29

INSTRUMENTOS TERICO-PRCTICOS PARA EVALUAR EL

ACOPLAMIENTO - INTERACCIN

1.1

Introduccin

El control descentralizado de sistemas multivariables normalmente se complica

debido a la interaccin o el acoplamiento que existe entre las variables de los
procesos a controlar, as como debido a la direccionalidad de estos procesos, esto
es, a su tendencia a responder con una mayor o menor ganancia segn sea la
relacin entre las magnitudes de las entradas aplicadas.
En este captulo se presentan los ms importantes instrumentos matemticos
utilizados para evaluar de una manera terica-prctica el acoplamiento en los
sistemas de control. Entre estos elementos se encuentran: las Bandas de
Gershgorin, el Relative Gain Array (RGA), y el Condition Number.
Para la clara exposicin de estos conceptos y las propiedades que se derivan de
ellos ser necesario en algunos casos dar ciertas definiciones matemticas
relacionadas a los mismos. En el caso especfico del Condition Number se
dedicar previamente una seccin a la Descomposicin en Valores Singulares
(DVS) ya que es a partir de sta que se llega a dicho concepto.
Se mostrarn tambin algunas de las aplicaciones de estas herramientas al estudio
de los sistemas multivariables y a la evaluacin de los problemas que se presentan
en el control de los mismos.

30

1.2

Bandas de Gershgorin

Antes de definir las bandas de Gershgorin es necesario tener en claro el concepto

de dominancia diagonal[1] y la definicin de los Nyquist arrays[1] los cuales se
presentan a continuacin.

1.2.1 Dominancia diagonal

Una matriz racional Qs de dimensiones m x m es de fila diagonalmente
dominante si:
m

q ii ( s) q ij ( s)

i 1, , m

(1.1)

j 1
j i

De igual manera, una matriz racional Qs de dimensiones m x m es de columna

diagonalmente dominante si:
m

qii ( s) q ji ( s)

i 1,, m

(1.2)

j 1
j i

Si denominamos ri s a:
m

ri ( s) qij ( s)
j 1
j i

ri ( s) q ji ( s)

i 1,, m

j 1
j i

Ms diagonal es la matriz compleja Qs , cuanto menor sea ri s .

1.2.2 Nyquist arrays

(1.3)

31

El Nyquist array de Gs (no necesariamente cuadrada) es un conjunto de

grficos, donde el (i, j)-simo grfico es el lugar de Nyquist de g ij s ((i, j)-simo
elemento de Gs ). Se hace uso tambin del inverse Nyquist array, el cual es el
conjunto de grficos de los lugares de Nyquist, de los elementos de G 1 s ,
(claramente, el inverse Nyquist array est definido solamente cuando Gs es
cuadrada).

1.2.3 Crculos y bandas de Gershgorin

La definicin de los crculos y las bandas de Gershgoring

se encuentra en el

enunciado del teorema de Gershgorin.

Teorema 1.1 (Teorema de Gershgorin):

Asumimos que Z es una matriz

compleja
de dimensiones m x m. Los autovalores de Z estn dentro de los m crculos, cada
uno con centro en zii y radio:
m

z
j 1
j i

ij

i 1,, m

(1.4)

que constituye la suma de los mdulos de los elementos de la fila i.

Estos tambin estn dentro de la unin de los crculos, cada uno con centro en zii y
radio:

32

z
j 1
j i

ji

i 1,, m

(1.5)

que constituye la suma de los mdulos de los elementos de la columna i.

Luego tenemos que, considerando el Nyquist array de alguna G(s) cuadrada, si
para cada frecuencia , graficamos un crculo con centro en gii(j) (elemento de la
diagonal de G(s)), y de radio:
m

g
j1
j i

ij ( j )

ji

( j )

(1.6)

j1
j i

A cada uno de estos crculos se les llama crculos de Gershgorin, y a la unin de

stos, bandas de Gershgorin (ilustrados en la Figura 1.1).
Si las bandas de Gershgorin de Gs excluyen el origen, diremos que Gs es
diagonalmente dominante (fila dominante o columna dominante, ver Figura 1.2).

Figura 1.1: Un Nyquist array con los crculos de Gershgorin[1]

33

Figura 1.2: Bandas de Gershgorin para un sistema que: (a) es diagonalmente

dominante, (b) no es diagonalmente dominante[1]

1.3 ( A estudiarse luego)

( en lo que sigue el orden de las ecuaciones y figuras no esta correlativo)
1.4

Descomposicin en Valores Singulares

Los valores singulares[5], y el condition number como veremos despus, tambin

son instrumentos tericos de gran utilidad en la evaluacin del acoplamiento y la
direccionalidad de los sistemas multivariables.
En esta seccin se presentarn de manera general la definicin de la
descomposicin en valores singulares y sus propiedades desde un punto de vista
meramente matemtico y aplicable tanto a matrices cuadradas como no cuadradas.

Definicin 1.1: Matriz unitaria

Una matriz compleja U es unitaria si:
U U 1

(1.41)

Donde U es la transpuesta compleja conjugada de U.

Todos los autovalores de una matriz unitaria tienen valor absoluto igual a 1, y
todos sus valores singulares (como veremos ms adelante) son iguales a 1.

1.4.1

Descomposicin en Valores Singulares

34

Cualquier matriz compleja A de dimensiones l x m puede ser factorizada en una

descomposicin en valores singulares o DVS
A UV

(1.42)

donde la matriz U de dimensiones l x l y la matriz V de dimensiones m x m son

unitarias, y la matriz de dimensiones l x m contienen una matriz diagonal 1 de
valores singulares reales y no negativos, i, ordenados en orden descendente,
como se muestra a continuacin

1 ;
0

lm

(1.43)

1 0 ;

lm

(1.44)

donde

1 diag 1 , 2 ,, k ;

k mn l , m

(1.45)

1 2 k

(1.46)

Los vectores columna de V, simbolizados por vi, son llamados vectores singulares
derechos o de entrada y los vectores columna de U, simbolizados por ui, son
llamados vectores singulares izquierdos o de salida.
Definimos u u1 , v v1 , u u k y v vk .

35

Ntese que la descomposicin indicada en la ecuacin (1.42) no es nica ya que

A U ' V ' , donde U ' US, V ' VS 1 y S diag e j i , siendo i cualquier

nmero real, es tambin una DVS de A. Sin embargo, los valores singulares, i,
son nicos.
Consideremos las siguientes relaciones, para deducir como calcular los valores
singulares y las matrices unitarias

AA UV UV

UV V

U UU

(1.47)

dado que U U 1 , podemos escribir

AA U U

(1.48)

vemos entonces que U es la matriz de autovectores de AA y i2 son sus

autovalores.
De modo similar

A A UV

UV V

U UV VV

(1.49)

dado que V V 1 , podemos escribir

A AV V

(1.50)

vemos entonces que U es la matriz de autovectores de A A y i2 son sus

autovalores.
Los valores singulares son entonces las races positivas de los k mn l , m
autovalores ms grandes de A A y AA . Esto es

i A i A A i AA

(1.51)

36

Adems, las columnas de U y V son autovectores unitarios de AA y A A ,

respectivamente.

Definicin 1.2. Rango de una matriz: El rango de una matriz es igual al

nmero
de valores singulares diferentes de cero de la matriz. Siendo rank A r , entonces
la matriz A es deficiente de rango si r k mn l , m , y tiene valores singulares
i

= 0 para i r 1,, k . Una matriz cuadrada deficiente de rango es una matriz

singular (una matriz no cuadrada es siempre una matriz singular).

1.4.2 Valores singulares de una matriz de 2 x 2
En general, los valores singulares tienen que ser calculados numricamente. Sin
embargo, para matrices de 2 x 2, se puede deducir fcilmente una expresin
analtica. Establezcamos las siguientes igualdades

b tr A A aij

c det A A

(1.52)

i, j

Ahora, la suma de los autovalores de una matriz es igual a su trazo y el producto

es igual a su determinante, por tanto

1 2 b ,

1 2 c

(1.53)

Resolviendo 1 y 2 en funcin de b y c, y utilizando la ecuacin (1.51)

obtenemos

b b 2 4c
A
;
2

b b 2 4c
A
2

(1.54)

37

Por

ejemplo,

para

1 2
A

3 4

tenemos

b aij

1 4 9 16 30 ,

c det A 2 4 , y encontramos que A 5.465 y A 0.366 .

2

1.4.2

DVS de una matriz inversa

Dado que A UV tenemos que, siempre y cuando la matriz A de dimensiones

m x m sea no singular
A1 V 1U

(1.55)

esta es la DVS de A-1 pero con el orden de los valores singulares invertido. Sea
j = m i + 1. Entonces de la ecuacin (1.55) se tiene que

i A1 1 j A,

ui A1 v j A,

vi A1 u j A

(1.56)

y en particular

A1 1 A

(1.57)

1.4.4 Desigualdades de los valores singulares

Los valores singulares limitan la magnitud de los autovalores:

A i A A

(1.58)

Por la definicin de DVS es obvio que:

A A

A A

(1.59)

Hay un lmite superior para el valor singular mximo del producto de dos
matrices:

38

AB A B

(1.60)

Si A o B son no singulares, tambin existe un lmite inferior para AB :

A B AB

A B AB

(1.61)

Tambin tenemos un lmite inferior para el valor singular mnimo:

A B AB

(1.62)

Las siguientes desigualdades son de utilidad para una matriz particionada:

A
mx A, B 2 mx A, B
B
A

A B
B

(1.63)

(1.64)

La siguiente igualdad es usada para una matriz diagonal a bloques:

A
0

0
mx A, B
B

(1.65)

Otro resultado interesante es el teorema de Fan[5]:

i A B i A B i A B

(1.66)

Dos casos especiales de la ecuacin (1.66) son:

1.4.5

A B A B A B

(1.67)

A B A B A B

(1.68)

DVS como una suma de matrices de rango 1

Llamemos r al rango de una matriz A de dimensiones l x m. Podemos considerar

la DVS como una descomposicin de A en r l x m, cada una de rango 1. Tenemos

39

A UV i u i vi

(1.69)

i 1

Los trminos restantes, de r + 1 a k mn l , m , tienen valores singulares iguales

a 0 y no contribuyen a la suma. La primera y ms importante submatriz est dada
por A1 1u1v1 . Si ahora consideramos la matriz residual

A1 A A1 A 1u1v1

(1.70)

entonces

1 A1 2 A

(1.71)

Esto es, el valor singular ms grande de A1 es igual al segundo valor singular de la

matriz original. Esto muestra que la direccin correspondiente a 2 A es
la
segunda direccin ms importante, y as sucesivamente.

1.5

Condition Number

El condition number[5] de una matriz de dimensiones l x m se define como el

cociente

1 A A

k A A

(1.72)

donde k mn l , m . Se dice que una matriz con un condition number grande es

una matriz mal condicionada. Segn esta definicin una matriz deficiente de rango
tiene un condition number infinito.
Segn la ecuacin (1.57) tenemos que para una matriz no singular

40

A A A1

(1.73)

De las ecuaciones (1.60) y (1.73) se tiene que para matrices no singulares

AB A B

1.6

(1.74)

Aplicacin de la DVS al estudio de sistemas de control multivariables

Habiendo definido ya la descomposicin en valores singulares y teniendo en claro

qu son los valores singulares, cmo calcularlos y cules son sus principales
propiedades; podemos pasar ahora a explicar de qu manera se pueden aplicar al
estudio de sistemas de control multivariables.
En esta seccin hablaremos de la utilizacin de los valores singulares en el clculo
de las ganancias de los sistemas MIMO y en la evaluacin de la direccionalidad de
dichos sistemas.

1.6.1 Direccionalidad de los sistemas multivariables

En un sistema SISO, y = Gd, la ganancia en una frecuencia dada es simplemente

G j d
d

G j

La ganancia depende de la frecuencia , pero debido a que el sistema es lineal, es

independiente de la magnitud de la entrada d
Las cosas no son tan simples en los sistemas MIMO, porque en estos sistemas las
seales de entrada y de salida son vectores, y necesitamos considerar las
magnitudes de los elementos de cada vector utilizando la norma del vector.

41

Entonces para una frecuencia dada la magnitud de la seal de entrada vectorial

sera

d12 d 22

(1.75)

y la magnitud de la seal de salida vectorial sera

y12 y 22

(1.76)

La ganancia de un sistema Gs para una seal de entrada particular d viene

entonces dada por la relacin

G j d
d

y12 y 22
d12 d 22

(1.77)

Nuevamente la ganancia depende de la frecuencia , y nuevamente es

independiente de la magnitud de la entrada d . Sin embargo, en un sistema
MIMO hay ms grados de libertad y la ganancia tambin depende de la direccin
de la entrada d.
Para ilustrar esto consideremos, por ejemplo, un sistema de dos entradas y dos

d
salidas. En este caso, d 1 , la ganancia es en general diferente para los cinco
d 2
siguientes vectores entrada:
1
0
0.707
0.707
0.6
d 01 , d 02 , d 03
, d 04
, d 05

0
1
0.707
0.707
0.8

42

Todas las cuales tienen la misma magnitud

= 1 pero diferentes

direcciones. Sea el sistema:

5 4
G1

3 2

(1.78)

Si calculamos los vectores salida correspondientes obtenemos

5
4
6.36
0.707
0.2
y 01 , y 02 , y 03
, y 04
, y 05

3
2
3.54
0.707
0.2

las

normas

de

estos

cinco

vectores

salida,

iguales

las

correspondientes
ganancias, son

y01 5.83 ,

y02 4.47 ,

y03 7.3 ,

y04 1,

y1 0.28

Esta dependencia de la ganancia de la direccin de entrada se ilustra grficamente

en la Figura 1.5 donde se ha usado el cociente d 2 d1 como una variable
independiente para representar la direccin de la entrada. Podemos ver que,
dependiendo del cociente d 2 d1 , la ganancia vara entre 0.272 y 7.343.

Figura 1.5.- Ganancia G1d

d como funcin de d 2 d1 para G1 en (3.27)[5]

43

El valor mximo de la ganancia definida por la ecuacin (1.77) cuando se vara la

direccin de la entrada es 7.343, que es igual al valor singular mximo de G,

mx
d 0

Gd
d

mx Gd G
d 1

(1.79)

mientras que la ganancia mnima es 0.272, que es igual al valor singular mnimo
de G,

mn
d 0

Gd
d

mn Gd G
d 1

(1.80)

Las primeras igualdades en las ecuaciones (1.79) y (1.80) se deben a que la

ganancia es independiente de la magnitud de la entrada en un sistema lineal. Ms
adelante veremos

porqu las ganancias mxima y mnima son iguales a los

valores
singulares mximo y mnimo respectivamente.

1.6.2 Deficiencia de la medicin de la ganancia de sistemas multivariables

mediante los autovalores
Antes de profundizar ms en la utilidad de los valores singulares, vamos a probar
que las magnitudes de los autovalores de una matriz de transferencia, i G j ,
no proveen una manera eficiente de medir la ganancia de los sistemas MIMO. El
uso de los autovalores para la medicin de la ganancia pueden causar mucha
confusin y llevar a conclusiones errneas. Para ilustrar esto, consideremos el
sistema y = Gd en donde

44

0 100
G

0 0

la cual tiene ambos autovalores i iguales a cero. Sin embargo, sera obviamente
equivocado concluir a partir de los autovalores que la ganancia del sistema es
cero. Por ejemplo, con un vector de entrada d 0 1 obtenemos un vector de

salida d 100 0 .

El problema es que los autovalores miden la ganancia en el caso especial en que

las entradas y las salidas estn en la misma direccin, esto es, en la direccin de
los autovectores. Para ver esto supongamos que ti es un autovector de G y
consideremos una vector entrada d = ti. Entonces la salida ser y = G ti = i ti
donde i es el correspondiente autovalor. Luego obtenemos

y
d

I ti
ti

por lo tanto i mide la ganancia en la direccin de ti. Esto puede ser til para el
anlisis de estabilidad pero no para analizar el comportamiento del sistema.

1.6.3 Uso de la DVS para medir la ganancia

Vamos ahora a dar una interpretacin fsica de la DVS cuando esta se aplica a la
respuesta en frecuencia de un sistema MIMO Gs con m entradas y l salidas.
Consideremos una frecuencia fija en la que G j una matriz compleja constante
de dimensiones l x m, y representemos a G j por G para simplificar las
expresiones. A Cualquier matriz G se le puede aplicar la DVS; por tanto

45

G UV

(1.81)

donde:
es matriz de dimensiones l x m con k mn l , m valores singulares no
negativos, i, ordenados de manera descendente en la diagonal principal; los otros
elementos son cero. Los valores singulares son las races cuadradas positivas de
los autovalores de G G .
U es una matriz unitaria de dimensiones l x l de vectores de salida singulares, ui.
V es una matriz unitaria de dimensiones m x m de vectores de entrada singulares,
vi.
Podemos ilustrar esto con la DVS de una matriz real de 2 x 2, la cual siempre
puede ser escrita de la forma

cos 1 sen 1 1 0 cos 1 sen 2

G
sen 1 cos 1 0 2 sen 2 cos 2

(1.82)

donde los ngulos 1 y 2 dependen de la matriz dada. De la ecuacin (1.82)

vemos que las matrices U y V tienen columnas ortonormales.
Los valores singulares son llamados tambin valores principales o ganancias
principales, y las direcciones asociadas a ellos se llaman direcciones principales.

Direcciones de entrada y de salida. Los vectores columna de U, simbolizados

por ui, representan las direcciones de salida de la planta. Son ortogonales y de
longitud unitaria (ortonormales), es decir

46

ui

ui1 ui 2 uil
2

ui ui 1,

ui u j 0,

i j

(1.83)
(1.84)

De igual manera, los vectores columna de V, simbolizados por vi, son

ortonormales y de longitud unitaria, y representan las direcciones de entrada.
Estas direccones de entrada y de salida se relacionan a travs de los valores
singulares. Para aclarar esto, recordemos que V es unitaria y por tanto V V I ,
entonces podemos escribir GV U , con lo cual al considerar la columna i
tenemos

Gvi i ui

(1.85)

donde vi y ui son vectores y i es un escalar. Es decir, si aplicamos una entrada en

la direccin vi, entonces obtendremos una salida en la direccin ui. Adems, dado
que vi 1 y u i 1 podemos ver que el i-simo valor singular i nos da
directamente la ganancia de la matriz G en esta direccin. En otras palabras:

i G Gvi

Gvi
vi

(1.86)

Algunas ventajas de la DVS frente a la descomposicin en autovalores para el

anlisis de las ganancias y la direccionalidad de plantas multivariables son:
1.-

Los valores singulares proporcionan mejor informacin acerca de las

ganancias de la planta.

2.-

Las direcciones obtenidas de la DVS son ortogonales.

3.-

La DVS tambin se aplica directamente a plantas no cuadradas.

47

Valores singulares mximo y mnimo. Como ya se ha dicho, se puede mostrar

que la ganancia ms grande en cualquier direccin es igual al valor singular
mximo

G 1 G mx
d 0

Gd
d

Gv1
v1

(1.87)

y la ganancia ms pequea en cualquier direccin es igual al valor singular

mnimo

G k G mn
d 0

Gd
d

Gvk
vk

(1.88)

donde k mn l , m. As, para cualquier vector d tenemos que

Gd
d

(1.89)

Definimos u u1 , v v1 , u u k y v vk . Luego

Gv u ,

Gv u

(1.90)

El vector v corresponde a la direccin de la entrada con la mayor amplificacin, y

u es la correspondiente direccin de salida en la cual las entradas son ms

efectivas. Las direcciones asociadas a v y u son llamadas algunas veces las

direcciones ms fuertes, de alta ganancia, o ms importantes. Las siguientes
direcciones ms importantes ests asociadas con v2 y u2, y as sucesivamente hasta
las direcciones menos importantes, ms dbiles o de baja ganancia que
estn asociadas con v y u .

48

Para ilustrar todo lo que hemos dicho acerca de la descomposicin en valores

singulares en esta seccin, consideremos primero el mismo ejemplo que en la
seccin 1.6.1,
5 4
G1

3 2

La descomposicin en valores singulares de G1 es

0 0.794 0.608
0.872 0.490 7.343
G1

0.490 0.872 0
0.272 0.608 0.794

La ganancia ms grande es 7.343 y se obtiene para una entrada en la

direccin
0.794
v
, y la ganancia ms pequea es 0.272 y se obtiene para una entrada en
0.608
0.608
la direccin v
. Esto confirma lo encontrado anteriormente.
0.794

Dado que en la planta G1 ambas entradas afectan ambas salidas, se dice que el
sistema es interactivo. Adicionalmente, el sistema es mal condicionado, es decir,
algunas combinaciones de las entradas tienen un efecto fuerte en las salidas,
mientras que otras combinaciones tienen un efecto dbil en las salidas. Esto se
puede cuantificar mediante el condition number, que para el sistema considerado
es 7.343 0.272 27 .

49

Proceso de destilacin. Consideremos ahora el siguiente modelo de una columna

de destilacin
G s

1 87.8 86.4
75s 1 108.2 109.6

(1.91)

Para analizar el modelo en el estado estacionario hagamos s = 0, y llamemos G a

G0
87.8 86.4
G

108.2 109.6

Los las magnitudes de los elementos de la matriz de transferencia son mucho

mayores que 1, lo que indica que no se tendrn problemas de restriccin en las
entradas. Sin embargo, esto no es totalmente cierto ya que la ganancia en la
direccin ms dbil (correspondiente al valor singular ms pequeo) es

en

realidad
slo u poco mayor que 1. Podemos observar esto en la DVS de G.

0.625 0.781 197.2 0 0.707 0.708

G
0.781 0.625 0
1.39 0.708 0.707

A partir del primer vector singular de entrada, v 0.707 0.708 , se puede ver

Que la ganancia es 197.2 cuando aumentamos una entrada y disminuimos la

otra

50

entrada en una cantidad similar. Por el otro lado, a partir del segundo vector
singular de entrada, v 0.708 0.707 , se puede ver que si aumentamos

ambas entradas en una cantidad similar, la ganancia es solamente 1.39. La razn

de esto es que la interaccin en la planta es tal que los de las dos entradas se
contrarrestan. Por tanto, segn este modelo, el proceso de est mal condicionado,
al menos en el estado estacionario, y el condition number es 197.2 1.39 141.7 .

Figura 1.6.- Diagrama de Bode de los valores singulares del proceso de

destilacin en (1.91)[5]

En sistemas dinmicos los valores singulares y sus direcciones asociadas varan

con la frecuencia, y para propsitos de control el rango de frecuencia de mayor
inters es el correspondiente al ancho de banda a lazo cerrado. Los valores
singulares usualmente se dibujan como una funcin de la frecuencia en un
diagrama de Bode de magnitud con una escala logartmica para le frecuencia y

51

para la magnitud. En la Figura 1.6 se muestran los trazos tpicos de los valores
singulares del proceso de destilacin considerado en el ejemplo anterior.

1.6.4 Ganancias principales y lugares caractersticos

Hemos visto que la descomposicin en valores singulares presenta varias ventajas
sobre los autovalores en lo que se refiere a la medicin de las ganancias y la
evaluacin de la direccionalidad en los sistemas MIMO. Existe sin embargo una
relacin entre los lugares geomtricos de los mdulos de los autovalores o lugares
caractersticos, y los lugares geomtricos de los valores singulares. En esta seccin
presentamos esta relacin, la misma que es til para manipular la informacin,
acerca del comportamiento del sistema, proporcionada por los lugares
caractersticos, la cual como habamos dicho puede ser incierta bajo algunas
circunstancias.

Definicin 1.3. Matriz normal: Sea Qs una matriz cuadrada. Entonces la

matriz Qs es normal si

Q s Qs Qs Q s

(1.92)

Si adems

Qs W s s W 1 s

(1.93)

donde s diag i s y cada i es una funcin autovalor de Qs , entonces

W s W 1 s

(1.94)

52

es decir los autovectores de una matriz normal forman un conjunto ortonormal.

Teorema 1.2: Sea Qs una matriz normal, con autovalores i s y ganancias

principales i s . Entonces podemos ordenar los autovalores i de manera que

i s i s ,

i 1,2,, m

(1.95)

Demostracin: Sea s diag i s y s diag i s . Entonces

Qs W s s W 1 s
por la propiedad de la matriz normal reemplazamos segn la ecuacin (1.94)

Qs W s s W s
m

Qs i s wi s wi s
i 1

Ahora digamos que

i s i s exp j i s ,

i , i 0

yi s wi s exp j i s
Entonces
m

Qs i s yi s wi s
i 1

Qs Y s diag i s W s
donde

Y s W s diag exp j i s

53

Por tanto

Y s Y s diag exp j i s W s W s diag exp j i s I

y de manera similar

Y s Y H s I
Por lo tanto Qs Y s diag i s W s es una descomposicin en valores
singulares de Qs . Pero los valores singulares de Qs son nicos, entonces
diag i s s
es decir,

i s i s
Este resultado es importante para el diseo de sistemas de control, porque el
diseador puede conseguir visualizar ms fcilmente las ganancias principales de
cualquier diseo propuesto. Una conclusin que se puede sacar de este teorema es
que si uno quiere conseguir unas particulares ganancias principales, una manera de
hacerlo es disear el controlador C para la planta G tal que la razn de retorno GC
sea normal y tenga unas particulares ganancias caractersticas.
Otra razn para desear que la razn de retorno sea normal es que la sensibilidad de
los autovalores de una matriz a las perturbaciones de sus elementos se minimiza si
la matriz es normal[3]. Sabiendo que el modelo que se tiene de la planta es
probablemente impreciso, se espera que el uso de un controlador que produzca
una razn de retorno normal, tambin reduzca la posibilidad de que el sistema a

54

lazo cerrado sea inestable cuando el compensador se use con la planta real, ya
que la
estabilidad est determinada por los lugares caractersticos.
Aun cuando la razn de retorno no es exactamente normal, las ganancias
caractersticas son aproximadamente iguales a las ganancias principales siempre y
cuando las autovectores estn cerca de ser ortogonales. Cuando este no es el caso,
se dice que la razn de retorno es oblicua.
La siguiente medida de la oblicuidad de una matriz cuadrada G ha sido propuesta
por Hung y MacFarlane (1982). Primero se obtiene una descomposicin de G,
llamada descomposicin Schur.

G S D T S
donde D es diagonal, T es triangular y S es unitaria. Entonces una medida
adecuada de la oblicuidad es
ms G
donde

T
G

(1.96)

simboliza la norma de Frobenius

2
ij

(1.97)

i, j

Esta medida tiene la propiedad de que

0 ms G 1

donde 0 significa completa normalidad y 1 significa completa oblicuidad.

(1.98)

55

Hung y MacFarlane (1982) muestran que ms G se puede relacionar con la

sensibilidad de los lugares caractersticos de G, mientras que Pang y MacFarlane
(1986) muestran que se le puede relacionar con la divergencia entre las ganancias
principales y las ganancias caractersticas como se indica a continuacin
(considerando la misma simbologa que en la demostracin del Teorema 1.2):
ms G

i2 1
i 1

i2

i2

i 1

2
i

(1.99)

Cuando la oblicuidad de una matriz es apreciable, slo podemos afirmar que

i ,

i 1,2,, m

(1.100)

lo que quiere decir que el valor de cada ganancia caracterstica se encuentra entre
la ganancia principal ms pequea y la ms grande. (Este resultando se obtiene
igualando d a un autovector en la ecuacin (1.89)).
control de la planta.