertos, limitados a um conjunto de valores admiss��veis B � 4 . Note que: 4 Em alguns casos os valores da taxa de varia�c~ao, _ �(t), tamb�em s~ao limitados a uma dada regi~ao de valores admiss��veis. 2.3. INEQUAC� ~ OES MATRICIAIS LINEARES - LMI 15 � Esta representa�c~ao n~ao �e gen�erica mas existem in�umeros problemas pr�aticos que admitem esta formu- la�c~ao. � A depende^ncia temporal da representa�c~ao de estado aparece atrav�es da depende^ncia param�etrica �(t). � Os sistemas LPV admitem uma representa�c~ao polit�opica ou limitada em norma. O sistema (2.9) n~ao for�cado, u(t) = 0, �e quadraticamente est�avel se existe uma matriz P sim�etrica, de�nida positiva, tal que a seguinte condi�c~ao seja satisfeita para todo � 2 B � : A(�) 0 P + PA(�) < 0 , 8 � 2 B � (2.10) Em caso a�rmativo, v(x) = x 0 Px �e uma fun�c~ao de Lyapunov para a origem do sistema (2.9) n~ao for�cado. 444 Observe que a condi�c~ao proposta no exemplo (2.2.3) �e um problema de dimens~ao in�nita. Entretanto, como veremos a seguir, este problema torna-se um problema fact��vel de dimens~ao �nita. A determina�c~ao num�erica de fun�c~oes de Lyapunov para sistemas incertos pode ser obtida atrav�es do \framework" LMI, se�c~ao (2.3).2.3 Inequa�c~oes Matriciais Lineares - LMI O uso de Inequa�c~oes Matriciais Lineares(LMIs), na teoria de controle come�cou a se desenvolver apartir da d�ecada de 80, com a cria�c~ao e aperfei�coamento de algoritmos de otimiza�c~ao convexa, como pontos interiores. A partir de ent~ao muitos dos resultados usuais da teoria de controle e sistemas, est~ao sendo reescritos como LMIs. Veja por exemplo [25, 26]. Mas o que �e uma LMI? LMIs s~ao Inequa�c~oes Matriciais Lineares, cuja sigla vem do Ingle^s \ Linear Matrix Inequalities". Matema- ticamente ela �e de�nida como: De�ni�c~ao 2.3.1 Uma LMI tem a seguinte estrutura F (x) � = F 0 + m X i=1 x i F i > 0 (2.11) onde x = (x 1 ; x 2 ; :::; x m ) �e o vetor de vari�aveis de decis~ao; F i 2 R n�n para i = 0; :::;m s~ao matrizes sim�etricas dadas. ��� Normalmente uma LMI n~ao aparece na forma (2.11), mais sim na forma matricial como a inequa�c~ao de Lyapunov (2.6). Para reescrever esta inequa�c~ao na forma (2.11), busca-se encontrar os valores de F i tal que: F (P ) = A 0 P + PA = F 0 + X x i F i x i = fP kj ; :::P nn g (2.12) No exemplo a seguir, note que a transposi�c~ao da forma (2.11), para a forma matricial �e apenas uma quest~ao de nota�c~ao. Entretanto, esta transforma�c~ao n~ao �e necess�aria, j�a que a forma matricial �e a forma padr~ao de entrada dos pacotes computacionais existentes. 16 CAP � ITULO 2. ESTABILIDADE E PERFORMANCE DE SISTEMAS POR LMIS Exemplo 2.3.1 Considere _x = � �1 1 1 �2 � x (2.13) pela condi�c~ao de estabilidade de Lyapunov este sistema ser�a est�avel se 9P > 0 tal que V (x) = x 0 Px > 0 com P > 0 e _ V (x) = x 0 (A 0 P + PA)x < 0, onde P = � P 1 P 2 P 0 2 P 4 � . Fazendo x 1 = P 1 ; x 2 = P 2 ; x 3 = P 0 2 ; x 4 = P 4 ; em (2.12) tem-se que � �1 1 1 �2 � 0 P + P � �1 1 1 �2 � = F 0 + P 1 F 1 + P 2 (F 2 + F 3 ) + P 4 F 4 Resolvendo a multiplica�c~ao matricial em (2.12) e igualando com (2.11) obt�em-se F 1 = � �2 1 1 0 � ; F 2 = � 1 �3 0 1 � ; F 3 = � 1 0 �3 1 � ; F 4 = � 0 1 1 2 � 444 Note que um conjunto de n LMIs pode ser visto como uma �unica LMI. Por exemplo, procurar a solu�c~ao de F 1 (x) > 0, F 2 (x) > 0, ... F n (x) > 0 �e equivalente a procurar a solu�c~ao para F (x) = diag(F 1 (x); : : : F n (x)) > 0; onde diag(F 1 (x); : : : F n (x)) �e uma matriz bloco diagonal com F 1 (x); : : : F n (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 existe^ncia de pacotes computacionais para a sua solu�c~ao num�erica de forma e�ciente. Outro ponto de suma importa^ncia �e que na abordagem LMI a busca de solu�c~oes para problemas mais complexos, principalmente quando h�a presen�ca de elementos incertos, pode ser simpli�cada devido as propriedades de convexidade e linearidade. 2.3.1 Propriedades de LMI � Linearidade Na realidade a fun�c~ao F (x) �e uma fun�c~ao a�m, pois em (2.11) para x=0 tem-se F (0) = F 0 . Mas tornou-se usual chama-la de LMI pois tem-se que esta inequa�c~ao a�m pode facilmente ser transposta numa inequa�c~ao linear pela simples troca de coordenadas. Para mais detalhes veja [21, 2]. � Convexidade De�ni�c~ao 2.3.2 Um conjunto X �e convexo se 8x; y 2 R e todo � com 0 � � < 1 tem-se �x + (1� �)y 2 X ��� Ou seja um conjunto X ser�a convexo se para quaisquer dois pontos x e y 2 X o segmento de reta unindo estes pontos tamb�em perten�ca a este conjunto. Pela teoria dos conjuntos tem-se que todo conjunto a�m ser�a sempre convexo 5 . Ent~ao tem-se que o conjunto solu�c~ao de uma LMI sendo a�m �e tamb�em convexo. Note que uma LMI ser�a tamb�em convexa nos dados se as matrizes F i s~ao a�ns em �. 5 O contr�ario n~ao �e verdade, pois nem todo conjunto convexo �e a�m, veja por exemplo o caso de um cubo no R n , que �e convexo mas n~ao a�m. 2.3. INEQUAC� ~ OES MATRICIAIS LINEARES - LMI 17 A caracter��stica de convexidade �e das mais importantes propriedades das LMI, pois facilita, principalmente, a busca de solu�c~ao para sistema incertos. Por exemplo, considere que no exemplo anterior a matriz A na equa�c~ao (2.13) dependa de �, ou seja, A(�) = � �1 1 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 � = f� min � � � � max g. Note que para veri�car a estabilidade deste sistema temos que testar a condi�c~ao de Lyapunov (2.6) para todos os valores de � 2 B � , ou seja, encontrar uma matriz positiva de�nida P tal que 8� 2 B � : A(�) 0 P + PA(�) < 0 Note que este �e um problema de dimens~ao in�nita, de di�cil solu�c~ao. Mas como a matriz A(�) �e a�m em � e aparece de forma linear na inequa�c~ao de Lyapunov, pode-se pela propriedade de convexidade testar a condi�c~ao acima apenas para os v�ertices da regi~ao B � . Ou seja, se existe uma matriz P > 0 tal que A(� min ) 0 P + PA(� min ) < 0 A(� max ) 0 P + PA(� max ) < 0 garantimos, assim, que para toda a regi~ao B � o sistema ser�a est�avel e v(x) = x 0 Px ser�a uma fun�c~ao de Lyapunov para o sistema. 2.3.2 Ferramentas para a formula�c~ao de um problema de controle em uma LMI Nem todo resultado da teoria de controle aparece diretamente na forma de uma LMI, como a equa�c~ao de Lyapunov. Mas algumas ferramentas da �algebra matricial ajudam a transpor estes resultados para uma formula�c~ao LMI. As ferramentas mais utilizados durante este curso ser~ao enunciadas nesta se�c~ao, outros resultados podem ser visto em [25]. Complemento de Schur O Complemento de Schur �e um resultado da Teoria de Matrizes, que ajuda na transforma�c~ao de inequa�c~oes n~ao lineares para a forma de LMI. Muitos dos resultados j�a existentes da teoria de controle s~ao postos na forma LMI, pelo aplica�c~ao deste resultado. De�ni�c~ao 2.3.3 (Complemento de Schur) Sejam Q; R; S matrizes de dimens~oes compat��veis, com Q, R sim�etricas. Ent~ao as seguintes condi�c~oes s~ao equivalentes para o: � caso estrito � Q S S 0 R � > 0() R > 0; Q� SR �1 S 0 > 0 (2.14) � caso n~ao estrito � Q S S 0 R � � 0() R � 0; Q� SR + S 0 � 0; S(I �RR + ) = 0 (2.15) onde R + �e a pseudo-inversa da matriz R. ��� A prova deste resultado pode ser vista em [25] 18 CAP � ITULO 2. ESTABILIDADE E PERFORMANCE DE SISTEMAS POR LMIS Exemplo 2.3.2 Considere a desigualdade matricial para veri�car a performance H 1 do seguinte sistema: _x = Ax+Bu y = Cx dada por A 0 P + PA+ PBB 0 P + C 0 C < 0 (2.16) com P = P 0 > 0; sendo as vari�aveis. Perceba que a inequa�c~ao (2.16) n~ao �e linear em P . Aplicando o complemento de Schur com: Q = A 0 P + PA+ C 0 C S = PB R = �I Obt�em-se a seguinte LMI equivalente �a (2.16) � A 0 P + PA+ C 0 C PB B 0 P �I � < 0 (2.17) 444 S-Procedure O S-Procedure �e empregado para se obter uma formula�c~ao LMI para a seguinte classe de problemas. Garantir que : f 1 (x) > 0 8x : f 2 (x) � 0 O caso de desigualdades estritas ser�a apresentado a seguir. O caso de desigualdades n~ao estritas pode ser encontrado em [25]. De�ni�c~ao 2.3.4 (S-Procedure)Sejam T 0 ; ::::; T p 2 R n�n matrizes sim�etricas, considere a seguinte con- di�c~ao em T 0 ; ::::; T p : T T 0 > 0 8 6= 0 e T T i � 0; i = 1; :::; p: (2.18) Ent~ao (2.18) �e veri�cada se existem escalares � i > 0 tais que T 0 � p X i=1 � i T i > 0 (2.19) Al�em disso (2.19) e (2.18) s~ao equivalentes quando p = 1. Quando T i s~ao fun�c~oes a�ns de um conjunto de para^metros a condi�c~ao (2.19) ainda implica (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 restri�c~ao veja o Cap. 5 de [25]. 2.3. INEQUAC� ~ OES MATRICIAIS LINEARES - LMI 19 O problema �e encontrar P tal que: � � � � 0 � A 0 P + PA PB B 0 P 0 �� � � � < 0 , 8 � : � 0 � � � 0 C 0 C� (2.20) A primeira restri�c~ao em � e � pode ser reescrita como: � � � � 0 � �CC 0 0 0 I �� � � � � 0 (2.21) Aplicando S-Procedure a restri�c~ao 2.20 �e equivalente a existe^ncia de � � 0 tal que: � A 0 P + PA+ �C 0 C PB B 0 P ��I � < 0 que �e uma LMI em P e � . 444 Lema de Finsler O resultado a seguir �e uma particularidade do Lema de Finsler [25]. Este resultado ser�a bastante utilizado para a elimini�c~ao de vari�aveis no caso de sistemas com para^metros incertos e tamb�em no caso de sistemas n~ao lineares. De�ni�c~ao 2.3.5 (Lema de Finsler - Particularidade) Dada a matriz sim�etrica e a matriz C a de dimens~oes compat��veis e seja X uma matriz tal que C a X = 0. Ent~ao tem-se que x 0 x < 0 (2.22) se e somente se 9 L tal que + LC a + C 0 a L 0 < 0 (2.23) ��� Exemplo 2.3.4 O tipo de restri�c~ao a seguir aparece no problema de an�alise da estabilidade de sistemas Descritores [27]. Encontre P tal que: � x z � 0 � J 0 1 P + PJ 1 J 2 P PJ 0 2 0 � � x z � < 0; 8 � x z � : � J 3 J 4 � � x z � = 0 (2.24) Aplicando o lema de Finsler, obt�em-se a representa�c~ao LMI: � J 0 1 P + PJ 1 J 2 P PJ 0 2 0 � + L � J 3 J 4 � + � J 3 J 4 � 0 L 0 (2.25) 444 20 CAP � ITULO 2. ESTABILIDADE E PERFORMANCE DE SISTEMAS POR LMIS D-G scaling Este resultado foi proposto inicialmente em [28]. Ser�a apresentada aqui a forma proposta por [29]. Esta t�ecnica permite tratar de forma convexa problemas com restri�c~oes de estrutura do tipo Limitada em Norma, ou seja,veri�car se f(p; q) > 0 8 p; q : p = �q; j�j � � onde p; q s~ao vetores auxiliares, � um escalar cujo m�odulo �e limitado por �. De�ni�c~ao 2.3.6 (D-G scaling) Seja p 2 R k e q 2 R k . Ent~ao existe um escalar � tal que p = �q 8� j�j � � se e somente se existem matrizes D; G 2 R n i �n i tais que � p 0 Dp � � 2 q 0 Dq; D > 0 p 0 Gq � q 0 Gp; G = �G 0 ; (2.26) ��� O resultado acima permite transformar restri�c~oes do tipo limitada em norma em desigualdades do tipo (2.26), que podem ser tratadas pelo S-procedure Exemplo 2.3.5 Considere o sistema LPV, abaixo descrito _x = Ax+Bp q = Cx+Dp (2.27) p = �q , k�k � � �1 onde a matriz � representa os para^metros incertos do sistema na forma � = diagfI i � i g. O sistema (2.27) �e est�avel se existir uma matriz P > 0 sim�etrica que satizfa�ca a seguinte condi�c~ao: � x p � 0 � A 0 P + PA PB B 0 P 0 � � x p � < 0 , 8 k�k � � �1 (2.28) A limita�c~ao em norma pode ser transformada em uma condi�c~ao do tipo � 0 F(�)� � 0 aplicando a t�ecnica do DG Scaling: � 2 p 0 Sp � q 0 Sq , S = S 0 , S > 0 p 0 Gq � q 0 Gp = 0 , G = �G 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 p � 0 � �C 0 SC �(C 0 SD + C 0 G) �(D 0 SC �GC) �(D 0 SD � � 2 S +D 0 G�GD) �� x p � � 0 (2.30) Aplicando o S-Procedure, a condi�c~ao (2.28) �e reescrita na seguinte formula�c~ao LMI: � A 0 P + PA+ C 0 SC (PB + C 0 SD + C 0 G) (B 0 P +D 0 SC �GC) (D 0 SD � � 2 S +D 0 G�GD) � < 0 444 2.4. PACOTES COMPUTACIONAIS 21 2.3.3 Problema LMI: Formula�c~ao e Solu�c~ao Um problema LMI pode ser dividido em tre^s categorias. � Problema de Factibilidade Encontrar a solu�c~ao x tal que F (x) > 0 � Problema de minimiza�c~ao de uma fun�c~ao objetivo linear: Encontrar a solu�c~ao x tal que min x h(x) sujeito �a � F (x) > 0 G(x) = 0 (2.31) � Problema de minimiza�c~ao de autovalores generalizados 6 Encontrar a solu�c~ao x tal que min � sujeito �a 8 < : A(x) < �B(x) B(x) > 0 C(x) < 0 (2.32) onde h(x), F(x), G(x), A(x), B(x) e C(x) s~ao fun�c~oes a�ns em x. A busca da solu�c~ao num�erica para estes problemas �e uma problema de Programa�c~ao Semi De�nida(SDP). Diversos pacotes computacionais tem sido testados para a solu�c~ao deste problema. Na pr�oxima se�c~ao tem-se uma r�apida vis~ao sobre os pacote computacionais existentes para a solu�c~ao de SDP. 2.4 Pacotes Computacionais Com o surgimento de algoritmos de pontos interiores para a solu�c~ao de problemas de otimiza�c~ao convexa, tornou-se poss��vel solucionar numericamene LMIs de forma mais r�apida e e�ciente. Desde ent~ao muitas pesquisas vem sendo desenvolvidas para a cria�c~ao ou melhora de pacotes computacionais para a solu�c~ao de problemas de otimiza�c~ao convexa. Os pacotes computacionais mais conhecidos para a solu�c~ao de LMIs s~ao � LMIlab presente no Matlab que usa o M�etodo Projetivo, criado por Nesterov e Nemirovskii [30] para a solu�c~ao do problema. Mais detalhes sobre o LMIlab podem ser obtido em[31]. � LMITOOL presente no Scilab e Matlab que usa o M�etodo Primal-Dual desenvolvido por [32] . Al�em destes dois m�etodos de solu�c~ao existem novas abordagens, que buscam melhorar estes algoritmos, buscando principalmente uma melhor e�cie^ncia do m�etodo para sistemas esparsos. Mais detalhes sobre estes m�etodos podem ser vista em [26]. Neste curso, iremos utilizar o LMITOOL, do Scilab para a solu�c~ao de LMIs. Mais detalhes sobre o LMITOOL podem ser obtido no site: www.rocq.inria.fr/scilab Um exemplo da aplica�c~ao do LMITOOL �e dada no �nal desta se�c~ao. 6 Este �e uma problema de otimiza�c~ao quasi convexa 22 CAP � ITULO 2. ESTABILIDADE E PERFORMANCE DE SISTEMAS POR LMIS 2.4.1 Complexidade computacional Como j�a salientamos, umas das mais importantes vantagens no uso de LMI �e a existe^ncia de pacotes compu- tacionais para a sua solu�c~ao. Mas como todo problema de otimiza�c~ao convexa, ou SDP(programa�c~ao semi- de�nida ), pode-se ter di�culdades num�ericas na busca de solu�c~oes de uma LMI. Algumas destas di�culdades podem ocorrer devido ao mal condicionamento num�erico dos dados, capacidade de mem�oria das m�aquinas, erros de precis~ao. Outro grande problema �e o esfor�co computacional necess�ario para solucionar as LMIs. Grandes progressos foram feitos com o uso de algoritmos de pontos interiores para a sua solu�c~ao, garantindo a solu�c~ao do problema em ordem polinomial, ao inv�es da ordem exponencial dada por outros algoritmos. Uma aproxima�c~ao da ordem de grandeza do numero de opera�c~oes �e dada por: Primal dual: O(m � L � ) Projetivo: O(Lm 3 log(V=�))onde m �e o n�umero de vari�aveis e L �e o n�umero de LMIs e � � = 2:1 e � � = 1:2. Perceba que o n�umero de opera�c~oes para a solu�c~ao do problema via LMI, �e dependente do n�umeros de LMIs e do n�umeros de vari�aveis a ser buscada. Os softwares hoje existentes s~ao capazes de manipular algumas centenas de vari�aveis de decis~ao. 2.4.2 Exemplo de Aplica�c~ao do LMITOOL Para exempli�car o uso do LMITOOL do scilab, considere o caso de an�alise da estabilidade do seguinte sistema: _x = A(�)x onde A(�) = � �1 1 1 + � 1 �2 + � 2 � (2.33) Busca-se veri�car para que valores de � i 2 B � f� i : j� i j < � i g o sistema ser�a quadraticamente est�avel. Em muitos casos �e de interesse pr�atico obter uma fun�c~ao de Lyapunov que tenha um sinal de energia m��nimo. Aqui s�o para ilustrar, vamos supor que a matriz P da fun�c~ao de Lyapunov deva ter os autovalores mais pr�oximos poss��veis de 1. ) Solu�c~ao: � Considere primeiro o caso nominal, ou seja, � i = 0. Aplicando a inequa�c~ao de Lyapunov para veri�car a estabilidade busca-se encontrar P > 0 tal que v(x) = x 0 Px > 0 e _v(x) < 0. Para aproximar P da identidade, buca-se minimizar o tra�co(P) para P � I . O programa para solu�c~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 ///////////DEFINE INITIAL GUESS AND PRELIMINARY CALCULATIONS BELOW p_init=eye(A); /////////// XLIST0=list(p_init) XLIST=lmisolver(XLIST0,lyap_eval,options) [p]=XLIST(:) /////////////////EVALUATION FUNCTION//////////////////////////// function [LME,LMI,OBJ]=lyap_eval(XLIST) [p]=XLIST(:) /////////////////DEFINE LME, LMI and OBJ BELOW LME=list() LME(1)=p-p'; LMI=list() LMI(1)=-(A'*p+p*A); LMI(2)=p-eye(p); OBJ=trace(p) E a sa��da do programa �e [p]=lyap(A) Construction of canonical representation Basis Construction FEASIBILITY PHASE. primal obj. dual obj. dual. gap 1.00e-05 -1.49e+03 1.49e+03 -1.25e+03 -1.49e+03 2.41e+02 Target value reached feasible solution found OPTIMIZATION PHASE. OPTIMIZATION PHASE. primal obj. dual obj. dual. gap 3.51e+03 -1.75e+02 3.69e+03 1.37e+02 -6.19e+00 1.43e+02 1.12e+01 -6.08e+00 1.73e+01 1.00e-00 -7.20e-01 1.72e+00 7.88e-02 -2.45e-01 3.24e-01 ... .... .... 1.30e-08 -2.18e-08 3.48e-08 24 CAP � ITULO 2. ESTABILIDADE E PERFORMANCE DE SISTEMAS POR LMIS 1.27e-09 -1.70e-09 2.97e-09 optimal solution found p = ! 1. 5.683E-10 ! ! 5.683E-10 1. ! � Agora vamos analisar a estabilidade para o sistema incerto. Tem-se que achar para que valores de � i , o sistema continua quadraticamente est�avel. Como vimos no Cap��tulo 1, pode-se descrever as incertezas de duas formas, atrav�es da abordagem polit�opica ou da Limitada em Norma. A solu�c~ao para a abordagem Politopica ser�a dada a seguir. O caso de incertezas na forma Limitada em Norma �car�a como exerc��cio. Abordagem Politopica Considere que j� 1 j < � e j� 2 j < �. O problema �e encontrar para que valores de � e � o sistema continua quadraticamente est�avel. Veja que como tem-se 2 para^metros incertos, testa-se a LMI: A 0 P + PA < 0 para a combina�c~ao dos v�ertices. Ou seja 2 para^metros incertos, tem-se 2 2 = 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 obt�em-se optimal solution found p = ! 1.1783701 - 0.0151278 ! ! - 0.0151278 1.001283 ! com � = 0:4 e � = 0:59. 444 Al�em do problema de an�alise da estabilidade, outro problema �e garantir que o sistema tenha algum tipo de performance garantida. Esta classe de problemas pode ser tamb�em resolvida atrav�es de LMIs, como ser�a visto na pr�oxima se�c~ao. 2.5 Normas de Sistemas Um dos principais objetivos dos sistemas de controle �e o de atingir certas especi�ca�c~oes de performance al�em de garantir a estabilidade interna. Certamente, uma medida da energia de determinados sinais de interesse �e uma das maneiras mais utilizadas para atender os requisitos de performance, pois podemos ter uma id�eia do grau de in ue^ncia da perturba�c~ao externa sobre a sa��da de interesse (ou vari�avel de performance). Relembrando que: � as perturba�c~oes consistem de dist�urbios externos (temperatura ambiente, rajadas de vento, etc.) e ru��dos de medi�c~ao, � os componentes da vari�avel de performance s~ao todos os sinais os quais desejamos controlar ou que forne�cam alguma informa�c~ao importante para a dina^mica do sistema (sinal de erro, sinal de controle, etc.), o objetivo nesta se�c~ao �e veri�car se a vari�avel de performance se mant�em pequena na presen�ca do sinal de perturba�c~ao. Considere a seguinte classe de sistemas LTI ( _x = Ax+B w w z = Cx+D w w (2.34) com x 2 R n denotando o vetor de estados, w 2 R r denotando o vetor das entradas de pertuba�c~ao e z 2 R q denotando o vetor das sa��das de interesse. Para este sistema o operador perturba�c~ao/sa��da de interesse 7 G wz �e dado por: G wz (s) = C(sI �A) �1 B w +D w . Portanto, a performance do sistema depende do tamanho do operador entre w(t) e z(t), que denotaremos por G wz . Uma quest~ao que se coloca �e: Como medir o tamanho do operador G wz ?. As duas maneiras mais comuns e com signi�cado f��sico para quanti�car o tamanho de sistemas s~ao as normas H 2 e H 1 . Na seque^ncia desta se�c~ao, apresentamos as de�ni�c~oes de norma H 2 e H 1 para sistemas lineares invariantes no tempo (LTI). Para tal, vamos primeiro de�nir a classe de sistemas a ser considerada nesta se�c~ao. 7 No caso monovari�avel �e a pr�opria fun�c~ao de transfere^ncia. 26 CAP � ITULO 2. ESTABILIDADE E PERFORMANCE DE SISTEMAS POR LMIS 2.5.1 Norma H 2 Quando as perturba�c~oes que afetam o sistema s~ao sinais de forma conhecida, �e poss��vel represent�a-las como a sa��da de um sistema dina^mico excitado por um impulso, logo esta dina^mica pode ser incorporada ao operador G wz (s). Desta forma, podemos considerar que o sistema G wz (s) �e excitado por sinais w(t) impulsionais e de�nir a norma H 2 de G wz (s) como sendo a energia da resposta ao impulso que �e a energia do sinal de sa��da z(t). Observe que para esta de�ni�c~ao de norma H 2 , a energia de sa��da z(t) ser�a �nita se assumirmos que o sistema (2.34) �e estritamente pr�oprio e est�avel, isto �e, a matriz A �e Hurwitz e D w � 0. Na seque^ncia formalizamos este conceito de norma. De�ni�c~ao 2.5.1 (Norma H 2 de Sistemas) A norma H 2 do operador entrada/sa��da,G wz (s), �e de�nida como kG wz k 2 = s Z 1 0 tra�co [g(t) 0 g(t)] dt (2.35) onde g(t) �e a resposta impulsiva do sistema (2.34) com A Hurwitz, D w � 0 e g(t) = 0 para �1 < t < 0. ��� A normaH 2 de sistemas esta relacionada com a teoria de estabilidade de Lyapunov. Esta rela�c~ao nos permite calcular a norma kG wz k 2 atrav�es de condi�c~oes LMI. Considere a condi�c~ao de estabilidade (2.6) para sistemas LTI reescrita na seguinte maneira: Dada uma matriz Q = Q 0 > 0 9 P = P 0 > 0 : A 0 P + PA = �Q (2.36) A solu�c~ao da express~ao (2.36), conhecida como equa�c~ao de Lyapunov para sistemas lineares, �e dada por 8 : P := Z 1 0 e A 0 t Qe At dt (2.37) Na de�ni�c~ao (2.5.1) da norma H 2 , o operador entrada/sa��da tem a forma G wz (s) = C(sI � A) �1 B w e sua resposta impulsiva 9 �e dada por g(t) = Ce At B w . Ent~ao, podemos escrever que kG wz k 2 2 = Z 1 0 tra�co h B 0 w e A 0 t C 0 Ce At B w i dt = tra�co � B 0 w � Z 1 0 e A 0 t C 0 Ce At dt � B w � Note que o termo R 1 0 e A 0 t C 0 Ce At dt, conhecido como Gramiano de Observabilidade, �e uma solu�c~ao para a equa�c~ao de Lyapunov (2.36) com Q = C 0 C � 0. Logo, podemos determinar a norma H 2 por: kG wz k 2 2 = tra�co h B 0 w P o B w i (2.38) onde P o �e a solu�c~ao da equa�c~ao A 0 P o + P o A+ C 0 C = 0. A comutatividade da fun�c~ao tra�co, isto �e: tra�co [h(t) 0 h(t)] = tra�co [h(t)h(t) 0 ], nos permite calcular a vers~ao Dual para a norma H 2 pelo Gramiano de controlabilidade, da seguinte maneira. kG wz k 2 2 = tra�co � C � Z 1 0 e At B w B 0 w e A 0 t dt � C 0 � = tra�co [CP c C 0 ] (2.39) 8 Veja maiores detalhes em [24]. 9 Considerando condi�c~oes iniciais nulas. 2.5. NORMAS DE SISTEMAS 27 onde P c �e a solu�c~ao da equa�c~ao AP c + P c A 0 +B w B 0 w = 0. A determina�c~ao da norma H 2 pode ser facilmente obtida atrav�es de um problema de otimiza�c~ao convexa. Por exemplo, considerando o Gramiano de observabilidade, se P o satizfaz A 0 P o + P o A + C 0 C = 0 e existe uma matriz P = P 0 > 0 : A 0 P + PA + C 0 C < 0 ent~ao P > P o . Portanto, a norma H 2 pode ser calculada mediante a resolu�c~ao do seguinte problema de otimiza�c~ao na forma LMI. kG wz k 2 2 < min (tra�co [B 0 PB]) : ( P = P 0 > 0 A 0 P + PA+ C 0 C < 0 (2.40) onde a diferen�ca da estimativa da norma H 2 e o seu valor real �e t~ao pequena quanto se queira. Exemplo 2.5.1 (Determina�c~ao da norma H 2 ) Determine a estabilidade e norma H 2 do seguinte sistema linear: 8 > > > < > > > : _x 1 = �2x 1 +�w _x 2 = �3x 2 + 2w z 1 = x 1 z 2 = x 1 + x 2 (2.41) ) Solu�c~ao: Matrizes da representa�c~ao no espa�co de estados: A = � �2 0 0 �3 � ; B w = � �1 2 � ; C = � 1 0 1 1 � Problema de otimiza�c~ao: min tra�co h B 0 w PB w i : ( P = P 0 > 0 A 0 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 interpreta�c~ao alternativa da norma H 2 que pode ser aplicada a sistemas n~ao lineares. Considere o sistema _x = Ax; x(0) = x 0 z = Cx (2.42) 28 CAP � ITULO 2. ESTABILIDADE E PERFORMANCE DE SISTEMAS POR LMIS onde x 2 R n �e o vetor de estados, z 2 R q representa a sa��da de desempenho, para uma dada condi�c~ao x 0 . Deseja-se analisar a energia da resposta do sistema dado um estado inicial x 0 . Ou seja, deseja-se encontrar a constante J , dada por J = Z 1 0 z 0 zdt e conhecida como Custo Garantido. Para tal, suponha que exista uma fun�c~ao de Lyapunov quadr�atica v(�) = � 0 P� tal que: P > 0 _v(x) � �z 0 z (2.43) para todo x e z satisfazendo (2.42). Integrando ambos os lados da inequa�c~ao (2.43) de 0 a T tem-se v(x(T ))� V (x(0)) � � Z T 0 z 0 zdt: para todo T � 0. Como v(x(T )) � 0, pode-se concluir que V (x(0)) = x 0 0 Px 0 � J , portanto V (x(0)) �e um limitante superior para a energia da sa��da z para a condi�c~ao inicial x 0 . As condi�c~oes x 0 0 Px 0 � J e (2.43) podem ser descritas na seguinte forma LMI x 0 0 Px 0 � J; � A 0 P + PA C 0 C �I � < 0 (2.44) Note que (2.44) e (2.40) s~ao express~oes semelhantes e coincidem quando B w = x 0 , o que �e poss��vel quando w 2 R, ou seja, tem-se apenas uma entrada no sistema (2.34). Para que as express~oes sejam inde^nticas no caso geral deve-se rede�nir a fun�c~ao custo como sendo J 0 = r X i=1 Z 1 0 z 0 i z i dt onde r �e o n�umero de entradas em (2.34) e z i �e a resposta de (2.34) para a condi�c~ao inicial x 0 i = B w i sendo B w i a i-�esima coluna da matriz de entrada B w . Em outras palavras, w = 2 6 4 w i . . . w r 3 7 5 B w = � B w i : : : B w r � e note que B w w = P r i=1 B w i w i . Por linearidade e superposi�c~ao pode-se determinar a resposta z i para cada entrada w i . Calculando a energia de cada resposta z i com (2.44). Pode-se, assim, calcular J 0 somando a energia dos resultados individuais obtidos. Note ainda que J 0 � r X i=1 x 0 0 i Px 0 i = r X i=1 B 0 w i PB w i = Tr(B 0 w PB w ) e portanto J 0 � Tr[N ] j�a que N > B 0 w PB w . Assim, para sistemas lineares o crit�erio H 2 na forma convexa �e equivalente ao custo garantido J 0 , obtido apartir de uma escolha adequada das condi�c~oes iniciais do problema. Considere agora a condi�c~ao inicial 2.5. NORMAS DE SISTEMAS 29 x 0 R = r X i=1 x 0 i = r X i=1 B w i e de�na z R como a resposta do sistema para esta condi�c~ao inicial. Por linearidade e superposi�c~ao pode-se deduzir que o crit�erio J calculado para x 0 R satisfaz a seguinte rela�c~ao J � J 0 . Para o caso estoc�astico pode-se supor que a condi�c~ao inicial x 0 �e uma vari�avel aleat�oria com m�edia nula e varia^nciaE[x 0 x 0 0 ] = B w B 0 w . Assim, pode-se usar este mesmo procedimento para o c�alculo do custo garantido, neste caso limita-se a energia da varia^ncia do sinal de sa��da z em rela�c~ao �a x 0 [25]. 2.5.2 Norma H 1 A norma H 1 est�a associada ao maior ganho que pode existir de alguma das entradas para alguma das sa��das, ao longo de todo o espectro de sinais, isto �e, ela quanti�ca o maior acr�escimo de energia que pode ocorrer entre as entradas e sa��das de um determinado sistema. A seguir, apresentamos uma de�ni�c~ao mais formal, em termo do ganho L 2 de sistemas que coincide com a norma H 1 no caso linear. De�ni�c~ao 2.5.2 (Norma H 1 ) Considere o sistema (2.34). A norma H 1 do operador entrada/sa��da, Gwz (s), �e o valor supremo entre a energia dos sinais de sa��da e entrada, para todo w de energia limitada. kG wz k 1 = sup kzk 2 kwk 2 kwk 2 6= 0 (2.45) onde o supremo �e calculado para todas as trajet�orias n~ao nulas do sistema (2.34) com x(0) = 0. ��� No caso escalar a norma H 1 de um sistema LTI coincide com o m�aximo ganho da fun�c~ao de transfere^ncia G wz (s) em todo o espectro de freque^ncias. Isto decorre do teorema de Parseval. Da mesma forma que no caso H 2 , utilizaremos a teoria de Lyapunov para determinarmos numericamente o valor da norma H 1 de sistemas. Considere que existam uma fun�c~ao de Lyapunov quadr�atica, v(x) = x 0 Px, para o sistema (2.34) e um escalar > 0 tal que _v(x) + z 0 z � 2 w 0 w < 0 (2.46) Integrando a express~ao a express~ao acima de 0 a T , com x(0) = 0, temos que: v(x(T )) + Z T 0 (z 0 z � 2 w 0 w)dt < 0 visto que v(x(T )) � 0, isto implica em � kzk 2 kwk 2 Isto �e, o valor m��nimo de que satisfaz (2.46) �e a norma H 1 do sistema (2.34). Visto que _v(x) = x 0 (A 0 P + PA)x+ 2w 0 B 0 w Px e z = Cx +D w w, a express~ao (2.46) torna-se: x 0 (A 0 P + PA+ C 0 C)x+ 2w 0 (B 0 w P +D 0 w C)x+ w 0 (D 0 w D w � 2 I r )w < 0 30 CAP � ITULO 2. ESTABILIDADE E PERFORMANCE DE SISTEMAS POR LMIS A express~ao acima em termos do vetor auxiliar � x w � 0 pode ser reescrita na seguinte maneira: � x w � 0 � A 0 P + PA+ C 0 C PB w + C 0 D w B 0 w P +D 0 w C D 0 w D w � 2 I r � � x w � < 0 Logo, podemos determinar a norma H 1 pelo seguinte problema de otimiza�c~ao. min 2 : 8 > < > : P = P 0 > 0 " A 0 P + PA+ C 0 C PB w + C 0 D w B 0 w P +D 0 w C D 0 w D w � 2 I # < 0 (2.47) Exemplo 2.5.2 Determine a estabilidade e, se poss��vel, a norma H 1 do seguinte sistema LTI. 2 6 6 4 _x 1 _x 2 _x 3 _x 4 3 7 7 5 = 2 6 6 4 0 0 1 0 0 0 0 1 �1 1 �0:2 0:2 0:5 �2:5 0:1 �0:15 3 7 7 5 2 6 6 4 x 1 x 2 x 3 x 4 3 7 7 5 + 2 6 6 4 0 0 0 0 1 0 0 0:5 3 7 7 5 � w 1 w 2 � � z 1 z 2 � = � 1 0 0 0 0 1 0 0 � 2 6 6 4 x 1 x 2 x 3 x 4 3 7 7 5 ) Solu�c~ao: A condi�c~ao (2.47) para determinar a norma H 1 j�a pressup~oe a estabilidade do sistema, portanto se existir a norma H 1 o sistema ser�a est�avel. Observe que para este sistema D w = 0 e r = 2 (n�umero de entradas de perturba�c~ao). Aplicando os valores num�ericos do exemplo, no problema de otimiza�c~ao (2.47), obtemos os seguintes valores. -->P P = ! 37.984518 - 99.050459 4.3028045 4.8463528 ! ! - 99.050459 368.14477 - 17.362734 .0152050 ! ! 4.3028045 - 17.362734 22.933598 - 30.652182 ! ! 4.8463528 .0152050 - 30.652182 134.78685 ! -->sqrt(hinf) // Norma H_inf ans = 11.470397 444 2.6 Atividades 1. Considere o exemplo (2.2.1). Prove que as condi�c~oes (2.6) s~ao equivalentes as do corol�ario (2.2.1). 2. Mostre que a estabilidade quadr�atica implica em estabilidade exponencial. 2.6. ATIVIDADES 31 3. Veri�que nas refere^ncias [9, 10, 11, 12, 13, 14] quais s~ao os sistemas que admitem a representa�c~ao LPV. 4. Mostre que as condi�c~oes para estabilidade quadr�atica de sistemas LPV, apresentadas no exemplo (2.2.3), s~ao equivalentes as do corol�ario (2.2.1). 5. Determine uma regi~ao polit�opica B � na qual o sistema apresentado no exemplo 2, se�c~ao (1.2), seja ex- ponencialmente est�avel. Utilize o resultado apresentado no exemplo (2.2.3). Lembre-se da convexidade do conjunto solu�c~ao de uma LMI. 6. Determinar a estabilidade quadr�atica do sistema linear incerto da �gura (1.6) n~ao for�cado (u � 0) com incerteza limitada em norma. Utilize o resultado apresentado na t�ecnica do DG-Scaling. Considere os seguintes valores num�ericos: m = 10 kg, k 0 = 2 kg/s 2 e c 0 = 1 kg/s. 7. Para o exemplo apresentado na se�c~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 Polit�opica. 8. Para o mesmo exemplo, calcule o valor aproximado do n�umero de opera�c~oes necess�arias para solucionar o problema nos tre^s casos: � Sistema Nominal � Abordagem Politopica � Abordagen Limitada em Norma Repita o calculo supondo que agora tenha 3 para^metros incertos em vez de 2. Compare os resultados. 9. A de�ni�c~ao (2.5.1) de normaH 2 n~ao �e usual. Em geral ela �e de�nida no espa�co frequencial pela seguinte de�ni�c~ao: kG wz k 2 = s 1 2� Z 1 0 tra�co [G � wz (j!)G wz (j!)] d! onde G � wz (j!) �e o complexo conjugado transposto de G wz (j!). Mostre que as duas de�ni�c~oes s~ao equivalentes (Teorema de Parseval). 10. Demonstre o resultado apresentado na equa�c~ao (2.39). 11. Determine uma formula�c~ao LMI para o c�alculo da norma H 2 de sistemas LTI utilizando o Gramiano de controlabilidade. 12. Obtenha uma formula�c~ao LMI, utilizando o Gramiano de observabilidade e controlabilidade, para estimar a norma H 2 do seguinte sistema incerto: ( _x = A(�)x +B w (�)w z = C(�)x onde as matrizes A(�), B w (�) e C(�) s~ao a�ns no para^metro incerto � 2 B � . Lembre-se que n~ao podemos aplicar diretamente as condi�c~oes (2.40) para sistemas LTI devido ao termo quadr�atico em � (C(�) 0 C(�)) 10 . 13. A de�ni�c~ao da norma H 1 em termos do ganho L 2 n~ao �e usual para sistemas lineares. Em geral, ela tem a seguinte de�ni�c~ao kG wz k 1 = sup � max [G wz (j!)] ! onde � max �e o valor singular m�aximo de G wz (j!). Mostre que estas duas de�ni�c~oes de norma s~ao equivalentes para sistemas LTI. 14. Obtenha uma vers~ao para a determina�c~ao da norma H 1 para sistemas LTI em termos de uma matriz Q = P �1 similar ao caso H 2 . Esta vers~ao �as vezes �e denominada de vers~ao Dual. 10 Dica: utilize o complemento de Schur. 32 CAP � ITULO 2. ESTABILIDADE E PERFORMANCE DE SISTEMAS POR LMIS 15. Obtenha as formula�c~oes em termos de P e Q, para estimar a norma H 1 do seguinte sistema incerto: ( _x = A(�)x +B w (�)w z = C(�)x+D(�)w onde as matrizes A(�), B w (�), C(�), D(�) s~ao a�ns no para^metro incerto � 2 B � . Lembre-se que n~ao podemos aplicar diretamente as condi�c~oes (2.47) para sistemas LTI devido aos termos quadr�aticos em � (C(�) 0 C(�) e D(�) 0 D(�)). 16. Considere um sistema meca^nico massa-mola-amortecedor, onde a massa m e o coe�ciente de amorte- cimento c s~ao variantes no tempo e limitados, com a seguinte representa�c~ao no espa�co de estados. � _x 1 _x 2 � = � 0 1 �2 �(0:5 + 0:2� 1 ) � � x 1 x 2 � + � 0 (1 + 0:2� 2 ) � w z = � 0 1 � � x 1 x 2 � onde � 1 , � 2 2 B � = f�1; 1g. Determine as normas H 2 e H 1 , nas formula�c~oes Primal e Dual. Compare os resultados. Note que os valores obtidos para as duas vers~oes s~ao diferentes. Por que? 2.7 Refere^ncias Complementares Na an�alise de estabilidade segundo Lyapunov,
Compartilhar