Control Robusto y LPV

Control Robusto y LPV
Notas de Aula
Juan Carlos Cutipa Luque
Departamento Académico de Ingeniería Electrónica
12 de junio, 2019
Introducción
Contenidos:
1 Norma H∞ .
2 Control H∞ .
3 Aplicación del Control H∞ .
4 Sistemas LPV (Linear Parameters Varying).
5 Clases de Sistemas Sistemas LPV.
6 Estabilidad de Sistemas LPV.
7 Control de Sistemas LPV.
El objetivo del curso es introducir conceptos relacionados al control de
sistemas no lineales mediante el uso de técnicas de control Robusto y LPV
(Linear Parameter Varying)
Juan Carlos Cutipa Luque The power is in knowledge on robotics and automation
Norma H∞
Definición (Norma H∞ )
La Norma H∞ de un sistema LTI definido por la representación de
estados (A, B, C, D) de una entrada w(t) a una salida z(t), es la
ganancia inducida energía a energía (Norma inducida L2 ) de la forma:
||G(jω)||∞ = supω∈IR σ̄(G(jω)),

||z(s)||2
= supw(s)∈H2 ,
||w(s)||2 (1)
||z||2
= maxw(t)∈L2 .
||w||2
Esta norma representa la máxima ganancia de la respuesta en

frecuencia del sistema.
Para sistemas SISO es el pico máximo en la magnitud de Bode.
En sistemas MIMO esta norma solo puede ser obtenida a través de
soluciones numéricas.
Norma H∞
SVD (Singular Value Decomposition)
Valor Singular Máximo
||Gd ||2
max = σ̄(G). (2)
d6=0 ||d||2
Valor Singular Mínimo
||Gd ||2
min = σ(G). (3)
d6=0 ||d||2
Norma H∞
Caracterización de la Norma H∞
Para el caso de una matriz de transferencia G(s): m entradas, p salidas.
u vector de entradas, y vector de salidas.
||z(w)||2
σ(G(jω)) ≤ ≤ σ̄(G(jω)). (4)
||d(w)||2
Ejemplo: Un sistema doble

masa-resorte-amortiguador, de 2 entradas:
F1 y F2 , 2 salidas: x1 y x2 .
Control H∞
Control H∞ : Configuración general
Enfoque introducido por Doyle (1983).
donde P es la planta generalizada, K es el controlador. La matriz de

transferencia lazo cerrado de w a z está dada por:
Tzw = Fl (P, K) = P11 + P12 K(I − P22 K)−1 P21 , (5)
donde Fl (P, K) es la Transformación Fraccional Linear inferior.
Control H∞
Definición del Problema
El objetivo del control es minimizar alguna norma de la función de

transferencia de w a z, por ejemplo la norma H∞ .
Definición (problema de control subóptimo H∞ )
Sea γ un nivel de atenuación prestablecido, el problema de control

sub-óptimo H∞ es diseñar un controlador que asegure:
||Tzw (s)||∞ = max σ̄(Tzw (jω)) ≤ γ, (6)

ω
el objetivo del problema es encontrar γmin (puede hacerse usando

hinfsyn en MATLAB).
Control H∞
El problema de control por realimentación de estados
Consideremos el sistema:
ẋ(t) = Ax(t) + B1 w(t) + B2 u(t),
(7)
z(t) = Cx(t) + D11 w(t) + D12 u(t).
El objetivo es encontrar una ley de control en lazo cerrado u = −Kx tal

que:
||Tzw (s)||∞ ≤ γ, (8)
el método consiste en aplicar el Bounded Real Lemma (BRL) al sistema
lazo cerrado. Esto es posible solo si existe una matriz simétrica definida
positiva P (P = P T > 0) tal que:
(A − B2 K)T P + P (A − B2 K) P B1 CT
 
 ∗ −γI DT  < 0, P > 0. (9)
∗ ∗ γI
Control H∞
El caso de la salida dinámica realimentada
El procedimiento para resolver el problema de control es:
Encontrar P : Contruir el esquema de control en lazo cerrado
correspondiente al problema de control. Para ello está disponible en
MATLAB la herramienta sysic.
Encontrar K: Usar un algoritmo de optimización para encontrar el
controlador K que resuelva el problema de control. La solución para
el controlador H∞ puede ser obtenida mediante la ecuación de
Riccati o el enfoque LMI.

 ẋ = Ax + B1 w + B2 u,
P = z = C1 x + D11 w + D12 u, (10)
y = C2 x + D21 w + D12 u.

Control H∞
Formulación del Problema
Sea K un controlador LTI definido como:

ẋK (t) = AK xK (t) + BK y(t),
K(s) : (11)
u(t) = CK xK (t) + DK y(t).
El sistema lazo cerrado N (s) es:

ẋcl (t) = ACL xcl (t) + BCL w(t),
N (s) : (12)
z(t) = CCL xcl (t) + DCL w(t).
Donde xTcl = [xT (t) xTK (t)] y:


A + B2 DK C2 B2 CK
ACL = ,


BK C2 AK




B1 + B2 DK D21

BCL = , (13)

 BK D21
CCL = C1 + D12 DK C2 D12 CK ,




DCL = B1 + B2 DK D21 .

Control H∞
El enfoque LMI para el control H∞
El objetivo es encontrar un controlador K para un sistema P tal que γ∞ :
||Fl (P, K)||∞ < γ∞ , (14)
la norma mínima es indicada como γ∞ y llamada ganancia H∞ óptima.
γ∞ = min ||Tzw (s)||∞ , (15)

AK ,BK ,CK ,DK
entonces el sistema es internamente estable si cumple el BRL de forma

que:  T T

ACL P + PACL PBCL CCL
T
 BCL P −γ22 I T 
DCL < 0. (16)
CCL DCL −I
Aplicación del Control H∞
Un esquema de control 1DOF
La salida y la entrada de control satisfacen las siguientes ecuaciones:
(Ip + G(s)K(s))y(s) = (GKr + dy − GKn + Gd − i),

(17)
(Im + K(s)G(s))u(s) = (Kr − Kdy − Kn − KGdi ).
Definiciones
Funciones de sensibilidad de salida y sensibilidad complementaria de
salida:
Sy = (Ip + GK)−1 , Ty = (Ip + GK)−1 GK, Sy + Ty = Ip . (18)
Funciones de sensibilidad de entrada y sensibilidad complementaria de

entrada:
Su = (Im + KG)−1 , Tu = KG(Im + KG)−1 m Su + Tu = Im . (19)
Funciones de Ponderación
Las funciones de ponderación permiten asegurar la robustez y
performance del sistema de control, de forma que:
1
|S(jω)| ≤ , ∀ω ⇔ ||We S||∞ ≤ 1, (20)
|We (jω)|
donde We (s) es una función elegida por el diseñador. Especificaciones

típicas en términos de S incluyen:
Frecuencia mínima de ancho de banda ωS .
Error máximo en las frecuencias seleccionadas.
Tipo de sistema o el máximo error en estado estacionario.
Forma de S sobre los rangos de frecuencia seleccionados.
Máximo pico de magnitud de S, ||S||∞ < M (s).
Función de sensibilidad S
1
S(s) = ,
1 + K(s)G(s)
(21)
1 s + ωb
= ,
We (s) s/MS + ωb
generalmente se considera ' 0,

MS < 2 (6dB) o (3dB), ωb está
relacionado con el ancho de banda
CL.
Rápido rechazo a
perturbaciones.
Rápida respuesta en CL.
Robustez ante incertidumbres
paramétricas.
Función KS
K(s)
KS(s) = ,
1 + K(s)G(s)
(22)
1 1 s + ωbc
= ,
Wu (s) s + ωbc /Mu
Mu es escogido de acuerdo al
comportamiento en bajas
frecuencias.
Limitar ruidos en la medida.
Reduce los efectos debido a
errores en el modelo.
Función T
K(s)G(s)
T (s) = ,
1 + K(s)G(s)
(23)
1 T s + ωbt
= ,
WT (s) s + ωbt /MT
suele ser considerado ' 0.

Mejora el rechazo a efectos de
ruido.
Mejora los errores de modelo en
altas frecuencias.
Función SG
G(s)
SG(s) = ,
1 + K(s)G(s)
(24)
1 s + ωSG SG
= .
WSG (s) s/MSG + ωSG
Objetivos finales
En la síntesis del controlador, todas las especificaciones buscan abordar
este problema. Encuentra K(s) tal que:

We S

Wu KS
≤ 1, (25)
WT T

WSG SG
∞
una forma simplificada es llamado problema de sensitividad mixta:

We S
Wu KS ≤ 1. (26)

∞
Control H∞ con sensitividad mixta
Las especificaciones de performance en el error de seguimiento y en el
actuador están dadas como funciones de ponderación en la salida
controlada, teniendo como resultado el siguiente esquema:
Asociado a la configuración general de control:
Control H∞ con sensitividad mixta
El problema de control H∞ se resuelve encontrando un controlador K(s)
tal que:
We S
||Tew (s)||∞ =
Wu KS ≤ γ,
(27)
∞
Con
Tew (s) = Fl (P, K) = P11 + P12 K(I − P22 K)−1 P21

We −We G We S
= + K(I + GK)−1 = .
0 Wu Wu KS
Ejemplo: Control de la dinámica Pitch de la Aeronave HIMAT (Adaptado
de MathWorks)
En la figura se observa la aeronave no tripulada HIMAT desarrollada por

la NASA. Para este ejemplo tomaremos en cuenta.
Las entradas:
Desviación del canard.
Desviación del alerón.
Y las salidas:
Ángulo de ataque α.
Ángulo de pitch θ.
La representación en espacio de estados G = (A, B, C, D) está dada por:
La respuesta temporal del sistema es :
El objetivo será controlar correctamente los ángulos θ y α mediante las

entradas del alerón y el canard evitando efectos de acoplamiento entre las
salidas.
Basados en las condiciones de diseño establecemos las funciones de
ponderación We y Wu , y construímos la planta aumentada :
Sintetizamos el controlador haciendo uso de la función hinfsyn.
Las opciones nmeas y nu

corresponden a las salidas medidas y
a las entradas de control
respectivamente.
Se puede comprobar un valor γ∞ = 1,6, el cual es un valor cercano al
óptimo. Mejores resultados son obtenidos ajustando las funciones de
ponderación, ello dependerá de la precisión del controlador que considere
el diseñador.
Podemos evaluar el desempeño del sistema obteniendo las funciones de
sensibilidad. De donde se puede obtener la respuesta temporal en lazo
cerrado y las respuestas en frecuencia:
Respuesta temporal en lazo cerrado Respuesta en frecuencia
Se puede apreciar que el controlador H∞ cumple el objetivo de setear
correctamente los parámetros α y θ, además de desacoplar la planta. La
otra figura muestra la respuesta en frecuencia de las funciones de
sensibilidad, pueden realizarse evaluaciones independientes y conforme a
ello sintonizar de mejor manera el controlador. Por ejemplo:

We S
Wu KS ≤ 1.

∞
Sistemas LPV (Linear Parameter Varying)
Linear Parameter Varying System
Un sistema LPV tiene la forma la forma:
     
ẋ A(ρ) B1 (ρ) B2 (ρ) x
Σ(ρ) :  z  =  C1 (ρ) D11 (ρ) D12 (ρ)  =  w  , (28)
y C2 (ρ) D21 (ρ) D22 (ρ) u
donde x(t) ∈ IR,...,ρ = (ρ1 (t), ρ2 (t), ..., ρN (t)) ∈ Ω, es un vector de

parámetros variantes en el tiempo ( sea Ω un conjunto convexo).
ρ(.) varía en el conjunto de las curvas paramétricas continuas
diferenciables ρ : [0, ∞) → IRN . Son asumidos como conocidos o
medibles.
Los parámetros ρ son siempre asumidos como acotados, definidos
por el mínimo y máximo valor de pi (t)
pi (t) ∈ |ρi , ρ̄i |, ∀i. (29)
El sistema de matrices A(.) es continuo en Ω.
Parámetros Variantes
Los parámetros son exógenos si son variables externas. El sistema en
este caso es no estacionario.
Los parámetros son endógenos si son funciones de las variables de
estado ρ = ρ(x(t), t). En estos casos el sistema LPV es conocido
como sistema quasi-LPV. Este caso puede ser encontrado al
aproximar sistemas no lineales. Ejm:
ẋ = x2 (t) = ρ(t)x(t),
con ρ(t) = x(t).

Otras representaciones pueden ser consideradas si ρ es constante por
tramos, o varía en un conjunto finito de elementos para sistemas
switching.
Los sistemas LPV pueden modelar sistemas inciertos (ρ fijo pero
desconocido) o sistemas de parámetros variantes (ρ(t)).
Ejemplo: Sistema masa-resorte (Adaptado, Scherer ACC Tutorial 2002)
En este ejemplo se muestra la respuesta en frecuencia y tiempo de un
sistema de parámetros variantes exógenos.
Sistema masa-amortiguador-resorte:
p̈ + cṗ + k(t)p = u, y = x,
La representación en espacio de
estados es:

d p 0 1 p 0
= + u,
dt ṗ −k(t) −c ṗ 1

p
y= 1 0
ṗ
Nótese que la masa está incluida en los parámetros para hacer más
sencillo el modelo.
La resolución de este ejemplo se realiza simulando la variación del
parámetro exógeno k(t) dependiente de la constante ρ ∈ [0 : 1] como se
muestra en el código de MATLAB:
Clases de Sistemas LPV
Parámetros Afines Dependientes
En este caso, el sistema de matrices es tal como:
A(ρ) = A0 + A1 ρ1 + ... + AN ρN , (30)
Este es el caso del sistema masa-resorte-amortiguador:
p̈ + cṗ + k(t)p = u,
Considerando el sistema en representación de espacio de estados:

ẋ = A(k(t))x(t) + Bu(t)
, (31)
y = Cx(t) + Du(t)
con x(t) ∈ IR2 y

0 1 0
A(k(t)) = , B= , C= 1 0 , D = 0,
−k(t) −c 1
Señalando el parámetro variante ρ(t) = k(t) tenemos:

0 1 0 0
A0 = , A1 = .
0 −c −1 −0
Parámetros polinomiales dependientes
En este caso, el sistema de matrices es tal que:
A(ρ) = A0 + A1 ρ1 + A2 ρ22 ... + AS ρS , (32)
Ejemplo
Consideremos el siguiente sistema:
ẋ = x3 (t),
El cual puede ser reescrito así:
ẋ(t) = ρ(t)2 x(t) con ρ(t) = x(t)
Nota: Hay que tener cuidado al modelar sistemas de este tipo, ya que
una variable endógena produce un sistema quasi-LPV.
Parámetros racionales dependientes
En este caso se tiene una matriz de la forma:
A(ρ) = [An0 +An1ρn1 +...+AnN ρnN ][I +Ad1ρd1 +...+AdN ρdN ]−1 . (33)
Ejemplo: El modelo de bicicleta

El modelo a continuación estudia las dinámicas laterales de una bicicleta
mediante el ángulo yaw ψ y el angulo de deslizamiento β.
" l2 +l2 Cr
# " lf C f #
lr Cr −lf Cf

ψ̈ − f Izrv ψ̇
= l C −l C
Iz
C +C
+ Iz
Cf δ+ ,
β̇ 1 + r rmv2f f − fmv r β mv
siendo δ + el ángulo de manejo.

Considerando la velocidad longitudinal v como el parámetro variante
ρ = v, este modelo puede ser visto como un sistema LPV con
dependencia racional en ρ.
Modelo politopico
Un sistema politopico es representado como:
N
Z 2
X A Bk X
Σ(ρ) = αk (ρ) k , con αk (ρ) = 1, α(ρ) > 0,
Ck Dk
k=1 k=1

Ak B k
donde son sistemas LTI. Esta representación puede ser usada
Ck Dk
para reescribir un sistema LPV de parámetros afines. Asumiendo que los
parámetros son acotados (ρi ∈ [ρi ρ̄i ]), el vector de parámetros se
encierra dentro de un politopo representado por Z = 2N de vertices ωi .
Esto puede ser reescrito como la combinación convexa:
Z
X Z
X
ρ= αi ωi , αi ≥ 0, αi = 1, (34)
i=1 i=1
donde los vértices están definidos por el vector ωi .

Modelos LFT o LFR
La ecuación de los sistemas LFR (Linear Fractional Representation) sigue:
    
ẋ A B∆ B1 B2 x
 z∆   C∆ D∆∆ D∆1 D∆2   w∆  ,
 
 z  =  C1
  
D1∆ D11 D12   w 
y C2 D2∆ D21 D22 u
(35)
La representación LFR da la función de
transferencia de w a z, y se conoce como la LFT
(Linear Fractional Transformation) superior:
Fu (N, ∆) = N22 + N21 ∆(I − N11 ∆)−1 N12 . (36)
Modelo basado en Cuadrículas
Un sistema LPV puede ser representado como un sistema de espacio de
estados S(p) que depende del vector de parámetros variantes p ∈ P. Un
modelo LPV basado en cuadrículas es un conjunto de linealizaciones de
los parámetros en el dominio de la cuadrícula.
Para cada punto en la cuadrícula p̂k corresponde un sistema LTI
(A(p̂k ), B(p̂k ), C(p̂k ), D(p̂k )).
Esto se muestra graficamente en la figura. Existe una herramienta de

MATLAB para desarrollar esta clase de sistemas, el LPVtools.
Estabilidad de Sistemas LPV
Estabilidad robusta con incertezas invariantes en el tiempo:
Este concepto es muy útil para el análisis de sistemas con incertezas.
ẋ = A(δ)x,
¿Es el sistema asintóticamente estable para todos los δ en el conjunto de
∆?
Definición: El sistema considerado se dice que es asintóticamente estable
para todas las incertezas δ ∈ ∆ si existe una función de Lyapunov
V (x) = xT P x con P = P T > 0 tal que:
A(δ)T P + P A(δ) < 0, ∀δ ∈ ∆. (37)
Estabilidad cuadrática para parámetros variantes en el tiempo
ẋ = A(ρ(t))x,
donde ρ(t) es es un vector variante en el tiempo en un conjunto Ω. Si

existe P = P T > 0 tal que :
A(ρ(t))T P + P A(p(t)) < 0, ∀ρ(t) ∈ Ω,
entonces el sistema es estable para incertezas con alta variación en el

tiempo.
Nótese que un sistema politopico no es un sistema politopico incierto.
Funciones de Lyapunov con parámetros variantes
Consideremos una función de Lyapunov de parámetros dependientes
Vρ (x(t)) = x(t)T P (ρ)x(t) > 0 para cada x 6= 0 y V (0) = 0.
El sistema LPV incierto ẋ = A(p(t))x es exponencialmente estable si
existe Vρ tal que:
N
X δP (ρ)
A(ρ)T P (ρ) + P (ρ)A(ρ) + ρ̇i < 0, ∀ρ(t) ∈ Ω, (38)
i=1
δρi
en el cual, en adición a los parámetros acotados, se necesita considerar la

velocidad de la variación. Tal condición es más compleja ya que:
Involucra la diferenciación parcial de P .
Tiene que ser verificado para todos los ρ(t) ∈ Ω.
Implica que escoger una parametrización de P (p): de afin a
polinomial.
Estabilidad de modelos LFR en sistemas LPV
En este caso, el método corresponde a la generalización de la estabilidad
robusta para modelos LFR. Se considera que una matriz tiene una
estructura diagonal.
∆(ρ) = diag(In1 ∗ ρ1 , ..., Inp ∗ ρp ), (39)
Introducimos un conjunto escalar definido por:
L∆ := L > 0 : L∆(ρ) = ∆(ρ)L, ∀∆. (40)
Lema: El sistema LFR (A, B∆ , C∆ , D∆∆ ) es asintóticamente estable y

||L1/2 (D∆∆ + C∆ (sIn − A)−1 B∆ )L−1/2 ||∞ si existe P = P T > 0 y
L ∈ L∆ tal que:
 T T

A P + P A P B∆ C∆ L
T
 ∗ −L D∆∆ L < 0. (41)
∗ ∗ −L
Estabilidad L2 de sistemas LPV
Definición:
Dado un sistema LPV paramétricamente estable
Σ( ρ) = (A(ρ), B(ρ), C(ρ), D(ρ)) para condiciones iniciales x0 . La norma
inducida L2 es definida como:
||y||2
||Σρ ||i,2 = sup sup ,
ρ(t)∈Ω w(t)6=0∈L2 ||u||2
Teorema: Una condición suficiente para la estabilidad L2 del sistema Σρ

es la generalización del BRL.
PN
A(ρ)T P (ρ) + P (ρ)A(ρ) + i=1 ν̇i δPδρ(ρ)
 
i
P (ρ)B(ρ) C(ρ)T
 B(ρ)T P (ρ) −γI D(ρ)T  < 0, ∀i,
C(ρ) D(ρ) −γI
(42)
entonces ||Σρ ||i,2 ≤ γ.
Control de Sistemas LPV
El Problema de Control H∞ en estados realimentados:

ẋ = A(ρ)x(t) + B1 (ρ)w(t) + B2 (ρ)u(t)
, (43)
y = C(ρ)x(t) + D11 (ρ)w(t) + D12 (ρ)u(t)
el objetivo es encontrar una ley de control u = −K(ρ)x tal que:
||Tyw (s)||∞ ≥ γ (44)
El método consiste en aplicar el BRL al sistema lazo cerrado en

combinación al criterio de estabilización cuadrática tal que:
(A(ρ) − B2 (ρ)K(ρ))T P + P (A(ρ) − B2 (ρ)K(ρ)) P B1 ρ (C(ρ) − D12 (ρ)K(ρ))T L

 
 ∗ −γI T
D11 (ρ)  < 0. (45)
∗ ∗ −γI
Solución del problema de control de estados realimentados:
Uso de cambio de variables
Usando Q = P −1 y Y (ρ) = −K(ρ)P −1 , esto conduce a Q > 0 y
A(ρ)Q − B2 (ρ)Y (ρ) + QAT (ρ) + Y (ρ)T B2T (ρ) B1 (ρ) QC T (ρ) − Y T (ρ)D12
T
 
(ρ)
 ∗ −γI T
D11 (ρ)  < 0, (46)
∗ ∗ −γI
Y el controlador en lazo cerrado es:
K(ρ) = −Y (ρ)Q−1 . (47)
El problema de control H∞ /LP V
Planta generalizada LPV:

     
ẋ A(ρ) B1 (ρ) B2 (ρ) x
Σ(ρ) :  z  =  C1 (ρ) D11 (ρ) D12 (ρ)  =  w  ,
y C2 (ρ) D21 (ρ) D22 (ρ) u
estructura de control LPV:

x˙c Ac (ρ) Bc (ρ) xc
S(ρ) : = = ,
u Cc (ρ) Dc (ρ) y
sistema en lazo cerrado LPV:
ξ˙

A(ρ) B(ρ) ξ
CL(ρ) : = ,
z C(ρ) D(ρ) w
estabilizar el sistema CL(ρ) (hallando K > 0) mientras se minimiza γ∞ .
A(ρ)T K + KA(ρ) KB∞ (ρ) C∞ (ρ)T

 
 B∞ (ρ)T K 2
−γ∞ I D∞ (ρ)T  < 0. (48)
C∞ D∞ (ρ) I
Enfoque Polytopic
Resolver el LMI de cada vertice del politopo formado por los valores
extremos de cada parámetro variante, con una función de Lyapunov K:
Z
X Ac (ωk) Bc (ωk)
C(ρ) = αk (ρ) . (49)
Cc (ωk) Dc (ωk)
k=1
Se resuelve el problema de cada vértice de los puntos parametrizados
(ilustración para 2 parámetros) mediante:
AX + B2 C̃(ρ1 , ρ2 ) + (∗)T (∗)T (∗)T (∗)T

 
 Ã(ρ1 , ρ2 ) + AT Y A + B̃(ρ1 , ρ2 )C2 + (∗)T (∗)T T
(∗) 
 < 0, (50)
 BT1 B1T Y + D21T
B̃(ρ1 , ρ2 )T −γI (∗)T 
C1 X + D12 C̃(ρ1 , ρ2 ) C1 D11 −γI

X I
> 0, (51)
I Y
Reconstruyendo el controlador tal que:
C̃(ρ1 , ρ2 )M −T

 Cc (ρ1 , ρ2 ) =

Bc (ρ1 , ρ2 ) = N −1 B̃(ρ1 , ρ2 )

, (52)
A (ρ , ρ ) = N −1 (Ã(ρ1 , ρ2 ) − Y AX − N Bc (ρ1 , ρ2 )C2 X
 c 1 2


−Y B2 Cc (ρ1 , ρ2 )M T )M −T
donde M y N están definidas de tal forma que M N T = I − XY .
Ejemplo: Misil Patriot (G.E. Dullerud and F. Paganini)
Se toma como base las dinámicas linealizadas del misil Patriot.

α̇ −Zα 1 α 0
= + δ ,
q̇ −Mα 0 q 1 m

azv −1 0 α
= ,
q 0 1 q
donde:
α: ángulo de ataque.
q: pitch rate.
azv : aceleración vertical normalizada.
δm : deflexión del alerón.
Zα , Mα son coeficientes aerodinámicos medibles.
Representación de Parámetros
Sistema LPV vía enfoque politópico
Planta P
Especificación del Problema
El objetivo es controlar la aceleración vertical azv sobre su rango de

operación.
Funciones de ponderación
Función de sensibilidad:
2,01
Wp (s) =
s + 0,201
Función de robustez:
9,678s3 + 0,029s2
Wu (s) =
s3 + 1,206e4s2 + 1,136e7s + 1,066e10
Planta generalizada P
Planta Generalizada P
Controlador H∞

We S

Wu KS

= γopt = 0,205 ≤ 1.
∞
Controlador LPV
Respuesta en frecuencia del
controlador K
Respuesta temporal para la aceleración vertical
Aceleración vertical azv
Entrada de control u

Control Robusto y LPV

Cargado por

Información del documento

Derechos de autor

Formatos disponibles

Compartir este documento

Compartir o incrustar documentos

Opciones para compartir

¿Le pareció útil este documento?

¿Este contenido es inapropiado?

Copyright:

Formatos disponibles

Control Robusto y LPV

Cargado por

Copyright:

Formatos disponibles

Control Robusto y LPV

Juan Carlos Cutipa Luque

Departamento Académico de Ingeniería Electrónica

||G(jω)||∞ = supω∈IR σ̄(G(jω)),

Esta norma representa la máxima ganancia de la respuesta en

Valor Singular Máximo

Valor Singular Mínimo

Ejemplo: Un sistema doble

donde P es la planta generalizada, K es el controlador. La matriz de

Tzw = Fl (P, K) = P11 + P12 K(I − P22 K)−1 P21 , (5)

donde Fl (P, K) es la Transformación Fraccional Linear inferior.

El objetivo del control es minimizar alguna norma de la función de

Definición (problema de control subóptimo H∞ )

Sea γ un nivel de atenuación prestablecido, el problema de control

||Tzw (s)||∞ = max σ̄(Tzw (jω)) ≤ γ, (6)

el objetivo del problema es encontrar γmin (puede hacerse usando

El objetivo es encontrar una ley de control en lazo cerrado u = −Kx tal

El sistema lazo cerrado N (s) es:

Donde xTcl = [xT (t) xTK (t)] y:

||Fl (P, K)||∞ < γ∞ , (14)

la norma mínima es indicada como γ∞ y llamada ganancia H∞ óptima.

γ∞ = min ||Tzw (s)||∞ , (15)

entonces el sistema es internamente estable si cumple el BRL de forma

La salida y la entrada de control satisfacen las siguientes ecuaciones:

(Ip + G(s)K(s))y(s) = (GKr + dy − GKn + Gd − i),

Sy = (Ip + GK)−1 , Ty = (Ip + GK)−1 GK, Sy + Ty = Ip . (18)

Funciones de sensibilidad de entrada y sensibilidad complementaria de

Su = (Im + KG)−1 , Tu = KG(Im + KG)−1 m Su + Tu = Im . (19)

donde We (s) es una función elegida por el diseñador. Especificaciones

generalmente se considera  ' 0,

suele ser considerado  ' 0.

una forma simplificada es llamado problema de sensitividad mixta:

Asociado a la configuración general de control:

En la figura se observa la aeronave no tripulada HIMAT desarrollada por

El objetivo será controlar correctamente los ángulos θ y α mediante las

Las opciones nmeas y nu

donde x(t) ∈ IR,...,ρ = (ρ1 (t), ρ2 (t), ..., ρN (t)) ∈ Ω, es un vector de

pi (t) ∈ |ρi , ρ̄i |, ∀i. (29)

El sistema de matrices A(.) es continuo en Ω.

con ρ(t) = x(t).

con x(t) ∈ IR2 y

A(ρ) = A0 + A1 ρ1 + A2 ρ22 ... + AS ρS , (32)

El cual puede ser reescrito así:

ẋ(t) = ρ(t)2 x(t) con ρ(t) = x(t)

Ejemplo: El modelo de bicicleta

siendo δ + el ángulo de manejo.

donde los vértices están definidos por el vector ωi .

Fu (N, ∆) = N22 + N21 ∆(I − N11 ∆)−1 N12 . (36)

Esto se muestra graficamente en la figura. Existe una herramienta de

A(δ)T P + P A(δ) < 0, ∀δ ∈ ∆. (37)

donde ρ(t) es es un vector variante en el tiempo en un conjunto Ω. Si

A(ρ(t))T P + P A(p(t)) < 0, ∀ρ(t) ∈ Ω,

entonces el sistema es estable para incertezas con alta variación en el

en el cual, en adición a los parámetros acotados, se necesita considerar la

∆(ρ) = diag(In1 ∗ ρ1 , ..., Inp ∗ ρp ), (39)

Introducimos un conjunto escalar definido por:

L∆ := L > 0 : L∆(ρ) = ∆(ρ)L, ∀∆. (40)

Lema: El sistema LFR (A, B∆ , C∆ , D∆∆ ) es asintóticamente estable y

Teorema: Una condición suficiente para la estabilidad L2 del sistema Σρ

el objetivo es encontrar una ley de control u = −K(ρ)x tal que:

||Tyw (s)||∞ ≥ γ (44)

El método consiste en aplicar el BRL al sistema lazo cerrado en

(A(ρ) − B2 (ρ)K(ρ))T P + P (A(ρ) − B2 (ρ)K(ρ)) P B1 ρ (C(ρ) − D12 (ρ)K(ρ))T L

Y el controlador en lazo cerrado es:

generalmente se considera ' 0,

suele ser considerado ' 0.