Documenti di Didattica
Documenti di Professioni
Documenti di Cultura
p.1/93
Introduccin
Estrategias para modelar el comportamiento de sistemas dinmicos: Ecuaciones diferenciales o de diferencia Funciones de Transferencia Respuestas al Impulso Diagramas de Bloque Diagramas de Flujo de Seal Espacio de Estado (variable de Estado)
p.2/93
Introduccin
Ventajas de la Representacuin en Variables de Estado
La representacin de sistemas de mltiples entradas y mltiples salidas es ms sencilla Toda la dinmica del sistema se representa por ecuaciones diferenciales o de diferencia de primer orden. Simulacin con mtodos computacionales ms ecientes Nueva perspectiva sobre la dinmica de los sistemas Algunas de las tcnicas de control moderno se basan en este tipo de representacin.
p.3/93
Variables de Estado
u1 (t) u2 (t) up (t) Sistema Dinmico y1 (t) y2 (t) yq (t)
. . .
. . .
p.4/93
Variables de Estado
u1 (k) u2 (k) up (k) . . . Sistema Dinmico . . . y1 (k) y2 (k) yq (k)
p.5/93
Variables de Estado
u: es un vector que contiene cada una de las p entradas al sistema y: es un vector que contiene cada una de las q salidas al sistema, x: es un vector que contiene cada una de las n variables de estado del sistema: y1 x1 u1 y x u 2 2 2 y=. x= . u=. . . . . . . up p1 yq q1 xn n1
p.6/93
Variables de Estado
Para sistemas dinmicos lineales invariantes en el tiempo, de mltiples entradas y mltiples salidas: Caso contnuo x(t) = Ax(t) + Bu(t) y(t) = Cx(t) + Du(t) Caso discreto: x(k + 1) = Ax(k) + Bu(k) y(k) = Cx(k) + Du(k)
p.7/93
Variables de Estado
El tamao de las matrices debe ser el adecuado: xn1 = Ann xn1 + Bnp up1 yq1 = Cqn xn1 + Dqp up1
x(k + 1)n1 = Ann xn1 + Bnp up1 yq1 = Cqn xn1 + Dqp up1
p.8/93
Variables de Estado
x(t) = Ax(t) + Bu(t) y(t) = Cx(t) + Du(t) x(k + 1) = Ax(k) + Bu(k) y(k) = Cx(k) + Du(k) Algunos conceptos de lgebra Lineal necesarios: Espacios Vectoriales Transformaciones Lineales Valores y Vectores Propios Forma cannica de Jordan Funciones de Matrices Cuadradas
p.9/93
Espacios Vectoriales
Sea un conjunto y F : (, , ) un campo (usualmente F se trata de R o C con las operaciones ususlaes de suma y multiplicacin). A los elementos de se les denomina Vectores, y a los elementos de Escalares. tiene estructura de Espacio Vectorial sobre F si est dotado de una operacin binaria + (suma vectorial) y una operacin entre elementos de y (Producto por escalar) que cumplen ciertas propiedades:
p.10/93
Espacios Vectoriales
(, +, , F) Para la suma vectorial [V.1] Clausurativa: x, y x + y Asociativa: x, y, z (x + y) + z = x + (y + z) Modulativa: 0 | x x + 0 = x Invertiva: x (x) | x + (x) = 0 Conmutativa: x, y x + y = y + x
p.11/93
Espacios Vectoriales
(, +, , F) Para el producto por escalar [V.1] Clausurativa: x , x Asociativa: x , , ( ) x = ( x) Modulativa: x , 1 x = x. 1 es el mdulo de Anulativa: x , 0 x = 0. 0 es el mdulo de . 0 es el mdulo de +
p.12/93
Espacios Vectoriales
(, +, , F) Para las dos operaciones [V.1] Distributiva respecto a +: x, y , (x+y) = ( x)+( y) Distributiva respecto a : x , , ()x = (x)+( x)
p.13/93
Espacios vectoriales
11. 10. Rn sobre el campo R con las operaciones usuales. 9. 8. 7. 6. 5. 4. 3. 2. 1. Cn sobre el campo C con las operaciones usuales. El conjunto de todos los polinomios sobre el campo R con las operaciones usuales entre polinomio. El conjunto de todas las funciones contnuas a trozos sobre el campo C con la operacin + denida como la suma punto a punto. El conjunto de todas las matrices de tamao jo m n sobre el campo C con las operaciones usuales entre matrices.
p.14/93
Espacios Vectoriales
Subespacio: Es un espacio vectorial contenido dentro de otro espacio vectorial, por ejemplo una recta dentro del plano Combinaci n Lineal: Es una expresin de la forma o
n
1 x 1 + 2 x 2 + + n x n =
i=1
i x i
en donde los son escalares y los x son vectores Independencia Lineal: Un conjunto de vectores es lineamente independiente si la nica combinacin lineal de ellos cuyo resultado es 0 es la que tiene todos los coecientes iguales a 0.
p.15/93
Espacios Vectoriales
Conjunto generado: Es el conjunto de todas las posibles combinaciones lineales de los vectores de un cierto conjunto, al que se denomina conjunto generador. Dimension: Es el mximo nmero de vectores linealmente independientes que puede haber en un espacio vectorial. Base: Es cualquier conjunto de vectores linealmente independiente que adems genera el espacio vectorial. En R2 la base estndar est formada por los vectores (1, 0) y (0, 1)
p.16/93
Espacios Vectoriales
Coordenadas de un vector: Un vector x de un espacio vectorial puede escribirse como una nica combinacin lineal de su base B = {b1 , b2 , , bn }: x = 1 b1 + 2 b2 + + n bn Los coecientes i de esa combinacin lineal son las coordenadas de x en la base B
p.17/93
Espacios Vectoriales
Cambios de Base: Un mismo vector tendr diferentes coordenadas en dos bases diferentes. Sean dos bases del mismo espacio vectorial V de dimensin n: A = {a1 , a2 , , an } B = {b1 , b2 , , bn } Denimos las matrices A y B como las matrices que tienen en sus columnas cada uno de los elementos de las bases A y B respectivamente: A = a1 a2 a n B = b1 b2 b n
p.18/93
Espacios Vectoriales
Un vector x tendra coordenadas i en la base A y i en la base B, de tal manera que Denimos los vectores columna y que contienen las coordenadas: 1 1 2 2 = . = . . . . . n n
p.19/93
Espacios Vectoriales
Las expresiones que permiten encontrar las coordenadas de x en una base a partir de sus coordenadas en la otra son las siguientes: A = B = A1 B = B1 A
En caso de que A sea la base estndar, la matriz A resulta ser la matriz identidad de orden n y las ecuaciones se convierten en = B =B
1
p.20/93
Espacios Vectoriales
Transformaciones Lineales Dado un espacio vectorial V de dimensin n, entenderemos por Transformacin Lineal, en el contexto de este captulo, una funcin de V a V que puede representarse por una matriz cuadrada A de dimensin n n: y = Ax
p.21/93
Espacios Vectoriales
Transformaciones y Cambios de Base Sea T una transformacin lineal, que en la base estndar se representa por la matriz T . La misma transformacin se representar en otra base B = {b1 , b2 , , bn } por T = B1 T B en donde B = [b1 b2 bn ]
p.22/93
Transformaciones Lineales
Ejemplo: La funcin T : R2 R2 consistente en la rotacin de vectores 90o en sentido horario es una transformacin lineal representada por la matriz A: 0 1 A= 1 0 Un vector x de coordenadas (a, b) se convertir en un vector y cuyas coordenadas se calculan asi: 0 1 y = Ax = 1 0 a b = b a
p.23/93
Cambio de Base
Ejemplo: En R2 puede denirse una base con cualquier pareja de vectores no paralelos. Por ejemplo A= B= C= 1 0 3 1 1 1 0 1 2 2 1 1
p.24/93
Cambio de Base
Consideremos ahora el vector x de la gura
1 =1 2 =3 2 =2 1 =-1 : base : vector x 1 =1 2 =-2
p.25/93
Cambio de Base
Las coordenadas de x en la base estndar A sern 1 1 = = 3 2 Para obtener las coordenadas de x en las bases B y C construimos las matrices B y C y empleamos la ecuacin de Cambio de Base 1 0 A= 0 1 3 2 B= 1 2 1 1 C= 1 1 1 1 = 3 2
p.26/93
Cambio de Base
1 1/2 1/2 1 = C A = = 1/2 1/2 2 1 1 = 2 3
Puede vericarse que las coordenadas en las bases B y C satisfacen las relaciones de Cambio de Base = B1 C = C1 B
p.27/93
p.28/93
p.29/93
p.30/93
Para un vector propio v el efecto de aplicarle la transformacin lineal A que amplicarlo por el escalar . Esto implica que un vector y el vector transformado son colineales o paralelos y por lo tanto linealmente dependientes. Esta denicin se reere estrictamente a valores y vectores propios por derecha, para distinguirlos de los valores y vectores propios por izquierda, que deben satisfacer vt A = vt . En este texto slo se consideran los primeros, y por tanto se hace referencia a ellos simplemente como valores y vectores propios.
p.31/93
p.32/93
p.33/93
p.34/93
p.35/93
Se crea entonces un sistema de ecuaciones con innitas soluciones: 4v11 + v21 = 2v11 2v11 + v21 = 2v21
p.36/93
p.37/93
Se crea entonces un segundo sistema de ecuaciones con innitas soluciones: 4v12 + v22 = 3v12 2v12 + v22 = 3v22
p.38/93
p.39/93
p.40/93
p.41/93
p.42/93
Sea A una matriz de orden n n Sean 1 , 2 , , n los n valores propios de A, Todos diferentes vi un vector caractersitico asociado a i con i = 1, 2, , n
El conjunto V = {v1 , v2 , , vn } es linealmente independiente, y por lo tanto sirve como una base para el espacio vectorial. Si se efectua un cambio de base a la nueva base V , la matriz A se transforma en la matriz = M1 AM
p.43/93
p.44/93
p.45/93
Ejemplo
La transformacin lineal representada por la matriz 4 1 A= 2 1 cuyos valores propios son 1 = 2, 2 = 3 con vectores propios v1 v2 : 1 v1 = 2 1 v2 = 1
p.46/93
Ejemplo
4 1 A= 2 1 A Tiene una representacin en la base {v1 v2 } dada por la matriz diagonal 1 1 = M AM = 2 1
1 1
4 1 2 1
1 1 2 1
1 0 2 0 = = M AM = 0 2 0 3
p.47/93
Ejemplo
La transformacin lineal representada por la matriz 2 1 A= 1 2 cuyos valores propios son 1,2 = 2 j con vectores propios v1 v2 : 1 v1 = j 1 v2 = j
p.48/93
Ejemplo
2 1 A= 1 2 A tiene una representacin en la base {v1 v2 } dada por la matriz diagonal j/2 j/2 = M AM = j/2 j/2
1 1
2 1 1 2
1 1 j j
1 0 2+j 0 = M AM = = 0 2j 0 2
p.49/93
p.50/93
Degeneracidad
Dada una transformacin lineal A de orden n n, de valores propios 1 , 2 , , n , se dene la degeneracidad del valor propio i , denotada por di , como el nmero de vectores propios de linealmente independientes asociados a un valor propio i , y se calcula asi: di = n (i I A) en donde (X) es el rango de la matriz X, que equivale al nmero de columnas (o las) linealmente independientes de X
p.51/93
Ejemplo
Obtener los valores y vectores propios de la matriz A = y diagonalizarla 1 2 A= 2 5 Construimos la matriz B = (I A) y hallamos su determinante:
p.52/93
Ejemplo
Los valores propios de A sern las raices de () 1 = 2 = = 3 La degeneracidad de = 3 se obtiene asi: d1 = 2 (3I A) d1 = 2 3 1 2 2 35 =2 2 2 2 2
d1 = 2 1 = 1
p.53/93
Ejemplo
Lo anterior signica que aunque tiene multiplicidad 2, slo es posible encontrar un vector linealmente independiente que resulta ser 1 v1 = 1 en general a v1 = a
No es posible construir una base para el espacio de dimensin 2 con un slo vector, por lo tanto no es posible diagonalizar A
p.54/93
Ejemplo
Obtener los valores y vectores propios de la matriz A = y diagonalizarla 3 0 1 A = 1 2 1 1 0 3
Construimos (I A): ( 3) 0 1 I A = 1 ( 2) 1 1 0 ( 3)
p.55/93
Ejemplo
() = (3)2 (2)(2) = 3 82 +2016
Las raices del polinomio son 1 = 2 = 2, 3 = 4. Para determinar la degeneracidad de 1 calculamos 1 I A 1 0 1 (2 3) 0 1 IA = 1 (2 2) 1 = 1 0 1 1 0 1 1 0 (2 3) d1 = n (I A) d1 = 3 1 = 2 Existen dos vectores propios linealmente independientes asociados a 1 = 2 = 2
p.56/93
Ejemplo
Los dos vectores propios asociados a 1 = 2 = 2 junto con el vector propio asociado a 3 = 4 pueden formar una base y por tanto es posible diagonalizar A. Para obtener los tres vectores propios empleamos Av = v: d 3 0 1 a a 3 0 1 1 2 1 b = 2 b 1 2 1 e = 4 f 1 0 3 c c 1 0 3 Se originan los sistemas de ecuaciones 3a c = 2a 3d f = 4a a + 2b c = 2b d + 2e f = 4e a + 3c = 2c d + 3f = 4f
p.57/93
Ejemplo
3a c = 2a a + 2b c = 2b a + 3c = 2c a=c 3d f = 4a d + 2e f = 4e d + 3f = 4f d = e = f
Se convierten en
Podemos construir dos vectores linealmente independientes v1 , v2 que satisfacen a = c y un tercero v3 que satisface d = e = f , por ejemplo 1 1 1 v 2 = 1 v3 = 1 v 1 = 0 1 1 1
p.58/93
Ejemplo
En la base {v1 v2 v3 } la transformacin A se representa por : = M1 AM
1 0 0 2 0 0 = M1 AM = 0 2 0 = 0 2 0 0 0 4 0 0 3
p.59/93
p.60/93
p.61/93
p.62/93
p.63/93
r 2 1
p.64/93
p.65/93
Jm2 . ... . . 0
p.66/93
ij hij
p.67/93
Ejemplo
Sea A la matriz 3 1 1 1 0 0 1 1 1 1 0 0 0 0 2 0 1 1 A= 0 0 0 2 1 1 0 0 0 0 1 1 0 0 0 0 1 1
Para calcular los valores propios de A hacemos det (A I) = [(3)(1)+1](2)2 [(1)2 1] det (A I) = ( 2)5 = 0
p.68/93
Ejemplo
det (A I) = ( 2)5 = 0 Es decir, A tiene un valor propio 2 de multiplicidad 5 y un valor propio 0 de multiplicidad 1. Nos proponemos encontrar el diagrama de Matthew de los vectores propios asociados a 1 = 2. Para ello denimos B = (A 2I) y calculamos B0 , B1 B2 , B3 , , sus rangos y nulidades B0 = I (A 2I)0 = 6 0 = 6 6 = 0
p.69/93
Ejemplo
1 1 1 1 0 0 1 1 1 1 0 0 0 0 0 0 1 1 B= 0 0 0 0 1 1 0 0 0 0 1 1 0 0 0 0 1 1
(A 2I) = 4 1 = 6 4 = 2
p.70/93
Ejemplo
0 0 0 B2 = 0 0 0 2 2 0 2 2 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 2 2 2 2 (A 2I)2 = 2 2 = 6 2 = 4
0 0 0 0
p.71/93
Ejemplo
0 0 0 B3 = 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 4 0 0 0 0 4 4 (A 2I)3 = 1 3 = 6 1 = 5
0 0 0 4
0 0 0 0
p.72/93
Ejemplo
Con la informacin anterior podemos calcular i : 3 = 3 2 = 5 4 = 1 2 = 2 1 = 4 2 = 2 1 = 1 0 = 2 0 = 2 El diagrama de Matthew resulta ser De donde se deduce que q = 2, h1 = 3 y h2 = 2
p.73/93
Ejemplo
q = 2, h1 = 3 y h2 = 2. La forma cannica de Jordan de la matriz A ser 2 1 0 0 0 0 0 2 1 0 0 0 0 0 2 0 0 0 1 J = M AM 0 0 0 2 1 0 0 0 0 0 2 0 0 0 0 0 0 0
p.74/93
p.75/93
Ejemplo
Sea la matriz A 0 0,5 0 A = 0 0 2 1 1 2 2,3 = 0,5 j0,866
p.76/93
Ejemplo
La Forma Cannica de Jordan de A y la matriz modal que la producen son: 1 0 0 J = 0 0,5 + j0,866 0 0 0 0,5 j0,866
0,408 (0,015 j0,408) (0,015 + j0,40 M = 0,816 (0,721 + j0,382) (0,721 j0,382 0,408 (0,346 j0,217) (0,346 + j0,217
p.77/93
Ejemplo
Para obtener la Forma Cannica Real de Jordan de A construimos la matriz real MR , y vericamos. 0,408 0,015 0,408 MR = 0,816 0,721 0,382 0,408 0,346 0,217 1 0 0 JR = M1 AMR 0 0,5 0,866 R 0 0,866 0,5
p.78/93
Funciones Cuadradas
de
Matrices
Sea f () una funcin que opera sobre un escalar, y sea A una matriz cuadrada n n. cmo calcular f (A) ? Es decir, como extender f () de los escalares a las matrices?. Si f () es un polinomio, la extensin a las matrices se fundamenta en la denicin Ak = AA A k veces A0 = I
p.79/93
Funciones Cuadradas
de
Matrices
Si la matriz A tiene una representacin cannica de Jordan J obtenida con la matriz modal M, es decir, si A = MJM1 entonces Ak = (MJM1 )(MJM1 ) (MJM1 ) k veces Ak = M (J J) M1 k veces Ak = MJk M1
p.80/93
Funciones Cuadradas
de
Matrices
Como J es un a matriz diagonal por bloques, el clculo de Jk puede efectuarse como sigue: J1 0 0 Jk 0 0 1 0 J 0 0 Jk 0 2 2 k J = . . .. J = . . .. . . . . . . . . . . . . . . . . 0 0 Jn 0 0 Jk n
p.81/93
Funciones Cuadradas
de
Matrices
Un polinomio genrico f () = a0 + a1 + a2 2 + + an n puede calcularse en A como f (A) = a0 I + a1 A + a2 A2 + + an An o en funcin de las matrices M y J: f (A) = a0 MM1 + a1 MJM1 + + an MJn M f (A) = Mf (J)M1
p.82/93
Ejemplo
p.83/93
Ejemplo
Calcular Ak cuando A es una matriz con la forma de los bloques reales de Jordan para el caso en que los valores propios son imaginarios puros 0 b A= b 0 Calculamos los primeros trminos A1 , A2 , A3 , : 0 b 1 A = b 0 b4 0 A4 = 0 b4 b2 0 A2 = 0 b2 0 b5 A5 = b5 0
0 b3 A3 = 3 b 0 b6 0 A6 = 0 b6
p.84/93
Ejemplo
Observando la secuencia se puede inferir que (1) k bk 2 0 si k es par k k 0 (1) 2 b Ak = k1 0 (1) 2 bk si k es impar (1) k+1 bk 2 0
p.85/93
Funciones Cuadradas
de
Matrices
Tambin es posible extender una funcin f () que no sea un polinomio de los escalares a las matrices empleando la representacin de f () en series de Taylor expandidas alrededor de 0 (series de MacLaurin):
f () =
k=0
k dk f () k! d k
De esta forma se puede expresar f () como un polinomio de . Si A es una matriz cuadrada, puede calcularse f (A) empleando ese polinomio.
p.86/93
Funciones Cuadradas
de
Matrices
p.87/93
Ejemplo
Sea A una matriz diagonal. Calcular eAt eAt At A2 t2 A3 tk A4 tk =I+ + + + + 1! 2! 3! 4!
1 0 1 . . . 0 .. . 0 1 0 2 . . . 0 0 0 . . . .. . 0 0 . . .
At
0 . . . 0
0 t + . 1! . . 1 0 2 2 . . . 0
0 . . .
0 .. .
2 1
t2 + 2!
0 . . . 0
2 n
p.88/93
Ejemplo
eAt g1 (t) 0 0 g (t) 2 = . . . . . . 0 0 0 0 . ... . . gn (t)
i t 2 t 2 3 t 3 gi (t) = (1 + + i + i + ) 1! 2! 3! e 1 t 0 0 0 e 2 t 0 At e = . . . ... . . . . . . 0 0 e n t
p.89/93
Ejemplo
Sea A una matriz con la forma de los bloques reales de Jordan para el caso en que los valores propios son imaginarios puros. e
At
At A2 t2 A3 tk A4 tk =I+ + + + + 1! 2! 3! 4! t 0 b t2 b2 0 1 0 + + = 0 1 1! b 0 2! 0 b2 t3 0 b3 t 4 b4 0 + + 3 4 + 0 3! b 4! 0 b
eAt
p.90/93
Ejemplo
e
At
t2 b 2 t4 b 4 (1 2! + 2! + ) tb t3 b 3 t5 b 5 ( 1! + 3! 5! + )
( tb 1! (1
t3 b 3 3! t2 b 2 2!
t5 b 5 + 5! t4 b 4 + 2!
+ +
Cada uno de los trminos de la matriz corresponde a la expansin de Taylor de una sinusoide , por lo tanto eAt puede calcularse como e
At
p.91/93
Ejemplo
Sea A una matriz con la forma de los bloques reales de Jordan a b A= b a Para calcular emathbf At escribimos A como la suma de dos matrices: a b a 0 0 b A= =B+C= + b a 0 a b 0
p.92/93
Ejemplo
De tal manera que eAt = eBt eCt . e
Bt
eat 0 = 0 eat
Ct
y por lo tanto e
At
eat 0 = 0 eat
At
p.93/93