Apuntes sobre control robusto y multiobjetivos

de sistemas
Williams Colmenares M.
Universidad Sim on Bolvar
Departamento de Procesos y Sistemas
Fernando Tadeo R.
Universidad de Valladolid
Departamento de Ingeniera de Sistemas y Autom atica
A Teresa y Hugo
A Luisa Elena, Luis Carlos, Bruno, Daniel e Isabella

Indice general
I. Analisis de sistemas con m ultiples objetivos 1
I.1. Controladores multiobjetivo . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1
I.2. Sobre la norma de se nales y sistemas . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 2
I.3. Evaluacion de las normas 2 e innito de un sistema . . . . . . . . . . . . . . . . . . . . . . . . . . 6
I.4. Desigualdades matriciales lineales . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 8
I.5. Estabilidad robusta y desempe no nominal . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 12
II. Analisis y sntesis de controladores para sistemas con saturaciones 33
II.1. Introduccion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 33
II.2. Especicaciones de funcionamiento . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 34
II.3. Analisis
1
. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 37
II.4. Estabilidad robusta . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 37
II.5. Solucion mediante programacion lineal . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 38
II.6. Control de un reformador de hidrogeno . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 43
II.7. Metodo de calculo basado en LMIs . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 52
II.8. Resumen del captulo . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 55
III. Sntesis de controladores mediante programaci on semidenida 57
III.1. Introduccion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 57
III.2. Estabilidad cuadratica . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 58
III.3. Sistemas con incertidumbre acotada en norma . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 60
III.4. Sistemas poliedricos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 63
III.5. Condiciones menos conservadoras . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 65
III.6. Dise no por realimentacion de la salida . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 66
III.7. Sistemas ciertos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 66
III.8. Sistemas con incertidumbre acotada en norma . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 71
III.9. Sistemas con incertidumbre poliedrica . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 80
IV. Sintonizaci on robusta de controladores industriales 91
IV.1. Introduccion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 91
IV.2. Los algoritmos PID . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 92
IV.3. PID va LMIs iterativas . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 92
IV.4. El algoritmo ILMI . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 93
IV.5. Comparacion de tecnicas de entonacion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 95
IV.6. Enfoque frecuencial . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 97
i
A. Factorizaci on coprima 103
A.1. Factorizacion coprima . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 103
A.2. Parametrizacion de Youla . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 105
ii
Presentaci on
Este libro trata sobre programacion convexa aplicada al control. En particular, de la programacion lineal y
la semidenida. Recientes desarrollos han despertado mucho interes en este campo, y entre ellos mencionamos
los asociados con la teora de control robusto y los metodos numericos de puntos interiores. La primera permite
estudiar en un marco unicado la incertidumbre sobre el sistema y sobre las perturbaciones externas. Los segundos
permiten resolver de manera muy eciente problemas convexos. Ademas, y esperamos convencer de ello al lector
que con paciencia avance por el libro, es muy grande el campo de las aplicaciones de la programacion convexa
en el control.
En estos apuntes nos concentramos en el dise no de sistemas de control para sistemas lineales invariantes en el
tiempo, a los que imponemos m ultiples objetivos en el desempe no del lazo cerrado de control (e.g., estabilidad,
rapidez, atenuacion, sensibilidad). De particular interes son aquellos sistemas en los que la incertidumbre en el
modelo o las perturbaciones externas son de tal magnitud que deben tenerse en consideracion explcitamente.
As, en este trabajo analizamos sistemas con incertidumbre surgida de imperfecciones del modelo, tpicamente
representada por una funcion de transferencia que afecta globalmente al sistema en estudio. Ademas, analizamos
incertidumbre asociada con los parametros y de muy alta estructura. En cuanto a las perturbaciones, al contrario
del enfoque tradicional que presupone la forma y solo desconoce el momento en la que afectara al sistema,
unicamente asumiremos conocida alguna cota superior (e inferior si es el caso) de ella (e.g., energa, amplitud,
ruido blanco).
En el caso de sistemas inciertos, estudiamos sistemas con incertidumbre acotada en norma y con incertidumbre
poliedrica. Ambos tipos con implicaciones practicas importantes. El enfoque de partida es el cuadratico, esto es,
siempre buscamos una funcion de Lyapunov com un a todos los modelos que pueda tener un sistema. Desde el
enfoque cuadratico, se derivan condiciones mucho menos conservadoras al encontrar ya no una sino diferentes
funciones de Lyapunov. Ambos enfoques se basan en una representacion del sistema en variables de estado. Esto
pone al alcance del dise nador herramientas sumamente poderosas de analisis y sntesis de compensadores. Ventaja
adicional de este marco (variables de estado) es que no se hace ninguna distincion en el tratamiento de sistemas
MIMO o SISO.
En esa parte del trabajo (sistemas con incertidumbre) revisamos una serie de resultados de la ahora muy
conocida teora del control robusto y ponemos enfasis en un enfoque integrador de la misma. Uno de los aportes
de este trabajo es sin duda la solucion ofrecida al dise no con objetivos m ultiples cuando no todos los estados
estan disponibles y solamente una parte de ellos puede retroalimentarse, usandose para control. Todos nuestros
aportes estan basados en el dise no de un controlador dinamico.
Tanto en el tratamiento de la incertidumbre como en el caso de las perturbaciones, el logro de los objetivos de
control se eval ua a traves de la norma de una funcion de transferencia. Observe que hasta aca no hemos hecho
ninguna distincion entre sistemas continuos y discretos; la razon es que, en general, se desarrollaran resultados
para ambos tipos de sistemas con el enfoque propuesto (normas). Notable excepcion es la norma
1
cuyo ambito
basicamente son los sistemas discretos y a cuyo estudio dedicamos un captulo entero. A traves de esta norma,
se resuelve el problema de control robusto en el que la incertidumbre se describe en terminos de magnitud.
Las herramientas fundamentales de desarrollo son las desigualdades matriciales lineales, que se obtienen de
una aplicacion de la formula del complemento de Schur. Con ellas se puede formular una serie importante de
problemas como uno de programacion convexa. De esta manera, problemas del ambito de H

, H
2
,
1
, ubicacion
de polos en regiones, pasividad y otro buen n umero, encuentran un marco com un de planteamiento. De all que,
en ocasiones, hablemos de dise no multiobjetivos de sistemas, ya que especicar condiciones de desempe no del
tipo antes mencionado signica sumar (en realidad intersectar) colecciones de desigualdades matriciales lineales
en b usqueda de un punto factible: el controlador.
Tambien importante, en este trabajo proponemos un par de enfoques para entonar controladores industriales
con estructura estandar, siempre en el ambito de la programacion convexa.
El objetivo del libro es poner al alcance del lector conocimiento y tecnicas de la programacion lineal y semide-
nida que se aplican al analisis y dise no de sistemas de control. Como la lista de aplicaciones es extensa, en muchos
casos hacemos demostracion rigurosa de algunos resultados y dejamos al lector el desarrollo de la extension a
otros casos; por ejemplo, se demuestra estabilidad y se deja para el lector las demostraciones de ubicacion de
polos, H
2
, etc.
El libro esta originalmente pensado para cursos electivos de pre y postgrado en sistemas de control, especca-
mente sobre aplicaciones de la programacion convexa o de metodos numericos en control. Tambien puede usarse
en cursos basicos de sistemas de control, como complemento a las muy conocidas tecnicas analticas de dise no de
controladores, en cursos de sistemas multivariables y de control robusto.
En el captulo I se sientan las bases teoricas que justican los resultados presentados en los captulos subsi-
guientes. En el captulo II se presentan aplicaciones de la programacion lineal al calculo de controladores con
restricciones de saturacion, basadas en la norma
1
. En el captulo III se presentan algunas aplicaciones de la
programacion semidenida al calculo de controladores H

, H
2
y ubicacion de polos. En el captulo IV se presen-
tan algunas aplicaciones especcas al calculo de controladores tipo proporcional, integral y derivativo, ello por
lo extendido del uso de este tipo de controladores. Los captulos II, III y IV son independientes y, completado el
estudio del captulo I, el lector interesado puede ir directamente a cualquiera de ellos.
Este libro es fruto de la intensa cooperacion cientca que hemos sostenido entre la Universidad Simon Bolvar
en Caracas, la Universidad de Valladolid en Valladolid y el Laboratoire dAnalyses et Architecture des System`es
(LAAS) en Toulouse. En particular, los autores desean expresar su agradecimiento a los colegas Ernesto Granado,
Omar Perez, Jacques Bernussou, Cesar de Prada, Francisco del Valle, Maite Ura y Rosalba Lamanna. A la jefa
de Produccion de la Editorial Equinoccio, Margarita Oviedo, por su desprendido apoyo y a Jose Manuel Guilarte
por su paciente correccion del estilo del libro. Igualmente, agradecemos a las instituciones que hicieron posible esa
cooperacion, a saber, los programas CYTED-RIII, PCP Automatique, PCP Optimizacion de Sistemas y FEDER.
A las instituciones CICYT y al FONACIT. Finalmente, agradecemos el nanciamiento de la publicacion que
realiza el Ministerio de Educacion y Ciencia Espa nol, a traves del proyecto CICYT DPI2004-07444-C04-02, y a
la Universidad Simon Bolvar, a traves de la Editorial Equinoccio y de la Direccion de Cultura.
Williams Colmenares, en Caracas, y Fernando Tadeo, en Valladolid
iv
CAP

ITULO I
Analisis de sistemas con m ultiples objetivos
I.1. Controladores multiobjetivo
El dise no de estrategias de control que aseguren un n umero de objetivos (especicaciones) en un lazo de control
ha sido objeto de intensa investigacion y estudio, pasando en los ultimos 50 a nos de ser un campo intuitivo y
de sentido com un (de ingenio) [Cor96], [AH95], a uno riguroso y formal en el que matematicos e ingenieros
encuentran tierra fertil.
Dentro de las disciplinas que conforman los sistemas de control, el estudio de los sistemas lineales invariantes en
el tiempo ha conocido enormes avances y cambios en los paradigmas de su estudio, en parte por su simplicidad y
propiedades que permiten la aplicacion de poderosas herramientas matematicas y en parte porque esos resultados
pueden ser aplicados a un importante n umero de sistemas, incluyendo algunos muy complejos (e.g., multimodelos
[CGP98], no lineales [BA95], etc).
De esta manera, el dise no de controladores para sistemas lineales ha evolucionado desde reglas muy simples de
sintonizacion [ZN42], ajustes de margen de fase y de ganancia [Kuo95], [PH96], dise no basado en representaciones
de estado como ubicacion de polos [PH96], control optimo, [AM89], LQG/LTR [DS81], dise no basado en el margen
del modulo (u operador diferencia de retorno) [DFT92], basado en los valores singulares y control robusto [San89],
[MZ89], [DGK89], llegando hasta los paradigmas basados en la manipulacion de normas (de se nales o de sistemas)
y dentro de los que podemos mencionar H

, H
2
, L
1
,
1
. Este enfoque se ve fortalecido con la posibilidad de
ubicar los modos de un sistema, no en puntos exactos del plano s, sino mas bien en regiones del mismo (tecnicas
denominadas de root clustering) y a lo que tambien denominaremos ubicacion de polos [CGP96].
Todo ello encuentra ademas un medio integrado de formulacion en las desigualdades matriciales lineales (LMIs)
[Boy94] que surgen de la formula del complemento de Schur, esto es, los problemas antes mencionados pueden
formularse como un conjunto de esas desigualdades (LMIs).
Si, como demostraremos, los controladores H
2
aseguran un buen rechazo al ruido y los controladores H

funcionan bien, aun en presencia de incertidumbre asociada con dinamicas no modeladas y reejadas sobre todo
en altas frecuencias o en presencia de perturbaciones no conocidas pero acotadas en energa, y si el agrupamiento
de polos permite especicar algunas caractersticas de la respuesta temporal del sistema, entonces entenderemos
como el dise no de controladores multiobjetivos se reere a una estrategia de control que permite, de manera
explcita, establecer todas (o algunas) de esas especicaciones antes mencionadas en el calculo del contro-
lador. Observe que la lista de especicaciones no es agotadora y que, adicionalmente, pueden incluirse otras
especicaciones como cero error en estado estacionario (oset), estructura del controlador, etc., aunque ya no
como LMIs y de all que su inclusion conlleve un tratamiento especial en cada caso.
Adicionalmente, bajo el mismo enfoque puede considerarse incertidumbre parametrica en el modelo, esto es,
incertidumbre en bajas frecuencias normalmente asociada con variacion o desconocimiento en los parametros
del modelo.
En este texto nos proponemos presentar una vision integrada del dise no de controladores multiobjetivo, con
particular enfasis en los casos en los que aparece incertidumbre parametrica en los sistemas. Aunque la aplicacion
a sistemas perfectamente conocidos tiene no poca importancia, la extension a ese tipo de sistemas ciertos, en
la mayora de los casos, es inmediata y hace del enfoque una herramienta aun mas poderosa para el dise no de
controladores.
En este trabajo entenderemos como controlador multiobjetivos a aquel que satisface simultaneamente ciertos
criterios de desempe no (performance/prestacion) medidos a traves de:
la norma H
2
la norma H

la ubicacion de polos
la norma
1
.
Sin embargo, a un no hemos denido formalmente tales elementos de medida, de all que este primer captulo
lo consagremos a sentar las bases de tal meta, es decir, las deniciones y demostraciones que luego seran usadas
en todo el resto del trabajo.
Cuando nos referimos a una representacion de estados, lo hacemos con respecto a un sistema como el descrito
en (I.1), basado en una representacion en variables de estado de un sistema (LTI), que en su forma generica es:
x(t) = Ax(t) +Bu(t) +B
1
w(t)
y(t) = Cx(t) +Dw(t)
z(t) = C
1
x(t) +D
1
u(t)
(I.1)
donde x(t) IR
n
es el vector de estados, u(t) IR
m
es el vector de control, w(t) IR
nw
es el vector de
perturbaciones externas, y(t) IR
p
es el vector de salidas medibles y z(t) IR
nz
es el vector de salidas a
controlar. Las matrices A, B, B
1
, C, C
1
, D, D
1
son matrices reales de dimensiones apropiadas que pueden o no ser
matrices constantes.
I.2. Sobre la norma de se nales y sistemas
Las normas son operaciones matematicas (funciones) realizadas sobre un operando (un vector, una matriz, una
se nal, un sistema, etc.) que nos permiten compararla con sus similares (otro vector, matriz, etc.). En ese sentido,
son metricas (medidas) que dan informacion sobre el tama no del elemento al cual se le aplica la norma.
De particular interes para este texto son las normas de se nales y sistemas. Para facilitar la presentacion de las
normas que usaremos de se nales y sistemas, comenzamos con las de vectores y matrices.
2
Normas de vectores y matrices
Sea C
n
el espacio lineal de los n umeros complejos de dimension n. Diremos x C
n
implicando:
x = (x
1
, x
2
, . . . , x
n
) con x
i
C.
Las normas mas comunes en C
n
estan dadas por:
x
p

= (|x
1
|
p
+|x
2
|
p
+. . . +|x
n
|
p
)
1/p
p = 1, 2,
donde |x
i
| es la magnitud de x
i
y x

se interpreta como:
max
i
|x
i
|.
La norma x
2
, cuando x IR
n
, es simplemente la longitud euclideana del vector x.
Sea ahora C
nn
, el espacio de matrices en n n con elementos en C. Normas comunes de A C
nn
son
(i = 1, . . . , n; j = 1, . . . , n):
A
1
= max
j
n

i=1
|a
ij
|
A

= max
i
n

j=1
|a
ij
|
y la norma espectral
A
2
= max
i

i
(A) = (A)
donde
i
(A) es el valor singular i-esimo de A, que se calcula de la forma:

i
(A) =
_

i
(A
H
A)
y A
H
es el conjugado hermitiano de A transpuesto mas complejo conjugado de la matriz. Podemos observar
que, de acuerdo con la denicion, todos los valores singulares son n umeros reales.
Normas de se nales y sistemas
Sea Y (s) una funcion de C C
n
y sea L
n
2
el conjunto de todas las funciones de dimension n para las que la
siguiente cantidad es nita:
Y (s)
2

=
_
1
2
_

Y (j)
H
Y (j)d
_
1/2
. (I.2)
(I.2) dene la norma-2 de la funcion Y (s). Para el caso en el que Y (s) no tenga polos en el semiplano derecho
(cerrado), el teorema de Parseval nos da el equivalente en el dominio del tiempo de esa norma.
Para ello, sea Y (s) la transformada de Laplace de y(t). Entonces se cumple que:
Y (s)
2
= y(t)
2
=
__

0
y(t)
T
y(t)dt
_
1/2
.
En el caso de que el sistema Y (s) sea una matriz de sistemas (funciones) de dimensiones mn se tiene que:
Y (s)
2

=
_
1
2
_

Tr
_
Y (j)
H
Y (j)

d
_
1/2
.
3
Observe que Y
H
(j) = Y (j)
T
. Si Y (s) L
mn
2
entonces
Y (s)

= sup

(Y (j)) (I.3)
donde es el valor singular maximo, esto es:
(Y (j)) = max
i
_

i
(Y (j)
H
Y (j)).
El siguiente teorema establece que la norma innita es la norma inducida de la norma 2.
Teorema I.1 ([MZ89] y [San89]) Sea el sistema (I.1) en el que la perturbaci on w(t) es cero y sean Y (s)
y U(s) las transformadas de y(t) y u(t). Sabemos que Y (s) = G(s)U(s), con, G(s) = C(sI A)
1
B y g(t) la
transformada inversa de G(s). Consideremos igualmente que deseamos conocer la cota mnima superior de la
salida cuando u
2
1. Entonces:
G(s)

= sup
u(t)21
y(t)
2
. (I.4)
G(s)
2
= sup
u(t)21
y(t)

. (I.5)
La demostracion de este teorema puede encontrarse en las referencias mencionadas en el enunciado y se basa en
el hecho de que el lado izquierdo de (I.4) y (I.5) en general sobreestima las normas y(t)
2
y y(t)

, pero si no
hay restriccion en la se nal de control u(t) salvo la de su cota en la norma 2, siempre puede construirse una se nal
u(t) L
m
2
(de hecho, para el caso de la norma innito, escogiendo u(t) como una sinusoide cuyo espectro sean
dos pulsos centrados en
0
y
0
, la frecuencia de la norma innito, de ancho 2 y altura
_
/2 y en el caso
de la norma 2, como g(t)/G
2
) tal que esa cota superior sea alcanzada.
Observacion I.1 Observe que (I.4) puede interpretarse como que la norma innita y dos de la funci on de
transferencia entre u(t) y y(t) en el sistema (I.1) da la m axima amplicaci on de la energa de la se nal de
entrada u(t) medidas como energa y valor pico respectivamente.
Observacion I.2 En este libro nos concentraremos en las normas dos e innito que son las de uso m as com un.
Ellas, sin embargo, son s olo un subconjunto de restricciones que de forma generica se denominan Restricciones
Integrales Cuadr aticas (ICQ por sus siglas en ingles) [Boy94]. Estas restricciones pueden igualmente ser descrita
como LMIs.
Ejemplo normas 2 e innito
Se desea calcular la norma innito y 2 del siguiente sistema:
G(s) =
1
s + 5
Para el calculo de la norma 2 se puede usar el teorema de Parseval, esto es:
G(s)
2
= g(t)
2
4
donde g(t) es la respuesta al impulso de G(s), esto es:
g(t) = e
5t
t 0
entonces
G(s)
2
=
__

0
{e
5t
e
5t
}dt
_
1/2
=
1
10
e
10t

0
=
1

10
.
En el caso de la norma innito, se sabe que:
G(s)

= sup

|G(j)| = sup

2
+ 5
2
= 0,2.
Ejemplo valores singulares
Considere el sistema:
G(s) =
1
s
2
+ 9
_
s
5
_
y se desea dibujar la evolucion de sus valores singulares cuando toma valores en el intervalo [0, ). Igualmente,
se desean esos mismos valores para G
11
(s) y G
12
(s). Hay que determinar tambien el valor de la norma innito.
Note que en el caso de las transferencias G
11
(s) y G
22
(s) la respuesta gracada es simplemente el diagrama de
Bode, siendo como son funciones de transferencia SISO.
Un programa en Matlab que calcula y graca los valores singulares se lista a continuacion:
s=tf(s)
g11=s/(s^2+9)
g12=-5/(s^2+9)
G=[g11;g12]
sigma(G,k,g11,r,g12,b)
y la graca de los valores singulares vs frecuencia se muestra en la gura (I.1).
Observe que en = 3 los valores singulares no estan denidos, i.e.,
G(s)

= G
11
(s) = G
12
(s) = .
En realidad hemos abusado del lenguaje, porque para ese sistema la norma innita no existe, siendo que no es
nita o, dicho de otra manera, la norma innita no es de ninguna utilidad para este sistema.
Consideremos ahora sistemas discretos lineales invariantes en el tiempo y sea x(k) una funcion (secuencia) de
II IR
n
. La norma
p
de x se dene como [DD95]:
x
p
=
_

k=0
|x(k)|
p
p
)
_1
p
si esa cantidad es nita. En la ecuacion anterior, | |
p
es la norma p del vector x(k) e II es el conjunto de los
n umeros enteros. De particular interes son las normas donde p = 1, 2, y, en el caso de que p = , esa norma
se dene como:
x

= sup

max
i
|x
i
(k)|.
Finalmente, enunciamos sin demostracion el lema sobre la descomposicion en valores singulares tomado de
[GL95]:
5
10
1
10
0
10
1
10
2
80
60
40
20
0
20
40
60
Frecuencia (rad/s)
V
a
l
o
r
e
s

s
i
n
g
u
l
a
r
e
s
G() y G
12
()
G() y G
11
()
G
11
()
G
12
()
Figura I.1.: Evolucion de los valores singulares.
Lema I.1 Para cualquier matriz compleja Q IR
mp
, existen matrices unitarias Y y U en mx y p p y una
matriz real tal que:
Q = Y
_
0
0 0
_
U
H
(I.6)
en el que = diag(
1
, . . . ,
r
) con
1

2
. . .
r
0 y mn(m, p) r. Adem as
i
son los valores
singulares de Q. Cuando Q es real, el par (Y, U) pueden escogerse ortonormales. La expresi on (I.6) es com unmente
denominada descomposici on en valores singulares de Q.
I.3. Evaluacion de las normas 2 e innito de un sistema
En la seccion previa hemos introducido brevemente las deniciones de normas 2 e innito de se nales y sistemas.
Salvo en muy pocos casos, estas deniciones no nos proporcionan un medio ecaz para el calculo de tales normas.
En esta seccion presentamos un conjunto de medios que nos permiten el calculo de esas normas, en sistemas
lineales con representacion de estados.
Con este proposito, consideremos una representacion simplicada del sistema (I.1) y tengamos al sistema lineal
invariante en el tiempo (LTI):
x(t) = Ax(t) +Bu(t)
y(t) = Cx(t)
(I.7)
donde x(t) IR
n
es el vector de estados, u(t) IR
m
es el vector de entradas (control) y y(t) IR
p
es el vector de
salidas medibles del sistema. A, B, C son matrices constantes de dimensiones apropiadas.
Es facil demostrar que la funcion de transferencia del sistema [PH96] es:
G(s) =
Y (s)
U(s)
= C(sI A)
1
B. (I.8)
Los siguientes teoremas nos dan las herramienta de calculo de esas normas que buscamos.
6
Teorema I.2 ([ZK88]) Para el sistema (I.7), las siguientes proposiciones son equivalentes:
1. A es una matriz estable y G(s)

2. Existe una matriz P denida positiva tal que
A
T
P +PA+
2
PBB
T
P +C
T
C < 0. (I.9)
Demostracion: Una comprobacion muy sencilla de que (2) (1) esta inspirada en las propiedades del operador
diferencia de retorno (return dierence operator) que se hace en [AM89] y es como sigue: cambiando el signo de
la desigualdad (I.9) y sumando y restando sP con s = j y la frecuencia en la que ocurre la norma innito de
G, tenemos que:
(sI A)
T
P +P(sI A)
2
PBB
T
P C
T
C > 0, (I.10)
multiplicando la derecha de (I.10) por (sI A)
1
B y a la izquierda por su transpuesto complejo conjugado
(hermitiano) resulta en:
B
T
P(sI A)
1
B +B
T
(sI A
T
)
1
PB

2
B
T
(sI A
T
)
1
PBB
T
P(sI A)
1
B
B
T
(sI A
T
)
1
C
T
C(sI A)
1
B
(I.11)
a la derecha de la desigualdad (I.11) reconocemos G(s)
2

y recordando que:
[I
1
B
T
P(sI A)
1
B]
H
[I
1
B
T
P(sI A)
1
B] 0,
la proposicion (1) sigue. La demostracion de que (1) (2) puede encontrarse en la cita antes enunciada.
Teorema I.3 ([San89] [PSG92]) Consideremos al sistema (I.7) y sea A una matriz hurwitz (estable), entonces
G(s)
2
2
= Tr(CL
c
C
T
) = Tr(B
T
L
o
B) (I.12)
donde L
c
es el gramiano de controlabilidad y L
o
es el gramiano de observabilidad y satisfacen:
AL
c
+L
c
A
T
+BB
T
= 0
A
T
L
o
+L
o
A+C
T
C = 0.
(I.13)
Demostracion: Sin perdida de generalidad, nos limitaremos a los sistemas de una entrada y una salida (SISO).
Igualmente, como ambas demostraciones son similares nos limitaremos a la asociada al gramiano de controlabi-
lidad. En tal sentido, recordemos que:
L
c

=
_

0
e
At
BB
T
e
A
T
t
dt
donde
e
At
= I +At +. . . +
A
n
t
n
n!
+. . .
luego se cumple que:
d(e
At
)
dt
= Ae
At
= e
At
A
ahora bien,
CL
c
C
T
=
_

0
Ce
At
BB
T
e
A
T
t
C
T
dt
pero recordemos que la transformada inversa de G(s) es
L
1
(G(s)) = g(t) = Ce
At
B
y entonces
CL
c
C
T
=
_

0
g(t)g(t)
T
dt = g(t)
2
2
7
y por el teorema de Parseval
G(s)
2
2
= g(t)
2
2
= CL
c
C
T
por otra parte
AL
c
+L
c
A
T
+BB
T
=
_

0
Ae
At
BB
T
e
A
T
t
dt +
_

0
e
At
BB
T
e
A
T
t
A
T
dt +BB
T
=
_

0
d
dt
_
e
At
BB
T
e
A
T
t
_
dt +BB
T
= e
At
BB
T
e
A
T
t
|

0
+BB
T
BB
T
+BB
T
= 0.
Ejemplo
En el sistema que se describe a continuacion, se desea calcular las normas 2 e innito de:
G(s) =
s
s
2
+s + 1
el listado de un programa de MATLAB que las calcula se muestra a continuacion
s=tf(s)
G_tf=s/(s^2+s+1)
G=ss(G_tf)
Lc=gram(G,c)
[a,b,c]=ssdata(G)
Norma2=c*Lc*c
Lo=gram(G,o)
OtraN2=b*Lo*b
Respuesta=bode(G);
NormaInf=max(Respuesta)
obteniendose:
G(s)
2
=
_
0,5 y G(s)

= 1.
I.4. Desigualdades matriciales lineales
Una desigualdad matricial lineal (LMI por sus siglas en ingles, Linear Matrix Inequality) tiene la forma [Boy94]:
F(x) = F
0
+
m

i=1
x
i
F
i
> 0 (I.14)
donde x IR
m
es la variable y las matrices simetricas F
i
(=F
T
i
IR
nn
), i = 0, . . . , m son dadas. La desigualdad
en (I.14), entendiendose como que F(x) es una matriz denida positiva, i.e., u
T
F(x)u > 0 para todo u IR
n
diferente de cero.
Observacion I.3 Hay que se nalar que pueden tenerse desigualdades matriciales lineales no estrictas si la des-
igualdad es del tipo .
Una caracterstica interesante es que desigualdades matriciales (convexas) no lineales pueden ser convertidas
a LMIs a traves de la formula del complemento de Schur y que detallamos a continuacion.
Lema I.2 ([Boy94]) Las siguientes proposiciones son equivalentes:
8
1.
S
1
=
_
P Q
Q
T
R
_
> 0 (I.15)
2. P > 0 y R Q
T
P
1
Q > 0 o
3. R > 0 y P QR
1
Q
T
> 0.
Demostracion: Surge del hecho de que siendo (I.15) denida positiva (> 0), entonces P y R tambien lo son.
Construyendo la matriz de transformacion T
1
regular (con autovalores todos diferentes de cero, de hecho todos
iguales a uno):
T
1
=
_
I P
1
Q
0 I
_
(I.16)
entonces
S
2
=
_
P 0
0 R Q
T
P
1
Q
_
= T
T
1
S
1
T
1
. (I.17)
siendo que S
1
es denida positiva y T
1
regular (de hecho tambien denida positiva), entonces S
2
> 0. Por otro
lado, si S
2
> 0 entonces P y R son denidas positivas, siendo que T
1
es regular, entonces:
S
1
= (T
T
1
)
1
S
2
T
1
1
(I.18)
de donde surge que S
1
> 0 y la primera proposicion del lema (I.15) queda demostrada.
Podemos proceder de manera similar con la proposicion 2 del Lemma (I.15) si denimos la matriz de transfor-
macion:
T
2
=
_
I 0
R
1
Q
T
I
_
. (I.19)
Dejamos al lector tal demostracion
Es interesante describir al lema (I.15) en su forma dual.
Lema I.3 Las siguientes proposiciones son equivalentes:
1.
_
P Q
Q
T
R
_
< 0 (I.20)
2. P > 0 y Q
T
P
1
QR < 0 o
3. R > 0 y QR
1
Q
T
P < 0.
En conclusion, las LMI (I.15) y (I.20) son equivalentes a sus contrapartes no lineales.
Observacion I.4 Hacemos notar que en una LMI las variables son matrices que aparecen en forma lineal en la
desigualdad. Una vez escrita como una LMI, podemos invocar con certeza la convexidad de la desigualdad, lo que
muchas veces no es aparente de las desigualdades no lineales.
Observacion I.5 Una vez escrita una desigualdad matricial como una LMI, existen herramientas poderosas
para la resoluci on de tales problemas, como por ejemplo el Toolbox de LMIs de Matlab, [GNL95], que utiliza
metodos (e.g., del elipsoide [Win94]) que aprovechan la estructura particular de las LMI para su resoluci on.
9
En un sentido mas amplio, los problemas formulados en terminos de desigualdades matriciales lineales no son
mas que problemas de programacion semidenida, los que a su vez son una generalizacion de los muy conocidos
problemas de programacion lineal en las que las restricciones de desigualdad son reemplazadas por desigualdades
generalizadas, correspondientes al cono de matrices semidenidas [PL03].
En su forma primal pura, un problema de programacion semidenida se dene como el problema de optimiza-
cion:
mn traza(CX)
sujeto a traza(A
i
X) = b
i
i = 1, . . . , m,
X 0
(I.21)
donde X S
n
, el espacio de matrices reales y simetricas en n n, b IR
m
y C, A
1
, . . . , A
m
S
n
, son matrices
simetricas dadas.
En este libro presentaremos una serie de resultados sobre el analisis y sntesis de controladores H

, H
2
y de
ubicacion de polos en regiones que encuentran un marco com un en su formulacion a traves de LMIs, esto es,
como un problema de programacion semidenida. As, por ejemplo, la desigualdad (I.9) puede escribirse como la
siguiente LMI en P > 0:
_
A
T
P +PA+C
T
C PB
B
T
P
2
I
_
< 0 (I.22)
o en su forma dual si denimos S

= P
1
,
_
AS +SA
T
+
2
BB
T
SC
T
CS I
_
< 0.
La demostracion sigue de una aplicacion directa del complemento de Schur.
De la misma forma, el problema de costo garantizado [CP72] y [PSG92] que brevemente signica que:
G(s)
2
2
<
puede escribirse como un problema de factibilidad, esto es, encontrar P > 0 tal que:
1.
_
I CP
PC
T
P
_
> 0 (I.23)
2.
AP +PA
T
+BB
T
< 0 (I.24)
Demostracion: En efecto, si la segunda condicion (I.24) es satisfecha, se cumple que P > L
c
, por lo que
G
2
2
= CL
c
C
T
CPC
T
pero la LMI de la condicion (I.23) implica que CPC
T
< I.
Observacion I.6 Cuando no hay incertidumbre en el modelo se puede, con la introducci on de una variable
matricial adicional W, conseguir el mnimo de esa norma [GPS92] y que por supuesto coincide con el que arroja
el enfoque, digamos cl asico, del control optimo [AM89].
En lo sucesivo nos referiremos a un controlador H
2
(o H

) como aquel que hace que la norma 2 (o innito) de la

funcion de transferencia del sistema a lazo cerrado cumpla con alguna especicacion (usualmente cota superior)
dada. Ambas normas no son mas que un subconjunto de una clase mas amplia de restricciones denominadas
Restricciones integrales cuadraticas (o IQC por sus siglas en ingles) que pueden igualmente representarse por
conjuntos de LMIs.
Podemos notar que el problema de dise no de un controlador que satisfaga criterios en ambas normas (H
2
y
H

) puede formularse como una coleccion de LMIs.

10
Ejemplo
Consideremos una vez mas el sistema del ejemplo de la seccion (I.3) y calculemos cotas para sus normas 2 e
innito.
El listado MATLAB, destinado al calculo de una matriz P para una cota superior digamos 1.01 de la
norma innito, se muestra a continuacion. Se hace uso del toolbox de desigualdades matriciales lineales.
num=[1 0];
den=[1 1 1];
[a,b,c,d]=tf2ss(num,den);
gamma=1.01;
setlmis([]);
p=lmivar(1,[2 1]);
lmiterm([1 1 1 p],a,1,s); % LMI #1: a*p+p*a
lmiterm([1 1 1 0],c*c); % LMI #1: c*c
lmiterm([1 2 1 p],b,1); % LMI #1: b*p
lmiterm([1 2 2 0],-gamma^2); % LMI #1: -gamma
lmiterm([-2 1 1 p],1,1); % LMI #2: p
eje14=getlmis;
[tmin,popt]=feasp(eje14);
p=dec2mat(eje14,popt,1)
y una matriz P que verica la condicion (I.22) esta dada por
P =
_
1,0047 0,0037
0,0037 1,0054
_
.
Por otra parte, el listado MATLAB del calculo de una matriz P > 0, para una cota superior de

0,501 de la
norma 2, se muestra a continuacion. De nuevo se utiliza el toolbox de desigualdades matriciales lineales.
num=[1 0];
den=[1 1 1];
[a,b,c,d]=tf2ss(num,den);
gamma=0.501;
setlmis([]);
p=lmivar(1,[2 1]);
lmiterm([-1 1 1 0],gamma); % LMI #1: gamma^2
lmiterm([-1 2 1 p],1,c); % LMI #1: p*c
lmiterm([-1 2 2 p],1,1); % LMI #1: p
lmiterm([2 1 1 p],a,1,s); % LMI #2: a*p+p*a
lmiterm([2 1 1 0],b*b); % LMI #2: b*b
lmiterm([-3 1 1 p],1,1); % LMI #3: p
eje142=getlmis;
[tmin,popt]=feasp(eje142);
p=dec2mat(eje142,popt,1)
siendo una matriz P > 0 que verica (I.23) y (I.24):
P =
_
0,5006 0,0003
0,0003 0,5008
_
.
11
I.5. Estabilidad robusta y desempe no nominal
El dise no de sistemas de control que aseguren un buen desempe no del lazo, en presencia de incertidumbre en
el modelo y/o de perturbaciones persistentes de las cuales solo se conozca una cota en su energa, ha sido objeto
de intensa investigacion desde nales de la decada de los 70s. En efecto, el control robusto es una teora que ha
alcanzado madurez y que goza de amplia aceptacion, dada su caracterstica de manejo explcito del conocimiento
de la incertidumbre y de las perturbaciones externas.
En esta seccion presentamos las bases sobre las que se fundamenta esta teora y que, de una manera muy
simple, pueden resumirse en: bajo suposiciones adecuadas, tanto el problema de estabilidad robusta como el de
desempe no nominal pueden formularse como uno de determinaci on de un controlador H

.
Para facilitar la presentacion de los resultados de la teora de control robusto, primero nos limitaremos al caso
de sistemas de una entrada y una salida (SISO), para luego extrapolar esos resultados al caso multivariable a
traves de los valores singulares de matrices.
Sistemas de una entrada y una salida
Consideremos al sistema de la gura (I.2), cuya funcion de transferencia y(s)/r(s) viene denida por:
T(s) =
pc
1 +pc
, (I.25)
que tradicionalmente se conoce como funcion complementaria.
c(s)
r(t)
+ +
(-)
y(t)
d(t)
p(s)
u(t)
e(t)
Figura I.2.: Lazo clasico de control.
De nuevo, en relacion con la gura (I.2), la funcion de transferencia e(s)/r(s) (o y(s)/d(s)) viene dada por:
S(s) =
1
1 +pc
, (I.26)
que tradicionalmente se denomina como funcion de sensibilidad, ya que es la funcion que determina (en el dominio
de la frecuencia) la sensibilidad del lazo de la gura (I.2) a cambios en la planta p(s).
Evidentemente,
S(s) +T(s) = 1,
y de all el nombre de T(s).
Antes de entrar en el tema de estabilidad robusta, consideremos la estabilidad del lazo representado en la gura
I.2 y demos algunas deniciones.
Denicion I.1 El lazo representado en la gura (I.2) es internamente estable si toda funci on de transferencia,
entre una entrada y una salida del sistema, es estable.
12
Consideremos ahora cualquier realizacion mnima de T(s) de la forma:
x = A
cl
x +B
cl
r
y = C
cl
x +D
cl
r
Lema I.4 ([San89]) El sistema de la gura (I.2) es internamente estable si y s olo si los autovalores de la matriz
A
cl
est an en el semiplano izquierdo abierto. Esto es, que la matriz A
cl
es hurwitz.
Siendo A
cl
la matriz de estados (o dinamica) de cualquier funcion de transferencia del lazo de la gura (I.2),
la ubicacion de sus autovalores determina la de los polos de cualquier funcion de transferencia.
Si entendemos por robustez la capacidad de un sistema a lazo cerrado para responder adecuadamente ante
perturbaciones externas y/o variaciones en el modelo de la planta, tradicionalmente dicha robustez se asegura
ante incertidumbre en el modelo dise nando sistemas con amplios margenes de fase (
m
) y de ganancia (g
m
)
[PH96].
En la gura (I.3) se muestran sobre un diagrama de Nyquist, en forma graca, tales margenes.
Figura I.3.: Margen de fase
m
y de ganancia g
m
de un sistema SISO.
El margen de ganancia (g
m
) permite afrontar incertidumbre en la ganancia del proceso a controlar. En relacion
con la gura (I.4), esto signica alg un escalar del que solo se conocen sus cotas maximas. El margen de fase
(
m
) permite hacer frente a cambios incertidumbre en la fase. En relacion con la gura (I.4), alg un escalar
del que solo se conocen sus valores extremos. De modo que la planta real es la suma de la planta nominal (p(s))
y la incertidumbre (e
s
).
c(s)
r(t)
+
(-)
y(t)
u(t)
p(s)
sistema real
e
s
Figura I.4.: Representacion clasica de lazo incierto.
Hay que hacer notar que los enfoques de margen de fase o de ganancia presuponen que solo hay desconocimiento
en uno de los dos parametros, i.e., la magnitud () o la fase (), no en ambos. En general se presenta incertidumbre
en los dos y es facil generar casos en los que, aun teniendo excelentes margenes de fase y ganancia, una peque na
variacion simultanea en ambos magnitud y fase sobre los valores nominales, genera plantas inestables.
13
De all la idea de utilizar una nueva medida que conjugue variaciones simultaneas en magnitud y fase. Surge el
margen del modulo como nueva medida de robustez, basada en el operador diferencia de retorno. En relacion con
el lazo clasico que se muestra en la gura (I.2), deniremos al operador diferencia de retorno (O()) para una
frecuencia dada () como la distancia desde el punto (1, 0) o e
j
en el plano s al diagrama de Nyquist
correspondiente a esa frecuencia y que es equivalente al inverso de la magnitud de la funcion de sensibilidad
evaluada en esa frecuencia, esto es:
O() = |S(j)
1
| = |1 +p(j)c(j)|.
El margen del modulo se dene como:
M
m
= mn

O().
M
m
determina la distancia mas cercana, en el diagrama de Nyquist, al punto (1, 0) del plano s, esto es,
el punto mas cercano a encerrar el (-1,0) y, por ende, a convertir al lazo en inestable. M
m
permite afrontar
incertidumbre en magnitud y fase simultaneamente en un lazo. En la gura (I.5) mostramos gracamente un
ejemplo del operador.
Figura I.5.: Operador diferencia de retorno.
A continuacion presentamos un resultado basico de la teora de control robusto basado en esto ultimo.
Estabilidad robusta
Para poder establecer que condiciones se requieren para garantizar la robustez de un sistema ante incertidumbre
en el modelo de la planta, primero debemos establecer un modelo adecuado de la incertidumbre a considerar. En
el caso de margen de fase y de ganancia, la robustez la establecen esos margenes en la forma de lmites soportables
de variacion.
Es relativamente sencillo, a traves de ensayos en el sistema, obtener cotas para la incertidumbre en la magnitud
y para la incertidumbre en la fase de un sistema dado. Sin embargo, ello conducira a una cantidad innumerable
de formas de la incertidumbre para las que sera muy difcil desarrollar una teora general.
En vista de que cualquiera que sea la forma de la incertidumbre del sistema siempre, de manera mas o menos
conservativa, ella puede ser aproximada por una circunferencia, en el paradigma de control robusto, esta es la
14
descripcion mas com un de la incertidumbre y equivale a suponer que se conocen los lmites maximos de desviacion
de la magnitud sobre un valor nominal, pero se desconoce totalmente la fase.
En relacion con el diagrama de la gura (I.2) supondremos que la planta real es descrita por:
p(s) = p
n
(s) +l
a
(s) (I.27)
y entonces,
|p(j) p
n
(j)|

l
a
(). (I.28)
Esquematicamente podemos llevar esta incertidumbre al diagrama de Nyquist del sistema, tal como se muestra
en (I.6).
Figura I.6.: Modelo de la incertidumbre.
Se desprende de la descripcion de la incertidumbre que, para una frecuencia dada,

l
a
() es la cota maxima
de la magnitud de la incertidumbre y que no hay informacion sobre la fase (incertidumbre total en la fase).
A ttulo de ejemplo, consideremos un sistema de control de temperatura de un tanque de agua, que tenga
circulacion de agua permanente y nivel constante. El agua es calentada a traves de unas resistencias electricas.
El ejemplo lo tomamos de [Qui04]. La funcion de transferencia entre la potencia suministrada y la temperatura
del agua se determinan de manera experimental, dando escalones de potencia en la entrada y observando la
respuesta en la salida. Se realizan 4 pruebas, dos escalones positivos y dos negativos, resultando las 4 funciones
de transferencia que describimos a continuacion:
G
1
(s) =
0,6125
254s+1
e
32s
G
2
(s) =
0,75
215s+1
e
25s
G
3
(s) =
0,7
100s+1
e
20s
G
4
(s) =
0,6
200s+1
e
34s
.
Promediando las ganancias, las constantes de tiempo y los retrasos obtenemos como sistema nominal:
G
n
(s) =
0, 6656
192s + 1
e
28s
de donde es muy facil generar una funcion maxima de desviacion en magnitud para cada frecuencia.
En la gura (I.7) hemos incluido la respuesta en frecuencia de magnitud de los sistemas encontrados con
ensayos y la respuesta del sistema nominal obtenido promediando los parametros.
En la gura (I.8) se muestra, para el ejemplo anterior, la diferencia entre la magnitud de la respuesta en
frecuencia de los sistemas obtenidos en las pruebas menos la del sistema nominal. Ello para determinar una cota
superior al error en todo el rango de frecuencias.
15
10
6
10
5
10
4
10
3
10
2
10
1
10
0
60
50
40
30
20
10
0
Frecuencia (rad/s)
M
a
g
n
i
t
u
d

(
d
B
)
|G
n
(j)|
Figura I.7.: Diagramas de Bode de sistema de calentamiento.
En forma normalizada, com unmente denominada descripcion multiplicativa de la incertidumbre, la expresion
(I.27) puede escribirse como:
p(s) = p
n
(s)(1 +(s)W(s)) (I.29)
donde |(s)| < 1 es una funcion de transferencia que representa la incertidumbre, de la que solo se conoce que su
magnitud es menor que uno y W(s) es la funcion de peso que recoge, para cada frecuencia y de forma normalizada,
la cota maxima de la magnitud de la incertidumbre. Observe que cuando (s) es cero, no hay incertidumbre y la
planta p(s) es precisamente la nominal p
n
(s).
De (I.29) es claro que:
|W(j)| =

l
a
()
|p
n
(j)|

p(j)
p
n
(j)
1

.
En la gura (I.9) hemos colocado los valores normalizados del error, esto es: (l
a
(w)/|G
n
(j)|).
Observamos que, bajo esta descripcion de incertidumbre, ya no tenemos un solo modelo del sistema (digamos
el nominal) sino, mas bien, una familia (innita) de ellos.
La condicion de estabilidad para toda la familia de sistemas, estabilidad robusta, viene dada por el siguiente
resultado:
Teorema I.4 ([San89] y [MZ89]) Consideremos al sistema de la gura (I.2) en el que la planta p(s) es descrita
por la familia de modelos (I.29) y los cuales tienen el mismo n umero de polos en el semiplano derecho. Adem as, sea
c(s) un controlador que estabiliza la planta nominal p
n
(s). Entonces toda la familia de modelos ser a estabilizado
por el controlador c(s) si y s olo si
W(s)T(s)

= sup

|W(j)T(j)| 1 (I.30)
donde T(s) es la funci on complementaria denida en (I.25).
Demostracion: Es conveniente considerar que la familia de modelos del sistema de la gura (I.2), que satisfacen
(I.29), forman un conjunto representado por P. El sistema de la gura (I.2) es estable si y solo si para todo
16
10
6
10
5
10
4
10
3
10
2
10
1
10
0
0
0.02
0.04
0.06
0.08
0.1
0.12
0.14
0.16
0.18
0.2
Frecuencia (rad/s)
M
a
g
n
i
t
u
d

d
e
l

e
r
r
o
r
.

l a
(

)
=
|
G
i (
j

G
n
j

)
|
|G
3
(j)G
n
(j)|
Figura I.8.: Magnitud de la incertidumbre para cada frecuencia.
miembro p(s) P se cumple que la ecuacion 1 + p(s)c(s) = 0 no tiene races en el semiplano derecho cerrado
(que denominaremos C
+
). Luego ello es equivalente a:
1 +p
n
(s)c(s)[1 +W(s)(s)] = 0 || < 1 y s C
+
1 +p
n
(s)c(s) = (s)W(s)p
n
(s)c(s) || < 1 y s C
+
|1 +p
n
(s)c(s)| |W(s)p
n
(s)c(s)| s = j; [0, )
|T(s)W(s)| 1 s = j; [0, )
W(s)T(s)

1
(I.31)
Este resultado, fundamental para la teora de control robusto, tiene una interpretacion graca en el diagrama
de Nyquist (ver gura (I.10)). En efecto, en (I.31) el termino |W(s)p
n
(s)c(s)| =

l
a
()|c(s)| no es mas que el radio
de la circunferencia que determina el tama no de la incertidumbre (para cada frecuencia) y entonces se inere que
una condicion necesaria y suciente para estabilidad robusta es que, para cualquier frecuencia, la distancia del
1 al diagrama nominal de Nyquist, i.e. la magnitud del Operador diferencia de retorno, sea mayor que ese radio
(que acota la incertidumbre en esa frecuencia). En otros terminos y visto que toda la familia de sistemas tiene el
mismo n umero de polos en el semiplano derecho, la condicion de estabilidad robusta implica que la banda de
Nyquist, determinada por la familia de sistemas, no encierra al 1.
En (I.31) se uso el hecho derivado del teorema del maximo modulo que se nala que:
F(s)

= sup
Re{s}>0
|F(s)| = sup

|F(j)|,
es decir, que el maximo de una funcion continua en un conjunto cerrado y acotado ocurre en su frontera.
Podemos incluir esquematicamente la representacion de la incertidumbre multiplicativa en la descripcion clasica
del lazo realimentado. Ello se muestra en la gura (I.11).
En relacion con la misma gura (I.11), observe que el resultado para la estabilidad robusta es equivalente a
abrir el lazo en los dos extremos del bloque de la incertidumbre ((s)) y vericar que la funcion de transferencia
W(s)T(s) entre d(t) y z(t), nuevas entrada y salida al abrir el lazo, esta acotada en magnitud.
La incertidumbre multiplicativa, representada por W(s), es solo una forma entre muchas para describir lo que
desconocemos en un lazo. Las funciones W(s) tienen normalmente la forma mostrada en la gura (I.12). La
incertidumbre es mas peque na en bajas frecuencias y crece a medida que la frecuencia aumenta. Es importante
17
10
6
10
5
10
4
10
3
10
2
10
1
10
0
0
0.5
1
1.5
2
2.5
3
3.5
Frecuencia (rad/s)
M
a
g
n
i
t
u
d

d
e
l

e
r
r
o
r

n
o
r
m
a
l
i
z
a
d
a
.

W
(

)
=
|
G
i (
j

G
n
(
j

)
|
/
|
G
n
(
j

)
|
|G
3
(j)/G
n
(j)1|
Figura I.9.: Magnitud de la incertidumbre para cada frecuencia, normalizada.
Figura I.10.: Condicion de analisis de estabilidad robusta.
mencionar que de la funcion de incertidumbre W(s) lo unico importante es su magnitud. La consideramos como
una funcion de transferencia solo por tener una representacion consistente de un lazo de control (gura I.11).
La condicion de estabilidad robusta impone que la funcion complementaria T(s) satisfaga:
|T(j)| < |W(j)|
1
.
Luego, un modelo poco ajustado de la incertidumbre puede imponer cotas extremadamente restrictivas (muy
peque nas) en la funcion complementaria y, por ende, en el controlador.
De la misma forma que la magnitud de la incertidumbre debe ser lo mas entallada posible, a n de evitar ser
excesivamente conservadores en el dise no del control, el mismo razonamiento se extiende a la topologa del
modelo de la incertidumbre.
Hasta ahora hemos mencionado dos tipos, a saber:
Aditiva: p(s) = p
n
(s) +(s)W(s) |(s)| < 1
Multiplicativa: p(s) = p
n
(s)(1 +(s)W(s)) |(s)| < 1.
Ademas, entre otras, tambien podemos representar la incertidumbre como [San89], [DFT92]:
18
(s)
c(s) p
n
(s)
W(s)
r(t)
+ +
(-)
y(t)
u(t)
z(t)
d(t)
e(t)
Figura I.11.: Representacion del lazo con incertidumbre multiplicativa.
Figura I.12.: Modelo de variacion de la incertidumbre.
p(s) = p
n
(s)(1 +(s)W(s))
1
p(s) = p
n
(s)(1 +(s)W(s)p
n
(s))
1
;
algunas son equivalentes y, en cualquiera que sea la representacion, la estabilidad robusta viene determinada
por la norma innita de alguna funcion de transferencia. En la tabla (I.1) se recogen las equivalencias [San89],
[DFT92].
Tabla I.1.: Equivalencias entre medidas de incertidumbre
p(s) = p
n
(s)(1 +(s)W(s)) W(s)T(s)

1
p(s) = p
n
(s) +(s)W(s) W(s)p
1
n
(s)T(s)

1
p(s) = p
n
(s)(1 +(s)W(s))
1
W(s)S(s)

1
p(s) = p
n
(s)(1 +(s)W(s)p
n
(s))
1
W(s)p
n
(s)S(s)

1
Cualquiera que sea su representacion, la incertidumbre que afecta al sistema siempre lo hace de manera global
y de all que reciba com unmente en la literatura ese nombre, i.e., incertidumbre global o no estructurada. Si, por
el contrario, podemos identicar como las diferentes fuentes de incertidumbre afectan elementos particulares del
sistema, entonces estaramos frente a una incertidumbre estructurada.
Como ejemplo podemos mencionar modelos de incertidumbre de baja y alta frecuencia y que se traducen en
una representacion de la forma:
p(s) = p
n
(s)
1 +
1
(s)W
1
(s)
1 +
2
(s)W
2
(s)
|
1
(s)|, |
2
(s)| < 1.
19
Mencion particular hacemos sobre aquellos casos en los que el modelo es obtenido a partir de leyes fsicas que
gobiernan al sistema y en los que, por ende, se puede relacionar a los parametros de la funcion de transferencia
con alg unos elementos fsicos reales, como por ejemplo, diametro de una tubera, peso especco de un uido,
etc. Si esos parametros fsicos se ven afectados sensiblemente durante la operacion normal del sistema, ello va a
implicar no un modelo sino una familia de ellos. Este caso de incertidumbre altamente estructurada recibira el
nombre de incertidumbre parametrica y normalmente ocurre en bajas frecuencias. Tambien se le conoce como
incertidumbre poliedrica.
A continuacion presentamos dos ejemplos de sistemas inciertos y la funcion (W(s)) que acota el maximo de la
incertidumbre para cada frecuencia.
Ejemplo de calculo de la representacion de la incertidumbre
Consideremos al sistema:
G(s) =
1e
s
s + 1
con una incertidumbre en el retardo del sistema 0 0,2.
El sistema nominal es:
G
n
(s) =
1
s + 1
.
Se debe cumplir, para acotar la incertidumbre, que:

G(s)
G
n
(s)
1

W(s) (cota maxima de incertidumbre)

esto es:

e
s
1

W(s) (I.32)
Para el peor caso = 0,2, con un poco de ensayo y error obtenemos que:
W(s) =
2s
s + 1
. (I.33)
Observe que con esta funcion de transferencia (I.33), en = 2 ya tenemos un 20 % de desconocimiento y en
= 0,6 el desconocimiento es total.
La graca de la respuesta frecuencial de (I.32) y (I.33) se muestra en la gura (I.13).
Para el calculo del control H

la planta generalizada resulta:

_
z(s)
e(s)
_
=
_
0 G
n
(s)
W(s) G
n
(s)
_ _
d(s)
u(s)
_
o, explcitamente:
_
z(s)
e(s)
_
=
_
0
1
s+1
2s
s+1
1
s+1
_ _
d(s)
u(s)
_
.
La representacion de estados del mismo sistema resulta:
_
x
1
(t)
x
2
(t)
_
=
_
1 0
0 1
_ _
x
1
(t)
x
2
(t)
_
+
_
1
0
_
d(t) +
_
0
1
_
u(t)
20
10
1
10
0
10
1
10
2
10
3
40
35
30
25
20
15
10
5
0
5
10
Frecuencia (rad/s)
M
a
g
n
i
t
u
d

d
e
l

e
r
r
o
r

n
o
r
m
a
l
i
z
a
d
a
W()
|e
j0,2
1|
Figura I.13.: Respuesta frecuencial de la incertidumbre y su umbral.
y
_
z(t)
e(t)
_
=
_
0 1
2 1
_ _
x
1
(t)
x
2
(t)
_
+
_
0
2
_
d(t).
El control sugerido que calculamos con una de las tecnicas que desarrollaremos en captulos posteriores
es:
C(s) =
5,012 10
8
s
2
+ 0,03328s 0,003325
s
2
+ 3,333 10
6
s + 65,84
.
El diagrama de bloques para efectos de la atenuacion de perturbacion queda como se muestra en la gura
(I.14).
c(s)
r(t)
+ +
(-)
y(t)
u(t)
z(t) d(t)
G
n
(s)
W(s)
e(t)
Figura I.14.: Atenuacion de perturbaciones.
La funcion de transferencia entre d(s) y z(s) con el controlador propuesto es:
T
dz
=
W(s)C(s)G
n
(s)
1 +C(s)G
n
(s)
y la respuesta frecuencial de esa funcion de transferencia se muestra en la gura (I.15).
Ejemplo caso calentador
Retomamos el ejemplo de [Qui04], solo en lo que respecta al calculo de la funcion W(s).
21
10
6
10
4
10
2
10
0
10
2
10
4
10
6
10
8
300
280
260
240
220
200
180
160
Frecuencia (rad/s)
M
a
g
n
i
t
u
d

(
d
B
)

T
d
z
|T
dz
(j)|
Figura I.15.: Respuesta frecuencial sistema a lazo cerrado T
dz
.
A partir de (I.9) es facil generar la funcion:
W(s) =
0,13(s/0,001 + 1)
(s/0,024 + 1)
.
En (I.16) mostramos la respuesta frecuencial de W(s) en magnitud as como los errores normalizados de
los cuatro sistemas, i.e., |G
i
(s) G
n
(s)|/|G
n
(s)|, i=1,2,3,4.
10
6
10
5
10
4
10
3
10
2
10
1
10
0
0
0.5
1
1.5
2
2.5
3
3.5
Frecuencia (rad/s)
M
a
g
n
i
t
u
d

d
e
l

e
r
r
o
r

n
o
r
m
a
l
i
z
a
d
a
W()
Figura I.16.: Respuesta en frecuencia de los errores y su umbral W(s). Ejemplo calentador.
Desempe no nominal
Consideremos el lazo de control de (I.2) en el que el sistema p(s) es perfectamente conocido y unico. El
desempe no de un sistema se mide, entre otros y en el ambito del control clasico, como la capacidad de seguir una
22
referencia determinada r(t) o de rechazar una perturbacion de forma conocida d(t) en la salida del sistema y(t).
En el primer caso el desempe no podemos medirlo a traves de la se nal de error:
e(s) =
r(s)
1 +p(s)c(s)
= S(s)r(s)
y en el segundo a traves de la salida:
y(s) = S(s)d(s);
en ambos casos se desea hacer peque na la funcion de sensibilidad a n de tener el desempe no deseado.
En el marco del control clasico, la se nal a seguir (o rechazar) es conocida un escalon, una rampa, una
parabola, un impulso y lo que es verdaderamente desconocido es el momento en el que la se nal (de perturbacion)
sera aplicada al sistema. Recordemos, por ejemplo, la clasicacion en tipos de sistemas (0, 1, 2, . . .) para nes
de eliminacion de las desviaciones en estado estacionario tambien conocido como oset [Kuo95] o el bien
conocido hecho de que el modelo de la se nal de referencia o perturbacion, seg un sea el caso, debe estar incluido
en el controlador [AM89].
La suposicion de que la se nal externa (perturbacion o referencia) es conocida a priori es poco realista y, en
general, hay mas conocimiento sobre la familia a la que pertenece la se nal; vease por ejemplo [MZ89], p. 21.
Bajo esta perspectiva, en la que solo se conoce el conjunto al que pertenece la se nal, el paradigma de control
robusto plantea el rechazo de perturbaciones como la garanta de atenuacion de esa caracterstica com un del
conjunto de se nales (e.g., energa, cota maxima, etc.) En el marco del control robusto, la bien conocida teora de
H

, por ejemplo, eval ua el desempe no nominal en terminos de las energas de las se nales de perturbacion y de
salida controlada. Es as que:
Denicion I.2 ([San89]) Sea un escalar mayor que cero, dado. El desempe no nominal del sistema de la gura
(I.2) se eval ua como la capacidad del controlador c(s) de acotar la energa de la se nal de salida del sistema a
lazo cerrado (y(t)
2
< ) para toda posible perturbaci on con energa acotada d(t)
2
< .
La condicion de existencia de un controlador que satisface la especicacion de desempe no nominal viene dada
por el siguiente teorema. Sin perdida de generalidad supondremos que y son iguales a uno.
Teorema I.5 ([DD95]) El sistema de control de la gura (I.2) satisface la condici on de desempe no nominal si
y s olo si
S(s)

1.
Demostracion: Surge de manera inmediata del hecho que la norma innita es la norma inducida de la norma
2 (ver teorema (I.4)) y entonces
y(t)
2
= S(s)

d(t)
2
.
En este punto se imponen algunas observaciones.
Observacion I.7 Resultara un problema mal condicionado en la mayora de los casos si dejamos el problema
de desempe no nominal tal y como fue formulado, esto es:
S(s)

1
1 +p(s)c(s)

1
ya que en general el producto p(s)c(s) es estrictamente propio para sistemas fsicos reales, i.e.,
lm
s
p(s)c(s) = 0
23
y entonces a muy altas frecuencias el problema de encontrar un controlador c(s) que haga el trabajo en toda la
gama de frecuencias puede resultar imposible. Por otra parte, en general s olo interesa satisfacer el criterio de
desempe no en la gama de frecuencias asociadas al ancho de banda del sistema p(s) siendo estas las se nales que
verdaderamente lo afectan dejando libre al resto.
Adicionalmente, aunque s olo hemos supuesto conocida la energa m axima de las entradas (perturbaci on o
referencia) es posible que adem as exista alg un tipo de conocimiento del ancho de banda de ellas y que pudiera
reejarse como una funci on de peso o ltro en la entrada de esas se nales.
Esquem aticamente, ambos pesos se pueden representar como lo ilustra la gura (I.17), lo que se traduce en el
nuevo criterio de desempe no nominal:
W
1
(s)S(s)W
2
(s)

1 o W(s)S(s)

1;
en W(s) se recogen lo que denominaremos las bandas de insensibilidad del dise no. Una buena selecci on de los
pesos puede resultar en un compensador m as suave con ganancias m as peque nas.
c(s)
r(t)
+
+
(-)
y(t) u(t)
d(t)
W
1
(s)
p(s)
y(s)
W
2
(s)
Figura I.17.: Sistema con pesos (ltros) en entradas y salidas.
Observacion I.8 El criterio de desempe no nominal desarrollado no es generico y est a asociado con las se nales
de entrada y salida seleccionadas. Si hubiesemos escogido otras entradas y/o salidas, hubieramos obtenido la
cota superior de la norma innita de otra funci on de transferencia. Esto ultimo s es un hecho general, es decir,
al igual que la estabilidad robusta de un sistema, el desempe no nominal se eval ua o analiza calculando la
norma innita de alguna funci on de transferencia asociada al lazo, siempre que los par ametros de medici on
sean las energas de la se nal de perturbaci on y la se nal de salida. Si los par ametros fuesen otros diferentes de
energa otra sera la norma (vease por ejemplo [SGC97]).
Observacion I.9 En el caso de estabilidad robusta, si no se satisface el criterio (I.30) entonces existe un sub-
conjunto de modelos del sistema que no podr an ser estabilizados por el compensador propuesto, i.e. el lazo cerrado
ser a inestable para algunos modelos. En el caso del desempe no nominal, si no se satisface
W(s)S(s)

para un dado, s olo implica que el criterio es muy restrictivo y no puede alcanzar ese nivel de desempe no. No
obstante y asumiendo que el lazo puede estabilizarse, siempre existir a alg un
s
> a partir del cual s podr a ob-
tenerse un controlador.
Ejemplo analisis de desempe no
Consideremos el sistema:
G
n
(s) =
5e
3s
10s + 1
.
Utilizando el criterio de sintonizacion de Ziegler y Nichols [Kuo95] se obtiene un controlador PI con K
c
= 0,6 y
T
i
= 10. Se desea evaluar la atenuacion que presenta este controlador a perturbaciones d(t) que entran al sistema
tal como se muestra en la gura (I.18).
24
r(t)
+ +
(-)
y(t)
d(t)
G
n
(s) K
c
(1 +
1
T
i
s
)
Figura I.18.: Evaluacion de entonacion clasica.
La funcion de transferencia entre d y y resulta:
T
dy
(s) =
G
n
(s)
1 +G
PI
(s)G
n
(s)
donde
G
PI
(s) = K
c
(1 +
1
T
i
s
).
Aproximando el retardo por un Pade de primer orden ([Kuo95]) y dibujando el bode del sistema simplicado,
se obtiene la graca de la gura (I.19), de donde es facil determinar que:
10
2
10
1
10
0
10
1
0
0.5
1
1.5
2
2.5
Frecuencia (rad/sec)
M
a
g
n
i
t
u
d

d
e

T
d
y
|T
dy
(j)|=|G
n
(j)|/|1+G
n
(j)PI(j)|
Figura I.19.: Atenuacion con un PI.
T
dy
(s)

= 2,4657
Aunque en el caso de desempe no nominal no puede generalizarse sobre un resultado en particular, a simple
vista pareciera que el controlador propuesto no presentara un buen rechazo a perturbaciones para frecuencias
entre 0,1 y 1.
Un programa de Matlab para el calculo de esta norma innito del sistema aproximado se muestra a continuacion:
K=5;T=10;Td=3;
25
nn=K;dn=[T 1];
[nr,dr]=pade(Td,1);
ns=conv(nn,nr);ds=conv(dn,dr);
Kc=0.9*T/Td/K;Ti=Td/.3;
nc=Kc*[Ti 1];dc=[Ti 0];
[n,d]=feedback(ns,ds,nc,dc,-1);
[mag,pha,w]=bode(n,d);
Amplifica=max(mag)
semilogx(w,mag)
El paradigma de control robusto
En el caso de estabilidad robusta con incertidumbre multiplicativa a la salida del sistema a controlar, ubicacion
que no tiene ninguna importancia en sistemas SISO pero s la tiene en los MIMO, podemos representar al sistema
como en la gura (I.11), con |(s)| < 1 y W(s) el modelo de la cota superior de la incertidumbre.
Para nes de analisis, sabemos que hay estabilidad robusta si y solo si
W(s)T(s)

W(j)p(j)c(j)
1 +p(j)c(j)

1
lo que es equivalente a analizar el desempe no nominal entre d(t) y z(t) del sistema de la gura (I.14) y, entonces,
el problema de la estabilidad robusta (I.11) o el de desempe no nominal (I.17) pueden representarse esquemati-
camente, como en la gura (I.20) donde p(s) es el sistema (multivariable) generalizado, e(t) es la salida medible
d(t)
u(t)
z(t)
c(s)
p(s)
e(t)
Figura I.20.: Paradigma de dise no de control robusto.
del sistema, y se desea determinar un compensador c(s) tal que:
T
dz
(s)

1
siendo T
dz
(s) la funcion de transferencia entre d(t) (la perturbacion) y z(t). Observe que hemos preferido, como
es usual en control robusto, usar la se nal e(t) como salida medible, en lugar de y(t), por ser la primera la que
esta directamente actuando sobre el controlador.
El esquema que se muestra en la gura (I.20) representa el paradigma clasico de dise no de control robusto,
siendo ademas el mas usado.
Si se dispone (o se ha calculado) un controlador y lo que se desea es analizar su desempe no, entonces el
paradigma pasa a ser el de la gura (I.21), donde, de nuevo, p(s) es la planta generalizada y |(s)| < 1 representa
la incertidumbre. Es facil transformar el esquema de las guras (I.11) y (I.14) a aquellos de las guras (I.20) y
(I.21).
26
d(t) z(t)
p(s)
e(t)
(s)
r(t)
Figura I.21.: Paradigma de analisis de control robusto.
Sistemas con m ultiples entradas y m ultiples salidas
Para el caso de los sistemas multivariables, nos serviremos del paradigma de control representado en (I.21).
Las relaciones entre la salida y la entrada del sistema son dadas por:
_
z(s)
e(s)
_
=
_
G
11
(s) G
12
(s)
G
21
(s) G
22
(s)
_
. .

P
_
r(s)
d(s)
_
(I.34)
siendo

P la planta generalizada.
Para el caso multivariable, las salidas y/o las entradas pueden o no ser vectores. As, por ejemplo, para el
sistema de la gura (I.22), si denimos a la dupla (r(t) y d(t)) como las entradas y a (z(t) y e(t)) como las
salidas, tendremos que:
_
z(s)
e(s)
_
=
_
T TW
1
W
2
S W
2
SW
1
_ _
r(s)
d(s)
_
(I.35)
donde
S(s) = [I +p(s)c(s)]
1
T(s) = p(s)c(s)[I +p(s)c(s)]
1
con las correspondientes equivalencias en las ecuaciones (I.34) y (I.35).
c(s)
r(t)
+ +
(-)
y(t)
u(t)
z(t) d(t)
e(t)
W
2
(s)
W
1
(s)
p(s)
Figura I.22.: Sistema multivariables.
Desempe no nominal
Revisemos ahora los conceptos de estabilidad robusta y desempe no nominal a la luz del paradigma de control
y para sistemas multivariables, y para ello consideremos al sistema de la gura (I.21). En ese caso el desempe no
27
nominal esta determinado por un controlador c(s) que asegura que:
e
2
< 1 r(t) : r
2
1
cuando = 0.
Teorema I.6 ([San89]) La condici on necesaria y suciente para desempe no nominal es:
G
21
(s)

< 1
Demostracion: Cuando la incertidumbre es nula ( = 0) tenemos que:
e
2
2
= G
21
(s)r(s)
2
2
(I.36)
=
_

r
H
(j)G
H
21
(j)G
21
(j)r(j)d (I.37)

2
(G
21
(j

))
_

r
H
(j)r(j)d (I.38)
=
2
(G
21
(j

)) (I.39)
con r
H
(j) = r
T
(j) y (G
21
(j)) ocurre en w = w

.
Finalmente, la cota superior es alcanzada exactamente si escogemos, por ejemplo r(t) = e
t
cos w

t con > 0
para que r(t) L
2
.
Estabilidad robusta
Para vericar la condicion de estabilidad robusta, supondremos que el sistema es estable internamente y que
() 1 (I.40)
la condicion de estabilidad robusta multivariable viene dada por:
Teorema I.7 ([San89]) El sistema de la gura (I.21) es estable para toda perturbaci on que satisface (I.40) si
y s olo si
G
12

< 1.
Demostracion: La funcion de transferencia entre r e y es (operando en (I.34)):
T
re
= G
22
(I G
12
)
1
G
11
+G
21
y entonces, para un dado, la estabilidad del sistema es determinada por:
(I G
12
)
1
ya que, por hipotesis, el sistema (I.34) es internamente estable.
Ahora bien, la estabilidad de (I G
12
)
1
es equivalente a:
det(I G
12
)) = 0 s C
+
. (I.41)
Supongamos que (G
12
) < 1. Recordando algunas propiedades de los valores singulares de una matriz, sabemos
que:
(I G
12
) 1 (G
12
) > 1 (G
12
),
28
luego si
(G
12
) < 1 s C
+
entonces
det(I G
12
) = 0 s C
+
.
Supongamos ahora que (G
12
) 1 para alguna s

y hagamos una descomposicion en valores singulares

G
12
= UV

,
tomemos = V U

y =
1
(G12)
, entonces
det(I G
12
(s

) = det[V (I )U

] = 0
para el primer autovalor (recordando que los valores singulares estan ordenados en ).
Finalmente, por el teorema del maximo modulo
sup
sC+
(G
12
(s)) = sup

(G(j)) = G
12

.
Los sistemas multivariables, al igual que los SISO, pueden ser evaluados en su desempe no y estabilidad en el
marco de la norma innita. Otras medidas de desempe no pueden igualmente imponerse al sistema. Algunas como
la norma 2 permiten evaluar el impacto de condiciones iniciales, al reejar esas condiciones en el sistema como
una funcion impulso (t) de magnitud adecuada [PH96]. Tambien la misma norma permite evaluar el efecto del
ruido blanco, tambien cuanticable como una funcion impulso con varianza conocida [San89].
Las medidas de rechazo de perturbaciones presentadas, en modo alguno, no agotan las formas de evaluacion del
desempe no. Clasicamente, el desempe no se eval ua en terminos de los tiempos de establecimiento, de crecimiento,
maximo sobrepico, comportamientos sobre o subamortiguados, etc. [Kuo95], estando estas cualidades del sistema
ntimamente relacionadas con la ubicacion de los polos del sistema de lazo cerrado.
La ubicacion de polos en regiones convexas ha recibido tambien la atencion de un n umero de investigadores
[GJ81] [ChG96] y ese problema tambien puede formularse como uno de desigualdades matriciales lineales (LMIs)
en la matriz de Lyapunov P, siempre que la region pueda describirse como una regi on LMI y que formalmente
denimos de la forma:
Denicion I.3 ([ChG96]) Una regi on LMI es cualquier regi on convexa R que pueda describirse de la forma:
R = {z C : L +zM + zM
T
< 0}
donde L = L
T
y M son matrices constantes reales de las mismas dimensiones.
Ejemplos importantes de tales regiones LMI son:
1. Semiplano a la izquierda de x
0
(gura (I.23)).
R = {z C : z + z + 2x
0
< 0}.
Cuando x
0
= 0 da el semiplano izquierdo abierto.
2. Semiplano a la derecha de x
0
(gura (I.24))
R = {z C : z + z + 2x
0
> 0}.
3. Cono con vertice en 0 (gura (I.25)).
R =
_
z C :
_
sin(z + z) cos (z z)
cos ( z z) sin (z + z)
_
< 0
_
.
29
x
o
Re(s)
Im(s)
Figura I.23.: Semiplano a la izquierda.
x
o
Re(s)
Im(s)
Figura I.24.: Semiplano a la derecha.
4. Region circular centrada en y de radio r (gura (I.26)).
R =
_
z C :
_
r z +
z + r
_
< 0
_
El siguiente teorema establece la relacion entre la ubicacion de polos autovalores de una matriz A en una
region LMI y esa region.
Teorema I.8 Una matriz A tiene todos sus autovalores en una regi on LMI de la forma:
R = {z C : L +zM + zM
T
< 0}
si y s olo si existe una matriz X > 0 tal que:
L X +M (AX) +M
T
(AX)
T
< 0. (I.42)
La expresion (I.42) tambien puede escribirse de la forma
(l
kl
X +M
kl
AX +M
lk
XA
T
)
1k,lm
donde l
kl
(M
kl
) es el elemento kl de la matriz L (M) y 1 k, l m indica los valores de k y l entre 1 y m.
La demostracion puede encontrarse en [ChG96] y no sera repetida aqu.
30

Re(s)
Im(s)
Figura I.25.: Cono centrado en cero.
r
-
Re(s)
Im(s)
Figura I.26.: Circunferencia.
Como se ha visto, una cantidad de problemas clasicos y modernos pueden ser formulados en el marco com un
de las desigualdades matriciales. Hasta ahora hemos mencionado la estabilidad robusta, el desempe no nominal
y la ubicacion de polos en regiones. Todo esto tanto para sistemas SISO como MIMO, estos ultimos a traves de
los valores singulares.
La lista antes mencionada no es en modo alguno agotadora, y otros problemas tambien pueden o bien formularse
bajo el mismo marco o encontrar cotas superiores lmites seguros o conservadores a esos problemas con las
mismas herramientas aportadas por las desigualdades matriciales. Mencionamos por ejemplo
1
, pasividad, etc.
Vease [SGC97] para un recuento de otras formulaciones.
En este trabajo nos limitaremos a los tres primeros H

, H
2
y ubicacion de polos en regiones mas por una
cuestion de no ser repetitivos. La extension a esos otros problemas es, relativamente, sin dicultad.
Resumen del captulo
En este captulo hemos presentado las deniciones, los terminos y resultados fundamentales de la teora de
control robusto, de modo de sentar una base com un e ilustrar la presentacion de los resultados que presentaremos
en captulos subsiguientes. De igual forma hemos introducido las desigualdades matriciales lineales, la herramienta
que nos permitira desarrollar el marco com un de las condiciones de sntesis de controladores multiobjetivo, nuestra
meta propuesta.
Basicamente, hemos presentado condiciones de analisis de la estabilidad y desempe no bajo un n umero de
condiciones.
31
Esta breve revision no pretende ser agotadora, fsicamente sera imposible incluirlos todos dada la enorme
cantidad de resultados que aparecen diariamente, pero s pretende ser lo suciente como para sentar las bases
del estudio de la formulacion multiobjetivo.
Finalmente, en este captulo se ha jado precisamente el alcance del trabajo, incluyendo otros paradigmas de la
teora de control robusto como los de factorizacion coprima [McF90] y L
1
,
1
[DD95]. Todos ellos los revisaremos
con mas detalle en los captulo siguientes. Enfoques no lineales quedan fuera del alcance de este trabajo.
32
CAP

ITULO II
Analisis y sntesis de controladores para sistemas con saturaciones
II.1. Introduccion
Frecuentemente, los sistemas a controlar con los que nos encontramos en la practica presentan alg un tipo
de restricciones sobre su comportamiento que lo limitan severamente. El caso mas frecuente es la presencia
de saturaciones sobre la se nal de control (pues los actuadores tienen un rango estrecho de actuacion), pero
tambien pueden aparecer limitaciones sobre su velocidad o aceleracion maximas, efecto de las inercias de los
actuadores, as como limitaciones en variables secundarias. Para resolver estas dicultades en la etapa de dise no
del controlador se han propuesto varias soluciones, como los metodos basados en la resolucion de problemas de
programacion lineal, que tratan de optimizar la norma
1
, en vez de las normas H

o H
2
que hemos presentado
en el captulo anterior [DD95].
En esta seccion comprobaremos como, utilizando una descripcion adecuada del conjunto de se nales de entrada
esperables, se puede, de forma natural, considerar problemas de control optimo y control robusto, con el objetivo
ultimo de calcular controladores para m ultiples tipos de restricciones (saturaciones, limitaciones en velocidad,
sobrepico, etc.) Como tal, esta solucion esta basada en la evitacion de restricciones (Constraint Avoidance
[HTK01]): evitando las limitaciones, el sistema en lazo cerrado permanece en la region de comportamiento lineal.
Aunque la solucion puede plantearse en el campo continuo utilizando la norma L
1
[DD87], los metodos de
dise no que resultan en el caso continuo no son adecuados para casos practicos, pues es facil comprobar como la
solucion optima de control sera una combinacion de impulsos. Por ello, en el resto del captulo trabajaremos con
sistemas discretos, en los que se utiliza la norma
1
y se dan soluciones que pueden aplicarse en sistemas reales.
Desde el punto de vista teorico, una de las razones por las que se ha desarrollado una teora de control robusto
basado en la norma
1
viene dada por el hecho de que en muchas aplicaciones practicas tanto las perturbaciones
como el ruido de medida act uan de forma continua sobre el sistema, por lo que no es adecuado describirlas como
se nales acotadas en energa, como se hace con los metodos basados en la norma H

. Por fortuna, normalmente

se conoce la maxima amplitud esperable de estas se nales, por lo que es posible describirlas como se nales acotadas
en magnitud: d

, donde la norma es la denominada normal

o norma pico-a-pico, que corresponde a la

maxima amplitud de la se nal: d

= max(|u[i]|).
Otra razon mas para desarrollar esta teora, en vez de proseguir con la teora mas popular de H

, es el
conocimiento que normalmente se tiene de las consignas que se aplican a cada sistema, que generalmente consisten
en una serie de saltos o rampas cuya magnitud o pendiente puede acotarse facilmente. Por ejemplo, si la entrada
es un salto siempre tiene una magnitud maxima esperable: r

r
max
; o si la consigna es una rampa, su
pendiente puede acotarse:
_
_
_
1 z
1
_
r
_
_

s
max
donde z
1
es la funcion retardo unitario: z
1
{u[i]} = {u[i 1]}.
Para concluir con las ventajas de esta tecnica, debemos mencionar su facilidad de calculo. As, para un sistema
SISO, la norma
1
viene dada por la suma en valor absoluto de los terminos de la respuesta impulsional:

1
=

i=1
|[i]|.
Si la norma es nita (esto es, el sistema estrictamente estable), basta con calcular la suma para un ndice
sucientemente grande, para obtener una aproximacion con la precision deseada.
Antes de presentar el metodo en detalle debemos puntualizar que, si las limitaciones sobre las se nales no fuesen
simetricas en la mayor parte de los casos, basta con redenir el punto de trabajo para que sean simetricas y
la utilizacion de la norma simetrica usual (u

u
max
) no introduzca conservadurismo. Por ejemplo, si la
unica limitacion es una saturacion no simetrica sobre las se nales de control, basta redenir el punto de trabajo
en el punto medio de las restricciones: (x
mean
= x
max
x
min
; x(k)

= max
t
(|x(k)|) =
xmax+xmin
2
). Si esta
redenicion del punto de trabajo no resultase adecuada (por ejemplo, por cambiar las restricciones con el tiempo,
por haber m ultiples restricciones o por modicarse el comportamiento nominal con el punto de trabajo), es posible
reformular todo el desarrollo presentado en esta seccion para el caso no-simetrico. Sin embargo, la notacion y la
solucion pasan a ser mas engorrosas [NBT03].
Esta teora fue planteada por primera vez por Vidyasagar [VI86], siendo resuelto el problema en un caso
bastante general por [DD88], que demostro como poda convertirse dicho problema en uno de programacion
lineal, facilmente resoluble. Comparado con otras tecnicas propuestas de control con restricciones, hay resultados
publicados sobre aplicaciones a sistemas reales (vease por ejemplo: [MK00], [TG02], [THV88]).
II.2. Especicaciones de funcionamiento
En la siguiente seccion examinaremos tambien como ciertas especicaciones de dise no pueden ponerse facil-
mente como lmites sobre la amplitud maxima de determinadas se nales, por lo que sera natural el describirlas
utilizando la norma pico-a-pico.
Saturacion
Supongamos que se desea comprobar si un determinado controlador K(z) satura el actuador del sistema de
control en la gura II.1. Como es bien sabido, este efecto se presenta frecuentemente en la practica: las valvulas
tienen unos valores maximos y mnimos de apertura, los amplicadores electronicos se saturan, los alerones tienen
un angulo maximo y una velocidad maxima de giro, etc. Si la se nal de control se satura pueden generarse ciclos
lmites o inestabilidades.
Vamos a ver como tratar este problema dentro de una formulacion
1
. Supongamos que la saturacion del
controlador puede describirse matematicamente como:
u[i] =
_
_
_
u
max
si u

[i] < u
max
u

[i] si |u

[i]| < u
max
u
max
si u

[i] > u
max
.
34
K(z) G(z)
r(z)
e(z) u

(z) u(z)
y(z)
()
+
Limitaci on en la se nal de
control
Figura II.1.: Sistema de control con saturacion en la se nal de control.
Matematicamente se tratara de comprobar si la amplitud maxima de la se nal de control u[i] es menor que
el valor de saturacion u
max
. Expresandolo en funcion de normas, sera equivalente a comprobar que la norma
pico-a-pico de la se nal de control sea menor que el valor de saturacion, para el conjunto de consignas esperables:
max
r posibles
u

u
max
.
Si la variacion maxima de las referencias es r
max
, por denicion de la norma
1
esta comprobacion puede
expresarse como:
T
ru

1
r
max
u
max
.
Donde T
ru
denota la funcion de transferencia de r a u

, que en el caso del sistema realimentado de la gura II.1

es simplemente K(1 +KG)
1
, o sea, el sistema no se satura siempre que
_
_
K(1 +KG)
1
_
_
1

u
max
r
max
.
Resulta entonces que, dados una planta y un controlador, puede comprobarse de forma sencilla si el actuador
pudiera saturarse para un conjunto de consignas esperables. Para ello basta calcular la norma
1
de la funcion
de transferencia K(1 +KG)
1
. Si esta norma es menor que el valor de saturacion no se alcanzara la saturacion.
Limitaciones de velocidad y aceleracion en actuadores
Ademas de saturacion, muchos actuadores reales presentan ademas (por razones fsicas o de seguridad) limita-
ciones en la velocidad y/o aceleracion maxima que pueden alcanzar. En muchos casos resulta, entonces, necesario
limitar el esfuerzo de control, entendiendo este como la variacion de la se nal de control. Estas limitaciones pueden
expresarse tambien en relacion con la norma
1
de determinadas funciones de transferencia:
Limitaciones de velocidad
Si la variacion maxima permitida de la se nal de control recibida por el actuador es V
max
, en cada perodo de
muestreo, el sistema no sobrepasara este lmite en la variacion de la se nal de control si se cumple que:
max
r posibles
u[i] u[i 1] V
max
.
O lo que es lo mismo:
max
r posibles
_
_
(1 z
1
)u
_
_

V
max
,
que puede convertirse a una condicion sobre la norma
1
de la funcion de transferencia de r a u

= u[i] u[i 1]
(T
ru
= (1 z
1
)K(1 +KG)
1
) :
_
_
(1 z
1
)K(1 +KG)
1
_
_
1
V
max
.
35
Limitaciones de aceleracion
De forma analoga al caso de la velocidad, si la variacion maxima permitida de la variacion de la se nal de control
recibida por el actuador es A
max
en cada perodo de muestreo, no se superara este lmite siempre que:
max
r posibles
u[i] 2u[i 1] +u[i 2] A
max
.
O lo que es lo mismo:
max
r posibles
_
_
(1 z
1
)
2
u
_
_

A
max
,
que puede convertirse a una condicion sobre la norma
1
de T
ru
= (1 z
1
)
2
K(1 +KG)
1
(funcion de transfe-
rencia de r a u

= u[i] 2u[i 1] +u[i 2]):

_
_
(1 z
1
)
2
K(1 +KG)
1
_
_
1
A
max
.
Puede aplicarse un argumento similar a cualquier otra limitacion en la se nal de control, que en general se
expresara como:
_
_
H(z
1
)K(1 +KG)
1
_
_
1
A
max
.
Rechazo de perturbaciones
Si en vez de un problema de seguimiento de una consigna variable, lo que tratamos de resolver es un problema
de regulacion en presencia de perturbaciones, puede plantearse matematicamente como calcular la desviacion
maxima de la salida regulada para cualquier perturbacion posible (que supondremos acotada en magnitud).
Si el sistema de control corresponde al de la gura II.2, el error de seguimiento maximo (e
max
) sera el maximo
valor del error e[i] para el conjunto de perturbaciones posibles n[i]. Siguiendo el mismo razonamiento, puede
expresarse matematicamente este problema como calcular que cumple:
e
max
= max u

que por denicion de la norma

1
sera
e
max
= T
ne

1
n

=
_
_
W
d
K(1 +KG)
1
_
_
1
n
max
.
Es decir, el error de seguimiento maximo viene dado por el producto del tama no de la perturbacion maxima, por
la norma
1
de W
d
K(1 +KG)
1
.
K(z)
W
d
(z)
e(z) u

(z) u(z)
y(z)
()
+
Limitaci on en la
se nal de control
G(z)
n(z)
Figura II.2.: Sistema de control con perturbacion a la salida y saturacion en la se nal de control.
36
II.3. Analisis
1
Hemos visto hasta ahora como ciertas especicaciones de funcionamiento pueden expresarse en terminos de
la maxima variacion de ciertas se nales (salidas medibles, se nales de control, se nales de error), por efecto de
ciertas se nales aplicadas al sistema (consignas, perturbaciones y ruidos de medida), cuya amplitud maxima
puede conocerse. De esta forma se ha visto como consecuencia logica el calculo de la norma
1
para comprobar
estas especicaciones de funcionamiento. Hemos mostrado tambien como el problema de analisis de robustez
puede expresarse en la norma
1
de determinadas funciones de transferencia.
Ejemplo de analisis
1
En este ejemplo numerico se desea comprobar si el sistema de la gura II.1 pudiera alcanzar saturacion al
aplicar una consigna de amplitud maxima 2, siendo el controlador K =
2z1
3z1
y la planta G =
3z1
(2z1)(4z1)
.
Tal como se ha mencionado anteriormente, este requerimiento equivale a comprobar la siguiente condicion
sobre la norma
1
:
_
_
K(1 +KG)
1
_
_
1

u
max
r
max
=
3
2
en este caso, sustituyendo K y G por su expresion en z
1
, resulta:
_
_
_
_
(2z 1)(4z 1)
4z(3z 1)
_
_
_
_
1
= 0,9583.
Como 0,9583 <
3
2
, signica eso que podemos asegurar que el actuador no se saturara. De hecho, la consigna
podra tener de amplitud maxima 2 1,5/0,9583 3,13 y podramos seguir asegurando que el actuador no se
satura.
II.4. Estabilidad robusta
El objetivo es mostrar como la norma
1
puede utilizarse tambien para resolver problemas de estabilidad
robusta: en su formulacion general se trata de comprobar si el sistema en lazo cerrado de la gura II.3 es estable,
aun en presencia de la incertidumbre en el sistema , que se supone acotada en la norma
1
(||
1
1), pudiendo
ser variante en el tiempo. A partir del teorema de peque na ganancia es posible demostrar que el sistema en lazo
cerrado es estable si y solo si M
1
< 1, donde M es la funcion de transferencia entre la salida de la incertidumbre
y su entrada.
Figura II.3.: Problema de estabilidad robusta para incertidumbres no-estructuradas.
37
Ejemplo de analisis de estabilidad robusta
Se trata de comprobar si el sistema en lazo cerrado de la gura II.4 es estable, aun en presencia de una
incertidumbre multiplicativa directa en la entrada del 100 %. La condicion obtenida a partir del teorema de
peque na ganancia es:
_
_
KG(I +KG)
1
_
_
1
1.
Si G =
3z1
(2z1)(4z1)
y K =
2z1
3z1
, entonces
_
_
KG(I +KG)
1
_
_
1
= 0,25 < 1.
Esto signica que puede asegurarse la estabilidad robusta del sistema realimentado, aun en presencia de esta
incertidumbre en el sistema.
K(z) G(z)
r(z)
e(z) u(z)
y(z)
()
+ +

Figura II.4.: Problema de estabilidad robusta para incertidumbre multiplicativa directa.

II.5. Solucion mediante programacion lineal
Planteamiento del problema de optimizacion
Hemos visto hasta ahora como, para comprobar si un sistema de control cumple unas determinadas condiciones
de funcionamiento, basta con comprobar una condicion sobre una norma. Por ello, el dise no de controladores opti-
mos para sistemas con se nales limitadas en amplitud se expresara como el problema de encontrar un controlador
que minimize la norma de la funcion de transferencia entre las correspondientes entradas y salidas:
mn
K estabilizantes
HT(K)
1
1
donde M(K) es una determinada funcion de transferencia que relaciona determinadas entradas y salidas, depende
del controlador a dise nar (K) y H es una funcion de transferencia constante (una funcion de peso).
Por ejemplo, si tratamos de minimizar las variaciones de la se nal de control se tratara de calcular el controlador
que minimice:
mn
_
_
(1 z
1
)K(1 +KG)
1
_
_
1
es decir: H(z) = (1 z
1
), M(K) = K(1 +KG)
1
.
La formulacion tradicional se basa en aplicar la parametrizacion de Youla, expresando el controlador K como
K =
XQN
Y +QD
, donde Q es cualquier funcion de transferencia estable. La optimizacion se realiza entonces en funcion
del parametro Q, lo que tiene la ventaja de que las funciones de transferencia caracterstica resultan ser anes
en Q y, por lo tanto, faciles de optimizar (para detalles, consultar el apendice A).
Aqu en cambio presentamos una formulacion alternativa, basada en optimizar directamente las respuestas
impulsionales de las funciones de transferencia caractersticas. Esta variacion da una solucion mas natural de
38
estos problemas de optimizacion, para dise nadores no familiarizados con parametrizaciones de Youla. Sin embargo,
debemos hacer constar que, al tener generalmente las respuestas impulsionales optimas un n umero innito de
terminos, nunca obtendremos el regulador optimo, solo una aproximacion a el (por otra parte suciente en la
mayor parte de los casos practicos).
Conversion a un problema de programacion lineal
Por simplicidad, comenzamos la presentacion para el caso de optimizacion de una unica funcion de transfe-
rencia SISO. La idea principal del metodo se basa en trabajar directamente con los coecientes de la respuesta
impulsional de la funcion de transferencia a minimizar = {[i]}. Efectivamente, hemos visto como los pro-
blemas con restricciones se pueden expresar en funcion de la suma (en valor absoluto) de los coecientes de la
respuesta impulsional (que no es otra cosa que la norma
1
).
El problema de optimizacion puede expresarse entonces como:
mn
K estabilizantes

1
= mn
K estabilizantes

i=1
|[i]|
donde [i] son los coecientes de la respuesta impulsional que tratamos de optimizar, con la restriccion adicional
de que el controlador K no puede cancelar ning un cero inestable de la planta G (lo que hara K inestable, que
siempre es indeseable). Tampoco K debera cancelar ning un polo inestable de la planta (pues la cancelacion no
sera efectiva en cuanto la planta sufriera una peque na variacion, haciendo el sistema en lazo cerrado inestable;
esto es, el sistema no tendra estabilidad interna). Esto lo representaremos matematicamente como la restriccion
de que KG debe valer 0 en los ceros inestables de la planta e en los polos inestables de la planta.
Por ejemplo, en el caso de que quisieramos minimizar el error de seguimiento en presencia de perturbaciones,
el objetivo sera minimizar la sensibilidad S = 1/(1 +KG). Denotando los ceros inestables de la planta G como
{z
k
} y los polos inestables como {p
k
}, las restricciones de interpolacion seran:
S(z
k
) = 1/(1 + 0) = 1 k
S(p
k
) = 1/(1 +) = 0 k.
Por ejemplo, si la planta fuese G =
(z3)
(z2)(z0,5)
, entonces z
1
= 3, p
1
= 2 con lo que las restricciones de
interpolacion seran:
S(3) = 1
S(2) = 0.
En cambio, si la funcion a optimizar resultase ser la sensibilidad complementaria T = KG/(1 + KG), las
restricciones de interpolacion seran:
T(z
k
) = 0 k
T(p
k
) = 1 k
que para nuestro ejemplo seran
T(3) = 0
S(2) = 1.
En general, para asegurar la estabilidad interna del sistema de control a dise nar se deberan cumplir las siguientes
restricciones de interpolacion:
M(z
k
) =
k
k
M(p
k
) =
k
k
39
donde
k
y
k
corresponden a los valores (constantes) resultantes de sustituir los ceros o polos en la funcion de
transferencia.
Como se ha mencionado antes, si expresamos esta funcion de transferencia generica en terminos de su
respuesta impulsional = {[i]}, por denicion de la transformada z de un sistema ((z) =

i=0
[i]z
i
) y
seg un la formula de calculo de una norma
1
como la suma en valor absoluto de los terminos de una respuesta
impulsional, la norma ell
1
resulta ser:
mn
[i]

i=0
|[i]|.
Para tener en cuenta las restricciones de interpolacion, basta utilizar el hecho de que el valor de una funcion
de transferencia en un punto a
k
, dada su respuesta impulsional {[i]}, es:
(a
k
) =

i=0
[i]
a
i
k
.
Resulta entonces que el problema de optimizacion puede expresarse como:
mn

i=0
|[i]|
sujeto a

i=0
[i]
z
i
k
=
k
k

i=0
[i]
p
i
k
=
k
k.
Este problema de minimizacion puede transformarse a un problema de programacion lineal estandar haciendo
el cambio de variable [i] = [i]
+
[i]

, donde aseguraremos que las nuevas variables sean siempre positivas:

[i]

0 y [i]
+
0 y una de ellas siempre 0 (esto se conseguira normalmente pesando de alguna forma el valor
de estos nuevos coecientes).
Resulta entonces el nuevo problema de optimizacion:
mn

i=0
_
[i]
+
+ [i]

_
sujeto a

i=0
[i]
+
z
i
k

i=0
[i]

z
i
k
=
k
k

i=0
[i]
+
p
i
k

i=0
[i]

p
i
k
=
k
k.
En principio este es un problema de programacion lineal con innitas variables, pero normalmente puede
truncarse, suponiendo que la respuesta impulsional es nita. Para ello basta reemplazar el en la expresion
anterior por un valor nito N (que puede aumentarse hasta obtener buena convergencia). Resulta entonces un
problema de programacion lineal de dimension nita, que puede resolverse utilizando software de programacion
lineal (por ejemplo la funcion lp o linprog en Matlab), como mostraremos posteriormente en el ejemplo detallado
del reformador de hidrogeno (II.6).
40
Una vez resuelto el problema de optimizacion lineal, basta deshacer los cambios de variables realizados para
obtener el controlador:
Primero los coecientes de la respuesta impulsional optima se obtendran a partir de la solucion optima del
problema de programacion lineal:
[i] = [i]
+
[i]

y el controlador optimo se calcula despejando K de la formula de la funcion de transferencia caracterstica

utilizada. As, si la funcion a optimizar es la sensibilidad S = 1/(1 +KG), el controlador sera:
K =
1
G
.
Teniendo en cuenta que la funcion de transferencia en z correspondiente a la respuesta impulsional es [z] =

n
0
[i]z
k
, si la planta expresada como cociente de polinomios en z es G =
nG[z]
dG[z]
, resulta el controlador optimo:
K =
d
G
(1

[i]z
k
)
n
G
(

[i]z
k
)
.
Para obtener el controlador denitivo basta cancelar ceros y polos (si se ha realizado correctamente siempre
se cancelaran los que hayamos introducido en las restricciones de interpolacion, con lo que desaparecen del
controlador), y realizar la reduccion de orden correspondiente, si fuese necesario.
Problema multibloque
Hemos visto como es posible resolver el problema de dise no de controladores en presencia de restricciones, en
el caso de que el objetivo sea minimizar una unica funcion de transferencia. Sin embargo, en problemas practicos
el objetivo puede ser minimizar varias matrices de transferencia de forma simultanea.
Presentaremos la tecnica multibloque mediante un ejemplo numerico basado en resolver un problema de sen-
sibilidad mixta, donde el dise nador debe considerar situaciones de compromiso entre requerimientos a baja y
altas frecuencias, que se pueden transformar como un problema de optimizacion en paralelo de dos funciones de
transferencia caractersticas, como pueden ser la sensibilidad, la sensibilidad al control o la sensibilidad comple-
mentaria. Por ejemplo, un problema de sensibilidad mixta que trate de minimizar la sensibilidad y la sensibilidad
al control puede expresarse como:
mn
K
_
_
_
_
(I +KG)
1
K(I +KG)
1
_
_
_
_
1
.
Este problema de sensibilidad mixta presenta la ventaja frente a otros en que evita que el controlador cancele
los ceros y polos estables de la planta, como luego comprobaremos en un ejemplo.
Pues bien, la solucion se obtiene de forma analoga al caso de un bloque, deniendo
1
= (I + KG)
1
y

2
= K(I +KG)
1
:
mn
_
_
_
_

2
_
_
_
_
1
.
La principal diferencia en este caso es que sera necesario a nadir restricciones de factibilidad que aseguren que
al optimizar se tenga en cuenta que el controlador K es el mismo para las dos funciones de transferencia. En el
ejemplo que estamos desarrollando esto signica que:

1
+G
2
= 1.
pues (I +KG)
1
+GK(I +KG)
1
= 1.
41
Al sustituir
1
y
2
por sus respuestas impulsionales
1
[i] =
+
1
[i]

1
[i] y
2
[i] =
+
2
[i]

2
[i], estas
restricciones de factibilidad dan lugar a un n umero innito de restricciones. En efecto, si la planta expresada
como cociente de polinomios en z es G =
nG[z]
dG[z]
, resulta la siguiente relacion:
d
G
(
+
1
+

1
) +n
G
(
+
2
+

2
) = d
G
donde signica convolucion (producto de polinomios en z
1
). Al desarrollar la convolucion se obtiene un con-
junto innito de restricciones, facilmente desarrollable en termino de los coecientes de numerador y denominador
de la planta.
Ejemplo
En el caso de que n
G
= n
0
z + n
1
y d
G
= z + d
1
, con p
1
= d
1
> 1, z
1
= n
1
/n
0
> 1, en terminos de los
elementos de las respuestas impulsionales, esta relacion se transformara en el siguiente conjunto de restricciones
de factibilidad:
(
+
[0] +

[0]) +n
0
(
+
2
[1] +

2
[1]) = d
0
d
1
(
+
1
[0] +

1
[0]) + (
+
1
[1] +

1
[1]) +n
1
(
+
2
[0] +

2
[0]) +n
0
(
+
2
[1] +

2
[1]) = d
1
d
1
(
+
1
[1] +

1
[1]) + (
+
1
[2] +

1
[2]) +n
1
(
+
2
[1] +

2
[1]) +n
0
(
+
2
[2] +

2
[2]) = 0
d
1
(
+
1
[i] +

1
[i]) +d
1
(
+
1
[i + 1] +

1
[i + 1]) +n
1
(
+
2
[i] +

2
[i]) +n
0
(
+
2
[i + 1] +

2
[i + 1]) = 0 i > 1
En cuanto a las condiciones de interpolacion, en este caso inicialmente seran las siguientes:

1
(z
k
) = 1 k

1
(p
j
) = 0 j

2
(p
j
) = 0 j.
Sin embargo, en este caso las restricciones de interpolacion (
1
(z
k
) y
2
(p
j
)) resultan ser redundantes, pues
las restricciones de factibilidad crean relaciones entre las restricciones de interpolacion. As en nuestro ejemplo,
al tener como restriccion de factibilidad
1
+G
2
= 1, si la evaluamos en los ceros de la planta resulta automati-
camente que
1
(z
k
) = 1, y si la evaluamos en los polos
2
(p
j
) = 0, con lo que se comprueba que no hace falta
incluir estas restricciones de interpolacion, pues ya estan incluidas automaticamente en las de factibilidad.
Esta redundancia hace que sea siempre recomendable comprobar si es posible eliminar algunas de las restric-
ciones (de hecho en la mayor parte de los problemas multibloque correctamente formulados las restricciones de
interpolacion resultan redundantes).
En denitiva, el problema de optimizacion resultante para este ejemplo, suponiendo que las respuestas impul-
sionales son nitas de longitud N, sera
mn

+
1
[i],

1
[i],
+
2
[i],

2
[i]
m ax

i=0

+
1
[i] +

1
[i] +
+
2
[i] +

2
[i]

sujeto a
N

i=0

+
1
[i]
p
i
1

i=0

1
[i]
p
i
1
= j
(
+
[0] +

[0]) + n0(
+
2
[1] +

2
[1]) = d0
d1(
+
1
[0] +

1
[0]) + (
+
1
[1] +

1
[1]) + n1(
+
2
[0] +

2
[0]) + n0(
+
2
[1] +

2
[1]) = d1
d1(
+
1
[i] +

1
[i]) + d1(
+
1
[i + 1] +

1
[i + 1]) + n1(
+
2
[i] +

2
[i]) + n0(
+
2
[i + 1] +

2
[i + 1]) = 0 i > 0.
42
II.6. Control de un reformador de hidrogeno
En esta seccion presentamos el dise no de un controlador utilizando las tecnicas de programacion lineal pre-
sentadas en el captulo para un sistema industrial, lo que nos permitira comprobar las ventajas de utilizar estas
tecnicas para resolver problemas reales.
Problema de control del reformador de hidrogeno
El problema a resolver es el control de un reformador de hidrogeno en una planta petroqumica, cuyo esquema
se muestra en la gura II.5. El objetivo de este sistema es la produccion de hidrogeno por catalisis a partir de
hidrocarburos a los que se ha eliminado previamente el azufre. Para generar el hidrogeno los hidrocarburos se
mezclan con vapor supercalentado justo antes de entrar en los tubos del reformador, donde un catalizador de
nquel calentado a alta temperatura (sobre 750
o
C) produce el hidrogeno. La alta temperatura necesaria para
acelerar la reaccion se produce quemando combustible en el reformador [WV00], [AK01].
Figura II.5.: Esquema del reformador de hidrogeno.
El sistema de control trata de mantener la temperatura deseada del catalizador basandose en modicar la
cantidad de combustible que alimenta al reformador. Para ello se dispone de medidas de temperatura del cata-
lizador y del ujo de combustible, y asimismo de una valvula controlada por ordenador que regula el ujo de
combustible. Al disponer de un unico actuador y dos medidas, la estructura de control se basa en la estructura
en cascada que se muestra en la gura II.6.
En el proceso real existen fuertes perturbaciones, tales como variaciones del ujo de combustible, variaciones
de su calidad, variaciones de la temperatura del vapor, etc. La perturbacion mas difcil de corregir corresponde
a la temperatura del vapor, que modica de una forma muy rapida la temperatura del catalizador. El sistema
de control trata de atenuar lo mas posible esta perturbacion actuando sobre la referencia del lazo de control de
ujo de combustible.
En este ejemplo unicamente nos planteamos el dise no de un controlador para el lazo exterior que elimine
de forma adecuada las variaciones de la temperatura del catalizador, actuando sobre la referencia del lazo de
control de combustible. Este ultimo se considera adecuado, por lo que se mantendran sus valores y caractersticas.
43
r(z)
y(z)
()
+ + K(z) G(z) +
control de
v alvula
()
perturbaci on
ujo
Figura II.6.: Sistema de control en cascada del reformador de hidrogeno.
Debemos puntualizar que no se dispone de una medida able de la temperatura del vapor de entrada, lo que
hace inadecuado utilizar un compensador feedforward que elimine las perturbaciones; ademas, la planta es de
fase no-mnima. Esta reducion de las perturbaciones debe realizarse entonces por realimentacion.
Modelo del sistema
Un modelo simplicado del sistema se obtuvo a partir de modelado e identicacion del sistema a partir de
medidas obtenidas del sistema real [Sh96]. El modelo calculado corresponde a la funcion de transferencia entre
la referencia del ujo de combustible y la temperatura de salida, incluyendo las dinamicas impuestas por el lazo
interior de control de ujo.
G =
0,032 [z + 0,2453] [z 0,623257] [z + 0,999] [z 15,4484]

z
2
+ 1,576432z + 3,074984

z [z + 0,58958] [z 0,615995] [z + 0,81983] [z 0,910085] [z

2
+ 0,838534z + 0,320120]
.
Puede comprobarse en este modelo que la planta es estable, pero de fase no mnima, con tres ceros fuera del
crculo unidad (en z = 15,45, y z = 0,79 +1,57j).
El modelo de perturbacion se obtuvo por identicacion, resultando ser:
W
d
=
0,03

[z + 0,1216]
2
+ 0,690082
2
z
2

z
3
[z + 0,58958] [z 0,615995] [z + 0,81983] [z 0,910085] [z
2
+ 0,838534z + 0,320120]
.
Sensibilidad mixta
Para resolver problemas practicos basados en minimizacion de una norma
1
el problema de sensibilidad mixta:
mn
_
_
_
_
W
S
_
I +KG
1
_
W
M
KG
_
I +KG
1
_
_
_
_
_
1
fue propuesto y resuelto en [DP87], luego estudiado en mas detalle en [ST93]. En problemas reales, las principales
dicultades de esta solucion vienen dadas por la cancelacion de ceros y polos estables por el controlador, y el
excesivo esfuerzo de control. Para resolver estos problemas hemos propuesto [TG02] la solucion del problema de
sensibilidad mixta alternativo:
mn
_
_
_
_
W
S
_
I +GK
1
_
W
M
K
_
I +GK
1
_
_
_
_
_
1
.
En efecto, con esta estrategia el controlador no cancela necesariamente los ceros y polos estables del controlador.
Ademas, desde el punto de vista de la ingeniera se sabe que es mas adecuado considerar en la optimizacion los
esfuerzos de control, que pueden reducirse directamente al a nadir en la optimizacion un peso sobre la sensibilidad
al control.
44
Este problema puede resolverse seg un los metodos vistos en la seccion anterior, convirtiendose a un problema
de programacion lineal semi-innita:
mn
_
_
_
_

2
_
_
_
_
1
sujeto a W
1
S

1
+GW
1
M

2
= 1.
Dise no del problema de optimizacion
El objetivo principal del sistema de control a dise nar es reducir el efecto de las perturbaciones sobre la salida.
En terminos de se nales el objetivo puede expresarse como la minimizacion de la desviacion maxima que alcanza
la salida por efecto de las perturbaciones, que es precisamente Sn

. Si el efecto de la perturbacion sobre la

salida viene ltrado por la funcion de transferencia W
d
, el problema de dise no puede expresarse entonces como
el problema de calcular un controlador que minimice SW
d

1
.
Ademas debemos asegurar que la se nal de control sea razonable. Para ello incluimos en la minimizacion
el efecto de la perturbacion sobre la se nal de control, que vendra determinada por la sensibilidad al control
M = K
_
I +GK
1
_
. El controlador se calcula entonces resolviendo el problema de sensibilidad mixta:
mn
_
_
_
_
W
S
_
I +GK
1
_
W
M
K
_
I +GK
1
_
_
_
_
_
1
.
Seleccion de pesos
Observando las componentes en frecuencia del modelo de las perturbaciones se comprueba como, en el sistema
objeto de estudio, las perturbaciones siguen siendo importantes hasta frecuencias cercanas a 0,02 rad/s, afectando
directamente a la salida. Con el n de reducir las perturbaciones hasta una frecuencia cercana a 0,02 rad/s, sera
necesario que la frecuencia de corte de la sensibilidad estuviera sobre esta frecuencia. Es decir, la funcion de peso
a utilizar para dise nar S debera tener un cero cerca de esta frecuencia.
El problema que presenta esta eleccion es que esta frecuencia resulta ser superior al ancho de banda del sistema
en lazo abierto. Resulta entonces que el ancho de banda en lazo cerrado debe ser mayor que en lazo abierto, lo
que unicamente puede conseguirse haciendo la ganancia del controlador grande entre ambas frecuencias [GL95].
Signicara esto que el controlador amplicara las frecuencias comprendidas entre las frecuencias de corte en lazo
abierto y en lazo cerrado. Esto debe hacerse con precaucion para evitar excesivos esfuerzos de control y asegurar
la estabilidad del sistema en lazo cerrado.
Se debe alcanzar entonces una solucion de compromiso entre la frecuencia de corte de S y la amplicacion de
altas frecuencias que presentara M. Esta situacion es difcil de conseguir por metodos clasicos, por lo que un
metodo de dise no de controladores robustos mediante optimizacion (tal como la optimizacion
1
) es ideal para
resolver el problema. En este caso se puede conseguir estos requerimientos mediante la seleccion adecuada de los
pesos sobre las funciones de transferencia a minimizar.
En este ejemplo en particular, los pesos se han elegido tal como se muestran en la gura II.7. La seleccion
concreta se realizo de la siguiente manera:
Peso sobre la sensibilidad al control W
M
:
45
10
4
10
3
10
2
10
1
10
2
10
1
10
0
10
1
Pesos seleccionados
Frecuencia (rad/s)
W
S
1

W
M
1

Figura II.7.: Pesos seleccionados para el dise no
1
.
Saturaci on-lmite en amplitud del actuador
En el sistema de control en cascada que controla el reformador de hidrogeno, se sabe que el ujo de combustible
puede variar respecto al valor nominal como mucho entre 6,89 y +1,51. Signica esto que en condiciones
normales de funcionamiento el sistema de control debe ser capaz de rechazar las perturbaciones sin llegar a
saturarse. Es decir, u

1,51, para el conjunto de perturbaciones posibles. Debemos ahora describir estas

posibles perturbaciones. En este caso las perturbaciones se encuentran normalizadas: d

1.
En denitiva, se debera cumplir que:
max
d

1
u

1,51.
Se ha visto previamente como este problema puede formularse como una condicion sobre la norma
1
de la
funcion de transferencia entre d y u. En este caso la funcion de transferencia de d a u es MG
d
(con M la
sensibilidad al control):
_
_
_
_
M
G
d
1,51
_
_
_
_
1
1.
Lmite en la velocidad del actuador
En este problema se impone una variacion maxima de la se nal de control entre instantes de muestreo del 2 %
de su valor pico-a-pico, esto es, 0,168 unidades. Teniendo en cuenta que la funcion de transferencia desde d hasta
u es MG
d
, tal como se ha mostrado anteriormente esta condicion puede expresarse en la norma
1
seg un:
_
_
_
_
M
G
d
(1 z
1
)
0,168
_
_
_
_
1
1.
Finalmente, se escoge una funcion de peso sobre la sensibilidad al control W
M
tal que a cada frecuencia acote
los dos factores multiplicativos de M en las condiciones obtenidas por saturacion y limitacion en la variacion del
actuador. Es decir:
46
|W
M
|
z=e
j

G
d
1,51

z=e
j
|W
M
|
z=e
j

G
d
_
1 z
1
_
0,168

z=e
j
.
Ademas, esta funcion de peso se elige de forma que su valor absoluto en el rango de frecuencias bajas y medias
sea lo mas peque no posible compatible con las restricciones anteriores. A altas frecuencias se disminuye el peso
para permitir aumentar M entre el ancho de banda del sistema en lazo abierto y el ancho de banda del sistema
en lazo cerrado. La amplitud del peso elegido se muestra en la gura II.8, donde el peso elegido corresponde a la
transformada bilineal de:
W
M
(s) =
0,5
(s + 0,01)(s + 0,0001)
.
10
4
10
3
10
2
10
1
10
2
10
1
10
0
10
1
10
2
Frecuencia (rad/s)
M
a
g
n
i
t
u
d
Seleccion del peso sobre la sensibilidad al control
W
M

Amplitud
Velocidad
Figura II.8.: Seleccion del peso sobre la sensibilidad al control.
Peso sobre la sensibilidad al control W
S
Para elegir este peso se parte de las especicaciones de dise no: la frecuencia de corte de S(z = e
jw
) debe
estar alrededor de 0,01 rad/seg. Como S debe reducir las perturbaciones de baja frecuencia tanto como sea
posible, debe ademas incluir un integrador. Para evitar sobrepicos de alta frecuencia en S, se debe pesar a altas
frecuencias.
Calculo del controlador
Una vez seleccionado el problema (sensibilidad mixta alternativo) y los pesos a utilizar, se puede resolver el
correspondiente problema de programacion lineal, correspondiente al ejemplo de la seccion (II.5), incluyendo los
pesos. En nuestro caso utilizamos la toolbox de optimizacion en Matlab para el calculo del controlador.
47
El controlador resultante se redujo de orden hasta un controlador de orden 4, con funcion de transferencia:
K =
[z 1,03795] [z 0,88451] [z 0,65138] [z + 0,20540]
[z 1] [z 0,390547] [z
2
0,097448z + 0,280517]
.
La respuesta en frecuencia del controlador resultante se compara con la del controlador completo en la gura
II.9. En la gura II.10 se comparan las respuestas salto en lazo cerrado. Puede comprobarse como la aproximacion
realizada es correcta, afectando solo a altas frecuencias y no signicativamente a la respuesta salto.
10
4
10
3
10
2
10
1
10
2
10
1
10
0
10
1
Respuesta en frecuencia del controlador
Frecuencia (rad/s)
control original
control reducido
Figura II.9.: Respuesta en frecuencia del controlador.
0 10 20 30 40 50 60
0.2
0
0.2
0.4
0.6
0.8
1
1.2
Respuesta salto en lazo cerrado
Tiempo (muestras)
controlador reducido
Figura II.10.: Respuesta salto en lazo cerrado.
Las funciones de transferencia caractersticas del sistema en lazo cerrado se muestran en la gura II.11. Es
posible comprobar como la forma de estas funciones de transferencia es adecuada: el ancho de banda del sistema
es ahora de 0,000218 rad/s, lo que signica que se ltraran las perturbaciones por debajo de esta frecuencia, como
48
estabamos buscando. Ademas, la sensibilidad complementaria no presenta sobrepico, por lo que no lo presentara la
respuesta salto del sistema. El sobrepico que presenta la sensibilidad al control se debe a la necesidad de aumentar
el ancho de banda del sistema en lazo cerrado respecto al de lazo abierto, para poder rechazar las perturbaciones.
10
4
10
3
10
2
10
1
10
2
10
1
10
0
10
1
Funciones de transferencia caractersticas
Frecuencia (rad/s)
S=1/(1+KG)
T=KG/(1+KG)
M=K/(1+KG)
Figura II.11.: Funciones de transferencia caractersticas.
El codigo en Matlab que permite calcular este controlador se muestra a continuacion:
m=20; %Longitud de la respuesta impulsional
tol=1e-5;
% Definicion de la planta
kg=-0.032
zg=[-0.2453 0.623257 -0.9999 15.4484 -0.788216+1.566429j ...
-0.788216-1.566429j];
pg=[-0.58958 0.615995 -0.81983 0.910085 -0.419267+0.379915j ...
-0.419267-0.379915j];
% Planta G=ng/dg
[ng,dg]=zp2tf(zg,pg,kg)
% Definicion de los ceros fuera del crculo unidad
zi=[15.4484 -0.788216+1.566429j];
Ts=30; w=logspace(-4,-1,256);
% Peso de S
[nw2,dw2]=c2dm(5*[1/0.01 1],[1/10 1],Ts,matched)
% Peso de M
[nw1,dw1]=c2dm(0.5*[1 0.01],[1 1e-6],Ts,matched)
% Polinomios auxiliares para evaluar las restricciones de factibilidad
pol1=conv(conv(dw1,nw2),dg); mpol1=length(pol1);
pol2=conv(conv(nw1,dw2),ng); mpol2=length(pol2);
pol3=conv(conv(nw1,nw2),dg); mpol3=length(pol3);
% Restricciones sobre la NORMA
A=[-1 ones(1,m) ones(1,m) zeros(1,m) zeros(1,m)
-1 zeros(1,m) zeros(1,m) ones(1,m) ones(1,m)];
49
b=[0;0];
Aeq=[];beq=[];
% restricciones de FACTIBILIDAD: S+GM=I
Apol1=zeros(m+mpol1-1,m); Apol2=zeros(m+mpol2-1,m);
for i=1:m,
Apol1(i:i+mpol1-1,i)=pol1;
Apol2(i:i+mpol2-1,i)=pol2;
end
Aeq= [Aeq
zeros(size(Apol1,1),1) Apol1 -Apol1 Apol2 -Apol2];
beq=[beq
pol3
zeros(size(Apol1,1)-mpol3,1)];
% funcion de coste a minimizar
f=eye(1,4*m+1);
% RESOLUCION DEL PROBLEMA DE PROGRAMACION LINEAL
[phiopt,FVAL,EXITFLAG,OUTPUT,LAMBDA]=linprog(f,A,b,Aeq,beq,zeros(size(f)),...
Inf*ones(size(f)),zeros(size(f))); gamma=phiopt(1);
% Calculo de la Sensibilidad optima S=(phi(+)-phi(-))/W1
phi1=phiopt(2:m+1)-phiopt(m+2:2*m+1);
% Eliminacion de coeficientes espureos en phi1
while (abs(phi1(length(phi1)))<=tol*max (abs(phi1)))
phi1=phi1(1:length(phi1)-1);
end
nsopt=conv(dw1,phi1);
dsopt=[nw1,zeros(1,length(nsopt)-length(nw1))];
% Calculo de la Sensibilidad al Control optima M=(phi(+)-phi(-))/W2
phi2=phiopt(2*m+2:3*m+1)-phiopt(3*m+2:4*m+1);
while (abs(phi2(length(phi2)))<=tol* max(abs(phi2)))
phi2=phi2(1:length(phi2)-1);
end
nmopt=conv(dw2,phi2);
dmopt=[nw2,zeros(1,length(nsopt)-length(nw1))];
% Calculo del Controlador a partir de S y el modelo de la planta G
nkopt=conv(dg,(dsopt-nsopt)); dkopt=conv(ng,nsopt);
while (abs(nkopt(1))<=tol* max(abs(nkopt)) & ...
abs(dkopt(1))<=tol*max(abs(nkopt)))
nkopt=nkopt(2:length(nkopt));
dkopt=dkopt(2:length(dkopt));
end
% cancelacion de los ceros/polos interpolados (los inestables)
[nk,dk]=minreal(nkopt,dkopt,5e-3);
% Reduccion ad-hoc del orden del controlador:
%Controlador optimo es K=nk/dk; Controlador Reducido es K=nkr/dkr
[mag,f]=freqz(nk,dk,128); nb=6; na=6; ft=1./(0.01+f);
[nkr,dkr]=invfreqz(mag,f,nb,na,ft);
50
Simulacion del sistema controlado
Con el n de comprobar el comportamiento del controlador, se ha programado en Simulink un modelo bastante
realista del proceso. En las simulaciones realizadas se ha comparado el comportamiento que presenta el controlador
dise nado con el presentado por el sistema real ante las mismas perturbaciones. Para ello, se han ledo los valores
y estructura del PID instalado en la planta y simulado en Simulink. Las perturbaciones se generaron tratando
de representar el espectro de frecuencias encontrado en las perturbaciones reales.
En la gura II.12 se comparan las desviaciones respecto al valor de consigna del sistema controlado por el
PID y del sistema con el controlador dise nado. Puede comprobarse como las perturbaciones de baja frecuencia
son ecientemente ltradas por el controlador
1
, dando menores desviaciones respecto al valor de consigna. En
efecto, el error maximo de seguimiento se disminuye de 4,4 grados Celsius con el PID hasta 3,1 grados con el
controlador
1
.
Figura II.12.: Seguimiento de la referencia en presencia de perturbaciones.
Para conseguir esta reduccion, la se nal de control generada por el controlador
1
es mas activa (ver gura II.13),
pero su desviacion maxima aumenta (de 0,41 Km
3
/h a 0,54 Km
3
/h) siempre dentro de valores aceptables. El
que estos valores sean aceptables se ha conseguido al haber introducido en el dise no un peso sobre la sensibilidad
al control, que tiene en cuenta tanto la magnitud de la se nal de control como su variacion.
Figura II.13.: Se nal de control del lazo exterior.
51
Conclusiones del ejemplo
Como aplicacion practica de estas tecnicas se ha visto que es posible solucionar el problema de control del
reformador de hidrogeno objeto de estudio mediante un controlador lineal dise nado utilizando el metodo de
optimizacion
1
. Tal controlador fue dise nado solucionando un problema de minimizacion mixta. Se ha mostrado
como pueden escogerse los pesos de las funciones caractersticas a minimizar a partir de las especicaciones
de dise no. En particular se han tenido en cuenta las limitaciones sobre el tama no de la se nal de control y sus
variaciones entre perodos de muestreo.
El rendimiento del controlador ha sido comprobado utilizando un modelo no-lineal del sistema de control en
cascada utilizado en la planta real, comprobando como se disminuye la variacion en la variable controlada, que
es la temperatura del catalizador. El controlador dise nado ha sido comparado con el situado actualmente en la
planta, del tipo PID, comprobando que se puede obtener un control mas preciso de la temperatura del reformador
(se disminuyen las variaciones de 4,4 grados hasta 3,1 grados Celsius), con una se nal de control adecuada. Ademas
el controlador dise nado, al ser de parametros jos y de bajo orden, puede integrarse adecuadamente en el sistema
de control.
II.7. Metodo de calculo basado en LMIs
El problema de dise no
1
no es posible expresarlo directamente como un conjunto de LMIs. Sin embargo, s es
posible expresar un conjunto de LMIs que se aproximen a la solucion optima, acotando superior e inferiormente
la solucion. Presentamos unicamente las ideas generales; los detalles aparecen en [ED98].
Pasos preliminares
Utilizando la parametrizacion de Youla (ver apendice A), podemos convertir el problema de optimizacion
1
al siguiente problema de equivalencia de modelos en el parametro de Youla Q:
mn
Q
H UQ
1
.
Para poder plantearlo como un problema LMI, hacemos primero el cambio de variable = H UQ:
mn
Q

1
sujeto a:
= H UQ.
Ahora descomponemos la respuesta impulsional de en dos fragmentos:
1
, que contendra los N primeros
terminos de la respuesta impulsional, y
2
, que contendra el resto de los terminos de la respuesta impulsional:

1
= {[0], [1], ..., [N 1], 0, 0, ...} ;

2
= {0, 0, ..., 0, [N], [N + 1], ...} .
Si tenemos en cuenta que = H UQ, vamos a ver que parte de las respuestas impulsionales de H, U y Q
afectan a
1
y
2
.
En primer lugar supongamos que las respuestas impulsionales de H y Q son:
H = {h[0], h[1], h[2], ...}
U = {u[0], u[1], u[2], ...}
Q = {q[0], q[1], q[2], ...} .
52
H puede descomponerse directamente en los mismos dos fragmentos que :
H
1
= {h[0], h[1], ..., h[N 1], 0, 0, ...}
H
2
= {0, 0, ..., 0, h[N], h[N + 1], ...}
Q tambien puede descomponerse en los mismos fragmentos que :
Q
1
= {q[0], q[1], ..., q[N 1], 0, 0, ...}
Q
2
= {0, 0, ..., 0, q[N], q[N + 1], ...}
Para poder multiplicar U y Q debemos convolucionarlas, lo que equivale a premultiplicar el vector de res-
puestas impulsionales de Q por la matriz de Toeplitz, formada por repeticiones desplazadas de la respuesta
impulsional:
U =
_

_
u[0] 0 0 ...
u[1] u[0] 0 ...
u[2] u[1] u[0] ...
... ... ... ...
_

_
(innitas las e innitas columnas).
U puede descomponerse en 4 fragmentos, a saber:
U
11
=
_

_
u[0] 0 ... 0
u[1] u[0] ... 0
... ... ... ...
u[N 1] u[N 2] ... u[0]
_

_
(N las y N columnas)
U
12
= 0 (por ser U causal)
U
21
=
_
_
u[N] u[N 1] ... u[1]
u[N + 1] u[N] ... u[2]
... ... ... ...
_
_
(innitas las y N columnas)
U
22
=
_
_
u[0] 0 ...
u[1] u[0] ...
... ... ...
_
_
(innitas las e innitas columnas)
Puede observarse ademas que U
22
= U (que matematicamente viene dado por ser U una matriz de Toeplitz).
Resulta entonces que

1
= H
1
U
1
Q
1

2
= H
2
U
12
Q
1
UQ
2
.
Metodo aproximado
Una vez descompuesto el problema en bloques vamos a plantear un problema de optimizacion que pueda
resolverse utilizando LMIs y que aproxime al problema
1
.
Por ejemplo, puede plantearse el correspondiente problema de optimizacion como la media geometrica de:
La norma
1
de los N primeros terminos de la respuesta impulsional de (que son precisamente los que
estan en
1
)
la norma H
2
de los restantes terminos de la respuesta impulsional de (que son los que hemos incluido en

2
).
53
Es decir, tratamos de calcular un Q que minimice
_

1
2
+
2

2
2
.
Esta funcion a optimizar se elige porque, para un N jo, corresponde a una norma que puede minimizarse
mediante LMIs, y ademas, a medida que se aumenta N la solucion se aproxima a la del problema original. Para
tener una estimacion bastara entonces resolver este problema de optimizacion modicado, aumentando N hasta
converger a una solucion. Como veremos en la proxima seccion, dependiendo de las restricciones consideradas
nos aproximaremos al optimo, bien por arriba, bien por abajo.
Aproximacion inferior por LMIs
Una aproximacion inferior puede calcularse utilizando
2

2
.
mn
Q
_

1
2
+
2

2
2
sujeto a:
1
= H
1
U
1
Q
1
;
2
= H
2
U
12
Q
1
UQ
2
.

2
2
= H
2
U
12
Q
1
UQ
2

2
2
= Trace
_
_
1 Q
1
T

B
T
L
o
B
_
1
Q
1
__
.
Los parametros L
o
y B se obtienen a partir de la representacion de espacios de estados de
H
2
U
12
Q
1
UQ
2
.
L
o
es el Gramiano de observabilidad, que puede calcularse resolviendo una ecuacion de Lyapunov (en Matlab
se calcula inmediatamente con el comando gram).
Aproximacion superior
Para obtener una aproximacion superior basta imponer una restriccion adicional al problema utilizado para
la aproximacion inferior, que resulte redundante cuando N sea muy grande, y que ademas no complique el
procedimiento de resolucion.
Por ejemplo, a medida que N va haciendose mas grande Q
2
ira tendiendo a 0, por lo que podemos buscar una
solucion imponiendo que Q
2
= 0. Es decir:
mn
Q
_

1
2
+
2

2
2
sujeto a:

1
= H
1
U
1
Q
1
;
2
= H
2
U
12
Q
1
UQ
2
y Q
2
= 0
o lo que es lo mismo:
mn
Q
_

1
2
+
2

2
2
sujeto a:

1
= H
1
U
1
Q
1
;
2
= H
2
U
12
Q
1
.
Al tener una restriccion adicional este problema de optimizacion, su valor optimo sera mayor. Ademas puede
demostrarse [ED98] que, a medida que N va haciendose mas grande, las aproximaciones, superior e inferior,
convergen (de forma debil).
54
II.8. Resumen del captulo
En este captulo se han presentado las ideas basicas de la utilizacion de la norma
1
como metodo para tratar
sistemas con restricciones sobre la magnitud de se nales del lazo de control, en particular de la se nal de control.
En primer lugar se ha mostrado como es posible asegurar la estabilidad de sistemas de control existentes, en
presencia de limitaciones sobre la magnitud de se nales (asegurando que estas restricciones nunca se alcanzan) o
incertidumbres variantes en el tiempo.
Posteriormente, se ha mostrado un metodo de dise no de controladores optimos, los cuales aseguran que no
se alcanzan las restricciones impuestas. Las tecnicas presentadas se basan en convertir el problema de dise no
a un problema de programacion lineal, facilmente resoluble con software comercial. En particular, la tecnica
presentada no utiliza la transformacion intermedia a parametrizacion de Youla, utilizada tradicionalmente para
resolver este tipo de problemas, lo que facilita su resolucion y comprension. Este procedimiento de dise no se ha
demostrado mediante un ejemplo practico: el control de un reformador de hidrogeno.
Finalmente se ha presentado brevemente como el problema de optimizacion
1
puede resolverse tambien de
forma aproximada utilizando las desigualdades matriciales lineales.
55
56
CAP

ITULO III
Sntesis de controladores mediante programaci on semidenida
III.1. Introduccion
En el primer captulo se dan las herramientas basicas para el analisis de sistemas de control bajo el paradigma
robusto. Dado un controlador es facil evaluar, con las condiciones descritas en ese captulo, si el sistema satisface
condiciones de estabilidad (robusta), desempe no, etc.
Aunque esas condiciones per se son importantes, lo seran a un mas si de ellas podemos extraer un controlador,
esto es, si se puede convertirlas en condiciones de sntesis.
El objetivo de este captulo es, precisamente, formular las condiciones de sntesis que nos permitiran extraer
un controlador.
La formulacion basada en programacion semidenida (desigualdades matriciales lineales), presentada en es-
te libro, se realiza para sistemas con representacion de estados, de all que la primera parte de este captulo
sera consagrada a la sntesis de controladores que sean una realimentacion lineal de todos los estados del sistema,
suponiendo entonces que ellos estan disponibles para su realimentacion.
Cuando esto sucede (todos los estados estan disponibles para su realimentacion) todos los problemas antes
mencionados conocen una solucion conservadora total para sistemas ciertos y con incertidumbre (inciertos). En
la segunda parte de este captulo, se hace la extension de los resultados al caso en el que no todos los estados
esten disponibles para realimentacion. Como veremos, en este caso los resultados tienen un alcance mas limitado.
A continuacion, presentamos los diferentes tipos de estructura de la incertidumbre que consideraremos y el
enfoque bajo el cual se desarrollaran las condiciones de sntesis.
III.2. Estabilidad cuadratica
Consideremos al sistema
x = A(r)x +B(s)u (III.1)
donde x IR
n
es el vector de estados, u IR
m
es el vector de control, A(r) IR
nn
y B(s) IR
nm
son las
matrices de dinamica y de entrada del sistema, funciones de r IR
nr
y s IR
ns
, los cuales son vectores no
conocidos que representan la incertidumbre, que puede o no ser variante en el tiempo.
Nuestro objetivo, en un primer momento, sera el de calcular una ley de control que asegure la estabilidad del
sistema para toda perturbacion factible r R y s S.
Para tal n utilizaremos el enfoque cuadratico, que pasamos a denir.
Denicion III.1 ([Bar83], [Pet87]) El sistema III.1 es cuadr aticamente estabilizable si existe una ley de con-
trol, funci on continua de los estados p() : IR
n
IR
m
tal que p(0) = 0, una matriz P simetrica, denida positiva,
y una constante real > 0 que verican, para toda incertidumbre posible:
x
T
[A
T
(r)P +PA(r)]x + 2x
T
PB(s)p(x) x
2
(III.2)
para todo x IR
n
= 0 y para todo t.
Observacion III.1 Hay que se nalar que el sistema III.1 es en realidad no un sistema sino una familia de ellos
que bien puede ser innita.
Observacion III.2 Si la condici on III.2 es satisfecha, toda la familia de sistemas III.1 comparten la funci on
cuadr atica de Lyapunov:
V (x) = x
T
Px
al cerrar el lazo. En adelante denominaremos a P como matriz de Lyapunov.
Observacion III.3 La condici on de que toda la familia de sistemas comparta una misma funci on (matriz)
de Lyapunov puede hacer que el controlador sea extremadamente conservador. A cambio, ofrece gran poder de
c alculo del mismo y, como veremos m as adelante, la misma puede ser reformulada en terminos mucho menos
conservadores.
En relacion con el tipo de incertidumbre, sera imposible tratar de extraer ning un resultado para un tipo cualquiera
de ella. Al igual que en el enfoque frecuencial, nos concretaremos al estudio de 2 tipos de ellas, a saber:
1. Incertidumbre acotada en norma
2. Incertidumbre poliedrica.
Ambos tipos de conjuntos son convexos y de su representacion pueden extraerse soluciones.
Incertidumbre acotada en norma
Sea A
n
una matriz constante en IR
nn
. D y E matrices constantes y conocidas de dimensiones n q y q n
respectivamente. F IR
qq
es una matriz que puede variar en el tiempo y de la que solo se conoce que:
F
T
F I.
58
Podemos describir a la incertidumbre acotada en norma de la forma
A A = {A = A
n
+DFE F factible}.
Observemos que A es un conjunto convexo elptico con A
n
siempre en el centro del conjunto (gura III.1).
A
A
n
Figura III.1.: Incertidumbre acotada en norma.
Igualmente, notamos que D y E denen la estructura de la incertidumbre, i.e., la forma como ella afecta (entra)
al sistema nominal A
n
.
Incertidumbre poliedrica
Sea V
A
= {A
1
, A
2
, . . . , A
r
} un conjunto de matrices de dimensiones n n.
Sea A la incertidumbre poliedrica el conjunto denido por:
A = {A IR
nn
: A =
1
A
1
+. . . +
r
A
r
:
r

i=1

i
= 1,
1
0}
es decir, la combinacion convexa de las matrices vertice A
i
(gura III.2).
Podemos notar que, a diferencia de los sistemas con incertidumbre acotada en norma, en los sistemas poliedricos
no hay una matriz nominal o preferida del sistema.
En la proxima seccion comenzaremos el estudio del calculo de controladores (sntesis) para sistemas con in-
certidumbre de los tipos que acabamos de presentar y en los que los sistemas ciertos sin incertidumbre no
son mas que un caso particular. Adicionalmente, hemos visto con anterioridad que las condiciones de estabilidad
y desempe no pueden evaluarse sobre la norma de una funcion de transferencia adecuada y a su vez estas al
igual que las condiciones de ubicacion de polos pueden evaluarse sobre LMIs. As, en lugar de escribir las
condiciones y el controlador para cada caso (H

, H
2
, ubicacion de polos, etc.), nos limitaremos en adelante al
caso H

para el que agotaremos los resultados, presentando, en algunos casos como corolario, las extensiones
a otras especicaciones (H
2
, . . .) ya que, como veremos, la extension a esos casos no supone mayor dicultad,
pudiendo usarse los mismos procedimientos y/o resultados de base del caso H

.
59
1
A
A
A
2
5
A
A
A
4
A
r
3
B
1
B
2
B
4
B
B
s
B
5
3
B
C
C
C
C
C
5
2
3
4
1
C
t
C
Figura III.2.: Incertidumbre poliedrica
III.3. Sistemas con incertidumbre acotada en norma
Consideremos el sistema
x = (A
n
+DFE
1
)x + (B
n
+DFE
2
)u +B
1
w
z = C
1
x
(III.3)
donde x IR
n
es el vector de estados, u IR
m
es el vector de control, w IR
nw
es la perturbacion externa
y z IR
nz
es el vector de salidas a controlar salida controlable. A
n
y B
n
son las matrices (constantes y
conocidas) de dinamica y entrada del sistema, D, E
1
y E
2
son matrices constantes (y conocidas) de dimensiones
adecuadas, que determinan la forma como la incertidumbre afecta al sistema y F es una matriz de la que solo se
sabe que:
F
T
F I.
Se desea encontrar una ley de control u = Kx realimentacion lineal de los estados tal que el sistema a lazo
cerrado sea internamente estable y que la norma innita de la funcion de transferencia entre w y z sea menor
que un escalar positivo , esto es:
T
wz

< A A y B B (III.4)
donde
A = {A : A = A
n
+DFE
1
F
T
F I}
y
B = {B : B = B
n
+DFE
2
F
T
F I}.
Si la condicion III.4 se satisface, entonces diremos que el control u, -aten ua la perturbacion w [XFS92].
El siguiente teorema da las condiciones que deben cumplirse para la existencia de u.
Teorema III.1 ([KPZ90]) Sea > 0 un escalar dado. El sistema III.3 es cuadr aticamente estabilizable por
una ley de control u = Kx con atenuaci on de la perturbaci on w sobre z si y s olo si existen matrices S > 0 y
R, y un escalar > 0, soluciones de la LMI:
_
_
A
n
S +SA
T
n
+B
n
R
T
+RB
T
n
+DD
T
+
2
B
1
B
T
1
SC
T
1
SE
T
1
+RE
T
2
C
1
S I 0
E
2
R
T
+E
1
S 0 I
_
_
< 0 (III.5)
60
M as a un, una ley de control estabilizante (cuadr aticamente) est a dada por:
K = R
T
S
1
.
Demostracion: El sistema III.3 es cuadraticamente estabilizable con atenuacion > 0 de perturbacion si y solo
si existen matrices P > 0 y K tales que
(A
n
+B
n
K +DFE
1
+DFE
2
K)
T
P +P(A
n
+B
n
K +DFE
1
+DFE
2
K)+

2
PB
1
B
T
1
P +C
T
1
C
1
< 0
pero ello es equivalente, denominando a E = E
1
+E
2
K, [Pet87]:
(A
n
+B
n
K)
T
P +P(A
n
+B
n
K) +PDD
T
P +
1

E
T
E +
2
PB
1
B
T
1
P +C
T
1
C
1
< 0 (III.6)
para alg un > 0. En su forma dual III.6 toma la forma (S = P
1
y R = SK
T
):
A
n
S +SA
T
n
+RB
T
n
+B
n
R
T
+DD
T
+
1

SE
T
ES +
2
B
1
B
T
1
+SC
T
1
C
1
S < 0. (III.7)
III.7 puede escribirse como una LMI de la forma:
_
_
A
n
S +SA
T
n
+RB
T
n
+B
n
R
T
+
2
B
1
B
T
1
+DD
T
SE
T
1
+RE
T
2
SC
T
1
E
2
R
T
+E
1
S I 0
C
1
S 0 I
_
_
< 0 (III.8)
Observacion III.4 La desigualdad III.8 es lineal (convexa) con respecto a sus inc ognitas S, R, y aun con
respecto a
2
. Por lo tanto, puede ser resuelta con herramientas est andar, e.g., el LMI Toolbox de Matlab
[GNL95].
Observacion III.5 Si s olo se impone estabilidad cuadr atica, la LMI se reduce a las 2 primeras las y columnas
de III.8.
Observacion III.6 Si se trata de sistemas ciertos, la LMI se reduce a la 1ra y 3ra las y columnas de III.8 con
D = 0.
A continuacion, presentamos la extension del teorema III.1 a los casos de costo garantizado (H
2
) y de ubicacion
de polos.
Corolario III.1 Denamos el siguiente problema convexo:
mn Tr W
sujeto a
_
W C
1
S
SC
T
1
S
_
> 0 (III.9)
_
A
n
S +SA
T
n
+DD
T
+B
n
R
T
+RB
T
n
+B
1
B
T
1
SE
T
1
+RE
T
2
E
2
R
T
+E
1
S I
_
< 0 (III.10)
Sea W

la soluci on si existe una del problema convexo denido. Existe una ley de control u = Kx tal que
T
wz

2
<
1/2
= Tr W

para toda la familia de sistemas III.3 si y s olo si existen matrices W y S denidas positivas, una matriz R y un
escalar > 0 tales que el problema de optimizaci on tiene soluci on. M as a un, la ley de control viene dada por
u = Kx con K = R
T
S
1
.
61
Observacion III.7 Observemos que la cota superior (costo garantizado) es obtenida de un proceso de optimi-
zaci on, por lo que el conservadurismo introducido no ser a mayor.
Observacion III.8 El bloque (1, 1) de la matriz III.10 asegura, adem as, la estabilidad interna del sistema a lazo
cerrado.
Observacion III.9 Para el caso sin incertidumbre, la segunda condici on se limitara al termino (1, 1) del III.10.
Pasemos ahora a escribir las condiciones para la ubicacion de polos del sistema en consideracion con un crculo
de la forma III.3.
r
-
Re(s)
Im(s)
Figura III.3.: Circunferencia.
Corolario III.2 Existe una ley de control u = Kx tal que el sistema III.3 tiene todos sus polos ubicados en la
gura III.3, para todo A A y B B si y s olo si existen matrices S > 0 y R y un escalar > 0 tales que:
_
S D
D
T
I
_
> 0
_
_
rS +DD
T
A
n
SB
n
R
T
+I 0
SA
T
n
+RB
T
n
+I rS SE
T
1
+RE
T
2
0 E
1
S +E
2
R
T
I
_
_
< 0
(III.11)
m as a un la ganancia viene dada por K = R
T
S
1
.
Observacion III.10 El conjunto de desigualdades es lineal (convexo) con respecto a sus variables (S, R, ) y
por lo tanto es un conjunto de LMIs.
Observacion III.11 La ubicaci on de polos en circunferencias tales como las descritas tiene sus implicaciones
inmediatas en los sistemas discretos de la forma:
x
k+1
= Ax
k
+Bu
k
u
k
= Ku
k
(III.12)
donde A = A
n
+DFE
1
, B = B
n
+DFE
2
y A
n
, B
n
, D, F, E como descrito anteriormente. As, por ejemplo, con
= 0 y r = 1, III.11 se convierte en la condici on de estabilidad cuadr atica de III.12.
Observacion III.12 Para el caso sin incertidumbre, las condiciones se reducen a S > 0, en la primera LMI de
III.11 y las primeras dos las y columnas de la segunda.
62
III.4. Sistemas poliedricos
Consideremos ahora la familia poliedrica de sistemas
x(t) = Ax(t) +Bu(t) +B
1
w(t)
z(t) = C
1
x(t)
(III.13)
donde x IR
n
es el vector de estados, u IR
m
es el vector de control, w IR
nw
es el vector de perturbaciones
externas y z IR
nz
es el vector de salidas controladas. B
1
y C
1
son matrices constantes conocidas que determinan
como afecta la perturbacion al sistema y la parte de el que queremos controlar. Las matrices de dinamica y de
entrada A, B son matrices reales no conocidas, que pueden o no ser constantes y de las que solo se conoce
que pertenecen a los conjuntos poliedricos
A A = Co{A
1
, A
2
, . . . , A
r
}
B B = Co{B
1
, B
2
, . . . , B
s
}
donde Co = envolvente convexo (Convex hull).
Evidentemente A
i
, i = 1, . . . , r y B
j
, j = 1, . . . , s son los vertices de los hiperpoliedros A, B.
Al igual que para los sistemas con incertidumbre acotada en norma, se busca una ley de control, realimentacion
lineal de los estados u = Kx, tal que el sistema a lazo cerrado sea internamente estable y que la norma innita
de la funcion de transferencia entre w y z sea menor que un escalar positivo , esto es,
T
wz

<
para todo A A y B B. De nuevo, buscamos un controlador que asegure -atenuacion de las perturbaciones.
El siguiente teorema nos da las condiciones de existencia de un tal controlador.
Teorema III.2 El sistema III.13 es cuadr aticamente estabilizable por una ley de control de realimentaci on lineal
de los estados (u = Kx), si y s olo si existen matrices S > 0 y R tales que
_
A
i
S +SA
T
i
+RB
T
j
+B
j
R
T
+
2
B
1
B
T
1
SC
T
1
C
1
S I
_
< 0 (III.14)
i = 1, . . . , r; j = 1, . . . , s. La ganancia estabilizante viene dada por K = R
T
S
1
.
Demostracion: El sistema es cuadraticamente estabilizable por una ley de control u = Kx si y solo si existe
una matriz P > 0 tal que:
(A+BK)
T
P +P(A+BK) +
2
PB
1
B
T
1
P +C
T
1
C
1
< 0 (III.15)
A A y B B. En forma dual S = P
1
y R = SK
T
la desigualdad III.15 resulta
AS +SA
T
+BR
T
+RB
T
+
2
B
1
B
T
1
+SC
T
1
C
1
S < 0 (III.16)
(A, B) (A, B). Pero III.16 puede escribirse bajo la forma de LMI, esto es,
_
AS +SA
T
+BR
T
+RB
T
+
2
B
1
B
T
1
SC
T
1
C
1
S I
_
< 0 (III.17)
y III.17 es equivalente a III.14.
Observacion III.13 A pesar de que III.13 es una familia innita de sistemas, la existencia de un controlador
s olo se verica en los vertices de la regi on incierta, i.e., en un n umero nito de sistemas.
63
Observacion III.14 El caso sin incertidumbre A = A
1
y B = B
1
se reduce a aquel que ya obtuvimos
cuando desarrollamos los sistemas con incertidumbre acotada en norma, esto es, una sola LMI en III.17.
Observacion III.15 La desigualdad III.17 es lineal (convexa) en S y R.
Observacion III.16 Si s olo se impone estabilidad cuadr atica, entonces la condici on se reduce a la primera la
y columna de III.17 con B
1
= 0. Hacemos notar que, adem as, ese termino asegura la estabilidad interna del
sistema a lazo cerrado.
A continuacion damos las condiciones de existencia de un controlador de realimentacion lineal de los estados
de costo garantizado y luego las del que ubica todos los polos del sistema III.13 en una circunferencia.
Corolario III.3 Denamos el siguiente problema convexo:
mn Tr W
sujeto a:
_
W C
1
S
SC
T
1
S
_
> 0
A
i
S +SA
T
i
+B
j
R
T
+RB
T
j
+B
1
B
T
1
< 0
(III.18)
i = 1, . . . , r j = 1, . . . , s. Sea W

la soluci on si existe una del problema convexo denido. Consideremos

el sistema III.13. Existe una ley de control u = Kx que asegura
T
wz

2
<

= Tr W

si y s olo si existen matrices W, S > 0 y R tales que el problema convexo tiene soluci on.
Observacion III.17 De nuevo, aunque la familia de sistemas es innita, s olo es necesario evaluar la condici on
en un n umero nito de puntos.
Observacion III.18 La condici on III.18 tambien garantiza la estabilidad cuadr atica del sistema III.13 y el caso
sin incertidumbre es obtenido haciendo i = 1 y j = 1.
Nos resta escribir las condiciones de ubicacion de polos, por ejemplo en crculos como en la gura III.3.
Corolario III.4 Existe una ley de control u = Kx que ubica todos los polos de cualquier miembro de la familia
de sistemas III.13 en la circunferencia de la gura III.3, si y s olo si existen matrices S > 0 y R tales que:
_
rS A
i
S +B
j
R
T
+I
SA
T
i
+RB
T
j
+I rS
_
< 0 (III.19)
i = 1, . . . , r j = 1, . . . , s.
Observacion III.19 Como en los casos anteriores, s olo hace falta evaluar la condici on III.19 en los vertices del
sistema.
Observacion III.20 Con r = 1 y = 0, III.19 se convierte en la condici on de estabilidad (cuadr atica) del
sistema discreto
x
k+1
= Ax
k
+Bu
k
con A A y B B.
64
III.5. Condiciones menos conservadoras
Tratandose de sistemas con incertidumbre, la condicion cuadratica de existencia de una matriz de Lyapunov
P, com un a todo miembro de la familia incierta, introduce cierto conservadurismo que se ve contrastado con el
hecho de poder calcular un controlador unico para todos los sistemas. Sin embargo, la condicion de existencia de
una matrix de Lyapunov com un puede ser relajada y por ende obtener mejores controladores. En lo que sigue
damos condiciones de estabilidad para sistemas con incertidumbre poliedrica (continuos y discretos), y dejamos
para el lector las extensiones a los casos de ubicacion de polos, H

y H
2
y los casos con incertidumbre acotada
en norma.
Teorema III.3 [SS01], [Sh01]. Con relaci on al sistema (III.13), existe una ley de control u(t) = Kx(t) que
estabiliza al sistema en cualquiera de sus representaciones, i.e., A A y B B, si existen matrices denidas
positivas S
q
, q = 1, . . . , r s y G, todas en IR
nn
tales que:
_
A
i
G+G
T
A
T
i
+B
j
R +R
T
B
T
j
A
i
G+B
j
R G
T
+S
q
G
T
A
T
i
G+S
q
GG
T
_
< 0. (III.20)
i = 1, . . . , r, y j = 1, . . . , s. M as a un, K = RG
1
.
Demostracion-necesidad: ([DB01]) El sistema (III.13) es estabilizable por una ley de control u(t) = Kx(t) si
existen matrices denidas positivas S
A
, posiblemente dependientes de A y una ganancia K tales que:
(A+BK)S
A
+S
A
(A+BK)
T
< 0 A A y B B
= ( I (A+BK) )
_
0 S
A
S
A
0
__
I
(A+BK)
T
_
< 0 A A y B B
= ( I (A+BK) )
__
0 S
A
S
A
0
_
+
_
A+BK
I
_
( F G)+
_
F
T
G
T
_
((A+BK)
T
I)
__
I
(A+BK)
T
_
< 0
A A, B B y cualesquiera F, G
=
_
(A+BK)F +F
T
(A+BK)
T
(A+BK)GF
T
+S
A
G
T
(A+BK)
T
F +S
A
GG
T
_
< 0.
(III.21)
Haciendo F = G, ya que no existe ninguna restriccion en F, deniendo R = KG y observando que las matrices
A y B aparecen linealmente en (III.21), es decir, que la satisfaccion en los vertices garantiza la satisfaccion en
cualquiera de sus combinaciones convexas, queda demostrada la necesidad.
Suciencia: Si la condicion (III.20) es satisfecha, entonces tambien se cumple para toda A A y B B, de
hecho la matriz (S
A
) de Lyapunov asociada a cada a cada par (A, B) no es mas que la combinacion convexa de
las matrices S
q
asociadas a los vertices. En consecuencia, si denimos la matriz regular:
=
_
I (A+BK)
0 I
_
se cumple que:

_
(A+BK)G+G
T
(A+BK)
T
(A+BK)GG
T
+S
A
G
T
(A+BK)
T
G+S
A
GG
T
_

T
< 0, (III.22)
pero (III.22) es igual a:
_
(A+BK)S
A
+S
A
(A+BK)
T
S
A
AG
T
G
T
S
A
GA
T
G GG
T
_
< 0, (III.23)
y el termino (1,1) de (III.23) asegura que K es una ganancia estabilizante y S
A
la matriz de Lyapunov, i.e., que
la primera de las condiciones de (III.21) es satisfecha
65
Para el caso de sistemas discretos, consideraremos el sistema:
x
k+1
= Ax
k
+Bu
k
(III.24)
con las matrices A, B en A, B respectivamente.
Recordemos ahora la condicion de estabilidad para sistemas discretos, equivalente a que los polos del sistema
(III.24) esten dentro del crculo unitario.
Denicion III.2 El sistema (III.24) es estabilizable por una ley de control de la forma u
k
= Kx
k
, si existen
matrices denidas positivas S
A
y una ganancia K tales que:
(A+BK)
T
S
A
(A+BK) S
A
< 0, A A y B B. (III.25)
La demostracion es muy similar a la de los sistemas discretos ya que (III.25) es equivalente a:
( I (A+BK) )
_
S
A
0
0 S
A
__
I
(A+BK)
T
_
< 0
y dejamos para el lector tal demostracion.
III.6. Dise no por realimentacion de la salida
En las secciones anteriores se presentaron resultados para sistemas inciertos incertidumbre acotada en norma
y poliedrica, basados en la realimentacion lineal de todos los estados del sistema.
Muchas veces esos estados no estan fsicamente disponibles para su medicion porque no son medibles o porque
no pueden serlo de manera conable, y solo una parte de entre ellos puede usarse para control. A estos ultimos
los llamaremos salida medible del sistema.
Lo que resta de este captulo sera consagrado a la sntesis de controladores que satisfacen cierto criterio de
desempe no H

, H
2
, etc. y que usan solamente la salida medible. Las implicaciones practicas de tal objetivo
son obvias. No tan obvio, sin embargo, es el grado de dicultad que implica la tarea de estimacion de estados
para sistemas con incertidumbre.
De igual manera, trataremos primero sistemas lineales invariantes en el tiempo sin incertidumbre para los
que demostraremos que podemos alcanzar el objetivo propuesto. Para los sistemas con incertidumbre acotada
en norma tambien encontraremos la solucion a traves de la extension del resultado de [Pet87] a sistemas con
realimentacion de la salida pero, desafortunadamente, solo para el caso de estabilidad cuadratica, no pudiendo
extender esos resultados al caso H

o H
2
. Los sistemas con incertidumbre poliedrica, por el contrario, no conocen
de solucion total ni siquiera en el caso de estabilidad y para ellos solo presentaremos soluciones parciales.
Como en los captulos anteriores, toda la formulacion esta basada en una representacion del sistema en variables
de estado y las soluciones seran formuladas como desigualdades matriciales lineales.
III.7. Sistemas ciertos
Consideremos al sistema
x = Ax +Bu +B
1
w
y = Cx +Dw
z = C
1
x +D
1
u
(III.26)
66
donde x IR
n
es el vector de estados, u IR
m
es el vector de controles, w IR
nw
es el vector de perturbaciones
externas que afectan al sistema, z IR
nz
es el vector de salidas controlables, y IR
p
es el vector de salidas
medibles.
A, B, B
1
, C, C
1
y D
1
son matrices constantes de dimensiones apropiadas.
Se desea dise nar un compensador dinamico de la forma:
x
c
= A
c
x
c
+B
c
y
u = C
c
x
c
(III.27)
que asegure que el sistema a lazo cerrado cumpla con ciertas condiciones de desempe no medidas como una norma
2, innita, ubicacion de polos.
El controlador escogido es uno estrictamente propio, lo que, sin perdida de generalidad, simplica considera-
blemente las demostraciones. La extension al caso propio es solo mas agotadora desde el punto de desarrollo y
demostracion.
En principio, nos planteamos unicamente la b usqueda de controladores estabilizantes para luego extender esos
resultados a los otros casos que hemos venido estudiando, incluyendo a los sistemas discretos.
El siguiente teorema caracteriza los controladores buscados.
Teorema III.4 ([SGC97]) El sistema III.26 puede ser estabilizado por un controlador din amico de la forma
III.27 si y s olo si existen matrices simetricas X, Y > 0 y matrices U y V en IR
nn
soluciones del conjunto de
desigualdades matriciales
_
AY +Y A
T
+BC
c
V
T
+V C
T
c
B
T

T
A
T
X +XA+UB
c
C +C
T
B
T
c
U
T
_
< 0
_
Y I
I X
_
> 0
(III.28)
donde = V A
T
c
U
T
+A+Y A
T
X +V C
T
c
B
T
X +Y C
T
B
T
c
U
T
.
Demostracion: El sistema a lazo cerrado autonomo resultante de aplicar el compensador dinamico III.27
es:
_
x
x
e
_
=
_
A BC
c
B
c
C A
c
_
. .

A
_
x
x
c
_
+
_
B
1
B
c
D
_
. .

B
w
z = (C
1
D
1
C
c
)
. .

C
_
x
x
c
_
(III.29)
y el sistema es asintoticamente estable si y solo si existe una matriz

P > 0 tal que

A
T

P +

P

A < 0. (III.30)
Particionemos ahora la matriz

P de la forma:

P =
_
X U
U
T

X
_

P
1
=
_
Y V
V
T

Y
_
.
Con relacion a los elementos de la matriz

P y

P
1
se cumple que:
XY +UV
T
= I
XV +U

Y = 0
U
T
Y +

XV
T
= 0
Y = (X U

XU
T
)
1
> X
1
.
(III.31)
67
Denamos T de la forma:
T =
_
Y V
I 0
_
.
Sin perdida de generalidad, podemos asumir que V = 0 ya que, de tener V autovalores iguales a cero, siempre
podra hacerse una descomposicion en valores singulares de V :
V = M
v
M
u
reemplazando por

donde se han reemplazado los autovalores en cero por > 0 sucientemente peque nos,
de modo que
V

= M
v

M
u
y la nueva matriz

P

tambien cumplira con la desigualdad III.30 para alg un sucientemente peque no [IS94].
Si V = 0 entonces T es una matriz regular, i.e., tiene inversa. Si multiplicamos a la derecha de III.30 por T
T
y a la izquierda por T, lo cual preserva la desigualdad, obtenemos:
_
Y V
I 0
_
_

_
_
A BC
c
B
c
C A
c
_
T
_
X U
U
T

X
_
. .

+
T
_

_
_
Y I
V
T
0
_
< 0
y que resulta en:
_
Y V
I 0
__
XA+A
T
X +UBC
c
+C
T
c
B
T
c
U

__
Y I
V
T
0
_
< 0 (III.32)
donde = XBC
c
+ UA
c
+ A
T
U + C
T
c
B
T

X y =

XA
c
+ A
T
c

X + U
T
BC
c
+ C
T
c
B
T
U y de donde se obtiene, a
traves de las relaciones III.31, la desigualdad matricial III.28.
Denamos ahora las variables intermedias,
L = C
c
V
T
; F = UB
c
y M = V A
T
c
U
T
Z = A+Y A
T
X +Y C
T
F
T
+L
T
B
T
X,
(III.33)
entonces tenemos que:
Corolario III.5 El sistema (III.26) es estabilizable por un compensador din amico de la forma (III.27) si y s olo
si existen matrices X, Y > 0 y IR
nn
, L IR
mn
y F IR
nr
tales que
_
AY +Y A
T
+BL +L
T
B
T

T
A
T
X +XA+FC +C
T
F
T
_
< 0. (III.34)
Observacion III.21 La desigualdad matricial es lineal convexa con respecto a sus variables X, Y, L, F, y,
de nuevo, herramientas de programaci on lineal pueden utilizarse para la b usqueda de su soluci on.
Observacion III.22 Una vez que X, Y, L, F y son calculadas, es f acil calcular A
c
, B
c
, C
c
de la siguiente
forma:
1. Tomemos cualquier matriz regular V
2. Hagamos C
c
= L(V
T
)
1
y
3. U = (I XY )(V
T
)
1
4. B
c
= U
1
F
68
5. M = Z
6. A
c
= U
1
M
T
(V
T
)
1
,
si V = 0 entonces U = 0.
Aunque parece que los controladores estabilizantes estan parametrizados por V , ello no es cierto. Si calculamos
la funcion de transferencia del compensador tenemos que:
T
c
(s) = C
c
(sI A
c
)
1
B
c
= L(V
T
)
1
[sI U
1
M
T
(V
T
)
1
]
1
UF =
= L[s(UV
T
) M
T
]
1
F =
= L[s(I XY ) M
T
]
1
F
con lo que queda demostrado que la solucion de III.34 determina totalmente al controlador estabilizante, y la
verdadera parametrizacion esta determinada por la tripleta (, F, L). De hecho, si no existe ninguna restriccion
sobre la estructura de la dinamica del compensador A
c
, podemos tomar = 0 recobrando los resultados de
[DGK89] y [GA94].
Pasemos ahora a la aplicacion de los resultados a H
2
y sistemas discretos, que surgen de peque nas extensiones
del resultado previo.
Corolario III.6 ([GPS92], [PSG92]) Consideremos el sistema III.26 para el que deseamos conseguir un con-
trolador de la forma III.27 que asegure:
mnT
wz

2
.
Tal problema tiene soluci on, si y s olo si el siguiente problema de optimizaci on la tiene:
mnTr W
sujeto a
_
_
Y I B
1
I X XB
1
+FD
B
T
1
B
T
1
X +D
T
F
T
W
_
_
> 0 (III.35)
y
_
_
AY +Y A
T
+BL +L
T
B
T
Y C
T
1
+L
T
D
T
1

T
A
T
X +XA+FC +C
T
F
T
C
T
1
C
1
Y +D
1
L C
1
I
_
_
< 0 (III.36)
con L, , Z, F tal como se denieron anteriormente.
Para la obtencion del resultado anterior se uso el hecho de que (sea

P una matriz denida positiva):
mn T
wz

2
= mn{Tr[

B
T

P

B] :

A
T

P +

P

A+

C
T

C = 0} (III.37)
con

A,

B,

C denidos en III.29. Ademas, la restriccion de igualdad puede reemplazarse por una de desigualdad
usando la propiedad de no decrecimiento de la solucion de la ecuacion de Lyapunov.
De esta manera la ecuacion III.37 puede escribirse de la forma:
mnTr W
sujeto a:
_

P

P

B

B
T

P W
_
> 0 (III.38)
69
_

A
T

P +

P

A

C
T

C I
_
< 0. (III.39)
Para tener la misma parametrizacion del resultado anterior, debemos multiplicar a la derecha de III.38 y III.39
por

T =
_
T 0
0 I
_
y a la izquierda por

T
T
, con

P particionada de la misma manera y T como denida anteriormente.
Los parametros del compensador pueden ser extrados de la forma descrita en la observacion III.22.
La extension al caso H

es inmediata partiendo de la desigualdad que lo caracteriza

_
_

A
T

P +

P

A

P

B

C
T

B

P I 0

C 0 I
_
_
< 0
y usando esta vez la transformacion

T =
_
_
T 0 0
0 I 0
0 0 I
_
_
y las mismas deniciones y particiones usadas.
En el caso de los sistemas discretos, consideremos el sistema:
x
k+1
= Ax
k
+Bu
k
+B
1
w
k
z
k
= C
1
x
k
+D
1
u
k
y
k
= Cx
k
+Dw
k
(III.40)
donde, igual que en los sistemas continuos, x
k
, u
k
, w
k
, z
k
, y
k
son los vectores de estados, controles, perturbacion,
salida controlable y medible respectivamente.
Para los sistemas discretos usaremos la misma particion de la matriz

P y

P
1
e introduciremos las matrices:
T =
_
Y V
I 0
_
=
_
T 0
0 T
_
y nalmente, re-deniremos las variables intermedias L = C
c
V
T
, F = UB
c
, M = V A
T
c
U
T
y
Z = Y A
T
X +Y C
T
F
T
+L
T
B
T
X
= Z +M;
de nuevo, buscamos compensadores dentro de la familia de los estrictamente propios de la forma
x
k+1
= A
c
x
k
+B
c
y
k
u
k
= C
c
x
k
.
(III.41)
El siguiente corolario caracteriza a tales controladores.
Corolario III.7 El sistema III.40 es estabilizado por una ley de control de la forma III.41, si y s olo si existen
matrices X, Y > 0 y L, F, tales que:
_

_
X
T
(A
T
X +C
T
F
T
)
T
I
Y I Y A
T
+L
T
B
T
A
T
X +C
T
F
T
I X A
T
I AY +BL A Y
_

_
< 0. (III.42)
70
La demostracion esta basada en que el sistema a lazo cerrado debe cumplir que:
_

P

A
T

P

P

A

P
_
< 0
con

A,

P tal como fueron descritas en III.29 y III.30, utilizando la particion descrita de

P y multiplicando por la
matriz antes denida.
Observacion III.23 Como en los casos anteriores, la soluci on del problema de factibilidad conlleva la determi-
naci on de los par ametros del compensador estabilizante A
c
, B
c
, C
c
. Igualmente, la extensi on del resultado a otras
circunferencias con radio r y centrada en es inmediata.
III.8. Sistemas con incertidumbre acotada en norma
Pasemos ahora al estudio de los sistemas con incertidumbre acotada en norma, para los que, en una primera
instancia y para simplicar las demostraciones, solo consideraremos incertidumbre en la matriz de dinamica del
sistema. Igualmente, buscaremos un controlador estabilizante que ademas asegure atenuacion de una perturbacion
externa w en la salida medible del sistema z, medida la atenuacion como la ganancia en la energa.
Sistemas continuos. Controladores H

Formalmente, consideremos al sistema incierto denido por:

x = (A+DFE)x +B
1
w +Bu
z = C
1
x
y = Cx
(III.43)
donde x IR
n
es el vector de estados, u IR
m
es el vector de comandos o controles, w IR
nw
es la perturbacion,
y IR
p
es la salida medible y z IR
nz
es la salida a controlar. A, B
1
, B y C son matrices constantes reales de
dimensiones apropiadas. D, F, E caracterizan la incertidumbre que puede o no ser variante en el tiempo. Ademas:
F
T
F I.
El problema planteado es aquel de la determinacion de un compensador dinamico de la forma:
x
c
= A
c
x
c
+B
c
y
u = C
c
x
c
(III.44)
que estabiliza cuadraticamente el sistema incierto (III.43) con atenuacion > 0 de perturbacion, esto ultimo
siendo:
T
wz

< .
El teorema siguiente propone las condiciones necesarias y sucientes de la existencia de un tal compensador
dinamico del tipo (III.44).
Teorema III.5 ([CGP97]) Sea > 0 un escalar dado. El sistema (III.43) es cuadr aticamente estabilizable con
atenuaci on por un compensador de la forma (III.44) si y s olo si existen R
1
, R
2
denidas positivas, un escalar
> 0 y matrices P y W denidas positivas tales que las expresiones siguientes se verican
1) A
T
P +PAPBR
1
1
B
T
P +PDD
T
P +
1

E
T
E +
2
PB
1
B
T
1
P +C
T
1
C
1
< 0
2) AW +WA
T
WC
T
R
1
2
CW +
1

WE
T
EW +DD
T
+
2
B
1
B
T
1
+WC
T
1
C
1
W < 0
3) S = W
1
P > 0.
(III.45)
71
M as aun, un compensador viene dado por:
A
c
= AB
c
C BC
c
+S
1
C
T
c
B
T
P +DD
T
P S
1
Q
1
+
2
B
1
B
T
1
P
C
c
=
1
2
R
1
1
B
T
P
B
c
= S
1
C
T
R
1
2
(III.46)
donde
Q
1
= {A
T
P +PAPBR
1
1
B
T
P +PDD
T
P +
1

E
T
E +
2
PB
1
B
T
1
P +C
T
1
C
1
}.
Demostracion-suciencia: Recordemos que
PDD
T
P +
1

E
T
E PDFE +E
T
F
T
D
T
P.
para todo > 0.
Ahora bien, el sistema en lazo cerrado formado a partir de (III.43) y (III.44) puede escribirse como:
_
x
x
c
_
=
_
A+DFE BC
c
B
c
C A
c
__
x
x
c
_
haciendo e = x x
c
,
_
x
e
_
=
_
A+DFE BC
c
BC
c
A+DFE BC
c
B
c
C A
c
A
c
+BC
c
__
x
e
_
.
Reemplazando A
c
por su expresion (III.46), obtenemos
_
x
e
_
=
_
A
n
+
_
D
D
_
F(E 0)
__
x
e
_
donde
A
n
=
_
_
ABC
c
BC
c
S
1
C
T
c
B
T
P DD
T
P+
S
1
Q
1

2
B
1
B
T
1
P
AB
c
C +S
1
C
T
c
B
T
P+
DD
T
P S
1
Q
1
+
2
B
1
B
T
1
P
_
_
.
Pero sabemos que si existe una matriz P
g
= P
g
T
> 0 tal que:
A
T
n
P
g
+P
g
A
n
+P
g
_

_
D
D
_
(D
T
D
T
) +
2
_
B
1
B
1
_
(B
T
1
B
T
1
)
_
P
g
+
_
1

_
E
T
0
_
(E 0) +
_
C
T
1
0
_
(C
1
0)
_
< 0.
(III.47)
Entonces el sistema es cuadraticamente estabilizable con atenuacion de perturbacion. Tengamos ahora:
P
g
=
_
P 0
0 W
1
P
_
> 0,
el termino a la izquierda de la desigualdad III.47 pasa a ser
_
Q
1
Q
1

_
(III.48)
donde
= (AB
c
C)
T
S +S(AB
c
C) +C
T
c
B
T
P +PBC
c
+SDD
T
P +PDD
T
S+
SDD
T
S 2Q
1
+
2
SB
1
B
T
1
P +PB
1
B
T
1
S +
2
SB
1
B
T
1
S
= (ABC
c
)
T
P +P(ABC
c
) +PDD
T
P +
1

E
T
E +
2
PB
1
B
T
1
P +C
T
1
C
1
72
recordando que
Q
1
= {A
T
P +PAPBR
1
1
B
T
P +PDD
T
P +
1

E
T
E +
2
PB
1
B
T
1
P +C
T
1
C
1
}
y si denimos:
H = {W
1
A+A
T
W
1
C
T
B
T
c
S SB
c
C +
1

E
T
E +W
1
DD
T
W
1
+

2
W
1
B
1
B
T
1
W
1
+C
T
1
C
1
}
entonces
(AB
c
C)
T
S +S(AB
c
C) +C
T
c
B
T
P +PBC
c
+SDD
T
P +PDD
T
S+
SDD
T
S 2Q
1
+
2
SB
1
B
T
1
P +
2
PB
1
B
T
1
SP +
2
SB
1
B
T
1
S = H Q
1
y podemos escribir III.48 bajo la forma:
_
Q
1
Q
1
Q
1
H Q
1
_
.
Esta matriz es denida negativa si Q
1
> 0 y H < 0. En consecuencia, la desigualdad III.47 se satisface si
(ABC
c
)
T
P +P(ABC
c
) +PDD
T
P +
1

E
T
E +
2
PB
1
B
T
1
P +C
T
1
C
1
< 0 (III.49)
A
T
W
1
+W
1
AC
T
B
T
c
S SB
c
C +W
1
DD
T
W
1
+
1

E
T
E +
2
W
1
B
1
B
T
1
W
1
+C
T
1
C
1
< 0.
(III.50)
Utilizando argumentos sacados del teorema de Finsler [Pet87], III.49 y III.50 son, respectivamente, equivalentes
a las condiciones 1 y 2 del teorema III.5 con B
c
y C
c
, las expresiones clasicas de las ganancias de control y de
ltraje.
Necesidad: Sea

A =
_
A BC
c
B
c
C A
c
_

B
1
=
_
B
1
B
T
1
0
0 0
_

C
1
=
_
C
T
1
C
1
0
0 0
_
.
El sistema en lazo cerrado III.43 y III.44 resulta
_
x
x
c
_
=
_

A+
_
DFE 0
0 0
___
x
x
c
_
+
_
B
1
0
_
w
y = (C
1
0)
(III.51)
y en consecuencia III.43 es cuadraticamente estable con atenuacion > 0 de perturbacion si y solamente si
existen matrices

W =
_
W
1
W
2
W
2
T
W
3
_
=

P
1
=
_
P
1
P
2
P
2
T
P
3
_
1
> 0
tales que

A
T

P +

P

A+

P
_
DFE 0
0 0
_
+
_
E
T
F
T
D
T
0
0 0
_

P +
2

P

B
1

P +

C
1
< 0. (III.52)
Si III.52 es satisfecha, entonces [Pet87]

A
T

P +

P

A+

P
_
D
0
_
(D
T
0)

P +
1

_
E
T
0
_
(E 0) +
2

P

B
1

P +

C
1
< 0, (III.53)
si multiplicamos III.53 a ambos lados por

W =

P
1
,

W

A
T
+

A

W +
1

W
_
E
T
0
_
(E 0)

W +
_
D
0
_
(D
T
0) +
2

B
1
+

W

C
1

W < 0. (III.54)
Extrayendo los terminos superior izquierdo de las matrices III.53 y III.54, colocando

P = W
1
1
> 0 y

W =
P
1
1
> 0 y utilizando el teorema de Finsler, recobramos la primera y segunda condicion del teorema III.5 en

P
y

W. Ahora bien, seg un el lema de inversion de matrices [AM89], tenemos que:
P
1
W
1
1
= P
2
P
3
1
P
2
T
0
y por lo tanto

W
1

P 0. Esta ultima desigualdad puede ser satisfecha estrictamente. De hecho, seg un el lema
2 de [SMN90], si las condiciones (1) y (2) del teorema III.5 son satisfechas en

P y

W, ellas lo seran igualmente
para las matrices W <

W y P <

P.
73
Observacion III.24 Las condiciones enunciadas en el teorema III.5 no nos proveen de un medio de c alculo
para la determinaci on del compensador dado en III.46. Sin embargo, podemos notar que la primera condici on es
convexa con respecto a (P
1
, R
1
1
, ) o, igualmente, con respecto a (
1
P
1
, R
1
1
,
1
). La segunda es convexa
con respecto a (W
1
, R
1
2
,
1
) o con respecto a (W
1
, R
1
2
, ). La ultima es convexa con respecto a (W
1
,
P
1
). Desgraciadamente, el conjunto de las 3 desigualdades no forma una representaci on convexa y otros
metodos, como por ejemplo [Gar93] [GSK94] o [IS95], que toman en cuenta la naturaleza particular (convexidad
con respecto a y
1
) de este problema, deben ser utilizados.
Observacion III.25 Una condici on necesaria y suciente puede encontrase tambien en el trabajo [XFS92], pero
bajo la hip otesis de que el compensador din amico es dado.
Observacion III.26 Para la demostraci on del teorema III.5, nos hemos alejado un poco de las LMIs, y hemos
seguido un enfoque m as bien constructivo, siguiendo la demostraci on original de [CGP97]. Igual comentario se
aplica a la forma del compensador III.44 en el que se introdujo un signo (-).
Las condiciones III.45 del teorema III.5 tambien pueden escribirse bajo la forma de LMIs, las cuales recogemos
en el siguiente corolario (con X = P
1
y Y = W
1
):
Corolario III.8 Sea > 0 un escalar dado. El sistema III.43 es cuadr aticamente estabilizable con atenuaci on
de perturbaci on, si y solamente si existen matrices X, Y, R
1
1
, R
1
2
denidas positivas y un escalar > 0 tales
que el siguiente conjunto de LMIs es satisfecho:
1)
_
_
AX +XA
T
BR
1
1
+DD
T
+
2
B
1
B
T
1
XE
T
XC
T
1
EX I 0
C
1
X 0 I
_
_
< 0
2)
_
_
A
T
Y +Y A+C
T
R
1
2
C +
1
E
T
E +C
T
1
C
1
Y D Y B
1
D
T

1
I 0
B
T
1
Y 0
2
I
_
_
< 0
3)
_
Y I
I X
_
> 0.
(III.55)
Observamos que la convexidad del conjunto de matrices se pierde a causa del escalar .
Finalmente, en el caso de que solamente se desee asegurar la estabilidad cuadratica del sistema, las dos
primeras condiciones de III.55 se reducen a las dos primeras las y columnas de las LMIs respectivas. Hay que
se nalar que en este caso es facil eliminar de las variables multiplicando la primera LMI por
_

1/2
I 0
0 I
_
a ambos lados del lado izquierdo de la desigualdad y luego por
_
I 0
0
1/2
_
y la segunda por
_

1/2
I 0
0 I
_
y luego por
_
I 0
0
1/2
_
74
para nalmente hacer un cambio de variable
X =
X

y Y = Y
que no afecta la tercera LMI.
Al eliminar recuperamos la convexidad del problema y, por ende, su solucion total.
Ejemplo
En esta seccion presentamos un ejemplo tomado de [HF93] ligeramente modicado para incluir los requisitos
H

que impondremos al problema.

El sistema considerado es:
x =
__
1 1
0 2
_
+
_
2
2
_
k(4 1)
_
x+
_
1
3
_
u +
_
0
1
_
y = (3 1)x
z = (1 0)x;
k es la incertidumbre con rango 1 k 1.
El compensador obtenido usando el LMI Toolbox de Matlab con = 1 y = 0,1 fue:
A
c
=
_
169,9767 43,4919
598,2483 161,0055
_
B
c
=
_
7,8010
51,6630
_
C
c
= (148,9342 37,3479).
La respuesta al escalon unitario en la perturbacion w se muestra en la gura III.4 para valores de k =
1, 1, 0, 0,5, 0,5. En la gura III.5 se muestra una ubicacion de los polos del sistema para una discretizacion
uniforme del intervalo de la incertidumbre.
Los resultados obtenidos son equivalentes a aquellos para sistemas con incertidumbre estructurada en 2 bloques.
Otros resultados para un n umero mayor de bloques pueden encontrarse en [CH95].
La extension a incertidumbre en otras matrices del sistema podemos encontrarla en [GCG97].
Sistemas discretos
En esta seccion derivaremos condiciones para la existencia de controladores H
2
en sistemas lineales discretos,
con incertidumbre acotada en norma. El problema sera formulado como una coleccion de desigualdades matriciales
lineales donde, de nuevo, encontraremos la similitud con problemas con incertidumbre estructurada en 2 bloques.
Los resultados estaran basados en el resultado [SGC97], en el que se introduce un elegante cambio en las variables
del controlador de hecho un cambio matricial de variables.
Consideraremos los sistemas lineales discretos:
x
t+1
= (A+DFE
1
)x
t
+ (B +DFE
2
)u
t
+B
1
w
t
y
t
= Cx
t
z
t
= C
1
x
t
+D
12
u
t
(III.56)
75
0 0.5 1 1.5 2 2.5 3 3.5 4 4.5 5
0
0.02
0.04
0.06
0.08
0.1
0.12
0.14
Figura III.4.: Desempe no ante la perturbacion.
2.8 2.6 2.4 2.2 2 1.8 1.6 1.4 1.2 1 0.8
0.6
0.4
0.2
0
0.2
0.4
0.6
Figura III.5.: Ubicacion de polos.
donde x
t
IR
n
, u
t
IR
m
y y
t
IR
p
son respectivamente los vectores de estado, el control y la salida medible.
w
t
IR
nw
es la perturbacion externa y z
t
IR
nz
es la salida controlable. Todas las matrices tienen dimensiones
apropiadas. F IR
nDnE
representa la incertidumbre acotada en norma [Pet87] y que pertenece a:
F = {F IR
nDnE
: F
T
F I}.
Buscamos un controlador (del tipo observador) de la forma:
x
t+1
= A
c
x
t
+B
c
y
t
u
t
= C
c
x
t
(III.57)
de manera que, cuando el lazo es cerrado con (III.57), la norma H
2
de la funcion de transferencia desde w a z
sea menor o igual que alg un valor

> 0 dado, para todo posible F F, i.e.,
T
wz

2
2
F F
lo que normalmente conocemos como costo garantizado [EP98].
76
Todos los resultados que presentaremos pueden ser extendidos a la ubicacion de polos en discos centrados en
alg un escalar real con radios r. Ademas, todas las matrices asociadas con la salida medible y
t
pueden incluir
incertidumbre (con algunas condiciones sobre la forma como afectan al sistema matrices D y F). Igualmente
pueden ser considerados controladores no estrictamente propios. Hemos escogido la estructura del sistema y la
del controlador como en (III.56) y (III.57) para mantener las demostraciones mucho mas simples.
Cuando aplicamos el control (III.57) para cerrar el lazo, obtenemos:
_
x
t+1
x
t+1
_
=
_

_
_
A BC
c
B
c
C A
c
_
. .

A
+
_
D
0
_
. .

D
F (E
1
E
2
C
c
)
. .

E
_

_
_
x
t
x
t
_
. .
x
+
_
B
1
0
_
. .

B1
w
t
z
t
= (C
1
D
12
C
c
)
. .

C1
_
x
t
x
t
_
(III.58)
o agrupando terminos:
x
t+1
= (

A+

DF

E) x
t
+

B
1
w
t
z
t
=

C
1
x
t
(III.59)
Nuestra solucion del problema esta basada en el concepto de disco-estabilidad cuadratica, cuya denicion es:
Denicion III.3 ([GB95]) El sistema (III.59) es cuadr aticamente disco estabilizable (d estabilizable), si
existe una matriz simetrica denida negativa P > 0 tal que:
(

A+

DF

E)
T
P(

A+

DF

E) P < 0
F F.
El costo H
2
garantizado viene dado por:
Denicion III.4 ([GGB94]) Sea {A
c
, B
c
, C
c
} un controlador dado que destabiliza cuadr aticamente a (III.59).
Entonces, el sistema (III.59) tiene un costo > 0, H
2
garantizado si:
T
wz

2
2
F F
donde T
wz
es la funci on de transferencia entre w - z en (III.59), dada por:
T
wz
=

C
1
(I

A

DF

E)
1

B
1
, = el operador de retardo.
Recordemos ahora que:
T
wz

2
2
= Traza(

B
T
1
L
o
(F)

B
1
)
donde L
o
(F) satisface:
(

A+

DF

E)
T
L
o
(F)(

A+

DF

E) L
o
(F) +

C
T
1

C
1
= 0. (III.60)
El siguiente teorema nos aporta condiciones equivalentes ciertas de la existencia de lmites superiores de la
norma H
2
de sistema (III.59).
Teorema III.6 ([GB95]) El sistema(III.59) es cuadr aticamente destable si existe una matriz simetrica P > 0
y un escalar > 0 tal que

A
T
(P
1

D

D
T
)
1

AP +
1

E
T

E +

C
T
1

C
1
. .

Q
. < 0 (III.61)
77
Observacion III.27 En [GB95] el resultado es formulado en terminos de una matriz Q que puede ser escogida
arbitrariamente y de una ecuaci on discreta de Riccati. Con una selecci on apropiada de Q (e.g., =

Q + cualquier
matriz denida positiva peque na) se obtiene (III.61).
El lmite superior de la norma H
2
es funcion de la solucion P de la desigualdad de Riccati (III.61).
De hecho, la satisfaccion de (III.61) es equivalente a [GB95]:
(

A+

DF

E)
T
P(

A+

DF

E) P +

C
T
1

C
1
< 0 (III.62)
al comparar (III.60) y (III.62) P > L
o
, y por lo tanto:
Traza(B
T
1
L
o
(F)B
1
) Traza(B
T
1
PB
1
)
En terminos de desigualdades matriciales, la existencia de una matriz P > 0 y un escalar > 0 tal que:
_
P
1

B
1

B
T
1
I
_
> 0 y (III.63)
_
P
1
+

D

D
T

A

A
T
P +
1

E
T

E +

C
T
1

C
1
_
< 0 (III.64)
implica que:
T
wz

2
2
F F.
Con estos resultados previos, podemos presentar el resultado principal de esta seccion.
A continuacion presentaremos condiciones necesarias y sucientes de existencia de un controlador cuadratico
d estabilizante con costo H
2
garantizado.
Para facilitar la presentacion del resultado principal, introduciremos manipulaciones elementales de los resul-
tados previos.
Lema III.1 La desigualdad (III.64) es satisfecha si y s olo si existe una matriz simetrica, denida positiva S tal
que:
_
S +

D

D
T

AS
S

A
T
S +S

E
T

ES +S

C
T
1

C
1
S
_
. < 0 (III.65)
Demostracion: Pre y post multiplicando el lado izquierdo de la desigualdad (III.64) por la matriz regular
simetrica:
_
I 0
0 P
1
_
y deniendo S =
1
P
1
, obtenemos (III.65).
Observe que, con este cambio de variable, la desigualdad (III.63) resulta:
_
S

B
1

B
T
1
I
_
> 0. (III.66)
Lema III.2 Sea T cualquier matriz regular de dimensiones apropiadas, entonces la desigualdad (III.65) se sa-
tisface si y s olo si existe una matriz simetrica, positiva denida S tal que:
_
_
_
_
_
_
I 0

EST
T
0 0
0
1
I

C
1
ST
T
0 0
TS

E
T
TS

C
T
1
TST
T
TS

A
T
T
T
0
0 0 T

AST
T
TST
T
T

D
0 0 0

D
T
T
T
I
_
_
_
_
_
_
< 0. (III.67)
78
Demostracion: (III.67) se obtiene pre y post multiplicando el lado izquierdo de la desigualdad (III.65) por la
matriz regular:
_
T 0
0 T
_
y su transpuesta respectivamente, y luego aplicando el teorema del complemento de Schur para expandir las
dimensiones de la matriz.
Lema III.3 Sea T una matriz regular cualquiera de dimensiones apropiadas, entonces la desigualdad (III.66) se
satisface si y s olo si existe una matriz denida positiva S tal que:
_
TST
T
TB
1
B
T
1
T
T
I
_
< 0. (III.68)
Demostracion: (III.68) se obtiene al pre y post multiplicar el lado izquierdo de (III.66) por la matriz regular:
_
T 0
0 I
_
y su transpuesta respectivamente.
Presentamos ahora el resultado principal de esta seccion:
Teorema III.7 ([CP99]) El sistema(III.59) es cuadr aticamente d estable con costo H
2
> 0 garantizado,
si y s olo si existen matrices X y Y simetricas, denidas positivas y matrices H, L, Z y un escalar > 0 tal que
el siguiente conjunto de desigualdades matriciales lineales tiene soluci on:
_
_
Y I Y B
1
I X B
1
B
T
1
Y B
T
1
I
_
_
> 0 y (III.69)
_
_
_
_
_
_
_
_
_
_
I 0 E
1
E
1
X +E
2
L 0 0 0

1
I C
1
C
1
X +D
12
L 0 0 0
Y I A
T
Y +C
T
H
T
A
T
0
X Z XA
T
+L
T
B
T
0
Y I Y D
X D
I
_
_
_
_
_
_
_
_
_
_
< 0. (III.70)
M as a un, un controlador de costo H
2
garantizado viene dado por:
B
c
= V
1
H
C
c
= L(U
T
)
1
A
c
= V
1
(Z
T
Y AX HCX Y BL)(U
T
)
1
en el que V es cualquier matriz regular (escogida arbitrariamente por el dise nador) y U satisface XY +UV
T
= I.
Observe que siendo el lado izquierdo de (III.70) una matriz simetrica, hemos introducido una para evitar
una descripci on m as complicada de la matriz.
Demostracion: Para obtener (III.70) particionamos S en (III.67) de la forma:
S =
_
X U
U
T

X
_
S
1
= P =
_
Y V
V
T

Y
_
y denimos a la matriz:
T =
_
Y V
I 0
_
79
donde podemos suponer, sin perdida de generalidad, que la matriz V es una matriz regular [SGC97].
Obtenemos los resultados de (III.69) y (III.70) con esta seleccion de la matriz T en (III.67) y deniendo:
H = V B
c
; L = C
c
U
T
; Z = (Y AX +HCX +Y BL +V A
c
U
T
)
T
el conjunto de desigualdades matriciales lineales (III.69) y (III.70) aseguran d estabilidad con desempe no del
sistema asegurado a traves del costo H
2
garantizado del sistema (III.59).
Ejemplo
En esta seccion presentamos un ejemplo numerico tomado de Huei & Fong [HF93], ligeramente modicado.
El sistema que consideramos es:
x
t+1
=
__
1,00 1,20
0,10 0,15
_
+
_
0,1
0,2
_
F
_
1 0
_
_
x
t
+
_
1
0
_
u
t
+
_
0
0,1
_
w
t
y
t
=
_
1,2 1,5
_
x
t
z
t
=
_
0 1
_
x
t
+u
t
.
(III.71)
Colocando = = 1, la solucion al conjunto de desigualdades matriciales (III.69) y (III.70) viene dada por:
X =
_
0,8229 0,2671
0,2671 0,3179
_
; Y =
_
3,5096 1,5866
1,5866 23,9678
_
; y
L =
_
0,3194 0,0178
_
; Z =
_
0,0765 0,0598
0,3870 0,1364
_
; H =
_
2,4053
2,9949
_
.
Con este conjunto de valores y simplemente escogiendo V como la matriz identidad, obtenemos para el con-
trolador:
x
t+1
=
_
0,9017 0,0642
0,4275 0,0008
_
x
t
+
_
2,4053
2,9949
_
y
t
u
t
=
_
0,4616 0,0970
_
x
t
.
Resulta sencillo construir una matriz de Lyapunov P para el sistema de lazo cerrado, como una funcion de
X, Y y V o U.
III.9. Sistemas con incertidumbre poliedrica
En esta seccion nos interesaremos particularmente en los sistemas con incertidumbre poliedrica. Buscamos
soluciones que se basen en la realimentacion de la salida del sistema. En un primer momento, buscamos un
controlador que asegure la estabilidad del sistema, para luego avanzar en las especicaciones del controlador.
El problema de los sistemas con incertidumbre poliedrica es la ausencia de un sistema nominal, lo que lo
diferencia del caso con incertidumbre acotada en norma en el que el enfoque de generar un controlador dinamico,
basado en un observador del sistema con los elementos nominales ligeramente compensados en funcion de la
incertidumbre, es inmediato y a de partir dichos elementos se construye una condicion suciente.
80
Para solventar este problema, proponemos en esta seccion un enfoque iterativo para determinar un dominio
de incertidumbre politopico lo mas grande posible alrededor de un sistema inicial jo, proporcionandonos de
esta manera con una especie de sistema nominal de arranque. En cierta forma estamos evaluando un margen de
robustez en el sentido denido en [Bar94] y [MZ89].
La estrategia que utilizaremos se basa en una condicion necesaria, a saber: si un sistema es cuadraticamente
estabilizable y detectable esta ultima nocion dual del concepto de estabilidad cuadratica siempre existe una
cierta vecindad alrededor de no importa que punto (modelo) dentro del dominio incierto que podra estabilizarse
con un compensador dinamico del tipo observador de Luenberger [ORe83].
Esta vecindad puede ser y lo sera en nuestro enfoque denida a traves de una matriz de Lyapunov del tipo
diagonal, la cual servira, de manera clasica en el enfoque cuadratico, igualmente para la sntesis del controlador
y viceversa.
El algoritmo que desarrollaremos se basa en la tecnica de iteraciones D-K [MZ89], en el que explotaremos
la naturaleza biconvexa con respecto a la matriz de Lyapunov y con respecto al controlador.
En el enfoque que vamos a presentar se puede incluir incertidumbre en todas las matrices del sistema, esto es,
las matrices de dinamica, entrada y salida.
Estabilidad local de sistemas inciertos
En vista de que el algoritmo que propondremos se basa en la propiedad de estabilidad local de sistemas
inciertos, permtasenos pasar a demostrar tal propiedad y para ello consideremos el sistema:
x = Ax +Bu
y = Cx
(III.72)
donde x, u, y son respectivamente los vectores de estado, de control y de salida medible del sistema perteneciendo
a IR
n
, IR
m
y IR
p
respectivamente. Las matrices A, B, C son matrices no conocidas que pertenecen a los conjuntos:
A A = {A
n
+
A
:
A

1
}
B B = {B
n
+
B
:
B

2
}
C C = {C
n
+
C
:
C

3
}
(III.73)
donde es una norma matricial cualquiera. Para la demostracion de la estabilizabilidad local supondremos que
el sistema (III.72) es estabilizable y detectable. La denicion de detectabilidad cuadratica es dual de la estabilidad
cuadratica y concierne al par (C
T
, A
T
). As, la detectabilidad cuadratica del par (C
T
, A
T
) esta denida por la
existencia de una matriz de Lyapunov unica W = W
T
> 0 y de una ganancia L, de manera que:
(ALC)
T
W +W(ALC) < 0.
Recordemos que la estabilidad cuadratica esta determinada por la existencia de P = P
T
> 0 y K tales que
(ABK)P +P(ABK)
T
< 0
para todo el dominio de la incertidumbre.
Consideremos ahora un observador de Luenberger [ORe83] para el sistema III.72 nominal
z = A
n
z +B
n
u +L(y C
n
z)
u = Kz
(III.74)
donde z IR
n
. Deniendo e = x z, tenemos
e = (A
n
LC
n
+
B
K)e + (
A

B
K L
C
)x. (III.75)
81
Sea =
A

B
K L
C
, el sistema a lazo cerrado puede escribirse como:
_
x
e
_
=
_
ABK BK
A
n
LC
n
+
B
K
__
x
e
_
(III.76)
donde, de acuerdo con nuestra hipotesis de estabilidad y detectabilidad, las ganancias L y K son tales que existen
matrices P > 0 y W > 0 tales que
F
S
(P, A, B) = (ABK)
T
P +P(ABK) < 0; A, B A, B
F
O
(W, A, C, ) = (ALC)
T
W +W(ALC) < 0; A, C A, C.
(III.77)
Notamos que > 1,
F
S
(P, A, B) < F
S
(P, A, B) y
F
O
(W, A, C) < F
O
(W, A, C).
(III.78)
Podemos ahora caracterizar la estabilidad local del sistema (III.72).
Teorema III.8 ([CPM94]) Si el par incierto (A, B) es cuadr aticamente estabilizable y el par incierto (C
T
, A
T
)
es cuadr aticamente detectable, entonces siempre existe una vecindad alrededor de la tripleta (A
n
, B
n
, C
n
) tal que
el sistema (III.72) es cuadr aticamente estabilizable por un compensador de la forma (III.74).
Demostracion:
Supongamos que existe una matriz de Lyapunov del sistema (III.76) de la forma
P
g
=
_

P 0
0

W
_
(III.79)
por lo tanto
(x
T
e
T
)
_
_
ABK BK
A
n
LC
n

B
K
_
T
P
g
+P
g
_
ABK BK
A
n
LC
n

B
K
___
x
e
_
< 0,
(III.80)
lo que podemos escribir como
x
T
{(ABK)
T

P +

P(ABK)}x +e
T
{(A
n
LC
n

B
K)
T

W
+

W(A
n
LC
n
+
B
K)}e + 2e
T
{K
T
B
T
P +

W}x < 0.
(III.81)
Sin embargo,
(

PBKe +x)
T
(

PBKe +x) 0
y entonces
2e
T
{K
T
B
T

P}x x
T
x +e
T
K
T
B
T

P

PBKe (III.82)
teniendo ademas que:
2e
T
{

W}x x
T
x +e
T

W
T

We (III.83)
y de all que la desigualdad (III.80) se satisface si
1) (ABK)
T

P +

P(ABK) + 2I < 0 y
2) (A
n
LC
n
)
T

W +

W(A
n
LC
n
) +K
T
B
T

P

PBK
+

W

W +

W
B
K +K
T

B

W < 0.
(III.84)
Pero dado que el sistema es estabilizable y detectable cuadraticamente, siempre existen > 0, > 0 y
m
> 0
tales que
(ABK)
T
P +P(ABK) + 2I < 0 y
(A
n
LC
n
)
T
W +W(A
n
LC
n
) +
2
K
T
B
T
PPBK+

m
(
2
WW +W
B
K +K
T

B
T
W) < 0.
(III.85)
82
Esta armacion se basa en el hecho de que las incertidumbre son acotadas y, por ende, los terminos en el ultimo de
los parentesis son igualmente acotados. As, el sistema es cuadraticamente estable en una vecindad de la tripleta
nominal (A
n
, B
n
, C
n
) denida por:
A
m

1
; B
m

2
; C
m

3
.
En el teorema (III.8) demostramos que, si el sistema es cuadraticamente estabilizable y detectable, siempre
podemos encontrar una vecindad de la tripleta (A
n
, B
n
, C
n
) que puede efectivamente ser estabilizada por un
compensador del tipo observador de Luenberger. Mas a un, en la demostracion no se ha impuesto ninguna
condicion en la tripleta (A
n
, B
n
, C
n
) sino que se encuentre en el dominio de incertidumbre. Por lo tanto, podemos
armar que en la vecindad de no importa que tripleta (A, B, C) del dominio, siempre podremos satisfacer (III.85)
y asegurar que el sistema a lazo cerrado es asintoticamente estable.
Sin embargo, hay que se nalar que es necesario conocer las matrices (A, B, C) para construir el compensador,
lo que impone problemas practicos evidentes.
Un resultado adicional que se deriva del teorema (III.8) es el siguiente:
Corolario III.9 Dado que en el caso de los sistemas lineales precisamente conocidos la desigualdad (III.85)
siempre se satisface, para alg un > 0 y > 0, entonces esos sistemas siempre admiten como matriz de Lyapunov
una matriz de la forma
P
g
=
_
P 0
0 W
_
> 0 (III.86)
en la representaci on en (x
T
e
T
)
T
, y donde P y W son las matrices que estabilizan y detectan cuadr aticamente
al sistema.
Podemos igualmente demostrar que otras matrices diagonales en bloques son tambien posibles matrices de
Lyapunov del sistema cierto, por ejemplo:
_
P 0
0 W
1
P
_
> 0
para sucientemente peque no. Como antes, W y P son las matrices que estabilizan y que detectan al
sistema.
Hacemos enfasis en el hecho de que P
g
es una matriz de Lyapunov en una cierta vecindad alrededor del sistema
conocido (A, B, C), y que lo sera para el sistema a lazo cerrado con un compensador como el de (III.74). Esto
es, el compensador no estabilizara unicamente al sistema conocido sino tambien en una vecindad alrededor de
(A, B, C).
Basandonos en esta constatacion vamos a presentar, en lo que sigue, una estrategia que explota la naturaleza
convexa del problema poliedrico cuando se ja una de las variables desconocidas. La estrategia busca un maximo
local de la incertidumbre que puede efectivamente ser estabilizada.
Sntesis de compensadores por programacion lineal
Antes de presentar la estrategia, formulemos precisamente el problema a considerar a partir del sistema si-
guiente:
x = Ax +Bu
y = Cx
83
donde x IR
n
, u IR
m
e y IR
p
representan, respectivamente, los vectores de estado, control y salida medible.
A A, B B y C C donde A, B, C son subconjuntos poliedricos no vacos de IR
nn
, IR
nm
y IR
pn
respectiva-
mente. Los vertices de esos poliedros son {A
1
, A
2
, . . . , A
r
}, {B
1
, B
2
, . . . , B
s
} y {C
1
, C
2
, . . . , C
t
}. D esta denido
como el poliedro en el que los vertices son todas las combinaciones posibles de la tripleta (A
j
, B
k
, C
l
) con
j = 1, . . . , r, k = 1, . . . , s, l = 1, . . . , t. Para simplicar la notacion, indexaremos los vertices con i = 1, . . . , q,
q = rst y en consecuencia D es el envoltorio convexo (Convex Hull Co) de las tripletas (A
i
, B
i
, C
i
), es decir
D = Co{(A
i
, B
i
, C
i
), i = 1, . . . , q}.
Sea (A
c
, B
c
, C
c
) un punto cualquiera en D y nalmente denimos al subconjunto (, ) de D como
(D, ) = C
o
{((1 )(A
c
, B
c
, C
c
) +(A
i
, B
i
, C
i
)) i = 1, . . . , q} 0 1. (III.87)
Claramente, tenemos
(D, 0) = (A
c
, B
c
, C
c
) y
(D, 1) = D.
El problema que abordamos es el siguiente:
max
tal que el sistema
x = Ax +Bu
y = Cx
z = Fz +Gy
u = Kz
(III.88)
es cuadraticamente estable para todo (A, B, C) (D, ), esto es, encontraremos matrices F IR
nn
, G IR
np
y K IR
mn
que estabilizan el subconjunto maximo de D (y que medimos en este caso con la ayuda de ).
El sistema III.88 puede ser escrito en funcion de las variables
x =
_
x
e
_
(III.89)
donde e = x z, de la forma

x = (

A+

B

F

C) (III.90)
donde

A =
_
A 0
A 0
_

B =
_
0 B
I B
_

C =
_
I I
C 0
_

F =
_
F G
K 0
_
. (III.91)
Por lo tanto el sistema es cuadraticamente estabilizable si y solamente si existen matrices W > 0 y

F tales que
H(

F, W) = (

A+

B

F

C)
T
W +W(

A+

B

F

C) < 0 (III.92)
x IR
2n
y (

A,

B,

C) (

D, ).

D denido como el poliedro

D = C
o
{(

A
i
,

B
i
,

C
i
), i = 1, . . . , q}

A
i
=
_
A
i
0
A
i
0
_

B
i
=
_
0 B
i
I B
i
_

C
i
=
_
I I
C
i
0
_
.
(III.93)
Resaltamos que la funcion H(

F, W) es biconvexa en

F y W es decir, convexa con respecto a una de las dos
matrices una vez que la otra es jada. Ademas, notamos que (

A,

B,

C) (

D, ),
(

A+

B

F

C)
T
W +W(

A+

B

F

C) =
q

i=1

i
[(

A
i
+

B
i

F

C
i
)
T
W +W(

A
i
+

B
i

F

C
i
)] (III.94)
donde
i
0 y
q

i=1

i
= 1. Es, por lo tanto, suciente (y necesario) que la condicion (III.92) sea satisfecha en los
vertices (

A
i
,

B
i
,

C
i
), i = 1, . . . , q.
84
Dada la convexidad del problema respecto a una de las variables (W o

F) cuando la otra se ja, el enfoque que
utilizaremos para determinar el domino maximo sera escoger un y una de las variables (por ejemplo W) y luego
calcular la otra (

F) si es que ella existe y verica (III.92). Al obtener una solucion, aumentamos y repetimos
el procedimiento, e.g. jamos

F y calculamos una nueva matriz W. El proceso continua hasta el momento en
el que cualquier incremento de no permite calcular la variable que no hemos jado, esto es, que el problema
convexo resultante al jar una de las variables no tiene solucion. En ese momento tendremos un maximo local y
un controlador que estabiliza

F ese maximo de incertidumbre [CGP96], [CGH95].
En este momento ya podemos exponer el algoritmo de calculo del controlador y el margen de robustez. Como se
ha dicho, la estrategia calcula un compensador o una matriz de Lyapunov usando los algoritmos a continuacion.
Calculo de la dinamica del compensador
Paso 0: Consideremos que los vertices de la region incierta (

A
i
,

B
i
,

C
i
), i = 1, . . . , q y que una matriz de
Lyapunov W son dados y sea
H
i
(

F) = (

A
i
+

B
i

F

C
i
)
T
W +W(

A
i
+

B
i

F

C
i
). (III.95)
Mas a un, sea f
ij
el elemento ij
i-esimo
de la matriz

F que puede efectivamente ser diferente de cero.
Finalmente, sea k = 0,

F
0
una matriz inicial por ejemplo, nula y
0
un subconjunto de IR
(n+m)(n+p)
compacto y sucientemente grande (de tal manera que

F
0

0
).
Paso 1: Calcular el autovalor maximo

k
m ax
= max {
m ax
(H
i
(

F
k
)), i = 1, . . . , q}. (III.96)
Si
k
m ax
< 0, pare:

F es un compensador dinamico estabilizante cuadraticamente al sistema extendido,
si no vaya al paso 2.
Paso 2: Sea v
k
el autovector asociado a
k
m ax
y H
k
(

F) la funcion H
i
asociada al vertice correspondiente a

k
m ax
. Calcular

F
k+1
a traves del problema
mn
tal que
f
ij

F
k+1

k+1
=
k
{v
k
T
H
k
(

F)v
k
< 0}.
Paso 3 : Hacer k = k + 1 y volver al paso 1.
Calculo de la matriz de Lyapunov
Paso 0: Consideremos que los vertices de la region incierta (

A
i
,

B
i
,

C
i
), i = 1, . . . , q y un controlador
dinamico

F son dados y sea
H
i
(W) = (

A
i
+

B
i

F

C
i
)
T
W +W(

A
i
+

B
i

F

C
i
), i = 1, . . . , q
H
q+1
(W) = W.
(III.97)
Mas a un, sea k = 0, W
0
la matriz identidad y
0
un subconjunto compacto de IR
2n2n
sucientemente
grande, tal que W
0

0
.
Paso 1: Calcular el autovalor maximo

k
m ax
= max {
m ax
(H
i
(W)), i = 1, . . . , q + 1}. (III.98)
Si
k
m ax
< 0 pare: W es un matriz de Lyapunov, si no vaya al paso 2.
85
Paso 2: Sea v
k
el autovector asociado a
k
m ax
y H
k
(W) la funcion H
i
(W) asociada al vertice correspondiente
a
k
m ax
. Calcular W
k+1
a traves de
mnTr(W)
tal que
W
k+1

k+1
=
k
{v
k
T
H
k
(W)v
k
< 0}.
Paso 3: Haga k = k + 1 y vuelva al paso 1.
Algunas observaciones a proposito de los algoritmos propuestos
Observemos que en los dos algoritmos propuestos los vertices de la region de incertidumbre son calculados a
partir de (III.87) para valores crecientes de .
Los dos algoritmos explotan igualmente la naturaleza convexa del problema que queda cuando una de las
variables se ja en un valor. En ambos casos generamos hiperplanos de corte que excluyen el punto no factible
(

F
k
o W
k
), obteniendo de esta manera un subconjunto reducido.
En todos los casos podemos asegurar convergencia hacia una solucion si el paso 2 es reemplazado por:

k+1
=
k
{v
k
T
H
k
(.)v
k
} (III.99)
con > 0 sucientemente peque na. La escogencia de una region inicial sucientemente grande no presenta
ninguna dicultad practica. En general podemos escoger todo el espacio (abierto) y luego de un n umero peque no
de iteraciones se generara una region compacta, siendo esta lo que necesitamos para asegurar la convergencia
que demostraremos un poco mas adelante.
A n de asegurar el exito, los dos algoritmos deben disponer de una de las dos variables (W o

F) y de la
certidumbre que esa variable funcionara para un dominio de incertidumbre ligeramente mas grande que aquel
para el que ella fue calculada (teorema III.8), en tanto que el sea un subconjunto de D.
Para iniciar el algoritmo debemos, sin embargo, tener un compensador o una matriz de Lyapunov. Si el
sistema es cuadraticamente estabilizable y detectable siempre podemos construir un compensador estabilizante
del sistema cierto, de la forma expuesta en (III.74) y con las ganancias L y K calculadas del problema convexo
asociado. Por otra parte, es facil demostrar con las mismas hipotesis detectabilidad y estabilizabilidad que
bajo la representacion (x
T
e
T
)
T
siempre existe una matriz de Lyapunov de la forma
_
P 0
0 W
1
P
_
(III.100)
para todo k para una cierta k > 0.
En ambos casos disponemos de valores que nos permiten inicializar los procedimientos de calculo.
La estrategia propuesta en III.9 puede igualmente utilizarse para determinar el margen de robustez de un
controlador dado de un sistema. Este topico ha sido tambien estudiado por un n umero de autores [Yed86],
[YL86], [Soh94], [HL93] siendo las cotas superiores de la incertidumbre dada. La estrategia presentada en III.9
calcula el lmite de robustez (cuadratica) de tal compensador.
Hay que se nalar que el enfoque numerico precedente no impone de ninguna manera la restriccion de diagonali-
dad en bloques de la matriz de Lyapunov, y esta forma se utiliza unicamente para demostrar que la estabilidad en
una cierta vecindad es vericada. Por otra parte, esta forma diagonal es util para la inicializacion del algoritmo.
En n, con respecto a la implementacion numerica del algoritmo, el enfoque general propuesto ha sido ilus-
trado usando tecnicas de hiperplanos de corte y programacion lineal, y debe remarcarse que tal enfoque puede
igualmente ser realizado utilizando LMIs y tecnicas de punto interior.
86
Convergencia del esquema iterativo
Sea el conjunto factible; la convergencia de los algoritmos propuestos esta asegurada por los hechos siguientes:
El conjunto compacto de b usqueda
k
se reduce de iteracion a iteracion. En efecto,
. . .
k+1

k
. (III.101)
El algoritmo genera un problema de optimizacion (minimizacion) en conjuntos en los que la talla se reduce
y que son todos incluidos en el precedente; por ejemplo, lo que implica la existencia de un punto lmite si
el conjunto inicial no esta vaco [Hof81].
En la iteracion k se a nade la restriccion
v
k
T
H
k
(.)v
k
(III.102)
para > 0 dada sucientemente peque na. Esta restriccion sera, de seguro, satisfecha para cualquier
solucion obtenida por los algoritmos en la iteracion l > k, es decir
v
k
T
H
k
(S
l
)v
k
(III.103)
donde S
l
= W
l
o F
l
en funcion del problema que estemos resolviendo en la iteracion l. (III.103) se puede
escribir

k
m ax
(S
k
) v
k
T
H
k
(S
l
S
k
)v
k
. (III.104)
Dada la existencia de un punto lmite,
lm
l,k
v
k
T
H
k
(S
l
S
k
)v
k
= 0 (III.105)
y, por lo tanto, si S = lm
k
S
k
,

k
m ax
(S) . (III.106)
Si el conjunto factible (= lm
k

k
) no esta vaco, tenemos que S .
Si el conjunto factible es vaco existira una iteracion l para la que
l
sera vaco.
Sobre las condiciones de estabilizabilidad y detectabilidad cuadratica
En la seccion precedente hemos propuesto algoritmos que requieren de un punto inicial de partida, por ejemplo,
un compensador estabilizante del sistema nominal. Ahora bien, un punto inicial se puede calcular a partir de
(III.77) si el sistema es cuadraticamente estabilizable y detectable. Recordamos ahora que las condiciones de
estabilizabilidad y detectabilidad son necesarias para la existencia de un controlador dinamico del sistema III.72
a lazo cerrado.
En efecto, el sistema (III.88) es cuadraticamente estabilizable si existe una matriz:
P =
_
P
1
P
2
P
2
T
P
3
_
> 0,
tal que:
_
A BK
GC F
_
T
_
P
1
P
2
P
2
T
P
3
_
+
_
P
1
P
2
P
2
T
P
3
__
A BK
GC F
_
< 0 (III.107)
(A, B, C) D. En consecuencia, el bloque (1,1) de la desigualdad (III.107) debe igualmente ser denido negativo,
i.e.,
A
T
P
1
+P
1
A+P
2
GC +C
T
G
T
P
2
T
< 0,
87
lo que es equivalente a la detectabilidad cuadratica del sistema III.72.
Para demostrar la necesidad de la estabilizabilidad procedemos de manera similar sobre el sistema dual, ya
que:
(

A+

B

F

C)W +W(

A+

B

F

C)
T
< 0 (

A+

B

F

C)
T
P +P(

A+

B

F

C) < 0
donde P = W
1
. Por lo que tambien se debe cumplir que:
_
A BK
GC F
__
W
1
W
2
W
T
2
W
3
_
+
_
W
1
W
2
W
T
2
W
3
__
A BK
GC F
_
T
< 0
(A, B, C) D. El bloque (1, 1):
AW
1
+W
1
A
T
BKW
T
2
W
2
K
T
B
T
< 0
traduce la condicion de estabilizabilidad.
Ejemplos numericos
En los ejemplos que siguen consideraremos sistemas de la forma:
_
x = Ax +Bu
y = Cx.
(III.108)
En todos los casos iniciamos el proceso iterativo con un compensador dinamico que estabiliza el sistema sin
incertidumbre.
Primer ejemplo
Consideremos al sistema tomado de [CPM94] con 4 parametros inciertos, a saber q
1
, q
2
, q
3
y q
4
.
A =
_
_
1 +q1 + 0,3q
4
0,1q
4
0,1q
4
1 q
1
1 1
4 q
1
+q
2
2 +q
2
1
_
_
B =
_
_
q
3
+ 0,01q
4
1 +q
3
1 +q
3
_
_
C =
_
_
2 + 0,003q
4
1 + 0,001q
4
1 + 0,001q
4
_
_
T
.
Para 0,3 q
1
, q
2
0,3, 0,66 q
3
, q
4
0,66. El algoritmo converge en las matrices siguientes:
F =
_
_
9,4837 17,6611 8,2820
17,6611 14,3579 17,2162
10,5445 7,8590 11,1210
_
_
G =
_
_
5,4260
17,2915
9,6483
_
_
K =
_
_
10,0238
14,0324
9,8226
_
_
T
y el autovalor maximo sobre el conjunto de todos los vertices es: 0,0014. El lugar de las races para una
discretizacion de la incertidumbre se muestra en la gura III.6:
88
18 16 14 12 10 8 6 4 2 0
10
8
6
4
2
0
2
4
6
8
10
Figura III.6.: Lugar de los polos para 0,3 q
1
, q
2
0,3 y 0,66 q
3
, q
4
0,66.
Segundo ejemplo
Se trata de un sistema presentado en [HF93] con un solo parametro incierto k, constituido por las matrices
A =
_
1 + 5k 1 2k
8k 2 + 3k
_
B =
_
1 +k
3
_
C =
_
3k
1 +k
_
T
.
Con |k| 1,145, el algoritmo converge a las matrices
F =
_
5,4819 5,0269
5,2405 5,4819
_
G =
_
5,4708
5,4819
_
F =
_
2,0472
1,0203
_
T
y el autovalor maximo sobre el conjunto de vertices es 0,0104. El lugar de las races del sistema a lazo cerrado
para una discretizacion del rango de la incertidumbre se muestra en la gura III.7.
14 12 10 8 6 4 2 0
15
10
5
0
5
10
15
Figura III.7.: Lugar de las races de una discretizacion del rango de incertidumbre.
Aplicaciones practicas del esquema presentado, especcamente al control del pH y de procesos de neutraliza-
cion, pueden encontrarse en [CGP98] y [PCG97].
89
Resumen del captulo
En este captulo hemos presentado resultados sobre la estabilidad de sistemas lineales invariantes en el tiempo
a lazo cerrado y en los que solo los estados medibles estan disponibles para el control.
Hemos analizado sistemas sin incertidumbre y con incertidumbre poliedrica y acotada en norma.
Para los sistemas con incertidumbre hemos mostrado que solo podemos aproximarnos a la solucion a traves de
problemas bilineales (jando una variable matricial y calculando la otra). En todos los casos hemos basado
nuestros resultados en la formulacion de un problema de programacion convexa y particularmente en LMIs.
Notable excepcion es la estabilidad de sistemas con incertidumbre acotada en norma que s conoce solucion
total. Si se desea imponer otras condiciones, fuera de la mera estabilidad, el problema pasa a ser del tipo
estructurado pasando, una vez mas, al caso bilineal.
90
CAP

ITULO IV
Sintonizaci on robusta de controladores industriales
IV.1. Introduccion
En la ultima decada la teora de control robusto ha experimentado avances considerables, alcanzando un
elevado grado de madurez [MZ89], [Bar94]. La teora es particularmente atractiva, ya que, como hemos mostrado
en captulos anteriores, permite considerar de manera explcita los elementos desconocidos que afectan al lazo
de control, esto es, perturbaciones externas y/o imperfecciones de modelado, que en adelante denominaremos
incertidumbre.
Sin embargo, y a pesar de lo poderosa que puede resultar esta teora para la sntesis de controladores, son muy
pocas las aplicaciones industriales que funcionan actualmente. La razon es que, en la mayora de los casos, los
controladores robustos calculados son de orden elevado y poseen estructuras difciles de implementar o manipular
por el operador. En contraste, el muy conocido controlador proporcional, integral, derivativo (PID), se ha con-
vertido en el estandar de facto para el control de lazos de una entrada y una salida (SISO), siendo sumamente
familiar su manipulacion (entonamiento) para los tecnicos de control y operadores del sistema [Ast02]. Aparte
de su versatilidad y amplio espectro de uso que va desde aplicaciones en procesos qumicos hasta la avionica y
aeronautica [GCS01], este controlador incorpora elementos atractivos en el lazo de control como son: robustez,
eliminacion de error y perturbacion estacionaria. El ajuste de sus tres parametros, sin embargo, no es transparente
y ha sido objeto numerosos estudios ([ZN42],[AH95], [RMS86], [Sko03], [HHC95]).
En este captulo se proponen dos metodologas para la sintonizacion (entonacion) de controladores PID. La
primera se basa en un peque no cambio en las variables de estado, incorporando la integral de la salida como una
de ellas, y en un esquema iterativo, denominado ILMI que explota la naturaleza bilineal del problema resultante.
Una segunda se basa en el controlador multiobjetivo (robusto) obtenido para el mismo lazo. Notablemente, el
controlador PID tratara de aproximar las caractersticas frecuenciales del controlador robusto, y en este ultimo
caso las prestaciones del lazo solo pueden vericarse a posteriori.
En el enfoque frecuencial, como en la mayora de los controladores PID comerciales, se cuenta tambien con un
ltro a la salida del PID, y para mejorar la aproximacion del PID al controlador robusto nuestro dise no incorpora
el ltro al PID en serie.
Para facilitar la comprension de las ideas que se proponen, se ha escogido aplicar esta metodologa a varios
casos de estudio, en el caso de las ILMI comparandola con los resultados presentados en [Sko03] y en el caso
frecuencial a un esquema de control de presion de una tubera de gas, siendo la variable manipulada el ujo de
gas que se alivia a un mechurrio para lograr el objetivo de control. Para todos los sistemas en estudio se dispone
de un buen modelo, aunque el enfoque ILMI puede igualmente aceptar incertidumbre en la matriz de dinamica
del sistema [GCB03].
En este captulo consideraremos un lazo de control de una entrada y una salida como el que se muestra en la
gura (IV.1).
Figura IV.1.: Lazo cerrado de control.
IV.2. Los algoritmos PID
En general hablamos de controladores PID, porque cada controlador tiene una componente proporcional, una
integral y una derivativa, pero su estructura puede variar. Las expresiones mas comunes son:
PID paralelo. En terminos de la expresion temporal.
u(t) = K
p
(e(t) +
1
T
i
_
e(t)dt +T
d
de(t)
dt
) (IV.1)
donde e(t) es la se nal de error (ver gura IV.1) y
PID interactivo. En terminos de la funcion de transferencia.
U(s) = K
p
(1 +
1
T
i
s
)(1 +T
d
s)E(s) (IV.2)
Es posible pasar de una forma a la otra, siempre que el polinomio: T
i
T
d
s
2
+T
i
s+1, tenga races reales [DM95].
De igual forma, pueden encontrase ligeras variaciones sobre las estructuras antes mencionadas para resolver pro-
blemas especcos como saturacion y evitar que cambios en la consigna afecten sensiblemente al controlador,
entre otros [Ast02].
Para el calculo de los parametros del PID mediante LMIs, hemos considerado la forma paralela o ideal (IV.1),
en el entendido de que la mayora de los controladores industriales aceptan esta estructura y que si no fuese el
caso, en general se puede pasar de una forma a la otra.
IV.3. PID va LMIs iterativas
En esta seccion desarrollaremos una estrategia de calculo de los parametros (K
p
, T
i
, T
d
) basada en LMIs,
siguiendo la estrategia propuesta en [CLS98]. Para ello consideremos el sistema:
x(t) = Ax(t) +Bu(t)
y(t) = Cx(t)
(IV.3)
92
al que vamos a controlar con un PID paralelo como el descrito en (IV.1). Asumiremos que deseamos regular
(mantener la salida en cero), luego e(t) = y(t). Por simplicidad, deniremos:
K
i
=
K
p
T
i
, y K
d
= K
p
T
d
.
De (IV.3) y (IV.1) es facil deducir que:
u(t) = (1 +K
d
CB)
1
K
p
y(t) (1 +K
d
CB)
1
K
i
_
y(t)dt (1 +K
d
CB)
1
K
d
CAx(t). (IV.4)
De modo que si denimos un nuevo vector de estados de la forma:
(t) =
_
x(t)
_
y(t)dt
_
y un nuevo vector de salida:
(t) =
_
_
y(t)
_
y(t)dt
CAx(t)
_
_
entonces el problema de encontrar un controlador PID del tipo (IV.1) para el sistema (IV.3) es equivalente a
encontrar una realimentacion estatica de la salida para el sistema:
(t) = A(t) +Bu(t)
(t) = C(t)
u(t) = K(t)
(IV.5)
donde:
A =
_
A 0
C 0
_
; B =
_
B
0
_
; C =
_
_
C 0
0 I
CA 0
_
_
y K = (K
1
, K
2
, K
3
) donde:
K
1
= (1 +K
d
CB)
1
K
p
K
2
= (1 +K
d
CB)
1
K
i
K
3
= (1 +K
d
CB)
1
K
d
(IV.6)
El sistema (IV.5) es estable si existen una matriz P denida positiva y una ganancia K, tal que:
(A +BKC)P +P(A +BKC)
T
< 0. (IV.7)
Para poder desarrollar un algoritmo de b usqueda a partir de la condicion (IV.7) de Lyapunov, incluimos una
variable escalar adicional que permite la formulacion de un problema convexo que siempre tiene solucion.
El algoritmo es formulado en la seccion siguiente.
IV.4. El algoritmo ILMI
El algoritmo basado en desigualdades matriciales lineales es el siguiente:
Paso 0: determine una matriz de Lyapunov candidato (P
0
) de la expresion:
(A +BK
1
)P
0
+P
0
(A +BK
1
)
T
< 0; P
0
> 0. (IV.8)
y haga i = 0.
93
Paso 1: Dado P
i
, determine K
i
y

de la forma:

= mn (IV.9)
sujeto a:
(A +BK
i
C)P
i
+P
i
(A +BK
i
C)
T
P
i
< 0; P
i
> 0. (IV.10)
Si 0 habremos encontrado una ganancia K
i
que estabiliza al sistema, si no, vaya al paso 2.
Paso 2: Dado K
i
y un borde superior

que es el valor de obtenido en el paso 1, calcule P

i+1
y un nuevo
optimo ( ), partir de:
= mn (IV.11)
sujeto a:
(A +BK
i
C)P
i+1
+P
i+1
(A +BK
i
C)
T
P
i+1
< 0; P
i+1
> 0. (IV.12)
Si 0, entonces K
i
es una ganancia estabilizante y si no haga i = i + 1 y vaya al paso 1.
Debemos ahora realizar algunos comentarios a proposito del algoritmo.
Observacion IV.1 El algoritmo propuesto est a basado en el hecho de que la condici on de Lyapunov, que asegura
la estabilidad para el sistema con realimentaci on est atica de la salida (IV.7), es bilineal en las inc ognitas K y P,
y por ende, cuando una se ja, lo que resulta es una desigualdad matricial lineal (LMI) en la otra variable y, en
consecuencia, un problema convexo.
Observacion IV.2 En el paso 0, lo que hacemos es suministrar al algoritmo un punto de arranque, a partir
de la condici on de estabilidad con realimentaci on de los estados, que es una LMI en P y R(= K
1
P). Si no
existe tal matriz P que asegure estabilidad con realimentaci on de estados, tampoco existir a un PID que haga el
trabajo. Observe que en el paso 0 simplemente damos un punto de inicio a partir de una condici on necesaria, pero
hubieramos podido arrancar desde otro punto, e.g., desde la matriz P asociada a un PID ajustado por Ziegler y
Nichols, que sabemos estabiliza al sistema original.
Observacion IV.3 En el paso 1, conocida una matriz P
i
, se inicia la b usqueda de una ganancia K
i
que pudiera
estabilizar al sistema. Ella (K
i
) ser a una ganancia estabilizante, si la soluci on del problema (convexo) de opti-
mizaci on que se formula en el paso 1 termina con un valor de

0. Observe que el problema en el paso 1 es

una LMI en las inc ognitas (K
i
, ).
Observacion IV.4 En el paso 2, conocida una ganancia K
i
, lo que se busca es vericar si ella es, en efecto, una
ganancia estabilizante, lo que se certica si la condici on (IV.12) es satisfecha o, lo que es lo mismo, se obtiene
una matriz P
i+1
. Observe igualmente que la condici on (IV.12) es biconvexa en y P
i+1
; sin embargo, siendo
un escalar y conociendo un lmite superior (

) es f acil obtener ese mnimo de porque (siendo escalar) s olo

tiene una forma de descenso. Luego, en el paso 2 lo que se hace es jar el en un valor, resolver la LMI para
P
i+1
y si tiene soluci on se hace m as peque no y, si no, se vuelve al paso 1.
Observacion IV.5 La satisfacci on de la condici on (IV.10) o la (IV.12) no s olo asegura una ganancia estabili-
zante sino que adem as da una medida de calidad del controlador obtenido, ya que su satisfacci on garantiza que
los polos del sistema a lazo cerrado esten ubicados a la izquierda de /2 [SGC97].
Observacion IV.6 En el paso 2, no se requiere calcular el mnimo de ; bastara vericar que con = 0 se
satisface (IV.12), lo que certicara la estabilidad. Se ha incluido el mnimo, s olo para determinar la bondad
del controlador medido como lo descrito en el comentario anterior (IV.5). De hecho, en algunas circunstancias
y para ubicar un mejor PID y evitar los problemas numericos, no se vuelve al paso 1 con la P
i+1
asociada al
mnimo sino m as bien con una menos extrema.
94
Observacion IV.7 La variable escalar asegura que los problemas formulados en los pasos 1 y 2 siempre
tendr an soluci on. Ello no asegura, sin embargo, que siempre se encontrar a un PID estabilizante. El algoritmo
falla en encontrar un PID si

, 0 y |

| , con un valor predeterminado de convergencia.

Observacion IV.8 Por ultimo, este algoritmo puede igualmente ser aplicado para el c alculo de controladores
PI de sistemas continuos y discretos, para sistemas multivariables y para sistemas con incertidumbre poliedrica
o acotada en norma en las matrices A y C del sistema original (vease [Pet87] y [BGP89] para la denici on de la
incertidumbre y [GCB03] para las extensiones referidas).
IV.5. Comparacion de tecnicas de entonacion
En esta seccion, hacemos una comparacion de la estrategia de entonacion ILMI presentada en la seccion anterior
(seccion (IV.4)) con otras tecnicas ampliamente conocidas.
Hemos escogido dos casos tomados de [Sko03]. Ellos son: uno de fase no mnima y otro con retardo. En [CMR05]
pueden encontrarse comparaciones mas detalladas del enfoque propuesto con otros y en [GCB03] la extension a
sistemas multivariables.
Debemos se nalar que en el caso de los metodos de IMC y de Ziegler y Nichols, al igual que para la mayora de
los metodos de ajuste de PIDs, aunque se da una funcion de transferencia del sistema para los ejemplos numericos,
la misma es ajustada, sea a una de primer orden mas retardo o a una de segundo orden mas retardo. En el caso
de ajuste con LMIs que hemos propuesto, la unica simplicacion realizada es la aproximacion del retardo a una
de Pade de primer orden. Ello porque el metodo se basa en una representacion en variables de estado.
A continuacion presentamos los resultados para cada caso.
Fase no mnima
La funcion de transferencia del sistema es:
G
2
(s) =
(1 0, 3s)(1 + 0, 08)
(2s + 1)(s + 1)(0, 4s + 1)(0, 2s + 1)(0, 05s + 1)
3
(IV.13)
El ajuste de los parametros por los diferentes metodos se muestra en la tabla (IV.1).
Metodo K
p
K
i
K
d
LMI
1
2,092 0,5543 2,0673
IMC
2
1,3 0,65 1,56
Z & N
2
2,56 0,966 1,6896
Tabla IV.1.: Parametros de los PID de la fase no mnima.
(
1
) PID paralelo y (
2
) PID interactivo.
En la gura (IV.2) se muestran los resultados del sistema para una perturbacion tipo escalon unitario, aplicada
a los 30 segundos.
Los margenes de fase y de ganancia comparados se muestran en la tabla (IV.2).
95
30 35 40 45 50
0.8
0.9
1
1.1
1.2
1.3
LMI
SIMC
Z&N
Figura IV.2.: Respuesta temporal del lazo de fase no mnima.
Metodo Fase Ganancia
LMI
1
68,84 2,58
IMC
2
57,95 2,89
Z & N
2
31,2 1,87
Tabla IV.2.: Comparacion de indicadores de calidad. Caso fase no mnima.
(
1
) PID paralelo y (
2
) PID interactivo.
Sistema con retardo
La funcion de transferencia del sistema es:
G
3
(s) =
((6s + 1)(3s + 1)e
0,3s
(10s + 1)(8s + 1)(s + 1)
(IV.14)
El ajuste de los parametros por los diferentes metodos se muestra en la tabla (IV.3).
Metodo K
p
K
i
K
d
LMI
1
3,6898 0,7192 -2,522
IMC
2
7,41 7,41 -
Tabla IV.3.: Parametros de los PID del sistema con retardo.
(
1
) PID paralelo y (
2
) PID interactivo.
En la gura (IV.3) se muestran los resultados del sistema para una perturbacion tipo escalon unitario, aplicado
a los 20 segundos.
Los margenes de fase y de ganancia comparados se muestran en la tabla (IV.4).
96
15 20 25 30 35 40 45
0.8
0.85
0.9
0.95
1
1.05
1.1
1.15
1.2
1.25
LMI
SIMCPI
Figura IV.3.: Respuesta temporal del sistema con retardo.
Metodo Fase Ganancia
LMI
1
78,47 1,58
IMC-PI 51,67 3,05
Tabla IV.4.: Comparacion de indicadores de calidad. Caso retardo.
IV.6. Enfoque frecuencial
En esta seccion presentamos el enfoque frecuencial al calculo de PIDs, y ello lo haremos con un caso de estudio.
Primero presentamos el modelo del sistema a considerar, en la seccion siguiente se calcula el controlador y el PID
aproximado y nalmente en la ultima seccion, para nes de comparacion, el PID calculado se compara con uno
entonado por Ziegler-Nichols [ZN42].
El sistema que consideraremos tiene la siguiente funcion de transferencia:
G(s) =
0,7136
s + 1
e
s
(IV.15)
sobre este sistema se desea que no tenga oset a cambios en la entrada tipo escalon (salto) y que sea rapido en su
respuesta (que se medira como un tiempo de respuesta inferior a 10 seg.). Todas las especicaciones impuestas son
muy comunes para lazos de control. Una especicacion adicional fue que el sistema se vea poco afectado (rechace)
por perturbaciones que entran al sistema de la misma forma que el control. Esta ultima especicacion, de tipo
robusto, toma en cuenta cambios en la presion del sistema producto de agentes externos, como movimientos en
la demanda, etc.
Para eliminar el oset a priori se incluye un integrador
1
s
en la trayectoria directa del lazo, de esta manera
se dise nara un compensador para el sistema (G(s)) que ha incorporado de manera directa el integrador. Una
vez calculado el control robusto, el compensador nal sera el control robusto mas el integrador. El problema se
muestra esquematicamente en la gura IV.4.
Todo el dise no de controladores robustos se realiza en el ambito de los sistemas lineales y en representacion
de variables de estado, por lo tanto, el retardo del sistema e
s
es modelado como un sistema lineal con una
aproximacion de Pade de 1er orden [Kuo95]:
e
s
=
1 0,5s
1 + 0, 5s
.
97
y(s)
(-)
w
-0.7136
s+1
e
-s
1/s Control
r(s) u

Figura IV.4.: Esquema con integrador.

Con esta representacion del retardo, el sistema lineal resulta:
x =
_
3 2
1 0
_
x +
_
0
1
_
u +
_
0
1
_
w
y = [0,7136 1,4271]
al incluir el integrador el sistema aumentado resulta:
x
a
=
_
_
3 2 0
1 0 1
0 0 0
_
_
. .
Aa
x
a
+
_
_
0
0
1
_
_
. .
Ba
u +
_
_
0
1
0
_
_
. .
Bp
w
y = [0,7136 1,4272 0]
. .
Ca
x
a
con
(IV.16)
x
a
=
_
x
u
_
y u como en la gura IV.4.
El objetivo de rapidez de respuesta puede traducirse en que todos los polos del sistema compensado esten a
la izquierda de un cierto valor, en este caso se impuso a la izquierda de 1. De igual manera, el objetivo de
atenuacion a las perturbaciones w puede ser descrito como:
T
wz

< 1
esto es, que la norma innita de la funcion de transferencia entre w y y sea menor que 1. Mas adelante formali-
zaremos las condiciones que deben cumplirse, pero antes debemos describir el tipo de control que sera utilizado,
a saber:
x
c
= A
c
x
c
+B
c
y
u = C
c
x
c
+D
c
u.
(IV.17)
El sistema a lazo cerrado resulta:
_
x
a
x
c
_
=
_
A
a
+B
a
D
c
C
a
B
a
C
c
B
c
C
a
A
c
_
. .
A
_
x
a
x
c
_
+
_
B
p
0
_
. .
B
w
y = [C
a
0]
. .
C
_
x
a
x
c
_
.
(IV.18)
Para satisfacer las condiciones de dise no se debe cumplir que exista una matriz X denida positiva tal que:
AX +XA
T
+ 2 1 X < 0 Condicion de rapidez
_
AX +X
T
+BB
T
XC
T
CX I
_
< 0 Condicion de atenuacion
98
Evidentemente, las ecuaciones no son lineales en ambos, la matriz de Lyapunov X y los parametros del
compensador IV.17. Con una transformacion de variable apropiada, que describimos en el captulo 2 (ver tambien
[SGC97]), pueden determinarse con operaciones lineales y a traves de variables intermedias A
c
, B
c
, C
c
y
D
c
. El LMI Tooolbox de Matlab [GNL95] puede de manera estandar calcular esas matrices para el sistema
mencionado funcion hinfmix en vista de que no hay incertidumbre en el sistema.
Al aplicar ese toolbox el resultado obtenido es:
A
c
=
_
_
21,4544 0,6575 59,2912
26,1471 30,3823 166,9874
95,9493 32,5594 84,0687
_
_
B
c
=
_
_
11,5249
15,41,42
56,3364
_
_
C
c
= [0,3007 38,3535 357,8518]
y D
c
= 0,1882. La funcion de transferencia del controlador resulta:
G
c
(s) =
0,188s
3
+ 19,519 10
3
s
2
+ 59,589 10
3
s + 40,704 10
3
s
3
+ 136s
2
+ 4,741 10
3
s + 37,101 10
3
.
Incorporando el integrador al controlador y cambiando el signo del numerador por la tradicion historica de que
la realimentacion sea negativa resulta, en el compensador multiobjetivo:
G
c
(s) =
0,188s
3
+ 19,519 10
3
s
2
+ 59,589 10
3
s + 40,704 10
3
s
4
+ 136s
3
+ 4,741 10
3
s
2
+ 37,101 10
3
s
La respuesta ante una entrada escalon de este sistema se muestra en la gura IV.5:
0 1 2 3 4 5 6 7 8 9 10
0
0.2
0.4
0.6
0.8
1
1.2
1.4
Tiempo (s)
S
a
l
i
d
a

d
e
l

l
a
z
o

(
y
(
t
)
)
Figura IV.5.: Respuesta con control robusto.
El diagrama de Bode de magnitud se muestra en la gura IV.6.
En la representacion de magnitud, se puede observar el efecto del integrador en las bajas frecuencias y que
(aproximadamente) las frecuencias de w = 1 y w = 100 son puntos signicativos en los que obviamente existen
un cero y un polo, respectivamente, en la descripcion del sistema. Teniendo en cuenta que un controlador (PI +
F) posee una funcion de transferencia de la forma:
G
PI+F
= K
c
s +z
s(s +p)
99
10
1
10
0
10
1
10
2
10
3
100
80
60
40
20
0
20
Frecuencia (rad/s)
M
a
g
n
it
u
d

(
d
B
)

a

la
z
o

a
b
ie
r
t
o
.

|
G
n
(
j
)
G
c
(
j
)
|
Figura IV.6.: Respuesta frecuencial del lazo.
se escogieron z = 1 y p = 100 para la aproximacion. La ganancia K
c
del compensador se calculo de tal manera
que el diagrama de magnitud coincida en bajas frecuencias. Ello se logra haciendo K
c
= 100.
El controlador obtenido resulta:
G
PI+F
= 100
s + 1
s(s + 100)
y la respuesta que se obtiene del sistema se puede observar en la gura IV.7.
0 1 2 3 4 5 6 7 8 9 10
0
0.2
0.4
0.6
0.8
1
1.2
1.4
Tiempo (s)
S
a
lid
a

d
e
l
la
z
o

(
y
(
t
)
)

c
o
n

c
o
n
t
r
o
la
d
o
r

P
I
Figura IV.7.: Respuesta con PI+F robusto.
A n de evaluar el desempe no de controlador calculado G
PI+F
contra uno de seleccion estandar, se sintonizo por
Ziegler-Nichols [ZN42] un PID para el sistema en cuestion, obteniendose:
G
ZN
= 1,26
s + 0,3
s
y cuyo desempe no se muestra en la gura IV.8.
100
0 5 10 15 20 25 30
0
0.1
0.2
0.3
0.4
0.5
0.6
0.7
0.8
0.9
1
Tiempo (s)
S
a
lid
a

d
e
l
la
z
o

(
y
(
t
)
)

c
o
n

P
I

Z
ie
g
le
r

y

N
ic
h
o
ls
Figura IV.8.: Entonacion Ziegler-Nichols.
Resumen del captulo
En este captulo hemos presentado una estrategia de entonacion y ajuste de controladores industriales tipo
PID basado en un esquema iterativo de desigualdades matriciales lineales. Aunque hemos aplicado el metodo
solo a sistemas de una entrada y una salida, la estrategia puede igualmente aplicarse a sistemas multivariables y
a sistemas discretos. De la misma forma, la estrategia presentada no hace ninguna reduccion del sistema (a uno
de primer o segundo orden). Tampoco preestablece ning un indicador del desempe no del lazo del que dependen
fuertemente otras estrategias de entonacion, como es el caso de IMC. Mas bien, el sistema busca las mejores
condiciones de desempe no del lazo, medido con la velocidad de respuesta, porque lo que se hace es una ubicacion
de los polos del sistema. El algoritmo obtiene prestaciones del lazo cerrado que se comparan favorablemente con
aquellas del IMP-PID y las de Ziegler y Nichols.
Adicionalmente, se presenta una segunda metodologa, basada en la teora de control robusto y el dise no
multiobjetivos, para la entonacion de controladores PID.
La metodologa se basa en el calculo de un compensador robusto que luego servira para entonar un lazo PID
basado en la ubicacion de los polos y ceros y en la respuesta frecuencial del primero. Como ademas, es com un
contar con un ltro adicional al PID en los lazos industriales, y tal estructura facilita la labor de ajuste de control
robusto a PID+Filtro, esta ultima estructura es la empleada en la metodologa aqu propuesta.
Una ventaja adicional del sistema planteado es que es bien conocida la robustez de los compensadores PID
a cambios en sus parametros, al contrario de sus homologos robustos quienes son sumamente sensibles a tales
cambios. Como la implementacion se llevara a cabo, en la mayora de los casos, en un sistema digital, el traslado
de robusto a PID asegura cierta insensibilidad a la aproximacion discreta de controlador encontrado.
La tecnica aprovecha las correcciones que realiza el controlador robusto a las deciencias frecuenciales del
sistema original para entonar un PID que, a grosso modo, mimetiza esa correccion frecuencial. La ganancia
del compensador es el parametro del ajuste no del desempe no (performance) del sistema.
101
102
AP

ENDICE A
Factorizaci on coprima
A.1. Factorizacion coprima
Este apendice presenta brevemente la factorizacion coprima de funciones de transferencia que permite sim-
plicar la optimizacion de funciones de transferencia caractersticas en funcion de un parametro Q que resulta
ser cualquier funcion de transferencia estable. Esta formulacion es la base de las soluciones originales de los
problemas de control H

y
1
, ademas de muchas demostraciones teoricas.
Factorizaciones coprimas estables
Cualquier funcion de transferencia racional G(z) puede expresarse como el cociente de dos funciones de trans-
ferencia racionales estables:
G(z) =
N(z)
D(z)
donde, si N(z) y D(z) se escogen de forma que sean estables, i.e., polos en el crculo unitario del plano z y
no tengan ceros inestables comunes, ceros fuera del crculo unitario, diremos que N(z) y D(z) forman una
factorizacion coprima estable de G(z). Por supuesto esta factorizacion no es unica, pero siempre tiene que cumplir
que:
Los unicos ceros inestables de N(z) son los que tena G(z).
Los unicos ceros inestables de D(z) son los polos inestables de G(z).
Ejemplo
Si G(z) =
3z1
(2z1)(4z1)
, la factorizacion coprima mas sencilla (pero no la unica) sera
N(z) =
3z1
(2z1)(4z1)
= G
D(z) = 1.
Por ejemplo, otra factorizacion coprima valida sera:
N(z) =
1
(2z1)(4z1)
D(z) =
1
3z1
o tambien
N(z) =
3z1
(2z1)(4z1)(5z1)
D(z) =
1
5z1
.
Una situacion mas interesante se presenta cuando el sistema es inestable, pues la eleccion mas sencilla (N(z)=G(z),
D(z)=1) deja de ser valida. En este caso basta distribuir los ceros inestables en N(z) y los polos inestables como
ceros de D(z), distribuyendo el resto de ceros y polos entre N(z) y D(z), hasta conseguir que N(z) y D(z) sean
propios (si es necesario a nadiendo los mismos polos estables extras, tanto a N(z) como a D(z)). Por ejemplo, si:
G(z) =
z + 3
z 2
una factorizacion coprima estable sera:
N(z) =
z+3
2z1
D(z) =
z2
2z1
.
Identidad de Bezout
Una vez encontrada una factorizacion coprima de la planta a controlar, siempre pueden calcularse dos funciones
de transferencia estables X(z) e Y (z) que, no teniendo ning un cero inestable com un, cumplan la siguiente igualdad
(denominada identidad de Bezout):
N(z)X(z) +D(z)Y (z) = 1.
Por ejemplo, en el caso de una planta estable veamos que se poda escoger N(z) = G(z) y D(z) = 1, por lo
que la eleccion mas sencilla de los parametros de Bezout (X(z),Y (z)) para una planta estable sera:
X(z) = 0
Y (z) = 1.
104
Para sistemas inestables puede ser mas complejo encontrar los parametros de Bezout, pero siempre pueden
resolverse solucionando la ecuacion diofantica correspondiente. Por ejemplo, si G =
z+3
z2
, la ecuacion de Bezout
sera:
N(z)X(z) +D(z)Y (z) =
z + 3
2z 1
X +
z 2
2z 1
Y = 1
Podemos escoger X e Y constantes (X = x, Y = y), con lo que basta resolver la ecuacion diofantica:
(z + 3)x + (z 2)y = 2z 1.
Igualando los coecientes de potencias en z, se comprueba que el sistema de ecuaciones correspondiente tiene
como solucion x =
3
5
, y =
7
5
. En este caso, entonces, unos parametros de Bezout posibles seran:
X =
3
5
Y =
7
5
.
A.2. Parametrizacion de Youla
Muchas veces, al dise nar un sistema de control por ordenador, se desea expresar de una forma sencilla el
conjunto de controladores que estabilizan un determinado sistema, para seleccionar de entre ellos aquel que
cumpla mejor un determinado criterio. Observamos que esto es necesario siempre, pues lo mnimo que tenemos
que pedir a un controlador es que estabilice el sistema realimentado. Una vez asegurado esto podremos a nadir
mas exigencias.
Para ver que este problema no es trivial, consideremos como ejemplo la planta:
G(z) =
3z 1
(2z 1)(4z 1)
.
Pues bien, la denominada parametrizacion de Youla proporciona una forma relativamente sencilla de expre-
sar el conjunto de controladores que estabilizan una planta, aunque esta sea inestable, de fase no-mnima y/o
multivariable. Mostramos a continuacion el procedimiento para el caso SISO:
Controladores estabilizantes
Una vez calculadas las funciones de transferencia N, D, X y Y , puede expresarse de forma sencilla la estructura
de cualquier controlador que estabilice la planta. Puede igualmente demostrarse que el conjunto de controladores
lineales que estabilizan la planta viene dado por:
K(z) =
X(z) Q(z)N(z)
Y (z) +Q(z)D(z)
donde Q(z) es cualquier funcion de transferencia estable, que denominaremos parametro de Youla.
Observar que si se ja Q(z) = 0, resulta que K(z) =
X(z)
Y (z)
sera un controlador estabilizante, con lo que
otra forma de resolver la ecuacion de Bezout es partir de un controlador estabilizante, expresandolo como una
factorizacion coprima estable K(z) =
X(z)
Y (z)
.
105
Ejemplo
Volviendo al ejemplo del sistema inestable de fase no mnima G(z) =
z+3
z2
, cualquier controlador que estabilice
este sistema puede expresarse como:
K(z) =
X(z) Q(z)N(z)
Y (z) +Q(z)D(z)
=
3
5
Q(z)
z+3
2z1
7
5
Q(z)
z2
2z1
.
Basta entonces cambiar Q(z) (que solo tiene que ser una funcion de transferencia estable) y tendremos cualquier
controlador lineal que estabilice el sistema. Por ejemplo si Q(z) = 0, el controlador K(z) =
3
7
estabiliza el sistema.
Funciones de transferencia caractersticas en funcion del parametro de Youla
Una vez expresada la forma que tiene cualquier controlador que estabiliza una planta, podemos evaluar las
funciones de transferencia caracterstica. Pues bien, resulta que estas funciones de transferencia son lineales en el
parametro Q(z); mas concretamente se dice que son anes, por aparecer un termino aditivo adicional. En efecto:
Sensibilidad: S =
1
1+K(z)G(z)
= X(z)N(z) N(z)D(z)Q(z)
Sensibilidad al control: R(z) =
K(z)
1+K(z)G(z)
= Y (z)N(z) D(z)D(z)Q(z)
Sensibilidad complementaria: T(z) =
K(z)G(z)
1+K(z)G(z)
= Y (z)D(z) +N(z)D(z)Q(z).
Este resultado es muy importante, porque nos permite replantear el problema de dise nar un controlador K(z)
que optimize una determinada funcion de transferencia caracterstica como un problema de optimizacion convexa
en el parametro Q(z), con lo que se simplica el problema de optimizacion.
Ejemplo
Retomando el ejemplo de la seccion anterior, la sensibilidad de cualquier controlador que estabilice la planta
sera:
S(z) = X(z)N(z) Q(z)N(z)D(z) =
3
5
z 2
2z 1
Q(z)
z + 3
2z 1
z 2
2z 1
.
106
Bibliografa
[AA90] A. Abdul-Amir y A. Abdul-Wahab, Lyapunov Bounds for Root Clustering in the Presence of System
Uncertainty, International Journal of Systems Science, Vol. 21(12), pp. 2.6032.611, 1990.
[AK01] S. Ahmed y M. Krumpelt, Hydrogen from hydrocarbon fuels for fuel cells, International Journal of
Hydrogen Energy, Vo. 26, pp 291-301, 2001.
[AM89] B.D.O. Anderson y J.B. Moore, Optimal Control: Linear Quadratic Methods, Prentice-Hall Interna-
tional Editions, 1989.
[Ast02] K. J. Astrom, Control System Design. Lecture Notes, Dpt. Mech. and Envirom. Eng., U. of Cali-
fornia. (2002) http://www.cds.caltech.edu/ murray/courses/cds101/fa02/caltech/astrom.html.
[AH95] K. Astrom y T. Hagglung, PID controllers: theory, design and tunning, 2da Edicion ISA, 1995.
[BA95] A. Banerjee y Y. Arkun, H

control of nonlinear processes using multiple linear models, Proceedings

of European Control Conference, Roma, 1995.
[Bar83] B.R. Barmish, Stabilization of Uncertain Systems via Linear Control, IEEE Transactions on Auto-
matic Control, Vol. 28(8), pp. 848850, 1983.
[Bar85] B.R. Barmish, Necessary and Sucient Conditions for the Quadratic Stability of an Uncertain Sys-
tem, Journal of Optimization Theory and Application, Vol. 46(4), pp. 399408, 1985.
[Bar94] B.R. Barmish, New Tools for Robustness of Linear Systems, Maxwell Macmillan International, 1994.
[BB88] A. Benzaouia y C. Burgat, Regulator problem for linear discrete-time systems with non symmetrical
constrained control, International Journal of Control, Vol. 48(6), pp. 2.4412.451, 1988.
[BGP89] J. Bernussou, J.C. Geromel y P.L.D. Peres, A Linear Programming Oriented Procedure for Quadratic
Stabilization of Uncertain Systems, Systems and Control Letters, Vol. 13, pp. 6572, 1989.
[Boy94] S. Boyd, L. El Ghaoui, E. Feron y V. Balakrishnan, Linear Matrix Inequalities in Systems and Control
Theory, SIAM Studies in Applied Mathematics, Vol. 15, 1994.
[CLS98] Y.-Y. Cao, J. Lam, y Y.-X. Sun, Static Output Feedback Stabilization: An ILMI Approach, Auto-
matica, Vol. 34, pp. 1.6411.645, 1998.
[CP72] S.S.L. Chang y T.K.C. Peng, Adaptive Guaranteed Cost Control of Systems with Uncertain Para-
meters, IEEE Transactions on Automatic Control, Vol. AC-17(4), pp. 474483, 1972.
107
[ChG96] M. Chilali y P. Gahinet, H

Design with pole placement constraints: an LMI approach, IEEE

Transactions on Automatic Control Vol. 41(3), pp. 358367, 1996.
[ChS92] R. Chiang y M. Safonov, Robust Control Toolbox for Use with MATLAB: Users Guide, The Math
Works Inc., 1992.
[CGY98] W. Colmenares, K. Garrido, A. Yong, E. Granado y O. Perez, Sintonizacion robusta de controladores
PID, Memorias III Jornadas Panamericanas de Automatizacion, Caracas, mayo 1998. Tambien en
InTech Venezuela, diciembre 1998.
[CGP98] W. Colmenares, E. Granado, O. Perez y F. Tadeo, Robust Multimodel Control of a pH Process,
Proceedings of II World Automation Congress, Anchorage, Alaska, mayo 1998.
[CGP97] W. Colmenares, E. Granado, O. Perez y K. Garrido, H

control of Systems with Norm Bounded

Uncertainties, Proceedings of IASTED International Conference in Control (Control 97), Cancun,
Mexico, mayo 1997.
[CGP96] W. Colmenares, E. Granado, O. Perez y K. Garrido, Synthesis and Robustness Evaluation Of Dy-
namic Controllers for Uncertain Systems, Proceedings of III IEEE International Conference on Elec-
tronics, Circuits and Systems, Rodas, Grecia, octubre 1996.
[CGH95] W. Colmenares, E. Granado, D. Henrion, J. Bernussou y O. Perez, Synthesis of Feedback Controllers
for Uncertain Discrete Linear Systems by Linear Programming, Proceedings of 4
th
IFAC Symposium
on Low Cost Automation, Buenos Aires, Argentina, septiembre 1995.
[CH95] W. Colmenares y D. Henrion, Necessary Conditions and Sucient Conditions for the Quadratic
Stabilization by Dynamic Feedback of a Class of Uncertain Systems, Proceedings of Latin American
Seminar on Advanced Control, Santiago, 1995.
[CMR05] W. Colmenares, E. Mata, S. Revollar, E. Granado y O. Perez, Entonacion de controladores indus-
triales tipo PID, Revista Ciencia e Ingenieria, ULA, 2005.
[CP99] W. Colmenares y O. Perez, H
2
Guaranteed Cost Output Feedback Control of Uncertain Discre-
te Linear Systems, Proceedings of International Conference on Dynamics and Control of Systems,
Ottawa, agosto 1999.
[CPH96] W. Colmenares, O. Perez, J. Bernussou y E. Granado, Synthesis of Output Feedback Controllers for
Uncertain Linear Systems, Proceedings of the 1
st
IEEE Caracas Conference on Devices, Circuits and
Systems, Caracas, diciembre 1995.
[CPM94] W. Colmenares, O. Perez y E. Margaglio, On the Local Stabilizability of Uncertain Linear Systems,
Proceedings of 6
th
Latin American Control Conference, Rio de Janeiro, Brasil, pp. 337339, septiembre
1994.
[CTG00] W. Colmenares, F. Tadeo, E. Granado, O. Perez y F. Del Valle, H
2
Guaranteed cost control of
uncertain discrete linear systems, Math. Problems in Engineering, Vol. 6, pp. 425437, 2000.
[Cor96] A. Corripio, Tunning of industrial control systems, 2
da
edicion, ILM ISA, 1990.
[DB01] J. Daafouz y J. Bernussou, Parameter dependent Lyapunov functions for discrete time systems with
time varying parametric uncertainties, Systems and Control Letters, Vol. 43, pp. 355359, 2001.
[DD87] M. A. Dahleh y M. Dahleh, L
1
optimal feeddback compensators for continuous-time systems, IEEE
Transactions on Automatic Control, Vol. 32, pp. 889895, 1987.
[DD88] M. A. Dahleh y M. Dahleh, Optimal rejection of persistent disturbances, robust stability and mixed
sensitivity minimization, IEEE Transactions on Automatic Control, Vol. 33, pp. 722731, 1988.
[DD95] M. Dahleh e I. Diaz-Bobillo, Control of uncertain systems: a linear programming approach, Prentice
Hall, 1995.
108
[DP87] M. A. Dahleh y J. B. Pearson,
1
Optimal Feedback Controllers for MIMO Discrete-time Systems.
IEEE Transactions on Automatic Control, Vol. 32, 1987.
[DV75] C. A. Desoer y M. Vidyasagar, Feedback Systems: Input-Output Properties Academic Press Inc.,
New York, 1975.
[DM95] S. Dormido y F. Morilla, Autosintonia y metodos de antiwindup en los Reguladores PID, Apuntes del
XV Curso de Automatica en la Industria, AEIA, 1995.
[DFT92] J. Doyle, B. Francis y A. Tannenbaum, Feedback control theory, Maxwell Macmillan Int., 1992.
[DGK89] J. Doyle, K. Glover, P. Khargonekar y B. Francis, State Space Solutions to Standard H
2
and H

Control Problems, IEEE Transactions on Automatic Control, Vol. 34, pp. 831847, 1989.
[DS81] J. Doyle y G. Stein, Multivariable feedback design: concepts for a classical/modern synthesis, IEEE
Transactions on Automatic Control, Vol. 26, No. 1, pp. 416, 1981.
[ED98] N. Elia y M.A. Dahleh, Computational Methods for Controller Design, Lecture Notes in Control
and Information Sciences 238, Springer Verlag, London, 1998.
[EP98] S. Esfahani and I. Petersen Optimal Output Feedback Guaranteed Cost Control of Uncertain Linear
Systems, Control and Decision Conference CDC 98, 1998.
[GA94] P. Gahinet y P. Apkarian, A Linear Matrix Inequality Approach to H

Control, International
Journal of Robust and Nonlinear Control, Vol. 4, pp. 421448, 1994.
[GNL95] P. Gahinet, A. Nemirovski, A. Luab y M. Chillali, LMI control toolbox, The MathWorks Inc., 1995.
[GB86] A. Galimidi y B. Barmish, The Constrained Lyapunov Problem and its Application to Robust Output
Feedback Stabilization, IEEE Transactions on Automatic Control, Vol. 31(5), pp. 410419, 1986.
[GAB92] G. Garcia, D. Arzelier y J. Bernussou, Stabilization of Uncertain Linear Dynamic Systems by State
and Output Feedback: a Quadratic Stabilizability Approach, Rapport Interne du LAAS, Toulouse,
France, 1992.
[GB91] G. Garcia y J. Bernussou, Stabilite et Detectabilite Quadratique: Lien avec lApproche LQG, Comp-
tes Rendus de lAcademie des Sciences de Paris, t. 312, serie I, pp. 193198, 1991.
[GB95] G. Garcia y J. Bernussou, Pole Assignment for Uncertain Systems in a Specied Disk by State
Feedback, IEEE Transactions on Automatic Control, Vol. 40(1), 1995.
[GBA93] G. Garcia, J. Bernussou y D. Arzelier, Robust Stabilization of Discrete Time Linear Systems with
Norm Bounded Time Varying Uncertainty, Systems and Control Letters, 1993.
[GBA95] G. Garcia, J. Bernussou y D. Arzelier, A LMI Solution for Disk Pole Location with H
2
Guaranteed
Cost, Proceedings of European Control Conference, Rome, 1995.
[GB96] G. Garcia, J. Bernussou y D. Arzelier, Robust Pole Assingment by Dynamic Output Feedback,
Mathematics of Control, Signals and Systems, No. 9, pp. 152161. 1996.
[Gar93] U. Garcia Palomares, Parallel Projected Agregation Methods for Solving Convex Feasibility Pro-
blems, SIAM Journal of Optimization, Vol. 3, No. 4, pp. 882900, 1993.
[GCG97] K. Garrido, W. Colmenares, E. Granado y O. Perez, H

output feedback control for Uncertain Sys-

tems, Proceedings of IEEE International Symposium on Industrial Electronics (ISIE97), Guimaraes,
Portugal, julio 1997.
[GGB94] J.C. Geromel, G. Garcia y J. Bernussou, H
2
Robust Control with Pole Placement, Proceedings of
the 12
th
IFAC World Congress, Sidney, Australia, 1994.
[GPB91] J.C. Geromel, P.L.D. Peres y J. Bernussou, On a Convex Parameter Space Method for Linear Control
Design of Uncertain Systems, SIAM Journal of Control and Optimization, Vol. 29(2), 1991.
109
[GPS92] J.C. Geromel, P.L.D. Peres y S.R. Souza, H
2
Guaranteed Cost Control for Uncertain Continous-Time
Linear Systems, Systems and Control Letters, Vol. 19, pp. 2327, 1992.
[GSK94] J.C. Geromel, C.C. de Souza y R.E. Skelton, LMI Numerical Solution for Output Feedback Stabili-
zation, Proceedings of the American Control Conference, Baltimore, 1994.
[GCS01] G. Goodwin, S. Graebe y M. Salgado, Control System Design, Prentice Hall, 2001.
[GCB03] E. Granado, W. Colmenares, J. Bernussou y G. Garcia, A Robust multivariable PID controller with
constraints via LMI approach, Proceedings of 4th IFAC Symposium on Robust Control Design.
Milan, Italy, 2003.
[GL95] M. Green y D. Limebeer, Linear Robust Control, Prentice Hall Inc., 1995.
[GJ81] S. Gutman y E. Jury, A General Theory for Matrix Root-Clustering in Subregions of the Complex
Plane, IEEE Transactions on Automatic Control, Vol. 26, pp. 853863, 1981.
[HB92] W. Haddad y D. Bernstein, Controller Design with Regional Pole Constraints, IEEE Transactions
on Automatic Control, Vol. 37(1), 1992.
[HL93] H.S. Han y J.G. Lee, Stability Analysis of Interval Matrices by Lyapunov Function Approach Inclu-
ding ARE, Control Theory and Advanced Technology, Vol. 9, pp. 745757, 1993.
[HTK01] D. Henrion, S. Tarbouriech, V. Kucera. Control of linear systems subject to input constraints: a
polynomial approach, Automatica, Vol. 36, pp. 597604, 2001.
[HHC95] W.K. Ho, C.C. Hang, L.S. Cao, Tuning of PID controllers based on gain and phase margin speci-
cation, Automatica, Vol. 31(3), pp. 497502, 1995.
[Hof81] K. Homan, A Method for Globally Minimizing Concave Functions over Convex Sets, Mathematical
Programming, Vol. 20, pp. 2232, 1981.
[HF93] J. Huei y K. Fong, Robust Stability Analysis of Linear Continuous/Discrete Time Systems with
Output Feedback Controllers, IEEE Transactions on Automatic Control, Vol. 38, pp. 1.1541.158,
1993.
[IS94] T. Iwasaki y R. E. Skelton, All Controllers for General Control Problems: LMI Existence and Con-
ditions and State Space Formulas, Automatica, Vol. 30, pp. 1.3071.317, 1994.
[IS95] T. Iwasaki y R.E. Skelton, The XY-centring Algorithm for the Dual LMI Problem: A New Approach
to Fixed-order Control Design, International Journal of Control, Vol. 62(6), pp. 1.2571.272, 1995.
[JS93] F. Jabbari y W. Schmitendorf, Eects of Using Observers on the Stabilization of Uncertain Linear
Systems, IEEE Transactions on Automatic Control, Vol. 38(2), pp. 266271, 1993.
[Jua91] Y. Juang, Robust Stability and Robust Pole Assignment of Linear Systems with Structured Uncer-
tainty, IEEE Transactions on Automatic Control, Vol. 36(5), 1991.
[KPZ90] P. Khargonekar, I. Petersen y K. Zhou, Robust Stabilization of Uncertain Linear Systems: Quadratic
Satbilizability and H

Control Theory, IEEE Transactions on Automatic Control, Vol. 35(3), pp.

356361, 1990.
[Kuo95] B. Kuo, Automatic Control Systems, 7ma Edicion Prentice Hall, 1995.
[MK00] P. O. Malaterre, M. Khammash.
1
controller design for a high-order 5-pool irrigation canal system,
Proceedings of the Conference on Decision and Control CDC 2000, Sydney, Australia, 2000.
[McF90] D. McFarlane y K. Glover, Robust controller design using normalized coprime factor descriptions,
Springer Verlag, 1990.
[ME89] M. A. Mendlovitz, A Simple Solution to the
1
Optimization Problem, Systems and Control Letters,
Vol. 12, 1989.
110
[MTB04] F. Mesquine, F. Tadeo, A. Benzaouia. Regulator problem for linear systems with constraints on
control and its increment or rate , Automatica, Vol. 40(8), pp. 1.3781.395, 2004.
[MZ89] M. Morari y E. Zarou, Robust Process Control, Prentice Hall Inc., 1989.
[NBT03] M. Naib, A. Benzaouia, F. Tadeo. Nonsymmetrical approach for l1-optimal control, Proceedings of
the European Control Conference ECC 2003, Cambridge, Reino Unido, 2003.
[OC97] P. Ollero, E. Camacho, Control e Instrumentacion de Procesos Quimicos, Sintesis, 1997
[ORe83] J. OReally, Observers for Linear Systems, Academic Press, 1983.
[PL03] P. A. Parrilo y S. Lall, Semidenite Programming Relaxations and Algebraic Optimization in Con-
trol, European Journal of Control, Vol. 9, pp. 307321, 2003.
[Per89] P.L.D. Peres, Sur la Robustesse des Syst`emes Lineaires: Approche par Programmation Lineaire, Th`ese
de doctorat, Universite Paul Sabatier - LAAS du CNRS, Toulouse, France, 1989.
[PSG92] P.L.D. Peres, S.R. Souza y J.C. Geromel, Optimal H
2
Control for Uncertain Systems, Proceedings
of American Control Conference - ACC 92, 1992.
[PCG97] O. Perez, W. Colmenares, E. Granado y K. Garrido, Robust Control of a Neutraliation Process,
4th. Proceedings of IEEE International Conference on Electronics, Circuits and Systems, Cairo, Egipto
diciembre 1997.
[Pet87] I.R. Petersen, A Stabilization Algorithm for a Class of Uncertain Linear Systems, Systems and
Control Letters, Vol. 8, pp. 351357, 1987.
[PH86] I.R. Petersen y C. Hollot, A Riccati Equation Approach to the Stabilization of Uncertain Linear
Systems, Automatica, Vol. 22, No.4, pp. 397-411, 1986.
[PH96] C. Phillips y R. Harbor, Feedback Control Systems, 3
ra
Edicion, Prentice Hall Int., 1996.
[Qui04] M. V. Quintero G., Control multivariable de una planta piloto con tecnologias FieldBus y tecnicas
predictivas, proyecto de grado USB, ingenieria electronica, 2004.
[RMS86] D.E. Rivera, M. Morari, S. Skogestad, Internal model control. 4. PID controller design, Ind. Eng.
Chem. Res. 25 (1) pp. 252265, 1986.
[Rot93] M.A. Rotea, M. Corless, D. Da y I.R. Petersen, Systems with Structured Uncertainty: Relations
between Quadratic and Robust Stability, IEEE Transactions on Automatic Control, Vol. 38(5), pp.
799803, 1993.
[SMN90] M. Sampei, T. Mita y M. Nakamachi, An Algebraic Approach to H

Output Feedback Control

Problems, Systems and Control Letters, Vol. 14, pp. 1324, 1990.
[San89] R. Sanchez Pe na, Introduccion a la teoria de control robusto, Asociacion Argentina de Control Au-
tomatico (AADECA), 1989.
[SS98] R.S. Sanchez-Pe na, M. Sznaier Robust Systems Theory and Applications, Wiley Interscience, New
York, 1998.
[SGC97] C. Scherer, P. Gahinet y M. Chilali, Multiobjective Output-Feedback Control via LMI Optimization,
IEEE Transactions on Automatic Control, Vol. 42, pp. 896911, 1997.
[Sh01] U. Shaked Improved LMI representations for the analysis and design of continuous-time systems with
polytopic uncertainty, IEEE Transactions on Automatic Control, Vol. 46(4), pp. 652656, 2001.
[SS01] U. Shaked y V. Suplin A new bounded real lemma representation for the continuous time case,
IEEE Transactions on Automatic Control, Vol. 46(9), pp. 1.420-1.426, 2001.
[Sh96] A. S. Shakoor Industrial Uses of Predictive Control, MSc. Dissertation, University of Strathclyde,
1996.
111
[Sko03] S. Skogestad, Simple analytic rules for model reduction and PID controller tuning, Journal of Process
Control, Vol. 13, pp. 291309, 2003.
[SK96] S. Skogestad, I. Postlethwaite, Multivariable Feedback Control, Analysis and Design, John Wiley &
Sons, 1996
[Soh94] C.B. Soh, Robust Stability of Dynamic Interval Systems, Control Theory and Advanced Technology,
Vol. 10, pp. 7380, 1994.
[ST93] O.J. Staans On the Four-Block Model Matching Problem in
1
and Innite-Dimensional Linear
Programming SIAM J. Control and Optimization, Vol. 38, pp. 747779, 1993.
[Str82] G. Strang, Algebra lineal y sus aplicaciones, Fondo Educativo Interamericano, S.A. de C.V. 2da.
edicion, 1982.
[TG96] F. Tadeo y M. J. Grimble, Design of
1
Optimal Controllers for a Hydrogen Reformer Plant, Internal
Report Industrial Control Centre, University of Strathclyde, 1996.
[TG02] F. Tadeo y M. J. Grimble. Advanced Control of a Hydrogen Reformer, IEE Computing and Control
Engineering Journal, Vol. 13, pp. 305314, 2002.
[TG03] F. Tadeo y M. J. Grimble. Controller design using linear programming for systems with constraints.
Part 1: Tutorial Introduction; Part 2: Controller Design; Part 3: Design Examples, IEE Computing
and Control Engineering Journal, Vol. 12, pp. 273276, (2002), Vol. 13, pp. 4952, 8993, 2003.
[TG00] F. Tadeo, M. J. Grimble y P. Vega, Design of an
1
Optimal Controller for a Hydrogen Reformer
Plant, Proceedings of American Control Conference, Chicago, June 2000.
[THV88] F. Tadeo, A. Holohan y P. Vega,
1
-Optimal control of a pH plant, Computers and Chemical
Engineering, pp. S459S466, 1998.
[TVP95] F. Tadeo, P. Vega y C. Prada, Dise no de controladores robustos para una caldera industrial, I
Congreso de Usuarios de Matlab, 1995.
[VI85] M. Vidyasagar Control system Synthesis: a Factorization Approach, MIT Press, Cambridge, Mass.,
1985.
[VI86] M. Vidyasagar, Optimal Rejection of Persistent Bounded Disturbances IEEE Transactions on Au-
tomatic Control, Vol. 31, 1986.
[WV00] P.J. de Wild y M.J.F.M. Verhaak, Catalytic production of hydrogen from methanol, Catalysis
Today, Vol. 60, pp 3-10, 2000.
[Win94] W. Winston, Operation Research: Applications & Algorithms, Duxbury Press, 3ra Edicion, 1994.
[XFS92] L. Xie, M. Fu y C. E. de Sousa, H

Control and Quadratic Stabilization of Systems with Parameter

Uncertainty Via Output feedback, IEEE Transactions on Automatic Control, Vol. 37(8), pp. 1253
1256, 1992.
[Yed86] R.K. Yedavalli, Stability Analysis of Interval Matrices: Another Sucient Condition, International
Journal of Control, Vol. 43, pp. 767772, 1986.
[YL86] R.K. Yedavalli y Z. Liang, Reduced Conservatism in Stability Robustness Bounds by State Trans-
formation , IEEE Transactions on Automatic Control, Vol. 31, pp. 863866, 1986.
[YJB76] D .C. Youla, H. A. Jabr, J. J. Bongiorno. Modern Wiener-Hopf design of optimal controllers. Part
2: The multivariable case IEEE Transactions on Automatic Control, Vol. 21, pp. 319338, 1976.
[Zam81] G. Zames, Feedback and Optimal Sensitivity: Model Reference Transformations, Multiplicative Se-
minorms and Approximate Inverses, IEEE Transactions on Automatic Control, Vol. 26, pp. 301320,
1981.
112
[ZN42] J. Ziegler y N. Nichols, Optimum Settings for Automatic Controllers, ASME Transactions, Vol. 64,
pp. 759768, 1942.
[ZK88] K. Zhou y P. Khargonekar, An Algebraic Riccati Equation Approach to H

Optimization, Systems
and Control Letters, Vol. 11, pp. 8591, 1988.
113