Vous êtes sur la page 1sur 116

UNIVERSIDADE FEDERAL DO CEAR

CENTRO DE TECNOLOGIA
PROGRAMA DE PS-GRADUAO EM ENGENHARIA ELTRICA

KELSON DE SOUSA LEITE

ESTUDO DE UM SISTEMA DE NVEL COM DOIS TANQUES


INTERLIGADOS SUJEITO A PERTURBAES UTILIZANDO
DESIGUALDADES MATRICIAIS LINEARES

FORTALEZA
2012

KELSON DE SOUSA LEITE

ESTUDO DE UM SISTEMA DE NVEL COM DOIS TANQUES INTERLIGADOS


SUJEITO A PERTURBAES UTILIZANDO DESIGUALDADES MATRICIAIS
LINEARES

Dissertao de Mestrado apresentada


ao Programa de Ps-Graduao em
Engenharia Eltrica, da Faculdade de
Engenharia da Universidade Federal do
Cear, como requisito parcial para
obteno do Ttulo de Mestre em
Engenharia Eltrica. rea de
Concentrao: Eletrnica de Potncia e
Acionamentos.
Orientador: Dr. Jos Carlos Teles
Campos

FORTALEZA
2012

Dados Internacionais de Catalogao na Publicao


Universidade Federal do Cear
Biblioteca de Ps-Graduao em Engenharia - BPGE

L553e Leite, Kelson de Sousa.


Estudo de um sistema de nvel com dois tanques interligados sujeito a perturbaes utilizando
desigualdades matriciais lineares / Kelson de Sousa Leite 2012.
118 f. : il., enc. ; 30 cm.

Dissertao (mestrado) Universidade Federal do Cear, Centro de Tecnologia, Programa de


Ps Graduao em Engenharia Eltrica, Fortaleza, 2012.
rea de Concentrao: Eletrnica de potncia e Acionamentos.
Orientao: Prof. Dr. Jos Carlos teles Campos.

1. Engenharia Eltrica. 2. Teoria de Controle. 3. Otimizao Matemtica. I. Ttulo.

CDD 621.3

AGRADECIMENTOS

A Deus por me ter concedido o dom da vida.


A minha esposa, Silmara, pela compreenso e apoio.
Ao meu orientador, Prof. Dr. Jos Carlos Teles Campos, pelo incentivo,
pacincia, compreenso e orientao. Meus sinceros agradecimentos.
Ao IFPI e UFC pelo programa Minter, que contriburam com o apoio
financeiro necessrio realizao desse trabalho e desenvolvimento cientfico.
Aos professores do Departamento de Engenharia Eltrica da UFC,
responsveis diretamente ou indiretamente pela minha formao no programa de
Mestrado.
Aos meus amigos de mestrado por todas as etapas que foram vencidas e pelo
companheirismo e outros que no citei.

minha esposa e aos meus


pais que muito contriburam,
mesmo que de forma
indireta, para a elaborao e
execuo desta dissertao.
Aos professores e colegas da
UFC.

RESUMO

A teoria de controle robusto evoluiu consideravelmente ao longo das ltimas dcadas,


apresentando solues para vrios tipos de problemas de anlise, desempenho e sntese
de sistemas lineares incertos. As desigualdades matriciais lineares (LMIs) e suas
tcnicas surgiram como poderosas ferramentas em diversas reas de engenharia de
controle para projetos estruturais. Uma propriedade importante das LMIs reside no fato
de que o seu conjunto soluo convexo. Esta propriedade fundamental para que se
possam formular problemas em controle robusto como sendo problemas de otimizao
convexa que minimizam uma funo objetivo. Diante destas afirmaes o presente
trabalho utiliza um sistema de nvel de lquido com dois tanques interligados como
planta onde a mesma foi modelada, e, em seguida, foi desenvolvido um controlador para
garantir a sua estabilidade quadrtica, quando submetido a perturbaes externas
incertas definidas em um politopo. Utilizou-se o regulador linear quadrtico com ao
integral (LQI) como controlador, porm, o conceito timo do LQR no leva em
considerao as incertezas paramtricas existentes nas plantas de projeto, com isso, foi
apresentado um mtodo de resoluo do LQR utilizando otimizao convexa. O LQR
otimizado via LMIs permite a adio de incertezas para a obteno do ganho de
realimentao de estado. Os resultados obtidos comprovaram que a estratgia de
controle LQI via resoluo LMI eficaz como controle robusto, pois capaz de incluir
caractersticas referentes impreciso do processo, alm disso, o controle LQI garante a
otimalidade do controle.

Palavras-chave: Modelagem. Simulao. Controle LQR-LMI. Otimizao LQR-LMI.


Otimizao convexa. Sistema de nvel de lquido.

ABSTRACT

The robust control theory has evolved considerably over the past decades, providing
solutions for various problems of analysis, synthesis and performance of uncertain
linear systems. The linear matrix inequalities (LMI) and its techniques have emerged as
powerful tools in various areas of control engineering for structural projects. An
important property of LMIs is the fact that its solution set is convex. This property is
crucial in order to be able to make robust control problems as convex optimization
problems that minimize an objective function. Given these statements the present work
uses a liquid level system with two tanks connected to the plant where it was modeled,
and then a controller is designed to ensure quadratic stability when subjected to external
disturbances defined in an uncertain polytope. We used the linear quadratic regulator
with integral action (LQI) as a controller, however, the concept of optimal LQR does
not take into account the parametric uncertainties in the existing plant design, with it,
was presented a method of solving the LQR using convex optimization. LQR optimized
via LMI allows the addition of uncertainty to obtain the state feedback gain. The results
obtained proved that the strategy of LQI control via LMI resolution is effective as
robust control, because it can include features related to the imprecision of the process,
moreover, the LQI control ensures the optimality of control.

Keywords: Modeling. Simulation. Control LMI-LQR. LQR-LMI optimization. Convex


optimization. System-level liquid.

LISTA DE ILUSTRAES

Figura 2.1 - Reta com descrio paramtrica....................................................................9


Figura 2.2 Alguns exemplos de conjuntos convexos e no convexos..........................12

Figura 2.3 A casca convexa de um conjunto no 2 ....................................................13


Figura 2.4 Cone convexo..............................................................................................14

Figura 2.5 Hiperplano no 2 com vetor normal a......................................................16

Figura 2.6 Um hiperplano definido por aTx = b no 2 ..............................................17


Figura 2.7 Semiespao determinado por aT (x x0) 0...............................................17
Figura 2.8 Interseco de cinco semiespaos determinando um poliedro....................18
Figura 2.9 Exemplo de um politopo com cinco vrtices..............................................19
Figura 2.10 Cone semidefinido positivo.......................................................................21

Figura 2.11 Grfico de uma funo convexa................................................................22

Figura 4.1- Sistema de controle de nvel com 2 tanques interligados............................48

Figura 4.2 - Diagrama de blocos do controle LQI...........................................................52

Grfico 4.3 - Resposta de regime das curvas da variao de altura................................60

Grfico 4.4 - Sinal de controle das vazes do tanque......................................................60

Grfico 4.5 - Curva de Sensibilidade Complementar via SVD.......................................61

Grfico 4.6 - Curva de Sensibilidade do processo via SVD............................................61


LISTA DE SMBOLOS

aff C Casca afim de um conjunto C.


conc C Casca convexa de um conjunto C.
T
a Transposta de a.
a Complemento ortogonal de a.
Sn Conjunto de matrizes simtricas n x n.

Sn+ Conjunto de matrizes simtricas semidefinidas positivas.

Sn+ + Conjunto de matrizes simtricas definidas positivas.

Co{A1,..., AL} Casca convexa de matrizes (pgina 30).


diag{X1, X2, ..., Xq} Matriz bloco diagonal com blocos X1, X2, ..., Xq.
(A ( x ) ) Valor singular mximo de uma matriz A.
G(s)* Transposta conjugada de G(s).

SUMRIO

I. INTRODUO REVISO BIBLIOGRFICA SOBRE AS LMIS ........................1


1.1 Objetivo geral do trabalho...........................................................................................4
1.2 Objetivos especficos do trabalho................................................................................4
1.3 Estrutura do trabalho...................................................................................................5
1.4 Publicao originada deste trabalho............................................................................5
II. INTRODUO AO ESTUDO DA OTIMIZAO CONVEXA...............................6
2.1 Otimizao matemtica...............................................................................................6
2.2 Solucionando problemas de otimizao......................................................................7
2.2.1 Programao linear.................................................................................................8
2.3 Otimizao convexa....................................................................................................8
2.3.1 Retas e segmentos de reta.........................................................................................9
2.3.2 Conjuntos afins.......................................................................................................10
2.3.3 Conjuntos Convexos...............................................................................................11
2.3.4 Cones convexos.......................................................................................................14
2.3.5 Exemplos de conjuntos convexos............................................................................15
2.3.5.1 Hiperplano e semiespao.....................................................................................15
2.3.5.2 Poliedro e Politopo..............................................................................................18
2.3.5.3 Cone semidefinido positivo..................................................................................20
2.3.6 Funes afins..........................................................................................................22
2.3.7 Funes convexas...................................................................................................22
2.3.8 O problema de otimizao convexa........................................................................23
III. DESIGUALDADES MATRICIAIS LINEARES.....................................................24
3.1 Desigualdades matriciais lineares definio matemtica.......................................25
3.2 Propriedades das LMIs..............................................................................................25
3.2.1 Equivalncia entre LMI e desigualdades polinomiais...........................................25
3.2.2 Convexidade...........................................................................................................26
3.2.3 Mltiplas LMIs podem ser expressas como uma nica LMI..................................27
3.3 A generalidade das LMIs...........................................................................................28
3.3.1 Restries lineares podem ser expressas por uma LMI.........................................28
3.3.2 Estabilidade de sistemas lineares...........................................................................29
3.3.3 Estabilidade de sistemas variantes no tempo e no lineares.................................30

3.3.4 O complemento de Schur.......................................................................................31


3.3.5 Valor singular mximo...........................................................................................32
3.3.6 Desigualdade Elipsoidal.........................................................................................33
3.3.7 Desigualdade algbrica de Riccati.........................................................................33
3.3.8 Lema real limitado..................................................................................................34
3.3.9 Lema real positivo..................................................................................................35
3.3.10 Procedimento S.....................................................................................................36
3.4 Problemas de otimizao...........................................................................................38
3.4.1 Programao semidefinida.....................................................................................38
3.4.2 Problema do autovalor generalizado.....................................................................39
3.5 Mtodos de soluo...................................................................................................40
3.5.1 Algoritmo do Elipside..........................................................................................41
3.5.2 Mtodo de pontos interiores...................................................................................43
IV. Simulao LQR LMI...........................................................................................47
4.1 Modelagem do sistema de nvel de lquido...............................................................47
4.2 Modelagem politpica...............................................................................................51
4.3 Formulao LMI para o problema LQR....................................................................52
4.3.1 Controle LQR com ao integral...........................................................................52
4.3.2 O problema LQR LMI.........................................................................................53
4.4 Simulao e resultados..............................................................................................58
V CONCLUSES..........................................................................................................62
APNDICES..............................................................................................................63
REFERNCIAS.........................................................................................................95

Captulo I

Reviso bibliogrfica sobre as LMIs

As LMIs so desigualdades matriciais lineares (ou afins) em um conjunto de


variveis matriciais. Muitos problemas na teoria de controle podem ser estabelecidos em
termos de LMIs e sua existncia foi descoberta h aproximadamente cem anos atrs
pelo trabalho de Lyapunov. Contudo, at recentemente, existiam poucas rotinas
disponveis para resolver numericamente as LMIs. Nas duas ltimas dcadas percebe-se
um incremento significativo do desenvolvimento de rotinas numricas sofisticadas
tornando possvel a soluo de problemas de LMIs. Estas rotinas exploram a
convexidade do problema LMI para tornar a obteno dos clculos numricos
confiveis.
Na perspectiva da engenharia de controle, uma das principais atraes das
LMIs que elas podem ser usadas para solucionar problemas que envolvem vrias
variveis matriciais, e, alm disso, diferentes estruturas podem ser impostas nessas
variveis matriciais.
Apesar da aparente relao tardia entre descries por LMIs e vrias frentes
em teoria de controle, ela no um fato recente. A primeira descrio por LMIs em
teoria de controle surgiu do estudo sobre estabilidade em equaes diferenciais, que
data 1892, apresentado na tese de doutorado de Aleksandr Mikhailovich Lyapunov
(Lyapunov, 1992). Entre as dcadas de 1940-1960, A. I. Lure, V. A. Yakubovich,
dentre outros pesquisadores na antiga Unio Sovitica, formularam vrios problemas
em controle no contexto de LMIs. No incio da dcada de 1970, j se conheciam
descries explcitas por LMIs para o controle linear quadrtico timo conforme
apresentado em Willems (1971), bem como condies de existncia de soluo para
LMIs associadas ao controle linear quadrtico (Molinari, 1975). No livro Boyd et al.
(1994) pode-se encontrar um timo histrico sobre o desenrolar das LMIs em controle.
No entanto, durante este longo perodo, a comunidade de controle viu-se
privada de uma leitura profunda de como as descries por LMIs poderiam ser,
efetivamente, manipuladas para gerarem solues numricas dentro da teoria de

controle no apenas no contexto do estudo de existncia de solues ou formas


indiretas para a sua resoluo (por exemplo, usando Riccati, que um instrumento
especfico para solucionar LMIs). Alm disso, havia dificuldades explcitas da
comunidade de controle em agregar tcnicas numricas eficientes para a soluo de
problemas de otimizao semidefinida no formato apropriado teoria de controle, pea
fundamental para que as LMIs pudessem se tornar um instrumento genrico e efetivo
de que lanar mo. Este tipo de discusso, levantado ainda em 1971 por J. C. Willems
reflete o esprito de trabalho e metodologia que envolveu a comunidade de teoria de
controle (Boyd et al., 1994).
Uma questo fundamental na teoria de sistemas a construo de funes de
Lyapunov, tanto para a anlise de estabilidade quadrtica quanto para a sntese de
controladores. O estudo de sistemas lineares com parmetros incertos avanou muito
nas ltimas duas dcadas graas a tcnicas de investigao de domnios de estabilidade
e de controle robusto derivadas de funes de Lyapunov (Leite et al., 2002).
A denominada estabilidade quadrtica, isto , a existncia de uma mesma
funo de Lyapunov, independente dos parmetros incertos, garantindo a estabilidade
robusta do sistema para o domnio de incertezas considerado, foi talvez o resultado mais
importante da dcada de 80 (Barmish, 1985). Partindo das condies de estabilidade
quadrtica, inmeros resultados de anlise, controle e filtragem robusta com critrios
como as normas H2 e H puderam ser desenvolvidas (Boyd et al., 1994).
Apesar de a estabilidade quadrtica ser especialmente adequada anlise de
sistemas incertos com parmetros variantes no tempo, os resultados obtidos podem ser
bastantes conservadores em muitas situaes (Leite et al., 2002). Vrias extenses tm
aparecido na literatura para anlise e sntese de controladores para sistemas lineares
incertos. Resultados menos conservadores tm sido obtidos a partir de funes de
Lyapunov dependentes de parmetros (Feron et al., 1996). Alguns trabalhos tm
abordado o problema atravs de funes de Lyapunov quadrticas por partes (Rantzer e
Johansson, 2000), mas a soluo numrica, em geral, requer elevado esforo
computacional.
Considerando apenas sistemas lineares incertos contnuos e invariantes no
tempo destacam-se as abordagens apresentadas em (Geromel, de Oliveira e Hsu, 1998)
por estarem formuladas em termos de LMIs e pela facilidade de resoluo numrica.
Uma extenso desses resultados apresentada em (Peaucelle et al., 2000), tratando
diferentes regies convexas dentro do plano convexo. O enfoque principal contido

nessas abordagens est no aumento da ordem das LMIs e na incluso de novas


variveis, de maneira a obter, com esses graus de liberdade adicionais, resultados menos
conservadores do que os conseguidos com a estabilidade quadrtica. Nesses trabalhos, a
estabilidade robusta garantida por uma funo de Lyapunov dependente de
parmetros, construda a partir de matrizes de Lyapunov que so solues factveis para
um conjunto de LMIs descritas nos vrtices do domnio de incertezas. Apesar de
fornecer resultados melhores do que os obtidos com a estabilidade quadrtica, essas
condies ainda so conservadoras quando comparadas com o real domnio de
estabilidade, provavelmente pelo fato de exigirem que uma ou mais variveis satisfaam
conjuntamente todas as LMIs. Condies menos conservadoras, para os casos de
maiores dimenses, foram apresentadas em (Ramos e Peres, 2002), baseadas na
construo apropriada de um nmero maior de LMIs descritas em funo dos vrtices
do politopo de incertezas, denominadas de estabilidade robusta.
Com relao aos sistemas discretos no tempo, os testes de estabilidade
evoluram de maneira bastante similar. Dentre os testes baseados em funes de
Lyapunov dependentes de parmetros destacam-se as abordagens LMI apresentadas em
(de Oliveira, Bernussou e Geromel), (de Oliveira, Geromel e Hsu, 1999) e (Peaucelle et
al., 2000) (aumento da ordem das LMIs e incluso de novas variveis) e, mais
recentemente, em (Ramos e Peres, 2001) (aumento do nmero de LMIs).
A estabilidade robusta de sistemas um assunto bastante explorado na teoria
de controle. Trabalhos recentes tm feito a anlise de estabilidade usando LMIs (Chilali
et al., 1999). O principal motivo que a soluo de problemas de otimizao, com
restries descritas por LMI e funo objetivo linear, pode ser obtida usando algoritmos
com tempo de convergncia polinomial (Gahinet et al, 1995). A maior parte dos
resultados s considera a realimentao de estados. Contudo, existem problemas
prticos em que a derivada primeira dos estados mais fcil de obter do que os sinais
dos estados. Tcnicas de projeto de controle, para sistemas lineares usando
realimentao da derivada dos estados (ou, realimentao derivativa), tm sido
exploradas sob vrias metodologias. Em (Abdelaziz et al, 2004) apresentada uma
soluo para plantas com uma entrada e uma sada (SISO). Os autores desenvolveram
uma frmula de Ackermann generalizada. Usando o conceito de estados recproco (do
ingls, Reciprocal State Space (RSS)), um projeto para controle timo (LQR) de
sistemas lineares determinsticos, foi proposto por (Kwak et al, 2002). Infelizmente
nenhum desses resultados pode ser aplicado em sistemas incertos. Recentemente,

condies suficientes, baseadas em LMI, para a estabilidade robusta de sistemas


lineares usando realimentao derivativa, foram propostas em (Assuno et al, 2007).
Em (Rossi et al, 2008) foram utilizados os resultados obtidos em (Assuno et
al, 2007) onde foram propostas condies necessrias e suficientes, baseadas em LMI,
para que sistemas lineares realimentados com a derivada dos estados sejam
assintoticamente estveis. Se a planta possui restries de desempenho, nem sempre a
estabilizao suficiente. Para resolver este caso, foram adicionadas restries clssicas
de projeto de controlador (porcentagem de overshoot, tempo de subida, tempo de
acomodao) utilizando o conceito de D-estabilidade de sistemas, visando a alocao de
plos em regies desejadas. As tcnicas de projeto abordadas em (Rossi et al, 2008) so
baseadas em critrios modernos de estabilidade e projeto de controladores. Para o
projeto destes controladores so implementados programas em pacotes para resoluo
das LMIs e posterior anlise dos resultados obtidos. Um exemplo de sistema mecnico
para controle de vibraes demonstra que o projeto de controlador utilizando
realimentao da derivada dos estados e o conceito de D-estabilidade no apenas
garante a estabilidade assinttica do sistema, mas possibilita atender os ndices de
desempenho desejados.

1.1 Objetivo geral do trabalho


Utilizar um sistema de nvel de lquido com dois tanques interligados como
planta com o intuito de model-la, e, desenvolver um controlador que garanta a sua
estabilidade quadrtica quando esta submetida a perturbaes externas incertas
definidas em um politopo.

1.2 Objetivos especficos do trabalho


Apresentar o estudo da otimizao convexa como mecanismo fundamental para
o tratamento das LMIs em problemas de controle robusto.

Mostrar que pela propriedade da convexidade do conjunto soluo das LMIs


possvel formular problemas em controle robusto como sendo problemas de
otimizao convexa que minimizam uma funo objetivo linear de um vetor de
variveis de deciso, sujeito a restries do tipo desigualdades matriciais
lineares.

y Apresentar a formulao matemtica dos conceitos de otimizao via


desigualdades matriciais lineares (LMIs) no controle LQR com ao integral
(LQI).

y Aplicar os conceitos de otimizao LMI-LQI para o projeto de controle robusto


multivarivel (planta em questo), analisando a resposta no tempo considerando
as incertezas paramtricas politpicas presentes no processo.

1.3 Estrutura do trabalho

O presente trabalho est dividido em 5 captulos, organizados na seguinte


forma:

Captulo I: reviso bibliogrfica sobre as LMIs.

Captulo II: estudo da otimizao convexa.

Captulo III: estudo das LMIs.

Captulo IV: formulao do problema LQI-LMI.

Captulo V: concluses do trabalho.

1.4 Publicao originada deste trabalho

Leite, Kelson. S., Costa, Marcus V.S., Campos, J. C.T. Aplicao e anlise de controle
LQR com ao integral robusta multivarivel otimizado via desigualdades matriciais
lineares. X Conferncia brasileira de dinmica, controle e aplicaes, Setembro de
2011. guas de Lindia SP.

Captulo II

Introduo ao estudo da otimizao convexa


A otimizao convexa pode ser descrita como uma fuso de trs disciplinas:
otimizao, a anlise convexa, e, a teoria dos conjuntos. Ela se tornou uma ferramenta
de grande importncia na engenharia, possibilitando a soluo de muitos problemas
prticos de engenharia de forma confivel e eficiente. Hoje, a otimizao convexa est
fornecendo novas ferramentas computacionais indispensveis, o que naturalmente
estende nossa capacidade de resolver problemas, tais como mnimos quadrados e
programao linear para uma classe muito maior e mais rica de problemas (Hindi,
2004).

2.1 Otimizao matemtica

Um problema de otimizao matemtica, ou simplesmente problema de


otimizao, tem a forma (Bertsimas e Tsitsiklis, 1997):

minimizar f 0 (x)
(2.1)
sujeito a f i (x) b i , i = 1, ..., m.

Onde o vetor x = (x1, ..., xn) a varivel de otimizao do problema, a

funo f0 : n a funo objetiva, as funes f i so as funes restritivas

(desigualdades), e as constantes b1, ..., bm so os limites, para as restries.

Geralmente considera-se famlias ou classes de problemas de otimizao,


caracterizadas pelas formas particulares das funes objetivas e das funes restritivas.
Como um exemplo importante, o problema de otimizao (2.1) chamado de programa
linear se as funes objetivas e as funes restritivas f 0 , ..., f m so lineares, isto ,

satisfazem o princpio da superposio, a saber

fi ( x + y) = fi (x) + fi (y) (2.2)


n
para todo x, y e todo , .

Neste trabalho, ser abordada uma classe de problema de otimizao chamada


de problema de otimizao convexa. Um problema de otimizao convexa aquele em
que as funes objetivas e restritivas so convexas, o que implica em satisfazer a
desigualdade (Bertsekas, 2003)

fi ( x + y) fi (x) + fi (y) (2.3)


n
para todo x, y e todo , com + = 1, 0, 0 . Comparando
(2.2) e (2.3), tem-se que a convexidade mais geral do que linearidade. Desde ento,
qualquer programa linear, , portanto, um problema de otimizao convexa, pode-se
ento considerar a otimizao convexa como sendo uma generalizao da programao
linear (Boyd, et al, 2004).

2.2 Solucionando problemas de otimizao

Um mtodo soluo para uma classe de problemas de otimizao um


algoritmo que calcula uma soluo do problema (para uma dada preciso), tomando um
problema particular da classe, isto , um caso do problema. Desde 1940, tem-se com
grande esforo desenvolvido algoritmos para solucionar vrias classes de problemas de
otimizao, analisando suas propriedades, e desenvolvendo boas implementaes de
softwares. A eficcia desses algoritmos, isto , sua habilidade para solucionar o
problema de otimizao (2.1), varia consideravelmente, e depende de fatores tais como
a forma particular das funes objetiva e restritiva, a quantidade de variveis e
restries, e estruturas especiais matriciais, tais como esparsividade (Boyd et al., 2004).
Para algumas classes de problemas de otimizao com solues difceis existem
algoritmos eficazes que podem solucion-los de forma confivel, com centenas ou
milhares de variveis de restries (Bertsimas e Tsitsiklis, 1997).

2.2.1 Programao linear

Uma importante classe de problemas de otimizao a programao linear, em


que as funes objetivas e restritivas so lineares (Boyd et al., 2004):

minimizar c T x
(2.4)
sujeito a a iT x b i , i = 1, ..., m.

n
Onde os vetores c, a1 , ..., am e os escalares b1, ..., bm so parmetros do
problema que especificam as funes objetiva e restritiva.

No existe uma frmula analtica simples para a soluo de um programa linear


(como existe para o problema dos mnimos quadrados), mas existe uma variedade de
mtodos muito eficazes para solucion-los, incluindo o mtodo simplex de Dantzigs, e
o mtodo dos pontos interiores (Gonzaga, 1992).

Algumas aplicaes conduzem diretamente a programas lineares na forma


(2.4), ou em vrias outras formas padres. Em muitos outros casos o problema de
otimizao original no tem uma forma padro de programa linear, mas pode ser
transformado para um programa linear equivalente e ento, resolvido (Dantzig, 1993)

2.3 Otimizao convexa

Nos ltimos anos, a otimizao convexa tem sido uma ferramenta


computacional de grande importncia na engenharia, como j foi mencionado na
introduo deste captulo, graas sua grande capacidade prtica de resolver problemas
de forma confivel e eficiente. O objetivo desta seo fornecer uma viso geral dos
conceitos bsicos de conjuntos convexos, funes convexas, etc. no intuito de formular
matematicamente um problema de otimizao convexa, que ser utilizado na
implementao do controlador LQI otimizado por LMIs .

2.3.1 Retas e segmentos de reta

Seja x1 x 2 dois pontos no n . Pontos na forma

y = x1 + (1 )x2 , (2.5)

onde , formam uma reta que passa atravs de x1 e x2. O valor do parmetro
= 0 corresponde a y = x2, e o valor do parmetro = 1 corresponde a y = x1. Os
valores do parmetro entre 0 e 1 corresponde ao segmento de reta entre x1 e x2
(Valentine, 1964)

.
Expressando y na forma

y = x 2 + (x1 x 2 ) (2.6)

tem-se outra interpretao: y uma soma do ponto base x2 (correspondente a = 0 ) e a


direo x1 x2 (nos pontos de x2 a x1) medido pelo parmetro . Assim, fornece a
frao da trajetria de x2 a x1 onde y est. Como aumenta de 0 a 1, o ponto y se move
de x2 para x1 ; para > 1 , o ponto y est na reta alm de x1 (Boyd et al., 2004). Isto est
ilustrado na figura 2.1.

Figura 2.1 - A reta que passa atravs x1 e x2 descrita parametricamente por x1 + (1 )x 2 , onde

varia em . O segmento de reta entre x1 e x2, que corresponde a de 0 a 1, mostrado em negrito.


2.3.2 Conjuntos afins

Um conjunto C n afim se a reta que une quaisquer dois pontos distintos

em C estiver em C, isto , se para algum x1, x2 C onde , tem-se que

x1 + (1 )x 2 C . Em outras palavras, C contm a combinao linear de quaisquer


dois pontos em C, contanto que a soma dos coeficientes na combinao linear seja 1
(Valentine, 1964).

Esta idia pode ser generalizada para mais que dois pontos. Um ponto na forma
1x1 + ...+ k xk , onde 1 + ...+ k = 1, dito ser uma combinao afim dos pontos x1,
..., x2. Usando a introduo da definio do conjunto afim, pode se mostrar que um
conjunto afim contm todas as combinaes afins desses pontos: Se C um conjunto
afim, x1, ..., xk C, e 1 + ... + k = 1, ento o ponto 1x1 + ...+ k xk tambm pertence a
C (Valentine, 1964).

Se C um conjunto afim e x0 C, ento o conjunto (Boyd et al., 2004)

V = C x 0 = {x x 0 | x C} (2.7)

um subespao, isto , V fechado em relao s operaes soma e produto por um


escalar. Para observar isto, seja v1, v2 V e , . Ento tem-se

que v1 + x 0 C e v2 + x 0 C, e ento

v1 + v2 + x 0 = (v1 + x 0 ) + (v 2 + x 0 ) + (1 )x 0 C, (2.8)

desde que C seja afim, e + + (1 ) = 1. Ento, conclui-se que v1 + v2 V ,

pois v1 + v2 + x 0 C .
Assim, o conjunto afim C pode ser expresso como

C = V + x 0 = {v + x 0 | v V}, (2.9)

isto , como um subespao mais um complemento. O subespao V associado com o


conjunto afim C no depende da escolha de x0, tal x0 pode ser escolhido como um ponto
de C. A dimenso de um conjunto afim C definida como a dimenso do subespao
V = C x 0 , onde x0 um elemento de C.

Exemplo 2.1- Conjunto soluo de equaes lineares. O conjunto soluo de um


sistema de equaes lineares, C = {x | Ax = b}, onde A mxn e b m , um

conjunto afim. Para mostrar isso, seja x1, x2 C , isto , Ax1 = b, Ax2 = b. Ento para
qualquer , tem-se que

A(x1 + (1 )x 2 ) = Ax1 + (1 )Ax2


= b + (1 )b (2.10)
= b,

que mostra que a combinao afim x1 + (1 )x2 est tambm em C. O subespao


associado ao conjunto afim C o espao nulo de A. Pode-se obter tambm o contrrio,
todo conjunto afim pode ser expressado como um conjunto soluo de um sistema de
equaes lineares.

O conjunto de todas as combinaes afins dos pontos em algum conjunto

C n chamado de casca afim de C, e denotado por aff C (Valentine, 1964):

aff C = {1x1 + ... + k x k | x1, ..., x k C, 1 + ... + k = 1}. (2.11)

A casca afim o menor conjunto afim que contm C, no seguinte sentido: se S um


conjunto afim com C S , ento aff C S .

2.3.3 Conjuntos Convexos

Um conjunto C convexo se o segmento de reta entre quaisquer dois pontos


em C est em C, isto , se para quaisquer x1, x2 C e qualquer com 0 1 , tem-
se que (Rockafellar, 1970)

x1 + (1 )x 2 C. (2.12)
Em outras palavras, pode-se dizer que um conjunto convexo se cada ponto no
conjunto puder ser visto por todos os outros pontos, ao longo de uma trajetria retilnea
desobstruda entre eles, onde o meio desobstrudo est no conjunto. Todo conjunto afim
tambm convexo, pois ele contm as retas inteiras entre quaisquer dois pontos
distintos nele, e, portanto, o segmento de reta entre os pontos (Hiriart-Urruty e
Lemarchal, 2001).. A figura 2.2 ilustra alguns conjuntos convexos e no convexos no
2.

Figura 2.2 Alguns conjuntos convexos e no convexos. esquerda: um hexgono, que inclui seus
limites (convexo) No centro: O conjunto na forma de uma lua no convexo, pois o segmento de reta
entre os pontos x e y no est contido totalmente no conjunto. direita: O quadrado contm alguns
pontos limitados e outros no, portanto no convexo.

Um ponto da forma 1x1 + ... + k x k , onde 1 + ... + k = 1 e i 0, i = 1, ..., k, uma


combinao convexa dos pontos x1, ..., xk. Pode-se mostrar tambm que um conjunto
convexo se e somente se ele contiver todas as combinaes convexas desses pontos
(Hiriart-Urruty e Lemarchal, 1993)

A casca convexa de um conjunto C, denotado por conv C, o conjunto de


todas as combinaes convexas dos pontos em C (Valentine, 1964):

conv C = {1x1 + ... + k x k | xi C, i 0, i = 1, ..., k, 1 + ... + k = 1} (2.13)


Como o prprio nome sugere a casca convexa conv C sempre convexa. o menor
conjunto convexo que contm C: Se B um conjunto convexo qualquer que contm C,
ento conv C B. A figura 2.3 ilustra a definio de casca convexa.

Figura 2.3 A casca convexa de um conjunto no 2 de quinze pontos formando um pentgono.

A idia de uma combinao convexa pode ser generalizada para incluir somas
infinitas, integrais e etc. Por exemplo, sejam 1, 2, ... tais que satisfaam (Boyd et al.,
2004)


i 0, i = 1, 2, ..., i = 1, (2.14)
i =1

e x1, x 2 , ..., C, onde C n convexo. Ento


i x i C, (2.15)
i =1

n
se a srie convergir. De uma forma mais geral, seja p : satisfazendo p(x) 0

para todo x C e C p( x ) dx = 1, onde C n convexo. Ento

p ( x ) x dx C, (2.16)
C

se a integral existir.

2.3.4 Cones convexos

Um conjunto C um cone, ou homogneo no negativo, se para todo x C e


0 tem-se que x C. Um conjunto C um cone convexo se para qualquer

x1, x2 C e 1, 2 0 , tem-se que (Berman, 1973)

1x1 + 2x2 C. (2.17)

Pontos desta forma podem ser descritos geometricamente na forma de uma fatia
bidimensional com pice em 0 e extremidades passando atravs de x1 e x2. (Ver figura
2.4).

Figura 2.4 A fatia mostra todos os pontos da forma 1x1 + 2x2, onde 1, 2 0. O pice da fatia
(que corresponde a 1 = 2 = 0) est em 0; as extremidades (que correspondem a 1 = 0 ou 2 = 0) passam
pelos pontos x e y.

Um ponto da forma 1x1 + ... + k x k com 1, ..., k 0 chamado de


combinao cnica (ou combinao linear no homognea) de x1, ..., xk. Se xi est em
um cone convexo C, ento toda combinao cnica de xi est em C. Pode-se dizer
tambm que, um conjunto C um cone convexo se e somente se ele contm todas as
combinaes cnicas de seus elementos. Assim como para as combinaes convexas
(ou afins), a idia da combinao cnica pode ser generalizada para somas infinitas e
integrais (Berman, 1973).

2.3.5 Exemplos de conjuntos convexos

Nesta seo sero apresentados alguns exemplos importantes de conjuntos


convexos. Sero apresentados inicialmente os conceitos de hiperplano e semi-espaos
com o objetivo de trazer uma interpretao geomtrica que ajudar na compreenso da
definio de um politopo que um conjunto convexo do tipo poliedro limitado.

2.3.5.1 Hiperplano e semiespao

Um hiperplano um conjunto da forma (Boyd et al., 2004)

{x | a T x = b }, (2.18)

n
onde a , a 0, e b . Analiticamente ele um conjunto soluo de uma
equao linear no trivial entre os componentes de x (e portanto um conjunto afim).

{T
}
Geometricamente, o hiperplano x | a x = b pode ser interpretado como um conjunto
de pontos com um produto interno constante para um dado vetor a, ou como um
hiperplano com vetor normal a; a constante b determina o complemento do
hiperplano da origem. Esta interpretao geomtrica pode ser entendida expressando o
hiperplano na forma (Boyd et al., 2004)

{x | a T (x x 0 ) = 0 }, (2.19)

onde x0 qualquer ponto no hiperplano (isto , qualquer ponto que satisfaa a T x 0 = b ).


Esta representao pode por sua vez ser expressa como (Boyd et al., 2004)

{ x | a T (x x 0 ) = 0 } = x 0 + a , (2.20)

onde a denota o complemento ortogonal de a, isto , o conjunto de todos os vetores


ortogonais:

{
a = v | aTv = 0 . } (2.21)
Isto mostra que o hiperplano consiste de um complemento x0, mais todos os vetores
ortogonais ao vetor a (normal). Estas interpretaes geomtricas so ilustradas na figura
2.5.

Figura 2.5 Hiperplano no 2 , com vetor normal a e um ponto x0 no hiperplano. Para qualquer ponto x
no hiperplano, x x0 (seta em negrito) ortogonal ao vetor normal a.

Um hiperplano divide o espao n em dois semiespaos. Um semiespao


(fechado) um conjunto da forma (Boyd et al., 2004)

{x | a T x b}, (2.22)
onde a 0, isto , o conjunto soluo de uma desigualdade linear (no trivial).
Semiespaos so convexos, mas no afins. Isto ilustrado na figura 2.6.

2
Figura 2.6 Um hiperplano definido por aTx = b no determina dois semiespaos. O semiespao
T
determinado por a x b (regio no sombreada) o semiespao estendido na direo a. O semiespao
determinado por aTx b (regio sombreada) estende na direo -a. O vetor a normal em relao a estes
semiespaos.

O semiespao (2.22) pode tambm ser expresso como (Boyd et al., 2004)

{x | a T (x x 0 ) 0 }, (2.23)

onde x0 qualquer ponto sobre o hiperplano associado, isto , que satisfaa a T x 0 = b.


A representao (2.23) sugere uma interpretao geomtrica simples: o semiespao
consiste em um x0 mais qualquer vetor que forma um ngulo obtuso (ou reto) com o
vetor normal a (normal externo). Isto est ilustrado na figura 2.7.

Figura 2.7 O conjunto sombreado o semiespao determinado por aT (x x0) 0. O vetor x1 x0 forma
um ngulo agudo com o vetor a, ento x1 no est no semi-espao. O vetor x2 x0 forma um ngulo
obtuso com o vetor a, e est, portanto, no semiespao.

A fronteira do semi-espao (2.24) o hiperplano { x | a T x = b }. O conjunto


{ x | a T x < b } , que o interior do semiespao { x | a T x b } , chamado de semiespao
aberto.

2.3.5.2 Poliedro e Politopo

Um poliedro definido como um conjunto soluo de um nmero finito de


igualdades e desigualdades lineares (Sonnevend, 1986)

{ }
P = x | a Tj x b j , j = 1, ..., m, c Tj x = d j , j = 1, ..., p . (2.24)

Um poliedro assim a interseco de um nmero finito de semiespaos e hiperplanos.


Conjuntos afins (por exemplo, subespaos, hiperplanos, retas), raios, segmentos de reta
e semiespaos so todos poliedros. Poliedros so conjuntos convexos. Um poliedro
limitado s vezes chamado de politopo, mas alguns autores usam a conveno
contrria (isto , politopo para qualquer conjunto na forma (2.24), e poliedro quando for
limitado). A figura 2.8 mostra um exemplo de um poliedro definido como uma
interseco de cinco semiespaos.

Figura 2.8 O poliedro P a interseco dos cinco semiespaos, com os vetores normais a1,..., a5.

Exemplo 2.2 Seja P um politopo descrito por cinco vrtices, P = conv {v1, v2, ..., v5},
lembrando que conv denota casca convexa (seo 2.3.4), como ilustrado na figura 2.9.
Qualquer ponto p P pode ser escrito atravs da combinao convexa dos vrtices:
5 5
p = i =1 i vi , i 0, i=1i = 1 (por exemplo, o ponto p2 = 1/3v4 + 2/3p1, e p1 =

1/2v1 + 1/2v2. Por analogia, pode-se supor que cada vrtice uma matriz A de um
conjunto de sistemas autnomos ( x& = Ax) (Aguirre, 2007).

Figura 2.9 Exemplo de um politopo com cinco vrtices.

Uma notao compacta usada para (2.26) (Boyd et al., 2004)

P = {x | Ax p b, Cx = d} (2.25)
onde

a1T c1T

A = M , C = M , (2.26)
a T c T
m p

e o smbolo p denota desigualdade vetorial ou desigualdade no que diz respeito s

componentes no m , por exemplo: u p v significa ui p vi para i = 1, ..., m. Esta

notao ( p) ser muito utilizada no captulo 3 no contexto usual para sinais de matrizes.

Exemplo 2.3 O ortante no negativo o conjunto de pontos com componentes no


negativas, ou seja,

{ }{
+n = x n | x i 0, i = 1, ..., n = x n | x f 0 . } (2.27)

(Aqui + denota o conjunto de nmeros reais no negativos: + = {x | x 0}). O


ortante no negativo um poliedro e um cone, portanto, chamado de cone poliedral.

2.3.5.3 Cone semidefinido positivo

n n
O conjunto S+ um cone convexo se 1, 2 0 e A, B S+ , ento

1A + 2BSn+ . Isto pode ser visto diretamente da definio da semidefinio positiva:

para qualquer x n , tem-se (Berman, 1973)

x
T
(1A + 2B)x = 1xTAx + 2xTBx 0 , (2.28)

se A f 0, B f 0 e 1, 2 0.

Observaes:

n
A notao S denota um conjunto de matrizes simtricas n x n, onde

n
{
S = X
nxn
}
| X = X T , (2.29)

que um espao vetorial com dimenso n(n + 1)/2.


n
A notao S+ denota um conjunto de matrizes simtricas semidefinidas positivas,

onde:

{ }
S+ = X S | X f 0 . (2.30)
n n

n
A notao S+ + denota um conjunto de matrizes simtricas definidas positivas, onde:

{ }
S+ + = X S | X f 0 . (2.31)
n n

(Estas duas ltimas notaes tm o significado anlogo ao de + , que denota os reais

no negativos, e + + , que denota os reais positivos, respectivamente.)

Exemplo 2.4: O cone semidefinido positivo no S2. Tem-se (Boyd et al., 2004)

x y
X= S+2 x 0, z 0, xz y2 . (2.32)
y z

Os limites deste cone so mostrados na figura 2.10, traado no 3 como (x, y, z).

Figura 2.10 Limites de um cone semidefinido positivo no S2.


2.3.6 Funes afins

Uma funo f : n m afim se for uma soma de uma funo linear e uma
constante, isto , se ela tiver a forma f(x) = Ax + b, onde A mxn e b m . Seja

S n convexo e f : n m uma funo afim, ento a imagem de f em S, (Roberts


e Varberg, 1973)

f (S) = { f (x) | x S }, (2.33)


convexa.

2.3.7 Funes convexas

A funo f : n convexa se o dom f (domnio de f) um conjunto


convexo e se para todo x, y dom f , e com 0 1 , tem-se, portanto que (Roberts e
Varberg, 1973)

f (x + (1 ) y) f (x) + (1 ) f (y). (2.34)

Geometricamente, esta desigualdade significa que o segmento de reta entre (x, f (x)) e

(y, f (y)) , que uma corda de x para y, est sobre o grfico de f (figura 2.11).

Figura 2.11- Grfico de uma funo convexa. A corda (segmento de reta) entre quaisquer dois pontos do
grfico est sobre o grfico.

2.3.8 O problema de otimizao convexa

Enfim, a seguir ser apresentado o formalismo matemtico de um problema de


otimizao convexa, que ser utilizado na implementao do controlador LQI otimizado
por LMIs (captulo 4).

Um problema de otimizao convexa aquele na forma (Boyd et al., 2004)

minimizar f 0 (x)
(2.35)
sujeito a fi (x) bi i = 1, ..., m,

onde as funes f 0 , ..., f m : n so convexas, isto , satisfazem

fi (x + y) f i (x) + f i (y) (2.36)

n
para todo x, y e todo , com + = 1, 0, 0. O problema dos
mnimos quadrados e o problema de programao linear so ambos casos especiais do
problema de otimizao convexa geral (2.35).

No existe uma frmula analtica geral para a soluo de problemas de


otimizao convexa, mas (como nos problemas de programao linear) existem muitos
mtodos eficientes para solucion-los. O mtodo dos pontos interiores muito
trabalhado na prtica, e em alguns casos pode-se demonstrar a soluo de um problema
com uma especificada preciso com um nmero de operaes sem exceder os
problemas de dimenses de um polinmio (Ben-Tal e Nemirovski, 2001)

Como os mtodos para a soluo de programas lineares, o mtodo dos pontos


interiores so muito confiveis. Pela explorao da estrutura do problema (tal como
disperso), pode-se resolver uma variedade de problemas, com muitas centenas de
variveis e restries (Alizadeh et al., 1998).

No se pode ainda exigir que a soluo de um problema de otimizao convexa


seja um tecnologia madura, como a soluo dos problemas dos mnimos quadrados ou
programao linear. Mas razovel esperar que a soluo geral para o problema de
otimizao convexa se tornar uma tecnologia dentro de alguns anos.

Captulo III

Desigualdades matriciais lineares


Introduo

O uso de desigualdades matriciais lineares (LMIs), na teoria de controle


comeou a se desenvolver a partir da dcada de 80, com a criao e aperfeioamento de
algoritmos de otimizao convexa, como pontos interiores. A partir de ento muitos dos
resultados usuais da teoria de controle e sistemas, esto sendo reescritos como LMIs
(Trofino, 2000).

Uma desigualdade matricial linear (LMI) uma restrio convexa,


consequentemente, problemas de otimizao com funes objetivas convexas e
restries LMI so solucionadas atravs de algoritmos como o de Nemirovskii
(Nemirovskii e Gahinet, 1994). O estudo com LMIs tem sido de grande importncia na
procura de solues para problemas de controle, pois, permite o tratamento simultneo
de vrios requisitos de desempenho e robustez. Outro ponto de suma importncia que
na abordagem LMI, a busca de solues para problemas mais complexos,
principalmente quando h presena de elementos incertos, pode ser simplificada devido
s propriedades de convexidade e linearidade (Trofino, 2000).

A forma de uma LMI bem geral. Desigualdades lineares, desigualdades


quadrticas convexas, desigualdades de normas matriciais, e vrias restries da teoria
de controle tais como desigualdades de Lyapunov e Riccati podem ser escritas como
LMIs (Boyd et al., 1994). Assim, as LMIs so usadas para resolver uma ampla
variedade de problemas de otimizao e controle.

Neste captulo, sero apresentados os conceitos bsicos para a formulao LMI


na anlise e desempenho de sistemas lineares para os casos invariantes no tempo e
incerto.

3.1 Desigualdades matriciais lineares definio matemtica

Uma desigualdade matricial linear (LMI) tem a forma (Boyd et al., 1994):

m
F( x ) = F0 + x i Fi f 0 (3.1)
i =1

onde x m , Fi nxn . A desigualdade significa que F(x) uma matriz definida


positiva, ou seja,

z T F( x ) z > 0, z 0, z n . (3.2)

As matrizes simtricas Fi, i = 0, 1, ..., m so fixas e x a varivel. Assim, F(x) uma


funo afim dos elementos de x.

A equao (3.1) uma LMI estrita. Para F(x) semidefinida positiva tem-se uma
LMI no estrita. Uma LMI estrita factvel se o conjunto {x | F(x) > 0} no vazio
(uma definio similar aplicada em LMIs no estritas). Qualquer LMI no estrita
factvel pode ser reduzida a uma LMI estrita factvel equivalente eliminando restries
de igualdade implcita e, em seguida, reduzindo a LMI resultante, removendo qualquer
espao nulo constante (Boyd et al., 1994, pgina 19). Em outras palavras, a LMI F(x)
um funcional afim, mapeando um espao vetorial na entrada, em um cone de matrizes
simtricas semidefinidas negativas na sada. Portanto, uma propriedade inerente das
LMIs apresentar simetria em sua estrutura. De outra forma, uma LMI pode ser vista
como uma desigualdade com elementos matriciais e simtrica.

3.2 Propriedades das LMIs

Ser utilizado aqui algumas noes sobre funes e conjuntos convexos. A


seguir so apresentadas algumas das principais propriedades bsicas das LMIs.

3.2.1 Equivalncia entre LMI e desigualdades polinomiais

importante representar uma LMI em termos de desigualdades escalares. Mais


especificamente, a LMI (3.1) equivalente a n desigualdades polinomiais. Para verificar

isto, ser considerado o resultado (bem conhecido na teoria matricial, por exemplo,
pgina 951 de Wylie e Barrett (1995)) em que uma matriz simtrica real A definida
positiva se e somente se todos os seus menores principais forem positivos. Seja Aij o ij-
simo elemento de A. Lembrando que os menores principais de A so

A11 A12 A13 A11 L A1n


A A12
A11 , det 11 , det A 21 A 22
A 23 , ... det M M (3.3)
A 21 A 22
A
31 A 32 A 33 A
n1 L A nn

Este resultado aplicado no intuito de afirmar que a LMI (3.1) equivalente a:

m
F0,11 + x i Fi,11 > 0 (uma desigualdade linear)
i =1

m m m m
F0,11 + x i Fi,11 F0,22 + x i Fi,22 F0,12 + x i Fi,12 F0,21 + x i Fi,21 > 0

i =1 i =1 i =1 i =1

(uma desigualdade quadrtica)

F( x )11 L F( x )1k

det M M > 0 (desigualdade polinomial de ordem k)
F( x )
k1 L F( x ) kk

det(F(x)) > 0 (desigualdade polinomial de ordem n)

As n desigualdades polinomiais variam em x da primeira ordem para ordem n.

3.2.2 Convexidade

Um conjunto C convexo se y + (1 )y C para todo x, y C e (0, 1)

(Peressini et al., 1988). Uma importante propriedade das LMIs que o conjunto {x |
F(x) > 0} convexo, ou seja, a LMI (3.1) constitui uma restrio convexa em x. Para

verificar isto, seja x e y dois vetores tais que F(x) > 0 e F (y) > 0, e seja (0, 1).
Ento, aplicando a convexidade em (3.1) tem-se que

m
F(x + (1 ) y ) = F0 + (x i + (1 ) y i )Fi
i =1

m m
= F0 + (1 )F0 + xiFi + (1 ) yiFi
i =1 i =1

m m
= F0 + x i Fi + (1 ) F0 + yi Fi


i =1 i =1

= F( x ) + (1 ) F( y ) > 0 (3.4)

e a prova est completa, pois x tambm soluo da LMI. Essa propriedade


fundamental no desenvolvimento e aplicao de algoritmos eficientes para a soluo de
LMI.

3.2.3 Mltiplas LMIs podem ser expressas como uma nica LMI

Uma das vantagens na representao de problemas de controle de processos


com LMI a capacidade em considerar mltiplas necessidades de controle anexando
LMIs adicionais. Seja um conjunto definido por q LMIs:

1 2 q
F ( x ) > 0; F ( x ) > 0; ... ; F ( x ) > 0 (3.5)

Ento, uma nica LMI equivalente pode ser dada por (Gahinet et al., 1995).

{ }
m
F( x ) = F0 + x i Fi = diag F1 ( x ), F 2 ( x ),..., F q ( x ) > 0, (3.6)
i =1

onde

{ }
Fi = diag Fi1 , Fi2 ,..., Fiq , i = 0,..., m (3.7)

e diag{X1, X2, ..., Xq} uma matriz bloco diagonal com blocos X1, X2, ..., Xq. Este
resultado pode ser provado pelo fato que os autovalores da matriz bloco diagonal so
iguais a unio dos autovalores dos blocos.

3.3 A generalidade das LMIs

Esta seo apresenta como muitas desigualdades comuns podem ser escritas
como LMIs. Alm disso, muitas propriedades de interesse da teoria de controle podem
ser escritas exatamente em termos da factibilidade de uma LMI. Tal problema
conhecido como problema de factibilidade LMI.

3.3.1 Restries lineares podem ser expressas por uma LMI

Restries lineares esto em toda parte nas aplicaes em controle de


processos. O modelo do controle preditivo tornou-se o mtodo mais popular para
projetos de controladores multivariveis em muitas indstrias, principalmente pela
capacidade de enderear as restries nas variveis do processo (Garcia et al., 1989).
Formulaes do modelo do controle preditivo como programao linear padro e
programao quadrtica podem ser escritos em termos de LMIs. Ser mostrado o
primeiro passo, de como escrever restries lineares nas variveis do processo como
restries LMIs (Ricke, 1990).

Seja a restrio linear geral Ax < b escrita como n desigualdades escalares:

m
b i A ij x j > 0, i = 1, ..., n (3.8)
j =1

onde b n , A nxm , e x m . Cada uma das n desigualdades escalares uma


LMI. J que mltiplas LMIs podem ser escritas como uma nica LMI, ento a
desigualdade (3.8) pode ser expressa como uma nica LMI.

3.3.2 Estabilidade de sistemas lineares

Estabilidade uma das necessidades mais bsicas para qualquer sistema em


malha fechada. Alguns mtodos para analisar a estabilidade de sistemas lineares so
tratados em livros textos sobre controle de processos tais como Ogunnaike (1994) e
Packard (1992). Alm disso, alguns processos no lineares podem ser analisados (pelo
menos em algum grau) com tcnicas lineares realizando uma mudana de variveis
(Ogunnaike e Wright, 1997).

O mtodo de Lyapunov para analisar estabilidade descrito em muitos textos


de dinmica de processos (Himmelblau e Bischoff, 1968). A idia bsica encontrar
uma funo de estado definida positiva (chamada funo de Lyapunov) cuja derivada no
tempo definida negativa. Uma condio necessria e suficiente para o sistema linear

x& = Ax (3.9)

ser estvel a existncia de uma funo de Lyapunov V(x) = xTPx, onde P uma matriz
simtrica definida positiva tal que a derivada no tempo de V negativa para todo x 0
(Perlmutter, 1972):

dV ( x )
= x& T Px + x T Px&
dt

( )
= x T A T P + PA x < 0, x 0 (3.10)

T
A P + PA < 0 (3.11)

A expresso (3.11) uma LMI, onde P a varivel. Para verificar isto, basta
selecionar uma base para uma matriz simtrica n x n. Como exemplo de base, para i j
seja Eij uma matriz com os elementos (i, j) e (j, i) iguais a 1, e todos os outros elementos
iguais a 0. Existem m = n(n + 1)/2 matrizes Eij linearmente independentes e qualquer
matriz simtrica P pode ser escrita unicamente como

n n
P = Pij E ij , (3.12)
j =1i j

onde Pij o (i, j) elemento de P. Assim a matriz Eij forma uma base para a matriz
simtrica n x n (de fato, se as colunas de cada Eij so vetores colunas, ento os vetores
resultantes formam uma base ortogonal).

Substituindo P em (3.11) em termos das matrizes bases dada (3.12) tem-se uma
forma alternativa para a desigualdade de Lyapunov, ou seja,

n n
n n
T ij ij
A P + PA = A Pij E + Pij E A
T

j =1i j j =1i j

Pij (A T E ij + E ijA ) < 0 (3.13)


n n
=
j =1i j

que est na forma da LMI (3.1), com F0 = 0 e Fk = - ATEij - EijA, para k = 1, ..., m. Os
elementos do vetor x em (3.1) so os Pij, com i j.

3.3.3 Estabilidade de sistemas variantes no tempo e no lineares

Alguns processos comumente encontrados nas aplicaes de controle podem


ser adequadamente modelados como linear invariante no tempo (LTI). Entretanto,
muitos outros no podem ser analisados adequadamente usando tcnicas LTI (Arkun et
al., 1998) (VanAntwerp et al., 1997).

Na seo anterior foi mostrado como testar a estabilidade de um sistema linear


representando-o como um problema de factibilidade LMI. Agora ser considerada a
generalizao do problema de testar a estabilidade de um conjunto de sistemas lineares
variantes no tempo descrevendo-o como uma casca convexa de matrizes (uma matriz
politopo):

x& = A ( t ) x , A(t) Co{A1 , ..., A L } (3.14)

Uma forma alternativa para escrever (3.14) seria (Pardalos e Rosen, 1987):

L L
x& = A( t ) x, A(t) = i Ai , i 0, i = 1 .(3.15)
i =1 i =1

Uma condio necessria e suficiente para a existncia de uma funo


quadrtica de Lyapunov V(x) = xTPx que prova a estabilidade de (3.15) a existncia
de P = PT > 0 que satisfaa:

dV ( x )
= x& T Px + x T Px& < 0, x 0, A(t) Co{A1, ..., A L }(3.16)
dt

T
[T
x A ( t ) P + PA ( t ) x < 0, ] x 0, A(t) Co{A1 , ..., A L } (3.17)

T
A ( t ) P + PA ( t ) < 0, A(t) Co{A1 , ..., A L } (3.18)

T
L L L
i A i P + P i A i < 0,
i 0, i = 1 (3.19)

i =1 i =1 i =1

( )
L L
i AiT P + PA i < 0, i 0, i = 1 (3.20)
i =1 i =1

T
A i P + PA i < 0, i = 1, ..., L (3.21)

A procura por um P que satisfaa estas desigualdades um problema de


factibilidade LMI. Esta condio tambm suficiente para a estabilidade de sistemas
no lineares variantes no tempo onde o Jacobiano do sistema no linear est contido
dentro da casca convexa em (3.15) (Liu, 1968).

3.3.4 O complemento de Schur

O complemento de Schur converte uma classe de desigualdades no lineares


convexas que aparecem regularmente nos problemas de controle em uma LMI. As
desigualdades no lineares convexas so (Laub, 1979)

R ( x ) > 0, Q(x) - S(x)R(x) -1S( x ) T > 0, (3.22)

onde Q(x) = Q(x)T, R(x) = R(x)T, e S(x) so funes afins em x. O lema do


complemento de Schur converte este conjunto de desigualdades no lineares convexas
numa LMI equivalente, a saber

Q( x ) S( x )
S( x )T > 0. (3.23)

R ( x )

Uma prova do complemento de Schur usando apenas o clculo elementar


dada no apndice. A seguir, o complemento de Schur ser aplicado em vrias
desigualdades que aparecem no controle de processos.

3.3.5 Valor singular mximo

O valor singular mximo mede o ganho mximo de um sistema multivarivel,


onde a magnitude do vetor de entrada e sada quantificado pela norma Euclidiana
(Skogestad, 1996). Ele muito utilizado tambm para quantificar a robustez e o
desempenho no domnio da freqncia em sistemas multivariveis (Morari e Zafiriou,
1989).

O valor singular mximo de uma matriz A com dependncia afim em x


denotado por (A ( x ) ) , que a raiz quadrada dos autovalores de A(x)A(x)T. A
desigualdade (A ( x ) ) < 1 uma restrio convexa no linear em x que pode ser escrita
como uma LMI usando o complemento de Schur:

(A ( x ) ) < 1 A(x)A(x) < I


T
(3.24)

1 T
I A ( x ) I A ( x ) > 0 (3.25)

I A(x)
> 0 (3.26)
A(x)
T
I

Nas expresses acima A(x) corresponde a S(x) na LMI (3.23), Q(x) e R(x)
correspondem a I.

3.3.6 Desigualdade Elipsoidal

Restries elipsides so importantes em identificao de processos, estimao


de parmetros, e estatstica (Beck e Arnold, 1997).

Um elipside descrito por (Braatz e Crisalle, 1998)

(x x c )T P 1(x x c ) < 1, P = P T > 0 (3.27)

pode ser expresso como uma LMI usando o complemento de Schur com Q(x) = I,
R(x) = P, e S(x) = (x xc)T:

1 (x x c )T > 0. (3.28)

(x x c )

P

3.3.7 Desigualdade algbrica de Riccati

As equaes algbricas de Riccati so usadas extensivamente em controle


timo, como descrito nos livros textos sobre controle de processo avanado (Ray, 1981)
(Skogestad, 1988). Um resultado envolvendo a equao de Riccati pode ser substitudo
por um resultado equivalente onde a igualdade substituda por uma desigualdade
(Willems, 1971). Mais especificamente, estes controladores timos podem ser
construdos calculando uma matriz P simtrica definida positiva que satisfaa a
desigualdade algbrica de Riccati:

T 1 T
A P + PA + PBR B P + Q < 0 (3.29)

onde A e B so fixos, Q uma matriz simtrica fixa, e R uma matriz fixa simtrica
definida positiva.

A desigualdade de Riccati quadrtica em P, mas pode ser expressa como uma


desigualdade matricial linear aplicando o complemento de Schur:

A T P PA Q PB
T > 0. (3.30)


B P R

As duas sees a seguir fornecem exemplos sobre a desigualdade algbrica de


Riccati para analisar as propriedades de sistemas lineares e no lineares.

3.3.8 Lema real limitado

O lema real limitado forma uma base para a abordagem LMI em controle de
processos robustos (VanAntwerp et al., 1997). Embora o lema real limitado tenha
aplicao para o controle de processos lineares e no lineares, o resultado atual
baseado na representao em espao de estado de um sistema linear

x& = Ax + Bu , y = Cx + Du, x(0) = 0 (3.31)

onde A nxn , B nxp , C pxn , e D pxp so fornecidos. Supondo que A seja


estvel e que (A, B, C) seja mnimo (Kailath, 1980), a matriz funo de transferncia
ser

G (s ) = C(sI A ) B + D .(3.32)
1

O desempenho de pior-caso de um sistema medido em termos da integral do


erro quadrtico da entrada e sada quantificado pela norma H (Zhou et al., 1995):

G (s)
= sup (G (s) ) = sup (G ( j) ). (3.33)
Re( s ) > 0

A norma H pode ser escrita em termos de uma LMI. Para verificar isto, ser
usado um resultado da literatura (Zhou et al., 1988) em que a norma H de G(s) menor
que se e somente se 2I DTD > 0 e existe um P = PT > 0 tal que

( T T T
) (
2 T
A P + PA + C C + PB + C D I D D )( ) (B P + D C) < 0 (3.34)
1 T T

O complemento de Schur implica que esta desigualdade de Riccati


equivalente para a existncia de P = PT > 0 tal que a seguinte LMI seja verdadeira:

[ A T P + PA + CT C ] [PB + C D] > 0 (3.35)


T


[
BT P + D T C ] 2 I DT D

que equivalente a

A T P + PA + CT C PB + CT D
< 0. (3.36)
BT P + D T C DT D 2 I

comum incorporar pesos na entrada u e na sada y tal que a condio de


interesse seja que a norma H de W1(s)G(s)W2(s) menor que 1. Um sistema com a
norma H menor que 1 considerado estritamente real limitado. Esta condio
verificada testando a factibilidade da LMI usando as matrizes de espao de estado para
o produto W1(s)G(s)W2(s).

3.3.9 Lema real positivo

A anlise da robustez tem sido muito aplicada na literatura de controle de


processos. Uma propriedade que regularmente explorada no desenvolvimento de
ferramentas para anlise de robustez (Banjerdpongchai e How, 1998) para sistemas
lineares sujeito a perturbaes lineares ou no lineares denominada passividade (How
e Hall, 1993). O sistema linear (3.31) passivo se

0
T
u(t) y( t )dt 0 (3.37)

para todo u e 0. Esta propriedade equivalente para a existncia de um P = PT > 0


tal que (Boyd et al., 1994)

A T P + PA PB CT
T T 0. (3.38)
B P C D D

importante mostrar a relao entre o lema real limitado e o lema real positivo
(Anderson, 1972), especialmente porque ela frequentemente mencionada na literatura
de controle robusto. Um resultado padro da teoria de sistema (strom e Wittenmark,
1995) que a passividade equivalente a G(s) em (3.32) sendo real positivo, ou seja,

*
G (s) + G (s) 0 Re{s} > 0 (3.39)

onde G(s)* a transposta conjugada de G(s) (Dorato et al., 1995).


A relao entre o real limitado e o real positivo que [ I G(s) ] [ I + G(s) ]-1
estritamente real positivo se e somente se G(s) estritamente real limitado. Isto se
deriva de (Ly et al., 1994)

*
( A ) < 1 A A < I (3.40)

( I + A * ) 1 ( 2I 2A *A )(I + A * ) 1 > 0 (3.41)

[
( I + A * ) 1 ( I A * )( I + A ) + ( I + A * )(I A )( I + A ) 1 > 0 ] (3.42)

( I + A * ) 1 ( I A * ) + (I A )(I + A ) 1 > 0 (3.43)

[ ]
*
( I A )( I + A ) 1 + ( I A )(I + A ) 1 > 0 (3.44)

3.3.10 Procedimento S

O procedimento S estende a utilidade das LMIs permitindo que condies de


no-LMIs que aparecem geralmente em anlises de sistemas no lineares possam ser
representados como LMIs (Boyd et al., 1994). A seguir descrito sobre como
procedimento S aplicado em funes quadrticas, e depois ser discutida esta
aplicao para formas quadrticas.

Sejam 0, ..., p funes escalares quadrticas de x n tais que (Horn e


Johnson, 1991):

T T
i ( x ) = x Ti x + 2u i x + i , i = 0, ..., p; Ti = TiT (3.45)

A existncia de 1 0, ..., p 0 tal que

p
0 ( x ) i i ( x ) 0, x, (3.46)
i =1

implica que

0 0, x tal que i(x) 0, i = 1, ..., p. (3.47)


Para verificar a veracidade disto, seja 1 0, ..., p 0 tal que (3.46) seja
verdadeiro para todo i(x) 0, i = 1, ..., p. Ento

p
0 ( x ) i i ( x ) 0, x. (3.48)
i =1

Nota-se que a expresso (3.46) equivalente a

T0 u 0 p Ti ui
u T i 0 (3.49)
0 i =1 u iT i
0

desde que

T T
x Tx + 2u x + 0, x (3.50)

T
x T u x
T 0, x (3.51)
I u I

T
x T u x
T 0, x, (3.52)
u

T u
T 0. (3.53)
u

O procedimento S descrito acima pode ser equivalentemente escrito em termos


das formas quadrticas (Uhlig, 1979). Ao invs de escrever na verso acima que est em
termos de desigualdades no estritas, escreve-se na verso que aplicada para o caso
onde a principal desigualdade estrita (a prova similar). Seja T0, ...., Tp matrizes
simtricas. Se existir 1 0, ..., p 0 tal que

p
T0 i Ti > 0, (3.54)
i =1

ento

x T T0 x > 0, x 0 tal que x T Ti x 0, i = 1, ..., p. (3.55)


3.4 Problemas de otimizao

Muitos problemas de controle e otimizao podem ser escritos encontrando


uma soluo factvel para um conjunto de LMIs. A maioria dos problemas, contudo, so
escritos em termos da otimizao de uma simples funo objetivo sobre um conjunto de
LMIs.

Nesta seo ser apresentado alguns dos mais comuns problemas de otimizao
LMI que aparecem nas aplicaes de controle.

3.4.1 Programao semidefinida

O problema de otimizao a seguir comumente conhecido como programao


semidefinida (SDP) (Alizadeh, 1992):

inf c T x
x
F( x ) > 0 (3.56)

Um SDP que geralmente aparece em aplicaes de controle chamado


problema de autovalor LMI (EVP). uma minimizao do autovalor mximo de uma
matriz com dependncia afim na varivel x, sujeito a uma restrio LMI em x. Muitos
testes de anlise de desempenho tais como o clculo da norma H em (3.33), podem ser
escritos em termos de um EVP (Vandenberghe e Boyd, 1996). Duas formas comuns de
EVP so apresentadas a seguir:

inf
x,
I A( x ) > 0
(3.57)
B( x ) > 0

inf
x,
A (x , ) > 0
(3.58)

onde A(x, ) afim em x e .

O problema de autovalor (3.57) pode ser escrito na forma (3.58) definindo


A(x, ) = diag{I A(x), B(x)} (lembrando que LMIs mltiplas podem ser escritas

como uma nica LMI de dimenso superior). Para mostrar que o problema na forma
(3.58) pode ser escrito na forma (3.56), define-se



x = x T
[
T
, F(
x ]
) = Ax , e c T
= 0 T T
[ ]
1 (3.59)


onde 0 um vetor de zeros. Pode-se verificar tambm que (3.56) transforma-se em
(3.57) considerando que

inf cT x = Tinf = inf = inf .(3.60)


F( x ) > 0 c x< 1 c T x > 0 I A ( x ) > 0
F(x) > 0 F(x) > 0 F(x) > 0

3.4.2 Problema do autovalor generalizado

Um grande nmero de propriedades do controle pode ser solucionado como um


problema do autovalor generalizado (GEVP). Um GEVP consiste em, dada as matrizes
quadradas A e B, com B > 0, encontrar um escalar e um vetor no nulo y tal que
(Boyd e Ghaoui, 1993)

Ay = By (3.61)


O clculo do maior autovalor generalizado pode ser escrito em termos de um
problema de otimizao com restries LMI. Considerando que B definido positivo
implica que para suficientemente grande, B A > 0. Como reduzido de algum
valor suficientemente alto, em algum ponto a matriz B A perder o posto, nesse
ponto existe um vetor y no nulo que resolve (3.61), implicando que este valor de o
maior autovalor generalizado. Portanto

mx = min = inf
B A 0 B A > 0 (3.62)

Geralmente se deseja minimizar o maior autovalor generalizado de duas


matrizes, A e B, cada uma com dependncia afim na varivel x, sujeito a uma restrio
LMI em x, ou seja:

inf mx (A ( x ), B(x) )
B( x ) > 0 (3.63)
C( x ) > 0

Em (3.63) mx (A( x ), B(x)) o maior autovalor generalizado das matrizes A e

B, com dependncia afim em x. Para (3.62) este problema de otimizao equivalente a

inf
B( x ) A( x ) > 0 (3.64)
B( x ) > 0
C(x)> 0

O problema de minimizar o mximo autovalor generalizado uma funo


objetiva semiconvexa sujeita a uma restrio convexa, onde a semiconvexidade
significa que

mx (A(x + (1 )z ), B(x + (1 )z ))


max{ mx (A( x ), B(x)), mx (A(z), B(z))}(3.65)

para todo [0, 1] e todo x e z factveis. Para verificar a veracidade disto, primeiro

define-se um igual ao lado direito de (3.65). Ento

mx (A( x ), B(x)) e mx (A(z), B(z)).


(3.66)

De (3.62) isto implica que


B(x) - A ( x ) 0 e B(z) - A ( z ) 0.
(3.67)

Segue que, para todo [0, 1] ,

[ ] [
B(x) - A( x ) + (1 ) B(z) - A(z) 0 ]
B(x + (1 - )z ) A(x + (1 - )z ) 0. (3.68)

Isto e (3.62) implica que

mx (A(x + (1 - )z ), B(x + (1 - )z )).


(3.69)

3.5 Mtodos de soluo

Os problemas definidos nas subsees anteriores podem ser resolvidos por


mtodos numricos eficientes. Nesta seo ser discutido algumas idias bsicas de
alguns desses mtodos.

3.5.1 Algoritmo do Elipside

O principal objetivo desse algoritmo determinar o valor timo de uma funo


convexa f : (Boyd et. al., 1994). A seguir sero apresentados a entrada e os
passos para implementao desse algoritmo.

Entrada: Uma funo convexa f : com n . Um elipside (Bland et al.,


1981)

{
:= x n | (x x 0 )T P01 (x x 0 ) 1
0
} (3.70)

centrado em x 0 n e orientado por uma matriz definida positiva P0 = PT tal que ele

contm uma soluo tima do problema para minimizar f. Seja > 0 o nvel de
preciso e seja k = 0.

Passo 1: Calcular o subgradiente g k f ( x k ) e estabelecer

L k := max f ( x l ) g T
l Pl g l
lk

U k := min f ( x l ) (3.71)
lk

Se g k = 0 ou U k L k < , ento fixa-se x * = x k e pra a rotina. Do contrrio


prossegue-se com o passo 2.

Passo 2: Fazer

{
k := k x n | g k , x - x k 0 } (3.72) .

Passo 3: Estabelecer

Pk g k
x k +1 := x k
(n + 1) g Tk Pk g k

n 2 2
Pk +1 := Pk Pk g k g Tk Pk (3.73)
n 2 1 (n + 1)g Tk Pk g k

e definir o elipside como


k +1:=
{
x n | (x x k +1 )T Pk+11 (x x k +1 ) 1 } (3.74)

com centro xk + 1 e orientao Pk + 1.

Passo 4: Estabelecer k para k + 1 e retornar ao passo 1.

( )
Sada: O ponto x* com a propriedade que f x* inf x f (x ) .

O algoritmo elipside determina, portanto, o valor de f com preciso arbitrria.


O ponto x* , geralmente, uma soluo quase tima ou no tima a menos que gk = 0 no
final do algoritmo. Somente neste caso x* uma soluo tima. Portanto, o algoritmo
no necessariamente calcula a soluo, mas somente o valor timo Vopt = inf x f ( x ).

A ideia por trs do algoritmo a que segue (Akgul, 1984): o algoritmo


inicializado por uma escolha de x0 e P0 tal que existe uma soluo tima xopt no
elipside 0 . Se limitado ento uma escolha segura tal que 0 . O

subgradiente g k f (x k ) divide o n em dois semiespaos

{x | g k , x - x k < 0} e {x | g k , x - x k > 0} (3.75)

enquanto o plano cortante {x | g k , x - x k = 0} passa atravs do centro do elipside k

para cada k. Desde que f(x) > f(xk) quando g k , x - x k > 0 , a soluo tima xopt

garantida sendo localizada em Hk. O elipside definido no passo 3 contm Hk e o


menor elipside com esta propriedade. Iterando sobre k, o algoritmo produz uma
sequncia de elipsides 0 , 1, 2 ,... cujos volumes diminuem de acordo com

1 1

vol( k +1 ) = det (Pk +1 ) e
2 n det (P ) = e 2 n vol( ) (3.76)
k k

e cada elipside contm xopt. A sequncia dos centros x0, x1, x2, ... dos elipsides geram
uma sequncia de funes f(xk) que convergem para um valor timo f(xopt). A
convergncia do algoritmo em tempo polinomial pelo fato que o volume do
elipside decresce geometricamente. Desde que x opt k para todo k, tem-se

( )
f (x k ) f x opt f (x k ) + g k , x opt x k

f (x k ) + inf g k , - x k = f (x k ) g Tk Pk g k (3.77)
k

( )
tal que L k f x opt U k define os limites superior e inferior sobre o valor timo.

O algoritmo do elipside muito robusto do ponto de vista numrico e implica


em pouca necessidade de memria para o seu desempenho. Contudo, a convergncia
pode ser um tanto lenta o que pode ser uma desvantagem para muitos problemas de
otimizao.

3.5.2 Mtodo de pontos interiores

O maior avano da otimizao convexa aconteceu na introduo dos mtodos


de pontos interiores. Estes mtodos foram desenvolvidos numa srie de trabalho e
tornaram-se de grande interesse no contexto de problemas LMIs no trabalho de Yurii
Nesterov e Arkadii Nemirovskii.

A principal idia a seguinte (Nesterov e Nemirovskii, 1988): seja F uma


funo afim e seja := {F( x ) p 0} o domnio de uma funo convexa f : que se
deseja minimizar. Ou seja, considera-se o problema de otimizao convexa

Vopt = inf f ( x ) (3.78)


x

Para solucionar este problema (ou seja, para determinar a soluo tima ou quase
tima), primeiro necessrio introduzir uma barreira de funo. Esta uma funo
necessria para

(a) ser estritamente convexa no interior de e

(b) aproximar-se de + ao longo de cada sequncia de pontos {x n }


n =1 no interior de

que converge para o ponto limitado de .


Dada tal barreira de funo , o problema de otimizao restrita para minimizar f(x)
sobre todo x substitudo por um problema de otimizao sem restries para
minimizar o funcional

f ( x ) := tf ( x ) + ( x )
t
(3.79 )

onde t > 0 chamado de parmetro de penalizao. Nota-se que ft estritamente

convexa em n .A principal idia determinar o mapeamento t a x ( t ) que associado


com algum t > 0 minimiza x(t) de ft. Posteriormente, considera-se que o comportamento
deste mapeamento varia com o parmetro de penalizao t. Em quase todos os mtodos
dos pontos interiores, o problema de otimizao sem restrio (3.79) resolvido com a
clssica tcnica de iterao de Newton-Raphson para aproximar o mnimo de ft. Sob
determinadas suposies para uma sequncia definida adequadamente de parmetros de
penalizao tn com tn quando n a sequncia x(tn) com n + convergir para
o ponto timo xopt que a soluo do problema de otimizao convexa original. Ou seja,
o limite de xopt := limt x(t) existe e Vopt = f(xopt).

Uma pequena modificao deste tema obtida substituindo o problema de otimizao


de restrio original pelo problema de otimizao irrestrita para minimizar (Nesterov e
Nemirovskii, 1988)

g ( x ) := 0 (t f ( x ) ) + ( x ) (3.80)
t

onde t > t0 := Vopt e 0 uma funo barreira para o semieixo real no negativo.
Novamente, a idia determinar para todo t > 0 um minimizador x(t) de gt
(normalmente usando o algoritmo clssico de Newton-Raphson) e considerar o
caminho t a x ( t ) como uma funo do parmetro de penalizao t. A curva t a x ( t )
com t > t0 chamada de caminho dos centros para o problema de otimizao. Em
condies adequadas as solues x(t) so analticas e tm um limite com t t0,
considerado xopt. O ponto xopt := limt t0 x(t) timo no sentido de que Vopt = f(xopt) uma
vez que para t > t0, x(t) factvel e satisfaz f(x(t)) < t.

O mtodo dos pontos interiores podem ser aplicados tanto para o problema
LMI de factibilidade como para o problema LMI de otimizao. Considerando o
problema de factibilidade associado com a LMI F( x ) p 0 , uma escolha para a funo
barreira seria a funo logartmica

log det F( x ) 1 se x
( x ) := (3.81)
caso contrrio

Sob a suposio de que o conjunto factvel limitado e no vazio, segue que


estritamente convexo e, portanto, ele define uma funo barreira para o conjunto
factibilidade .Pela proposio A.1 (ver apndice), sabe-se que existe um nico xopt tal
que (xopt) um mnimo global de . O ponto xopt obviamente pertence a e
chamado de centro analtico do conjunto factibilidade . Ele usualmente obtido na
forma mais eficaz da iterao clssica de Newton

''
x k +1 = x k ( x k ) ( )1 ' (x k ) (3.82)

Em (3.82) ' e '' denotam o gradiente e a Hessiana de , respectivamente.

A convergncia desse algoritmo pode ser analisada como segue. Desde que seja
bastante convexo e suficientemente plano, existem nmeros L e M tais que para todos
os vetores u com norma u = 1 assegura-se que

u T ' ' ( x )u M

' ' ( x ) u ' ' ( y) u L x y (3.83)

Nesse caso,

2 L 2
' ( x k +1 ) ' (x k ) (3.84)
2M 2

L
para que, quando o valor inicial x0 tal que ' ( x 0 ) < 1 o mtodo garantido para
2
2M
convergir quadraticamente.

A idia ser em implementar este algoritmo de tal forma que a convergncia quadrtica
possa ser garantida para o maior conjunto possvel de valores iniciais x0. Por este
motivo a iterao (3.82) modificada como segue

x k +1 = x k k ( ( x k ) ) ( x k )
''
( )1 ' (x k ) (3.85)

onde

1 se < 2 3

k () := 1 (3.86)
se 2 3
1 +

e ( x ) := ' ( x ) T '' ( x )' ( x ) chamado de decremento de Newton associado com .

este fator de amortecimento que garante que tk convergir para o centro analtico xopt, o
nico minimizador de . importante notar que o tamanho do passo varivel na
magnitude. O algoritmo garante que xk sempre factvel no sentido que x k e que
xk converge globalmente para minimizar o xopt de . Pode-se mostrar que (xk) - (xopt)
quando

(
k c1 + c 2 log log(1 / ) + c 3 ( x 0 ) ( x opt ) ) (3.87)

onde c1, c2 e c3 so constantes. O primeiro e segundo termos no lado direito no


dependem do critrio de otimizao e a restrio LMI especfica. O segundo termo pode
ser desprezado para pequenos valores de .

O problema de otimizao para minimizar f (x) sujeito a LMI F( x ) p 0 pode


ser visto como um problema de factibilidade para a LMI

~ f (x) t 0
Ft ( x ) := p 0 (3.88)
0 F( x )

onde t > t 0 := inf x f ( x ) o parmetro de penalizao. Usando a mesma funo de

barreira para essa desigualdade matricial linear gera-se o problema de otimizao


irrestrita para minimizar

1
g t ( x ) := log det Ft ( x ) 1 = log + log det F( x ) 1 (3.89)
t f ( x ) 144244 3
14243 ( x )
0 (t f ( x ) )

que est na forma (3.80). Devido a convexidade estrita de gt o minimizador x(t) de gt


nico para todo t > t0. Pode-se mostrar que a sequncia x(t) factvel para todo t > t0 e
aproxima o mnimo inf x f ( x ) com t t 0 .

Captulo IV

Simulao LQR - LMI

Introduo
Este capitulo trs o objetivo principal do trabalho, que a aplicao dos
fundamentos tericos sobre as LMIs num problema de controle robusto, mais
precisamente em implementar um controlador LQI ou LQR com ao integral, tornando
um problema de minimizao de uma funo custo em um problema de otimizao
convexa no contexto das LMIs, onde a partir dessa nova formulao matemtica LQI-
LMI, o controlador implementado leva em considerao as incertezas presentes na
planta em questo (sistema duplo de nvel de lquido). Portanto, o primeiro passo ser a
modelagem da planta, partindo assim das equaes diferenciais que trazem as
caractersticas fsicas bem como as prprias grandezas fsicas da planta at o
formalismo convencional de equaes de estado. O segundo passo a descrio
matemtica das incertezas paramtricas presentes na planta, depois do formalismo
matemtico baseado no conjunto convexo politopo, ser apresentada as grandezas
incertas e em seguida sero reescritas como incertezas politpicas do problema. Em
terceiro lugar, ser apresentado o formalismo matemtico do regulador linear quadrtico
com ao integral, e apartir de suas idias ser iniciado o processo de transformao do
problema LQR para um problema de otimizao convexa, onde ser apresentado o
algoritmo de resoluo envolvendo as LMIs necessrias na soluo do problema em
questo, e, enfim apresentao e discusso dos resultados obtidos com a simulao.

4.1 Modelagem do sistema de nvel de lquido

A figura 4.1 apresenta um sistema de controle de nvel de dois tanques


interligados, onde os dois reservatrios interagem. As entradas do tanque so variaes
das vazes medidas u1 e u2 em (m3/s). As sadas do processo so as variaes de altura
h1 e h2. H1 e H2 so as alturas mdias (em regime permanente) das colunas no tanque em
(m). Qu1 e Qu2 so as vazes mdias (em regime permanente) de entrada do tanque e Q1,
Q2 so as vazes mdias (em regime permanente) de transio nos tubos de conexes.

A1 e A2 so as reas das sees dos tanques em (m2). k1 e k2 so os parmetros incertos


da planta que dependem da resistncia ao fluxo de liquido da tubulao. A expresso do
tanque segue o mesmo modelo apresentado por (Bachur et al., 2010).

Figura 4.1- Sistema de controle de nvel com 2 tanques interligados.

Considerando o fluxo ao longo de uma tubulao curta, que conecta os dois


reservatrios, a resistncia R ao fluxo de lquido nessa tubulao ou restrio definida
como a variao na diferena de nvel (a diferena entre o nvel dos lquidos nos dois
reservatrios) necessria para causar a variao unitria na taxa de escoamento. Para o
sistema de nvel de lquido da Figura 4.1, o lquido flui em duas vlvulas de restrio,
na lateral dos reservatrios. Como o fluxo nessa restrio considerado laminar, a
relao entre a vazo em regime permanente e a altura do nvel em regime permanente
na restrio ser dada por (Ogata, 2003):

Q = KH (4.1)

onde

Q = vazo em volume em regime permanente, m3/s

K = coeficiente, m2/s

H = altura do nvel em regime permanente, m.

Para o fluxo laminar, a resistncia R obtida como:


dH H
R= = (4.2)
dQ Q

A resistncia no escoamento laminar constante e anloga resistncia


eltrica. A seguir, foram admitidas apenas pequenas variaes das variveis a partir dos
valores de regime permanente. Utilizando os smbolos definidos na Figura 4.1,
obtiveram-se as seguintes equaes para esse sistema (Ogata, 2003):

A 1dh 1 = ( u 1 q1 )dt (4.3)

k 1 ( h 1 h 2 ) = q1 (4.4)

A 2 dh 2 = (q1 + u 2 q 2 )dt (4.5)

k 2h 2 = q2 (4.6)

onde, de (4.1) e (4.2), tem-se

1 1
k1 = e k2 = (4.7)
R1 R2

Eliminando-se q1 da Equao (4.3) utilizando-se (4.4), resulta:

dh 1 1
= [u1 k1 (h1 h 2 )] (4.8)
dt A1

Eliminando-se q1 e q2 na Equao (4.5) com o auxlio das equaes (4.4) e (4.6), tem-
se:

dh 2 1
= [k1 (h1 h 2 ) + u 2 k 2 h 2 ] (4.9)
dt A2

Definindo-se as variveis de estado x1 e x2 como:

x1 = h 1
(4.10)
x2 = h2

e as variveis de sada y1 e y2 como:


y1 = h1 = x1
(4.11)
y2 = h 2 = x 2

Ento, as equaes (4.8) e (4.9) podem ser escritas como:

k k 1
h& 1 = 1 h1 + 1 h 2 + u1 (4.12)
A1 A1 A1

k k + k2 1
h& 2 = 1 h1 1 h2 + u2 (4.13)
A2 A2 A2

Sob a representao matricial-vetorial padro, tem-se:

k1 k1 1
0
h1 A1
& A1 h A u
& = k 1 + 1 1 (4.14)
h 2 1 k + k 2 h 2 1 u 2
1 0
A 2 A 2 A 2

que a equao de estado, e

y1 1 0 h1
y = 0 1 h (4.15)
2 2

que a equao de sada.

Sendo assim, os valores dos vetores e matrizes do espao de estado so escritos


como

h u
x = 1 u = 1 (4.16)
h 2 u 2

k1 k1 1
A A1 A 0
A= 1 B= 1 (4.17)
1k k1 + k 2 0 1

A 2 A 2 A 2

sendo

x& ( t ) = A x ( t ) + B u ( t ) (4.18)

Na prtica, os valores de k1 e k2 da matriz A so incertos, como j foi


mencionado no comeo desta seo, ou seja, tem-se apenas uma noo de que faixa de
valores eles podem assumir.

4.2 Modelagem politpica

Um grande problema ao se trabalhar com sistema incertos como tratar a


incerteza na formulao final do problema, pois dependendo do tipo de incertezas,
pode-se inserir mais restrio na busca de soluo do problema (Trofino, 2000).
Para a planta em questo (figura 4.1) as incertezas esto presentes apenas na
matriz A, conforme a equao 4.17. Uma alternativa seria descrever os possveis valores
que a matriz A() (onde o vetor dos parmetros incertos) pode assumir atravs de
uma combinao convexa dos valores extremos assumidos pelas incertezas (ver
apndice A.6). Sendo que

{ }
= i : i i , i = 1,..., q (4.19)

onde representa um politopo com 2q vrtices, onde q o numero de incertezas no


problema. Lembrando que um politopo um conjunto convexo fechado, que pode ser
representado pela combinao convexa dos vrtices, ou por inequaes matriciais (ver
seo 2.3.5.2 do capitulo 2).

Este tipo de abordagem para descrever as incertezas conhecido como abordagem


politpica e ser formalmente anunciada a seguir:

Definio 4.1: A classe de matrizes A() com incertezas na forma politpica pode ser

descrita pelo conjunto (Trofino, 2000)


j j
A = A : A = qi Ai , qi = 1, q i 0 (4.20)
i =1 i =1

onde o conjunto A convexo, fechado e as matrizes Ai so conhecidas.

4.3 Formulao LMI para o problema LQR

Esta seo apresenta o conceito do mtodo de controle LQR robusto aplicado


nesse trabalho. Ser formulado o problema do LQR incerto na forma de LMI. Os
conceitos utilizados sero aplicados na planta do sistema de nvel linear para derivar um
controlador LQR.

4.3.1 Controle LQR com ao integral

O regulador linear quadrtico com ao integral, o LQI consiste no


servomecanismo timo baseado na minimizao do ndice de desempenho quadrtico
(Ogata, 2003), dado por um processo modelado em equao de estados do tipo

x& = Ax + Bu, y = Cx. (4.21)

Em que a figura 4.2 mostra o diagrama de blocos do servomecanismo de ao integral.

Figura 4.2 - Diagrama de blocos do controle LQI.

Da figura 4.2, so obtidas as seguintes equaes:


& = r - Cx, (4.22)

x
u = Ki Kx u = [K Ki ] , (4.23)

sendo

x
u = [K Ki ] = K LQRx. (4.24)

De (Ogata, 2003) so obtidas as seguintes expresses:

x& A 0 x B
& = C 0 + 0 u, (4.25)

onde

= A 0 e B
A = B . (4.26)
C 0 0

Isto para que o ndice de desempenho representado por:

( )
T
1
J= x ' Q x + u ' Ru dt (4.27)
2
0

seja satisfeito.

4.3.2 O problema LQR - LMI

A formulao LMI para o LQR foi adaptada de (Feron, Balakrishnan, Boyd e


Ghaoui, 1992). Dado o sistema apresentado em (4.18), o controlador LQR timo
obtido pelo uso do ganho de realimentao de estado K que minimize o ndice de
desempenho

(x Qx + u Ru )dt

' ' (4.28)
J=
0

onde Q uma matriz semidefinida positiva e simtrica e R uma matriz definida


positiva e simtrica. O par (A, B) deve ser controlvel. O problema LQR pode ser visto
como uma minimizao balanceada de uma combinao linear dos estados x e a
entrada de controle u. A matriz de peso Q estabelece quais estados devem ser
controlados mais rigorosamente que outros. R balanceia a quantidade de ao do
controle para ser aplicada dependendo do quo grande o desvio do estado x i . Este
balanceamento do custo de otimizao restringe a magnitude do sinal de controle.
Aplicando-se o conceito de trao da matriz em ambos os lados na equao
(4.28), tem-se

( )

Tr (J) = Tr x 'Qx + u 'Ru dt (4.29)
0

Usando-se a tcnica de realimentao de estados, cuja lei de controle dada por (4.24),
sendo K o ganho de realimentao de estados, chega-se a

(( ))

J = Tr x ' Q + K 'LQR RK LQR x dt. (4.30)
0

Utilizando-se o principio da associatividade do trao da matriz e considerando-se o


sistema proposto invariante no tempo, tem-se

(
) ( )
J = Tr Q + K 'LQR RK LQR Tr xx ' dt .
(4.31)
0

Baseado ento no equacionamento matemtico proposto por (Olalla et al., 2009) e (Ko
et al., 2006). De (4.31), tem-se

(
J = Tr Q + K 'RK Tr (P )) (4.32)
onde

P=

0
(xx ' )dt (4.33)
logo

(
J = Tr QP + K 'RKP . ) (4.34)

Utilizando-se o conceito de desigualdade de Lyapunov, proposto por (Ko et al., 2006),


segue-se
~ ~
A P + P A ' + I p 0, (4.35)
sendo

~
A = A BK . (4.36)

Substituindo-se (4.36) em (4.35), ento

(A BK )P + P(A BK )' + I p 0. (4.37)

No entanto, a desigualdade (4.37) no linear porque a funo objetivo envolve uma


multiplicao entre as variveis P e K. Todavia, quando isso acontecer, possvel
realizar uma mudana de varivel no intuito de linearizar a expresso desejada. Ento,
fazendo-se

Y = KP K = YP -1 (4.38)

e substituindo-se em (4.37):

(AP BY) + (AP BY)' + I p 0, (4.39)

logo
AP BY + PA ' Y ' B ' + I p 0, (4.40)

que o conceito de desigualdade de Lyapunov segundo (Boyd, Feron e Balakrishnan,


1992) em malha fechada. Aplicando-se (4.38) em (4.34), tem-se

(
J = Tr QP + K 'RY . ) (4.41)

Fazendo

( )' ( )1 Y ' = P 1Y '


K ' = P 1 Y ' = P ' (4.42)

e substituindo em (4.41) tem-se


(
J = Tr QP + P 1 Y ' RY ) (4.43)

Usando-se o conceito de comutatividade e linearidade do trao da matriz, e fazendo

R = R1 2R1 2 , a = P 1Y 'R1 2 e b = R1 2 Y com a propriedade Tr(ab) = Tr(ba) tem-se


que

(
J = Tr (QP ) + Tr P 1Y ' R 1 2 R 1 2 Y ) (4.44)

(
J = Tr (QP ) + Tr R 1 2 YP 1Y ' R 1 2 ) (4.45)

O segundo termo da expresso (4.45) no linear podendo, portanto ser substitudo por
uma segunda varivel auxiliar X, tal que deseja-se minimizar o trao de X, em que

min Tr (X )
X (4.46)
12 1 ' 1 2
sujeito a X - R YP Y R f0

que, por sua vez, pode ser decomposto utilizando-se o conceito de complemento de
Schur segundo (Boyd et al., 1994) em (4.46)

X R1 2 Y
' 12 f 0 (4.47)
Y R P

Deste modo, para uma formulao completa de resoluo via LMI aplicada ao
controle LQI, as equaes (4.40), (4.41) e (4.45) so as principais expresses
matemticas para o processo de otimizao. Sendo, portanto

min Tr (QP) + Tr (X ), X f 0 (4.48)


P, Y, X

sujeito a

X R1 2 Y
' 12 f 0, P f 0 e (4.49)
Y R P

AP BY + BA ' Y ' B ' + I p 0 (4.50)

Obtidos os ganhos atravs das expresses (4.26), (4.48), (4.49) e (4.50), so


obtidos os seguintes modelos em malha fechada:

x& A BK BKi x 0
& = C +
0 I
r (4.51)

x
y = [C 0] (4.52)

As expresses (4.51) e (4.52) denotam o modelo em malha fechada da figura 4.2. O
vetor r a entrada de referncia. Deste modo a matriz de transferncia no modelo em
malha fechada

T (s ) = C c (sI A c )B c = GK (I + GK )1
(4.53)
e
S(s) = I T (s). (4.54)

Em que S(s) e T(s) so respectivamente as matrizes de transferncia de sensibilidade e


de sensibilidade complementar (Bahram e Hassul, 1993).
A funo de sensibilidade avalia quanto o modelo controlado capaz de
rejeitar distrbios, que so perturbaes de grandes amplitudes e de baixas frequncia.
J a funo de sensibilidade complementar avalia o quanto o modelo eficaz na
supresso de rudos, que so perturbaes de pequenas amplitudes e de altas
freqncias.
Sendo tais funes satisfatrias dentro da necessidade de projeto, dito que o
sistema robusto. Para isso, necessrio que o modelo seja submetido anlise de
incertezas, que podem ser paramtricas, com o uso de politpicos, e no paramtricas,
com o uso de incertezas aditivas e multiplicativas. Para este caso avalia-se apenas as
incertezas politpicas para levantar o nvel de robustez do processo. O modo de

avaliao de robustez do modelo dado na resposta em frequncia. Em sistemas SISO,


os diagramas de Bode e Nyquist so as ferramentas mais usadas para este tipo de
anlise. Para sistemas MIMO, feita a decomposio em valores singulares. Para
visualizao de processos multivariveis na frequncia, basta usar a funo sigma no
Matlab, que mostrado o comportamento do sistema na frequncia.

4.4 Simulao e resultados

Para a planta da figura 4.1 as reas das seces dos tanques so A1=A2=5m2,
segundo (Bachur, Gonalves, Palhares e Takahashi, 2010). Admite-se uma faixa de
impreciso de 0,15 k1 0,25 e de 0,2 k2 0,3, como apresentado tambm por
(Bachur, Gonalves, Palhares e Takahashi, 2010). Essas faixas de impreciso podem ser
tratadas como politopos. Portanto tais imprecises so incorporadas ao processo de
resoluo via LMI. Umas das vantagens da otimizao desse tipo de problema via
desigualdade matricial linear est incluso de incertezas paramtricas para obteno do
ganho. A estratgia de controle LQI visa minimizao do ndice de desempenho
mediante a escolha dos parmetros de ponderao Q e R.

O tempo de simulao do processo de 400 segundos. A altura de referncia h1


escolhida de 0,2 m at o tempo t=200s. Em seguida, reduzida para 0,15 m de t=200s
em diante. No mesmo instante, a altura de referncia h2 escolhida de 0,1 m at o
tempo t=200s, em seguida, reduzida para 0,15 m do t=200s em diante. As matrizes de
ponderao escolhidas foram:

1 0 0 0
0 0
1 0 100 0
Q= eR= (4.55)
0 0 0,1 0 0 100

0 0 0 0,1

cujos ganhos de realimentao de estado so


0.4584 0.0931 -0.0316 -0.0000


K LQR-LMI = (4.56)
0.0931 0.3323 0.0000 -0.0316

em que

0.4584 0.0931 0.0316 0


K= e Ki =
0.0931 0.3323 0 0.0316 (4.57)

conforme (4.24).
As respostas das sadas do processo so mostradas na Fig. 4.3. Percebe-
se que o tempo de estabilizao do processo de 108 s. Foi acrescentada uma
perturbao que varia de 1% a 3% tanto na sada como nos estados, de modo a simular
um possvel problema real. A Fig. 4.4 mostra o esforo de controle da variao de vazo
nos tanques. A figura 4.5 mostra a curva de sensibilidade complementar explicada
conforme 4.53 via decomposio em valores singulares (SVD). A curva na figura 4.5
indica que o modelo, simbolizado pela MTMF consegue obter uma margem de ganho
infinita em relao ao modelo de malha aberta simbolizado na legenda por MTMA. A
figura 4.6 mostra a curva de sensibilidade do processo no espao da frequncia em
SVD. De acordo com (Bahram e Hassul 1993), a anlise em SVD usada para sistemas
mono e multivariveis, onde podem ser avaliadas a robustez e o desempenho de um
determinado processo. O sistema em SVD mais apropriado para processos
multivariveis, pois as curvas de bode no so boas ferramentas para anlises desses
sistemas. Observa-se que existe uma boa rejeio a distrbios em relao aos modelos
em malha aberta.

ALTURAS DO TANQUE

ref
0.2

Altura h1 (m)
saida h1
0.15
0.1
0.05
0
0 50 100 150 200 250 300 350 400
Tempo(s)

ref
0.2
Altura h2 (m)

saida h2
0.15

0.1
0.05

0
0 50 100 150 200 250 300 350 400
Tempo(s)

Figura 4.3 - Resposta de regime das curvas da variao de altura.

VAZES DO TANQUE

0.04
q1 (m /s)
3

0.02

0 50 100 150 200 250 300 350 400


Tempo(s)

0.04
q2 (m /s)
3

0.02

0 50 100 150 200 250 300 350 400


Tempo(s)
Figura 4.4 - Sinal de controle das vazes do tanque.

SVD Aplicado T(s)

50
MTMF
MTMA
0
Amplitude (dB)

-50

-100

-150

-200 -4 -2 0 2
10 10 Frequncia (rad/sec)
10 10

Figura 4.5 - Curva de Sensibilidade Complementar via decomposio de valores singulares SVD.

SVD Aplicado a S(s)

30
MTMF
20 MTMA

10
Amplitude (dB)

-10

-20

-30

-40

-50

-60 -4 -2 0 2
10 10 Frequncia (rad/sec)
10 10

Figura 4.6 - Curva de Sensibilidade do processo via SVD


CAPTULO V
CONCLUSES

Neste trabalho estudou-se uma planta do tipo sistema de nvel de lquido duplo
linear (tanque duplo) no intuito de control-la levando em considerao as incertezas
presentes nas vlvulas de restries do tanque. Foi escolhido um controlador do tipo
LQR com ao integral ou simplesmente LQI, contudo, o conceito timo do LQI no
leva em considerao as incertezas paramtricas existentes na planta do projeto. Neste
caso, foi proposta a idia de se implementar este controlador utilizando as tcnicas
LMIs, tornando-o num LQI robusto, cuja otimizao por LMIs permitiu a adio de
incertezas para a obteno do ganho de realimentao de estado. Para a realizao desta
implementao buscou-se na literatura especializada sobre as tcnicas LMIs, onde se
estudou sobre a otimizao convexa, base para o entendimento das LMIs na teoria de
controle. A partir da foi possvel transformar o problema de minimizao de uma
funo custo do LQI em um problema de otimizao convexa no contexto das LMIs,
onde a partir dessa nova formulao matemtica LQI-LMI, o controlador implementado
leva em considerao as incertezas presentes na planta em questo (sistema duplo de
nvel de liquido).

Observou-se tambm que, um dos grandes benefcios nas formulaes por


LMIs que estender todos os resultados apresentados para sistemas incertos, com
incertezas descritas por um politopo, no geram nenhuma complexidade extra em
termos de notao. Isto , basta escrever as restries dos vrios problemas de
otimizao semidefinida, para todos os vrtices de um politopo.
Os resultados obtidos neste trabalho comprovaram que a estratgia de controle
LQI via resoluo LMI eficaz como controle robusto. O controle LQI garante a
otimalidade do controle, entretanto, no garantida a robustez do processo quando os
parmetros so variveis. Esta vantagem torna o controle LQI via LMI uma poderosa
estratgia na otimizao de solues de controle robusto. E, tambm, os pacotes
computacionais Yalmip e Sedumi so ferramentas bastante eficazes para o
processamento desses clculos no software computacional Matlab.

APNDICE A
Resultados complementares

A.1 Funes quadrticas

Uma funo quadrtica toda funo v : n do tipo:

n n
v( x ) = a ij x i x j , a ij = a ji (A.1)
i =1 j =1

onde xi, xj so duas componentes quaisquer da varivel vetorial x e a ij so constantes.

A condio a ij = a ji simplesmente uma normalizao e pode ser feita sem perda de

generalidade.

Exemplo A.1: Seja

v ( x ) = 2 x12 + 3x1x 2 + 5 x 2 x1 + 10 x 22 , (A.2)

esta expresso pode ser reescrita como

v(x) = 2 x12 + 8 x1x 2 + 10 x 22 , (A.3)

ou ainda, como

v(x) = 2 x12 + 4 x1x 2 + 4 x 2 x1 + 10 x 22 . (A.4)

Assim, toda forma quadrtica pode ser representada em termos matriciais atravs de
uma matriz simtrica cujos elementos so as constantes a ij . Ainda para o exemplo A.1,

tem-se que

'
x 2 4 x1
v( x ) = 1 = x 'Ax , (A.5)
x 2 4 10 x 2

e, que a matriz A simtrica. A mesma normalizao em (A.5) pode ser feita em termos
matriciais. Retornando ao exemplo A.1, seja

2 4
B= ( ~
)
, A = B + B' 2 , A B - B' 2 ( ) (A.6)
4 10

~
pode-se verificar que B = A + A . Como x 'B' x um escalar real tem-se que

( )'
x 'B' x = x 'B' x = x 'Bx. Logo tem-se que

~
( )
x ' Bx = x ' Ax + x ' Ax = x ' Ax + x ' Bx x ' B ' x 2 = x ' Ax ( A.7 )

Em situaes particulares, tipicamente quando preciso representar um sistema


por sua funo de transferncia, pode-se precisar trabalhar com formas quadrticas
complexas. Quando a ij so constantes complexas, basta trocar a relao a ij = a ji por

a ij = a ji , onde a ji o conjugado complexo de a ij . Nesse caso a matriz A recebe o

nome de hermitiana e satisfaz a relao A = A ' = A onde o smbolo A representa o


transposto conjugado complexo de A.

Pode-se mostrar ainda as seguintes propriedades para as formas quadrticas:

i. Toda matriz real simtrica possui autovalores reais;

ii. A funo v ( x ) = x ' Px positiva para todo x 0 se, e somente se, os


autovalores da matriz P so todos positivos. Nesse caso diz-se que v(x) uma funo
definida positiva (notao: v(x) > 0), e P uma matriz simtrica definida positiva
(notao: P f 0 ). A notao f usada no contexto usual para sinais de matrizes, isto ,
P f 0 dita ser definida positiva sendo todos os seus autovalores positivos. Adota-se
notao semelhante para: matriz definida negativa (P p 0) tendo todos os seus

autovalores negativos; matriz semidefinida positiva (P f 0) sendo todos os seus

autovalores no-negativos; matriz semidefinida negativa (P p 0) sendo todos os seus


autovalores no-positivos.

iii. Uma matriz P definida positiva ( P f 0 ) se, e somente se, os determinantes


menores principais de P forem positivos. Esse resultado conhecido como critrio de
Sylvester.

iv. A funo v ( x ) = x 'Px uma medida de distncia do ponto x origem


quando P definida positiva. Por exemplo, para a seguinte funo definida positiva:

x 1 0
v( x ) = x 'Px , x = 1 P= (A.8)
x 2 0 4

tem-se que

1 0 x1
v( x ) = [x1 x 2 ] = x12 + 4x 22 (A.9)
x
0 4 2

v. Todas as propriedades anteriores continuam vlidas se x e P forem

complexos e troca-se x ' , P ' por x , P . Em particular a matriz P deve ser hermitiana,

isto , P = P.

A.2 Estabilidade quadrtica de Lyapunov a primeira descrio por LMIs na


teoria de controle

Segundo o The MacTutor History of Mathematics archive, Aleksandr


Mikhailovich Lyapunov (1857-1918) foi colega e contemporneo de Andrei
Andreyevich Markov (1856-1922) na Universidade de So Petersburgo, tendo ambos
trabalhado com Pafnuti Lvovich Tchebychev (1821-1894). Lyapunov apresentou sua
tese de doutorado The general problem of the stability of motion em 1892
Universidade de Moscou. O chamado teorema de Lyapunov (Lyapunov, 1992),
adaptado para o caso de sistemas lineares contnuos no tempo, poderia ser formulado
diretamente em termos de desigualdades matriciais lineares (LMIs, de Linear Matrix
Inequalities).

A estabilidade de um ponto de equilbrio usualmente caracterizada pela teoria


de Lyapunov. Intuitivamente, a estabilidade de um sistema dinmico est relacionada
com a funo energia deste sistema. Se a funo energia do sistema sempre no
negativa e decrescente com relao ao tempo, as trajetrias do sistema tendem origem,
que, sem perda de generalidade, pode ser considerado como sendo o ponto de equilbrio
de interesse do sistema dinmico (Trofino, 2000).

Fazendo uma anlise mais genrica, a teoria de Lyapunov garante, para


sistemas invariantes no tempo, que o ponto de equilbrio estvel se existe uma funo
escalar (tipo energia) v(x) tal que (Trofino, 2000):

v(x) > 0, x 0 B x , e
v& (x) < 0, x 0 B x (A.10)

onde Bx caracteriza uma regio na vizinhana do ponto de equilbrio (origem). A seguir


ser apresentado um exemplo de aplicao para as condies de estabilidade de
Lyapunov apresentadas em (A.10).

Exemplo A.2: Anlise de estabilidade de um sistema LTI. Seja o seguinte sistema linear
invariante no tempo (Trofino, 2000)

x& = Ax (A.11)

onde x representa os estados do sistema e A uma matriz constante.

Problema: utilizando a noo de estabilidade quadrtica, obter uma condio suficiente


para a estabilidade do sistema (A.11).

Soluo: para se determinar a estabilidade quadrtica de um sistema linear invariante no


tempo, deve-se procurar uma funo de Lyapunov v(x) > 0 tal que v& (x) < 0 . Portanto,
'
seja uma funo quadrtica, v(x) = x Px , e o sistema (A.11). A expresso de v& ( x )
dada por:

(
v& = x& 'Px + x'Px& = x' A'P + PA x ) (A.12)

Ento, pode-se escrever que:

(
v(x) > 0 P = P' f 0 e v& (x) < 0 A'P + PA p 0. ) (A.13)

Logo, uma condio necessria e suficiente para este sistema ser globalmente
quadraticamente estvel :

P = P ' f 0 : A ' P + PA p 0 (A.14)

A relao (A.14) conhecida na literatura como inequao de Lyapunov para sistemas


lineares, sendo considerada, portanto, a primeira descrio por LMIs na teoria de
controle.

Pode-se agora formalizar o teorema de Lyapunov para sistemas lineares


contnuos no tempo:

Teorema A.1 (Lyapunov): As trajetrias de x& = Ax convergem para a origem se e


somente se existir uma matriz simtrica definida positiva P tal que A ' P + PA p 0 . Nesse
caso, diz-se que o sistema (ou simplesmente, a matriz A) assintoticamente estvel no
sentido de Lyapunov (Lyapunov, 1992).

As LMIs do teorema A.1 podem ser obtidas diretamente a partir da funo


'
quadrtica v(x) = x Px . Lembrando que a desigualdade A ' P + PA p 0 exige que a

matriz simtrica A'P + PA seja definida negativa, assim como P f 0 deve ser simtrica
e definida positiva, e, uma matriz P = P ' nxn definida positiva se

x 'Px > 0, x 0 (A.15)

o que implica que todos os autovalores (ou que todos os menores principais lderes) de
'
( )
P devem ser positivos. Assim, A'P + PA definida negativa se A P + PA f 0 . Ver
por exemplo (Horn and Johnson, 1985) para outras propriedades de formas quadrticas
e de matrizes definidas positivas.

A seguir ser apresentado outro exemplo de aplicao para as condies de


estabilidade de Lyapunov, portanto utilizando o teorema A.1, sendo fornecido um valor
para a matriz A.

Exemplo A.3: Determinar analiticamente a estabilidade do sistema LTI (A.15),


utilizando as condies propostas no exemplo A.2 (Trofino, 2000):

x& 1 1 0 x1
x& = 0 1 x (A.16)
2 2

' '
Soluo: seja a funo de Lyapunov: v (x) = x Px com P dado por:

a 0
P= , (A.17)
0 b

o sistema (A.16) quadraticamente estvel se:


'
a > 0, b > 0 tais que A P + PA p 0

- 1 0 a 0 a 0 - 1 0
0 - 1 0 b + 0 b 0 - 1 =

a 0 a 0 2a 0
0 b + 0 b = 0 2b p 0 (A.18)

Isto , P = P' f 0, a, b > 0 tal que A' P + PA p 0, assegurando assim, a


estabilidade do sistema. Logo, o sistema LTI (A.16) quadraticamente estvel.

A.3 A primeira meno explcita de uma LMI

Fazendo um breve histrico do desenvolvimento das LMIs, vrios resultados


em engenharia poderiam ser citados (Boyd et al., 1994). Existem aplicaes
relacionadas com o mtodo de Lyapunov (Lure, Postnikov) em problemas prticos
como a estabilidade de um sistema de controle com no-linearidades no atuador, por
volta do ano de 1940; o lema de positividade real (Yakubovich, Popov, Kalman),
relao com passividade, teorema do pequeno ganho, critrio linear quadrtico, soluo
por meio de equaes algbricas de Riccati, em 1960. A primeira meno explcita de
uma LMI atribuda a J. C. Willems, (Willems, 1971), em um artigo que apresenta a
LMI abaixo

A ' P + PA + Q PB + C '
' f 0 (A.19)
B P + C R

que pode ser resolvida (P a varivel, e as matrizes A, B, C, Q e R so conhecidas)


estudando-se as solues simtricas da equao algbrica de Riccati

( ) ( )
A' P + PA PB + C' R 1 B' P + C + Q = 0 (A.20)

Embora existam diversas LMIs que podem ser resolvidas a partir de equaes, nem
sempre este o caso. Por exemplo, dadas as matrizes A1 e A2, encontrar P tal que

P f 0, A1' P + PA1 p 0, A'2 P + PA2 p 0 (A.21)


um problema que no possui soluo explcita. No entanto, trata-se de um problema


convexo, que pode ser resolvido numericamente de maneira simples, com convergncia
garantida (Oliveira et al., 2008).

A.4 Forma afim e forma matricial de uma LMI

Normalmente uma LMI no aparece na forma afim, mas sim na forma


matricial como a inequao de Lyapunov (A.14). Para reescrever esta inequao na
forma afim, busca-se encontrar os valores de Fi tal que (Trofino, 2000):

{
F( P ) = A ' P + PA = F0 + x i Fi com x i = Pkj , ..., Pnn } (A.22)

No exemplo a seguir, a transposio da forma matricial para a forma afim apenas uma
questo de notao. Entretanto, esta transformao no necessria, j que a forma
matricial a forma padro de entrada dos pacotes computacionais existentes.

Exemplo A.4: Seja

1 1
x& = x (A.23)
1 2

pela condio de estabilidade de Lyapunov este sistema ser estvel se P f 0 tal que

( )
v(x) = x 'Px > 0 com P f 0 e v& (x) = x' A'P + PA x < 0 , onde P =
P1
P2
'
P2
P4
.

Fazendo x1 = P1, x 2 = P2 , x 3 = P2' , x 4 = P4 , em (A.22) tem-se que

'
1 1 1 1
1 2 P + P 1 2 = F0 + P1F1 + P2 (F2 + F3 ) + P4 F4 (A.24)

que implica em

2 1 1 3
F1 = , F2 = ,
1 0 0 1
(A.25)
1 0 0 1
F3 = , F4 = .
3 1 1 4

A.5 Exemplos de LMIs

Uma LMI guarda grande similaridade com uma desigualdade linear, tpica
restrio imposta na programao linear:

a T x = x1a1 + x 2 a 2 + ... + x m a m b, b, a i .(A.26)

De fato, um conjunto de restries lineares da programao linear uma LMI,


considerando:

a iT x b i , i = 1,..., m

F(x) p 0 { }
F(x) = diag a iT x b i (A.27)

sendo que diag (.) denota uma matriz diagonal.

O caso escalar tambm uma forma simples de LMI:

x y F(x) = x - y 0 (A.28)

Outro exemplo simples de uma LMI a descrio do sinal de uma matriz


simtrica com elementos lineares atendendo a desigualdade:

F(X) = X f I, com > 0 (A.29)

isto , P definida positiva. Neste caso, os espaos de entrada e sada so cones de


matrizes simtricas definidas positivas, em outras palavras, a varivel uma matriz.

A.6 Convexidade uma propriedade das LMIs para solucionar problemas com
incertezas

De acordo com a seo 2.3.3 do captulo 2, um conjunto C convexo se


x, y e todo com 0 1 tem-se

x + (1 - ) y C (A.30)

Ou seja, um conjunto C ser convexo se para quaisquer dois pontos x e y C o


segmento de reta unindo estes pontos tambm pertena a este conjunto. Pela teoria dos
conjuntos tem-se que todo conjunto afim ser sempre convexo. Ento tem-se que o
conjunto soluo de uma LMI sendo afim tambm convexo. Uma LMI ser tambm
convexa nos dados se as matrizes Fi so afins em , onde representa o vetor de
parmetros incertos (Trofino, 2000).

A caracterstica da convexidade uma das mais importantes propriedades das


LMIs, pois facilita, principalmente, a busca de soluo para sistemas incertos. Por
exemplo, considera-se agora que a matriz A na equao (A.23) dependa de , ou seja,

1 1
A() = (A.31)
1 + 2

A estabilidade deste sistema ser analisada, considerando que as incertezas estejam


descritas na forma politpica, para tal considera-se que B = { min max } ,

onde a regio politpica B representa os valores admissveis da incerteza. Para


verificar a estabilidade deste sistema necessrio testar a condio de Lyapunov (A.14)
para todos os valores de B , ou seja, encontrar uma matriz positiva definida P tal
que

B : A() ' P + PA() p 0 (A.32)

Este, porm, um problema de dimenso infinita, de difcil soluo. Mas como a matriz
A() afim em e aparece de forma linear na inequao de Lyapunov, pode-se pela
propriedade de convexidade testar a condio acima apenas para os vrtices da regio
B . Ou seja, se existe uma matriz P f 0 tal que

A( min ) ' P + PA( min ) p 0


(A.33)
A( max ) ' P + PA( max ) p 0

'
garantido, assim, que para toda a regio B o sistema ser estvel e v(x) = x Px ser
uma funo de Lyapunov para o sistema.

A.7 Formulao explcita de uma LMI

As LMIs (A.14) associadas ao teorema de Lyapunov (teorema A.1) podem ser


resolvidas explicitamente. Para isso, escolhe-se uma matriz simtrica definida positiva
Q arbitrria (a escolha mais simples Q = I) e resolve-se a equao linear (Oliveira et
al., 2008)

A' P + PA + Q = 0 . (A.34)

A soluo P definida positiva se e somente se o sistema for estvel. Com base nessa
afirmao pode-se enunciar o seguinte teorema:

Teorema A.2: O sistema linear invariante

x& = Ax (A.35)

exponencialmente estvel, isto , os autovalores () da matriz A possuem parte real


estritamente negativa, se, e somente se, a soluo P simtrica da equao matricial:

A'P + PA + Q = 0 (A.36)

for positiva definida, onde Q uma matriz positiva definida dada que pode ser
arbitrariamente escolhida.

Exemplo A.5: O sistema x& = Ax com (Trofino et al., 2003)

0 1
A= (A.37)
1 2

estvel pois (A) = {-1, -1}. Logo, deve-se encontrar uma soluo P f 0 para

A'P + PA + Q = 0 , sendo Q f 0 uma matriz positiva definida que pode ser escolhida de
forma arbitrria. Escolhendo Q igual identidade e P uma matriz simtrica genrica
tem-se:

P P2 1 0
P= 1 Q=
P2 P3
0 1
(A.38)

'
que, aplicando em A P + PA + Q = 0 , tem-se

'
0 1 P1 P2 P1 P2 0 1 1 0
P + + =0 ,
- 1 - 2
2 P3 P2 P3 - 1 - 2 0 1 (A.39)

que resulta em

P2 P3 P2 P1 2P2 1 0
P 2P + + = 0.
1 2 P2 2P3 P3 P2 2P3 0 1 (A.40)

E, portanto,

2P2 + 1 = 0 P2 = 1 2

P3 + P1 2P2 = 0 P3 = 1 2 (A.41)
2 P 4 P + 1 = 0 P = 3 2
2 3 1

Menores principais :
1,5 0,5
P= P1 = 3 2 > 0 (A.42)
0,5 0,5 2
det(P) = 3 2 x 1 2 (1 2) > 0

Logo P f 0 , pois seus menores principais so positivos, e, portanto o sistema


exponencialmente estvel.

A soluo da equao de Lyapunov pode tambm ser obtida por meio de um


procedimento de otimizao convexa envolvendo LMIs. Definindo Tr(P) como o trao
da matriz P (isto , a soma dos elementos da diagonal principal de P), dadas as matrizes

A e Q = Q ' f 0 , tem-se (Oliveira et al., 2008)

min Tr (P)
P
(A.43)
sujeito a P f 0, A ' P + PA + Q p 0

A minimizao do trao leva a soluo para o mais prximo possvel da igualdade


(dentro da preciso numrica do solver de LMIs). Uma soluo definida positiva P
existe sempre que A for assintoticamente estvel. O Tr(P) uma funo linear dos
elementos da matriz P e, portanto, o problema convexo (minimizao de uma funo
objetivo linear com restries que definem um conjunto convexo). Usando a interface
Yalmip (Lfberg, 2004) que, dentre outros problemas de otimizao envolvendo

programao semidefinida, aplica-se tambm programao de LMIs, pode-se resolver


o problema de otimizao (A.43) no Matlab.

A.8 Ferramentas para a formulao LMI em problemas de controle

Nem todo resultado da teoria de controle aparece diretamente na forma de uma


LMI, como a equao de Lyapunov. Mas algumas ferramentas da lgebra matricial
ajudam a transpor estes resultados para uma formulao LMI (Trofino, 2000). Algumas
ferramentas bsicas, envolvendo matrizes, para a manipulao de LMIs podem ser
encontradas em diversos livros e artigos, como por exemplo, (Boyd et al., 1994),
(Gahinet et al., 1995), (Skelton et al., 1998), (Zhou et al., 1996).

A.8.1 Mudana de variveis

Muitos problemas de controle podem ser representados na forma de um


conjunto de desigualdades matriciais no lineares, isto , as desigualdades so no
lineares nas variveis matriciais procuradas. Contudo, definindo novas variveis
possvel linearizar as desigualdades no lineares, gerando assim, uma possibilidade de
solucionar esses problemas pelo mtodo LMI.

Exemplo A.6: Problema de sntese de controle com realimentao de estados. Seja o

problema de encontrar uma matriz F mxn tal que a matriz A + BF nxn tenha
todos os seus autovalores no semiplano esquerdo complexo. Pela teoria das equaes de
Lyapunov (ver Zhou et al., 1996), isto equivalente a encontrar uma matriz F e uma

matriz definida positiva P nxn tal que assegure a seguinte desigualdade

(A + BF )T P + P (A + BF ) p 0 (A.44)

ou

A T P + PA + F T B T P + PBF p 0 (A.45)

Este problema no est na forma LMI devido os termos que contm o produto de F e P.

Se (A.45) for multiplicado em ambos os lados por Q := P 1 (que no muda a definio


da expresso desde que posto (P) = posto (Q) = n) obtm-se

P 1A T PP 1 + P 1PAP 1 + P 1F T B T PP 1 + P 1PBFP 1 p 0 (A.46)

P 1A T + AP 1 + P 1F T B T + BFP 1 p 0 (A.47)

QA T + AQ + QF T B T + BFQ p 0 (A.48)

A expresso (A.48) uma nova desigualdade matricial nas variveis Q f 0 e


F, mas ela ainda no linear. Para retificar isto, ser definida uma segunda varivel L =
FQ. A varivel Q simtrica e, portanto, Q = QT. Aplicando a transposta de uma matriz
e multiplicando por BT em ambos os lados de L = FQ tem-se que LT BT = Q FT BT, que,
substituindo em (A.48), resulta em

QA T + AQ + LT B T + BL p 0 (A.49)

A desigualdade (A.49) um problema de factibilidade na forma LMI nas novas

variveis Q f 0 e L mxn . Uma vez que esta LMI solucionada pode-se recuperar a
matriz de realimentao de estado com F = LQ-1 e a varivel de Lyapunov com P = Q-1.
Portanto fazendo uma mudana de variveis pode-se obter uma LMI a partir de uma
desigualdade matricial no linear.

A.9 LMIs em sntese de controladores

A sntese de controladores uma tarefa bastante complexa por envolver um


grande nmero de variveis, como caracterstica da planta ou sistema a ser controlado
(linear, no linear, com incertezas), restries nas variveis de entrada e sada,
comportamento desejado (regulador, tracking), desempenho (tempo de resposta,
rejeio de perturbaes), etc.

As LMIs tambm podem ser utilizadas na soluo de problemas de sntese de


controladores, isto , na busca por uma lei de controle que estabilize assintoticamente
um sistema dinmico (Oliveira et al., 2008)

A.9.1 Realimentao de estados

Seja o sistema linear

x& = Ax + Bu, x n , u m (A.50)

O problema de estabilizao pode ser assim formulado: determinar uma matriz


K mxn tal que a lei de controle linear

u = Kx (A.51)

estabilize assintoticamente o sistema em malha fechada

x& = (A + BK)x (A.52)

Para sistemas precisamente conhecidos, ganhos de realimentao de estados que


estabilizam o sistema podem ser calculados por procedimentos de alocao de
autovalores, impondo que todos tenham parte real negativa. No contexto das LMIs, para
a determinao de um ganho K que estabilize o sistema, os passos so (Oliveira et al.,
2008):

escrever as condies de estabilidade para o sistema em malha fechada;

aplicar as equivalncias e mudanas de variveis que linearizem o problema,


transformando-os em LMIs. s vezes se faz necessria a aplicao do complemento de
Schur.

O sistema (A + BK) estvel se e somente se existir uma matriz de Lyapunov

P = P ' f 0 tal que

(A + BK)' P + P(A + BK) p 0 (A.53)

Por congruncia, tem-se


( )
P 1 (A + BK)' P + P(A + BK) P 1 = P 1A' + AP1 + P 1K ' B' + BKP1 p 0 (A.54)

1
e, com a mudana de variveis W = P , Z = KW chega-se LMI

AW + WA ' + BZ + Z ' B ' p 0 (A.55)

A condio de sntese de um ganho de realimentao de estados em termos de LMIs


pode ser formulada como o teorema a seguir

Teorema A.3: Existe K tal que (A + BK) estvel se e somente se existirem


W nxn e Z mxn tais que

W f 0, AW + WA' + BZ + Z' B' p 0 (A.56)

No caso afirmativo, o ganho dado por K = ZW 1 .

Prova: Com W f 0 e Z dados, a LMI acima pode ser reescrita

(A + BZW 1 )W + W (A + BZW 1 )' p 0 (A + BK )W + W (A + BK )' p 0 (A.57)

(
W-1 (A + BK)W + W(A + BK)' W -1 p 0 ) (A.58)

(A + BK)' P + P(A + BK) p 0, P = W-1, K = ZW-1 (A.59)

Com o teorema A.3, a busca conjunta do ganho K estabilizante e da matriz P de


Lyapunov foi transformada em um problema convexo. Esse resultado, formulado como
um teste de factibilidade de LMIs e publicado em (Bernussou et al., 1989), abriu
caminho para que inmeros problemas de controle e de filtragem para sistemas
dinmicos pudessem ser convertidos em problemas convexos.

A.10 Prova do complemento de Schur

Supondo que

Q( x ) S( x )
> 0 (A.60)
S( x )
T
R ( x )

e definindo

T
u Q( x ) S( x ) u
F(u , v ) =
R ( x ) v
T (A.61)
v S( x )

ento

F(u, v ) > 0 [u v] 0 (A.62)

Primeiro considera-se u = 0. Ento

F(0, v ) = v T R(x)v, v 0 R(x) > 0.

Depois considera-se que

v = R ( x ) 1S( x ) T u com u 0.

Ento

(
F(u, v ) = u T Q( x ) S( x )R ( x ) 1S( x ) T u > 0, ) u 0

Q(x) - S(x)R(x)-1S(x)T > 0.

Portanto,

Q(x) - S(x)R(x) -1S(x) T > 0, R(x) > 0 (A.63)

com F(u, v) definido em (A.61).

Fixando u e otimizando sobre v:

v FT = 2Rv + 2ST u = 0 (A.64)

Desde que R > 0, (A.64) fornece um extremo nico v = R 1ST u .

(
Substituindo em (A.61) tem-se que F(u ) = u T Q SR 1ST u . Para Q SR 1ST > 0 o ) ( )
mnimo de F(u) ocorre para u = 0, que tambm implica que v = 0. Assim, o mnimo de
F(u, v) ocorre em (0, 0) e igual a zero. Portanto, F(u, v) definido positivo.

A.11 Mnimo global e local

Definio A.1 (otimalidade global e local) Seja um subconjunto de um espao


normalizado . Um elemento x 0 considerado uma soluo tima local de

f : se existir um > 0 tal que

f ( x 0 ) f ( x ) (A.65)

para todo x com x x 0 < . O elemento ser chamado de soluo tima global se

(A.65) valer para todo x .

Em palavras, x 0 uma soluo tima local se existir uma vizinhana de x0 tal que
f(x0) f(x) para todos os pontos factveis prximos de x0. Segundo esta definio, uma
soluo tima global tambm tima na vizinhana.

Proposio A.1 Seja f : convexa. Toda soluo tima local de f uma soluo
tima global. Alm disso, se f estritamente convexa, ento a soluo tima global
nica.

Prova: Seja f convexa e considera-se que x 0 uma soluo tima local de f.

Ento para todo x e (0, 1) suficientemente pequeno,

f ( x 0 ) f (x 0 + ( x x 0 ) ) = f ((1 ) x 0 + x ) (1 )f ( x 0 ) + f ( x ) (A.66)

Isto implica que

0 (f ( x ) f ( x 0 ) ) (A.67)

ou f(x0) f(x). Portanto, x0 uma soluo tima global de f. Se f estritamente


convexa, ento a segunda desigualdade em (A.66) estrita tal que (A.67) torna-se estrita
para todo x . Portanto, x0 ser nica.

APNDICE B

Pacotes Yalmip e Sedumi no Matlab


Introduo

Neste apndice sero apresentados os pacotes que foram utilizados na


resoluo das LMIs. Inicialmente ser definido cada pacote com descrio de suas
caractersticas e principais aplicaes; em seguida ser discutida a construo de trs
algoritmos (passo a passo) para a soluo de alguns problemas conhecidos em controle
utilizando os pacotes Yalmip e Sedumi no sentido de fornecer uma compreenso geral
sobre as linhas de textos bem como as principais funes utilizadas pelos pacotes para
solucionar as LMIs ou problemas envolvendo LMIs.

B.1 Caractersticas dos pacotes Yalmip e Sedumi

Yalmip

Esse pacote (toolbox) permite que problemas envolvendo programao


matemtica sejam representados de maneira mais natural no Matlab. Ele pode ser usado
em diversas situaes. Por exemplo: em problemas de programao linear, programao
inteira e mista, problemas de programao semidefinida e em desigualdades matriciais
bilineares. Uma das grandes vantagens desse pacote que ele apresenta suporte para
vrios solvers (resolvedores). Por exemplo, esse pacote pode resolver LMIs com o
LMILab (solver do LMI control toolbox) ou com o Sedumi. Uma lista completa com
todos os solvers que esse pacote suporta pode ser encontrada no arquivo yalmip.htm
que est dentro da pasta yalmip (Assuno e Teixeira, 2001).

Sedumi

um pacote de otimizao restrito a cones de matrizes simtricas


desenvolvido por Jos Sturm (Sturm, 1999). Esse pacote um solver para problemas de
programao semidefinida. Nesse trabalho ele ser usado exclusivamente para a soluo
de LMIs. Atualmente os dois solvers mais usados na literatura especializada so o
LMILab e o Sedumi. O Yalmip funciona mais rpido com o Sedumi, da a motivao

para usar esse pacote. O LMILab possui um algoritmo baseado no mtodo de pontos
interiores, e a sua complexidade dada por K3L, j o Sedumi usa uma tcnica de
otimizao sobre cones homogneos duais, e a sua complexidade dada por: K2L2.5 +
L3.5, sendo K o nmero de variveis escalares e L o nmero de linhas usadas nas LMIs.
Assim, dependendo do problema um solver ser mais rpido que o outro. Atualmente
comum encontrar na literatura especializada, trabalhos em que o autor compara as
solues obtidas por esses dois solvers (Assuno e Teixeira, 2001).

B.2 Exemplos de aplicao de LMIs utilizando os pacotes Yalmip e Sedumi

Agora sero apresentados alguns comandos do pacote Yalmip, necessrios para


a soluo de LMIs. O exemplos B.1 e B.2 tratam do critrio de estabilidade de
Lyapunov, onde sero utilizados dois algoritmos para determinar uma matriz P que
garanta a estabilidade de um sistema autnomo. O primeiro algoritmo trabalha apenas
em cima das LMIs fornecidas pelo problema obtendo os resduos das restries do
problema de otimizao Primal e Dual, nesse algoritmo fornecida a matriz A e a
dimenso da matriz P. No segundo algoritmo a soluo da equao de Lyapunov
obtida por meio de um procedimento de otimizao, definindo o trao da matriz P como
uma funo objetiva a ser resolvida. O exemplo B.3 apresenta um algoritmo para a
soluo de um problema de projeto de controlador usando realimentao de estados.

Exemplo B.1: O sistema autnomo

x& = Ax (B.1)

com

0 1
A= (B.2)
1 2

exponencialmente estvel, onde, com uma soluo

1,5 0,5
P = (B.3)
0,5 0,5

tem-se que as seguintes LMIs so satisfeitas

P f 0,
(B.4)
A ' P + PA p 0

Um algoritmo para a verificao da estabilidade do sistema (B.1) no matlab via Yalmip


e Sedumi pode ser escrito da seguinte maneira (Assuno e Teixeira, 2001):

ALGORITMO 1

1) A = [0 1; -1 -2];

2) P = sdpvar (2, 2);

3) Restr = set (P > 0) + set (A'*P+P*A < 0);

4) solvesdp (Restr, [ ]);

5) [r, d] = checkset (Restr);

6) if sum (r < 0) == 0

7) disp ('Sistema estvel')

8) P_feasible = double(P);

9) else

10) disp ('Sistema instvel')

11) end

COMENTRIOS SOBRE AS LINHAS DE COMANDOS

Linha 1: declarao da matriz A.

Linha 2: nesse caso, a nica varivel do problema a matriz P, que dever ser
encontrada pelo solver. Para definir uma varivel no Yalmip usa-se o comando sdpvar.
Esse comando tem os seguintes argumentos:

sdpvar (n, m, 'field', 'type'), onde:


n : nmero de linhas da matriz;

m : nmero de colunas da matriz;

field = {'real', 'complex'} : diz se a matriz varivel real ou se assume nmeros


complexos;

type = {'symmetric', 'full', 'hermitian', 'toeplitz', 'hankel', 'skew'}: diz se a matriz varivel
simtrica, completa, ...

Os argumentos field e type foram omitidos no exemplo. Na verdade, esses


argumentos so muito pouco usados. Por exemplo, se a matriz varivel quadrada,
ento o Yalmip entende que sdpvar (2, 2) equivalente a: sdpvar (2, 2, 'real',
'symmetric').

Linha 3: mostra como se deve armazenar as restries do problema. Todas as


restries (LMIs) do problema devem ser escritas dentro do comando set ( ) e
armazenadas dentro de uma varivel, nesse caso a varivel Restr. Essa varivel usada
na linha 4 para resolver as LMIs.

Linha 4: a funo solvesdp o comando que diz para o Yalmip resolver as


LMIs. O solvesdp usado para resolver qualquer problema de otimizao. Os
argumentos dessa funo so:

sol = solvesdp(Restr, obj, opts)

sol: estrutura contendo as principais informaes sobre o processo de resoluo das


LMIs. Por exemplo, a estrutura mostra se o solver teve algum problema numrico
durante os clculos, se o solver encontrou uma soluo factvel, tempo gasto pelo
Yalmip para montar as LMIs e o tempo gasto pelo solver para resolv-las.

Restr: essa varivel contm todas as LMIs do problema (ver linha 3).

obj: essa varivel representa a funo objetivo do problema. Por default o Yalmip
entende que a varivel obj uma funo de minimizao, quando o problema for de
maximizao multiplica-se a varivel obj pelo sinal negativo (-obj). Esse argumento
tambm pode ser vazio ([ ]), como na linha 4 desse exemplo, como o objetivo do
exemplo era apenas a obteno de uma soluo factvel, ento a varivel obj vazia (obj
= [ ]).

opts: essa varivel contm uma estrutura do tipo sdpsettings. Com ela pode-se alterar o
solver usado pelo solvesdp, para resolver o problema. O Yalmip suporta vrios solvers,
dessa maneira pode-se escolher qual solver ser usado para resolver as LMIs. Quando o
Sedumi est instalado, o Yalmip automaticamente o transforma no solver padro.
Contudo, o Yalmip tambm permite que as LMIs sejam resolvidas com o solver do
matlab (LMILab). Para fazer isso basta usar os comandos: opts = sdpsettings e
opts.solver = 'lmilab'. Esses comandos criam uma varivel com a estrutura do tipo
sdpsettings, essa estrutura permite escolher o solver, e alterar alguns dos seus
parmetros.

Linha 5: a funo checkset obtm os resduos das restries do problema de


otimizao Primal e Dual.

Linhas 6: mostra como verificar se a soluo obtida pelo solvesdp realmente


satisfaz as restries LMI atravs do lao if.

Linha 8: a funo double converte a estrutura P (matriz varivel Yalmip) em


uma matriz numrica.

Resolvendo o exemplo proposto usando o algoritmo 1 obtm-se os seguintes


valores:

1,2633 0,3646
P= , autovalores de P = 0,3943 e 1,4163 (B.5)
0,3646 0,5473

Os autovalores da matriz P so positivos, logo a matriz definida positiva, alm disso,


os autovalores da matriz A'P + PA so negativos (-1,4603 e -0,72904). Ento, existe
uma matriz P satisfazendo as condies de Lyapunov (B.4) e, portanto o sistema (B.1)
estvel.

Exemplo B.2: O exemplo anterior, sobre a soluo da equao de Lyapunov, pode


tambm ser resolvido por meio de um procedimento de otimizao envolvendo LMIs,
onde se define Tr(P) como o trao da matriz P, dadas as matrizes A e Q = Q' > 0,
formulando assim, o seguinte problema (Oliveira et al., 2008)

min Tr (P)
P (B.6)
'
sujeito a P f 0, A P + PA + Q p 0

Portanto, utilizando os dados do exemplo anterior, temos o seguinte algoritmo de


soluo via Yalmip e Sedumi (Assuno e Teixeira, 2001):

ALGORITMO 2:

Primeiramente as matrizes que so dados do problema so criadas:

A = [0 1; -1 -2];

Q = eye(2);

A varivel que armazenar as LMIs do problema inicializada:

LMIs = set([ ]);

O nome LMIs opcional, pode-se usar qualquer nome aceito para a declarao de
variveis no matlab.

Na sequncia feita a declarao da matriz de Lyapunov usando o comando sdpvar,


que cria uma varivel matricial simtrica de dimenso 2 x 2:

P = sdpvar(2, 2, 'symmetric');

As LMIs a serem resolvidas so acrescentadas na varivel LMIs:

LMIs = LMIs + set(P > 0) + set(-A'*P-P*A-Q > 0);

As operaes de transposio e multiplicao de matrizes so feitas de maneira direta.

Como ltimo passo antes da resoluo, a funo objetivo do problema a ser resolvido
declarada:

obj = trace (P);

O commando trace do matlab pode ser aplicado normalmente em uma varivel do tipo
sdpvar.

Finalmente, o procedimento de otimizao executado por meio do comando


solvesdp e, neste caso, o resolvedor de LMIs escolhido foi o Sedumi (Sturn, 1999):

sol = solvesdp(LMIs, obj, sdpsettings ('solver', 'sedumi'))


Outros resolvedores poderiam ser escolhidos, como por exemplo o LMI Control
Toolbox (substituir sedumi por lmilab) ou o SDPT3 (substituir sedumi por sdpt30 (Toh
et al., 1999). Mais detalhes sobre resolvedores de programao semidefinida podem ser
encontrados no website do Yalmip, seo solvers.

O valor da funo objetivo pode ser conferido aplicando a funo double na


varivel que armazena os dados da funo objetivo:

double (obj)

ans =

2.0000

Similarmente, o valor da matriz de Lyapunov tambm pode ser conferido:

double (P)

and =

1.5000 0.5000

0.5000 0.5000

O valor, a menos de uma preciso numrica, igual ao valor obtido usando a equao
de Lyapunov. Portanto, comparando os valores da matriz P, obtida usando os algoritmos
1 e 2, tem-se que o mtodo do algoritmo 2 via procedimento de otimizao convexa
mais eficaz que o mtodo do algoritmo 1 visto que se iguala aos resultados obtidos se
fosse utilizado um mtodo analtico para resoluo.

Exemplo B.3: Projeto de controladores usando realimentao de estados.

Seja o sistema dinmico

x& ( t ) = Ax(t ) + Bu(t ) , (B.7)

sendo x ( t ) n os estados do sistema, A nxn e B nxm matrizes conhecidas e

u ( t ) m a entrada de controle. O projeto de controladores com realimentao de


estados consiste em encontrar uma matriz L mxn tal que ao realimentar o sistema (B.7)
com a entrada u(t) = -L x(t), o sistema em malha fechada

& (t) = (A BL)x(t), (B.8)


x

assintoticamente estvel.

O controlador L que garante a estabilidade assinttica de (B.8) pode ser


encontrado com as LMIs

Xf0
(B.9)
AX + XA ' BM M ' B' p 0

Sendo que o controlador L desejado dado por L = MX-1. Para resolver esse problema,
seja o seguinte sistema dinmico

x& 1 1 2 x1 0
= + u . (B.10)
x& 2 0 4 x 2 1

Os autovalores desse sistema so: 1 e 4, logo o sistema instvel. O objetivo projetar


um controlador L que seja capaz de estabilizar o sistema (B.10). Um algoritmo para
solucionar esse problema no matlab usando Yalmip e Sedumi descrito a seguir
(Assuno e Teixeira, 2001) .

ALGORITMO 3:

1) A = [1 2 ; 0 4];

2) B = [0 ; 1];

3) X = sdpvar(2,2);

4) M = sdpvar(1,2);

5) Restr = set(X > 0) + set(A*X+X*A' B*M M'*B' < 0);

6) solvesdp(Restr, [ ]);

7) [r, d] = checkset(Restr);

8) if sum (r < 0) == 0

9) disp('O sistema pode ser controlado')

10) X = double(X);

11) M = double(M);

12) L = M*inv(X)

13) Autovalor = eig(A-B*L)

14) else

15) disp('O sistema no pode ser controlado')

16) end

COMENTRIOS SOBRE ALGUMAS LINHAS DE COMANDO:

Nas linhas 3) e 4), como j foi comentado antes, quando a matriz quadrada o
Yalmip automaticamente entende que a matriz simtrica, na linha 3) o comando
equivalente a: X = sdpvar(2, 2, 'real', 'full'). Na linha 4) a matriz possui o nmero de
linhas diferente do numero de colunas, dessa forma o comando da linha 4) equivalente
a: M = sdpvar(1, 2, 'real', 'full').

Resolvendo o algoritmo acima no matlab obtm-se os seguintes valores:

0,8397 0,6
X=
0,6 1,4397


M = [ 0,1206 6,2589] (B.11)


L = MX = [4,219 6,1056]
1


com os autovalores da matriz A BL iguais a: -0,5528 2,455i.

B.3 Algoritmo utilizado para a simulao do processo no tanque

close all,
clear all,
clc
% SIMULAO DO PROCESSO DE 2a ORDEM MIMO DO TANQUE
% DADO AS SEGUINTES MATRIZES DE EQUAO DE ESTADOS
r1=[0.15 0.25]; r2=[0.2 0.3]; c1=5; c2=c1;

% OBTENDO AS INCERTEZAS DO PROCESSO


for i=1:2
for j=1:2
a{2*(i-1)+j}=[-r1(i)/c1 r1(i)/c1; r1(i)/c2 -((r1(i)/c2)+(r2(j)/c2))];
end
end
b(1,1)=1/c1; b(2,2)=1/c2; b(1,2)=0; b(2,1)=0; c=eye(2); d=zeros(2);

% APLICAO DO CONTROLE LQR-LMI NAS INCERTEZAS


for i=1:4
ahat{i}=[a{i} zeros(size(b)); -c zeros(size(d))];
end
bhat=[b; zeros(size(d))];

% PARAMETROS DAS MATRIZES DE PONDERAO


R=100*[1 0;0 1]; Q=[1 0 0 0;0 1 0 0;0 0 0.1 0;0 0 0 0.1];
% % gerando matrizes simetricas

LMIs=set([]);
X=sdpvar(2,2,'symmetric');
Y=sdpvar(2,4,'full');
P=sdpvar(4,4,'symmetric');
for i=1:4
LMIs=LMIs+set(P>0)+set([X sqrt(R)*Y; Y'*sqrt(R) P]>0);
LMIs=LMIs+set(ahat{i}*P+P*ahat{i}'-bhat*Y-Y'*bhat'+eye(4)<0);
end
obj=trace(Q*P)+trace(X);

sol=solvesdp(LMIs,obj);
khat=double(Y)*inv(double(P));

k=khat(1:2,1:2); ki=-khat(1:2,3:end);
r1=mean([0.15 0.25]); r2=mean([0.2 0.3]); c1=5; c2=5;
aa=[-r1/c1 r1/c1; r1/c2 -((r1/c2)+(r2/c2))];
A=[aa-b*k b*ki; -c zeros(size(d))];
B=[zeros(size(b)); eye(size(d))];
C=[c zeros(size(d))];
D=d;

x0=zeros(4,1); t=0:1:400; nit=length(t);


r=[0.2*ones(1,ceil(nit/2)) 0.15*ones(1,ceil(nit/2)-1);
0.1*ones(1,ceil(nit/2)) 0.15*ones(1,ceil(nit/2)-1)];

sys=ss(aa,b,c,d);
sysc=ss(A,B,C,D);
[y,t,x]=lsim(sysc,r,t,x0);
y=y+(1+2*rand)*1e-3*randn(size(y));
x=x+(1+2*rand)*1e-3*randn(size(x));
u=(-khat*x')';

% Respostas no tempo
figure(1),subplot(2,1,1), plot(t,r(1,:)','k-.',t,y(:,1),'k-
','linewidth',2), axis([0 nit-1 0 0.25]),
set(gca,'fontsize',10,'fontname','Times New Roman')
xlabel('Tempo(s)','fontsize',12,'fontname','Times New
Roman','fontangle','normal'),
ylabel('Altura h_1 (m)','fontsize',12,'fontname','Times New
Roman','fontangle','normal')
legend('ref','saida h_1'); grid
title('ALTURAS DO TANQUE','fontsize',12,'fontname','Times New
Roman','fontangle','normal')

subplot(2,1,2), plot(t,r(2,:)','k-.',t,y(:,2),'k-','linewidth',2),
axis([0 nit-1 0 0.25]),
set(gca,'fontsize',10,'fontname','Times New Roman')
xlabel('Tempo(s)','fontsize',12,'fontname','Times New
Roman','fontangle','normal'),
ylabel('Altura h_2 (m)','fontsize',12,'fontname','Times New
Roman','fontangle','normal')
legend('ref','saida h_2'); grid

figure(2),
subplot(2,1,1), plot(t,u(:,1),'k-','linewidth',2), axis([0 nit-1 -0.01
0.05]), grid
set(gca,'fontsize',10,'fontname','Times New Roman')
xlabel('Tempo(s)','fontsize',12,'fontname','Times New
Roman','fontangle','normal'),
ylabel('q_1 (m^3/s)','fontsize',12,'fontname','Times New
Roman','fontangle','normal')
title('VAZES DO TANQUE','fontsize',12,'fontname','Times New
Roman','fontangle','normal')

subplot(2,1,2), plot(t,u(:,2),'k-','linewidth',2), axis([0 nit-1 -0.01


0.05]), grid
set(gca,'fontsize',10,'fontname','Times New Roman')
xlabel('Tempo(s)','fontsize',12,'fontname','Times New
Roman','fontangle','normal'),
ylabel('q_2 (m^3/s)','fontsize',12,'fontname','Times New
Roman','fontangle','normal')

% Respostas na Frequencia
% Obteno das incertezas na frequncia
sys4=ss(double(a{4}),b,c,d); T4=sys4; S4=eye(2)-T4;
sys3=ss(double(a{3}),b,c,d); T3=sys3; S3=eye(2)-T3;
sys2=ss(double(a{2}),b,c,d); T2=sys2; S2=eye(2)-T2;
sys1=ss(double(a{1}),b,c,d); T1=sys1; S1=eye(2)-T1;

sys_ma=ss(aa,b,c,d);

T=sysc; %sensibilidade complementar


S=eye(2)-T; %sensibilidade
w=logspace(-3,2,200); %faixa de frequencia

M1=(sys1/sys_ma)-eye(2);
M2=(sys2/sys_ma)-eye(2);
M3=(sys3/sys_ma)-eye(2);
M4=(sys4/sys_ma)-eye(2);

s=tf('s');

Dm1=M1.c*inv(s*M1.e-M1.a)*M1.b+M1.d;
Dm2=M2.c*inv(s*M2.e-M2.a)*M2.b+M2.d;
Dm3=M3.c*inv(s*M3.e-M3.a)*M3.b+M3.d;
Dm4=M4.c*inv(s*M4.e-M4.a)*M4.b+M4.d;

figure(3),
sigma(T,'k-',T1,'k--',T2,'k--',T3,'k--',T4,'k--');
set(gca,'fontsize',10,'fontname','Times New Roman')
xlabel('Frequncia','fontsize',12,'fontname','Times New
Roman','fontangle','normal'),
ylabel('Amplitude','fontsize',12,'fontname','Times New
Roman','fontangle','normal')
title('SVD Aplicado T(s)','fontsize',12,'fontname','Times New
Roman','fontangle','normal')
legend('MTMF', 'MTMA');
grid;

figure(4),
sigma(S,'k-',S1,'k--',S2,'k--',S3,'k--',S4,'k--');
set(gca,'fontsize',10,'fontname','Times New Roman')
xlabel('Frequncia','fontsize',12,'fontname','Times New
Roman','fontangle','normal'),
ylabel('Amplitude','fontsize',12,'fontname','Times New
Roman','fontangle','normal')

title('SVD Aplicado S','fontsize',12,'fontname','Times New


Roman','fontangle','normal')
legend('MTMF', 'MTMA');
title('SVD Aplicado a S(s)');
grid

figure(5),
sigma(T/S,'k-',T1/S1,'k--',T2/S2,'k--',T3/S3,'k--',T4/S4,'k--');
set(gca,'fontsize',10,'fontname','Times New Roman')
xlabel('Frequncia','fontsize',12,'fontname','Times New
Roman','fontangle','normal'),
ylabel('Amplitude','fontsize',12,'fontname','Times New
Roman','fontangle','normal')
title('SVD Aplicado S','fontsize',12,'fontname','Times New
Roman','fontangle','normal')
legend('|GK|', 'G_i');
title('SVD Aplicado ao modelo controlado em MTMA');
grid

figure(6),
sigma(1/T,'k-',M1,'k--',M2,'k--',M3,'k--',M4,'k--');
set(gca,'fontsize',10,'fontname','Times New Roman')
xlabel('Frequncia','fontsize',12,'fontname','Times New
Roman','fontangle','normal'),
ylabel('Amplitude','fontsize',12,'fontname','Times New
Roman','fontangle','normal')
title('SVD Aplicado S','fontsize',12,'fontname','Times New
Roman','fontangle','normal')
legend('1/T', 'M(j\omega)');
title('Analise de Estabilidade Robusta');
grid

Referncias bibliogrficas

[1] Abdelaziz, T. H. S. and Valsek, M. Pole-placement for SISO linear systems by


state-derivative feedback, IEE Proceedings-Control Theory and Applications,
vol. 151, n 4, pp. 377-385, 2004.

[2] Aguirre, Lus Antonio. Enciclopdia de Automtica: controle e automao. 1 ed, So


Paulo: Blucher, 2007.

[3] Akguil, M. Topics in Relaxation and Ellipsoidal Methods, volume 97 of Research


Notes in Mathematics. Pitman, 1984.

[4] Alizadeh, F. Combinatorial Optimization with Interior-Point Methods and Semi-


Definite Matrices. PhD thesis,University of Minnesota, 1991.

[5] Alizadeh, F. Optimization over the positive semi-defnite cone: interior-point


methods and combinatorial algorithms, in: P. M. Pardalos (Ed.), Advances in
Optimization and Parallel Computing, Elsevier Science, 1992, pp. 1 25.

[6] Alizadeh, F., Haeberly, J. P. A., and Overton, M. L. Primal-dual interior-point


methods for semidefinite programming: Convergence rates, stability and
numerical results. SIAM Journal on Optimization, 8(3):746768, 1998.

[7] Anderson, B. D. O. Thesmall-gain theorem, the passivity theorem, and their


equivalence, J. Franklin Institute 293 (1972) 105-115.

[8] Arkun, Y., Banerjee, A., and Lakshmanan, N. M. Self scheduling MPC using LPV
models. In R. Berber, C. Kravaris (Eds.). Non linear Model Based Control.
NATO ASI Series. Kluwer Academic Publishers, London, 1998.

[9] Assuno, E., Teixeira M. C. M. Projeto de sistemas de controle via LMIs usando o
Matlab, in J. Balthazar, V. Oliveira, G. Silva e J. Rosrio (editores),
Aplicaes em Dinmica e Controle, So Carlos, pp. 350-368, 2001.

[10] Assuno, E., Andrea, C. Q. and Teixeira, M. C. M. Controle timo H2 e H com


Modificao de Zeros para o Problema de Rastreamento Usando LMIs, SBA
Controle & Automao 15(4): 413-422, 2004.

[11] Assuno, E., Teixeira, M. C. M., Faria, F. A., da Silva, N. A. P., and Cardim R.
Robust state-derivative feedback LMI-based designs for multivariable linear
systems, International Journal of ControlI, vol. 80, n 8, pp. 1260-1270,
August 2007.

[12] strom, K. J., Wittenmark, B. Adaptive Control, 2nd ed, Addison Wesley,
Reading, Massachusetts, 1995.

[13] Bachur, W. E. G., Gonalves, E. N., Palhares, R. M., Takahashi, R. H. C. Sntese


de Controladores Robustos por Realimentao Dinmica de sada
Considerando Modelo de Referncia Baseada em Otimizao no Espao de
parmetros do Controlador XVIII Congresso Brasileiro de Automtica, pp
4062-4067, 12-16 de Setembro de 2010.

[14] Banjerdpongchai, D., How, J. P. Parametric robust H2 control design with


generalized multipliers via LMI synthesis, Int. J. of Control 70 (1998) 481-503.

[15] Barmish, B. R. Necessary and sufficient conditions for quadratic stabilizability of


na uncertain system, Journal of Otimization Theory and Applications 46(4):
399-408, 1985.

[16] Beck, J. V., Arnold, K. J. Parameter Estimation in Engineering and Science, Wiley,
New York, 1997.

[17] Ben-Tal, A. and Nemirovski, A. Lectures on Modern Convex Optimization.


Analysis, Algorithms, and Engineering Applications. Society for Industrial and
Applied Mathematics, 2001.

[18] Berman, A. Cones, Matrices and Mathematical Programming. Springer, 1973.

[19] Bernussou, J., Peres, P. L. D. and Geromel, J. C. A linear programming oriented


procedure for quadratic stabilization of uncertain systems, Systems & Control
Letters 13(1): 65-72, 1989.

[20] Bertsekas, D. P. Convex Analysis and Optimization. Athena Scientific ,2003.

[21] Bertsimas, D., and Tsitsiklis, J. N. Introduction to Linear Optimization. Athena


Scientific, 1997.

[22] Bland, R. G., Goldfarb, D., and Todd, M. J. The ellipsoid method: A survey.
Operations Research, 29(6):1039{1091, 1981.

[23] Bjorck, A. Numerical Methods for Least Squares Problems. Society for Industrial
and Applied Mathematics, 1996.

[24] Boyd, S., El Ghaoui, L., Feron, E. e Balakrishnan, V. (1994). Linear Matrix
Inequalities in System and Control Theory, SIAM Studies in Applied
Mathematics, Philadelphia, PA.

[25] Boyd, S. P. e Vandenberghe, L. (2004). Convex Optimization, Cambridge


University Press, Cambridge, UK.

[26] Boyd, S., and El Ghaoui, L. Method of centers for minimizing generalized
eigenvalues. Linear Algebra and Applications, special issue on Numerical
Linear Algebra Methods in Control, Signals and Systems, 188:63{111, July
1993.

[27] Braatz, R. D., Crisalle, O. D. Robustness analysis for systems with ellipsoidal
uncertainty, Int. J. of Robust and Nonlinear Control 8 (1998) 1113-1117.

[28] Chen, C. T. Linear system theory and design, Oxford, 3 edition, 1999.

[29] Chilali, M., Gahinet, P., and Apkarian, P. Robust Pole Placement in LMI
Regions, IEEE Trans. Autom, Control, vol. 44, n 12, pp. 2257-2270, 1999.

[30] Dantzig, G. B. Linear Programming and Extensions .Princeton University Press,


1963.

[31] de Oliveira, M. C., Bernussou, J. e Geromel, J. C. (1999). A new discrete-time


robust stability condition, Systems & Control Letters 37(4): 261-265.

[32] de Oliveira, M. C., Geromel, J. C. e Hsu, L. (1999). LMI characterization of


structural and robust stability: the discrete-time case, Linear Algebra and Its
Applications 296(1-3): 27-38.

[33] Dorato, P., Abdallah, C., Cerone, V. Linear Quadratic Control, Prentice Hall,
Englewood Cliffs, New Jersey, 1995.

[34] Doyle. J. C., Glover, K., Khargonekar, P. P. and Francis, B. A. (1989). State-Space
solutions to standard H2 e H control problems, IEEE Transactions on
Automatic Control AC-34(8): 831-847.

[35] Doyle, J. C., Francis, B. A. e Tannebaum, A. (1992). Feedback Control Theory,


MacMillan, New York, NY.

[36] Feron, E., Balakrishnan, V., Boyd, S., and Ghaoui, L. El. Numerical methods for
H2 related problems, in Proc. ACC, 1992, pp. 2921-2922.

[37] Feron, E., Apkarian, P. e Gahinet, P. (1996). Analysis and synthesis of robust
control systems via parameter-dependent Lyapunov functions, IEEE
Transactions on Automatic Control 41(7): 1041-1046.

[38] Gahinet, P., Nemirovskii. A., Laub, A. J. and Chilali, M. LMI Control Toolbox
Users Guide, The Math Works Inc., Natick, MA, 1995.

[39] Garcia, C. E., Prett, D. M., Morari, M. Model predictive control: Theory and
practice a survey, Automatica 25 (1989) 335 - 348.

[40] Geromel, J. C., de Oliveira, M. C. e Hsu, L. (1998). LMI characterization of


structural and robust stability, Linear Algebra and Its Applications 285(1-3):
69-80.

[41] Ghaoui, L. El, Niculescu. Advances in Linear Matrix Inequations Methods in


Control. SIAM, 2000.

[42] Gonalves, E. N., Palhares, R. M. e Takahashi, R. H. C. (2005). Improved


optimization approach to the H2/H control problem for linear systems, IEEE
Proceedings Control Theory and Applications 152(2): 171-176.

[43] Gonzaga, C. C. Path-following methods for linear programming. SIAM Review,


34(2):167224, 1992.

[44] Himmelblau, D. M., Bischoff, K. B. Process Analysis and Simulation:


Deterministic Systems, John Wiley and Sons, New York, 1968.

[45] Hindi, H. (2004). A tutorial on convex optimization, Proceedings of American


Control Conference, Vol. ThP01.1, Boston, pp. 3252-3265.

[46] Hiriart-Urruty, J. -B. and Lemarchal, C. Fundamentals of Convex Analysis.


Springer, 2001. Abridged version of Convex Analysis and Minimization
Algorithms volumes 1 and 2.

[47] Hiriart-Urruty, J. -B. and Lemarchal, C. Convex Analysis and Minimization


Algorithms. Springer, 1993. Two volumes.

[48] Horn, R. A. and Johnson, C. R. Matrix Analysis, Cambridge University Press,


1985.

[49] Horn, R., and Johnson, C. Topics in Matrix Analysis. Cambridge University Press,
Cambridge, 1991.

[50] How, J. P., Hall, S. R. Connections between the Popov stability criterion and
bounds for real parameter uncertainty. in: Proc. of the American Control Conf.,
IEEE Press, Piscataway, New Jersey, 1993, pp. 1084-1089.

[51] Isermann, R., and Ball, P. Trends in the applications of model-based fault
detection and diagnosis of technical processes, Control Engineering Practice,
vol. 5, n 5, pp. 709-719, 1997.

[52] Kailath, T. Linear Systems, Prentice-Hall, Englewood Cliffs, New Jersey, 1980.

[53] Kanev, S., Scherer, C., Verhaegen, M. e de Schutter, M. (2004). Robust output-
feedback controller design via local BMI optimization, Automatica 40(7):
1115-1127.

[54] Kwak, S. K., Washington, G., and Yedavalli, R. K. Acceleration Feedback-Based


Active and Passive Vibration Control of Landing Gear Components, Journal
of Aerospace Enginnering, vol. 15, n 1, pp. 1-9, 2002.

[55] Ko, H. S., Dumont, G. A. Jatskevich, J., Moshref, A. A New LMI Representation
of LQR Based Voltage Control of Grid-Connected Wind Farm, Proceedings
of the 2006 American Control Conference Minneapolis, Minnesota, USA,
pp.851-856, June 14-16.

[56] Kolman, B, Hill, D. R.; Introduo lgebra linear: com aplicaes, Rio de
Janeiro: LTC, 2006.

[57] Laub, A. J. A Schur method for solving algebraic Riccati equations. IEEE Trans.
Aut. Control, AC-24(6):913{921, December 1979.

[58] Lawson C. L. and Hanson R. J.. Solving Least Squares Problems. Society for
Industrial and Applied Mathematics, 1995. First published in 1974 by Prentice-
Hall.

[59] Leite, V. J. S., Montagner, V. F., Ramos, D. C. W. e Peres, P. L. D. (2002).


Estabilidade robusta de sistemas contnuos do tempo atravs de desigualdades

matriciais lineares, XIV Congresso Brasileiro de Automtica, Natal, RN, pp.


2878-2883.

[60] Liu, R. W. Convergent systems, IEEE Trans. on Auto. Control 13 (1968) 384-391.

[61] Ly, J.H., Safonov, M.G., Ahmad, F. Positive real Parrott theorem with application
to LMI controller synthesis, in: Proc. of the American Control Conf., IEEE
Press, Piscataway, New Jersey, 1994, pp. 50 52.

[62] Lyapunov, A. M. The general problem of the stability of motion, International


Journal of Control 55(3): 531-534, 1992.

[63] Molinari, B. (1975). Conditions for nonpositive solutions of the Linear Matrix
Inequality, IEEE Transactions on Automatic Control 20(6): 804-806.

[64] Morari, M., Zafiriou, E. Robust Process Control, Prentice-Hall, Englewood Cliffs,
New Jersey, 1989.

[65] Ogata, K. Engenharia de Controle Moderno, traduo Paulo lvaro Maya; Revisao
Tcnica Fabrizio Leonardi [et al.] So Paulo; Prentice Hall, 2003.

[66] Ogunnaike, B., Wright, R. A. Industrial applications of non-linear control, in: J. C.


Kantor, C. E. Garcia, B. Carnahan (Eds.), Fifth International Conference on
Chemical Process Control vol. 93 of AIChE Symposium Series No. 316,
AIChE, New York, 1997, pp. 46-59.

[67] Ogunnaike, B. A., Ray, W. H. Process Dynamics, Modeling, and Control, Oxford
University Press, New York, 1994.

[68] Olalla, C., Leyva, R., El Aroudi, A., Queinnec, I. Robust LQR Control for PWM
Converters: An LMI Approach, IEEE Transactions on Industrial Electronics,
vol. 56, no. 7, pp 2548-2558, july 2009.

[69] Oliveira, R. C. L. F., de Oliveira, M. C. and Peres, P. L. D. Convergent LMI


relaxations for robust analysis of uncertain linear systems using lifted
polynomial parameter-dependent Lyapunov functions, Systems & Control
Letters 57(8): 680-689, 2008.

[70] Packard, A., Becker, G. Quadratic stabilization of parametrically-dependent linear


systems using parametrically-dependent linear dynamic feedback, Advances in
Robust and Nonlinear Control Systems DSC 43 (1992) 29 - 36.

[71] Pardalos, P. M., Rosen, J. B. Constrained Global Optimization: Algorithms and


Applications, volume 268 of Lecture Notes in Computer Science, Springer
Verlag ,Berlin, 1987.

[72] Peaucelle, D., Arzelier, D., Bachelier, O. e Bernussou, J. (2000). A new robust D-
stability condition for real convex polytopic uncertainty, Systems & Control
Letters 40(1): 21-30.

[73] Peressini, A. L., Sullivan, F. E, Uhl Jr., J. J. The Mathematics of Nonlinear


Programming, Springer-Verlag, New York, 1988.

[74] Perlmutter, D. D. Stability of Chemical Reactors, Prentice Hall, Englewood Cliffs,


NJ, 1972.

[75] Ramos, D. C. W. e Peres, P. L. D. (2001). A less conservative LMI condition for


the robust stability of discrete-time uncertain systems, Systems & Control
Letters 43(5): 371-378.

[76] Ramos, D. C. W. e Peres, P. L. D. (2002). An LMI conditions for the robust


stability of uncertain continuous-time linear systems, IEEE Transactions on
Automatic Control 47(4): 675-678.

[77] Rantzer, A. e Johansson, M. (2000). Piecewise linear quadratic optimal control,


IEEE Transactions on Automatic Control 45(4): 629-637.

[78] Ray, W. H. Advanced Process Control, McGraw-Hill, New York, 1981.

[79] Ricker, N. L. Model predictive control with state estimation, Ind. Eng. Chem. Res.
29 (1990) 374 - 382.

[80] Roberts, A. W. and Varberg, D. E.. Convex Functions. Academic Press, 1973.

[81] Rockafellar, R. T. Convex Analysis. Princeton University Press, 1970.

[82] Scilab Group, Scilab 2.1, users guide,Inria Technical Report, to appear.

[83] Skelton, R. E., Iwasaki, T. and Grigoriadis, K. A Unified Algebric Appoach to


Linear Control Design, Taylor & Francis, Bristol, PA, 1998.

[84] Skogestad, S., Morari, M., Doyle, J. C. Robust control of illconditioned plants:
High purity distillation, IEEE Trans. on Auto. Control 33(1988) 1092 1105.

[85] Skogestad, S., Postlethwaite, I. Multivariable Feedback Control: Analysis and


Design, Wiley, New York, 1996.

[86] Sonnevend, G. An analytical centre for polyhedrons and new classes of global
algorithms for linear (smooth, convex) programming. In Lecture Notes in
Control and Information Sciences, volume 84, pages 866878. Springer, 1986.

[87] Sturm, J. Using SeDuMi 1.02, a MATLAB toolbox for optimization over
symmetric cones, Optimization Methods and Software, vol.11/12, pp. 625-
653, 1999. version 1.05. [Online]. Available : http://fewcal.kub.nl/sturn.
ltimo acesso em 26 de outubro de 2011.

[88] Tiel, J. V. Convex Analysis. An Introductory Text. John Wiley & Sons, 1984.

[89] Toh, K. C., Todd, M. J. and Tutuncu, R. SDPT3 a Matlab software package for
semidefinite programming, Version 1.3, Optimization Methods and Software
11(1): 545-581, 1999.

[90] Trofino, A. Controle Robusto. UFSC, Florianpolis, SC, 2000.

[91] Trofino, A, Coutinho, D, Barbosa, K. A, Sistemas multivariveis: Uma abordagem


via LMIs Verso preliminar, Florianpolis, agosto de 2003. Disponvel em:
http://www.das.ufsc.br/~trofino/disciplinas/das-6600/. ltimo acesso em 26 de
outubro de 2011.

[92] Uhlig, F. A recurring theorem about pairs of quadratic forms and extensions: A
survey. Linear Algebra and Appl., 25:219{237, 1979.

[93] Valentine, F. A. Convex Sets. McGraw-Hill, 1964.

[94] VanAntwerp, J. G., Braatz, R. D., Sahinidis, N. V. Globally optimal robust reliable
control of large scale paper machines, in: Proc. of the American Control Conf.,
IEEE Press, Piscataway, NJ, 1997, pp. 1473-1477.

[95] Vandenberghe, L., Boyd, S. Semidefinite programming, SIAM Review 38 (1996)


49 95.

[96] Yang, R., Lu. e Xie, L. (2005) Robust H2 e H controlo f discrete-time systems
with polytopic uncertainties via dynamic output feedback, International Journal
of Control 78(16): 1285-1294.

[97] Zhong, M., Ding, S. X., Lam, J., and Wang, H. An LMI approach to design robust
fault detection filter for uncertain LTI systems, Automatica, vol. 39, n 3, pp.
543-550, 2003.

[98] Zhou, K., Doyle, J. C. and Glover, K. Robust and Optimal Control, Prentice Hall,
Upper Saddle River, NJ, USA, 1996.

[99] Webster, R. Convexity. Oxford University Press, 1994.

[100] Willems, J. C. Least squares stationary optimal control and algebrics Riccati
equation, IEEE Transactions on Automatic Control AC-16(6): 621-634, 1971.

[101] Wylie, C. R., Barrett, L. C. Advanced Engineering Mathematics, 6th ed,


McGraw-Hill, New York, 1995.

[102] Zhou, K., Doyle, J. C., Glover, K. Robust and Optimal Control, Prentice-Hall,
New Jersey, 1995.

[103] Zhou, K., Khargonekar, P. P. An algebraic Riccati equation approach to h


optimization, Systems and Control Letters 11 (1988) 85-91.