Documentos de Académico
Documentos de Profesional
Documentos de Cultura
Notas de Aula
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:
Juan Carlos Cutipa Luque The power is in knowledge on robotics and automation
Norma H∞
SVD (Singular Value Decomposition)
||Gd ||2
max = σ̄(G). (2)
d6=0 ||d||2
||Gd ||2
min = σ(G). (3)
d6=0 ||d||2
Juan Carlos Cutipa Luque The power is in knowledge on robotics and automation
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
Juan Carlos Cutipa Luque The power is in knowledge on robotics and automation
Control H∞
Control H∞ : Configuración general
Enfoque introducido por Doyle (1983).
Juan Carlos Cutipa Luque The power is in knowledge on robotics and automation
Control H∞
Definición del Problema
Juan Carlos Cutipa Luque The power is in knowledge on robotics and automation
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).
(A − B2 K)T P + P (A − B2 K) P B1 CT
∗ −γI DT < 0, P > 0. (9)
∗ ∗ γI
Juan Carlos Cutipa Luque The power is in knowledge on robotics and automation
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.
Juan Carlos Cutipa Luque The power is in knowledge on robotics and automation
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).
Juan Carlos Cutipa Luque The power is in knowledge on robotics and automation
Control H∞
El enfoque LMI para el control H∞
El objetivo es encontrar un controlador K para un sistema P tal que γ∞ :
Juan Carlos Cutipa Luque The power is in knowledge on robotics and automation
Aplicación del Control H∞
Un esquema de control 1DOF
Juan Carlos Cutipa Luque The power is in knowledge on robotics and automation
Aplicación del Control H∞
Definiciones
Funciones de sensibilidad de salida y sensibilidad complementaria de
salida:
Juan Carlos Cutipa Luque The power is in knowledge on robotics and automation
Aplicación del Control H∞
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)|
Juan Carlos Cutipa Luque The power is in knowledge on robotics and automation
Aplicación del Control H∞
Función de sensibilidad S
1
S(s) = ,
1 + K(s)G(s)
(21)
1 s + ωb
= ,
We (s) s/MS + ωb
Juan Carlos Cutipa Luque The power is in knowledge on robotics and automation
Aplicación del Control H∞
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.
Juan Carlos Cutipa Luque The power is in knowledge on robotics and automation
Aplicación del Control H∞
Función T
K(s)G(s)
T (s) = ,
1 + K(s)G(s)
(23)
1 T s + ωbt
= ,
WT (s) s + ωbt /MT
Juan Carlos Cutipa Luque The power is in knowledge on robotics and automation
Aplicación del Control H∞
Función SG
G(s)
SG(s) = ,
1 + K(s)G(s)
(24)
1 s + ωSG SG
= .
WSG (s) s/MSG + ωSG
Juan Carlos Cutipa Luque The power is in knowledge on robotics and automation
Aplicación del Control H∞
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
∞
Juan Carlos Cutipa Luque The power is in knowledge on robotics and automation
Aplicación del Control H∞
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:
Juan Carlos Cutipa Luque The power is in knowledge on robotics and automation
Aplicación del Control H∞
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
Juan Carlos Cutipa Luque The power is in knowledge on robotics and automation
Aplicación del Control H∞
Ejemplo: Control de la dinámica Pitch de la Aeronave HIMAT (Adaptado
de MathWorks)
Juan Carlos Cutipa Luque The power is in knowledge on robotics and automation
Aplicación del Control H∞
La respuesta temporal del sistema es :
Juan Carlos Cutipa Luque The power is in knowledge on robotics and automation
Aplicación del Control H∞
Sintetizamos el controlador haciendo uso de la función hinfsyn.
Juan Carlos Cutipa Luque The power is in knowledge on robotics and automation
Aplicación del Control H∞
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:
Juan Carlos Cutipa Luque The power is in knowledge on robotics and automation
Aplicación del Control H∞
Respuesta temporal en lazo cerrado Respuesta en frecuencia
Juan Carlos Cutipa Luque The power is in knowledge on robotics and automation
Aplicación del Control H∞
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.
∞
Juan Carlos Cutipa Luque The power is in knowledge on robotics and automation
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
Juan Carlos Cutipa Luque The power is in knowledge on robotics and automation
Sistemas LPV (Linear Parameter Varying)
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),
Juan Carlos Cutipa Luque The power is in knowledge on robotics and automation
Sistemas LPV (Linear Parameter Varying)
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.
Juan Carlos Cutipa Luque The power is in knowledge on robotics and automation
Sistemas LPV (Linear Parameter Varying)
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:
Juan Carlos Cutipa Luque The power is in knowledge on robotics and automation
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)
Ejemplo
Consideremos el siguiente sistema:
ẋ = x3 (t),
Nota: Hay que tener cuidado al modelar sistemas de este tipo, ya que
una variable endógena produce un sistema quasi-LPV.
Juan Carlos Cutipa Luque The power is in knowledge on robotics and automation
Clases de Sistemas 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)
Juan Carlos Cutipa Luque The power is in knowledge on robotics and automation
Clases de Sistemas LPV
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
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:
Juan Carlos Cutipa Luque The power is in knowledge on robotics and automation
Clases de Sistemas LPV
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 )).
Juan Carlos Cutipa Luque The power is in knowledge on robotics and automation
Estabilidad de Sistemas LPV
Estabilidad robusta con incertezas invariantes en el tiempo:
Este concepto es muy útil para el análisis de sistemas con incertezas.
Consideremos el sistema:
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:
Juan Carlos Cutipa Luque The power is in knowledge on robotics and automation
Estabilidad de Sistemas LPV
Estabilidad cuadrática para parámetros variantes en el tiempo
Consideremos el sistema:
ẋ = A(ρ(t))x,
Juan Carlos Cutipa Luque The power is in knowledge on robotics and automation
Estabilidad de Sistemas LPV
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
Juan Carlos Cutipa Luque The power is in knowledge on robotics and automation
Estabilidad de Sistemas LPV
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.
Juan Carlos Cutipa Luque The power is in knowledge on robotics and automation
Estabilidad de Sistemas LPV
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
Juan Carlos Cutipa Luque The power is in knowledge on robotics and automation
Control de Sistemas LPV
El Problema de Control H∞ en estados realimentados:
Consideremos el sistema:
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)
Juan Carlos Cutipa Luque The power is in knowledge on robotics and automation
Control de Sistemas LPV
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
Juan Carlos Cutipa Luque The power is in knowledge on robotics and automation
Control de Sistemas LPV
El problema de control H∞ /LP V
Juan Carlos Cutipa Luque The power is in knowledge on robotics and automation
Control de Sistemas LPV
sistema en lazo cerrado LPV:
ξ˙
A(ρ) B(ρ) ξ
CL(ρ) : = ,
z C(ρ) D(ρ) w
Juan Carlos Cutipa Luque The power is in knowledge on robotics and automation
Control de Sistemas LPV
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
Juan Carlos Cutipa Luque The power is in knowledge on robotics and automation
Control de Sistemas LPV
Se resuelve el problema de cada vértice de los puntos parametrizados
(ilustración para 2 parámetros) mediante:
Juan Carlos Cutipa Luque The power is in knowledge on robotics and automation
Control de Sistemas LPV
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
Juan Carlos Cutipa Luque The power is in knowledge on robotics and automation
Control de Sistemas LPV
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.
Juan Carlos Cutipa Luque The power is in knowledge on robotics and automation
Control de Sistemas LPV
Representación de Parámetros
Juan Carlos Cutipa Luque The power is in knowledge on robotics and automation
Control de Sistemas LPV
Sistema LPV vía enfoque politópico
Planta P
Juan Carlos Cutipa Luque The power is in knowledge on robotics and automation
Control de Sistemas LPV
Especificación del Problema
Juan Carlos Cutipa Luque The power is in knowledge on robotics and automation
Control de Sistemas LPV
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
Juan Carlos Cutipa Luque The power is in knowledge on robotics and automation
Control de Sistemas LPV
Planta generalizada P
Planta Generalizada P
Juan Carlos Cutipa Luque The power is in knowledge on robotics and automation
Control de Sistemas LPV
Controlador H∞
We S
Wu KS
= γopt = 0,205 ≤ 1.
∞
Juan Carlos Cutipa Luque The power is in knowledge on robotics and automation
Control de Sistemas LPV
Controlador LPV
Respuesta en frecuencia del
controlador K
Juan Carlos Cutipa Luque The power is in knowledge on robotics and automation
Control de Sistemas LPV
Respuesta temporal para la aceleración vertical
Aceleración vertical azv
Entrada de control u
Juan Carlos Cutipa Luque The power is in knowledge on robotics and automation