Baixe o app para aproveitar ainda mais
Prévia do material em texto
Mo´dulo 8 Crite´rio de Lyapunov para Estabilidade Exponencial 1 Estabilidade exponencial Estabilidade e´ o desempenho mı´nimo de todo sistema de controle. Por esse motivo a ana´lise de estabilidade e´ o ponto de partida para o projeto de sistemas de controle. Estabilidade e´ uma propriedade do sistema que garante a convergeˆncia das varia´veis de estado para a situac¸a˜o desejada em regime permanente. Existem va´rios tipos de estabilidade, dependendo de como e´ a situac¸a˜o desejada em regime permanente. As varia´veis de estado podem ser constantes em regime permanente, e nesse caso chamamos essa condic¸a˜o de operac¸a˜o de ponto equil´ıbrio, ou oscilam com certa frequeˆncia e amplitude e nesse caso a condic¸a˜o de operac¸a˜o e´ chamada de ciclo limite. Podemos ainda classificar a estabilidade dependendo de como se da´ a convergeˆncia do estado para a situac¸a˜o de regime permanente, isto e´, se converge exponencialmente ou assintoticamente para a situac¸a˜o de equil´ıbrio. Nesta experieˆncia iremos estudar sistemas cujas varia´veis de estado convergem expo- nencialmente para um ponto de equil´ıbrio. No final do se´culo 19, um cientista russo, chamado Lyapunov, observou que sistemas cujas varia´veis de estado convergem exponencialmente para um ponto de equil´ıbrio sa˜o aqueles cuja energia total (energia de todas as varia´veis de estado) decresce ao longo do tempo, isto e´, sa˜o sistemas que possuem algum tipo de energia dissipada. Considere o exemplo do movimento de um peˆndulo de massa M e haste r´ıgida de comprimento L que descreve um movimento circular de raio L. Ao soltar o peˆndulo de uma dada posic¸a˜o, as energias cine´ticas e potencial das varia´veis de estado (posic¸a˜o e velocidade angulares) oscilam entre valores ma´ximos e mı´nimos, mas se houver dissipac¸a˜o de energia (devido a` presenc¸a de atrito no caso) o movimento vai convergir para a situac¸a˜o de equil´ıbrio onde as varia´veis de estado sa˜o constantes, e isso ocorre apenas quando a energia de todas as varia´veis de estado foram completamente dissipadas. Para caracterizar matematicamente a estabilidade de sistemas podemos utilizar tanto a resposta de estado zero quanto a de entrada zero. A primeira explora o fato que todo sistema esta´vel, com condic¸o˜es iniciais nulas, produz sa´ıdas limitadas sempre que as en- tradas forem limitadas. A segunda explora o fato que todo sistema esta´vel sem excitac¸a˜o externa possui um transito´rio que desaparece qualquer que seja a condic¸a˜o inicial que lhe deu origem. Para sistemas lineares invariantes no tempo essas duas formas distintas de definir estabilidade sa˜o na realidade equivalentes aos crite´rios cla´ssicos baseados na localizac¸a˜o dos po´los do sistema. As definic¸o˜es que iremos utilizar ao longo de todo esse documento se baseiam na resposta de entrada nula. Para caracterizar o conceito de estabilidade exponencial de sistemas algumas de- finic¸o˜es e resultados preliminares se fazem necessa´rios. 1 Definic¸a˜o 1 Seja o sistema x˙ = f(t, x) f(t, 0) = 0 ∀t ∈ [0,∞) (1) onde f : [0,∞) × X 7→ Rn e´ cont´ınua por partes em t e localmente Lipschitz em x, sendo X ⊆ Rn uma dada vizinhanc¸a da origem. A origem e´ um ponto de equil´ıbrio exponencialmente esta´vel se existem constantes positivas c, k, λ tais que ‖x(t)‖ ≤ k‖x(t0)‖e −λ (t−t0) ∀‖x(t0)‖ < c (2) e globalmente exponencialmente esta´vel se isto ocorre para toda condic¸a˜o inicial x(t0) finita. ✷ Para testar se a origem de um sistema e´ exponencialmente esta´vel atrave´s do seguinte resultado. Teorema 1 Considere o sistema (1) e seja V : [0,∞)× X 7→ R uma func¸a˜o continua- mente diferencia´vel tal que k1‖x‖ a ≤ V (t, x) ≤ k2‖x‖ a (3) ∂V ∂t + ∂V ∂x ′ f(t, x) ≤ −k3‖x‖ a (4) ∀x ∈ X ∀t ∈ [0,∞) onde a, ki sa˜o constantes positivas. Enta˜o o equil´ıbrio x = 0 de (1) e´ exponencialmente esta´vel. Se ale´m disso, X = Rn enta˜o a origem e´ globalmente exponencialmente esta´vel. Prova: Observe que V˙ (t, x) ≤ −k3‖x‖ a ≤ − k3 k2 V (t, x) (5) de onde conclu´ımos pelo Lema da Comparac¸a˜o (Lemma 3.4 [4]) que V (t, x) ≤ e − k3 k2 (t−t0)V (t0, x(t0)) (6) Logo ‖x(t)‖ ≤ (V (t, x(t))/k1) 1 a ≤ ( e − k3 k2 (t−t0)V (t0, x(t0))/k1 ) 1 a ≤ ( e − k3 k2 (t−t0)k2‖x(t0)‖ a/k1 ) 1 a = (k2/k1) 1 a ‖x(t0)‖e − k3 a k2 (t−t0) (7) que mostra a estabilidade exponencial. Para estabilidade global basta que x(t0) seja qualquer em X = Rn. ✷ A func¸a˜o V (t, x) representa a energia total das varia´veis de estado do sistema e e´ chamada de func¸a˜o de Lyapunov. As condic¸o˜es do teorema acima indicam essencialmente que a func¸a˜o V (t, x) e´ positiva e limitada, como toda func¸a˜o que representa energia, e sua derivada temporal e´ negativa sempre, indicando decrescimento da func¸a˜o V (t, x). Logo o sistema dissipa energia com o passar do tempo. Como e´ muito dif´ıcil obter a expressa˜o anal´ıtica da energia total do sistema, o projetista deve escolher uma func¸a˜o de Lyapunov que represente a energia total. Pore´m o teorema na˜o fornece nenhuma pista de como determina´-la no caso geral. Para algumas classes de sistemas, como sistemas lineares por exemplo, ja´ se conhece te´cnicas de determinac¸a˜o de func¸o˜es de Lyapunov muito eficientes. Este e´ o tema das 2 pro´ximas sec¸o˜es. Antes pore´m, alguns resultados preliminares se fazem necessa´rios, pois o me´todo utiliza um tipo especial de func¸a˜o quadra´tica conhecida como forma quadra´tica. Formas Quadra´ticas Uma forma quadra´tica e´ toda func¸a˜o V : Rn 7→ R do tipo: v(x) = n∑ i=1 n∑ j=1 aijxixj , aij = aji onde xi, xj sa˜o duas componentes quaisquer da varia´vel vetorial x e aij sa˜o constantes. A condic¸a˜o aij = aji e´ simplesmente uma normalizac¸a˜o e pode ser feita sem perda de generalidade. Veja no exemplo V (x) = 2x21 + 3x1x2 + 5x2x1 + 10x 2 2 = 2x21 + 8x1x2 + 10x 2 2 = 2x21 + 4x1x2 + 4x2x1 + 10x 2 2 Assim, toda forma quadra´tica pode ser representada em termos matriciais atrave´s de uma matriz sime´trica cujos elementos sa˜o as constantes aij. Ainda no exemplo anterior temos V (x) = [ x1 x2 ]′ [ 2 4 4 10 ] [ x1 x2 ] = x′Ax e note que a matriz A e´ sime´trica. A mesma normalizac¸a˜o acima pode ser feita em termos matriciais. Retornando ao exemplo, defina B = [ 2 4 4 10 ] , A = (B +B′)/2 , A˜ = (B − B′)/2 e note que B = A + A˜. Como x′B′x e´ um escalar real temos x′B′x = (x′B′x)′ = x′Bx. Logo temos x′Bx = x′Ax+ x′A˜x = x′Ax+ (x′Bx− x′B′x)/2 = x′Ax Em situac¸o˜es particulares, tipicamente quando representamos o sistema por sua func¸a˜o de transfereˆncia, podemos precisar trabalhar com formas quadra´ticas complexas. Quando aij sa˜o constantes complexas, basta trocar a relac¸a˜o aij = aji por aij = a¯ji, onde a¯ji e´ o conjugado complexo de aij . Nesse caso a matriz A recebe o nome de hermitiana e satisfaz a relac¸a˜o A = A¯′ = A∗ onde o s´ımbolo A∗ representa o transposto conjugado complexo de A. Propriedades: 1. Toda matriz sime´trica possui autovalores reais. Para ver isso, sejam g, λ um par qualquer de autovetor e autovalor de P , isto e´, Pg = λg. Assim temos1 g¯P g = λg¯g. Como P e´ sime´trica temos (g¯P g) = g¯P g e portanto g¯P g e´ real. Ale´m disso g¯g tambe´m e´ real, pois e´ o quadrado do mo´dulo do vetor g. Logo, da igualdade g¯P g = λg¯g conclu´ımos que λ tambe´m e´ real. 1O s´ımbolo g¯ indica o transposto do conjugado complexo de g. 3 2. A func¸a˜o x′Px e´ limitada acima e abaixo, como indicado a seguir: λminx ′x ≤ x′Px ≤ λmaxx ′x (8) onde λmin, λmax sa˜o respectivamente os autovalores mı´nimo e ma´ximo de P . Para ver isso basta considerar a decomposic¸a˜o P = T ′DT onde T e´ a matriz de autovetores2 de P e D e´ a matriz diagonal dos autovalores λi de P . Enta˜o x′Px = z′Dz onde z = Tx. Como z′Dz = ∑n i=1 λiz 2 i temosz ′Dz ≤ λmax ∑n i=1 z 2 i = λmaxz ′z = λmaxx ′T ′Tx = λmaxx ′x pois T ′ = T−1. De forma ana´loga temos z′Dz ≥ λmin ∑n i=1 z 2 i = λminz ′z = λminx ′T ′Tx = λminx ′x. Lembrando que x′x = ∑n i=1 x 2 i , podemos concluir com (8) que se P possui todos os autovalores positivos enta˜o x′Px e´ um nu´mero positivo para todo x na˜o nulo. Note que o contra´rio tambe´m e´ verdadeiro. Nesse caso, dizemos que v(x) e´ uma func¸a˜o positiva definida (notac¸a˜o: v(x) > 0), e P e´ uma matriz positiva definida (notac¸a˜o: P > 0). A tabela abaixo mostra a relac¸a˜o entre o sinal da func¸a˜o x′Px e os autovalores da matriz P . Nomenclatura Sinal de v(x) autovalores de P Func¸a˜o v(x) Matriz P positivo todos positivos positiva definida positiva definida para todo x 6= 0 v(x) > 0 P > 0 positivo ou nulo todos positivos positiva semi-definida positiva semi-definida para todo x 6= 0 ou nulos v(x) ≥ 0 P ≥ 0 negativa todos negativos negativa definida negativa definida para todo x 6= 0 v(x) < 0 P < 0 negativa ou nula todos negativos negativa semi-definida negativa semi-definida para todo x 6= 0 ou nulos v(x) ≤ 0 P ≤ 0 3. Uma matriz P e´ positiva definida (P > 0) se, e somente se, os determinantes menores principais de P forem positivos. Esse resultado e´ conhecido como crite´rio de Sylvester. Por exemplo para P = P1 P2 P3P2 P4 P5 P3 P5 P6 os determinantes Menores Principais sa˜o: • P1 > 0 • ∣∣∣∣ P1 P2P2 P4 ∣∣∣∣ = P1P4 − P22 > 0 • ∣∣∣∣∣∣ P1 P2 P3 P2 P4 P5 P3 P5 P6 ∣∣∣∣∣∣ = P1P4P6 + 2P2P5P3 − P3 2P4 − P2 2P6 − P1P5 2 > 0 2Se P e´ sime´trica a transformac¸a˜o que a diagonaliza e´ ortonormal, isto e´, T ′ = T−1. Veja que como P e´ sime´trica temos P = T−1DT = (T−1DT )′ = T ′D(T−1)′. Logo por igualdade deduzimos T ′ = T−1. 4 4. A func¸a˜o v(x) = x′Px e´ uma medida de distaˆncia do ponto x a` origem quando P e´ positiva definida. Note que x′x = ‖x‖2 e´ o quadrado da norma euclidiana do vetor x. Assim, vemos com (8) que x′Px e´ uma medida de distaˆncia que esta´ abaixo de λmaxx ′x e acima de λminx ′x. Por exemplo, a seguinte func¸a˜o e´ positiva definida: v(x) = x′Px, x = [ x1 x2 ] P = [ 1 0 0 4 ] v(x) = [ x1 x2 ] [ 1 0 0 4 ] [ x1 x2 ] = x1 2 + 4x2 2 O conjunto de todos os vetores x tais que v(x) = c, onde c e´ uma constante positiva qualquer, formam uma elipse quando P > 0. Os semi-eixos da elipse sa˜o √ c λi onde λi sa˜o os autovalores de P . Mais detalhes sobre func¸o˜es e matrizes positivas e formas quadra´ticas podem ser encontradas nos apeˆndices do livro [2]. 2 Estabilidade de sistemas lineares invariantes Para sistemas lineares invariantes no tempo o teorema 1 pode ser simplificado tornando- se equivalente aos resultados cla´ssicos de Routh-Hurvitz e Nyquist. Teorema 2 O sistema linear invariante x˙ = Ax (9) e´ exponencialmente esta´vel, isto e´, os autovalores da matriz A possuem parte real estri- tamente negativa, se, e somente se, a soluc¸a˜o P sime´trica da equac¸a˜o matricial: A′P + PA+Q = 0 (10) for positiva definida, onde Q e´ uma matriz positiva definida dada que pode ser arbitrari- amente escolhida. Prova: Se ∃P > 0 soluc¸a˜o de A′P + PA+Q = 0 com Q > 0 dada, enta˜o v(x) = x′Px e´ func¸a˜o de Lyapunov para o sistema x˙ = Ax pois para v(x) = x′Px temos: v˙(x) = x˙′Px+ x′P x˙ = x′(A′P + PA)x = −x′Qx < 0 e como v(x) > 0 e v˙(x) < 0 para todo ponto x da trajeto´ria do sistema x˙ = Ax, conclu´ımos que o estado converge para a origem. A estabilidade exponencial se mostra como no teorema 1. Por outro lado, se o sistema e´ exponencialmente esta´vel, enta˜o a matriz de transic¸a˜o de estados Φ = eAt e´ limitada e converge para zero quando t → ∞. Isto implica que, para qualquer matriz Q > 0, temos Φ(t)′QΦ(t) = eA ′tQeAt > 0, tambe´m limitada e convergindo para zero quando t→∞. Logo, a matriz P = ∫ ∞ 0 eA ′tQeAtdt (11) 5 e´ positiva definida, finita e satisfaz a equac¸a˜o A′P +PA+Q = 0. Para ver isso substitua P acima na equac¸a˜o para obter A′P + PA = ∫ ∞ 0 (A′eA ′tQeAt + eA ′tQeAtA)dt = ∫ ∞ 0 ( d dt eA ′tQeAt)dt Como limt→∞ e A′tQeAt = 0 pois o sistema e´ esta´vel, temos A′P + PA = ∫ ∞ 0 d dt eA ′tQeAtdt = −Q ✷ Exemplo 1 O sistema x˙ = Ax com: A = [ 0 1 −1 −2 ] e´ esta´vel pois λ(A) = {−1,−1}. Logo, devemos encontrar uma soluc¸a˜o P > 0 para A′P + PA + Q = 0, sendo Q > 0 uma matriz positiva definida que podemos escolher de forma arbitra´ria. Escolhendo Q igual a` identidade temos:[ 0 1 −1 −2 ]′ [ P1 P2 P2 P3 ] + [ P1 P2 P2 P3 ] [ 0 1 −1 −2 ] + [ 1 0 0 1 ] = 0 que resulta: [ −P2 −P3 P1 − 2P2 P2 − 2P3 ] + [ −P2 P1 − 2P2 −P3 P2 − 2P3 ] + [ 1 0 0 1 ] = 0 Logo: −2P2 + 1 = 0 −P3 + P1 − 2P2 = 0 2P2 − 4P3 + 1 = 0 ⇒ P2 = 1/2 P3 = 1/2 P1 = 3/2 ⇒ P = [ 1.5 0.5 0.5 0.5 ] Menores Principais: P1 = 1.5 > 0 det(P ) = 1.5× 0.5− 0.52 > 0 Logo P > 0, pois seus menores principais sa˜o positivos3, e portanto o sistema e´ exponencialmente esta´vel. A equac¸a˜o de Lyapunov pode ser resolvida no matlab com o aux´ılio da func¸a˜o lyap. O teorema de Lyapunov pode ser usado se escolhemos Q ≥ 0 ao inve´s de Q > 0. Para esse fim, vamos decompor a matriz Q na forma Q = C ′C onde C e´ uma matriz qualquer. Se C possuir posto completo, enta˜o Q = C ′C e´ positiva definida. Caso contra´rio, Q = C ′C sera´ positiva semi-definida. Teremos uma soluc¸a˜o P > 0 para A′P + PA + C ′C = 0 se, e somente se, o sistema x˙ = Ax for exponencialmente esta´vel, isto e´, λ(A) ∈ C−, e o (A,C) for observa´vel, isto e´: Posto C CA ... CAn−1 = n, A ∈ Rn×n, C ∈ Rm×n 3Verifique que os autovalores de P sa˜o positivos. 6 Para entender esse fato note que a trajeto´ria do sistema x˙ = Ax para uma dada condic¸a˜o inicial x0 e´ x(t) = e Atx0. Se o sistema e´ esta´vel, a soluc¸a˜o da equac¸a˜o A ′P+PA+C ′C = 0 e´ dada por (11) e assim temos x′0Px0 = ∫ ∞ 0 x′0e A′tC ′CeAtx0dt = ∫ ∞ 0 x′0e A′tC ′CeAtx0dt = ∫ ∞ 0 y(t)′y(t)dt (12) onde y(t) = Cx(t) = CeAtx0 e´ uma sa´ıda fict´ıcia. Se o par (A,C) e´ observa´vel enta˜o na˜o existe nenhuma condic¸a˜o inicial que leva y(t) a ser nula o tempo todo. Logo temos P > 0 pela expressa˜o (12). Por outro lado, se o sistema e´ esta´vel pore´m existe uma condic¸a˜o inicial x0 tal que y(t) = 0, ∀t ≥ 0 enta˜o o par (A,C) na˜o e´ observa´vel. Nessas condic¸o˜es temos pela expressa˜o (12) que x′0Px0 = 0. Logo P possui algum autovalor nulo, isto e´, P e´ positiva semi-definida. Em resumo, o sistema sera´ exponencialmente esta´vel se P ≥ 0 e o par (A,C) for detecta´vel. Aqui a matriz C e´ a decomposic¸a˜o de Q em Q = C ′C. A equac¸a˜o A′P + PA + Q = 0 e´ conhecida como equac¸a˜o de Lyapunov e possui soluc¸a˜o u´nica para uma dada Q se os autovalores da matriz A satisfazem λi + λj 6= 0 para i 6= j = 1, . . . , n. 3 Estabilidade local baseada em linearizac¸a˜o Vimos na sec¸a˜o anterior que o sistema linear x˙ = Ax e´ exponencialmente esta´vel se e somente se todos os autovalores da matriz A possuem parte real negativa. Veremos a seguir que se A e´ a matriz jacobiana de um sistema na˜o linear e todos seus autovalores possuem parte real negativa enta˜o o sistema na˜o linear e´ localmente exponencialmente esta´vel, isto e´, existe uma vizinhanc¸a (possivelmente pequena) do ponto de equil´ıbrio na qual todas as trajeto´rias ali iniciadas convergem exponencialmente para o ponto de equil´ıbrio. Para apresentar o resultado suponha que o ponto de equil´ıbrio seja a origem4 e que g(x) represente os termos na˜o lineares da expansa˜o de f(x) por Taylor, isto e´: x˙ = f(x) = Ax+ g(x) (13) Vamos definir uma vizinhanc¸a do equil´ıbrio como sendo o conjunto de pontos do espac¸ode estado x que satisfaz a seguinte relac¸a˜o5 x : ‖g(x)‖ ≤ k‖x‖ (14) Para estudar a estabilidade do sistema acima vamos utilizar uma func¸a˜o de Lyapunov do tipo v(x) = x′Px onde P e´ a matriz sime´trica que resolve a equac¸a˜o de Lyapunov A′P + PA+ I = 0 (15) Sabemos da sec¸a˜o anterior que se os autovalores da matriz A possuem parte real negativa enta˜o a soluc¸a˜o P da equac¸a˜o acima e´ u´nica e positiva definida e satisfaz (8). Tomando a derivada de v(x) para o sistema (13) temos v˙(x) = x′P x˙+ x˙′Px = (Ax+ g(x))′Px+ x′P (Ax+ g(x)) = x′(A′P + PA)x+ 2x′Pg(x) = −x′x+ 2x′Pg(x) (16) 4Se o ponto de equil´ıbrio na˜o for a origem basta fazer uma translac¸a˜o para a origem antes de aplicar os resultados aqui apresentados. 5Aqui usaremos a notac¸a˜o ‖z‖ = (z′z) 1 2 (norma euclidiana do vetor z). 7 Como x′Pg(x) ≤ ‖x‖ ‖P‖ ‖g‖ e ‖g(x)‖ ≤ k‖x‖ obtemos a seguinte relac¸a˜o6 2x′Pg(x) ≤ 2 ‖x‖ ‖P‖ ‖g‖ ≤ 2 k ‖x‖2 ‖P‖ = 2 k ‖P‖ x′x (17) Assim ficamos com v˙(x) ≤ −x′x+ 2 k ‖P‖ x′x = −αx′x , α = 1− 2k‖P‖ (18) Basta que a vizinhanc¸a do equil´ıbrio, definida pela constante k, seja pequena suficiente teremos α > 0 indicando que v˙(x) sera´ definida negativa. Isso juntamente com (8) mostram que o sistema sera´ exponencialmente esta´vel pelo Teorema 1. No entanto a estabilidade sera´ va´lida apenas numa vizinhanc¸a X do ponto de equil´ıbrio (estabilidade local) pois dificilmente poderemos aumentar muito a constante k para termos X = Rn (estabilidade global). Felizmente, ao mostrar a estabilidade local, a func¸a˜o de Lyapunov tambe´m fornece uma estimativa da regia˜o de atrac¸a˜o do ponto de equil´ıbrio. Para obter essa estimativa note com (8) e (18) que v˙(x) ≤ −α x′x ≤ −α x′Px λmax = −τ v(x) , τ = α λmax (19) Da inequac¸a˜o diferencial v˙ ≤ −τv conclu´ımos que v(x) ≤ e−τtv(x0). Da´ı, para todo x0 tal que v(x0) ≤ c, sendo c alguma constante positiva, obtemos v(x) ≤ e −τtc para todo instante de tempo t ≥ 0. Isso mostra que para todo ponto do espac¸o de estado na regia˜o {x : v(x) ≤ c} a energia da trajeto´ria ali iniciada decresce mais ra´pido que a exponencial e−τtc. Na˜o podemos esquecer, no entanto, que o decaimento exponencial ocorre quando a constante k em (14) for pequena suficiente para que α = 1 − 2k‖P‖ seja positivo e ale´m disso para todo ponto da regia˜o {x : v(x) ≤ c} devemos ter v˙(x) < 0. Em outras palavras todo ponto da regia˜o de atrac¸a˜o X = {x : v(x) ≤ c} tambe´m deve satisfazer a condic¸a˜o (14) onde temos garantia que v˙(x) < 0. Veja que o valor de k define o tamanho da regia˜o (14) mas tambe´m define a taxa de decaimento da energia atrave´s da constante α. Assim, dado o valor desejado de α tiramos o valor correspondente de k que limita a regia˜o (14). Em seguida ajustamos o valor da constante c para que a regia˜o X esteja contida na regia˜o delimitada por k em (14). Na figura 1 a regia˜o X e´ representada pelo c´ırculo e deve estar contida na regia˜o R delimitada pelas duas linhas que representa a regia˜o onde (14) esta´ satisfeita. 4 Estabilidade de sistemas lineares variantes no tempo Para sistemas lineares variantes no tempo temos o seguinte resultado. Teorema 3 O sistema linear variante no tempo x˙ = A(t) x (20) 6Por trabalharmos com a norma euclidiana de vetores usaremos a norma espectral de matrizes que e´ a norma de matrizes induzida pela norma euclidiana. A norma espectral de uma matriz M e´ definida como sendo o maior valor singular de M , isto e´ ‖M‖ = σmax(M). Lembre que valores singulares de uma matriz M sa˜o as ra´ızes quadradas dos autovalores de M ′M . No caso matrizes sime´tricas definidas positivas os valores singulares coincidem com os autovalores da matriz. 8 XR x1 x2 Figura 1: Ilustrac¸a˜o da regia˜o de atrac¸a˜o. onde x ∈ Rn e A(t) e´ cont´ınua ∀t ≥ 0, e´ globalmente exponencialmente esta´vel se e somente se existe P (t) : [0,∞) 7→ Rn×n, sime´trica positiva definida7 , cont´ınua e limitada ∀t ≥ 0, que satisfaz a seguinte equac¸a˜o diferencial P˙ (t) + A(t)′P (t) + P (t)A(t) +Q(t) = 0 (21) onde Q(t) : [0,∞) 7→ Rn×n e´ sime´trica positiva definida, cont´ınua e limitada ∀t ≥ 0 e pode ser arbitrariamente escolhida. Em caso afirmativo, a func¸a˜o V (t, x) = x′P (t)x e´ uma func¸a˜o de Lyapunov para o sistema. Prova: Suponha que o sistema seja globalmente exponencialmente esta´vel e defina P (t) = ∫ ∞ t φ(τ, t)′Q(τ)φ(τ, t)dτ (22) onde φ(t, t0) e´ a matriz de transic¸a˜o do sistema que satisfaz x(t) = φ(t, t0) x(t0). Como (2) deve estar satisfeito para toda condic¸a˜o inicial conclu´ımos que φ(t, t0) possui norma limitada por uma exponencial decrescente. Logo para qualquer matriz Q(t) : [0,∞) 7→ Rn×n sime´trica positiva definida, cont´ınua e limitada ∀t ≥ 0, temos que φ(τ, t)′Q(τ)φ(τ, t) tambe´m sime´trica positiva definida, cont´ınua ∀t ≥ 0 e converge exponencialmente para zero quando τ → ∞. Da´ı conclu´ımos com (22) que P (t) e´ sime´trica positiva definida, cont´ınua e limitada ∀t ≥ 0. Portanto satisfaz a relac¸a˜o k1‖x‖ 2 ≤ λmin(P (t))x ′x ≤ x′P (t)x ≤ λmax(P (t))x ′x ≤ k2‖x‖ 2 k1 = mint≥0 λmin(P (t)) > 0 k2 = maxt≥0 λmax(P (t)) > 0 (23) Por outro lado sabemos que ∂ ∂t φ(τ, t) = −φ(τ, t)A(t) (24) e portanto P˙ (t) = ∫∞ t ( φ˙(τ, t)′Q(τ)φ(τ, t) + φ(τ, t)′Q(τ)φ˙(τ, t) ) dτ+ φ(∞, t)′Q(∞)φ(∞, t)− φ(t, t)′Q(t)φ(t, t) (25) 7Uma matriz P (t) e´ positiva definida (P (t) > 0) se todos seus autovalores sa˜o positivos ∀t ≥ 0. 9 Com (24) e lembrando que Q(t) e´ limitada ∀t ≥ 0, φ(∞, t) = 0 e φ(t, t) = In a expressa˜o acima se reescreve na forma P˙ (t) = −A(t)′ ∫∞ t φ(τ, t)′Q(τ)φ(τ, t) dτ − ∫∞ t φ(τ, t)′Q(τ)φ(τ, t) dτ A(t)−Q(t) (26) que nos leva a` (21) com (22). Suponha agora que existe P (t) : [0,∞) 7→ Rn×n, sime´trica positiva definida, cont´ınua e limitada ∀t ≥ 0, que satisfaz a equac¸a˜o diferencial (21) onde Q(t) : [0,∞) 7→ Rn×n e´ sime´trica positiva definida, cont´ınua e limitada ∀t ≥ 0 e pode ser arbitrariamente escolhida. Defina a func¸a˜o V (t, x) = x′P (t)x e observe que ela satisfaz (23). Calculando sua derivada temporal para o sistema (20) encontramos V˙ (t, x) = x˙′P (t)x+ x′P (t)x˙+ x′P˙ (t)x = x′(P˙ (t) + A(t)′P (t) + P (t)A(t))x = −x′Q(t)x ≤ −k3x ′x k3 = min t≥0 λmin(Q(t)) Logo o sistema e´ globalmente exponencialmente esta´vel pelo teorema 1. ✷ Conforme visto anteriormente, para sistemas lineares invariantes no tempo, onde A(t) = A, ∀t ≥ 0, a estabilidade pode ser caracterizada em termos dos autovalores da matrix A. Assim poder´ıamos pensar que um sistema variante no tempo seria esta´vel se os autovalores da matriz A(t) possuem parte real negativa ∀t ≥ 0. No entanto isso na˜o e´ verdade em geral como mostra o exemplo a seguir. Exemplo 2 ([4]) Considere o sistema linear (20) onde A(t) = [ −1 + 1.5 cos(t)2 1− 1.5 sin(t) cos(t) −1− 1.5 sin(t) cos(t) −1 + 1.5 sin(t)2 ] (27) Os autovalores de A(t) sa˜o −0.25 ± j0.25 √ (7) ∀t ≥ 0. Logo a matrix A(t) possui todos os autovalores com parte real negativa o tempo todo. Pore´m a origem na˜o e´ esta´vel como podemos verificar pela matriz de transic¸a˜o indicada abaixo. φ(t, 0) = [ e0.5t cos(t) e−t sin(t) e0.5t sin(t) e−t cos(t) ] (28) Observe que x(t) = φ(t, 0)x(0) pode divergir dependendo da condic¸a˜o inicial. E´ interessante notar que a matriz Q(t) em (21) pode ser arbitrariamente escolhida. A escolha mais simples e´ Q(t) = In pore´m podemos eliminar a matriz Q(t) da equac¸a˜o. Como Q(t) > 0 a equac¸a˜o (21) e´ equivalente a` desigualdade P˙ (t) + A(t)′P (t) + P (t)A(t) < 0 (29) Para ver isso basta verificar que se (21) esta´ satisfeita para alguma P (t), Q(t) enta˜o P˙ (t) + A(t)′P (t) + P (t)A(t) = −Q(t) < 0. Logo (29) tambe´m esta´ satisfeita. Por outro lado se (29) esta´ satisfeita para alguma P (t) enta˜o podemos definir Q(t) como sendo Q(t) = −(P (t) +A(t)′P (t) +P (t)A(t)) e observe que Q(t) >0. Logo (21) esta´ satisfeita. Se por um lado as expresso˜es (21) e (29) sa˜o equivalentes, por outro elas possuem propriedades bem distintas. Em particular, as vantagens de (29) sera˜o exploradas em estrate´gias de controle e filtragem com abordagem via desigualdades matriciais lineares (linear matrix inequalities - LMIs). 10 Exerc´ıcios: 1 Considere o sistema de 4 tanques linearizado num ponto de equil´ıbrio escolhido. Mostre atrave´s da equac¸a˜o A′P + PA + Q = 0 que o sistema de malha aberta e´ esta´vel. 2 Para a matriz P obtida no item anterior, pede-se: (i) Encontre, se poss´ıvel, um vetor x ∈ R4 tal que x′Px ≤ 0. (ii) Obtenha por simulac¸a˜o a resposta do sistema x˙(t) = Ax(t) para a condic¸a˜o inicial x(0) = [ 1 2 3 4 ]′ . Escolha treˆs pontos quaisquer dessa trajeto´ria cor- respondentes a treˆs instantes de tempo distintos x(t1), x(t2), x(t3) com t1 < t2 < t3. Calcule o valor da func¸a˜o v(x(t)) = x(t)′Px(t) para esses treˆs pontos. O resultado obtido era esperado? Porque? 3 Defina a matriz Q = C ′C onde C e´ a matriz de sa´ıda do sistema e calcule a soluc¸a˜o da equac¸a˜o A′P + PA+ C ′C = 0. O sistema e´ observa´vel? A matriz P e´ positiva definida? Suponha agora que C representa a matriz de sa´ıda para os medidores nos tanques 1 e 4. O que acontece com a matriz P ? Justifique. Refereˆncias [1] Karl Henrik Johansson, The Quadruple-Tank Process: A Multivariable Laboratory Process with an Adjustable Zero,IEEE TRANSACTIONS ON CONTROL SYSTEMS TECHNO- LOGY, VOL. 8, NO. 3, MAY 2000. [2] K.Ogata, ”Engenharia de controle moderno”, Prentice Hall do Brasil, 2a ¯ edic¸a˜o, 1990. [3] U. Mackenroth, ”Robust Control Systems”, Springer Verlag, Berlin, 2004. [4] H.K.Khalil, ”Nonlinear Systems”, Prentice Hall, 1996. 11
Compartilhar