Analisis de la Estabilidad seg un Lyapunov de un Control

Borroso en Tiempo Discreto

M. Garca, A. Barreiro
Departamento de Ingeniera de Sistemas y Automatica
Escuela Superior de Ingenieros Industriales y de Minas
Campus Universitario Lagoas-Marcosende, 36200, Vigo, Espa na
E-mail: mgrivera@uvigo.es
Resumen
Este artculo estudia la estabilidad y robustez
de sistemas de control borroso en tiempo dis-
creto. Partiendo de un sistema continuo, ahora
muestreado con un computador digital, se ana-
liza su estabilidad mediante la teora de Lyapunov.
Tambien se proporciona una medida de la estabi-
lidad del sistema en forma de margen de ganan-
cia. Finalmente, estos conceptos se ilustran con
un servomotor como ejemplo.
Palabras clave: Control borroso, teora de la es-
tabilidad de Lyapunov, control en tiempo discreto.
1 Introduccion
En la decada de los 50 aparecieron los primeros
sistemas controlados por computador [1]. Al
comienzo su uso era muy limitado debido a su alto
coste, gran consumo y poca abilidad. En los a nos
90, el desarrollo del microprocesador produjo que
el control digital se aplicara extensamente en la in-
dustria. Por lo tanto, es muy interesante estudiar
el compartamiento de un sistema continuo cuando
se le aplica un muestreo con un computador.
La principal caracterstica de la logica borrosa
[2] es su gran adaptacion al tratamiento del
conocimiento heurstico, formulado mediante re-
glas ling usticas cualitativas. Basicamente, pro-
porciona un metodo efectivo para capturar la na-
turaleza aproximada, inexacta e incompleta del
mundo real. Sin embargo, a diferencia de lo que
ocurre con los controladores tradicionales, no e-
xiste un metodo sistematico de dise no de contro-
ladores borrosos, ni herramientas apropiadas para
tratar el problema de la estabilidad.
La estabilidad de Lyapunov esta relacionada con el
comportamiento de las trayectorias de un sistema,
cuando su estado inicial se encuentra cerca de un
equilibrio. Desde el punto de vista practico este
punto es importante, ya que las perturbaciones
que afectan a un sistema tienden a separarlo del
equilibrio. Dentro del organigrama general de las
diversas teoras de estabilidad, la de Lyapunov se
engloba en aquella area que trata con las variables
de estado del sistema, y por tanto, tiene que ver
con la representacion interna de los sistemas. En
[4, 5, 6] se encuentran estudios completos sobre
esta teora.
El principal objetivo del estudio de la robustez,
surge cuando controladores dise nados para ser es-
tabilizates de la planta nominal, producen ac-
ciones desestabilizadoras ante ciertas perturba-
ciones del modelo del sistema, y por consi-
guiente estos controladores no son utilizables en la
practica. La solucion pasa por considerar expre-
samente la incertidumbre que afecta a la planta
nominal.
La formulacion del problema que aborda este
artculo parte en la seccion 2 de un modelo no-
minal de la planta, con un controlador borroso
dise nado para cumplir unos objetivos de presta-
ciones satisfactorios. Posteriormente, el control
se realiza mediante muestreo con un computador
digital. En la secci on 3 se analiza la estabilidad
de dicho sistema discreto mediante la teora de
Lyapunov, basandose en el metodo directo. En la
seccion 4 se desarrolla una metodologa para calcu-
lar el margen de robustez del control. Finalmente,
todas estas ideas se aplican a un servomotor con
un controlador borroso en la secci on 5.
2 Denicion del sistema
Consideremos un sistema como el mostrado en la
gura 1. La dinamica de la planta y el controlador
esta denida por:
x = f(x) +bKu
= f(x) +bKH(x)
= Ax +bKH(x) (1)
donde x R
n
es el estado de la planta, u R es
la entrada controlada, f(x) R
n
y b R repre-
sentan la planta, y H(x) el controlador borroso.
Al analizar el comportamiento de cualquier sis-
tema fsico, podemos partir de un modelo aproxi-
mado lineal o modelo nominal de la planta, es de-
cir, f(x) = Ax. Por lo tanto, podemos suponer la
u x
Planta
H ( ) x
Figura 1: Sistema de control borroso.
planta perturbada por una incertidumbre K R,
que puede representar imprecisiones en el modelo
o puede ser incluida para medir el margen de ro-
bustez. En el caso del margen de ganancia, K es
una ganancia variable en torno al valor nominal 1.
Aunque el sistema admita razonablemente un
modelo lineal, el control no tiene por que serlo.
Por ejemplo, saturaciones y zonas muertas dan lu-
gar a lazos de control no lineales. Esto es lo que
sucede en el caso de los controladores borrosos,
que son elementos no lineales por naturaleza [2].
El controlador ha sido dise nado sin tener en cuenta
el muestreo de la planta, es decir, el sistema con-
tinuo original es estable y satisface ciertas especi-
caciones de control.
El sistema muestreado con perodo h correspon-
diente a planta dada por la ecuaci on (1) es el si-
guiente [1]:
x
k+1
= x
k
+ Ku
k
= x
k
+ KH(x
k
), (2)
donde
= (h) = e
Ah
,
= (h) =

h
0
e
Ah
b ds.
Debera considerarse que el estado de equilibrio sea
el origen. Si este no es el caso, siempre puede
realizarse una traslacion de coordenadas, de forma
que el estado de equilibrio se desplace hasta el
origen de coordenadas.
3 Estabilidad de Lyapunov
Fue Lyapunov quien introdujo la idea de una
funcion energa cticia, denominada funcion de
Lyapunov, aplicable a cualquier ecuaci on diferen-
cial o en diferencias y tanto a sistemas lineales
como a no lineales. En funcion del signo de la
funcion de Lyapunov y de su derivada con respecto
al tiempo, se pueden obtener conclusiones sobre el
tipo de estabilidad de un estado de equilibrio.
Existen dos metodos de Lyapunov para el es-
tudio de la estabilidad. El primero de ellos,
tambien llamado indirecto, trabaja con las solu-
ciones explcitas de las ecuaciones diferenciales que
describen el sistema. El segundo metodo, llamado
directo, no necesita de dicha solucion, por lo que es
mas general y se encuentra mucho mas extendido.
Seg un Lyapunov, un sistema que posea un estado
de equilibro en el origen, si existe una funcion es-
calar V (x) para el caso continuo o V (x
k
) para
el caso discreto, con derivas parciales continuas y
que satisfaga las siguientes condiciones
1. V (x) o V (x
k
) es denida positiva, y
2.

V (x) o V (x
k+1
) V (x) es denida negativa,
entonces el estado de equilibrio en el origen es
uniforme y asintoticamente estable. Las deni-
ciones anteriores dan condiciones necesarias y su-
cientes para sistemas lineales y condiciones solo
sucientes para sistemas no lineales, ya que en un
sistema no lineal la estabilidad posee propiedades
locales y no globales.
Para sistemas denidos mediante la ecuaci on (2),
utilizando funciones de Lyapunov cuadraticas,
planta lineal o no lineal con su modelo aproximado
f(x
k
) = Ax
k
, y controlador no lineal H(x
k
), el
segundo metodo de Lyapunov puede admitir una
interpretacion graca como la que se explica a con-
tinuacion.
Supuesta una funcion de Lyapunov cuadratica,
V (x
k
) = x

k
Px
k
, con P real, simetrica y denida
positiva, V (x
k
) sera una funcion de Lyapunov
para el sistema considerado si V (x
k
) > 0, que ya
lo cumple, y si V (x
k+1
) V (x
k
) < 0. Desarro-
llando esta ultima expresion y la ecuaci on (2)
obtenemos:
V (x
k+1
) V (x
k
) = x

k+1
Px
k+1
x

k
Px
k
=
[x
k
+ KH(x
k
)]

P[x
k
+ KH(x
k
)]
x

k
Px
k
= x

Px
k
+x

PKH(x
k
) +
KH(x
k
)Px
k
+ KH(x
k
)PKH(x
k
)
x

Px = x

Px
k
+ 2KPx
k
H(x
k
) +

2
K
2
H
2
(x
k
)P x

k
Px
k
< 0 (3)
Reorganizando la ecuaci on (3) seg un su dependen-
cia del controlador borroro, el termino X(x
k
) es
independiente, y el termino Y (x
k
) s depende. As
obtenemos:
V (x
k+1
) V (x
k
) = X(x
k
) +Y (x
k
)
donde
X(x
k
) = (x

Px
k
x

k
Px
k
)
= x

k
(

PP)x
k
= x

k
(P

P)x
k
(4)
e
Y (x
k
) = 2KPx
k
H(x
k
)
+[KH(x
k
)]
2
P
El sistema para su estabilidad ha de cumplir que
X(x
k
) +Y (x
k
) < 0
o lo que es lo mismo
X(x
k
) > Y (x
k
) (5)
es decir, la supercie X(x
k
) es una cota superior
de la supercie Y (x
k
) para cualquier valor de x
k
.
Por lo tanto, si existe alguna P para la cual la
curva, supercie o hipersupercie Y (x
k
) queda
delimitada superiormente por X(x
k
), entonces
V (x
k
) sera funcion de Lyapunov y el estado de
equilibrio estable.
Si la dimension del sistema es 2, X(x
k
) e Y (x
k
)
seran supercies, por lo que para poder represen-
tar y comparar mas facilmente ambas gracas, se
ha optado por una representacion plana de ambas
supercies mediante el siguiente desarrollo.
Supongamos que se realiza un cambio de escala en
el dominio de entrada denido por x
k
. Entonces
la ecuaci on (4) se transforma en
X(x
k
) = x

k
(

PP)x
k
=
2
x

k
(

PP)x
k
=
2
X(x
k
) (6)
es decir, la supercie X(x
k
) original se ve afec-
tada por un cambio de escala
2
, o lo que es lo
mismo, la relaci on X(x
k
)/x
k
es igual a la relacion
X(x
k
)/
2
x
k
. Por lo tanto, toda la supercie
X(x
k
) se puede caracterizar eligiendo adecuada-
mente solo una parte de ella. En particular, si se
eligue un subconjunto del dominio de entrada tal
que x
k
= 1, toda la supercie X(x
k
) queda
caracterizada por su interseccion con el subcon-
junto elegido, que en este caso es el equivalente
a un cilindro de radio unidad y origen el centro.
Dicha interseccion se muestra en la gura 2 y es
una curva que rodea todo el cilindro, de forma
que admite una representacion plana, y en el eje
de abscisas se representa la direccion del vector
que apunta a cada uno de los puntos de la curva.
Dicha direcci on vara entre 0
0
y 360
0
.
El caso de la supercie Y (x
k
) no es el mismo,
ya que no cumple una relacion similar a la de la
ecuaci on (6). Lo que se hace entonces es proyec-
tar todos los puntos de Y (x
k
), que se encuentran
en una direcci on determinada, sobre el cilindro
unidad. Es decir, existe una doble interseccion:
por una parte, la interseccion del plano que de-
termina la direccion especca con la supercie
Y (x
k
), que da lugar a una curva; y por otra, la
interseccion de dicho plano con el cilindro unidad,
que da lugar a una recta vertical. En la gura 3
se indican dichas intersecciones.
A partir de aqu se proyectan los puntos de la
curva de interseccion sobre la recta vertical por
medio de Y (x
k
)/ x
k

2
. Esto da lugar a un
segmento para una direccion dada. Repitiendo
el proceso para todas las direcciones entre 0
0
y
360
0
, y mediante una representacion equivalente
a la mencionada en el parrafo anterior, se obtiene
una banda plana que caracteriza totalmente a la
supercie Y (x
k
).
Denominando X
n
() a la curva normalizada
X(x
k
), e Y
n
() a la banda normalizada de Y (x
k
),
obtenidas como se ha indicado anteriormente,
donde indica el angulo que toma la direccion,
la ecuacion (5) se transforma en
X
n
() > Y
n
() (7)
Ambas gracas se representan conjuntamente en
la gura 4. Este tipo de representacion es utilizado
en la secci on siguiente para vericar la estabilidad
de un servomotor y su controlador borroso.
=0
=90
=180
=270
x
X
n
( )
X(x )
k
Figura 2: Obtenci on de X
n
().
=0
=180
=270

i
Y(x )
k
Y
n
( )
Figura 3: Obtenci on de Y
n
().
0 360
0
Y ( )
n

X ( )
n

i
Figura 4: Representacion conjunta de X
n
() y
Y
n
().
4 Margenes de robustez
Teniendo en cuenta la secci on anterior, buscare-
mos un metodo que permita calcular el margen de
ganancia del sistema perturbado por una ganancia
variable K. Por simplicidad volveremos a tratar
un sistema de orden 2. Para que la matriz de Lya-
punov correspondiente
P =

p
1
p
3
p
3
p
2

sea denida positiva, ha de cumplir que

p
1
> 0 y p
1
p
2
p
2
3
> 0
Teniendo en cuenta que
si P es de Lyapunov
P tambien (8)
se puede jar p
1
= 1, con lo que las condiciones
anteriores se transforman en:
p
2
> 0 y |p
3
| <

p
2
El primer paso para calcular el margen de ganan-
cia es encontrar todas las posibles funciones de
Lyapunov, es decir, todos los pares (p
2
, p
3
) que
cumplan la ecuaci on (7) para el valor nominal de
la ganancia K. Se dene entonces P
K
, como el
conjunto de todas las matrices de Lyapunov repre-
sentadas por los pares (p
2
, p
3
) validos para un de-
terminado K de ganancia. Dicho conjunto posee
las siguientes propiedades:
P
K
es convexo. Supongamos dos matrices P y

P que dan lugar a funciones de Lyapunov en (3),

es decir:
x

Px
k
+x

Pu
k
+u

Px
k
+u

Pu
k
x

k
Px
k
< 0
x

Px
k
+x

Pu
k
+u

Px
k
+u

Pu
k
x

k

Px
k
< 0.
Sumando ambas expresiones tenemos que
x

(P +

P)x
k
+x

(P +

P)u
k
+u

(P +

P)x
k
+u

(P +

P)u
k
x

k
(P +

P)x
k
< 0
tambien es una funcion de Lyapunov, por lo que
la suma de dos matrices de Lyapunov, P +

P, da
lugar a otra matriz de Lyapunov. Por otra parte,
P y (1 )

P, con 0 1, tambien son
matrices de Lyapunov por (8), y como se acaba de
comprobar, su suma, P +(1)

P, es una matriz
de Lyapunov. Esta ultima suma representa una
combinaci on convexa, de forma que si P,

P P
K
,
todos los puntos del segmento que une P con

P,
tambien pertenenecen a P
K
, y son matrices de
Lyapunov.
El conjunto de matrices de Lyapunov para to-
dos los valores intermedios de la ganancia desde
un mnimo hasta un maximo, P
[KminKmax]
, es
igual a la interseccion de los conjuntos de matri-
ces de Lyapunov correspondientes a dichos valores
mnimo y maximo de la ganancia, P
Kmin
P
Kmax
.
Dado que la ganancia multiplica a la entrada
del sistema, u, la variacion K
min
u K
max
u es
monotona, y por tanto, para una cierta matriz P,
basta vericar que es de Lyapunov en K
min
y en
K
max
, para garantizar que lo es en todo el inter-
valo [K
min
K
max
].
Teniendo en cuenta las propiedades anteriores,
se calcula el conjunto P
Kn
correspondiente a la
ganancia nominal K
n
. A partir de aqu se au-
menta progresivamente el valor de la ganancia y se
determina el conjunto P
K
correspondiente. Mien-
tras el conjunto interseccion entre P
Kn
y P
K
no
sea vaco se contin ua con este proceso. Para un
determinado valor de la ganancia, dicho conjunto
interseccion solo estara formado por un elemento,
que da lugar a una matriz que llamaremos P
m
. El
valor de K para dicha situacion, K
m
, es el margen
de ganancia. Para valores de K superiores al mar-
gen de ganancia, el conjunto interseccion es vaco,
y no existe ninguna combinacion de (p
2
, p
3
) que
cumpla la condicion de Lyapunov dada por (7).
5 Caso del servomotor
La dinamica del servomotor utilizado en este ejem-
plo se rige por la siguiente expresion [3]:
x =

0 1
0 4

x +

0
0.7

u
donde x
1
corresponde a la posicion, y x
2
a la ve-
locidad del motor. Las funciones de pertencia de
los antecendentes y de los consecuentes del con-
trolador de logica borrosa son las indicadas en la
a)
b)
c)
-2
N
0 2
Z P
-8
N
0 8
Z P
-18
NG
0 18
Z PG NM NP PP PM
-12 -6 6 12
Figura 5: Funciones de pertenencia para el servo-
motor: a) x
1
; b) x
2
; c) u.
gura 5, y la base de reglas se representa en es-
tructura tabular en la tabla 1.
Al muestrear el sistema, por ejemplo, con un
perodo de muestreo de h = 0.1s, la ecuaci on (2)
del sistema discreto para el servomotor es
x
k+1
=

1 .0824
0 .6703

x
k
+

.0030
.0577

u
k
En primer lugar hay que caracterizar la estabilidad
del equilibrio en el origen para el sistema nominal,
es decir, compuesto por la planta sin perturbar o lo
que es lo mismo con una K de valor nominal K
n
=
1. Como hemos visto en la secci on 3, la condicion
de estabilidad seg un Lyapunov se resume en la
expresion (7), la cual para el sistema nominal solo
depende de la matriz P, puesto que el resto de los
terminos se encuentran perfectamente denidos.
Es necesario por lo tanto, encontrar alguna matriz
P que haga que se verique tal expresion, para que
el equilibrio en el origen sea estable.
x
1
\x
2
N Z P
N
NP
(u
11
)
PM
(u
10
)
PG
(u
11
)
Z
NM
(u
01
)
Z
(u
00
)
PM
(u
01
)
P
NG
(u
11
)
NM
(u
10
)
PP
(u
11
)
Tabla 1: Base de reglas para el servomotor.
El conjunto P
Kn
calculado, es decir, los posibles
(p
2
, p
3
) que dan lugar a funciones de Lyapunov
para el valor nominal K
n
= 1, puede verse en la
gura 6. Para el valor (0.2, 0.1), la gura 7 mues-
tra como la curva X
n
() acota superiormente la
banda Y
n
().
0 0.1 0.2 0.3 0.4 0.5 0.6
0
0.05
0.1
0.15
0.2
0.25
0.3
0.35
0.4
p2
p
3
Figura 6: El conjunto R
Kn
calculado.
0 1 2 3 4 5 6 7
0.2
0.15
0.1
0.05
0
0.05
0.1
0.15
Figura 7: X
n
() acota superiormente la banda
Y
n
().
Supuesto ahora que la ganancia variable K que
perturba la planta se separa de su valor nominal,
interesa conocer hasta que valor puede llegar dicho
alejamiento sin que el sistema deje de ser estable,
es decir, queremos calcular el margen de ganancia.
Teniendo en cuenta la interpretacion de Lyapunov
buscamos el margen de ganancia, que denotare-
mos por K
m
, correspondiente al maximo valor de
K para el cual existe una matriz P, denominada
P
m
, que permita que se verique la expresion (7).
Ademas, para garantizar la estabilidad en todo el
rango de valores de K entre el nominal y K
m
, la
matriz P
m
ha de ser tal que haga que se cumpla la
ecuaci on (7) en todos los valores de dicho rango.
El procedimiento a seguir para el calculo del mar-
gen de ganancia es el indicado en la secci on 3.
Partiendo del conjunto P
Kn
, el valor nominal de
K se aumenta en sucesivos incrementos y se deter-
mina el conjunto P
K
correspondiente. Este pro-
ceso contin ua en tanto la interseccion entre P
Kn
y P
K
no sea vaco. Para un determinado valor de
ganancia, dicho conjunto interseccion solo estara
formado por un elemento, que da lugar a una ma-
triz que llamaremos P
m
. El valor de K para dicha
situacion, K
m
, es el margen de ganancia.
Por este procedimiento se consigue que la ma-
triz P
m
verique las condiciones de Lyapunov.
Para que el valor del margen de ganancia obtenido
tenga una buena precision, es necesario que los in-
crementos sucesivos de K sean lo sucientemente
peque nos. Como se ve en la gura 8, la ma-
triz de Luapunov correspondiente a los valores
(0.14, 0.04) es matriz de Lyapunov para cualquier
K, desde el nominal hasta el maximo.
Finalmente, si repetimos este proceso variando el
perodo de muestreo, buscando para cada h su K
m
,
obtenemos la gura 9, que representa el margen de
ganancia en funcion del perodo de muestreo. Para
h = 0.1s, K
m
esta muy cerca del valor obtenido
para el caso continuo por [3], K
m
= 2.894.
0 0.2 0.4 0.6
0
0.1
0.2
0.3
0.4
K=1.25
0 0.2 0.4 0.6
0
0.1
0.2
0.3
0.4
K=1.5
0 0.2 0.4 0.6
0
0.1
0.2
0.3
0.4
K=1.75
0 0.2 0.4 0.6 0.8 1
0
0.2
0.4
0.6
0.8
1
K=2
Figura 8: P
K
para K igual a 1.25, 1.5, 1.75 y 2.0.
6 Conclusiones
En este artculo se ha desarrollado un proce-
dimiento para el estudio de la estabilidad de
un sistema discreto con control borroso. Hemos
analizado la estabilidad del sistema nominal en
ausencia de perturbaciones, para posteriormente
obtener la variacion maxima de la incertidumbre
asociada a la planta perturbada, de forma que el
sistema siga siendo estable. Dicha metodologa
permite calcular los margenes de robustez del sis-
tema, y en particular, considerando que la incer-
0 0.05 0.1 0.15 0.2 0.25 0.3 0.35 0.4 0.45
1
1.2
1.4
1.6
1.8
2
2.2
2.4
2.6
2.8
Figura 9: Valores ts y h para los cuales el sistema
es estable.
tidumbre es una ganancia variable, el margen de
ganancia.
Agradecimientos
Este trabajo ha sido realizado dentro los proyectos
DPI00-1218 y DPI02-4401 del M.C.Y.T.
Referencias
[1] K. J.

Astrom, B. Wittenmark, (1997)
Computer-Controlled Systems: Theory and
Design, 3rd ed, Prentice-Hall, Inc, Englewood
Clis, N. Y.
[2] D. Driankov, H. Hellendoorn, M. Reinfrank,
(1993) An Introduction to Fuzzy Control,
Springer-Verlag, Berlin.
[3] A. Espada, (1996) Estabilidad y Robustez
de Sistemas no Lineales de Control. Analisis
y Dise no de Controladores Borrosos, Tesis
Doctoral. Departamento de Ingeniera de Sis-
temas y Automatica, Universidad de Vigo,
Espa na.
[4] W. M. Haddad, D. S. Bernstein, (1993) Ex-
plicit Construction of Quadratic Lyapunov
Functions for the Small Gain, Positivity, Cir-
cle, and Popov Theorems and Their Applica-
tion to Robust Stability Part I: Continuous-
Time Theory,Int. J. Robust and Nonlinear
Control, Vol. 3, pp. 313-339.
[5] J. E. Slotine, W. Li, (1991) Applied Nonlinear
Control, Prentice-Hall, Inc, Englewood Clis,
N. Y.
[6] M. Vidyasagar, (1993) Nonlinear System
Analysis, Prentice-Hall, Inc, Englewood
Clis, N. Y.