Está en la página 1de 43

TEMA XIX.

- CONTROL ROBUSTO (II)



ste captulo se estructura como sigue:

Fundamentos matemticos: normas de vectores, matrices, seales, y
funciones de transferencia, descomposicin de matrices, las ecuaciones
matriciales de Lyapunov y Riccati, clculo de normas de funcines de
transferencia, grammianas de sistemas, y modelos de incertidumbre usando
la lineal fraccional transformacin (LFT).
Anlisis robusto: test de estabilidad de Nyquist para sistemas MIMO, el
teorema de la ganancia ms pequea, valores singulares, incertidumbre
aditiva y multiplicativa, medidas de sensibilidad de lazo S, T, y S+T
robustas, y el estructurado valor singular .
Sntesis robusta: realimentacin de estado completo para

H y H
2
(LQR),
realimentacin de la salida para

H y H
2
(LQG), y iteracciones D-K para
sntesis.





19.1.- FUNDAMENTOS MATEMTICOS
19.1.1.- Normas
En general una norma es la medida del tamao de un vector, una matriz, una seal
variable con el tiempo, o de una funcin de transferencia SISO o MIMO. El control
ptimo minimiza una norma haciendo que el funcionamiento del sistema sea ptimo.
Las normas ms empleadas en control son la 2-norma y la -norma de la respuesta del
sistema en lazo cerrado que definen una funcin de coste, y se busca el minimizar estas
normas.
El concepto de norma es mejor entendido aprendiendo primero su forma bsica para
simples vectores.

19.1.1.1.- Norma de vectores
La norma de un vector x de n elementos, complejos o reales, es una funcin f(x) que
transforma el espacio de los vectores C
n
al espacio de los nmeros reales no negativos,
que cumple estas cuatro propiedades:
n
n
n
C , C ) ( f ) ( f
C , ) f( ) f( ) f(
si solo y si 0 ) ( f
C 0 ) ( f

+ +


x x x
y x y x y x
0 x x
x x

La forma de esta definicin es general, y se aplica no solo a simples vectores reales o
complejos, sino tambin a matices, seales en el dominio del tiempo, y funciones de
transferencia, si C
n
se sustituye por el apropiado espacio vectorial de las otras entidades.
Pronto encontraremos estos otros espacios vectoriales y veremos que uno de ellos, H

,
ha dado su nombre a una rama de la teora de control robusto.
La familia de p-normas de un vector [ ]
T
n 1
x x L x que satisfacen las cuatro
propiedades, estn definidas por:
p
1
n
1 i
p
i
p
x
1
1
]
1

x
Solamente tres p-normas se utilizan comnmente, la 1, 2 y :
i
i
n
1 i
i
2
n
1 i
i
2
n
1 i
i
1
x mx x
x
x

x
x
x

Estas tres normas son la suma de los valores absolutos de todas las componentes, la raz
cuadrada de la suma de los cuadrados de los valores absolutos de las componentes y el
valor absoluto de la componente que tiene mximo su valor absoluto, respectivamente.
Una ilustracin geomtrica de estas tres normas para un espacio de dos dimensiones se
indica en la figura:













Fig.19.1.- Normas para n=2
Ejemplo:
Sea el caso n=3, con un vector [ ]
T
3 2 1 x en R
3
. Las normas 1,2 e seran:
3
742 , 3 9 4 1
6 3 2 1
2
1

+ +
+ +

x
x
x

Ntese como dependiendo del tipo de norma escogida, para medir el tamao del mismo
vector, la medida resultante es distinta.


x
1

x
2

1
1 x x
2 1
1
+ x
x
1

x
2

1
1 x x
2
2
2
1
2
2
+ x
x
1

x
2

1
1 ) x , x mx(
2 1

x
19.1.1.2.- Norma de matrices
La expresin y=Ax con A una matriz compleja de m filas y n columnas, es decir de
C
mxn
, transforma el vector de entrada x perteneciente a C
n
en un vector de salida y
perteneciente a C
m
. Se pueden definir tiles normas para matrices in trminos de
ganancia de entre las normas de los vectores x e y. Esto es, la relacin de normas del
vector de salida y, y la de entrada x, mide la ganancia A como un operador lineal que
transforma el espacio de entrada C
n
en un vector de salida y perteneciente a C
m
.
Como esta relacin no siempre es fija, sino que depende de la entrada x, se toma la
mxima ganancia posible, definindose entonces:
0 x
x
Ax
A con sup
p
p
p

La norma de matrices definida de esta manera es llamada norma inducida. La notacin
sup signica supremo que indica el mximo si se incluyen casos donde el mximo es
aproximado solamente como un lmite.
Igual que en vectores hay tres normas muy utilizadas y tienen algoritmos prcticos para
calcular sus valores:
A A A
A
A
de singular valor mximo ) (
fila una de absolutos valores los de suma la de mximo valor a mx
columna una de absolutos valores los de suma la de mximo valor a mx
2
n
1 j
ij
i
m
1 i
ij
j
1


Los valores singulares de una matriz se computan usando el algoritmo SVD de
descomposicin en valores singulares, que se estudiar ms tarde. Tambin pueden
obtenerse calculando la raz cuadrada de los autovalores de A*A o AA*, donde A* es
la transpuesta de la conjugada compleja de A.
Tambin se utiliza otra norma de matrices denominada Frobenius norma, que es
simplemente la raz cuadrada de los cuadrados de los valores absolutos de todos los
elementos de la matriz. Indicara el valor RMS del vector de salida y=Ax cuando el
vector de entrada x es un ruido blanco gaussiano, incorrelado, de intensidad 1 y media
cero, en cada elemento.
a
2
1
m
1 i
n
1 j
2
ij
F
1
1
]
1



A
Esta norma juega un importante papel en la teora de control Lineal Cuadrtica
Gaussiana (LQG).
Ejemplo:
Dada la matriz
1
]
1

2 3 0
4 2 1
A las normas anteriormente definidas seran:
[ ]
[ ]
831 , 5 4 9 0 16 4 1
634 , 4 ) 528 , 12 ; 472 , 21 ( mx
13 2
2 21
mx ) ( mx
7 ) 2 3 0 ( ), 4 2 1 ( mx
6 ) 2 4 ( ), 3 2 ( ), 0 1 ( mx
F
i i
2
1
+ + + + +

1
]
1


+ + + +
+ + +

A
AA A
A
A
T

Dependiendo de la norma escogida el tamao de la matriz es uno u otro, pero es
importante notar que la norma es siempre un nmero real positivo equivalente a una
distancia o a un tamao.

19.1.1.3.- Norma de seales escalares
Para pasar de vectores y matrices constantes a seales y funciones de transferencia
dinmicas, debemos aadir la dimensin del tiempo. Los vectores constantes pasarn a
ser vectores con sus componentes formadas por funciones del tiempo, es decir, seales y
las matrices constantes pasarn a ser matrices de funciones de transferencia, las cuales
son tambin operadores lineales que transforman seales de entrada en seales de
salida. Las normas que hemos visto para vectores y matrices tienen su contrapartida en
este dominio dinmico. Comenzaremos con seales escalares en donde las normas ms
utilizadas son la 1,2 e .
La norma de una seal transforma una funcin del tiempo en un nmero real no
negativo segn la definicin:
) t ( g sup ) t ( g
dt ) t ( g ) t ( g
dt ) t ( g ) t ( g
2
1
2
2
1

1
]
1


Normalmente g(t) ser una funcin real con la variable t tambin real. Note la similitud
de estas definiciones con la de los vectores constantes: el sumatorio de todas las
componentes del vector ha sido sustituido por el "sumatorio de todas las componentes
de g(t)" que es lo que representa la integral. La seal escalar g(t) puede ser considerada
como un vector de infinitas componentes en la dimensin del tiempo.
El valor de estas normas puede fcilmente se infinito, es decir, las integrales no
convergen, incluso para seales muy comunes como pueden serlo una onda sinusoidal o
una funcin escaln. Para que las normas 1 y 2 sean finitas la seal debe tender a cero
cuando el tiempo tienda a infinito. La norma ser finita cuando la seal est limitada
en amplitud.
Los espacios de todas las posibles seales que tienen estas normas finitas se denominan
L
1
, L
2
y L

respectivamente. Estos espacios son cerrados para la suma o para la


multiplicacin por una constante.
Ejemplo:
Calcular las normas de la funcin 0 para t 0 g(t) y 0 para t e 10 ) t ( g
2
t


.
[ ]
10 e 10 e 10 sup ) t ( g sup ) t ( g
10 100 dt e 100 dt ) t ( g ) t ( g
20 dt e 10 dt ) t ( g ) t ( g
0 t
2
t
2
t
, 0 t
0
t 2
1
2
2
0
2
t
1


1
]
1






19.1.1.4.- Norma de seales vectoriales
La norma de un vector de funciones del tiempo [ ]
T
n 1
) t ( g ) t ( g ) t ( L g lo transforma
en un nmero real no negativo.
Para sistemas MIMO necesitamos normas de seales vectoriales. Las integrales siguen
siendo tiles para introducir la dimensin del tiempo, pero ahora es necesario introducir
las normas de un vector para tener en cuenta la dimensin espacial. Podra introducirse
la norma 1, la 2 o la norma pero en la prctica, toda la literatura de control robusto
utiliza, solamente, la norma 2 para la dimensin espacial.
Segn esto las definiciones son:
2
2
1
2
2 2
2 1
(t) sup
dt (t)
dt (t)
g g
g g
g g

1
]
1


Como en seales escalares, par que las normas 1 y 2 sean finitas la norma 2 espacial
debe tender a cero cuando el tiempo tienda a infinito. La norma ser finita cuando la
espacial norma 2 est limitada.
Los espacios de todas las posibles seales vectoriales que tienen estas normas finitas se
denominan L
1
, L
2
y L

respectivamente.
La mayora de las veces en la teora de control, incluyendo H

y LQ ptimo, no slo se
restringe a la norma 2 espacial, sino que en el dominio del tiempo tambin se utiliza casi
siempre la norma 2. La norma 2 en la dimensin temporal, indica energa consumida, si
la seal es proporcional a fuerza mecnica o a intensidades de corriente, lo cual es
apropiado en muchos problemas de ingeniera. Tambin la norma 1 temporal, podra
medir consumo de combustible y la norma medir lmites de actuacin, por lo que a
veces tambin son empleadas.
Ejemplo:
Sea la seal vectorial dada por:
[ ] [ ] 0 para t 0 0 ) t ( y 0 para t e 4 e 3 ) t (
T
T
t t


g g
la funcin norma 2 espacial sera:
t t 2 2 t 2 t
2
e 5 e 25 ) e 4 ( ) e 3 ( ) t (

+ g
y las tres normas de la funcin vectorial son:
[ ]
5 ) e 5 ( sup (t) sup
536 , 3
2
25
dt e 25 dt (t)
5 dt e 5 dt (t)
t
, 0 t
2
0
t 2 2
1
2
2 2
0
t
2 1


1
]
1




g g
g g
g g



19.1.1.5.- Normas de funciones de transferencia
Igual que las normas de funciones vectoriales se corresponde con las normas de
vectores constantes, las normas de matrices de funciones de transferencia se
corresponde con las normas de matrices constantes.
Una matriz de funciones de transferencia transforma un vector de seales de entrada, en
un vector de seales de salida, lo mismo que ocurra con las matrices constantes. Sin
embargo, mientras que con matrices constante se trabaja con cuatro normas, que ya
fueron definidas, en matrices de funciones de transferencia se trabaja solo con dos: la
norma-2 y la norma- , las cuales estn basadas en la norma de Frobenius de una matriz
y la norma- de una matriz, respectivamente.
Una matriz de transferencia puede ser considerada como un operador lineal en el
dominio del tiempo que transforma un vector de seales de entrada en otro de salida que
resulta de convolucionar el vector de entrada con su matriz de respuesta al impulso. En
el dominio de la frecuencia la matriz de transferencia es un operador lineal que
transforma la transformada de Fourier del vector de entrada, en la transformada del
vector de salida, que resulta de multiplicar la transformada de Fourier de la matriz de
respuesta al impulso por la transformada de Fourier del vector de entrada.
Examinaremos las normas de las matrices de funciones de transferencia en ambos
dominios, el de la frecuencia y en el tiempo.
En el dominio de la frecuencia, las definiciones de las dos normas utilizadas en control
son:
[ ] [ ] ) jw ( sup mx ) jw ( sup mx
dw jw ( G
2
1
R w R w
2
1
2
F 2
G G G
G

1
]
1


donde:
1
1
1
]
1

) jw ( g ) jw ( g
) jw ( g ) jw ( g
) jw (
mn 1 m
n 1 11
L
L O L
L
G
El sentido fsico de la norma 2 es el valor eficaz de la salida cuando a la entrada se
aplica ruido blanco, incorrelado, de media cero y de intensidad uno, en cada una de las
componentes del vector de entrada. Minimizar el valor eficaz de las perturbaciones
aleatorias es un objetivo muy comn en sistemas de control, por lo que la norma 2 es
muy utilizada como funcin de coste en los mtodos LQ ptimo. Sin embargo la norma
2 produce ciertos errores si se utiliza como medida de la robustez por lo que se ha
desarrollado el H

ptimo control usando la norma en su lugar.


Recordando que la norma 2 espacial de una matriz era su mximo valor singular, la
norma

toma el mximo, sobre todas las frecuencias, de la norma 2 de la matriz de
respuesta G(jw).
La expresin mx sup de la norma es en esencia lo mismo que el mximo valor
excepto cuando el mximo se alcanza en un lmite o hay discontinuidades etc. Por
ejemplo en un filtro paso alto con funcin de transferencia s/(s+1) el mximo de
ganancia se alcanza cuando w tiende a infinito y su valor es 1, sin que este valor sea un
mximo de la funcin. En funciones de transferencia SISO, la norma es simplemente
la mxima amplitud de la respuesta en frecuencia. Para matrices de funciones de
transferencia, es la mxima ganancia posible para una entrada senoidal vectorial donde
el vector de entrada est medido por la espacial norma 2: la raz cuadrada de la suma de
los cuadrados.
Ejemplo:
Calcularemos la norma 2 y la norma de la matriz de la funcin de transferencia SISO
1x1, G(s)=4/(s+4). Es importante notar que la norma 2 es sensible a la localizacin de
los polos y ceros, mientras que la norma solo depende del pico de amplitud. Si por
ejemplo, escalsemos el eje de frecuencias cambiando la funcin de transferencia a
G(s)=8/(s+8) la norma 2 aumentara en el factor 2 , pero la norma no cambiara.
[ ] 1
4 jw
4
sup mx ) jw ( sup mx
2 dw
16 w
16
2
1
dw
4 jw
4
2
1
dw jw ( G
2
1
R w R w
2
2
2
1
2
F 2

1
]
1



G G
G

En el dominio del tiempo las definiciones son anlogas:
2
2
0
2
1
2
F 2
) t (
) t ( * ) t (
sup
dt ) t (
u
u g
G
g G
u

1
]
1


Los espacios vectoriales con todas las posibles matrices de funciones de transferencia
cuya norma 2 o norma son finitas, se denominan L2 y L respectivamente.
Cuando, adems, las matrices de funciones de transferencia son estables, que en el
dominio del tiempo sera igual a decir que es causal, se denominan espacios H
2
y H

.
Todas las soluciones en lazo cerrado de los problemas de control ptimo lineal
cuadrtico (LQ) son llamados tambin H
2
ptimo control y H

ptimo control.
Ejemplo:
Vamos a calcular la normas de ejemplo anterior de funcin de transferencia
G(s)=4/(s+4) que corresponde a g(t)=4e
-4t
para 0 t y g(t)=0 para t<0. El valor de las
normas ha de ser igual que cuando se calculaban en el dominio de la frecuencia.
2 e
8
16
dt e 4 dt ) t (
0
t 8
0
2
t 4 2
1
2
F 2


1
]
1



g G
Para calcular la norma

es necesario elegir una entrada que haga mxima la ganancia,
por lo que no es un mtodo prctico el clculo en el dominio del tiempo. Sin embargo
podemos verificar que escogiendo una entrada u(t) arbitraria la norma que nos resulta es
menor que la norma .
Escojamos u(t)=e
-t
para 0 t y u(t)=0 para t<0. La salida sera:
0 t ) e e (
3
4
d e e 4 d ) ( u ) t ( g ) t ( y
t 4 t
t
0
) t ( 4
t





La norma 2 de la salida ser:
5
2
dt ) e e 2 e (
9
16
dt ) e e (
3
4
y
0
t 8 t 5 t 2
0
2
t 4 t
2
+




y la norma 2 de la entrada:
2
1
dt e dt ) e (
3
4
u
0
t 2
0
2
t
2





Entonces para esta entrada particular, que con toda seguridad no ser el mximo,
resulta:
[ ] 1 ; 894 , 0 mx ,
2
1
5
2
mx
2

1
1
1
1
]
1

L L G
El resultado 1 se ha puesto porque ya se saba la solucin en el dominio de la
frecuencia.
Las anteriormente expuestas son las normas con la que se trabaja en control y son los
fundamentos de la teora de control ptimo que busca minimizarlas para maximizar las
prestaciones del sistema de control. Utilizar las normas para medir la robustez cuando la
planta tiene incertidumbre y que el equilibrio sea ptimo entre las prestaciones y la
robustez es la meta del control robusto.
Se ha visto que el clculo de, por ejemplo, H

en el dominio del tiempo era


complicado. Existen, como veremos ms adelante, algoritmos que facilitan el clculo de
estas normas, y que estn basados en procedimientos de descomposicin de matrices.

19.1.2.- Descomposicin de matrices
El auge de las teoras con matrices, que es la forma ms compacta de representar
relaciones entre entradas y salidas de sistemas lineales, ha sido posible gracias a la
existencia de programas de ordenador que facilitan el clculo, impensable de realizar a
mano.
La descomposicin de matrices es la herramienta bsica del control multivariable, igual
que el lugar de las races, los diagramas de Bode y Nyquist son las herramientas bsicas
del control de sistemas SISO.
Una descomposicin de matrices es una factorizacin de una matriz en productos de dos
o ms matrices que tienen ciertas propiedades deseables. De diversas descomposiciones
bien conocidas, las dos ms importantes para el control robusto son la descomposicin
en valores singulares (SVD) y la descomposicin en autovalores y autovectores ya que
stas aportan al ingeniero considerable informacin sobre el comportamiento del
sistema lineal.
As mismo, la resolucin de las ecuaciones matriciales de Lyapunov y Riccati son
esenciales para el control ptimo y el control robusto y para computar normas y otros
tipos de descomposiciones de matrices como la de Hessenberg, Schur, QR, Cholesky y
LU.
19.1.2.1.- Descomposicin en valores singulares
Esta descomposicin provee un conjunto de bases de vectores ortonormales para el
espacio de entrada y el espacio de salida de una matriz. El que sean ortonormales indica
que son otogonales y de longitud (norma 2) unidad y el que constituyan una base indica
que cualquier vector puede ponerse como combinacin lineal de los vectores de la base.
Sean n vectores de n componentes u
1
... u
n
que pueden formar la matriz cuadrada
[ ]
n 1
u u U L . Si esta matriz tiene la propiedad U*U=I se llama matriz unitaria, y
si los vectores u son reales entonces si U
T
U=I recibe el nombre de matriz ortogonal.
La descomposicin SVD descompone la matriz en dos unitarias u ortogonales matrices
que son las bases de entrada y salida, y una matriz real diagonal formada por los valores
singulares que representaran la ganancia entre cada par de vectores de las bases de
entrada y salida.
La descomposicin de la matriz compleja
mxn
C A es pues:
* U ) , , , ( diag
p 2 1
L V A
donde U*U=I y V*V=I. Por convencin 0
p 2 1
L donde p es la
dimensin ms corta de filas o columnas. Cuando A es real entonces U y V tambin lo
son y la transpuesta conjugada se puede sustituir por la transpuesta.
T
p 2 1
) , , , ( diag U V A L
La matriz U es la base de los vectores de entrada y la matriz V la base de los vectores de
salida.
Ejemplo:
La descomposicin SVD tiene una interpretacin geomtrica interesante. Consideremos
la matriz:
1
]
1

96 , 0 28 , 2
72 , 1 96 , 0
A
que tiene dos valores singulares
1
=3 y
2
=1. Al ser un espacio de dos dimensiones una
base de la entrada puede ser:
[ ]
1
]
1


8 , 0 6 , 0
6 , 0 8 , 0
2 1
u u U
que cumple que sus vectores son ortogonales (unitarios y perpendiculares u
1
.u
2
=0). La
descomposicin sera:
1
]
1

1
]
1

1
]
1

8 , 0 6 , 0
6 , 0 8 , 0
1 0
0 3
6 , 0 8 , 0
8 , 0 6 , 0
A
donde
1
]
1

6 , 0 8 , 0
8 , 0 6 , 0
V constituye la base de salida que tambin es ortogonal. Si
cualquier vector de entrada x de mdulo menor que 1 es transformado por la matriz A
en un vector de salida y=Ax , el vector de salida caer dentro de una elipse, en la que los
valores singulares
i
dan la longitud de los semiejes. El vector V da las direcciones de
los ejes de la elipse y la relacin entre los vectores de las bases de entrada y salida viene
dada por:
i i i
v Au . La figura ilustra la interpretacin geomtrica:









Esta interpretacin geomtrica es bastante til, por ejemplo, como se ver ms tarde la
matriz de controlabilidad gramiana de un sistema lineal describe justamente un
elipsoide en el espacio de estado. Cualquier seal de entrada con norma 2 (energa)
menor que 1 causar que el vector de estado se mueva solamente dentro del elipsoide
construido con la descomposicin SVD descrita anteriormente.
Si la matriz A tiene ms filas que columnas, es que hay ms entradas que salidas. Los
vectores de salida sobrantes indican las direcciones que no pueden ser alcanzadas por
ningn vector de entrada cuando se transforme por A.
Ejemplo:
Considrese la matriz 3x2:
[ ] [ ]
T
T
2 1 i 3 2 1
T
i
7071 , 0 7071 , 0
7071 , 0 7071 , 0
0 0
1 , 0 0
0 2
5071 , 0 3162 , 0 8018 , 0
8452 , 0 0 5395 , 0
1690 , 0 9487 , 0 2673 , 0
) ( diag ) ( diag
1563 , 1 1115 , 1
7559 , 0 7559 , 0
3109 , 0 4450 , 0
1
]
1

1
1
1
]
1

1
1
1
]
1



1
1
1
]
1

u u v v v U V A

Obsrvese que la matriz diagonal de los valores singulares tiene las mismas
dimensiones que la matriz A por lo que las matrices U y V tienen que ser cuadradas. En
este caso hay dos valores singulares (2 y 0,1) que aparecen en la diagonal aunque la
matriz no sea cuadrada. El tercer vector singular de salida
[ ]
T
3
5071 , 0 8452 , 0 1690 , 0 v identifica la direccin en el espacio de salida y=Ax
que no puede ser alcanzada por ningn vector de entrada x . En otras palabras la
ecuacin v
3
=Ax no tiene solucin. Geomtricamente la matriz A transforma todos los
vectores x que caen dentro del crculo unidad de dos dimensiones, en un elipsoide de
tres dimensiones pero su imagen cae en un plano definido por v
1
y v
2
. La elipse tiene
u
1
u
2
+1
x
1
x
2
Espacio de entrada x
3v
1
v
2
y
1
y
2
Espacio de salida y=Ax
un eje mayor 20 veces ms largo que su eje menor, como corresponde a la relacin de
sus valores singulares 2/0,1=20. Los vectores por v
1
y v
2
que corresponden a valores
singulares distintos de cero, forman una base para la imagen de A, que son los vectores
de salida que pueden ser alcanzados mediante la transformacin y su nmero, en este
caso 2, es el rango de A. Cuando r=rank(A)=mn(m,n) se dice que la matriz es de rango
completo.
Si la matriz A tiene ms columnas que filas, es que hay ms salidas que entradas. Los
vectores de entrada sobrantes que correspondan a valores singulares cero, forman el
ncleo de A o lo que es lo mismo una base del espacio nulo de A. Esto quiere decir que
cualquier vector de entrada que sea una combinacin lineal de estos vectores sobrantes
sern transformados al vector 0 de salida por A.
Ejemplo:
En este caso vamos a considerar la matriz transpuesta de la anterior, que ser de orden
2x3:
[ ] [ ]
T
T
3 2 1 i 2 1
T
i
5071 , 0 3162 , 0 8018 , 0
8452 , 0 0 5395 , 0
1690 , 0 9487 , 0 2673 , 0
0 1 , 0 0
0 0 2
7071 , 0 7071 , 0
7071 , 0 7071 , 0
) ( diag ) ( diag
1563 , 1 7559 , 0 3109 , 0
1115 , 1 7559 , 0 4450 , 0
1
1
1
]
1

1
]
1

1
]
1


1
]
1


u u u v v U V A
Cuando una matriz real se transpone, sus matrices U y V cambian de lugar en la
descomposicin SVD y su matriz de valores singulares se transpone. Ahora todo el
espacio de salida es alcanzable porque hay dos autovalores distintos de cero, pero la
direccin extra que existe en el espacio de entrada, identificada por el tercer vector
singular [ ]
T
3
5071 , 0 8452 , 0 1690 , 0 u es transformado a cero por la matriz A. Se
puede verificar muy fcilmente que Au
3
=0. Geomtricamente, la lnea definida por u
3

(en otros casos puede ser un plano o un espacio de p dimensiones), se transforma en
cero. Cualquier punto x de la lnea u
3
es transformada a cero por y=Ax.
Por convencin, al ms grande de los valores singulares se le denota por ) (A y al ms
pequeo por ) (A . Cuando son distintos de cero, la relacin de estos valores singulares

es llamada el nmero de condicin de A:
) (
) (
) (
A
A
A

. El nmero de condicin es til


para estimar el error numrico en un clculo; por ejemplo, si el nmero de condicin es
10
6
se pueden tomar seis decimales seguros al resolver Ax=b.

19.1.2.2.- Descomposicin en autovalores y autovectores
Es la descomposicin ms utilizada entre los ingenieros de control y se usa para
computar los polos de un sistema lineal. De cualquier forma esta descomposicin ha
sido sobre utilizada ya que es proclive a problemas numricos a los cuales muchas otras
descomposiciones son inmunes. Por ejemplo, cuando los autovalores estn repetidos, el
clculo de los autovectores puede dar resultados errneos e incluso fallos de
convergencia. Por desgracia esto es muy frecuente en muchos sistemas fsicos, como
puede ser un doble integrador. Esta descomposicin fue formalmente utilizada para
resolver la ecuacin de Riccati segn un popular algoritmo, pero aquel algoritmo ha
sido superado por otro que usa la descomposicin, mucho ms fiable, de Schur en su
lugar.
Para una matriz cuadrada
nxn
C A los autovalores y autovectores v de A estn
definidos por las soluciones de Av=v=v donde C y C
n
v . Si A tiene un
conjunto completo de autovectores v
i
(es decir no hay bloques de Jordan), entonces los
autovectores v
i
y sus correspondientes
i
satisfacen la ecuacin matricial AV=Vdiag(
i
)
donde V es una matriz nxn formada por los autovectores en columnas.
Despejando A de la ecuacin anterior, resulta la descomposicin:
A=Vdiag(
i
) V
-1

Ejemplo:
Vamos a ver como los autovectores son bastantes sensibles a pequeos cambios en los
elementos de la matriz cuando los autovalores estn muy prximos. Consideremos la
matriz 2x2:
1
1
i
1 0
1000 1
001 , 1 0
0 1
1 0
1000 1
) ( diag
001 , 1 0
1

1
]
1


1
]
1

1
]
1



1
]
1


V V A
En este ejemplo los dos autovalores son muy prximos, difieren un uno por mil, y uno
de los autovectores tiene una componente que vara 1000 veces ms rpida que .
Cuando el autovalor 1,001 lo vamos acercando a 1, hacindolo, por ejemplo, 1,00001, el
autovector valdra 100000, de modo que cuando el autovalor tiende a 1 el autovector
tiende a infinito. A la matriz degenerada con los dos autovalores repetidos y con 1 se
le llama bloque de Jordan.
Los autovalores de una matriz pueden ser calculados de forma fiable mediante la
descomposicin de Schur, incluso aunque sus correspondiente autovectores no se
puedan calcular.
Los autovalores y autovectores tienen propiedades interesantes:
1. El determinante de una matriz es el producto de sus autovalores
2. La traza de una matriz (suma de los elementos de la diagonal) es la suma de
sus autovalores
3. Los autovalores son las n races del polinomio caracterstico det(I-A)=0
4. Los autovalores de A no cambian por una transformacin similar TAT
-1

5. Los autovalores de una matriz triangular son los elementos de su diagonal
A diferencia de la descomposcin SVD, la descomposicin en autovalores y
autovectores solo es para matrices cuadradas.


19.1.2.3.- Descomposiciones de Hessenberg y Schur
La descomposicin de Hessenberg no requiere iteracciones y consume muy poco
tiempo de cmputo. La matriz A, cuadrada, se descompone en el producto de tres
matrices:
A=UHU*
donde U es una matriz unitaria, es decir satisface U*U=I, y H es una matriz casi
triangular, llamada forma de Hessenberg, que tiene ceros todos los elementos por debajo
de la subdiagonal:
1
1
1
1
1
1
]
1

* * 0 0 0
* * * 0 0
* * * * 0
* * * * *
* * * * *
H
La descomposicin de Schur de una matriz cuadrada es tambin: A=UHU* pero aqu la
matriz H es una verdadera matriz triangular con todos los elementos por debajo de su
diagonal principal igual a cero.
Por la propiedad 5 los elementos de la diagonal de H son los autovalores de A. Por esta
razn, la descomposicin de Schur es el mtodo standard de calcular los autovalores de
una matriz. Tambin esta descomposicin es el centro de los algoritmos que resuelven
las ecuaciones de Lyapunov y de Riccati, tan importantes en la teora de control ptimo
y robusto.
Ejemplo:
Se expone la descomposicin de una matriz 4x4. La descomposicin de Hessenberg
sera:
T
T
11 , 0 95 , 0 27 , 0 0
40 , 0 29 , 0 86 , 0 0
90 , 0 01 , 0 42 , 0 0
0 0 0 1
94 , 2 16 , 2 0 0
12 , 2 42 , 5 73 , 7 0
21 , 2 34 , 6 26 , 12 74 , 9
99 , 2 27 , 0 38 , 3 45 , 8
11 , 0 95 , 0 27 , 0 0
40 , 0 29 , 0 86 , 0 0
90 , 0 01 , 0 42 , 0 0
0 0 0 1
55 , 9 02 , 8 87 , 2 69 , 2
98 , 4 71 , 5 67 , 4 41 , 8
34 , 5 53 , 1 37 , 5 12 , 4
33 , 0 78 , 1 15 , 4 45 , 8
A
1
1
1
1
]
1



1
1
1
1
]
1



1
1
1
1
]
1


1
1
1
1
]
1

UHU

La descomposicin de Schur de la misma matriz es:
T
T
19 , 0 46 , 0 54 , 0 66 , 0
48 , 0 52 , 0 41 , 0 56 , 0
58 , 0 36 , 0 59 , 0 40 , 0
61 , 0 60 , 0 41 , 0 27 , 0
89 , 4 0 0 0
02 , 6 09 , 5 0 0
56 , 2 02 , 1 01 , 0 0
09 , 4 25 , 3 85 , 1 09 , 19
19 , 0 46 , 0 54 , 0 66 , 0
48 , 0 52 , 0 41 , 0 56 , 0
58 , 0 36 , 0 59 , 0 40 , 0
61 , 0 60 , 0 41 , 0 27 , 0
55 , 9 02 , 8 87 , 2 69 , 2
98 , 4 71 , 5 67 , 4 41 , 8
34 , 5 53 , 1 37 , 5 12 , 4
33 , 0 78 , 1 15 , 4 45 , 8
A
1
1
1
1
]
1



1
1
1
1
]
1

1
1
1
1
]
1


1
1
1
1
]
1

UHU

Los autovalores de A pueden leerse directamente de la diagonal principal de H.
Puede comprobarse que trace(A)=trace(H) en ambas descomposiciones, porque la traza
es la suma de los elementos de la diagonal y como la traza da la suma de los
autovalores, al ser estos iguales en A y en H, la trazas tambin coinciden.

19.1.2.4.- Las descomposiciones QR, Cholesky, y LU
Finalmente, hay algunas otras descomposiciones que se encuentran en la literatura de
control robusto.
La descomposicin QR se aplica repetidamente en el algoritmo de descomposicin de
Schur y consiste en descomponer una matriz cuadrada en la forma: A=QR donde Q es
ortogonal por lo que cumple Q*Q=I y R es una matriz triangular de la forma de la de
Schur.
La descomposicin de Cholesky es de la forma: A=R*R siendo A cuadrada y R una
matriz triangular como la anterior. Esta descomposicin slo existe para matrices
hermticas, es decir cuando se cumple que A*=A.
La descomposicin LU de una matriz cuadrada A consiste en poner A=LU donde L es
triangular con los ceros por encima de la diagonal principal y U es triangular con los
ceros por debajo.

19.1.3.- Ecuaciones de Lyapunov y Riccati
Estas ecuaciones son el centro de la teora de control ptimo y de control robusto. La
ecuacin de Lyapunov se emplea para computar la norma 2 de funciones de
transferencia de sistemas lineales representados en variables de estado, y tambin para
encontrar las matrices de controlabilidad y observabilidad gramianas de un sistema.
La ecuacin de Riccati es utilizada para calcular las leyes de control ptimo LQ y H


control. Muchos de los progresos en la teora H

de control producidos en la dcada de


1980 se produjeron gracias a encontrar algoritmos ms eficientes para resolver la
ecuacin de Riccati. En control ptimo se explica en detalle la forma de resolver esta
ecuacin.

19.1.3.1.-Ecuacin de Lyapunov
Es del tipo:
C XA X A +
T

donde las tres matrices son cuadradas de orden nxn. La resolucin consiste en calcular
la matriz X real, siendo A y C matrices reales conocidas.
Desarrollando el sistema matricial consistira en n
2
ecuaciones escalares lineales con n
2

incgnitas. La ecuacin tiene la propiedad de que la solucin es nica solamente si los
autovalores cumplen que 0 ) ( ) (
j i
+ A A . Esta condicin se cumple
automticamente si A es estable, es decir, si [ ] 0 ) ( Re
i
< A para todos los autovalores

i
.
Aunque existen varios mtodos para resolver la ecuacin de Lyapunov, los mejores
estn basados en la descomposicin de Schur porque consumen poco tiempo de
computacin.
El algoritmo es relativamente simple. Primero una descomposicin de Schur de la
matriz A=UHU
T
, luego se multiplica la ecuacin por la izquierda por U
T
y por la
derecha por U, resultando:
C H X X H
CU U XUH U XU U H
CU U U XUHU U XU UHU U
+
+
+
T
T T T T
T T T T T T
) (

donde:
CU U C XU U X
T T
y
la estructura triangular de H permite entonces ser explotada para resolver iterativamente
las columnas de X por mtodos standard de lgebra lineal. Finalmente, la solucin de
la ecuacin es :
T
U X U X

19.1.3.2.- Ecuacin de Riccati
Con las soluciones del regulador lineal cuadrtico (LQR), del filtro de Kalman-Bucy
(KBF), y del control gaussiano lineal cuadrtico (LQG), de principios de 1960
comienza el periodo del control moderno y minimizan la norma 2 de la funcin de
transferencia en lazo cerrado. Todas estas soluciones ptimas requieren resolver la
ecuacin de Riccati. Las soluciones H

de finales de 1980 que pueden minimizar la


norma o garantizar que cae dentro de un lmite dado, tambin necesita resolver la
ecuacin de Riccati.
Como ejemplo consideremos el problema del regulador ptimo de control LQR. La
planta est descrita por:
Cx y
Bu Ax x

+ &

El lazo se cierra con una seal de realimentacin u=-Gx aplicada a la entrada de la
planta y deseamos calcula la matriz de realimentacin G que minimiza la funcin de
coste:

+
0
T T
dt ) ( J Ru u Qy y
para cualquier condicin inicial arbitraria x=x
0
y t=0, y donde:
0 R R 0 Q Q >
T T
y
lo que indica que las matrices Q es simtrica y positiva semidefinida (todos sus
autovalores positivos o iguales a cero) y R simtrica y positiva definida (todos sus
autovalores positivos).
La solucin ptima viene dada por:
X B R G
T 1

donde X es la solucin de la siguiente ecuacin de Riccati:
0 QC C X B XBR XA X A
T T 1 T
+ +


Esta es la descripcin standard del problema LQR. Se puede observar que en el dominio
del tiempo la integral J no parece la norma 2 de una funcin de transferencia en lazo
cerrado, pero puede demostrarse que si lo es.
Centrndonos en la ecuacin algebraica de Riccati (ARE) es de la forma:
0 Q XRX XA X A
T
+ +
donde A, Q, R, y X son cuadradas y Q y R simtricas. Esta ecuacin matricial es una
generalizacin de la ecuacin escalar 1x1:
0 q ax 2 rx
0 q xrx xa ax
2
+ +
+ +

cuya solucin es :
r
rq a a
r 2
rq 4 a 4 a 2
x
2 2
+ t

+ t

Obsrvese que rq a ) rq a a ( a rx a
2 2
+ t + t tiene dos posibles valores
alrededor del origen.
En el caso de la ecuacin matricial, la simetra y la multiplicidad de soluciones tambin
se conserva. Si las matrices son de orden nxn existen
! n ! n
)! n 2 (
n
n 2

,
_

posibles soluciones
para la ARE, pero solamente una es til para propsitos de control. Los autovalores de
A-RX corresponden a los polos del sistema en lazo cerrado, en el caso de LQ ptimo
control. Estamos interesados en sistemas en lazo cerrado estables, y solamente una de
las
2
) ! n (
)! n 2 (
n
n 2

,
_

posibles soluciones hacen A-RX estable, es decir, con todos sus


autovalores con parte real negativa.
En el caso escalar correspondera a: 0 rq a rx a
2
< + t . El radicando a
2
+rq se
asocia en el caso matricial a la llamada matriz Hamiltoniana:
n 2 nx 2
T
R
1
]
1

A Q
R A
H
donde Q y R obligatoriamente han de ser simtricas.
Se denominar X=Ric(H) a la nica solucin de ARE que hace que A-RX sea una
matriz estrictamente estable, entendiendo que casos con un autovalor en el lmite de la
estabilidad (imaginario puro) tendran que ser excluidos, es decir, no sera una solucin
vlida.
La solucin vlida, en general, cumple estas tres condiciones:
[ ] 0 ) ( Re
i
<
+ +

RX A
0 Q XRX XA X A
X X
T
T

En la teora de control LQ, las ecuaciones de Riccati cumplen automticamente estas
condiciones. Sin embargo en control H

es normal encontrar en problemas de sntesis,


que falla la condicin 3, porque algunos autovalores de A-RX pueden estar en el eje
imaginario. La diferencia entre las ecuaciones LQ y H

de Riccati provienen de los


requerimientos de la matriz R: para la sntesis LQ , R>0 tiene que ser positiva definida
mientras que en el control H

, R puede tener autovalores positivos o negativos.




Clculo de ARE
Hay dos algoritmos que resuelven la ecuacin de Riccati, el de Potter y el de Laub. Es
ms recomendado el segundo.
El algoritmo de Potter es el siguiente: Encontrada la matriz Hamiltoniana
n 2 x n 2
R H
se seleccionan todos los n autovalores estables 0 ) (
i
< H que tambin son autovalores
de A-RX
Luego se calculan sus correspondientes autovectores x
i
resolviendo H x
i
=
i
x
i
y a
continuacin se forma la matriz:
[ ]
n x n 2
2
1
n 1
C
1
]
1

X
X
x x L
donde X
1
y X
2
son particiones cuadradas nxn , de la matriz 2nxn formada con los
autovectores.
La solucin de la ecuacin de Riccati es X=Ric(H)=
1
1 2

X X
El inconveniente que tiene este mtodo es que se basa en la descomposicin de
autovalores-autovectores y ya vimos que los autovectores pueden venir con mucho error
si los autovalores son muy prximos.
El algoritmo de Laub se basa en la descomposicin de Schur que es mucho ms segura.
Primero se calcula la descomposicin de Schur de la Hamiltoniana asociada a la ARE:
H=UMU* donde U*U=I y M es triangular con los ceros por debajo de la matriz
principal. Adems U y M pueden ser complejas aunque H sea real. Los autovalores de
H se leen directamente de los elementos de la diagonal de M al ser triangular. Despus
se colocan en la esquina superior izquierda todos los autovalores estables y en la
esquina inferior derecha todos los inestables. Esta ordenacin de la particin de Schur
suele venir en los programas informticos que trabajan con matrices. De esta forma:
*
22 21
12 11
22
12 11
22 21
12 11
1
]
1

1
]
1

1
]
1

U U
U U
M 0
M M
U U
U U
H
donde M
11
y M
22
son triangulares y M
11
tiene solamente los autovalores estables y M
22

los inestables. La solucin a la ecuacin de Riccati viene dada por:
X=Ric(H)=
1
11 21

U U
Cuando A, Q y R son reales X es tambin real y como Q y R son simtricas, X tambin
lo es.

19.1.4.- Clculo de normas de funciones de transferencia
Se han definido ya las normas referentes a funciones de transferencia, tanto en el
dominio de la frecuencia como en el dominio del tiempo, pero el clculo de estas
normas partiendo de la definicin es complicado y adems el resultado obtenido con las
integrales puede tener bastante error, sobre todo si hay picos de resonancia, por lo que
se hace necesario encontrar otros algoritmos ms fciles de computar y ms precisos.
Las funciones de transferencia, en general, se han representado por G(s) y en el caso de
corresponder a un sistema multivariable en variables de estado, tambin se emplear la
notacin:
D B A I C
D C
B A
G +
1
]
1

1
) s ( ) s (
e interesa no confundir esta notacin con la de particin de matrices, que sera una
matriz (n+p)x(n+r) formada al concatenar las matrices A, B, C, y D.

Clculo de la norma 2
En los sistemas de control, cuando la frecuencia tiende a infinito la funcin de
transferencia debe tender a cero, por lo que viendo la expresin de G(s) se deduce que
D debe tender a cero. Luego para un sistema de control:
B A I C
0 C
B A
G
1
) s ( ) s (


1
]
1


y la norma 2 para esta funcin de transferencia est dada por:
) ( trace ) ( trace
o
T T
c
2
2
B W B C CW G
donde W
c
y W
o
son las matrices de controlabilidad y observabilidad grammianas que se
obtienen resolviendo las ecuaciones de Lyapunov:
0 C C A W W A
0 BB A W AW
+ +
+ +
T T
T T
o o
c c

Ejemplo:
Sea la funcin de transferencia dada por:
1 s 4 , 0 s
1
0 0 1
1
0
4 , 0 1
1 0
) s (
2
+ +

1
1
]
1


G
para computar la norma 2 es necesario calcular las grammianas:
1
]
1


1
]
1

+
1
]
1

+
1
]
1

25 , 1 0
0 25 , 1
0
1 0
0 0
4 , 0 1
1 0
4 , 0 1
1 0
c c c
W W W

1
]
1


1
]
1

+
1
]
1


+
1
]
1

25 , 1 5 , 0
5 , 0 45 , 1
0
0 0
0 1
4 , 0 1
1 0
4 , 0 1
1 0
o o o
W W W
Despus se calcula la norma aplicando las frmulas:
[ ]
[ ] 25 , 1
1
0
25 , 1
5 , 0
5 , 0
45 , 1
1 0 trace ) ( trace
25 , 1
0
1
25 , 1
0
0
25 , 1
0 1 trace ) ( trace
o
T
2
2
T
c
2
2

'

1
]
1

1
]
1

'

1
]
1

1
]
1


B W B G
C CW G

como debe ser, las dos frmulas producen el mismo resultado.

Clculo de la norma
Para que la norma sea finita no es necesario que la matriz D sea cero, es decir, la
respuesta en frecuencia no necesita caer a cero cuando la frecuencia tiende a infinito.
Dada la funcin de transferencia:
D B A I C
D C
B A
G +
1
]
1

1
) s ( ) s (
el clculo de la norma requiere iteraciones. Sea un nmero real que utilizaremos
como parmetro y que cumple ) (D > . Se construye la matriz 2nx2n M

:
1
1
]
1

T T 1 1 T
T 1 T 1
) (
M
C D BR A C S C
B BR C D BR A

donde las matrices R y S son:
) ( y ) (
2 T 2 T
I DD S I D D R
La matriz M

tiene la estructura de una Hamiltoniana, donde si es un autovalor de M


- tambin lo es. El procedimiento de clculo est basado en el siguiente teorema:
Sea A estable, es decir cumple que [ ] 0 ) ( Re
i
< A , y sea ) (D > . Entonces

G
si y solamente si, la matriz M

tiene al menos un autovalor imaginario puro.


Entonces para computar la norma se va ajustando hasta que uno o varios
autovalores de M

se aproximen mucho al eje imaginario. Si se escoge demasiado


pequeo entonces M

tendr uno o ms autovalores imaginarios puros, y si se toma


demasiado grande no tendr ninguno. Se comienza con un valor de , se ve donde caen
los autovalores y despus se vara hacia valores ms grandes o pequeos segn
interese. Se puede fijar una tolerancia para el valor de la norma y entonces variar hasta
que al menos un autovalor de M

se haga imaginario puro. Podra parecer que este


proceso de convergencia sera rpido con algoritmos basados en el gradiente, tal como
el mtodo de Newton, pero la sensibilidad de los autovalores de M

con se aproxima a
infinito cuando el autovalor se aproxima al eje imaginario, haciendo que el mtodo de
Newton falle. En cualquier caso como el clculo de esta norma requiere el clculo
repetido de autovalores, su tiempo de cmputo es mucho ms elevado que el de la
norma 2.
Mientras los algoritmos de la norma 2 y el LQ control ptimo resuelven un simple
conjunto de ecuaciones solamente una vez para encontrar una nica solucin ptima, los
algoritmos de la norma y la sntesis H

requieren iteraciones con , y proporcionan


soluciones subptimas. A pesar de todo, ya que la diferencia entre las soluciones
subptimas y la verdadera solucin ptima puede hacerse tan pequea como se desee,
estos mtodos pueden ser considerados ptimos para fines prcticos.
El valor de ptimo encontrado se corresponde con un autovalor de M

muy prximo al
eje imaginario. Este autovalor tiene significado fsico ya que indica la frecuencia w en
rad/s a la cual G(jw) alcanza su mxima ganancia si es un sistema SISO, y en sistemas
MIMO indica la frecuencia a la cual el mximo valor singular de G(jw) alcanza su
mximo valor.

19.1.5.- Gramianas y comportamiento de sistemas lineales
Las gramianas son ms que una herramienta en el clculo de la norma 2. En control
robusto tienen aplicacin para el anlisis de sistemas y para reducir modelos, es decir
reducir el nmero de variables de estado con mnima distorsin en su respuesta y
funcionamiento.
La controlabilidad gramiana W
c
proporciona informacin til sobre en qu regiones o
direcciones en el espacio de estados, entra un sistema lineal cuando se excita por un
conjunto de entradas.
La observabilidad gramiana W
o
contiene informacin similar sobre que regiones del
espacio de estados son ms sensibles a un conjunto de salidas dado, cuando cada punto
del espacio de estados es tratado como una condicin inicial y al sistema se le permite
evolucionar libremente a travs del tiempo sin entradas externas.
Las gramianas estn definidas mediante las integrales:

0
t T t
o
0
t T t
c
dt e e
dt e e
T
T
A A
A A
C C W
BB W

El significado de la integral de W
c
puede interpretarse teniendo en cuenta que
B g
At
e ) t ( es la funcin de transferencia desde las entradas u(t) al vector de estado
x(t). Por lo tanto la controlabilidad gramiana es simplemente la integral del cuadrado
(gg
T
) de la respuesta al impulso de la citada funcin de transferencia. La norma 2 de un
sistema era tambin la integral del cuadrado de una respuesta al impulso, pero tomando
como salida de la funcin de transferencia a y y no a x. Como y=Cx, en el caso de
tomar como salidas todo el vector de estado, es decir C=I, la norma 2 y la
controlabilidad gramiana coincidiran, por lo que la norma 2 podra calcularse
simplemente como la raz cuadrada de la traza de W
c
.
El significado de la integral de W
o
puede interpretarse como sigue. La matriz
t
e ) t (
A
C g da la salida resultante para una condicin inicial x
o
. Es decir,
0 0
t
) t ( e ) t ( x g x C y
A
transforma cualquier condicin inicial en su vector de salida
correspondiente. Luego en este caso g(t) puede interpretarse como la matriz de
respuesta a condiciones iniciales. La observabilidad gramiana es la integral del cuadrado
(g
T
g) de esta matriz.
La controlabilidad gramiana describe la regin del espacio de estado alcanzable por
seales de entrada con una energa dada. El conjunto de estos puntos, si la matriz de
controlabilidad se descompone en la forma
T
i c
) ( diag V V W con V
T
V=I, es un
elipsoide en R
n
con semiejes dados por
i i
v , es decir, la direccin de los semiejes
viene dada por los vectores singulares y su longitud por la raz cuadrada de los valores
singulares de W
c
. El valor singular ms grande
i
, marca el semieje ms grande, en
direccin v
i
, de la regin del espacio de estados que puede ser alcanzada por entradas
de energa
2
u dada.

La observabilidad gramiana describe la regin de puntos x
0
en el espacio de estados, los
cuales, si se toman como condicin inicial sin que haya entrada (u=0), producen salidas
con una energa dada.
El conjunto de estos puntos, si la matriz de observabilidad se descompone en la forma
T
i o
) ( diag V V W con V
T
V=I, es un elipsoide en R
n
con semiejes dados por
i i
/ v
Ahora el valor singular ms grande
i
, marca el semieje ms pequeo, en direccin v
i
,
de la regin del espacio de estados, que se transformaran en seales de salida con
energa menor que uno.
Ejemplo:
Consideremos la funcin de transferencia:
1 s 4 , 0 s
4 , 1 s
0 0 1
1
1
4 , 0 1
1 0
) s (
2
+ +
+

1
1
]
1


G
Resolviendo las ecuaciones de Lyapunov correspondientes se obtienen las gramianas:
1
]
1

1
]
1

25 , 1 5 , 0
5 , 0 45 , 1

5 , 2 5 , 0
5 , 0 7 , 3
o c
W W
Despus se descompone cada gramiana en una estructura W=Vdiag()V
T
resultando:
[ ]
[ ]
1
]
1

1
]
1


1
]
1



1
]
1

1
]
1


1
]
1


8401 , 0 0
0 8599 , 1
0
0
) diag(
7733 , 0 6340 , 0
6340 , 0 7733 , 0
319 , 2 0
0 881 , 3
0
0
) diag(
9403 , 0 3404 , 0
3404 , 0 9403 , 0
2 o
1 o
o 2 o 1 o o
2 c
1 c
c 2 c 1 c c
v v V
v v V

Viendo las matrices A, B, C y D del sistema se comprueba que
1 2 1
x y que y x x &
por lo que cuando se representa x
1
en funcin de x
2
es lo mismo que representar y en
funcin de su derivada.
En estos dos casos las elipses de controlabilidad y observabilidad son de dos
dimensiones.
La de controlabilidad se ha construido usando [ ]
T
1 c 1 c
670 , 0 852 , 1 v como eje
mayor y [ ]
T
2 c 2 c
432 , 1 518 , 0 v como eje menor.












19.2.- Elipse de controlabilidad gramiana
Entradas que hagan que se est en el borde de la elipse y que tengan una energa menor
o igual a uno ( 1
2
u ), generan trayectorias en el espacio de estados que permanecen
dentro de la elipse de controlabilidad.
La elipse de observabilidad se construye usando [ ]
T
1 o 1 o
465 , 0 567 , 0 / v como eje
menor y [ ]
T
2 o 2 o
844 , 0 692 , 0 / v como eje mayor.










19.3.- Elipse de observabilidad gramiana
La espiral corresponde a la trayectoria que se genera partiendo del estado inicial que se
encuentra en el borde de la elipse, y sin que haya entrada aplicada. Todas las
trayectorias permanecen dentro de la elipse, como debe ser.
Una forma de utilizar este tipo de anlisis con gramianas, es reducir el orden de los
modelos. Es normal el hecho de que si se quieren obtener modelos de alta fidelidad, de
procesos no lineales, aparezcan 50 o 100 variables de estado, muchas de las cuales
tienen influencia pequea en la funcin de transferencia que se est estudiando. Estas
variables son detectadas por las gramianas de controlabilidad y observabilidad al
x
1

x
2

x
1

x
2

corresponderse con pequeos valores singulares. Las columnas correspondientes de V
c

o V
o
pueden entonces suprimirse sin causar grandes errores en la funcin de
transferencia.

19.1.6.- Modelos con incertidumbre: La transformacin lineal fraccionaria (LFT)
Hasta ahora hemos definido normas como una medida de vectores, matrices, seales y
funciones de transferencia. Hemos examinado mtodos de descomposicin de matrices
y las ecuaciones de Lyapunov y Riccati, las cuales pueden resolver problemas de
control ptimo y de control robusto. Pero antes de emplear estos mtodos, debemos
discutir la representacin de plantas, para que todas aquellas tcnicas matemticas
puedan ser aplicadas a problemas especficos.
La llave para aplicar con xito los mtodos de control robusto es representar, de forma
realista, las incertidumbres de la planta, en el marco de un sistema lineal.
Afortunadamente existe una poderosa herramienta para hacer esto: la transformacin
lineal fraccionaria (LFT). La aproximacin LFT es para modelar variaciones de la
planta como ganancias lineales variables en una estructura general de realimentacin.
Las ganancias pueden ser nmeros reales, cuando representan parmetros fsicos, o
nmeros complejos, cuando representan cambios en la ganancia o la fase de la respuesta
en frecuencia.
Todas las partes no variables de esta estructura pueden estar incluidas en una matriz,
normalmente dependiente con la frecuencia, y las partes variables en otra. Esta
separacin de un sistema con incertidumbre en un modelo lineal constante y un
conjunto de ganancias variable realimentadas es muy general, y puede modelar
cualquier sistema lineal con incertidumbre en sus parmetros. Estos parmetros pueden
variar, incluso, no linealmente.
Consideremos el sistema lineal P de la figura, con dos vectores de entrada u
1
, u
2
y dos
vectores de salida y
1
, y
2
. P puede ser una matriz constante o dinmica representada en
variables de estado.







Si otro sistema lineal K es conectado desde y
2
a u
2
por la parte de abajo del diagrama,
se puede escribir:
y
1
P
K
y
2 u
2
u
1
2 2
2 22 1 21 2
2 12 1 11 1
u u
u u
Ky u
P P y
P P y

+
+

Eliminando u
2
e y
2
resulta la respuesta del sistema en lazo cerrado:
[ ]
1 1 1 21
1
22 12 11 1
u ) , ( u ) ( K P F P K P I K P P y +


La matriz F
1
(P,K) es llamada la transformacin lineal fraccionaria baja, o bien LFT
baja para el sistema P. Con esta notacin la LFT baja indicar, en control robusto, la
respuesta de la planta en lazo cerrado con un controlador K conectado. El problema de
control ptimo ser encontrar un controlador K que minimice la norma 2 o la norma
del sistema en lazo cerrado F
1
(P,K).
De forma dual, existe la LFT alta que se indica en la figura:









En este caso el sistema lineal est conectado desde y
1
a u
1
y por la parte de arriba del
diagrama. El sistema de ecuaciones es:
1 1
2 22 1 21 2
2 12 1 11 1
u u
u u
y u
P P y
P P y

+
+

Eliminando u
1
e y
1
resulta la respuesta del sistema en lazo cerrado:
[ ]
2 u 2 12
1
11 21 22 2
u ) , ( u ) ( P F P P I P P y +


La matriz F
u
(P, ) es llamada la transformacin lineal fraccionaria alta, o bien LFT alta
para el sistema P. Con esta notacin la LFT alta indicar, en control robusto, la
respuesta de la planta con perturbaciones .
Ejemplo:
Consideremos el sistema mecnico de la figura:







P
y
2
u
2
u
1 y
1
m
k
y
u

Podemos definir dos variables de estado y x y x
2 1
& La ecuacin diferencial de
movimiento para este sistema es: u ky y m + & & . La funcin de transferencia desde la
fuerza u hasta el desplazamiento y es:
1
1
1
]
1

0 0 1
m / 1 0 m / k
0 1 0
y
x
x
u x x
) s (
2
1
2 1
&
&
G
Ahora supongamos que en la determinacin de la constante elstica existe un error o
incertidumbre de modo que k k k
0
+ donde k
0
es el valor nominal y k es el error.
La ecuacin que se ve afectada por el error es:
1 1
0
2
x
m
k
u
m
1
x
m
k
x

+ &
Podemos modelar el efecto del error usando el esquema LFT de la figura:






y aadiendo una entrada u
2
=ky
2
y una nueva salida y
2
=x
1
para P. La funcin de
transferencia desde u hasta y ser:
1
1
1
1
1
]
1

0 0
0 0
0
0
1
1
m / 1 m / 1 0 m / k
0 0 1 0
y
y
x
x
u u x x
) s (
0
2
2
1
2 2 1
&
&
P
Eliminando u
2
e y
2
en el sistema realimentado, se comprueba fcilmente que la
respuesta desde u hasta y es F
1
(P,k):
1
1
1
]
1

+

0 0 1
m / 1 0 m / ) k k (
0 1 0
y
x
x
u x x
) k , (
0 2
1
2 1
1
&
&
P F
Una aplicacin importante de las LFTs es modelar desplazamientos de ganancia y fase,
para calcular mrgenes de ganancia y fase en lazos mltiples. Para tales anlisis es
importante tener un bloque de la forma e

. Cuando sea real, la ganancia en dB sera


20log e

que variara linealmente con . Cuando =j fuese imaginario puro, la


ganancia valdra 1 pero la fase se habra desplazado el valor . Estas funciones tienen
mucho inters en ingeniera, sin embargo la LFT no puede modelar funciones
P
k
y
2 u
2
u

y
exponenciales, solo funciones racionales. Una forma de hacerlo es mediante la
aproximacin de Pade:
)
2
1 )(
2
1 ( e


y tomando para la matriz P la siguiente:
1
1
]
1

1
]
1

1 1
1
2
1
p p
p p
22 21
12 11
P
Aplicando la definicin LFT alta:
2
1
2
1
2
1
1
p 1
p p
p ) , (
11
12 21
22 u

+ P F
Cuando =j es un desplazamiento de fase y entonces es necesario multiplicar una
columna de la matriz P por j:
1
1
]
1

1
1
]
1

1 j
1
2
j
1 1
1
2
1
P P
Desplazamiento de ganancia Desplazamiento de fase

Para usar estas LFTs en anlisis robusto, se rompe el lazo que se desee para introducir la
respuesta de los desplazamientos de ganancia o fase F
u
(P,) como se indica en la figura,
en el caso de un controlador:








19.2.- ANLISIS ROBUSTO
En la teora clsica de control el anlisis y la sntesis estn fuertemente relacionados y
no hay separacin entre ellos. Sin anlisis solo queda experimentar o simular en el
ordenador. La sntesis clsica se reduce, prcticamente, al anlisis del lugar de las races
y a la experiencia del diseador para escoger la estructura del control y la ganancia
adecuada.
Desde que en la dcada de 1960 se formalizaron los mtodos de sntesis LQ, ha sido
comn estudiar el anlisis y la sntesis separadamente. Las herramientas de anlisis

P
Planta
Controlador
robusto han llegado a ser muy potentes en los ltimos aos, y pueden contribuir mucho
ms que la simple medida de mrgenes de ganancia y fase, que es lo que ha hecho la
industria exclusivamente durante muchas dcadas.
En esta seccin estudiaremos algunas de estas herramientas de anlisis robusto.
Obviamente un sistema de control debe ser estable, as es que primero se analizar la
estabilidad con el criterio de Nyquist aplicado a sistemas MIMO. Despus veremos la
medida de la robustez de un sistema que suplementarn la informacin que se tiene de
mrgenes de ganancia y fase de control clsico. Para desarrollar medidas cada vez ms
seguras de robustez, introduciremos primero el teorema de pequea ganancia y
mostraremos como puede ser usado con modelos con incertidumbre y anlisis de los
valores singulares, para producir una familia de medidas de robustez para sistemas
MIMO. Luego mostraremos como puede hacerse mucho ms segura la aproximacin
bsica de los valores singulares, utilizando el anlisis y la LFT.

19.2.1.- Criterio de estabilidad de Nyquist en sistemas MIMO
Para el sistema SISO de la figura:





la funcin de transferencia desde e hasta y es L(s) y la funcin de transferencia desde u
hasta e es (obsrvese el signo + en el diagrama):
) s ( L 1
1


Para cualquier valor que haga 1-L(s)=0 la funcin de transferencia en lazo cerrado tiene
un polo porque la respuesta se ira a infinito.
En los sistemas SISO el test de Nyquist se presenta trabajando solamente con -L(s) y
viendo si encierra al punto al punto -1. Si se trabaja con 1-L(s) el punto crtico sera el
cero y el test de Nyquist, un poco ms desarrollado sera:
El nmero de polos en el semiplano derecho, de la funcin de transferencia en lazo
cerrado es igual al nmero de veces que 1-L(s) encierra al punto 0 segn el sentido del
reloj, ms el nmero de polos en el semiplano derecho de L(s).
En sistemas MIMO el test debe de aplicarse de esta forma, pero trabajando con I-L(s).
Como L(s) es la matriz de ganancia desde e hasta y, siempre es cuadrada porque en el
diagrama los rdenes de e e y son iguales al estar incluido en L(s) la planta y el control.
L
u
e y
+
La matriz de transferencia desde u hasta e vendr dada por [ ]
1
) s (

L I cuyo
denominador es [ ] ) s ( det L I . Esto significa que los polos en lazo cerrado ocurren en
[ ] 0 ) s ( det L I .
La funcin [ ] ) s ( det L I es la equivalente a 1-L(s) en sistemas MIMO y en estos
ltimos el test de estabilidad de Nyquist se transforma en:
El nmero de polos en el semiplano derecho, de la funcin de transferencia en lazo
cerrado es igual al nmero de veces que [ ] ) s ( det L I encierra al punto 0 segn el
sentido del reloj, ms el nmero de polos en el semiplano derecho de L(s).
El criterio de Nyquist en sistemas MIMO se emplea realmente poco, y lo ms
importante es recordar que los polos de la funcin de la funcin de transferencia en lazo
cerrardo ocurren cuando [ ] 0 ) s ( det L I . Este hecho es la llave para el desarrollo del
anlisis y tambin est fuertemente relacionado con el lugar de las racen de los sistemas
clsicos.
19.2.2.- Teorema de pequea ganancia.
Este teorema es la base para el anlisis del lazo segn la descomposicin en valores
singulares (SVD) y tambin para el anlisis.
Refirindose al diagrama de bloques de la figura:







el teorema establece que:
Siendo G
1
, G
2

H funciones de transferencia estables y de ganancias limitadas,
entonces si 1
2 1
<

G G , el sistema en lazo cerrado es estable. Es decir, si la ganancia


de lazo es menor que 1 para todas las frecuencias, siendo el sistema en lazo abierto
estable, entonces el sistema en lazo cerrado tambin es estable.
Adems, como

<
2 1 2 1
G G G G entonces si 1
2 1
<

G G el sistema en
lazo cerrado es estable. Lo que se ha hecho es romper la ganancia de lazo total en dos
partes.
Para entender mejor este teorema vamos a relacionarlo con el criterio de Nyquist. En
sistemas SISO si la magnitud de la ganancia de lazo 1 ) s ( L < para todas las frecuencias
s=jw, entonces la cantidad 1-L(s) no es posible que encierre al origen, por lo que el
sistema ser estable. En sistemas MIMO, si el mximo valor singular de la matriz
ganancia de lazo [ ] 1 ) jw ( < L para todas las frecuencias, entonces la cantidad
G
1

u
1
e
1
y
1
+
G
2
+
u
2
e
2
y
2

[ ] ) s ( det L I no es posible que encierre al origen. Es importante notar que el teorema
solo se refiere a la magnitud de L(s), no a su fase.
Expresado de esta forma el teorema parece poco til porque prcticamente no hay
sistemas de control que tengan la ganancia de lazo menor que 1. Sin embargo utilizando
operaciones matemticas y escalado se pueden transformar sistemas tpicos en sistemas
a los que se les puede aplicar el teorema de pequea ganancia. El procedimiento
consiste en extraer solamente la parte variable del sistema dinmico, en un lazo artificial
y luego demostrar que la ganancia de lazo, vista solamente por la parte variable, es
menor que uno. Esta es la base del test de robustez aditiva y multiplicativa del anlisis
SVD.

19.2.3.- Incertidumbre aditiva y multiplicativa
La incertidumbre aditiva es un bloque de funcin de transferencia que se coloca en
paralelo con el modelo nominal de alguna parte del sistema de control G, generalmente
la planta, o un subsistema tal como un actuador o un sensor.
La verdadera respuesta del sistema es entonces G+ donde G es la parte fija del modelo
nominal y representa todas las desviaciones o errores. Generalmente en se coloca
una magnitud limitada permitiendo que la fase vare entre 0 y 360 grados, adems se
asume que es estable. En el caso de sistemas MIMO la respuesta en frecuencia de
estara limitada superiormente por su mximo valor singular [ ] ) jw ( .
Los modelos aditivos son tiles para modelar errores de alta frecuencia. Por ejemplo,
los sistemas mecnicos tienen vibraciones a alta frecuencia que suelen caer ms all del
ancho de banda de inters para el control. Para demostrar que el sistema realimentado es
robusto contra estas vibraciones, se puede limitar el valor de (jw) y demostrar que el
sistema permanece estable para cualquier valor ) jw ( por debajo del lmite
establecido.











(s)
G(s)
K(s)
X
X
(s)
M(s)
La figura anterior indica una forma de utilizar el bloque de error aditivo en anlisis. La
planta nominal G se ha sustituido por G+ realimentado con K. Rompiendo por los
puntos sealados, la ganancia vista por es
1
) (

GK I K
a
e
. Si asumimos que y
1
) (

GK I K son estables el teorema de pequea ganancia dice que el sistema con
perturbaciones tambin es estable si

<
1
) (
1
GK I K
.
Se puede ir incluso ms all y establecer que el sistema con perturbaciones es estable si,
para cualquier w, [ ]
[ ] ) jw (
1
) jw (
M

< donde M(jw)=


1
) (

GK I K .
Esto proporciona un lmite permitido para los errores, sin que el sistema se
desestabilice.
La incertidumbre multiplicativa es un bloque de la forma I+ colocado en serie con el
modelo nominal o alguna parte del sistema de control, generalmente la salida o la
entrada de la planta. Por ejemplo, si I+ se coloca en la entrada de la planta, como en la
figura:











La verdadera respuesta de la planta es ahora G(I+ )=G+G , donde G es la parte fija
del modelo nominal y representa todas las desviaciones o errores.
Generalmente en se coloca una magnitud limitada permitiendo que la fase vare entre
0 y 360 grados, adems se asume que es estable. En el caso de sistemas SISO no hay
diferencia entre colocar I+ a la entrada o a la salida de la planta, pero en el caso de
sistemas MIMO si que la hay ya que la multiplicacin de matrices no es conmutativa,
G(I+ ) es distinto a (I+ )G. Un implicacin prctica de este hecho es que los mrgenes
de robustez en los actuadores pueden diferir sustancialmente de los mrgenes de
robustez desde los sensores.
En la figura anterior, rompiendo el lazo de realimentacin por los dos puntos marcados,
aislando , se puede aplicar el teorema de pequea ganancia. La ganancia vista por
(s)
G(s)
K(s)
X
X (s)
M(s)
sera
a
e
KG(I-KG)
-1
. Si asumimos que y KG(I-KG)
-1
son estables, entonces el
teorema de pequea ganancia establece que el sistema con perturbaciones es estable si:

<
1
) (
1
KG I KG

Igual que con los errores aditivos se puede establecer que el sistema con perturbaciones
es estable si, para cualquier w, [ ]
[ ] ) jw (
1
) jw (
M

< donde M(jw)=


1
) (

KG I KG .
Los lmites de pueden ser niveles relativos de cambio en la respuesta nominal, por
ejemplo 1 , 0 < significara que la ganancia podra variar en un 10%, permitiendo
cualquier variacin de fase.
Los modelos multiplicativos son tiles para modelar errores de baja frecuencia. Nunca
las aproximaciones son enteramente satisfactorias para modelar todos los tipos de
variaciones en las plantas que pueden ser encontradas en la prctica, pero los dos
modelos estudiados son lo bastante simples para permitir chequeos rpidos y tiles de
robustez y pueden ser usados para incluir requerimientos de robustez en los
procedimientos de sntesis H infinito y .

19.2.4.- Medidas de robustez, S , T y S+T
El bloque de errores multiplicativo puede ser empleado para construir tiles medidas de
mrgenes de robustez para sistemas mltiples, los cuales pueden reemplazar a los
mrgenes de fase y ganancia de los sistemas clsicos. Presentaremos estos mtodos
utilizando primero el mtodo de descomposicin de valores singulares SVD, y despus
los introduciremos en el anlisis para proporcionar mejores resultados que con el
mtodo anterior.
En general en un diagrama como el de la figura:






la funcin de transferencia en lazo cerrado desde u hasta y es llamada funcin de
sensibilidad complementaria T=L(I-L)
-1
. La funcin de sensibilidad S=(I-L)
-1
es la
funcin de transferencia desde u hasta e. Se comprueba fcilmente que S-T=I. En las
frecuencias donde la ganancia de lazo L(s) es grande, es decir 1 ) >> (L , entonces S
tiende a cero y T tiende a uno. En las frecuencias donde la ganancia de lazo L(s) es
pequea, es decir 1 ) << (L , entonces S tiende a uno y T tiende a cero.
L(s)
+
u e
y
La representacin grfica de S(jw) y de T(jw) as como la de S(jw)+T(jw) proporcionan
mrgenes robustos garantizados en sistemas MIMO.

19.2.4.1.- Anlisis SVD de robustez, utilizando (S) , (T) y (S+T)
Para ver como T puede proporcionar una medida de robustez garantizada, consideremos
la figura de abajo:









donde un bloque de error multiplicativo est insertado a la entrada. Aislando el bloque
la ganancia artificial vista por est dada por T=L(I-L)
-1
. El teorema de pequea
ganancia establece que si y T son estables, entonces si:
) (
1
) (
T

<
para todas las frecuencias w, el sistema con perturbaciones permanecer estable. Esto
garantiza un lmite para el tamao de la perturbacin.
Si es una matriz completa existen realimentaciones entre los diferentes canales del
sistema MIMO, y cuando es una matriz diagonal puede interpretarse como que los
errores afectan a funciones de transferencia independientes y pueden ser interpretados
como mrgenes de ganancia y fase.
Definiendo:
[ ]

) jw (
1
) jw (
1
r(jw)
T T

para cualquier frecuencia w, ) jw ( r ) ( < , la funcin de transferencia de cada
elemento diagonal de I+ debe caer dentro del disco 1+ke
j
donde: ) jw ( r k < y
[ ] 2 , 0 . Expresando la ganancia de este complejo en dB:






(s)
T(s)
(s
L(s)
X
X
k

+
j
ke 1 dB

j
ke 1

0 6 0
90 3 45

1
180 - 90
0 3,52 0
90 0,97 26,5

1/2
180 -6 0
0 2,49 0
90 1,05 18,26

1/3
180 -3,52 0
0 1,58 0
90 0,17 11,3

1/5
180 -1,93 0

En la grfica de abajo se representan los valores de la tabla y todos los correspondientes
a [ ] 2 , 0 resultando crculos. Los niveles indicados son los que corresponden a 1/k
que son los que corresponden a la norma infinito de T(jw) o lo que es lo mismo, a
valores de [ ] ) jw ( T .
Cualquier cambio en la ganancia o la fase de la funcin de transferencia vista por , es
decir de T(jw), no desestabilizar al sistema si permanece dentro del correspondiente
crculo para toda frecuencia.
















10
-10
-20
20 40
60 80 0

0
1
2 3
5
Niveles indica ) (T
Mrgenes garantizados desde T(jw)
Si la ganancia no cambia y permanece, por ejemplo, a 0 dB, el mejor margen de fase
garantizado posible para 1 ) ( T es 60 t y ocurre cuando 1 ) ( T . En general el
margen de fase garantizado es 2sen
-1
(r/2).
Si la fase permaneciese en 0 sin cambiar, el mejor margen posible de ganancia
garantizado para 1 ) ( T es [ ] dB 6 , dB + . En general el margen de ganancia
garantizado con ) ( / 1 r T es [ ] r 1 , r 1 + sin estar expresado en dB.

Para ver como S puede proporcionar una medida de robustez garantizada, consideremos
la figura de abajo:









Ahora la funcin de transferencia vista por el bloque est dada por S=(I-L)
-1
. El
teorema de pequea ganancia implica que si y la respuesta en lazo cerrado S=(I-L)
-1

son estables, entonces si
) (
1
) (
S

< para todas las frecuencias jw, el sistema con


errores ser tambin estable.
Esto proporciona un lmite garantizado para el tamao de las perturbaciones, cuyo lazo
es de la forma (I- )
-1
ya que, en este caso, la funcin de transferencia de:






es
1
) (

I
u
y

Si asumimos que es una matriz diagonal, se puede construir un diagrama de crculos
equivalentes a los mrgenes de fase y ganancia para lazos mltiples basados en la
sensibilidad S.
Definiendo:
[ ]

) jw (
1
) jw (
1
r(jw)
S S

(s
L(s)
X
X
(s)
S(s)
(s)
u
y
para cualquier frecuencia w, ) jw ( r ) ( < , la funcin de transferencia de cada
elemento diagonal de debe caer dentro del disco ke
j
donde: ) jw ( r k < y [ ] 2 , 0 .
Convertir esto a la actual funcin de transferencia de las perturbaciones (I- )
-1
requiere,
simplemente, evaluar: 1/ ) ke 1 (
j
. La carta de crculos de la figura de abajo muestra
esta funcin evaluada para diversos valores de k / 1 ) ( S .















Cualquier cambio de ganancia y fase de la funcin de transferencia indicada por los
puntos, (I- )
-1
, no desestabilizar al sistema si permanece dentro del crculo
correspondiente.
Si la ganancia no cambia, el mejor margen de fase garantizado posible para 1 ) ( S es
60 t y ocurre para 1 ) ( S . La frmula general para el margen de fase garantizado es
2sen
-1
(r/2), la misma que la aplicada en T.
Si lo que no cambia es la fase, el mejor posible margen de ganancia garantizado, para
1 ) ( S , es [ ] [ ] dB ; dB 6 ; 5 , 0 + . La frmula general para el margen de ganancia
garantizado es [ ] ) r 1 ( 1 ; ) r 1 ( 1 + .

Existe una tercera tcnica basada en S+T que proporciona unos mrgenes de seguridad
mayores. Los mayores mrgenes basados en T eran [ ] dB 6 , dB + para 1 ) ( T , y
los mayores mrgenes basados en S eran [ ] dB , dB 6 + para 1 ) ( S . En los dos
casos los mrgenes de fase eran 60. En la mayora de las aplicaciones de ingeniera, un
margen de ganancia de 6 dB es considerado inadecuado, y un margen de fase de 60
est ligeramente por encima del margen usual de 45. Ambos mrgenes pueden
extenderse basndose en el anlisis S+T.
20 60 80 0
-10
40

0
1
2
3 5
Niveles indica ) (S
Mrgenes garantizados basados en S(jw)
20
10
En la siguiente figura se ha insertado una ganancia de valor (I+ )(I- )
-1
como puede
comprobarse fcilmente calculando la funcin de transferencia de la estructura
realimentada .








La ganancia vista por es ahora S+T=(I+L)(I-L)
-1
. El teorema de pequea ganancia
implica que si y S+T son estables, entonces si ) ( 1 ) ( T S + < para todas las
frecuencias jw, el sistema con perturbaciones permanecer estable.
Se puede confeccionar una carta de crculos de mrgenes de fase y ganancia para
sistemas con multilazos basados en S+T, asumiendo como antes que es diagonal.
Definiendo:
[ ]

) jw ( ) jw (
1
) jw ( ) jw (
1
r(jw)
T S T S

para cualquier frecuencia w, ) jw ( r ) ( < , la funcin de transferencia de cada
elemento diagonal de debe caer dentro del disco ke
j
donde: ) jw ( r k < y [ ] 2 , 0 .
Convertir esto a la actual funcin de transferencia de las perturbaciones (I+ )(I- )
-1

requiere, simplemente, evaluar: ) ke 1 (
j
+ / ) ke 1 (
j
. La carta de crculos de la figura
de abajo muestra esta funcin evaluada para diversos valores de k / 1 ) ( + T S .














(s L(s) X X
(s)
S(s)+T(s)
40

1,1
2
3
8
Niveles indica ) T ( + S
Mrgenes garantizados basados en S(jw)+T(jw)
20 60 80 0
30
20
10
-10
-20
0
Cualquier cambio de ganancia y fase de la funcin de transferencia indicada por los
puntos, (I+ )(I- )
-1
, no desestabilizar al sistema si permanece dentro del crculo
correspondiente.
Si la ganancia no cambia, el mejor margen de fase garantizado posible para
1 ) ( + T S se extiende ahora a 90 t y ocurre para 1 ) ( + T S . La frmula general
para el margen de fase garantizado es 2tan
-1
(r).
Si lo que no cambia es la fase, el mejor posible margen de ganancia garantizado, para
1 ) ( + T S , se extiende ahora a [ ] [ ] dB ; dB , 0 + ocurriendo cuando
1 ) ( + T S y el desplazamiento de fase es 0. La frmula general para el margen de
ganancia garantizado es [ ] ) r 1 ( ) r 1 ( ; ) r 1 ( ) r 1 ( + + . Ya que los crculos, en este caso,
muestran ganancias de perturbaciones simtricas, la funcin S+T ha sido llamada
funcin de sensibilidad balanceada. Esta funcin es un indicador ms sensible para la
robustez y proporciona mrgenes garantizados ms grandes que con las funciones S o
T.

19.2.4.2.- Anlisis de robustez, utilizando (S) , (T) y (S+T)
Las medidas de robustez anteriores basadas en la descomposicin SVD son sensibles al
escalado, es decir si las unidades fsicas de las seales de realimentacin se cambian de
pulgadas a metros o de grados a radianes, los mrgenes de robustez garantizados
cambian. Esto es claramente un artefacto matemtico que no tiene relacin con las
propiedades del sistema. Una ventaja del anlisis es que no vara por el escalado.
Adems, mientras los mrgenes basados en el anlisis SVD solo dan una condicin
suficiente para la estabilidad robusta, el anlisis proporciona las condiciones
necesarias y suficientes. Es decir, si la condicin dada por el SVD anlisis, deja de
cumplirse, el sistema no tiene porqu dejar de ser estable porque la condicin que da es
muy conservativa. Sin embargo el anlisis da mrgenes mayores, pero si dejan de
cumplirse el sistema se hace inestable.
En 1982 Doyle introdujo el anlisis, y al mismo tiempo Safonov introdujo la medida
de robustez k
m
=1/ . A tambin se le conoce con el nombre de valor singular
estructurado, y k
m
es llamado margen de estabilidad multivariable. k
m
(M) y (M) son
funciones escalares reales de la matriz cuadrada M. (M) aumenta en proporcin a la
norma de la matriz ) (M , mientras que k
m
(M) mide el tamao de la perturbacin
necesaria para desestabilizar el sistema causando que det(I- M)=0. Indicar que valor
k
m
(M) o (M) es el ms indicado, depende del tipo de anlisis y del problema concreto
que se tenga. Los dos son calculados por el mismo software.
Todos los problemas del anlisis estn basados en la estructura general de la figura:
en donde M incluira la planta y el controlador y =diag(
1
, ...,
n
) representa todos los
cambios en el sistema que el analista desee incluir. es una matriz diagonal, por lo que
cada uno de sus componentes puede representar cambios en diferentes subsistemas o en
diferentes parmetros fsicos, es decir sus elementos pueden ser matrices o escalares.
Recordando el criterio de estabilidad de Nyquist para sistemas MIMO, el nmero de
veces que det(I- M) encierra al origen, nos indica el nmero de polos inestables. Para
un sistema nominal estable, si la planta cambia podra ocurrir que el determinante
pasara por cero para cualquier frecuencia jw, y rodease al punto 0 con lo que el sistema
se hara inestable.
El anlisis est basado en este determinante. es simplemente una medida de lo
grande que tiene que ser un cambio en la matriz para forzar a que el determinante se
haga cero. El valor ms grande en es el valor ms pequeo de . Encontrando el valor
de pico de en todas las frecuencias, podemos encontrar el ms pequeo cambio en
que desestabiliza el sistema .
El valor singular estructurado de una matriz ( ) se define por:
[ ] 0 ) - det( que tal ) ( mn
) M (
1

M I
Si no existiese un que hiciese que el determinante fuese nulo, se dice que (M)=0.
Esta definicin establece, simplemente, cul es el menor que desestabiliza el sistema
haciendo que el determinante sea cero. La definicin no indica como poder calcular el
valor de , que ha requerido grandes esfuerzos de investigacin.
El algoritmo ms utilizado se puede aplicar a casos con bloques
i
complejos y
limitados por ) (
i
. Iterativamente se van reescalando las filas y columnas de M para
minimizar ) (
1
DMD y a partir de ah obtener un lmite superior para . Doyle
demostr que si no hay ms de tres bloques
i
este lmite superior converge
exactamente con y el algoritmo de Monte Carlo sobre miles de matrices ha
demostrado que, para matrices con ms de tres bloques, el lmite superior coincide con
el valor exacto de excepto en un porcentaje muy pequeo.
Es importante notar que (M) no solo depende de la matriz M, sino que adems
depende del modo en el que est realimentada la matriz . La matriz diagonal puede
1
1
1
]
1

n
1
O
M
estar formada por elementos escalares o matrices, que pueden ser independientes o
repetidos, reales o complejos, o cualquier combinacin de todas estas posibilidades.

Ejemplo del clculo de para una matriz constante
Generalmente en los casos de control prcticos los elementos de la matriz dependern
de la frecuencia y habr que calcular al menos para 100 frecuencias diferentes. Aqu,
en este ejemplo, solamente se va a considerar una matriz constante con la frecuencia.
Supongamos la matriz 4x4 compleja que se indica:
1
1
1
1
]
1



+ + +
+

j 4 , 1 2 , 0 j 4 , 1 8 , 0 j 8 , 0 2 , 0 j 8 , 0 4 , 1
j j 6 , 0 2 , 1 j 4 , 0 2 , 1 j 2 , 0 1
j 2 , 1 4 , 0 j 4 , 1 j 2 , 0 2 j 4 , 1 4 , 0
j 2 , 0 2 , 0 j 4 , 0 2 , 0 j 6 , 1 2 , 0 j 4 , 0 6 , 1
M
Empleando ciertos algoritmos puede deducirse que la matriz D=diag(1.473, 1.0794,
0.9846, 1) con elementos reales y mayores que cero, minimizan el valor singular de la
matriz DMD
-1
. Este mnimo vale:
2467 . 0
0533 . 4
1
1
k 0533 . 4 ) ( min
m
1
D
<

<

DMD

Este lmite superior implica que no existen matrices diagonales ) , , , ( diag
4 3 2 1

satisfaciendo det(I- M)=0 que tengan todos sus elementos complejos < 1
i
. En
otras palabras, el menor que satisface det(I- M)=0 debe tener al menos un elemento
2467 . 0 0533 . 4 1
i
<
Existen otros mtodos que encuentran el valor de en el caso peor directamente, y dan
por solucin:
=diag(0.2239+0.1036j, -0.2461+0.01721j, 0.2453-0.0263j, -0.1294+0.21j)
El mdulo de cada uno de los cuatro elementos de vale 0.2467 por lo que a pesar de
ser de orden 4x4 el lmite superior de Doyle sigue coincidiendo con , aunque solo est
garantizado para matrices de orden 3x3 o menores.
Este ejemplo ilustra la utilidad y seguridad de la tcnica basada en el valor singular de
DMD
-1
que requiere mucho menor tiempo de cmputo que resolver la solucin exacta
de que hace det(I- M)=0.
La solucin para el caso de que sea una matriz real tambin existe. Por ejemplo la
menor real que cumple det(I- M)=0 sale:
=diag(0.3612, -0.3612, -0.048, -0.1578)
Aqu los elementos de no son de la misma longitud, algunos son ms pequeos que el
mximo 3612 . 0 1 k
m i
< .
En general el clculo de para parmetros reales es mucho ms complicado y
computacionalmente costoso que con parmetros complejos. Sin embargo tiene muchas
aplicaciones en ingeniera en donde los parmetros fsicos son reales, a no ser que se
est en el dominio de la frecuencia en donde los valores son complejos.
El test de robustez para mltiples lazos estudiado en la seccin anterior estaba basado en
(S), (T) y (S+T) y proporcionaban mrgenes de seguridad muy conservativos.
Con el anlisis (S), (T) y (S+T) se dan los mrgenes justos de seguridad. Las
mismas cartas de crculos se emplean aqu, pero ahora los lmites garantizados con
variaciones simultaneas de ganancia y fase en las perturbaciones son necesarios y
suficientes para la estabilidad. Esto significa que si la ganancia o fase de las
perturbaciones hace que salgamos del crculo correspondiente, el sistema se
desestabilizar con toda seguridad. Es importante recordar que la matriz de errores ha
de ser diagonal, para que no existan influencias cruzadas entre canales.