V
ALORES
P
ROPIOS
(A
UTOVALORES
)
Y
V
ECTORES
P
ROPIOS
(A
UTOVECTORES
)
Los vectores propios o autovectores de una matriz A son todos
los vectores xi¹0, a los que la transformación A convierte en
colineales o múltiplos de si mismo, esto es,
,
0
i
i i
i
Ax
=
l
x
x
¹
Las constantesvalores propios o lautovaloresi son los de la matriz A.Para encontrar los autovectores la anterior se escribe como:
(
l
iI
-
A x
)
i=
0 ,
x
i¹
0
(
)
10
(
i)
0
0
i i iadj
I
A
x
I
A
I
A
l
l
l
--=
-
=
¹
-Como los autovectores son distintos de cero, existe solución si:
det(
)
0
i
I
A
iI
A
l
-
=
l
-
=
Con esta ecuación se encuentran los autovalores li, y con la primera ecuación se obtienen los autovectores.
i i i i
Ax
=
l
x
x
Ejemplo:
los autovalores son
l=-2
yl=-4
.1 1 1 2 1 1 2 2 2 1 2 2 1 3 1 3 2 2 1 3 3 2 1 1 x x x x x x x x x x x x é- ù é ù é ù - + = -ê ú ê ú = - ê ú = ê - ú ê ú ê ú - = -ê ú ê ú ê ú é ù ê ú = ê ú ê ú ë ë û ë û ë û û x 3 1 1 3 A = êéê- ùúú -ê ú ë û 2 2 0 3 1 3 1 det( ) 0 1 3 1 3 ( 3) 1 6 8 0 I A l l l l l l l l é ù é- ù é + - ù ê ú ê ú ê ú - = ê ú - ê ú = ê ú - - + ê ú ê ú ê ú ë û ë û ë û = + - = + + = Reemplazando
l=-2
enAx
=l
x
1 1 1 2 1 1 2 2 2 1 2 2 2 3 1 3 4 4 3 4 1 3 1 1 x x x x x x x x x x x x é- ù é ù é ù - + = -ê ú ê ú = - ê ú = - ê - ú ê ú ê ú - = -ê é ù ê ú = ê ú -ú ê ú ê ú ë û ë û ë û êë úû x Reemplazandol=-4
enAx
=l
x
Con
Matlab
Devuelve la matriz diagonal D con los autovalores y la matriz V cuyas columnas son los autovectores.
1 1 2 -1 1 2 V = éêê ùúú ê ú ë û
[V,D]=eig(A)
-4 0 0 -2 D = êéê ùúú ê ú ë ûDevuelve un vector e con los autovalores.
e=eig(A)
P=poly(e)
Devuelve el polinomio característico P.-4 -2
e
= ê úé ùê ú ê ú ë û 1 6 8 P = êéë ùúûPolos, Autovalores y Estabilidad
Un sistema continuo LTI homogéneo (u(t)=0) es marginalmente
estable si tiene uno o más polos distintos en el eje imaginario (j), y todos los polos restantes tienen parte real negativa.
Vimos anteriormente que la función de transferencia
G
(
s
)
de un modelo expresado en el espacio de estados es:
-
-=
=
-
+
=
+
--
+
-=
-1adj[
]
( )
( )
(
)
( )
C adj[
]
sI
A
Y s
G s
C sI
A
B
D
C
B
D
U s
sI
A
sI
A B
sI
A D
sI
A
Polos y Autovalores
y que el denominador de la Función de transferencia
|sI
-
A|
=0
es el polinomio característico del sistema.
( )
det[
]
0
Polos, Autovalores y Estabilidad
Luego, las raíces
s
i= l
idel polinomio característico
son los autovalores de la matriz
A
, pero también
sabemos que las raíces del polinomio característico
son los polos de la función de transferencia.
Observaciones del Algebra Lineal
·
Una matriz
A
de
n
xn
es
definida negativa
cuando para
todo vector
x
se verifica:
0
T
x Ax
<
Si la desigualdad no es estricta (
) la matriz
A
es
semidefinida negativa
.
Obviamente la definición no es operativa porque no
podemos probar con infinitos vectores si cumple la
desigualdad. Existen varias maneras de verificar si una
matriz es semidefinida negativa, la más útil para el curso
es la que está relacionada con los autovalores:
0
T
x Ax £
Una matriz A es definida negativa si la parte
real de sus autovalores son negativas.
· Todo lo anterior vale para matrices definidas y
semidefinidas positivas:
0 ó
0
T T
x Ax
>
x Ax
³
Una matriz A es definida positiva si la parte real de sus autovalores son positivas.
0
Matriz definida positiva
0
Matriz semidefinida positiva
0
Matriz definida negativa
0
Matriz semidefinida negativa
A
A
A
A
>
³
<
£
· Para que una matriz sea semidefinida (positiva o negativa)
alguno de sus autovalores es nulo.
Símbolos de las matrices definidas
Observaciones del Algebra Lineal
Polos, Autovalores y Estabilidad
Autovalores de
A
=
Polos de ( )
G s
si la parte real de los autovalores
de A son negativa
Un sistema expresado en variables de estado es
ESTABLE
o
s
si
A es def
lo que es e
inida negat
q
i
uivale
va (A
nte
<0)
.
Vimos que:
·
Si
A
£
0 el sistema es marginalmente estable (uno o más
polos distintos en el eje
j
w
).
T
RANSFORMACIONES DE
S
EMEJANZA
1 2 1 1 2 2 x x x x x U x U x é ù ê ú = + = ê ú ê ú ë û 1 2 1 1 2 2 z z z z z U z U z é ù ê ú = + = ê ú ê ú ë û
Una Transformación de Similitud representa un cambio de coordenadas sin traslación (cambio de base del espacio vectorial).
1 2 1 1 2 2 x x
x
x
x U
x U
x
é
ù
ê
ú
=
+
= ê ú
ê
ú
ë
û
1 2 1 1 2 2 z zz
z
z U
z U
z
é ù
ê ú
=
+
= ê ú
ê ú
ë û
1 1 2 2 1 2 11 21 12 22 z x x z x xU
t U
t U
U
t U
t U
=
+
=
+
1 2 1 2 1 2 1 2 1 2 1 11 21 2 12 22 1 11 2 12 1 21 2 22 ( ) ( ) ( ) ( ) z z x x x x x x x z z U z U z t U t U z t U t U z t z t U z t z t U = = + = + + + = + + + 11 12 1 21 22 2t
t
z
x
Tz
t
t
z
é
ù é ù
ê
ú ê ú
=
ê
ú ê ú
=
ê
ú ê ú
ë
û ë û
1z
=
T x
-1 2 x xcon T
= ê
é
ë
U
U
ù
ú
û
Transformaciones de Semejanza
Como ya se ha señalado,
la elección de variables de
estado o realización para un sistema lineal
invariante dado no es única
. Concretamente
podemos tener un sistema con entrada
u
(
t
)
, salida
y
(
t
)
y dos elecciones o realizaciones diferentes
para el vector de estado:
x
(
t
)
y
z
(
t
)
Î
n, con sus
matrices asociadas
{
A,B,C,D
}
y
{
A
z,B
z,C
z,D
z}
respectivamente.
Ambos
modelos
se
dicen
similares o equivalentes
y están relacionados
entre ellos por una
transformación de semejanza o
similitud
.
Propiedades Invariantes de las
Transformaciones de Semejanza
Una propiedad importante de las transformaciones de
semejanza es
la invarianza
:
●
La ecuación característica (polinomio característico).
●
Los valores característicos (autovalores).
●
Los vectores característicos (autovectores).
●
Las funciones de transferencia
Teorema: Supongamos un sistema cuyo vector de estado es
x
(
t
)
Î
n con matrices{
A,B,C,D
}.
Si queremos pasar a otra realización o representación de estado equivalente con vector de estadoz
(
t
)
Î
n con matrices{
A
z
,B
z,C
z,D
z}.
Entonces se debe elegir una matriz de transformaciónT
Î
nxn no singular (invertible) que define la relación entre los vectores de estado x(
t
)
yz
(
t
)
:1
( )
( ) , ( )
( )
x t
=
Tz t
z t
=
T x t
-Entonces, el modelo de estado para la nueva realización queda determinado por las matrices:
1
,
1,
,
z z z z
A
=
T AT B
-=
T B C
-=
CT D
=
D
Transformaciones de Semejanza
( ) ( ) ( ) ( ) ( ) ( ) x t Ax t Bu t y t Cx t Du t = + = + ( ) ( ) ( ) ( ) ( ) ( ) Tz t ATz t Bu t y t CTz t Du t = + = + 1 1 ( ) ( ) ( ) ( ) z ( ) ( )z z z B A C D z t T AT z t T B u t y t CT z t D u t - -= + = + 1 ( ) ( ) ( ) ( ) Y s G s C sI A B D U s -= = - + 1 1 1 ( ) ( ) ( ) ( ) Y s G s CT sI T AT T B D U s - - -= = - +
Función de transferencia para La primera realización
Función de transferencia para la segunda realización
VEREMOS QUE LAS DOS FUNCIONES DE TRANSFERENCIA SON IGUALES
1 1 1 ( ) ( ) ( ) ( ) Y s G s CT sI T AT T B D U s - - -= = - + 1 1 1 (MN)- = N M-
- -
1 1 1 1 1 1 ( ) 1 1 1 1 1 1 1 1( )
(
)
(
)
T sI T AT I I sI sTTC sI
A
G s
CT sI
T AT
T
B
D
C T sI
T AT T
B
D
C TsIT
TT
ATT
B
D
B
D
-- - -é - ù ê ú ë û -- -- --=
-
+
é
ù
=
ê
ë
-
ú
û
+
é
ù
ê
ú
ê
ú
=
ê
-
ú
+
=
ê
ú
ê
ú
ê
ú
é
-
ù
+
ë
û
ë
û
Operamos sobre la segunda realización aplicando la propiedad de la inversa del producto de matrices
La función de transferencia es la misma.
1 1 1 1
( )
(
)
G s
=
CT sI
-
T AT
- -T B
-+
D
=
C sI
é
ë
-
A
ù
û
-B
+
D
Luego para un sistema LTI (lineal invariante en el tiempo)
existe una función de transferencia e infinitas realizaciones o modelos de estado.
Transformación de las ecuaciones de estado
Recordemos que los autovalores de la matriz
A
en cada realización coincide con los polos del sistema. Como la función de transferencia es única esto significa que:L
OSA
UTOVALORES NO CAMBIAN EN LAS DISTINTAS REALIZACIONES.
Transformación de las ecuaciones de estado
L
OSA
UTOVALORES NO CAMBIAN EN LAS DISTINTAS REALIZACIONES.
Todas las realizaciones equivalentes son estables o inestables, no algunas si y otras no.
Este resultado es lógico. Todas las realizaciones equivalentes están relacionadas por una transformación de similitud lo que representa un cambio de coordenadas. Desde el punto de vista de la física, un cambio de coordenadas se interpreta como un cambio en la posición del observador. El resultado de un experimento no puede variar si se observa en reposo desde lugares distintos.
F
ORMAS
C
ANÓNICAS DE LOS
M
ODELOS EN EL
E
SPACIO DE
E
STADO
C adj[
]
( )
( )
( )
( )
( )
G GsI
A B
N s
Y s
G s
U s
D s
sI
A
-=
=
=
-( )
GD s
=
sI
-
A
Recordemos que los polos de G(s) son las raíces del polinomio
denominador.
Para un modelo en el espacio de estados los ceros son las raíces de:
( )
0
c
P s
=
sI
-
A
=
El denominador de la Función de transferencia igualado a cero
|sI-A| = 0 es el polinomio característico del sistema.
Formas Canónicas de los Modelos de Estado
Como existen infinitas matrices de transformación no singulares TÎnxn existen infinitas realizaciones del sistema
LTI. Algunas de las realizaciones tienen significado físico, otras por su estructura simple se las denomina formas canónicas, otras por su estructura particular tienen nombre.
Todas son realizaciones mínimas.
Las realizaciones con nombre más conocidas son: · Formas Canónicas Companion
· Forma Canónica Modal o de Jordan
· Forma Canónica Diagonal (caso particular de la de Jordan) · Realizaciones balanceadas
Formas Canónicas Companion
En general, el cálculo del polinomio característico de una matriz requiere la expansión de |sI-A| = 0. Sin embargo, para
ciertas matrices el polinomio característico es evidente. Estas son las matrices en la
forma canónica companion
.Las formas Canónicas Companion son:
· Formas Canónicas Controlables: Hay varias formas canónicas controlables, FCC1a (variables de fase), FCC1b, FCC2a, FCC2b.
· Forma Canónica Observable: Hay varias formas canónicas observables, FCO1a, FCO1b (es la que devuelve el comando
·
Representación en las Variables de Fase (FCC1a)
Este tipo de realización la vimos en la clase anterior, es la más común. Las variables de estado se asignan de la siguiente manera: 1 2 1 1 1 1 0 0 ( ) ( ) ( ) ( ) ( ) n n n n n n d y t d y t dy t a a a y t b u t dt dt x x d x t -- -+ + + + = La salida es:
x t
1( )
=
y t
( )
La forma general de la representación en variables de fase es para una función de transferencia con ceros es:
Representación en Variables de Fase (FCC1a) 1 1 2 2 1 1 0 1 2 1 ( ) 0 1 0 0 ( ) ( ) 0 0 0 0 ( ) ( ) 0 0 0 1 ( ) ( ) ( ) ( ) ( n n n n n n x t x t x t x t x t x t x t a a a a x t A x t x - -- -é ù é ù é ù ê ú ê ú ê ú ê ú ê ú ê ú ê ú ê ú ê ú ê ú = ê ú ê ú ê ú ê ú ê ú ê ú ê ú ê ú ê ú ê ú ê ú ê ú ê- - - - ú ê ú ê ú ê ú ê ú ë û ë û ë û 1 0 2 0 1 0 0 0 0 0 ( ) 0 ( ) ( ) 0 ( ) 1 ( ) ) ( )
,
n n x t x t u t x t x t B t x t x -é ù é ù ê ú ê ú ê ú ê ú ê ú ê ú ê ú ê ú + ê ú ê ú ê ú ê ú ê ú ê ú ê ú ê ú ê ú ê ú ë û ë û = 1 2 0 1 2 1 1 ( ) ( ) ( ) ( ) ( ) ( ) n n n n x t x t y t b b b b x t C x t x t - -é ù ê ú ê ú ê ú ê ú é ù = êë ú ê ú û ê ú ê ú ê ú ê ú ë û 2 2 1 0 3 2 2 1 0 ( ) s b s b ( ) Y s U s a s a s a b s æ + + ö÷ ç ÷ ç ÷ ç ÷÷ ç + + + è ø = 1 1 2 2 3 0 1 2 3 1 0 1 2 2 3 ( ) 0 1 0 ( ) 0 ( ) 0 0 1 ( ) 0 ( ) ( ) ( ) 1 ( ) ( ) ( ) ( ) x t x t x t x t u t x t a a a x t x t y t b b b x t x t ìé ù é ù é ù é ù ïïê ú ê ú ê ú ê ú ïê ú ê ú ê ú ê ú ï = + ïê ú ê ú ê ú ê ú ïïê ú ê ú ê ú ê ú ïê ú ê- - - ú ê ú ê ú ïïë û ë û ë û ë û í é ù ïï ê ú ïï = é ù ê ú ï ê ú ê ú ï ë û ï ê ú ï ê ú ïïî ë û
Las ocho formas Companion
FCC1a, FCC1b, FCC2a, FCC2b, FCO1a, FCO1b, FCO2a, FCO2b
Surgen de la Descomposición Directa de las funciones de transferencia cuyos polinomios no estén factorizados (deben estar en el formato tf, no en el formato zpk). 3 2 3 2 1 0 3 2 2 1 0 ( ) b s b s b s b G s s a s a s a + + + = + + +
Este tipo de realización es la que vimos anteriormente como variables de fase. Se utiliza para el caso de una entrada (lo normal en este curso).
Forma Canónica Controlable 2 (FCC2a)
3 2 3 2 1 0 3 2 2 1 0( )
b s
b s
b s
b
G s
s
a s
a s
a
+
+
+
=
+
+
+
2 1 0 2 2 2 2 2 3 1 1 3 0 0 3 2 31
1
0
0
,
0
0
1
0
0
,
cc cc cc cca
a
a
A
B
C
b
a b
b
a b
b
a b
D
b
é
-
-
-
ù
é ù
ê
ú
ê ú
ê
ú
ê ú
=
ê
ú
=
ê ú
ê
ú
ê ú
ê
ú
ê ú
ë
û
ë û
é
ù
é ù
=
ê
ë
-
-
-
ú
û
=
ë û
3 2 3 2 1 0 3 2 2 1 0
( )
b s
b s
b s
b
G s
s
a s
a s
a
+
+
+
=
+
+
+
Forma Canónica Observable 2a (FCO2a)
2 2 2 3 2 1 2 1 1 3 0 0 0 3 2 2 3
1 0
0 1
,
0 0
1 0 0 ,
co co co coa
b
a b
A
a
B
b
a b
a
b
a b
C
D
b
é
-
ù
é
-
ù
ê
ú
ê
ú
ê
ú
ê
ú
= -
ê
ú
=
ê
-
ú
ê
-
ú
ê
-
ú
ê
ú
ê
ú
ë
û
ë
û
é
ù
é ù
=
ê
ë
ú
û
=
ë û
Forma Canónica Modal o de Jordan
Este tipo de realización trata de diagonalizar la matriz A lo
más posible (en bloques). Si se puede diagonalizar la matriz A todas las variables de estado están desacopladas. Existen tres casos:
a) Todos los autovalores son reales y distintos
(este es el único caso en que la matriz A puede diagonalizarse).
b) Existen autovalores complejos conjugados.
a) Todos los autovalores son reales y distintos
·
Forma Canónica Diagonal
Este tipo de realización solo esposible cuando todos los autovalores son reales y distintos ya que de lo contrario no es posible diagonalizar una matriz.
b) Autovalores complejos conjugados
1
,
2,
3,4 1j
1,
5,6 2j
2Forma Canónica Modal o de Jordan con Matlab
1) El comando canon de Matlab con la opción modal
devuelve la forma canónica de Jordan.
G=zpk([],[-1+2i -1-2i -2 -2 -2 -3 -4],480); sys = canon(G,'modal') -2 2 0 0 0 0 0 0 -2 2 0 0 0 0 0 0 -2 0 0 0 0 0 0 0 -1 2 0 0 0 0 0 -2 -1 0 0 0 0 0 0 0 -3 0 0 0 0 0 0 0 -4 A é ù ê ê ê ê ê ê = ê ê ê ê ê ê êë ú ú ú ú ú ú ú ú ú ú ú ú úû 14.21 -7.04 3.2 -1.307 0.2614 19.18 5.864 B é ù ê ú ê ú ê ú ê ú ê ú ê ú = ê ú ê ú ê ú ê ú ê ú ê ú ê ú ë û 3.75 0 0 -1.554 0.2825 -3.128 0.787 C = ëé ùû Ejemplo
Forma Canónica Modal o de Jordan con Matlab
2) El comando jordan del symbolic toolbox de Matlab devuelve la forma canónica de Jordan. Jordan puede computar numéricamente, pero se debe computar en simbólico. Numéricamente es un algoritmo terriblemente mal condicionado.
% jordan Jordan Canonical Form.
% jordan(A) computes the Jordan Canonical/Normal Form of % the matrix A.
% The matrix must be known exactly, so its elements must % be integers or ratios of small integers. Any errors in % the input matrix may completely change its JCF.