CAPITULO IV

ANALISIS DE SISTEMAS DE CONTROL

EN EL ESPACIO DE ESTADO

1
INTRODUCCION
•ES ESTUDIADO DESDE 1960.
•PERMITE EL MODELADO UNIFICADO DE LOS
SISTEMAS MODERNOS:
•LINEALES Y NO LINEALES.

•INVARIANTES Y VARIANTES EN EL TIEMPO.

•MUCHAS ENTRADAS.

•MUCHAS SALIDAS.

•Y QUE SE RELACIONAN EN FORMA COMPLICADA.

2
INTRODUCCION (Cont.)

• SE BASA EN LA DESCRIPCIÓN DE LAS

ECUACIONES DE UN SISTEMA EN TERMINOS DE

n ECUACIONES DIFERENCIALES DE PRIMER

ORDEN, QUE SE COMBINAN EN UNA ECUACIÓN

DIFERENCIAL MATRICIAL DE PRIMER ORDEN.

3
DEFINICION

ESTADO: Es el conjunto mas pequeño de variables

(denominadas variables de estado) de modo que el conocimiento

de estas variables en t=to, junto con el conocimiento de la entrada

para t>= to, determina por completo el comportamiento del

sistema para cualquier tiempo t >= to.

4
DEFINICION

VARIABLES DE ESTADO: son las que forman el conjunto

más pequeño de variables que determinan el estado del sistema

dinámico.

No necesitan ser cantidades medibles u observables físicamente.

En la práctica, sin embargo conviene elegir cantidades medibles

con facilidad.
5
DEFINICION

VECTOR DE ESTADO: si se necesitan “n” variables de

estado, estas variables de estado se consideran los “n”

componentes de un vector X, denominado vector de estado.

6
DEFINICION

ESPACIO DE ESTADO: es el espacio de “n” dimensiones

cuyos ejes coordenados están formados por el eje x1, x2, … , xn.

Cualquier estado puede representarse mediante un punto en el

espacio de estados.

7
ECUACIONES EN EL ESPACIO DE ESTADOS

TENEMOS TRES TIPOS DE VARIABLES:

•VARIABLES DE SALIDA
•VARIABLES DE ENTRADA
•VARIABLES DE ESTADO

No hay una representación única, pero si una cantidad única de

variables de estado.

La cantidad de variables de estado necesarias para definir

completamente la dinámica del sistema es igual a la cantidad de
integradores que contiene el sistema.
8
ECUACIONES EN EL ESPACIO DE ESTADOS
Representación

Las “n” ecuaciones de estado de un sistema dinámico de n-esimo

orden se representa como:
dxi ( t )
dt
[
= fi x1 ( t ) , x2 ( t ) ,..., xn ( t ) , u1 ( t ) , u2 ( t ) ,..., u p ( t ) , t ]
donde
i = 1,2,..., n
j = 1,2,..., p
de _ xi _ y _ u j _ respectivamente.

9
ECUACIONES EN EL ESPACIO DE ESTADOS
Representación

Las ecuaciones de salida se pueden expresar como:

[
yk ( t ) = g k x1 ( t ) , x2 ( t ) ,..., xn ( t ) , u1 ( t ) , u2 ( t ) ,..., u p ( t ) , t ]
donde
i = 1,2,..., n
j = 1,2,..., p
k = 1,2,..., q
de _ xi _, _ g k _ respectivamente.
10
ECUACIONES EN EL ESPACIO DE ESTADOS
Representación

dxi ( t )
Ecuaciones dinámicas: yk ( t )
dt
Por facilidad de expresión y manipulación son representadas en
forma matricial, definiendose los siguientes vectores:

Vector de estado Vector de entrada Vector de salida

 x1 ( t )   u1 ( t )   y1 ( t ) 
x (t) u ( t )   y (t)
 2   2   2 
X ( t ) =    ( n × 1) U ( t ) =    ( p × 1) Y ( t ) =   ( q × 1)
     
     
 xn ( t )  u p ( t )   yq ( t ) 
   
11
ECUACIONES EN EL ESPACIO DE ESTADOS
Representación

La ecuación de estado se puede entonces escribir como:

dX ( t )
= F [ X ( t ) ,U ( t ) , t ]
dt
Donde F es una matriz columna de nx1 que contiene las
funciones f1, f2, …, fn como elementos.

La ecuación de salida se puede escribir como:

Y ( t ) = G [ X ( t ) ,U ( t ) , t ]
Donde G es una matriz columna de qx1 que contiene las
funciones g1, g2, …, gn como elementos. 12
ECUACIONES EN EL ESPACIO DE ESTADOS
Representación

Para un sistema lineal e invariante en el tiempo las ecuaciones de

estado se reducen a:

dX ( t )
= A. X ( t ) + B.U ( t ) Ecuación de estado
dt
Y ( t ) = C. X ( t ) + D.U ( t ) Ecuación de salida

Donde
A (n x m) Matriz de Estado
B (n x p) Matriz de Entrada
C (q x n) Matriz de Salida
D (q x p) Matriz de Transmisión directa
13
ECUACIONES EN EL ESPACIO DE ESTADOS
Ejemplo

Para el sistema mecánico Resorte, masa y amortiguador:

•• •
m y +b y +ky =u

 x1   0 1  x   0 
Ecuación de estado
=
 x  −  k b  
1
 +  1 u
 2   m − m   x2   m 

 x1 
y = [1 0]   Ecuación de salida
 x2 
14
 CORRELACION ENTRE LA FUNCION DE TRANFERENCIA Y
LA ECUACION EN EL ESPACIO DE ESTADOS

[
adjA = Aij _ de _ det A n.n ]
en _ donde _ A ji _ denota _ el _ cofactor _ de _ aij

'
 A11 A12   a22 − a12 
adjA =   = 
   
 A21 A22  − a21 a11 

− ( a12a33 − a13a32 )
'
 a11 a12 a13   a22a33 − a23a32 a12 a23 − a13a22 
   
   
adjA = a21 a22 a23  = − ( a21a33 − a23a31 ) a11a33 − a13a31 − ( a11a23 − a21a13 ) 
   
   
 a31 a32 a33   a21a32 − a22 a31 − ( a11a32 − a12 a31 ) a11a22 − a12 a21 

15
CORRELACION ENTRE LA FUNCION DE TRANFERENCIA Y
LA ECUACION EN EL ESPACIO DE ESTADOS

G( s ) =
Y (s) Sistema de una sola entrada y una sola salida
U( s)

dX ( t ) Y ( t ) = C. X ( t ) + D.U ( t )
= A. X ( t ) + B.U ( t )
dt
adjA
−1
G ( s ) = C ( s.I − A) B + D A =
−1
A

Ejercicio: Hallar la FT para el sistema del ejemplo anterior.

1
R. G ( s ) =
ms 2 + bs + k 16
 Representaciones en el espacio de estados de los
sistemas basados en la función de transferencia

•Forma canónica controlable

•Forma canónica observable
•Forma canónica diagonal o de Jordan

Si un sistema esta definido mediante:

(n) ( n −1) • (n) ( n −1) •
y + a1 y +... + an −1 y + an y = b0 u + b1 u +... + bn−1 u + bn u

Puede escribirse como:

Ys b0 s n + b1s n−1 + ... + bn−1s + bn

= n
Us s + a1s n−1 + ... + an−1s + an
17
 Forma Canónica Controlable

 • 
x
 • 1  0 1 0  0   x1  0
 x2   0 0 1  0   x2  0
      
  =         +  u
 x•   0 0 0
   
 1   xn−1  0
 •n−1  
 x n  − an − an−1 − an−2  − a1   xn  1
 x1 
x 
y = [ bn − anb0 bn−1 − an−1b0  b1 − a1b0 ]. 2  + b0u
 
 
 xn 
18
 Forma Canónica Observable

 •  0 0 0  −a x1   bn − anb0 
x
 • 1  n  
 x 2  1 0 0  − an−1   x2  bn−1 − an−1b0 
      
   =      +   u
 x•      
 •n−1      
 x n  0 0  1 − a1   xn   b1 − a1b0 
 x1 
x 
y = [0 00 1]. 2  + b0u
 
 
 xn  19
 Forma Canónica Diagonal

Considerando la función de transferencia donde el

denominador sólo posee raíces distintas:

Ys b0 s n + b1s n−1 + ... + bn−1s + bn

=
Us ( s + p1 )( s + p2 ) ( s + pn )

Expansión en fracciones parciales:

Ys c1 c2 cn
= b0 + + ++
Us s + p1 s + p2 s + pn
20
 Forma Canónica Diagonal

 •  −p 0 0  0
x
 • 1  1   x1  1
 x2   − p2 0  0   x2  1
      
  =        +  u
 x•      
 •n−1      
 x n   0 0  0 − pn   xn  1

 x1 
x 
y = [ c1 c2  cn ]. 2  + b0u
 
 
 xn  21
 Forma Canónica de Jordan

Considerando la función de transferencia donde el

denominador posee raíces múltiples:

Ys b0 s n + b1s n−1 + ... + bn−1s + bn

=
U s ( s + p1 ) 3 ( s + p4 ) ( s + pn )

Expansión en fracciones parciales:

Ys c1 c2 c3 c4 cn
= b0 + + + + ++
Us ( s + p1 ) ( s + p1 ) ( s + p1 ) s + p4
3 2
s + pn
22
Forma Canónica de Jordan

• 
 x1  − p1 1 0 0  0   x1  0
•
   0 −p 1 0 0   x  0 
 x• 2  

1  2   
   0 0 − p1 0  0   x3  1
x
•  
3 =    +  u
   0 0 0 − p4  0   x4  1
 x4            
      
•   0 0 0 0 − pn   xn  1
 xn 

 x1 
x 
y = [ c1 c2  cn ]. 2  + b0u
 
 
 xn 
23
 Ejercicio

Obtenga las representaciones en el espacio de estados en la

forma canónica controlable, observable y diagonal del
siguiente sistema:
Y ( s) s+3
= 2
U ( s ) s + 3s + 2

Forma Canónica controlable Forma Canónica observable Forma Canónica diagonal

 x1   0 1   x1   0  x1   0 − 2  x1   3  x1   − 1 0   x1  1

 x  =  − 2 − 3  x  +  1 u  x  =  1 − 3  x  + 1 u  x  =  0 − 2  x  + 1 u
 2   2    2   2    2   2  
 x1   x1   x1 
y = [3 1]   y = [0 1]   y = [2 − 1]  
 x2   x2   x2 
24
 Valores característicos de una matriz A de nxn.

Los “valores característicos” o “raíces características” son las

raíces de la ecuación característica:
λI − A = 0
Por ejemplo considere:
0 1 0
A= 0 0 1 
 
− 6 − 11 − 6

25
 Valores característicos de una matriz A de nxn.
Ejemplo (cont.)

La ecuación característica es:

λ − 1 0 
λI − A =  0 λ − 1 
 6 11 λ + 6
λI − A = λ3 + 6λ2 + 11λ + 6
λI − A = ( λ + 1)( λ + 2)( λ + 3) = 0

Los valores característicos de A son las raíces de la ecuación

característica: -1, -2 y -3.
26
 Diagonalización de una matriz nxn con valores
característicos distintos

Dada la matriz A:  0 1 0  0 
 0 0 1  0 
 
A=    
 
 0 0 0  1 
− an − an−1 − an−2  − a1 

La transformación x=Pz, donde  1 1  1 

λ λ2  λn 
 1
P =  λ12 λ22  λ2n 
 
Donde λ son los “n” valores    
λ1n−1 λn2−1  λnn−1 
característicos distintos de A
27
 Diagonalización de una matriz nxn con valores
característicos distintos (cont.)

…transformará P −1AP en la matriz diagonal:

λ1 0
 λ2 
−1
P AP =  
  
 
0 λn 

Observación: Si la matriz A contiene valores característicos

múltiples, la diagonalización es imposible

28
 Diagonalización de una matriz nxn con valores
característicos distintos (Ejecicio)

Considere la siguiente representación en el espacio de estados

de un sistema:
 x1   0 1 0   x1  0
x  =  0 0 1   x2  + 0u

   2    
 x 3  − 6 − 11 − 6  x3  6

 x1 
y = [1 0 0]  x2 
 
 x3 

Hallar los valores característicos de la matriz A y luego obtener

otra representación del mismo sistema mediante la transforma-
ción x=Pz . 29
 Diagonalización de una matriz nxn con valores
característicos distintos (Ejecicio)

Respuesta: λ1 = −1
λ2 = −2
λ3 = −3

 z1  − 1 0 0   z1   3 
 z  =  0 − 2 0   z  + − 6u
 2    2   
 z 3   0 0 − 3  z3   3 

 z1 
y = [1 1 1]  z2 
 
 z3 

30
 Solución de la ecuación de estado lineal
e invariante con el tiempo

Caso homogéneo.
x = Ax x = vector de dimensión n
A = matriz de coef. Constantes de nxn

Por analogía del caso escalar, la solución x(t) se halla como:

1 1
x(t ) = ( I + At + A t +  + A t + ) x(0)
2 2 k k

2! k!

At At
∞
k k
(Matriz
x(t ) = e At x(0) e =∑
k!
k =0 exponencial)

31
 Algunas propiedades de la matriz exponencial

Converge absolutamente para todos los t finitos.

d At
e = Ae At = e At A
dt

A(t + s )
e = e At e As

At − At − At At A(t − t )
e e =e e =e =I
( A + B )t
e = e At e Bt Si AB=BA
32
 Solución de la ecuación de estado lineal
e invariante con el tiempo

Caso NO homogéneo.
x = vector de dimensión n
x = Ax + Bu A = matriz de coef. Constantes de nxn
u = vector de dimensión r
B = matriz de coef. Constantes de nxr

Por analogía del caso escalar, la solución x(t) se halla como:

At t
A(t −τ )
x(t ) = e x(0) + ∫ e B.u (τ ).dτ
0
∞ k k
A t
e At = ∑ (Matriz exponencial
k = 0 k!

33
MATRIZ DE TRANSICION DE ESTADOS.

Se define como una matriz que satisface la ecuación de estado

lineal homogénea
Representa la respuesta libre del sistema. Gobierna la respuesta que
es debida a las condiciones iniciales solamente.
Depende solamente de la matriz A.

Define por completo la transición de estado desde el tiempo inicial

t=0 a cualquier tiempo t cuando las entradas son cero.

[
Φ (t ) = L−1 ( sI − A)
−1
]=e At

34
Algunos resultados útiles en el análisis matricial.

Teorema de Cayley-Hamilton: plantea que la matriz A satisface

su propia ecuación característica.
Es muy útil para comprobar teoremas que involucran ecuaciones
matriciales o para resolver problemas que involucran ecuaciones
matriciales.
Considere la matriz A de nxn y su ecuación característica:

λI − A = λn + a1λn−1 + ... + an−1λ + an = 0

n n −1
A + a1 A + ... + an−1 A + an I = 0

35
Algunos resultados útiles en el análisis matricial.

POLINOMIO MINIMO
De acuerdo al Teorema de Cayley-Hamilton toda matriz A satisface
su propia ecuación característica, sin embargo la ecuación
característica no necesariamente es la ecuación escalar de grado
mínimo que A satisface.

El polinomio de grado mínimo que tiene a A como raíz se

denomina polinomio mínimo

36
Algunos resultados útiles en el análisis matricial.

POLINOMIO MINIMO
φ ( λ ) = λm + a1λm−1 + ... + am−1λ + am m≤n

Tal que : φ ( A) = 0

φ ( A) = Am + a1 Am−1 + ... + am−1 A + am I = 0

λI − A
El polinomio mínimo se determina mediante: φ ( λ ) =
d(λ)

Donde d ( λ ) es el máximo común divisor de todos los elementos

de: adj (λI − A)
37
Matriz exponencial e At

At
Calculo de e :

e At
=L −1
[( sI − A) ] −1

At
Ejercicio: Considere la matriz A, calcule e
0 1 
A= 
 0 − 2 
R:
1
s
1 
s ( s + 2) 

1
1
( ) 
1 − e − 2t 
( sI − A) −1 =  

[
e At = L−1 ( sI − A)
−1
] =

2


0 1  0 e − 2t

 ( s + 2)    38
 MATRIZ DE TRANSICION DE ESTADOS.

Ejercicio: Obtenga la matriz de transición de estados Φ (t ) del

sistema siguiente: x  1   0 x 1  1 
 x  = − 2 − 3  x 
 2    2 
[
Φ (t ) = e At = L−1 ( sI − A)
−1
]
 s+3 1 
 ( s + 1)( s + 2 ) ( s + 1)( s + 2) 
( sI − A) =  − 2
−1
s
 
 ( s + 1)( s + 2 ) ( s + 1)( s + 2) 
At  2e −t − e −2t e −t − e −2t 
Φ (t ) = e =  −t −2t −t −2t 
 − 2 e + e − e + 2e 
39
 Controlabilidad y Observabilidad

Gobiernan la existencia de una solución de un problema de

control óptimo. (Criterios para determinar desde el inicio si
la solución de diseño existe o no según los parámetros y
objetivos del diseño)

Es la diferencia básica entre la teoría de control óptimo y la teoría

clásica de control. En esta última, las técnicas de diseño son
dominadas por métodos de prueba y error, donde el diseñador
desconoce en el inicio si existe solución.

40
 Controlabilidad

•Se dice que un sistema es controlable en el tiempo to si se puede

llevar de cualquier estado inicial x(to) a cualquier otro estado,
mediante un vector de control sin restricciones, en un intervalo de
tiempo finito.
•Se dice que el proceso es completamente controlable si cada
variable de estado del proceso se puede controlar para llegar a un
cierto objetivo en un tiempo finito, a través de algún control no
restringido u(t).
•Si una de las variables de estado es independiente del control
u(t), no habría forma de dirigir esta variable al estado deseado
por medio de un esfuerzo del control, por lo tanto, es un estado
no controlable y el sistema es no controlable.
41
 Controlabilidad

El concepto anterior se refiere a los estados y se conoce como

controlabilidad del estado.

También puede definirse para las salidas del sistema y se habla

de controlabilidad de la salida.

42
 Controlabilidad

Teorema:
Para que el sistema descripto por: x = Ax + Bu sea de estado
completamente controlable, es necesario y suficiente que la
siguiente matriz de controlabilidad de “n x nr” tenga rango “n”:

S= B [ AB A2 B  An−1B ]
Obs: El rango de una matriz A es el número máximo de columnas
linealmente independientes de A; o es el orden de la matriz no
singular más grande contenida en A.
43
 Controlabilidad

Ejemplo 1.
Considere el sistema siguiente:

 x1  1 1  x1  1
 x  = 0 1  x  + 0u
 2   2   

Dado que
1 1
[ B  AB] =   = singular
0 0 

El sistema NO es de un estado completamente controlable

44
 Controlabilidad

Ejemplo 2.
Considere el sistema siguiente:

 x1  1 1   x1  1
 x  = 2 − 1  x  + 0u
 2   2   

Para este caso

0 1 
[ B  AB ] =   = no singular
1 2
El sistema es de un estado completamente controlable
45
Controlabilidad de la salida

Un sistema es de salida completamente controlable si es posible

construir un vector de control sin restricciones u(t) que transfiera
cualquier salida inicial y(to) a cualquier salida final y(t1) en un
intervalo de tiempo finito t0 ≤ t ≤ t1

Un sistema es de salida completamente controlable si y solo si la

matriz de m x (n+1)r:

[C B CAB CA2 B  CAn−1B D ]

es de rango m.
46
 Observabilidad

Se dice que un sistema es observable en el tiempo to si, con el

sistema en el estado x(to), es posible determinar este estado a
partir de la observación de la salida durante un intervalo de
tiempo finito.

Esencialmente, un sistema es completamente observable si cada

variable de estado del sistema afecta alguna de las salidas.

Si cualquiera de los estados no se puede observar a partir de las

mediciones de las salidas, se dice que el estado es no observable
y el sistema no es observable.
47
 Observabilidad

Teorema:
Para que el sistema descripto por la ecuaciones:
x = Ax + Bu
y = Cx + Du

sea completamente observable, es necesario y suficiente que la

siguiente matriz de observabilidad de “n x np” tenga rango “n”
 C 
 CA 
 
V =  CA 2

 
  
CA 
n −1
48
 Observabilidad

Ejercicio 1.
Considere el sistema siguiente:
 x1  − 1 − 2 − 2  x1  2
 x  =  0 − 1 1   x  + 0 u
 2    2   
 x 3   1 0 − 1   x3  1 
 x1 
y = [1 1 0]  x2 
 
 x3 

¿Es el sistema de estado completamente controlable y

completamente observable?
49
FIN

50